CN109242157A - 一种改进的输电工程造价智能预测方法 - Google Patents

一种改进的输电工程造价智能预测方法 Download PDF

Info

Publication number
CN109242157A
CN109242157A CN201810941290.8A CN201810941290A CN109242157A CN 109242157 A CN109242157 A CN 109242157A CN 201810941290 A CN201810941290 A CN 201810941290A CN 109242157 A CN109242157 A CN 109242157A
Authority
CN
China
Prior art keywords
bat
formula
vector machine
supporting vector
square method
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.)
Pending
Application number
CN201810941290.8A
Other languages
English (en)
Inventor
牛东晓
王海潮
李偲
陈寒钰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China Electric Power University
Original Assignee
North China Electric Power University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by North China Electric Power University filed Critical North China Electric Power University
Priority to CN201810941290.8A priority Critical patent/CN109242157A/zh
Publication of CN109242157A publication Critical patent/CN109242157A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Water Supply & Treatment (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种改进的输电工程造价智能预测方法，所述预测方法包括以下步骤：步骤1：输电工程造价预测输入指标及对各输入指标进行数据预处理；步骤2：利用蝙蝠算法对最小二乘支持向量机模型的参数进行优化；步骤3：构建基于蝙蝠算法和最小二乘支持向量机模型的造价预测模型。本发明通过蝙蝠算法对最小二乘支持向量机模型参数进行优化，取得的预测结果相比于基本最小二乘支持向量机模型和支持向量机模型，其预测精度更高，鲁棒性更强。

Description

一种改进的输电工程造价智能预测方法
技术领域
本发明涉及输电工程造价预测技术领域，特别是涉及改进的输电工程造价智能预测方法。
背景技术
输电工程造价管控不力容易导致其造价偏高，会严重影响电力工程项目的经济性和可持续性。造价水平预测是输电工程造价管控工作的重要组成部分，对输电工程建设成本节约有重要的指导意义。但由于实际电力工程造价过程受到电网整体规划、总容量、地形特征、设计施工水平以及建设地域的综合经济水平等因素影响，使得历史资料属性指标繁多，同时期建设项目又十分有限，无法在短期内收集到较多可类比的工程项目，样本数据较少，增加了输电工程造价预测难度。因此，研究构建输电工程造价预测模型，准确预测输电工程造价，对电力工程投资的可持续性有着重要意义。
目前输电工程造价预测方法较少，但是已有许多学者对其它工程项目成本的预测进行了研究，其中的预测方法主要分为两类，一类是传统预测方法，另一类则是现代智能预测方法。
传统预测方法主要包含时间序列预测，回归分析，贝叶斯模型，模糊预测等。这类方法的理论较为成熟，验证的方法较为完善，计算过程简便，但是适用对象往往比较单一，预测精度不太理想。因此，在人工智能技术快速发展的时代背景下，运用智能预测方法来进行输电工程造价预测便具有了更加重要的意义。智能预测方法主要包含人工神经网络模型和支持向量机模型。其中，人工神经网络普遍存在收敛速度慢、易陷入局部最优等问题，从而使得预测的精确性大大的降低，而支持向量机模型虽然可以避免神经网络结构选择和局部极小点问题，但是传统的支持向量机应用于造价预测时，需要经过核函数的转换，将求解过程转换成一个二次规划过程，这种方法降低了效率，而且收敛精度不高。
最小二乘支持向量机(LSSVM)的方法利用最小二乘线性系统作为损失函数，避免了二次规划的过程，同时，利用核函数将预测问题转化为方程组的求解，将不等式约束转化为等式约束，增加了预测的准确度和速度，但是最小二乘支持向量机模型仍然存在惩罚系数和核参数选择盲目的问题。
因此希望有一种改进的输电工程造价智能预测方法以解决现有技术中存在的问题。
发明内容
蝙蝠算法是受自然界中的微蝙蝠回声定位行为启发而演变出的一种新颖的智能优化算法。在大自然中，多数蝙蝠是采用回声定位方法捕食猎物的，它每秒可发出几十个音强达110dB的超声波脉冲，当蝙蝠靠近猎物时，脉冲音强变小，频度增加。蝙蝠发出的声波频率通常较高，频带较宽，这样有利于在复杂环境中搜寻猎物。如果将蝙蝠模拟为搜索空间中的智能体，该智能体所处位置的优劣由构造的目标函数衡量，蝙蝠寻找猎物的过程类比在可能解的空间内搜索最优解的过程。
本发明公开了一种改进的输电工程造价智能预测方法，所述预测方法包括以下步骤：
步骤1：输电工程造价预测输入指标及对各输入指标进行数据预处理；
步骤2：利用蝙蝠算法对最小二乘支持向量机模型的参数进行优化；
步骤3：构建基于蝙蝠算法和最小二乘支持向量机模型的造价预测模型。
优选地,所述步骤1中的指标为属性指标，包括：静态投资、地质条件、本体比例、路径长度、海拔、地形、技术条件、基础钢材、角钢塔和项目管理建设费用。
优选地,对所述步骤1中的指标进行公式(1)的归一化处理：
其中，xi是实际值，xmin和xmax分别是样本数据的最小值和最大值，yi为归一化处理后的数值。
优选地，所述步骤2中蝙蝠算法优化包括具体步骤：
步骤2.1：假设蝙蝠的种群为n，在一个d维空间中，蝙蝠i的更新频率、速度和位置分别如公式(2)、(3)和(4)所示：
fi＝fmin+(fmax-fmin)α (2)
其中，fi表示蝙蝠i发出声波的频率，fmin和fmax分别是蝙蝠i发出声波的频率最小值和最大值；α是在[0，1]之间的一个随机数；和分别是(t-1)时刻和t时刻蝙蝠i的速度；和分别是(t-1)时刻和t时刻蝙蝠i的位置；l*是在当前全局搜索中使目标函数最优时蝙蝠所处的位置；
步骤2.2：在局部搜索过程中，如果从最优集集合中随机选中一个数值，则蝙蝠的位置根据公式(5)更新：
lnew＝lold+εAt (5)
其中，ε为[-1，1]之间的一个随机数；At是所有蝙蝠在时刻为t时的平均脉冲响度；lold表示所述从最优集集合中随机选中一个数值；
蝙蝠i在搜寻猎物过程中，其发出的脉冲响度Ai和脉冲频度Ri会不断变化，设置Amin＝0表示此时蝙蝠已经发现猎物，暂停发出超声波；Amax＝10表示蝙蝠为了搜寻猎物，尽可能增大脉冲响度，以获得更多的信息；脉冲响度和脉冲频度根据公式(6)和(7)更新：
其中，脉冲响度增加系数τ取值范围在[0，1]之间，脉冲频度衰减系数γ是一个大于零的数；
步骤2.3：当迭代次数t的数值小于最大迭代次数200时，迭代次数t+1并返回步骤2.1，否则执行步骤2.4；
步骤2.4：对所述步骤2中最小二乘支持向量机模型的核函数参数σ2和惩罚参数γ进行优化包括：
设给定样本集N为样本总数；则样本的回归模型为公式(8)：
其中是训练样本投射到一个高维空间，w是加权向量，b是偏置；
最小二乘支持向量机模型的优化问题如公式(9)和(10)：
s·t yi＝wTφ(xi)+b+ξi,i＝1,2,3,…N (10)
其中，γ为惩罚系数，用于平衡模型的复杂程度和精确性；ξi为估算误差；为解决公式(9)和(10)建立拉格朗日函数公式(11)：
其中αi为拉格朗日乘子；
对函数的每个变量进行求导，并令其为零得公式(12)：
消去w和ξi转化为以下问题，如公式(13)：
其中公式(14)、(15)、(16)和(17)分别表示公式(13)中各参数：
en＝[1,1,...,1]x (15)
α＝[α1,α2,...,αn] (16)
y＝[y1,y2,...,yn]T (17)
求解以上线性方程组得公式(18)：
其中K(xi，x)为满足莫斯条件的核函数；以径向基核函数作为最小二乘支持向量机的模型核函数，表达式如公式(19)：
K(xi,x)＝exp{-||x-xi||2/2σ2} (19)
σ2表示核宽度，反映了训练数据集的特性。
优选地，所述步骤3构建基于蝙蝠算法和最小二乘支持向量机模型的造价预测模型，输入所述步骤1中输电工程造价预测指标特征数据得到预测结果。
本发明公开了一种改进的输电工程造价智能预测方法，本发明具有以下有益效果：
1.通过蝙蝠算法对最小二乘支持向量机模型参数进行优化，取得的预测结果相比于基本最小二乘支持向量机模型和支持向量机模型，其预测精度更高，鲁棒性更强；
2.本发明所提模型对不同地区、不同规模的输电工程项目造价水平进行，并可以取得较为理想的预测效果，本发明所构建的模型适应性和稳定性较强。
附图说明
图1是本发明输电工程造价智能预测方法流程示意图。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例，而不是全部的实施例。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明提出了一种改进的输电工程造价智能预测方法，所述预测方法包括以下步骤：
步骤1：输电工程造价预测输入指标及对各输入指标进行数据预处理；
所述步骤1中的指标包括：有静态投资、地质条件(主要包括普通土、松砂石、泥水坑、流沙坑、岩石爆破、岩石人工)、本体比例、路径长度、海拔、地形(主要包括丘陵、泥沼、山地、高山、峻岭)、技术条件(主要包括无冰区、轻冰区、中冰区、重冰区)、基础钢材、角钢塔(包括基塔数、塔材量等)、项目管理建设费用等共计83项属性指标。
对所述步骤1中的指标进行公式(1)的归一化处理：
其中，xi是实际值，xmin和xmax分别是样本数据的最小值和最大值，yi为归一化处理后的数值。
步骤2：利用蝙蝠算法对最小二乘支持向量机模型的参数进行优化；
步骤2.1：假设蝙蝠的种群为n，在一个d维空间中，蝙蝠i的更新频率、速度和位置分别如公式(2)、(3)和(4)所示：
fi＝fmin+(fmax-fmin)α (2)
其中，fi表示蝙蝠i发出声波的频率，fmin和fmax分别是蝙蝠i发出声波的频率最小值和最大值；α是在[0，1]之间的一个随机数；和分别是(t-1)时刻和t时刻蝙蝠i的速度；和分别是(t-1)时刻和t时刻蝙蝠i的位置；l*是在当前全局搜索中使目标函数最优时蝙蝠所处的位置；
步骤2.2：算法在初始化过程中要给每只蝙蝠随机分配一个频率，但是频率取值要在设定的范围之内，在局部搜索过程中，如果从最优集集合中随机选中一个数值，则蝙蝠的位置根据公式(5)更新：
lnew＝lold+εAt (5)
其中，ε为[-1，1]之间的一个随机数；At是所有蝙蝠在时刻为t时的平均响度；lold表示所述从最优集集合中随机选中一个数值；
蝙蝠i在搜寻猎物过程中，其发出的脉冲响度Ai和频度Ri会不断变化，设置Amin＝0表示此时蝙蝠已经发现猎物，暂停发出超声波；Amax＝10表示蝙蝠为了搜寻猎物，尽可能增大脉冲响度，以获得更多的信息；脉冲响度和脉冲频度根据公式(6)和(7)更新。
其中，脉冲响度增加系数τ取值范围在[0，1]之间，脉冲频度衰减系数γ是一个大于零的数，在蝙蝠算法中，最优解类比蝙蝠的猎物，脉冲响度和频度的变化在一定程度上表明与最优解的靠近程度；
步骤2.3：当迭代次数t的数值小于最大迭代次数200时，迭代次数t+1并返回步骤2.1，否则执行步骤2.4；步骤2.4：对所述步骤2中最小二乘支持向量机模型的核函数参数σ2和惩罚参数γ进行优化包括：
设给定样本集N为样本总数；则样本的回归模型为公式(8)：
其中是训练样本投射到一个高维空间，w是加权向量，b是偏置；
最小二乘支持向量机的优化问题如公式(9)和(10)：
s·t yi＝wTφ(xi)+b+ξi,i＝1,2,3,…N (10)
其中，γ为惩罚系数，用于平衡模型的复杂程度和精确性；ξi为估算误差；
为解决公式(9)和(10)建立拉格朗日函数公式(11)：
其中αi为拉格朗日乘子；
对函数的每个变量进行求导，并令其为零得公式(12)：
消去w和ξi转化为以下问题，如公式(13)：
其中公式(14)、(15)、(16)和(17)分别表示公式(13)中各参数：
en＝[1,1,...,1]T (15)
α＝[α1,α2,...,αn] (16)
y＝[y1,y2,...,yn]T (17)
求解以上线性方程组得公式(18)：
其中K(xi，x)为满足Mercer条件的核函数；以径向基核函数作为最小二乘支持向量机的核函数，表达式如公式(19)：
K(xi,x)＝exp{-||x-xi||2/2σ2} (19)
σ2表示核宽度，反映了训练数据集的特性。
步骤3：构建基于蝙蝠算法和最小二乘支持向量机模型的造价预测模型，输入所述步骤1中输电工程造价预测指标特征数据得到预测结果。
以上实施例仅用以说明本发明的技术方案，而非对其限制。尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1.一种改进的输电工程造价智能预测方法，其特征在于，所述预测方法包括以下步骤：
步骤1：输电工程造价预测输入指标及对各输入指标进行数据预处理；
步骤2：利用蝙蝠算法对最小二乘支持向量机模型的参数进行优化；
步骤3：构建基于蝙蝠算法和最小二乘支持向量机模型的造价预测模型。
2.根据权利要求1所述的改进的输电工程造价智能预测方法，其特征在于：所述步骤1中的指标为属性指标，包括：静态投资、地质条件、本体比例、路径长度、海拔、地形、技术条件、基础钢材、角钢塔和项目管理建设费用。
3.根据权利要求2所述的改进的输电工程造价智能预测方法，其特征在于：对所述步骤1中的指标进行公式(1)的归一化处理：
其中，xi是实际值，xmin和xmax分别是样本数据的最小值和最大值，yi为归一化处理后的数值。
4.根据权利要求3所述的改进的输电工程造价智能预测方法，其特征在于：所述步骤2中蝙蝠算法优化包括具体步骤：
步骤2.1：假设蝙蝠的种群为n，在一个d维空间中，蝙蝠i的更新频率、速度和位置分别如公式(2)、(3)和(4)所示：
fi＝fmin+(fmax-fmin)α (2)
其中，fi表示蝙蝠i发出声波的频率，fmin和fmax分别是蝙蝠i发出声波的频率最小值和最大值；α是在[0，1]之间的一个随机数；和分别是(t-1)时刻和t时刻蝙蝠i的速度；和分别是(t-1)时刻和t时刻蝙蝠i的位置；l*是在当前全局搜索中使目标函数最优时蝙蝠所处的位置；
步骤2.2：在局部搜索过程中，如果从最优集集合中随机选中一个数值，则蝙蝠的位置根据公式(5)更新：
lnew＝lold+εAt (5)
其中，ε为[-1，1]之间的一个随机数；At是所有蝙蝠在时刻为t时的平均脉冲响度；lold表示所述从最优集集合中随机选中一个数值；
蝙蝠i在搜寻猎物过程中，其发出的脉冲响度Ai和脉冲频度Ri会不断变化，设置Amin＝0表示此时蝙蝠已经发现猎物，暂停发出超声波；Amax＝10表示蝙蝠为了搜寻猎物，尽可能增大脉冲响度，以获得更多的信息；脉冲响度和脉冲频度根据公式(6)和(7)更新：
其中，脉冲响度增加系数τ取值范围在[0，1]之间，脉冲频度衰减系数γ是一个大于零的数；
步骤2.3：当迭代次数t的数值小于最大迭代次数200时，迭代次数t+1并返回步骤2.1，否则执行步骤2.4；
步骤2.4：对所述步骤2中最小二乘支持向量机模型的核函数参数σ2和惩罚参数γ进行优化包括：
设给定样本集N为样本总数；则样本的回归模型为公式(8)：
其中是训练样本投射到一个高维空间，w是加权向量，b是偏置；
最小二乘支持向量机模型的优化问题如公式(9)和(10)：
s·t yi＝wTφ(xi)+b+ξi,i＝1,2,3,…N (10)
其中，γ为惩罚系数，用于平衡模型的复杂程度和精确性；ξi为估算误差；
为解决公式(9)和(10)建立拉格朗日函数公式(11)：
其中αi为拉格朗日乘子；
对函数的每个变量进行求导，并令其为零得公式(12)：
消去w和ξi转化为以下问题，如公式(13)：
其中公式(14)、(15)、(16)和(17)分别表示公式(13)中各参数：
en＝[1,1,...,1]T (15)
α＝[α1,α2,...,αn] (16)
y＝[y1,y2,...,yn]T (17)
求解以上线性方程组得公式(18)：
其中K(xi，x)为满足莫斯条件的核函数；以径向基核函数作为最小二乘支持向量机的模型核函数，表达式如公式(19)：
K(xi,x)＝exp{-||x-xi||2/2σ2} (19)
σ2表示核宽度，反映了训练数据集的特性。
5.根据权利要求4所述的改进的输电工程造价智能预测方法，其特征在于：所述步骤3构建基于蝙蝠算法和最小二乘支持向量机模型的造价预测模型，输入所述步骤1中输电工程造价预测指标特征数据得到预测结果。
CN201810941290.8A 2018-08-17 2018-08-17 一种改进的输电工程造价智能预测方法 Pending CN109242157A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810941290.8A CN109242157A (zh) 2018-08-17 2018-08-17 一种改进的输电工程造价智能预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810941290.8A CN109242157A (zh) 2018-08-17 2018-08-17 一种改进的输电工程造价智能预测方法

Publications (1)

Publication Number Publication Date
CN109242157A true CN109242157A (zh) 2019-01-18

Family

ID=65071451

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810941290.8A Pending CN109242157A (zh) 2018-08-17 2018-08-17 一种改进的输电工程造价智能预测方法

Country Status (1)

Country Link
CN (1) CN109242157A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111413886A (zh) * 2020-03-06 2020-07-14 浙江海洋大学 一种基于系统辨识的实船操纵性指数辨识方法及装置
CN111639693A (zh) * 2020-05-25 2020-09-08 杭州电子科技大学 一种用于睡姿监测的系统及方法
CN111898628A (zh) * 2020-06-01 2020-11-06 淮阴工学院 一种新型t-s模糊模型辨识方法
CN113807613A (zh) * 2021-10-13 2021-12-17 国网安徽省电力有限公司 一种电网工程全周期预算优化配置工具
CN115689767A (zh) * 2022-09-23 2023-02-03 国网冀北电力有限公司经济技术研究院 基于woa-ls-svm的变电站施工费用区间预测方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111413886A (zh) * 2020-03-06 2020-07-14 浙江海洋大学 一种基于系统辨识的实船操纵性指数辨识方法及装置
CN111413886B (zh) * 2020-03-06 2023-07-04 浙江海洋大学 一种基于系统辨识的实船操纵性指数辨识方法及装置
CN111639693A (zh) * 2020-05-25 2020-09-08 杭州电子科技大学 一种用于睡姿监测的系统及方法
CN111898628A (zh) * 2020-06-01 2020-11-06 淮阴工学院 一种新型t-s模糊模型辨识方法
CN111898628B (zh) * 2020-06-01 2023-10-03 淮阴工学院 一种新型t-s模糊模型辨识方法
CN113807613A (zh) * 2021-10-13 2021-12-17 国网安徽省电力有限公司 一种电网工程全周期预算优化配置工具
CN115689767A (zh) * 2022-09-23 2023-02-03 国网冀北电力有限公司经济技术研究院 基于woa-ls-svm的变电站施工费用区间预测方法

Similar Documents

Publication Publication Date Title
CN109242157A (zh) 一种改进的输电工程造价智能预测方法
Wang et al. Stochastic economic emission load dispatch through a modified particle swarm optimization algorithm
Cheng et al. An innovative hybrid multi-objective particle swarm optimization with or without constraints handling
Li et al. Hybrid optimization algorithm based on chaos, cloud and particle swarm optimization algorithm
CN104408518B (zh) 基于粒子群优化算法的神经网络学习优化方法
Peng et al. Deep reinforcement learning approach for capacitated supply chain optimization under demand uncertainty
CN105139264A (zh) 一种基于粒子群算法小波神经网络的光伏发电量的预测方法
CN110222883A (zh) 基于风驱动优化bp神经网络的电力系统负荷预测方法
CN105574586B (zh) 基于mpso-bp网络的通用飞机航材需求预测方法
Xing et al. Monthly mean streamflow prediction based on bat algorithm-support vector machine
CN110363343A (zh) 一种混合自适应的水电站群智能优化调度方法及系统
CN102830446A (zh) 一种可预测气象数据的智能气象站系统
Reddy et al. Performance evaluation of elitist-mutated multi-objective particle swarm optimization for integrated water resources management
CN108898259A (zh) 基于多因素综合的自适应进化规划电力负荷预测方法及系统
Huang et al. Bat algorithm based on an integration strategy and Gaussian distribution
CN116914751B (zh) 一种智能配电控制系统
CN108960485A (zh) 一种源-荷互动电力市场下的在线字典学习概率最优潮流方法
Dubey et al. Uniform mutation and SPV rule based optimized PSO algorithm for TSP problem
CN110472792A (zh) 一种基于离散蝙蝠算法的物流配送车辆路径优化方法
CN109447321A (zh) 一种基于重采样粒子群优化的结构拓扑优化求解方法
CN110277783A (zh) 一种电力系统的在线主动解列控制方法及系统
Bai et al. Evaluation for development effect of enterprise innovation with neural network from low-carbon economy
CN202735528U (zh) 一种可预测气象数据的智能气象站系统
CN110059871A (zh) 光伏发电功率预测方法
Reddy et al. Elitist-mutated multi-objective particle swarm optimization for engineering design

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190118

RJ01 Rejection of invention patent application after publication