CN107808212A - 基于灰色神经网络的太阳能收集功率预测方法 - Google Patents
基于灰色神经网络的太阳能收集功率预测方法 Download PDFInfo
- Publication number
- CN107808212A CN107808212A CN201710928531.0A CN201710928531A CN107808212A CN 107808212 A CN107808212 A CN 107808212A CN 201710928531 A CN201710928531 A CN 201710928531A CN 107808212 A CN107808212 A CN 107808212A
- Authority
- CN
- China
- Prior art keywords
- msub
- mrow
- solar energy
- neural network
- mfrac
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于灰色神经网络的太阳能收集功率预测方法。首先选取若干天每天同一时刻原始太阳能收集功率和影响太阳能收集的因素数据序列，运用灰色预测方法对太阳能收集功率序列进行预测，得到初步预测结果；然后将灰色预测结果和原始影响太阳能因素数据序列归一化，作为神经网络的输入，原始太阳能数据序列作为神经网络的输出，建立神经网络模型，对神经网络进行训练，直至收敛；最后调用已训练好的神经网络来进行太阳能收集功率的最终预测。本发明结合灰色建模方法和神经网络方法建立灰色神经网络模型，与普通神经网络模型相比，引入灰色预测模型，减少了预测时的计算量，在少样本情况下也可达到较高精度；且预测准确率更高。
Description
技术领域
本发明涉及传感器网络能量收集领域，具体是一种基于灰色神经网络的太阳能收集功率预测方法。
背景技术
无线传感器网络(Wireless Sensor Networks,WSNs)是由部署在监测区域内的大量传感器以自组织和多跳等方式构成的，以协作方式感知、采集、处理和传输网络覆盖区域内监测对象信息的无线网络，是当前在国际国内备受关注的、涉及多学科高度交叉、知识高度集成的前沿热点研究领域，被认为是对21世纪最具影响力的技术之一。
现阶段的无线传感器网络节点通常使用微型电池供电，能量十分有限，有效地从外部环境获取能量，对于低功耗的无线传感器网络具有重要意义，可以大大延长节点寿命，减少网络维护成本。
目前，如何有效利用太阳能为无线传感器网络供能是无线传感器网络领域研究的热点。通过对无线传感器网络太阳能收集功率的预测，实现节点的工作调度，从而可以最大限度维持网络工作，因此研究无线传感器网络太阳能收集功率预测方法对于实现无线传感器网络具有重要意义。
考虑到太阳能收集功率受温度、湿度、风速等各种因素的影响，不确定因素较多，将影响太阳能收集功率的各种复杂因素联合起来看成一个大系统，这一系统兼有确定性和不确定性，可以看成一个典型的灰色系统。灰色预测模型可在“贫信息”情况下对非线性、不确定性系统的数据序列进行预测，但其预测误差偏高，而神经网络由于具有强大的学习功能，可以逼近任意复杂的非线性函数，信息利用率高，近年来神经网络在计算机视觉、神经生理学、雷达的多目标识别与跟踪、导弹的智能引导等领域得到了广泛的运用，若将两者结合构成灰色神经网络模型，则优点兼具，能较好解决小样本预测问题，提高精度。
发明内容
针对系统不稳定时灰色系统模型预测误差偏高和神经网络需要大量训练数据的缺点，本发明提出了一种基于灰色神经网络的太阳能预测方法，有效解决小样本预测问题，提高模型的预测精度和泛化能力。
为了解决以上问题，本发明采用了如下技术方案实现：一种基于灰色神经网络的太阳能收集功率预测方法，首先选取若干天每天同一时刻太阳能和影响太阳能因素数据序列，运用灰色模型对原始太阳能训练数据序列进行预测，得到中间预测结果；然后将预测结果序列和原始影响太阳能因素训练数据序列归一化，作为神经网络的输入，原始太阳能训练预测数据序列作为神经网络的输出，建立神经网络模型，对输入样本进行网络训练，直至收敛；最后调用已训练好的神经网络来进行预测。
具体建模过程如下：
(1)收集太阳能数据及影响太阳能因素数据，影响太阳能因素包括温度、湿度、风速等数据；
(2)建立灰色预测模型
具体步骤如下：
①设为原始训练序列，经过一次累加生成1-AGO序列记为
②将原始训练数列表示为x(t)，一次累加后的生成的数列表示为y(t)，预测的结果用z(t)表示，建立微分方程
式中式中y2,y3,..,yn为系统输入参数；y1为系统输出参数；a,b1,b2,...,bn-1为微分方程系数；其中参数列可用最小二乘估计得到为
其中，
③求解②中方程，得到预测变量序列为：
(3)建立神经网络模型
将灰色预测得到的和原始影响太阳能因素训练数据序列作为BP神经网络的输入，原始太阳能训练预测数据序列作为网络的输出，建立BP神经网络模型。
在对BP神经网络进行训练之前，要对样本数据进行归一化处理，避免隐含层某神经元处于饱和状态以及数据间数量级的差异；在使用经过学习后的网络时，对网络的输出数据还应进行反归一化，恢复最终的预测值。
具体步骤如下：
①对样本数据进行归一化处理
归一化的公式：
式中sn表示映射后的数据；s表示所收集的一组数据；maxs表示这组数据的最大值；mins表示这组数据的最小值。
②对网络的输出数据进行反归一化处理，恢复最终的预测值
反归一化的公式：
s'＝mins+a(maxs-mins)
式中s’表示最终预测值；a表示经过神经网络预测的预测值。
③反复训练，建立映射关系
用基本的反向传播算法来训练网络，设置训练目标误差，以得到隐含层和输出层相应的权值，实现误差可控；经过反复训练后，神经网络就是原始太阳能训练数据序列和太阳能收集功率灰色预测结果的映射关系。
(4)预测太阳能
预测时，调用已训练好的BP神经网络，输入原始太阳能样本数据序列和原始影响太阳能因素样本数据序列，得到灰色神经网络预测值
至此，经过步骤(1)，(2)，(3)，(4)，就建立了灰色神经网络的太阳能预测模型。
本发明结合灰色建模方法和神经网络模型建立灰色神经网络模型，能有效解决小样本预测问题，提高模型的预测精度和泛化能力。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合具体实施方式，进一步阐述本发明。
如图1所述，本发明提供了一种基于灰色神经网络的太阳能收集功率预测方法，
(1)收集整理太阳能数据
收集统计太阳能、温度、湿度、风速数据，取n天内每天m时刻的太阳能S、温度T、湿度H、风速数据W。
(2)建立GM(1,N)
基于步骤(1)收集统计的3个影响太阳能因素和太阳能，共n组，建立以温度T、湿度H、风速W为因子变量，以太阳能S为行为变量的灰色预测模型。具体步骤如下：
①令为原始训练序列，上述各序列的一次累加生成1-AGO序列记为
②将原始训练数列表示为x(t)，一次累加后的生成的数列表示为y(t)，预测的结果用z(t)，建立微分方程
式中式中y2,y3,..,yn为系统输入参数；y1为系统输出参数；a,b1,b2,...,bn-1为微分方程系数；其中参数列可用最小二乘估计得到为
其中，
③求解②中方程，得到预测变量序列为
(3)建立神经网络模型
将灰色预测得到的和原始影响太阳能因素训练数据序列作为BP神经网络的输入，原始太阳能训练预测数据序列作为网络的输出，建立BP神经网络模型。
然后用基本反向传播算法来训练网络，设置训练目标误差，以得到隐含层和输出层相应的权值，实现误差可控；这样，经过反复训练的神经网络就是原始太阳能训练数据序列和太阳能收集功率灰色预测结果的映射关系。
具体步骤如下：
①将灰色预测得到的和原始影响太阳能因素训练数据序列作为BP神经网络的输入矩阵A，原始太阳能训练数据序列作为网络的输出矩阵B。
②进行归一化处理，利用归一化公式分别对输入输出矩阵进行归一化处理。
对输入矩阵A每一列分别作归一化处理，得到归一化矩阵A’；对输出矩阵B作归一化处理，得到B’。
③构建BP神经网络
将A’作为输入，B’作为输出，合理的选择神经网络的输入层、隐含层、输出层的节点个数，对输入样本进行网络训练直至收敛，建立原始太阳能训练数据序列和灰色预测结果的映射关系。
(4)预测太阳能
预测时，调用已训练好的BP神经网络，输入原始太阳能样本数据序列和原始影响太阳能因素样本数据序列得到灰色神经网络预测值
至此，经过步骤(1)，(2)，(3)，(4)，就建立了灰色神经网络的太阳能预测模型。
本发明未详细说明部分都属于领域技术人员公知常识，以上所述仅为本发明的一个具体实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于灰色神经网络的太阳能收集功率预测方法，其特征在于，包括以下步骤：
步骤(1)收集若干天每天同一时刻太阳能数据及影响太阳能因素数据，影响太阳能因素包括温度、湿度、风速；
步骤(2)建立灰色预测模型：运用灰色模型对原始太阳能训练数据序列进行预测，得到中间预测结果；
具体步骤如下：
①设为原始数据序列，经过一次累加生成1-AGO序列记为
②将原始训练数列表示为x(t)，一次累加后的生成的数列表示为y(t)，预测的结果用z(t)表示，建立微分方程
<mrow>
<mfrac>
<mrow>
<msub>
<mi>dy</mi>
<mn>1</mn>
</msub>
</mrow>
<mrow>
<mi>d</mi>
<mi>t</mi>
</mrow>
</mfrac>
<mo>+</mo>
<msub>
<mi>ay</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<msub>
<mi>b</mi>
<mn>1</mn>
</msub>
<msub>
<mi>y</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<msub>
<mi>b</mi>
<mn>2</mn>
</msub>
<msub>
<mi>y</mi>
<mn>3</mn>
</msub>
<mo>+</mo>
<mo>...</mo>
<mo>+</mo>
<msub>
<mi>b</mi>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<msub>
<mi>y</mi>
<mi>n</mi>
</msub>
</mrow>
式中y2,y3,..,yn为系统输入参数，y1为系统输出参数，a,b1,b2,...,bn-1为微分方程系数；
其中参数列可用最小二乘估计得到为
其中，
③求解微分方程
微分方程对应的时间响应式为
<mrow>
<mi>z</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mn>1</mn>
</msub>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
<mo>-</mo>
<mfrac>
<msub>
<mi>b</mi>
<mn>1</mn>
</msub>
<mi>a</mi>
</mfrac>
<msub>
<mi>y</mi>
<mn>2</mn>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>-</mo>
<mfrac>
<msub>
<mi>b</mi>
<mn>2</mn>
</msub>
<mi>a</mi>
</mfrac>
<msub>
<mi>y</mi>
<mn>3</mn>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>-</mo>
<mo>...</mo>
<mo>-</mo>
<mfrac>
<msub>
<mi>b</mi>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mi>a</mi>
</mfrac>
<msub>
<mi>y</mi>
<mi>n</mi>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>a</mi>
<mi>t</mi>
</mrow>
</msup>
<mo>+</mo>
<mfrac>
<msub>
<mi>b</mi>
<mn>1</mn>
</msub>
<mi>a</mi>
</mfrac>
<msub>
<mi>y</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mfrac>
<msub>
<mi>b</mi>
<mn>2</mn>
</msub>
<mi>a</mi>
</mfrac>
<msub>
<mi>y</mi>
<mn>3</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mo>...</mo>
<mo>+</mo>
<mfrac>
<msub>
<mi>b</mi>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mi>a</mi>
</mfrac>
<msub>
<mi>y</mi>
<mi>n</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
令
则即为灰色预测得到的太阳能收集功率序列此处的预测结果是中间预测结果，将作为神经网络模型的一个输入；
步骤(3)建立神经网络模型；
将灰色预测得到的太阳能收集功率序列和原始影响太阳能因素训练数据序列作为BP神经网络的输入，原始太阳能训练预测数据序列作为网络的输出，建立BP神经网络模型；
在对BP神经网络进行训练之前，要对样本数据进行归一化处理，避免隐含层某神经元处于饱和状态以及数据间数量级的差异；在使用经过学习后的网络时，对网络的输出数据还应进行反归一化，恢复最终的预测值；
步骤(4)预测太阳能；
预测时，调用已训练好的BP神经网络，输入原始太阳能样本数据序列和原始影响太阳能因素样本数据序列，得到灰色神经网络预测值
至此，经过步骤(1)，(2)，(3)，(4)，就建立了灰色神经网络的太阳能预测模型。
2.根据权利要求1所述的基于灰色神经网络的太阳能收集功率预测方法，其特征在于，所述的步骤3包括
①对样本数据进行归一化处理
归一化的公式：
<mrow>
<mi>s</mi>
<mi>n</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>s</mi>
<mo>-</mo>
<msub>
<mi>min</mi>
<mi>s</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>max</mi>
<mi>s</mi>
</msub>
<mo>-</mo>
<msub>
<mi>min</mi>
<mi>s</mi>
</msub>
</mrow>
</mfrac>
</mrow>
式中sn表示映射后的数据；s表示所收集的一组数据；maxs表示这组数据的最大值；mins表示这组数据的最小值；
②对网络的输出数据进行反归一化处理，恢复最终的预测值
反归一化的公式：
s'＝mins+a(maxs-mins)
式中s’表示最终预测值；a表示经过神经网络预测的预测值；
③反复训练，建立映射关系
用基本反向传播算法来训练网络，设置训练目标误差，以得到隐含层和输出层相应的权值，实现误差可控；经过反复训练后，神经网络就是原始太阳能训练数据序列和太阳能收集功率灰色预测结果的映射关系。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710928531.0A CN107808212B (zh) | 2017-10-09 | 2017-10-09 | 基于灰色神经网络的太阳能收集功率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710928531.0A CN107808212B (zh) | 2017-10-09 | 2017-10-09 | 基于灰色神经网络的太阳能收集功率预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107808212A true CN107808212A (zh) | 2018-03-16 |
| CN107808212B CN107808212B (zh) | 2021-06-11 |
Family
ID=61584106
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710928531.0A Active CN107808212B (zh) | 2017-10-09 | 2017-10-09 | 基于灰色神经网络的太阳能收集功率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107808212B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109002627A (zh) * | 2018-07-28 | 2018-12-14 | 南京林业大学 | 基于灰色神经网络ca模型的城市规划方案热岛模拟预测方法 |
| CN109447346A (zh) * | 2018-10-26 | 2019-03-08 | 冶金自动化研究设计院 | 基于灰色预测与神经网络组合模型转炉氧耗量预测方法 |
| CN109668791A (zh) * | 2019-01-10 | 2019-04-23 | 清华大学 | 一种基于多传感器的地层岩石力学参数的测量系统及方法 |
| CN109710500A (zh) * | 2018-11-29 | 2019-05-03 | 西安工程大学 | 一种基于自动伸缩Docker集群的组合预测方法 |
| CN109919380A (zh) * | 2019-03-07 | 2019-06-21 | 南京邮电大学 | 基于指数平均ud-wcma太阳能收集功率的改进预测方法 |
| CN110070215A (zh) * | 2019-04-09 | 2019-07-30 | 南京邮电大学 | 基于自适应的季节性arima模型的太阳能收集功率预测方法 |
| CN110110927A (zh) * | 2019-05-07 | 2019-08-09 | 西安募格网络科技有限公司 | 一种基于灰色神经网络的网络课程订单需求预测方法 |
| CN111369046A (zh) * | 2020-02-29 | 2020-07-03 | 上海电力大学 | 一种基于灰色神经网络的风光互补功率预测方法 |
| CN112330046A (zh) * | 2020-11-18 | 2021-02-05 | 国网天津市电力公司 | 基于多维灰色-神经网络混合协调的电力需求预测方法 |
| CN113094981A (zh) * | 2021-03-28 | 2021-07-09 | 西北工业大学 | 基于灰色神经网络模型和自助方法的锂离子电池可靠性评估方法 |
| CN114545279A (zh) * | 2022-02-24 | 2022-05-27 | 重庆邮电大学 | 一种基于神经网络常微分方程的锂电池健康状态估计方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103390199A (zh) * | 2013-07-18 | 2013-11-13 | 国家电网公司 | 光伏发电量/发电功率预测装置 |
| CN104978611A (zh) * | 2015-07-06 | 2015-10-14 | 东南大学 | 一种基于灰色关联分析的神经网络光伏发电出力预测方法 |
| CN106527568A (zh) * | 2016-12-15 | 2017-03-22 | 中国人民解放军后勤工程学院 | 基于广义动态模糊神经网络的最大功率跟踪器控制方法 |
-
2017
- 2017-10-09 CN CN201710928531.0A patent/CN107808212B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103390199A (zh) * | 2013-07-18 | 2013-11-13 | 国家电网公司 | 光伏发电量/发电功率预测装置 |
| CN104978611A (zh) * | 2015-07-06 | 2015-10-14 | 东南大学 | 一种基于灰色关联分析的神经网络光伏发电出力预测方法 |
| CN106527568A (zh) * | 2016-12-15 | 2017-03-22 | 中国人民解放军后勤工程学院 | 基于广义动态模糊神经网络的最大功率跟踪器控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李玲生: "基于ＢＰ神经网络的太阳能收集功率预测研究", 《软件导刊》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109002627A (zh) * | 2018-07-28 | 2018-12-14 | 南京林业大学 | 基于灰色神经网络ca模型的城市规划方案热岛模拟预测方法 |
| CN109447346B (zh) * | 2018-10-26 | 2022-07-05 | 冶金自动化研究设计院 | 基于灰色预测与神经网络组合模型转炉氧耗量预测方法 |
| CN109447346A (zh) * | 2018-10-26 | 2019-03-08 | 冶金自动化研究设计院 | 基于灰色预测与神经网络组合模型转炉氧耗量预测方法 |
| CN109710500A (zh) * | 2018-11-29 | 2019-05-03 | 西安工程大学 | 一种基于自动伸缩Docker集群的组合预测方法 |
| CN109668791A (zh) * | 2019-01-10 | 2019-04-23 | 清华大学 | 一种基于多传感器的地层岩石力学参数的测量系统及方法 |
| CN109919380A (zh) * | 2019-03-07 | 2019-06-21 | 南京邮电大学 | 基于指数平均ud-wcma太阳能收集功率的改进预测方法 |
| CN109919380B (zh) * | 2019-03-07 | 2022-07-29 | 南京邮电大学 | 基于指数平均ud-wcma太阳能收集功率的改进预测方法 |
| CN110070215A (zh) * | 2019-04-09 | 2019-07-30 | 南京邮电大学 | 基于自适应的季节性arima模型的太阳能收集功率预测方法 |
| CN110070215B (zh) * | 2019-04-09 | 2022-08-23 | 南京邮电大学 | 基于自适应的季节性arima模型的太阳能收集功率预测方法 |
| CN110110927A (zh) * | 2019-05-07 | 2019-08-09 | 西安募格网络科技有限公司 | 一种基于灰色神经网络的网络课程订单需求预测方法 |
| CN111369046A (zh) * | 2020-02-29 | 2020-07-03 | 上海电力大学 | 一种基于灰色神经网络的风光互补功率预测方法 |
| CN112330046A (zh) * | 2020-11-18 | 2021-02-05 | 国网天津市电力公司 | 基于多维灰色-神经网络混合协调的电力需求预测方法 |
| CN113094981A (zh) * | 2021-03-28 | 2021-07-09 | 西北工业大学 | 基于灰色神经网络模型和自助方法的锂离子电池可靠性评估方法 |
| CN113094981B (zh) * | 2021-03-28 | 2022-09-13 | 西北工业大学 | 基于灰色神经网络模型和自助方法的锂离子电池可靠性评估方法 |
| CN114545279A (zh) * | 2022-02-24 | 2022-05-27 | 重庆邮电大学 | 一种基于神经网络常微分方程的锂电池健康状态估计方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107808212B (zh) | 2021-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107808212A (zh) | 基于灰色神经网络的太阳能收集功率预测方法 | |
| Li et al. | A deep learning method based on an attention mechanism for wireless network traffic prediction | |
| Tyagi et al. | An intelligent and optimal resource allocation approach in sensor networks for smart agri-IoT | |
| CN109902863B (zh) | 一种基于多因素时空相关性的风速预测方法及装置 | |
| CN109936865B (zh) | 一种基于深度强化学习算法的移动sink路径规划方法 | |
| Wang et al. | Short-term wind speed forecasting based on information of neighboring wind farms | |
| Dong et al. | A learner based on neural network for cognitive radio | |
| Liu et al. | Multistep prediction-based adaptive dynamic programming sensor scheduling approach for collaborative target tracking in energy harvesting wireless sensor networks | |
| CN113112077B (zh) | 基于多步预测深度强化学习算法的hvac控制系统 | |
| CN109978283B (zh) | 一种基于分支进化神经网络的光伏发电功率预测方法 | |
| Chitsazan et al. | Wind speed forecasting using an echo state network with nonlinear output functions | |
| CN111343650B (zh) | 一种基于跨域数据和对抗损失的城市尺度无线业务流量预测方法 | |
| CN107067190A (zh) | 基于深度强化学习的微电网电能交易方法 | |
| CN103927460A (zh) | 一种基于rbf的风电场短期风速预测方法 | |
| CN113779107A (zh) | 一种基于深度并行网络的机房温度预测方法 | |
| CN113887141A (zh) | 一种基于联邦学习的微电网群运行策略进化方法 | |
| CN115409431A (zh) | 一种基于神经网络的分布式电力资源调度方法 | |
| CN114021811A (zh) | 基于注意力改进的交通预测方法及计算机介质 | |
| Suresh et al. | IoT with evolutionary algorithm based deep learning for smart irrigation system | |
| Guo et al. | A novel cluster-head selection algorithm based on hybrid genetic optimization for wireless sensor networks | |
| CN107330518A (zh) | 基于温度调节负荷预测的能源管理控制方法和系统 | |
| Krömer et al. | Harvesting-aware control of wireless sensor nodes using fuzzy logic and differential evolution | |
| Mehrani et al. | Deep-learning based forecasting sampling frequency of biosensors in wireless body area networks | |
| Iizaka et al. | A novel daily peak load forecasting method using analyzable structured neural network | |
| Cao et al. | Research On Regional Traffic Flow Prediction Based On MGCN-WOALSTM |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20180316 Assignee: NUPT INSTITUTE OF BIG DATA RESEARCH AT YANCHENG Assignor: NANJING University OF POSTS AND TELECOMMUNICATIONS Contract record no.: X2021980013920 Denomination of invention: Prediction method of solar collection power based on Grey Neural Network Granted publication date: 20210611 License type: Common License Record date: 20211202 |