CN108921359A - 一种分布式瓦斯浓度预测方法及装置 - Google Patents
一种分布式瓦斯浓度预测方法及装置 Download PDFInfo
- Publication number
- CN108921359A CN108921359A CN201810830683.1A CN201810830683A CN108921359A CN 108921359 A CN108921359 A CN 108921359A CN 201810830683 A CN201810830683 A CN 201810830683A CN 108921359 A CN108921359 A CN 108921359A
- Authority
- CN
- China
- Prior art keywords
- network model
- prediction
- gas density
- neural network
- data
- 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
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
本发明公开了一种分布式瓦斯浓度预测方法,所述方法包括:A:利用瓦斯浓度历史监测数据训练神经网络模型,得到目标神经网络模型;B:利用所述目标神经网络模型进行瓦斯浓度的预测,得到预测结果;C:判断所述预测结果与实际监测结果的偏差是否小于第一预设阈值;D:若是,根据当前时刻之前的预设时间段内的瓦斯浓度监测数据对所述训练后的神经网络模型进行二次训练;然后返回执行所述B步骤。本发明实施例还提供了一种瓦斯浓度预测装置。应用本发明实施例,对瓦斯浓度预测更加准确。
Description
技术领域
本发明涉及一种瓦斯预测方法及装置,更具体涉及一种分布式瓦斯浓度预测方法及装置。
背景技术
煤炭被人们誉为黑色的金子,工业的食粮,它是十八世纪以来人类世界使用的主要能源之一。我国是煤炭大国,拥有丰富的煤炭资源,每年煤炭的开采量也相当巨大。然而在中国,瓦斯事故作为矿井事故中重要的一种,其在矿井事故中造成的财产损失以及人员伤亡是非常巨大。瓦斯主要成分是甲烷,浓度超标并遇到火源时,可发生燃烧甚至爆炸。如果能够更好的对瓦斯浓度进行实时监测预测,能够大大减少瓦斯事故发生的概率。
目前,矿井中都装有监测瓦斯浓度的传感器系统,这为减少瓦斯事故的发生提供了重要的条件。并且,现在已经有了比较成熟的瓦斯浓度预测模型,能够较好的完成井下瓦斯浓度的监测和预测的任务,比如自回归积分滑动平均模型、基于综合权系数--可拓理论的动态预警模型等等。
但是,在实际应用中发现,现有的预测模型在使用一段时间后,预测结果会发生漂移的问题,进而导致现有技术预测的结果不够准确。
发明内容
本发明所要解决的技术问题在于提供了一种分布式瓦斯浓度预测方法及装置,以解决现有技术中瓦斯浓度预测不准确的技术问题。
本发明是通过以下技术方案解决上述技术问题的:
本发明实施例提供了一种分布式瓦斯浓度预测方法,所述方法包括:
A:利用瓦斯浓度历史监测数据训练神经网络模型,得到目标神经网络模型;
B:利用所述目标神经网络模型进行瓦斯浓度的预测,得到预测结果;
C:判断所述预测结果与实际监测结果的偏差是否小于第一预设阈值;
D:若是,根据当前时刻之前的预设时间段内的瓦斯浓度监测数据对所述训练后的神经网络模型进行二次训练;然后返回执行所述B步骤。
可选的,所述A步骤,包括:
A1:将神经网络的输入层以及隐含层的各个节点的权重设置为随机值,得到第一预数量个初始神经网络模型;
A2:针对每一个初始神经网络模型,利用遗传算法对所述初始神经网络进行训练;
A3:利用测试样本,从训练好的初始神经网络中选出预测精度最高的第二预设数量个初始神经网络模型;
A4:根据所述第二预设数量个初始神经网络模型,利用权重的交叉变异方法,获取第三预设数量个变异后的神经网络模型,将所述第二预设数量个初始神经网络模型和所述第三预设数量个变异后的神经网络模型的集合作为中间神经网络模型,且所述第二预设数量与所述第三预设数量的和等于所述第一预设数量;
A5:将所述第一预设数量个中间神经网络模型作为初始神经网络,并返回执行所述A2步骤,直至迭代次数达到预设迭代次数,将所述中间神经网络模型中精度最高的第四数量个中间神经网络模型作为目标神经网络模型。
可选的,所述B步骤,包括:
获取传感器测量的目标数据集,并对所述目标数据进行预处理,根据预处理后的目标数据利用所述目标神经网络模型进行瓦斯浓度的预测,得到预测结果。
可选的,所述对所述目标数据进行预处理,包括:
针对所述目标数据集中的每一个目标数据,如果目标数据的值为零,则将该目标数据更新为上一预测周期中与所述目标数据对应的时刻相同时刻所对应的数据,其中,所述上一预测周期为,当前预测周期的上一预测周期,且所述目标数据为当前预测周期中各个传感器测量的数据;
如果目标数据的值大于第二预设阈值,则判断所述目标数据对应的传感器所测量的所述目标数据之后的其他目标数据是否大于第二预设阈值;若否,根据所述其他目标数据采用移动平均线法计算所述目标数据的更新值,并将所述目标数据的值更新为所述更新值;
利用小波消噪法对所述目标数据集中的目标数据进行消噪处理。
可选的,所述根据当前时刻之前的预设时间段内的瓦斯浓度监测数据对所述训练后的神经网络模型进行二次训练,包括:
判断所述瓦斯浓度历史监测数据是否被改变,其中,所述改变包括:目标数据更新为上一预测周期中与所述目标数据对应的时刻相同时刻所对应的数据和/或,根据所述其他目标数据采用移动平均线法计算所述目标数据的更新值,并将所述目标数据的值更新为所述更新值;
若是,根据当前时刻之前的预设时间段内的瓦斯浓度监测数据对所述训练后的神经网络模型进行二次训练;
若否;将所述瓦斯浓度历史监测数据与所述当前时刻之前的预设时间段内的瓦斯浓度监测数据的集合作为当前时刻之前的预设时间段内的瓦斯浓度监测数据,并对所述训练后的神经网络模型进行二次训练。
可选的,所述步骤C,包括:
根据预设周期,周期性的判断所述预测结果与实际监测结果的偏差是否小于第一预设阈值。
可选的,所述步骤C,包括:
利用公式,计算所述预测结果与实际监测结果的偏差,判断所述预测结果与实际监测结果的偏差是否小于第一预设阈值,其中,
DACP为所述预测结果与实际监测结果的偏差;∑为求和函数;N为所预测的总次数;i为预测的次数的序号;Ci为目标神经网络模型的第i个预测结果到预测结果上限或者预测结果下线的距离;Ui为预测结果的上界;Li为预测结果的下界;且Ci=min(Ui-pi,pi-Li);min()为最小值求值函数;pi为预测结果。
可选的,所述步骤A包括:
基于Spark平台,利用瓦斯浓度历史监测数据训练神经网络模型,得到目标神经网络模型。
可选的,所述步骤B包括:
基于storm平台,利用所述目标神经网络模型进行瓦斯浓度的预测,得到预测结果。
本发明实施例还提供了一种瓦斯浓度预测装置,所述装置包括:
第一获取模块,用于利用瓦斯浓度历史监测数据训练神经网络模型,得到目标神经网络模型;
第二获取模块,用于利用所述目标神经网络模型进行瓦斯浓度的预测,得到预测结果;
判断模块,用于判断所述预测结果与实际监测结果的偏差是否小于第一预设阈值;
训练模块,用于在所述判断模块的判断结果为是的情况下,根据当前时刻之前的预设时间段内的瓦斯浓度监测数据对所述训练后的神经网络模型进行二次训练;然后除法所述第二获取模块。
可选的,所述第一获取模块,具体用于:
A1:将神经网络的输入层以及隐含层的各个节点的权重设置为随机值,得到第一预数量个初始神经网络模型;
A2:针对每一个初始神经网络模型,利用遗传算法对所述初始神经网络进行训练;
A3:利用测试样本,从训练好的初始神经网络中选出预测精度最高的第二预设数量个初始神经网络模型;
A4:根据所述第二预设数量个初始神经网络模型,利用权重的交叉变异方法,获取第三预设数量个变异后的神经网络模型,将所述第二预设数量个初始神经网络模型和所述第三预设数量个变异后的神经网络模型的集合作为中间神经网络模型,且所述第二预设数量与所述第三预设数量的和等于所述第一预设数量;
A5:将所述第一预设数量个中间神经网络模型作为初始神经网络,并返回执行所述A2步骤,直至迭代次数达到预设迭代次数,将所述中间神经网络模型中精度最高的第四数量个中间神经网络模型作为目标神经网络模型。
可选的,所述第二获取模块,具体用于:
获取传感器测量的目标数据集,并对所述目标数据进行预处理,根据预处理后的目标数据利用所述目标神经网络模型进行瓦斯浓度的预测,得到预测结果。
可选的,所述第二获取模块,具体用于:
针对所述目标数据集中的每一个目标数据,如果目标数据的值为零,则将该目标数据更新为上一预测周期中与所述目标数据对应的时刻相同时刻所对应的数据,其中,所述上一预测周期为,当前预测周期的上一预测周期,且所述目标数据为当前预测周期中各个传感器测量的数据;
如果目标数据的值大于第二预设阈值,则判断所述目标数据对应的传感器所测量的所述目标数据之后的其他目标数据是否大于第二预设阈值;若否,根据所述其他目标数据采用移动平均线法计算所述目标数据的更新值,并将所述目标数据的值更新为所述更新值;
利用小波消噪法对所述目标数据集中的目标数据进行消噪处理。
可选的,所述训练模块,具体用于:
判断所述瓦斯浓度历史监测数据是否被改变,其中,所述改变包括:目标数据更新为上一预测周期中与所述目标数据对应的时刻相同时刻所对应的数据和/或,根据所述其他目标数据采用移动平均线法计算所述目标数据的更新值,并将所述目标数据的值更新为所述更新值;
若是,根据当前时刻之前的预设时间段内的瓦斯浓度监测数据对所述训练后的神经网络模型进行二次训练;
若否;将所述瓦斯浓度历史监测数据与所述当前时刻之前的预设时间段内的瓦斯浓度监测数据的集合作为当前时刻之前的预设时间段内的瓦斯浓度监测数据,并对所述训练后的神经网络模型进行二次训练。
可选的,所述判断模块,具体用于:
根据预设周期,周期性的判断所述预测结果与实际监测结果的偏差是否小于第一预设阈值。
可选的,所述判断模块,具体用于:
利用公式,计算所述预测结果与实际监测结果的偏差,判断所述预测结果与实际监测结果的偏差是否小于第一预设阈值,其中,
DACP为所述预测结果与实际监测结果的偏差;∑为求和函数;N为所预测的总次数;i为预测的次数的序号;Ci为目标神经网络模型的第i个预测结果到预测结果上限或者预测结果下线的距离;Ui为预测结果的上界;Li为预测结果的下界;且Ci=min(Ui-pi,pi-Li);min()为最小值求值函数;pi为预测结果。
可选的,所述第一获取模块,具体用于:
基于Spark平台,利用瓦斯浓度历史监测数据训练神经网络模型,得到目标神经网络模型。
可选的,所述第二获取模块,具体用于:
基于storm平台,利用所述目标神经网络模型进行瓦斯浓度的预测,得到预测结果。
本发明相比现有技术具有以下优点:
应用本发明实施例,在对瓦斯浓度预测模型使用一段时间后,利用当前时刻的之前的预设时间段内的瓦斯浓度监测数据对瓦斯浓度预测模型进行二次训练,在二次训练时使用的数据相对于之前的训练使用的数据更贴近当前的状态,因此,二次训练后的瓦斯浓度预测模型更加准确,进而使预测结果更加准确。
附图说明
图1为本发明实施例提供的一种分布式瓦斯浓度预测方法的流程示意图;
图2为本发明实施例提供的一种分布式瓦斯浓度预测方法的原理示意图;
图3为本发明实施例提供的一种分布式瓦斯浓度预测方法过程中用到的神经网络的结构示意图;
图4为本发明实施例提供的一种分布式瓦斯浓度预测方法过程中用到的神经网络的训练过程原理示意图;
图5为本发明实施例提供的一种分布式瓦斯浓度预测方法过程中用到的神经网络的进行二次训练的原理示意图;
图6为本发明实施例提供的一种瓦斯浓度预测装置的结构示意图。
具体实施方式
下面对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
本发明实施例提供了一种分布式瓦斯浓度预测方法及装置,下面首先就本发明实施例提供的一种分布式瓦斯浓度预测方法进行介绍。
在本发明实施例的一种具体实施方式中,
图1为本发明实施例提供的一种分布式瓦斯浓度预测方法的流程示意图;
图2为本发明实施例提供的一种分布式瓦斯浓度预测方法的原理示意图;如图1和图2所示,所述方法包括:
S101:利用瓦斯浓度历史监测数据训练神经网络模型,得到目标神经网络模型。
具体的,S101步骤可以包括:A1:将神经网络的输入层以及隐含层的各个节点的权重设置为随机值,得到第一预数量个初始神经网络模型。图3为本发明实施例提供的一种分布式瓦斯浓度预测方法过程中用到的神经网络的结构示意图,如图3所示,然后确定如图3所示的神经网络模型架构,包括输入层、隐含层和输出层,例如,可以得到200个初始神经网络模型。A2:针对每一个初始神经网络模型,利用遗传算法,例如带精英策略的非支配排序的遗传算法对所述初始神经网络进行训练;得到200个训练后的初始神经网络模型。A3:利用测试样本,从训练好的初始神经网络中选出预测精度最高的第二预设数量个初始神经网络;例如,可以选取200个训练后的初始神经网络模型中预测精度最高的100个神经网络模型作为第二预设数量个初始神经网络。A4:根据所述第二预设数量个初始神经网络模型,利用权重的交叉变异方法,获取第三预设数量个变异后的神经网络模型,将所述第二预设数量个初始神经网络模型和所述第三预设数量个变异后的神经网络模型的集合作为中间神经网络模型,且所述第二预设数量与所述第三预设数量的和等于所述第一预设数量。例如,以A3步骤中获得的100个初始神经网络模型,利用权重的交叉变异方法,获取100个变异后的神经网络模型。
需要强调的是,如果A3步骤中得到的是80个初始神经网络模型,在A4步骤中需要以A3步骤中获得的80个初始神经网络模型,利用权重的交叉变异方法,获取120个变异后的神经网络模型。类似的,如果A3步骤中得到的是120个初始神经网络模型,在A4步骤中需要以A3步骤中获得的120个初始神经网络模型,利用权重的交叉变异方法,获取80个变异后的神经网络模型。
最后将200个神经网络模型的集合作为中间神经网络模型。
A5:将所述第一预设数量个中间神经网络模型作为初始神经网络,并返回执行所述A2步骤,直至迭代次数达到预设迭代次数,将所述中间神经网络模型中精度最高的第四数量个中间神经网络模型作为目标神经网络模型。例如,利用测试样本,从200个初始神经网络模型中选择出预测精度最高的100个中间神经网络模型,再用权重的交叉变异方法,获取100个中间神经网络模型;将200个中间神经网络作为初始神经网络,循环往复,直至迭代次数达到预设的迭代次数,如100次,将所述中间神经网络模型中的精度最高的5个模型作为目标神经网络模型。应用本发明上述实施例,可以选择出预测精度最高的目标神经网络模型。在实际应用中,也可以将200个网络中的精度最高的1个神经网络模型作为目标神经网络模型。
具体的,可以基于Spark平台,利用瓦斯浓度历史监测数据训练神经网络模型,得到目标神经网络模型。
神经网络的计算结构和学习规则遵照生物神经网络设计,在数字计算机中,神经细胞接收周围细胞的刺激并产生相应输出信号的过程可以用“线性加权和”及“函数映射”的方式来模拟,而网络结构和权值调整的过程用优化学习算法实现.按照该方式建立的这种仿生智能计算模型虽然不能和生物神经网络完全等价和媲美,但已经在某些方面取得了优越的性能。利用神经网络来进行瓦斯浓度的预测,能够准确的对瓦斯浓度的未来变化趋势进行预估。在预测性能上,相比自回归积分滑动平均模型,基于综合权系数--可拓理论的动态预警等模型,具有更好的预测效果,并且神经网络能够更好的与分布式计算融合,便于更进一步提升预测性能。Spark由加州大学伯克利分校AMP实验室(Algorithms,Machines,and People Lab,机器学习和人类实验室)开发,是基于内存计算的大数据分布式计算框架。Spark是基于内存的迭代计算框架,适用于需要多次操作特定数据集的应用场合。需要反复操作的次数越多,所需读取的数据量越大,受益越大。另外Spark基于内存计算,提高了在大数据环境下数据处理的实时性,同时保证了高容错性和高可伸缩性,允许用户将Spark部署在大量廉价硬件之上,形成集群。如果在Spark集群上进行神经网络模型的训练,便能够从更多的数据中发掘出瓦斯浓度的变化规律,使得训练得到的模型更加可靠,并且,由于spark计算性能优越,将大大减少训练所占用的时间。
S102:利用所述目标神经网络模型进行瓦斯浓度的预测,得到预测结果;
具体的,获取传感器测量的目标数据集,并对所述目标数据进行预处理,根据预处理后的目标数据利用所述目标神经网络模型进行瓦斯浓度的预测,得到预测结果。
具体的,(1)可以针对所述目标数据集中的每一个目标数据,如果目标数据的值为零,则将该目标数据更新为上一预测周期中与所述目标数据对应的时刻相同时刻所对应的数据,其中,所述上一预测周期为,当前预测周期的上一预测周期,且所述目标数据为当前预测周期中各个传感器测量的数据。例如,当天的目标数据集中13:00:00时刻的传感器数据值为零,将该时刻的目标数据更新为前一天的13:00:00时刻的传感器数据值。或者,每一个周期的时长为10秒;当前周期为10秒-20秒,则前一周期为0-10秒。如果10秒-20秒的目标数据集中第8秒的传感器数据值为零,将当前周期中第8秒的目标数据更新为0-10秒周期中第8秒的传感器数据值。本发明实施例在此并不对周期的长短作出限定,周期的长度可以为1秒-100秒,也可以为1分钟-100分钟,也可以为1小时-100小时。
(2)如果目标数据的值大于第二预设阈值,则判断所述目标数据对应的传感器所测量的所述目标数据之后的其他目标数据是否大于第二预设阈值;若否,根据所述其他目标数据采用移动平均线法计算所述目标数据的更新值,并将所述目标数据的值更新为所述更新值。例如,针对当天的目标数据集中的每一个目标数据,例如13:00:00时刻的传感器数据值为100大于第二预设阈值60;判断13:00:00时刻之后的5个时刻,或者6个时刻,如13:00:10、13:00:20、13:00:30、13:00:40、13:00:50、13:00:60时刻的目标数据是否均大于第二预设阈值,若是,不对13:00:00时刻的传感器数据值进行任何改变,若否,根据13:00:10、13:00:20、13:00:30、13:00:40、13:00:50、13:00:60时刻的目标数据,采用移动平均线法计算13:00:00时刻的目标数据的更新值。在实际应用中,不仅预处理后的目标数据集要存储入分布式数据库,预测的数据也要存储入分布式数据库中。这些存储在分布式数据库中的数据可以用来进一步训练神经网络模型,从而提高模型预测的准确性。而且,在预处理阶段,目标数据集没有被更改,则可以和当前时刻之前的当前预测周期的各个时刻的预测值一起作为样本对神经网络模型进行训练。如果目标数据集数据本身已经在预处理阶段被修改了,则不作为样本进行训练,因为如果使用预测值来进一步做预测,会造成误差的传递,非但不能更高的修改模型,反而会使目标神经网络模型产生偏差。
(3)可以利用小波消噪法对所述目标数据集中的目标数据进行消噪处理。由于从煤矿井下获得的实际瓦斯监测数据都包含噪声,噪声数据的存在影响了监测数据的准确性和可靠性,使得监测数据表现出分散性。在应用监测数据进行瓦斯浓度预测时,噪声数据的存在会直接影响计算准确性和降低计算性能,影响预测的准确性和有效性,应用本发明上述实施例,可以提高瓦斯浓度预测的准确性。
可以基于storm平台,利用所述目标神经网络模型进行瓦斯浓度的预测,得到预测结果。Storm是一个免费并开源的分布式实时计算系统。利用Storm可以很容易做到可靠地处理无限的数据流,像Hadoop批量处理大数据一样,Storm可以实时处理数据。storm有很多优点。首先,storm处理延迟低,能够实时的对数据进行处理。另外,storm计算性能高,因为搭建在计算机集群上,相对于传统的服务器,storm具有很高的计算性能。在storm平台上利用已经训练好的神经网络预测模型进行瓦斯浓度的预测,即运用了神经网络的高效预测性能,又运用了storm的实时的高性能计算,能够准确、直观的展现出瓦斯浓度未来的变化趋势。本发明实施例提供的一种分布式瓦斯浓度预测方法,能够最大限度的利用计算集群的硬件资源,进而在神经网络的高效模型下,能够准确而实时的预测出瓦斯浓度的变化趋势。
在实际应用中,目标数据集可以为当前预测周期,比如当天的当前时刻13:00:00之前时刻,井下的传感器传回的数据,当然,随着当前预测周期的时间的推进,当前时刻不断的发生变化。目标神经网络模型根据当天的当前时刻之前的井下监测数据预测当前时刻之后的几分钟或者几十分钟内的瓦斯浓度。
可以理解的是,传感器可以为瓦斯浓度传感器,或者其他类型的传感器,如温度传感器、煤层裂隙发育传感器等。
另外,以上(1)-(3)过程可以被称为目标数据集的预处理过程。将预处理后的目标数据集传入神经网络预测模型进行瓦斯浓度预测。图4为本发明实施例提供的一种分布式瓦斯浓度预测方法过程中用到的神经网络的训练过程原理示意图,如图4所示,该过程在Storm分布式平台上完成,首先在消息源中,将目标数据集转化成一个个数组,并将数组作为数据流进行输出。然后根据拓扑图,在各个节点中,将一个或者多个数据流作为输入,对目标数据实施运算,并输出计算结果。最后在经过一系列节点的计算后,将得到瓦斯浓度的预测结果在终端显示。这样就完成了瓦斯浓度的实时预测。
S103:判断所述预测结果与实际监测结果的偏差是否小于第一预设阈值;若是,执行S104步骤;若否,继续使用训练后的神经网络模型进行瓦斯浓度的预测。
具体的,根据预设周期,周期性的判断所述预测结果与实际监测结果的偏差是否小于第一预设阈值。
可以利用公式,计算所述预测结果与实际监测结果的偏差,判断所述预测结果与实际监测结果的偏差是否小于第一预设阈值,其中,DACP为所述预测结果与实际监测结果的偏差;∑为求和函数;N为所预测的总次数;i为预测的次数的序号;Ci为目标神经网络模型的第i个预测结果到预测结果上限或者预测结果下线的距离;Ui为预测结果的上界;Li为预测结果的下界;且Ci=min(Ui-pi,pi-Li);min()为最小值求值函数;pi为预测结果。计算结果可以被称为DACP(Daily average coverage probability)来衡量神经网络模型的偏差大小,并决定是否要对模型进行校正。DACP为一个小于1的数,它的值越靠近1,则预测的效果越好。可以根据大量实验,定义一个固定的第一预设阈值,校正DACP小于该阈值的目标神经网络模型。
在神经网络模型进行完一天的预测后,因为预测模型在实际使用可能会有点误差,这种误差可能是初次训练就存在的,也可能是随着井下环境的变化,模型不再完全能够预测出准确值。这时进行二次训练,通过最近的数据来对模型的参数进行微调,使之适应当前环境。图5为本发明实施例提供的一种分布式瓦斯浓度预测方法过程中用到的神经网络的进行二次训练的原理示意图,如图5所示。首先,计算每个神经网络的DACP值。之前已经讲到,DACP的值可以衡量神经网络模型的偏差大小,并决定是否要对模型进行校正。当DACP的值大于最小覆盖率阈值,即第一预设阈值时,说明该模型的性能处于正常的范围内,而当DACP的值小于最小覆盖率阈值时,我们则认为该模型在预测方面已经存在较大的偏差,需要对模型进行二次训练以校正神经网络模型。
另外,最近的目标数据集在训练过程中的权值应当比历史监测记录的样本的权值要高,这样才有利于校正模型。同样的,本发明实施例使用遗传算法,随机调整神经网络某一层的权值,然后选择性能较优的神经网络个体,进行交叉变异,最后得到最终的校正后的神经网络模型。
应用本发明上述实施例,可以精确的衡量目标神经网络模型的进行瓦斯浓度预测的偏差。
S104:根据当前时刻之前的预设时间段内的瓦斯浓度监测数据对所述训练后的神经网络模型进行二次训练;然后返回执行所述S102步骤。
具体的,判断所述瓦斯浓度历史监测数据是否被改变,其中,所述改变包括:目标数据更新为上一预测周期中与所述目标数据对应的时刻相同时刻所对应的数据和/或,根据所述其他目标数据采用移动平均线法计算所述目标数据的更新值,并将所述目标数据的值更新为所述更新值;
若是,根据当前时刻之前的预设时间段内的瓦斯浓度监测数据对所述训练后的神经网络模型进行二次训练;
若否;将所述瓦斯浓度历史监测数据与所述当前时刻之前的预设时间段内的瓦斯浓度监测数据的集合作为当前时刻之前的预设时间段内的瓦斯浓度监测数据,并对所述训练后的神经网络模型进行二次训练。
因为目标神经网络模型在实际使用可能会有点误差,这种误差可能是初次训练就存在的,也可能是随着井下环境的变化,导致了各个传感器传回的数据与进行目标神经网络模型训练时使用的历史监测数据存在区别,进而导致目标神经网络模型不再完全能够预测出准确值。这时进行二次训练,通过最近的数据来对目标神经网络模型的参数进行微调,使之适应当前环境。
应用本发明图1所示实施例,在对瓦斯浓度预测模型使用一段时间后,利用当前时刻的之前的预设时间段内的瓦斯浓度监测数据对瓦斯浓度预测模型进行二次训练,在二次训练时使用的数据相对于之前的训练使用的数据更贴近当前的状态,因此,二次训练后的瓦斯浓度预测模型更加准确,进而使预测结果更加准确。
另外,可以将预处理后的目标数据集以及预测得到的数据传递到终端,从而能够将观测和预测的数据都显示出来,进而达到对井下环境进行实时监测的目的。
在需要的时候,还可以对分布式数据库中的数据进行查询,然后进行相应的分析,以掌握井下的生产和传感器的状况。比如,如果一个传感器的获得的数据频繁为零值,则说明该传感器出了一定的问题,需要派专业人员对传感器进行检修或者使用新的传感器替换,进而提高了系统的可靠性。
图6为本发明实施例提供的一种瓦斯浓度预测装置的结构示意图,如图6所示,所述装置包括:
第一获取模块601,用于利用瓦斯浓度历史监测数据训练神经网络模型,得到目标神经网络模型;
第二获取模块602,用于利用所述目标神经网络模型进行瓦斯浓度的预测,得到预测结果;
判断模块603,用于判断所述预测结果与实际监测结果的偏差是否小于第一预设阈值;
训练模块604,用于在所述判断模块的判断结果为是的情况下,根据当前时刻之前的预设时间段内的瓦斯浓度监测数据对所述训练后的神经网络模型进行二次训练;然后除法所述第二获取模块。
应用本发明图6所示实施例,在对瓦斯浓度预测模型使用一段时间后,利用当前时刻的之前的预设时间段内的瓦斯浓度监测数据对瓦斯浓度预测模型进行二次训练,在二次训练时使用的数据相对于之前的训练使用的数据更贴近当前的状态,因此,二次训练后的瓦斯浓度预测模型更加准确,进而使预测结果更加准确。
在本发明实施例的一种具体实施方式中,所述第一获取模块601,具体用于:
A1:将神经网络的输入层以及隐含层的各个节点的权重设置为随机值,得到第一预数量个初始神经网络模型;
A2:针对每一个初始神经网络模型,利用遗传算法对所述初始神经网络进行训练;
A3:利用测试样本,从训练好的初始神经网络中选出预测精度最高的第二预设数量个初始神经网络模型;
A4:根据所述第二预设数量个初始神经网络模型,利用权重的交叉变异方法,获取第三预设数量个变异后的神经网络模型,将所述第二预设数量个初始神经网络模型和所述第三预设数量个变异后的神经网络模型的集合作为中间神经网络模型,且所述第二预设数量与所述第三预设数量的和等于所述第一预设数量;
A5:将所述第一预设数量个中间神经网络模型作为初始神经网络,并返回执行所述A2步骤,直至迭代次数达到预设迭代次数,将所述中间神经网络模型中精度最高的第四数量个中间神经网络模型作为目标神经网络模型。
在本发明实施例的一种具体实施方式中,所述第二获取模块602,具体用于:
获取传感器测量的目标数据集,并对所述目标数据进行预处理,根据预处理后的目标数据利用所述目标神经网络模型进行瓦斯浓度的预测,得到预测结果。
在本发明实施例的一种具体实施方式中,所述第二获取模块602,具体用于:
针对所述目标数据集中的每一个目标数据,如果目标数据的值为零,则将该目标数据更新为上一预测周期中与所述目标数据对应的时刻相同时刻所对应的数据,其中,所述上一预测周期为,当前预测周期的上一预测周期,且所述目标数据为当前预测周期中各个传感器测量的数据;
如果目标数据的值大于第二预设阈值,则判断所述目标数据对应的传感器所测量的所述目标数据之后的其他目标数据是否大于第二预设阈值;若否,根据所述其他目标数据采用移动平均线法计算所述目标数据的更新值,并将所述目标数据的值更新为所述更新值;
利用小波消噪法对所述目标数据集中的目标数据进行消噪处理。
在本发明实施例的一种具体实施方式中,所述训练模块604,具体用于:
判断所述瓦斯浓度历史监测数据是否被改变,其中,所述改变包括:目标数据更新为上一预测周期中与所述目标数据对应的时刻相同时刻所对应的数据和/或,根据所述其他目标数据采用移动平均线法计算所述目标数据的更新值,并将所述目标数据的值更新为所述更新值;
若是,根据当前时刻之前的预设时间段内的瓦斯浓度监测数据对所述训练后的神经网络模型进行二次训练;
若否;将所述瓦斯浓度历史监测数据与所述当前时刻之前的预设时间段内的瓦斯浓度监测数据的集合作为当前时刻之前的预设时间段内的瓦斯浓度监测数据,并对所述训练后的神经网络模型进行二次训练。
在本发明实施例的一种具体实施方式中,所述判断模块603,具体用于:
根据预设周期,周期性的判断所述预测结果与实际监测结果的偏差是否小于第一预设阈值。
在本发明实施例的一种具体实施方式中,所述判断模块603,具体用于:
利用公式,计算所述预测结果与实际监测结果的偏差,判断所述预测结果与实际监测结果的偏差是否小于第一预设阈值,其中,
DACP为所述预测结果与实际监测结果的偏差;∑为求和函数;N为所预测的总次数;i为预测的次数的序号;Ci为目标神经网络模型的第i个预测结果到预测结果上限或者预测结果下线的距离;Ui为预测结果的上界;Li为预测结果的下界;且Ci=min(Ui-pi,pi-Li);min()为最小值求值函数;pi为预测结果。
在本发明实施例的一种具体实施方式中,所述第一获取模块601,具体用于:
基于Spark平台,利用瓦斯浓度历史监测数据训练神经网络模型,得到目标神经网络模型。
在本发明实施例的一种具体实施方式中,所述第二获取模块602,具体用于:
基于storm平台,利用所述目标神经网络模型进行瓦斯浓度的预测,得到预测结果。
以上所述仅为本发明的较佳实施例而已,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、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种分布式瓦斯浓度预测方法,其特征在于,所述方法包括:
A:利用瓦斯浓度历史监测数据训练神经网络模型,得到目标神经网络模型;
B:利用所述目标神经网络模型进行瓦斯浓度的预测,得到预测结果;
C:判断所述预测结果与实际监测结果的偏差是否小于第一预设阈值;
D:若是,根据当前时刻之前的预设时间段内的瓦斯浓度监测数据对所述训练后的神经网络模型进行二次训练;然后返回执行所述B步骤。
2.根据权利要求1所述的一种分布式瓦斯浓度预测方法,其特征在于,所述A步骤,包括:
A1:将神经网络的输入层以及隐含层的各个节点的权重设置为随机值,得到至少第一预设数量个初始神经网络模型;
A2:针对每一个初始神经网络模型,利用遗传算法对所述初始神经网络进行训练;
A3:利用测试样本,从训练好的初始神经网络中选出预测精度最高的第二预设数量个初始神经网络模型;
A4:根据所述第二预设数量个初始神经网络模型,利用权重的交叉变异方法,获取第三预设数量个变异后的神经网络模型,将所述第二预设数量个初始神经网络模型和所述第三预设数量个变异后的神经网络模型的集合作为中间神经网络模型,且所述第二预设数量与所述第三预设数量的和等于所述第一预设数量;
A5:将所述第一预设数量个中间神经网络模型作为初始神经网络,并返回执行所述A2步骤,直至迭代次数达到预设迭代次数,将所述中间神经网络模型中精度最高的第四数量个中间神经网络模型作为目标神经网络模型。
3.根据权利要求1所述的一种分布式瓦斯浓度预测方法,其特征在于,所述B步骤,包括:
获取传感器测量的目标数据集,并对所述目标数据进行预处理,根据预处理后的目标数据利用所述目标神经网络模型进行瓦斯浓度的预测,得到预测结果。
4.根据权利要求3所述的一种分布式瓦斯浓度预测方法,其特征在于,所述对所述目标数据进行预处理,包括:
针对所述目标数据集中的每一个目标数据,如果目标数据的值为零,则将该目标数据更新为上一预测周期中与所述目标数据对应的时刻相同时刻所对应的数据,其中,所述上一预测周期为,当前预测周期的上一预测周期,且所述目标数据为当前预测周期中各个传感器测量的数据;
如果目标数据的值大于第二预设阈值,则判断所述目标数据对应的传感器所测量的所述目标数据之后的其他目标数据是否大于第二预设阈值;若否,根据所述其他目标数据采用移动平均线法计算所述目标数据的更新值,并将所述目标数据的值更新为所述更新值;
利用小波消噪法对所述目标数据集中的目标数据进行消噪处理。
5.根据权利要求4所述的一种分布式瓦斯浓度预测方法,其特征在于,所述根据当前时刻之前的预设时间段内的瓦斯浓度监测数据对所述训练后的神经网络模型进行二次训练,包括:
判断所述瓦斯浓度历史监测数据是否被改变,其中,所述改变包括:目标数据更新为上一预测周期中与所述目标数据对应的时刻相同时刻所对应的数据和/或,根据所述其他目标数据采用移动平均线法计算所述目标数据的更新值,并将所述目标数据的值更新为所述更新值;
若是,根据当前时刻之前的预设时间段内的瓦斯浓度监测数据对所述训练后的神经网络模型进行二次训练;
若否;将所述瓦斯浓度历史监测数据与所述当前时刻之前的预设时间段内的瓦斯浓度监测数据的集合作为当前时刻之前的预设时间段内的瓦斯浓度监测数据,并对所述训练后的神经网络模型进行二次训练。
6.根据权利要求1所述的一种分布式瓦斯浓度预测方法,其特征在于,所述步骤C,包括:
根据预设周期,周期性的判断所述预测结果与实际监测结果的偏差是否小于第一预设阈值。
7.根据权利要求6所述的一种分布式瓦斯浓度预测方法,其特征在于,所述步骤C,包括:
利用公式,计算所述预测结果与实际监测结果的偏差,判断所述预测结果与实际监测结果的偏差是否小于第一预设阈值,其中,
DACP为所述预测结果与实际监测结果的偏差;∑为求和函数;N为所预测的总次数;i为预测的次数的序号;Ci为目标神经网络模型的第i个预测结果到预测结果上限或者预测结果下线的距离;Ui为预测结果的上界;Li为预测结果的下界;且Ci=min(Ui-pi,pi-Li);min()为最小值求值函数;pi为预测结果。
8.根据权利要求1所述的一种分布式瓦斯浓度预测方法,其特征在于,所述步骤A包括:
基于Spark平台,利用瓦斯浓度历史监测数据训练神经网络模型,得到目标神经网络模型。
9.根据权利要求1所述的一种分布式瓦斯浓度预测方法,其特征在于,所述步骤B包括:
基于storm平台,利用所述目标神经网络模型进行瓦斯浓度的预测,得到预测结果。
10.一种瓦斯浓度预测装置,其特征在于,所述装置包括:
第一获取模块,用于利用瓦斯浓度历史监测数据训练神经网络模型,得到目标神经网络模型;
第二获取模块,用于利用所述目标神经网络模型进行瓦斯浓度的预测,得到预测结果;
判断模块,用于判断所述预测结果与实际监测结果的偏差是否小于第一预设阈值;
训练模块,用于在所述判断模块的判断结果为是的情况下,根据当前时刻之前的预设时间段内的瓦斯浓度监测数据对所述训练后的神经网络模型进行二次训练;然后除法所述第二获取模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810830683.1A CN108921359B (zh) | 2018-07-26 | 2018-07-26 | 一种分布式瓦斯浓度预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810830683.1A CN108921359B (zh) | 2018-07-26 | 2018-07-26 | 一种分布式瓦斯浓度预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108921359A true CN108921359A (zh) | 2018-11-30 |
CN108921359B CN108921359B (zh) | 2022-03-11 |
Family
ID=64416960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810830683.1A Active CN108921359B (zh) | 2018-07-26 | 2018-07-26 | 一种分布式瓦斯浓度预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108921359B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110231939A (zh) * | 2019-05-16 | 2019-09-13 | 平安科技(深圳)有限公司 | 模型生成方法、系统、计算机设备和存储介质 |
CN110309616A (zh) * | 2019-07-09 | 2019-10-08 | 精英数智科技股份有限公司 | 构建瓦斯浓度预测模型的方法、装置、系统及存储介质 |
CN110334451A (zh) * | 2019-07-09 | 2019-10-15 | 精英数智科技股份有限公司 | 确定影响瓦斯浓度变化的因素及趋势的方法、装置及系统 |
CN110397472A (zh) * | 2019-06-20 | 2019-11-01 | 平安煤矿瓦斯治理国家工程研究中心有限责任公司 | 煤与瓦斯突出的预测方法、装置及系统 |
CN110708567A (zh) * | 2019-04-15 | 2020-01-17 | 中国石油大学(华东) | 一种基于主动学习的分布式自优化视频实时解析框架 |
CN113095951A (zh) * | 2021-05-08 | 2021-07-09 | 西安科技大学 | 一种瓦斯抽采智能调控方法、设备、装置及存储介质 |
CN114779651A (zh) * | 2022-06-17 | 2022-07-22 | 北京格瑞高科科技股份有限公司 | 一种基于物联网的五恒空间系统的控制方法、装置 |
CN115856204A (zh) * | 2022-09-06 | 2023-03-28 | 昆明理工大学 | 基于三维回声状态网络的掘进工作面瓦斯浓度预测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080236275A1 (en) * | 2002-06-11 | 2008-10-02 | Intelligent Technologies International, Inc. | Remote Monitoring of Fluid Storage Tanks |
CN101975092A (zh) * | 2010-11-05 | 2011-02-16 | 中北大学 | 基于径向基函数神经网络集成的矿井瓦斯浓度中短期实时预测方法 |
CN104156422A (zh) * | 2014-08-06 | 2014-11-19 | 辽宁工程技术大学 | 一种基于动态神经网络的瓦斯浓度实时预测方法 |
CN105303252A (zh) * | 2015-10-12 | 2016-02-03 | 国家计算机网络与信息安全管理中心 | 基于遗传算法的多阶段神经网络模型训练方法 |
CN105389614A (zh) * | 2015-12-09 | 2016-03-09 | 天津大学 | 一种神经网络自更新过程的实现方法 |
CN105976025A (zh) * | 2016-03-18 | 2016-09-28 | 孙胜伟 | 基于遗传算法优化的bp神经网络的瓦斯预测方法 |
CN106503792A (zh) * | 2016-10-25 | 2017-03-15 | 辽宁工程技术大学 | 一种基于自适应模块化神经网络的瓦斯浓度预测方法 |
CN107145587A (zh) * | 2017-05-11 | 2017-09-08 | 成都四方伟业软件股份有限公司 | 一种基于大数据挖掘的医保反欺诈系统 |
CN107181612A (zh) * | 2017-05-08 | 2017-09-19 | 深圳市众泰兄弟科技发展有限公司 | 一种基于大数据的可视化网络安全监控方法 |
CN107704951A (zh) * | 2017-09-15 | 2018-02-16 | 周光前 | 一种瓦斯涌出量的预测方法 |
-
2018
- 2018-07-26 CN CN201810830683.1A patent/CN108921359B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080236275A1 (en) * | 2002-06-11 | 2008-10-02 | Intelligent Technologies International, Inc. | Remote Monitoring of Fluid Storage Tanks |
CN101975092A (zh) * | 2010-11-05 | 2011-02-16 | 中北大学 | 基于径向基函数神经网络集成的矿井瓦斯浓度中短期实时预测方法 |
CN104156422A (zh) * | 2014-08-06 | 2014-11-19 | 辽宁工程技术大学 | 一种基于动态神经网络的瓦斯浓度实时预测方法 |
CN105303252A (zh) * | 2015-10-12 | 2016-02-03 | 国家计算机网络与信息安全管理中心 | 基于遗传算法的多阶段神经网络模型训练方法 |
CN105389614A (zh) * | 2015-12-09 | 2016-03-09 | 天津大学 | 一种神经网络自更新过程的实现方法 |
CN105976025A (zh) * | 2016-03-18 | 2016-09-28 | 孙胜伟 | 基于遗传算法优化的bp神经网络的瓦斯预测方法 |
CN106503792A (zh) * | 2016-10-25 | 2017-03-15 | 辽宁工程技术大学 | 一种基于自适应模块化神经网络的瓦斯浓度预测方法 |
CN107181612A (zh) * | 2017-05-08 | 2017-09-19 | 深圳市众泰兄弟科技发展有限公司 | 一种基于大数据的可视化网络安全监控方法 |
CN107145587A (zh) * | 2017-05-11 | 2017-09-08 | 成都四方伟业软件股份有限公司 | 一种基于大数据挖掘的医保反欺诈系统 |
CN107704951A (zh) * | 2017-09-15 | 2018-02-16 | 周光前 | 一种瓦斯涌出量的预测方法 |
Non-Patent Citations (2)
Title |
---|
吴海波; 施式亮; 念其锋: "基于Spark Streaming流回归的煤矿瓦斯浓度实时预测", 《中国安全生产科学技术》 * |
张昭昭等: "基于动态神经网络的瓦斯浓度实时预测方法", 《控制工程》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110708567A (zh) * | 2019-04-15 | 2020-01-17 | 中国石油大学(华东) | 一种基于主动学习的分布式自优化视频实时解析框架 |
CN110231939A (zh) * | 2019-05-16 | 2019-09-13 | 平安科技(深圳)有限公司 | 模型生成方法、系统、计算机设备和存储介质 |
CN110231939B (zh) * | 2019-05-16 | 2024-05-28 | 平安科技(深圳)有限公司 | 模型生成方法、系统、计算机设备和存储介质 |
CN110397472A (zh) * | 2019-06-20 | 2019-11-01 | 平安煤矿瓦斯治理国家工程研究中心有限责任公司 | 煤与瓦斯突出的预测方法、装置及系统 |
CN110309616A (zh) * | 2019-07-09 | 2019-10-08 | 精英数智科技股份有限公司 | 构建瓦斯浓度预测模型的方法、装置、系统及存储介质 |
CN110334451A (zh) * | 2019-07-09 | 2019-10-15 | 精英数智科技股份有限公司 | 确定影响瓦斯浓度变化的因素及趋势的方法、装置及系统 |
CN113095951A (zh) * | 2021-05-08 | 2021-07-09 | 西安科技大学 | 一种瓦斯抽采智能调控方法、设备、装置及存储介质 |
CN113095951B (zh) * | 2021-05-08 | 2023-09-22 | 西安科技大学 | 一种瓦斯抽采智能调控方法、设备、装置及存储介质 |
CN114779651A (zh) * | 2022-06-17 | 2022-07-22 | 北京格瑞高科科技股份有限公司 | 一种基于物联网的五恒空间系统的控制方法、装置 |
CN115856204A (zh) * | 2022-09-06 | 2023-03-28 | 昆明理工大学 | 基于三维回声状态网络的掘进工作面瓦斯浓度预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108921359B (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921359A (zh) | 一种分布式瓦斯浓度预测方法及装置 | |
Zhang et al. | Short-term wind speed interval prediction based on artificial intelligence methods and error probability distribution | |
CN110751318B (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
CN105302848A (zh) | 一种设备智能预警系统的评估值校准方法 | |
CN102183621A (zh) | 水产养殖溶解氧浓度在线预测方法及系统 | |
Omar et al. | Day-ahead forecasting for photovoltaic power using artificial neural networks ensembles | |
CN104408562A (zh) | 一种基于bp神经网络的光伏系统发电效率综合评估方法 | |
CN104091216A (zh) | 基于果蝇优化最小二乘支持向量机的交通信息预测方法 | |
CN114492922A (zh) | 一种中长期发电量预测方法 | |
Zou et al. | Wind turbine power curve modeling using an asymmetric error characteristic-based loss function and a hybrid intelligent optimizer | |
CN111144663A (zh) | 计及出力波动过程的海上风电场超短期风功率预测方法 | |
CN110070228A (zh) | 一种神经元分支进化的bp神经网络风速预测方法 | |
CN109165770A (zh) | 基于AFSA-Elman的新型光伏功率预测方法 | |
CN104820877A (zh) | 基于云自适应pso-snn的光伏系统发电功率预测方法 | |
Aliberti et al. | Forecasting Short-term Solar Radiation for Photovoltaic Energy Predictions. | |
CN106296434A (zh) | 一种基于pso‑lssvm算法的粮食产量预测方法 | |
CN114330934A (zh) | 一种模型参数自适应的gru新能源短期发电功率预测方法 | |
CN112036598A (zh) | 一种基于多信息耦合的充电桩使用信息预测方法 | |
Saleh et al. | A prediction of grain yield based on hybrid intelligent algorithm | |
Vijayan | Energy consumption prediction in low energy buildings using machine learning and artificial intelligence for energy efficiency | |
Pandu et al. | Artificial Intelligence Based Solar Radiation Predictive Model Using Weather Forecasts. | |
Suresh et al. | IoT with evolutionary algorithm based deep learning for smart irrigation system | |
CN111461297B (zh) | 基于mpc和elm神经网络的太阳辐照量优化预测算法 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
Yaseen et al. | Hybrid data intelligent models and applications for water level prediction |
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 |