CN107844868A - 一种融合plc技术与主元分析‑bp神经网络的负荷预测系统 - Google Patents
一种融合plc技术与主元分析‑bp神经网络的负荷预测系统 Download PDFInfo
- Publication number
- CN107844868A CN107844868A CN201711200401.1A CN201711200401A CN107844868A CN 107844868 A CN107844868 A CN 107844868A CN 201711200401 A CN201711200401 A CN 201711200401A CN 107844868 A CN107844868 A CN 107844868A
- Authority
- CN
- China
- Prior art keywords
- module
- matrix
- neural network
- layer
- value
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 40
- 238000005516 engineering process Methods 0.000 title claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 68
- 230000005540 biological transmission Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 17
- 238000000513 principal component analysis Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 238000000034 method Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Programmable Controllers (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种融合PLC技术与主元分析‑BP神经网络的负荷预测系统,包括PLC逻辑控制器、触摸屏、智能网关、存储模块、运算模块、主元分析模块和BP神经网络构建模块,PLC逻辑控制器分别与触摸屏和智能网关连接,智能网关与存储模块连接,存储模块与运算模块和触摸屏连接,运算模块与主元分析模块和BP神经网络构建模块连接,主元分析模块和BP神经网络构建模块将计算得到的结果反馈给存储模块,本发明可降低原始数据的维度,从而较大地减少末端负荷算法的需求时间,对末端设备实时运行状态调整具有十分重要的意义,具有计算量小,可靠性高,时滞性小等优点。
Description
技术领域
本发明涉及PLC技术领域,特别是一种融合PLC技术与主元分析 -BP神经网络的负荷预测系统。
背景技术
在暖通领域,末端用冷负荷的准确预测是一个十分棘手的难题。目前由于先进的制造工艺,设备的效率基本上均能达到设计工况的最大值,此时比较突出的问题便是怎样合理的调用设备,从而实现整体能耗的最小化。末端用冷负荷预测可有效地解决上述问题,通过相关算法,预先知道末端的时序蓄冷量,便可以通过程序基于整体能耗最小化制定策略预先设置好设备的运行状态。目前由于暖通系统中末端负荷的关联因素繁多,计算量大,因而直接利用繁多的初始数据来实现末端负荷的预测十分困难,而且也会导致末端负荷预测结果时滞性较大,不利于设备的实时性调节。
发明内容
为了克服现有技术的不足,本发明提供一种结构简单,计算量小,可靠性高,时滞性小的融合PLC技术与主元分析-BP神经网络的负荷预测系统。
本发明解决其技术问题所采用的技术方案是:
一种融合PLC技术与主元分析-BP神经网络的负荷预测系统,包括PLC逻辑控制器、触摸屏、智能网关、存储模块、运算模块、主元分析模块和BP神经网络构建模块,所述PLC逻辑控制器分别与所述触摸屏和智能网关连接,所述智能网关与所述存储模块连接,所述存储模块与所述运算模块和触摸屏连接,所述运算模块与所述主元分析模块和BP神经网络构建模块连接,所述主元分析模块和BP神经网络构建模块将计算得到的结果反馈给所述存储模块。
所述PLC逻辑控制器用于收集预测样本和训练样本,以及对所述训练样本进行负荷预测。
所述触摸屏内安装有触摸屏组态软件,所述触摸屏组态软件包括集成好的通讯接口以及相关数据传输函数。
所述运算模块包括数学应用软件,所述数学应用软件内设置有神经网络功能箱。
所述主元分析模块包括归一、去均值处理,计算归一化矩阵的协方差矩阵和确定主元负载矩阵。
所述归一、去均值处理,计算归一化矩阵的协方差矩阵和确定主元负载矩阵的实现步骤如下:
(1)、假设训练样本共有n个,而每个样本有m个观察量,则训练样本构成数据集x∈Rn×m;
(2)、归一化处理消除不同观测量量纲的影响,
其中,为第i行第j列的样本矩阵的归一化矩阵;
xij为样本矩阵的第i行第j列的数值;
min(xj)为样本矩阵的第j列的最小值;
max(xj)为样本矩阵的第j列的大值;
(3)、去均值处理,
其中,为去均值后的第i行第j列的样本矩阵的归一化矩阵;
mean(xj)为样矩阵第j列的数值的平均值;
(4)、求解归一化矩阵的协方差矩阵Z,
其中,n为训练样本个数;
为步骤(3)中的去均值后的第i行第j列的样本矩阵的归一化矩阵,为其转置矩阵;
(5)、求解所述协方差矩阵Z的特征值(λ1λ2λ3...λm)和特征向量 (p1p2p3....pm);
(6)、根据方差累计贡献率(CPV)法计算确定选择主元的个数l,
(7)、解得主元负载矩阵
所述BP神经网络构建模块包括确定输入层、隐含层、输出层节点数模块以及确定权值、阈值模块。
所述确定输入层、隐含层、输出层节点数模块以及确定权值、阈值模块的实现步骤如下:
(1)、输入层指所述BP神经网络输入,所述输入层的节点数与所述主元的个数l相等;输出层指所述BP神经网络的输出,所述输出层的节点数等于末端负荷可能达到的所有值,在这里,假设末端负荷可能达到的所有值为k,所述隐含层指所述BP神经网络的中间层,所述隐含层的节点数为a为1-10之间的常数;
(2)、所述BP神经网络的基本算法包括正向传递过程(信号的前向传播)和反向传递过程(误差的反向传播)两个过程,通过正向传递过程可计算出误差输出,进而再通过反向传递过程调整权值和阈值,具体步骤如下:
正向传递过程:
xj=f(Sj)
其中,Sj为当前节点j的权值和阈值所形成的矩阵;
ωij为当前节点j与上一层的所有节点i之间的权值;
xi为上一层所有节点的输出值;
bj为当前节点j的阈值;
f为激活函数;
反向传递过程:
误差信号反向传递过程是基于Widrow-Hoff学习规则的,假设输出层的所有结果为dj,误差函数如下:
其中,yj为输出层实际的输出值。
本发明的有益效果是:本发明可降低原始数据的维度,从而较大地减少末端负荷算法的需求时间,对末端设备实时运行状态调整具有十分重要的意义,具有计算量小,可靠性高,时滞性小等优点。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明的结构方框示意图。
具体实施方式
参照图1,一种融合PLC技术与主元分析-BP神经网络的负荷预测系统,包括PLC逻辑控制器、触摸屏、智能网关、存储模块、运算模块、主元分析模块和BP神经网络构建模块,所述PLC逻辑控制器分别与所述触摸屏和智能网关连接,所述智能网关与所述存储模块连接,所述存储模块与所述运算模块和触摸屏连接,所述运算模块与所述主元分析模块和BP神经网络构建模块连接,所述主元分析模块和 BP神经网络构建模块将计算得到的结果反馈给所述存储模块。所述 PLC逻辑控制器用于搜集预测样本、训练样本以及对训练样本进行负荷预测;所述触摸屏内安装有触摸屏组态软件,所述触摸屏组态软件包括集成好的通讯接口以及相关数据传输函数,一方面,所述通讯接口可实现触摸屏向上与所述PLC逻辑控制器进行数据交换,另一方面,所述数据传输函数可实现向下与所述存储模块进行数据交换;所述智能网关可以实现所述PLC逻辑控制器与所述存储模块的数据传输,其具体可通过modbus-RTU协议、modbus-TCP协议、PROFIBUS-DP协议等协议实现;所述存储模块可以实现数据的存储,根据实际情况,所述存储模块可以是小型项目的access数据库、中型项目的SQL、Mysql 数据库以及大型项目的Oracle数据库等;所述运算模块包括数学应用软件,所述数学应用软件内设置有神经网络功能箱,在本实施例中,所述数学应用软件可以是Matlab、Mathematica等,通过所述数学应用软件,可实现将所述主元分析模块和BP神经网络构建模块计算得到的权值矩阵以及阈值矩阵与所述存储模块进行实交互。
所述主元分析模块包括归一、去均值处理,计算归一化矩阵的协方差矩阵和确定主元负载矩阵,其实现步骤如下:
(1)、假设训练样本共有n个,而每个样本有m个观察量,则训练样本构成数据集x∈Rn×m;
(2)、归一化处理消除不同观测量量纲的影响,
其中,为第i行第j列的样本矩阵的归一化矩阵;
xij为样本矩阵的第i行第j列的数值;
min(xj)为样本矩阵的第j列的最小值;
max(xj)为样本矩阵的第j列的大值;
(3)、去均值处理,
其中,为去均值后的第i行第j列的样本矩阵的归一化矩阵;
mean(xj)为样矩阵第j列的数值的平均值;
(4)、求解归一化矩阵的协方差矩阵Z,
其中,n为训练样本个数;
为步骤(3)中的去均值后的第i行第j列的样本矩阵的归一化矩阵,为其转置矩阵;
(5)、求解所述协方差矩阵Z的特征值(λ1λ2λ3...λm)和特征向量 (p1p2p3....pm);
(6)、根据方差累计贡献率(CPV)法计算确定选择主元的个数l,
(7)、解得主元负载矩阵
所述BP神经网络构建模块包括确定输入层、隐含层、输出层节点数模块以及确定权值、阈值模块,所述确定输入层、隐含层、输出层节点数模块以及确定权值、阈值模块的实现步骤如下:
(1)、输入层指所述BP神经网络输入,所述输入层的节点数与所述主元的个数l相等;输出层指所述BP神经网络的输出,所述输出层的节点数等于末端负荷可能达到的所有值,在这里,假设末端负荷可能达到的所有值为k,所述隐含层指所述BP神经网络的中间层,所述隐含层的节点数为a为1-10之间的常数;
(2)、所述BP神经网络的基本算法包括正向传递过程(信号的前向传播)和反向传递过程(误差的反向传播)两个过程,通过正向传递过程可计算出误差输出,进而再通过反向传递过程调整权值和阈值,具体步骤如下:
正向传递过程:
xj=f(Sj)
其中,Sj为当前节点j的权值和阈值所形成的矩阵;
ωij为当前节点j与上一层的所有节点i之间的权值;
xi为上一层所有节点的输出值;
bj为当前节点j的阈值;
f为激活函数,本实施例中,采用S型函数作为激活函数;
反向传递过程:
误差信号反向传递过程是基于Widrow-Hoff学习规则的,假设输出层的所有结果为dj,误差函数如下:
其中,yj为输出层实际的输出值。
主元分析模块可以实现原始相关性的减弱或者剔除(末端负荷关联因素繁多,但是关联因素之间存在一定程度的关联性,主元分析模块主可用来减弱或者提出这种相关性,通过空间变化,选取最能代表原始数据的隐藏,在一定程度上能够实现数据的降维),再通过构建收敛性良好的BP神经网络实现对负荷训练样本的训练,连续调整网络的权值和阀值,最终得到权值矩阵与阈值矩阵,再将得到的权值矩阵与阈值矩阵传输到存储模块,由存储模块将信息反馈给PLC逻辑控制器,与PLC逻辑控制器所获得的预测样本结合便可实现末端负荷的准确预测,具有结构简单,计算量小,可靠性高,时滞性小等优点。
以上的实施方式不能限定本发明创造的保护范围,专业技术领域的人员在不脱离本发明创造整体构思的情况下,所做的均等修饰与变化,均仍属于本发明创造涵盖的范围之内。
Claims (8)
1.一种融合PLC技术与主元分析-BP神经网络的负荷预测系统,其特征在于它包括PLC逻辑控制器、触摸屏、智能网关、存储模块、运算模块、主元分析模块和BP神经网络构建模块,所述PLC逻辑控制器分别与所述触摸屏和智能网关连接,所述智能网关与所述存储模块连接,所述存储模块与所述运算模块和触摸屏连接,所述运算模块与所述主元分析模块和BP神经网络构建模块连接,所述主元分析模块和BP神经网络构建模块将计算得到的结果反馈给所述存储模块。
2.根据权利要求1所述的融合PLC技术与主元分析-BP神经网络的负荷预测系统,其特征在于所述PLC逻辑控制器用于收集预测样本和训练样本,以及对所述训练样本进行负荷预测。
3.根据权利要求1所述的融合PLC技术与主元分析-BP神经网络的负荷预测系统,其特征在于所述触摸屏内安装有触摸屏组态软件,所述触摸屏组态软件包括集成好的通讯接口以及相关数据传输函数。
4.根据权利要求1所述的融合PLC技术与主元分析-BP神经网络的负荷预测系统,其特征在于所述运算模块包括数学应用软件,所述数学应用软件内设置有神经网络功能箱。
5.根据权利要求1所述的融合PLC技术与主元分析-BP神经网络的负荷预测系统,其特征在于所述主元分析模块包括归一、去均值处理,计算归一化矩阵的协方差矩阵和确定主元负载矩阵。
6.根据权利要求5所述的融合PLC技术与主元分析-BP神经网络的负荷预测系统,其特征在于所述归一、去均值处理,计算归一化矩阵的协方差矩阵和确定主元负载矩阵的实现步骤如下:
(1)、假设训练样本共有n个,而每个样本有m个观察量,则训练样本构成数据集x∈Rn×m;
(2)、归一化处理消除不同观测量量纲的影响,
其中,为第i行第j列的样本矩阵的归一化矩阵;
xij为样本矩阵的第i行第j列的数值;
min(xj)为样本矩阵的第j列的最小值;
max(xj)为样本矩阵的第j列的大值;
(3)、去均值处理,
其中,为去均值后的第i行第j列的样本矩阵的归一化矩阵;
mean(xj)为样矩阵第j列的数值的平均值;
(4)、求解归一化矩阵的协方差矩阵Z,
其中,n为训练样本个数;
为步骤(3)中的去均值后的第i行第j列的样本矩阵的归一化矩阵,为其转置矩阵;
(5)、求解所述协方差矩阵Z的特征值(λ1λ2λ3...λm)和特征向量(p1p2p3....pm);
(6)、根据方差累计贡献率(CPV)法计算确定选择主元的个数l,
(7)、解得主元负载矩阵
7.根据权利要求1所述的融合PLC技术与主元分析-BP神经网络的负荷预测系统,其特征在于所述BP神经网络构建模块包括确定输入层、隐含层、输出层节点数模块以及确定权值、阈值模块。
8.根据权利要求7所述的融合PLC技术与主元分析-BP神经网络的负荷预测系统,其特征在于所述确定输入层、隐含层、输出层节点数模块以及确定权值、阈值模块的实现步骤如下:
(1)、输入层指所述BP神经网络输入,所述输入层的节点数与所述主元的个数l相等;输出层指所述BP神经网络的输出,所述输出层的节点数等于末端负荷可能达到的所有值,在这里,假设末端负荷可能达到的所有值为k,所述隐含层指所述BP神经网络的中间层,所述隐含层的节点数为a为1-10之间的常数;
(2)、所述BP神经网络的基本算法包括正向传递过程(信号的前向传播)和反向传递过程(误差的反向传播)两个过程,通过正向传递过程可计算出误差输出,进而再通过反向传递过程调整权值和阈值,具体步骤如下:
正向传递过程:
xj=f(Sj)
其中,Sj为当前节点j的权值和阈值所形成的矩阵;
ωij为当前节点j与上一层的所有节点i之间的权值;
xi为上一层所有节点的输出值;
bj为当前节点j的阈值;
f为激活函数;
反向传递过程:
误差信号反向传递过程是基于Widrow-Hoff学习规则的,假设输出层的所有结果为dj,误差函数如下:
其中,yj为输出层实际的输出值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711200401.1A CN107844868B (zh) | 2017-11-27 | 2017-11-27 | 一种融合plc技术与主元分析-bp神经网络的负荷预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711200401.1A CN107844868B (zh) | 2017-11-27 | 2017-11-27 | 一种融合plc技术与主元分析-bp神经网络的负荷预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107844868A true CN107844868A (zh) | 2018-03-27 |
CN107844868B CN107844868B (zh) | 2022-05-10 |
Family
ID=61680308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711200401.1A Active CN107844868B (zh) | 2017-11-27 | 2017-11-27 | 一种融合plc技术与主元分析-bp神经网络的负荷预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107844868B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109033498A (zh) * | 2018-06-05 | 2018-12-18 | 西安交通大学 | 基于传递函数特征主成分和神经网络的绕组变形识别方法 |
CN109284876A (zh) * | 2018-11-19 | 2019-01-29 | 福州大学 | 基于pca-rbf埋地管道腐蚀速率预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101392939A (zh) * | 2008-11-18 | 2009-03-25 | 天津大学 | 一种建筑物独立供能温度非线性预测控制方法 |
CN103345660A (zh) * | 2013-06-28 | 2013-10-09 | 广东工业大学 | 一种基于猫群算法优化支持向量机参数的冷负荷预测方法 |
CN104008427A (zh) * | 2014-05-16 | 2014-08-27 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN105528650A (zh) * | 2015-12-02 | 2016-04-27 | 江苏省电力公司信息通信分公司 | 基于主成分分析和bp神经网络的机房温湿度预测方法 |
-
2017
- 2017-11-27 CN CN201711200401.1A patent/CN107844868B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101392939A (zh) * | 2008-11-18 | 2009-03-25 | 天津大学 | 一种建筑物独立供能温度非线性预测控制方法 |
CN103345660A (zh) * | 2013-06-28 | 2013-10-09 | 广东工业大学 | 一种基于猫群算法优化支持向量机参数的冷负荷预测方法 |
CN104008427A (zh) * | 2014-05-16 | 2014-08-27 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN105528650A (zh) * | 2015-12-02 | 2016-04-27 | 江苏省电力公司信息通信分公司 | 基于主成分分析和bp神经网络的机房温湿度预测方法 |
Non-Patent Citations (2)
Title |
---|
代如静,白瑞祥: "冰蓄冷中央空调智能监控系统研究开发", 《自动化技术与应用》 * |
林育贤,冯圣红: "基于BP 神经网络下空调负荷预测模型的研究", 《应用能源技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109033498A (zh) * | 2018-06-05 | 2018-12-18 | 西安交通大学 | 基于传递函数特征主成分和神经网络的绕组变形识别方法 |
CN109284876A (zh) * | 2018-11-19 | 2019-01-29 | 福州大学 | 基于pca-rbf埋地管道腐蚀速率预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107844868B (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11409347B2 (en) | Method, system and storage medium for predicting power load probability density based on deep learning | |
CN106874581B (zh) | 一种基于bp神经网络模型的建筑空调能耗预测方法 | |
CN109992921B (zh) | 一种燃煤电厂锅炉热效率的在线软测量方法及系统 | |
CN105574587B (zh) | 一种塑料注塑过程的在线工况过程监控方法 | |
CN103593719B (zh) | 一种基于板坯与合同优化匹配的轧制节能方法 | |
CN113760660B (zh) | 一种基于长短时记忆神经网络的三维多核芯片温度预测方法及系统 | |
CN101887239A (zh) | 一种自适应的工业过程最优控制系统及方法 | |
CN111723839B (zh) | 一种基于边缘计算的台区线损率预测方法 | |
CN111913803A (zh) | 一种基于akx混合模型的服务负载细粒度预测方法 | |
CN113130014B (zh) | 一种基于多分支神经网络的稀土萃取模拟方法及系统 | |
CN111461463A (zh) | 一种基于tcn-bp的短期负荷预测方法、系统及设备 | |
CN107844868B (zh) | 一种融合plc技术与主元分析-bp神经网络的负荷预测系统 | |
CN106507275B (zh) | 一种无线传感器网络的鲁棒分布式滤波方法和装置 | |
CN109063818B (zh) | 一种热工过程模型在线辨识方法及装置 | |
CN104898562A (zh) | 数控机床热误差补偿的建模方法 | |
CN115169724A (zh) | 一种基于时空图卷积神经网络的径流预测方法 | |
CN111324036B (zh) | 一种有界干扰影响下时变系统可诊断性量化方法 | |
CN116974230A (zh) | 一种基于物联网的设备运行模式智能控制方法及系统 | |
CN112508279A (zh) | 基于空间相关性的区域分布式光伏预测方法及系统 | |
US20220243347A1 (en) | Determination method and determination apparatus for conversion efficiency of hydrogen production by wind-solar hybrid electrolysis of water | |
CN113705897B (zh) | 一种面向工业铜箔生产的产品质量预测方法及系统 | |
CN110991519A (zh) | 一种智能开关状态分析调整方法及系统 | |
CN113128666A (zh) | 基于Mo-S-LSTMs模型的时间序列多步预测方法 | |
CN117498296A (zh) | 基于注意力时空同步图卷积网络的多风电场功率预测方法 | |
CN116663744A (zh) | 一种用于近零能耗建筑的能耗预测方法及系统 |
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 | ||
CP01 | Change in the name or title of a patent holder |
Address after: 528400 4th floor, building 1, Daling Industrial Zone, Torch Development Zone, Zhongshan City, Guangdong Province Patentee after: Guangdong ludes Environmental Technology Co.,Ltd. Address before: 528400 4th floor, building 1, Daling Industrial Zone, Torch Development Zone, Zhongshan City, Guangdong Province Patentee before: ZHONGSHAN LOTUSAIR Co.,Ltd. |
|
CP01 | Change in the name or title of a patent holder |