CN109284876A - 基于pca-rbf埋地管道腐蚀速率预测方法 - Google Patents
基于pca-rbf埋地管道腐蚀速率预测方法 Download PDFInfo
- Publication number
- CN109284876A CN109284876A CN201811373878.4A CN201811373878A CN109284876A CN 109284876 A CN109284876 A CN 109284876A CN 201811373878 A CN201811373878 A CN 201811373878A CN 109284876 A CN109284876 A CN 109284876A
- Authority
- CN
- China
- Prior art keywords
- rbf
- pca
- buried pipeline
- model
- prediction
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000001537 neural effect Effects 0.000 claims abstract description 12
- 230000000694 effects Effects 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 14
- 239000002689 soil Substances 0.000 claims description 10
- 238000005260 corrosion Methods 0.000 claims description 9
- 230000007797 corrosion Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000011160 research Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000004836 empirical method Methods 0.000 claims description 3
- 239000004615 ingredient Substances 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims 1
- 239000007789 gas Substances 0.000 claims 1
- 210000004218 nerve net Anatomy 0.000 claims 1
- 239000001301 oxygen Substances 0.000 claims 1
- 229910052760 oxygen Inorganic materials 0.000 claims 1
- 230000006870 function Effects 0.000 abstract description 11
- 238000000605 extraction Methods 0.000 abstract 1
- 238000012706 support-vector machine Methods 0.000 description 5
- 230000033116 oxidation-reduction process Effects 0.000 description 3
- BVKZGUZCCUSVTD-UHFFFAOYSA-M Bicarbonate Chemical compound OC([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-M 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002834 transmittance Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Geometry (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Computer Hardware Design (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本发明涉及一种基于PCA‑RBF埋地管道腐蚀速率预测方法。该方法通过结合PCA的特征提取功能和RBF网络强大的函数逼近能力，建立基于PCA和RBF神经网络的埋地管道腐蚀速率预测模型。本发明方法对改善埋地管道腐蚀速率的预测效果显著，PCA‑RBF模型在建模过程中具有更快的学习速度，同时提高了模型的预测精度和泛化能力，在埋地管道腐蚀速率预测中可用性很强。
Description
技术领域
本发明涉及一种基于PCA-RBF埋地管道腐蚀速率预测方法。
背景技术
埋地油气输送管道在运行一定时间后会因腐蚀穿孔而漏油漏气，这将干扰整个输送系统的正常运行，因此，急需预测埋地油气管道腐蚀速率，以便为其检测与维护提供重要依据。目前，有关埋地油气管道腐蚀速率的预测方法主要有灰色理论、回归模型、神经网络模型等。
然而，神经网络建模过程还是存在计算量较大、学习效率低等缺点。而支持向量机(SVM)是近年来提出的一种新的建模方法，具有计算效率高、算法简单等特点。然而在SVM建模过程中需要求解二次规划问题，当训练样本数目很大时，计算极为费时。
为此，发明采用一种基于PCA-RBF建模方法建立埋地油气管道腐蚀速率预测方法，该方法简化了模型结构，加快了模型的计算速度。最后，以国内某埋地油气管道为研究对象，建立PCA-RBF埋地管道腐蚀速率预测模型，结果表明PCA-RBF模型预测值与实际结果有很好的一致性。
发明内容
本发明的目的在于提供一种基于PCA-RBF埋地管道腐蚀速率预测方法，该方法简化了模型结构，加快了模型的计算速度；最后，以埋地油气管道为研究对象，建立PCA-RBF埋地管道腐蚀速率预测模型，结果表明PCA-RBF模型预测值与实际结果有很好的一致性。
为实现上述目的，本发明的技术方案是：一种基于PCA-RBF埋地管道腐蚀速率预测方法，包括如下步骤：
步骤S1、选择土壤中对埋地管道腐蚀相关的影响因素作为输入变量；
步骤S2、以埋地输气管线为研究对象，通过对管道沿线土壤理化性质的测试及对管线的检测，获得样本数据；
步骤S3、随机选择若干组样本数据作为训练样本，采用PCA-RBF方法建立埋地管道腐蚀速率预测模型，将余下的样本数据作为测试样本，以测试所建立模型的预测效果；
步骤S4、根据评价指标对模型预测效果进行评价。
在本发明一实施例中，所述步骤S1中，对埋地管道腐蚀相关的影响因素包括含水率、HCO3－含量、Cl－含量、SO4 2－含量、氧化还原电位、pH值、土壤电阻率。
在本发明一实施例中，所述步骤S3中，采用PCA-RBF方法建立埋地管道腐蚀速率预测模型的具体实现步骤如下：
(1)数据归一化：由式(1-1)对样本数据进行归一化，得T＝[T1,T2,···,T13]；
式(1-1)中，xi(k)为埋地管道腐蚀速率影响因素xi第k个样本的采样值，Xi-max、Xi-min为影响因素xi的最大值和最小值；Tmax、Tmin为归一化的最大值和最小值，取Tmax＝1、Tmin＝-1；
(2)采用主元分析PCA提取主元：
设有样本数据集X＝[x1,x2,···,xn]，k表示样本序号，f表示维数，λi为协方差矩阵V特征根,L＝[L1,L2,···,Lf],Li＝[γ1i,γ2i,···,γfi]T是与λi对应的协方差矩阵V的单位正交特征向量，则样本数据X的第i个主元成分Yi可表示为：
Yi＝XLi＝γ1ix1+γ2ix2+···+γfixf (1-2)
确定主元个数t的方法可以用经验法，即取最小的t使得：
式(1-3)中，η为常数；
(3)建立RBF神经网络模型：以PCA提取的主成分数据作为RBF神经网络的训练样本数据，采用K-means法确定网络中心，使用最小二乘法确定网络权值，建立RBF神经网络埋地管道腐蚀速率模型；RBF神经网络由输入层、隐含层和输出层3层组成；其中，隐含层节点的径向基函数采用高斯函数，隐含层第l神经元的转换函数为：
式(1-4)中，Y为输入矩阵向量；cl和σl分别为高斯函数中心和宽度；
RBF输出层输出如式(1-5)所示：
式(1-5)中，Zp表示第p个网络输出值；Wp为输出层神经网络的阀值；Wlp为输出层神经网络的权值；q为隐含层节点数；
(4)采用测试集的数据检验所建立的RBF神经网络模型的预测效果，若预测结果不满意则返回步骤(3)重新训练网络。
在本发明一实施例中，所述步骤(2)中，取η＝0.9，即保证前t个主成分的累积贡献率超过90％。
相较于现有技术，本发明具有以下有益效果：本发明方法方法简化了模型结构，加快了模型的计算速度；最后，以埋地油气管道为研究对象，建立基于PCA-RBF埋地管道腐蚀速率预测模型，结果表明PCA-RBF模型预测值与实际结果有很好的一致性。
附图说明
图1为本发明采用的APSO优化算法流程图。
图2为四种模型训练结果。
图3为四种模型测试结果。
图4为四种模型预测结果残差。
图5为PCA-RBF预测模型结构图。
图6为RBF神经网络结构图。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
本发明提供了一种基于PCA-RBF埋地管道腐蚀速率预测方法，包括如下步骤：
步骤S1、选择含水率、HCO3 －含量、Cl－含量、SO4 2－含量、氧化还原电位、pH值、土壤电阻率7个影响因素作为输入变量；
步骤S2、以埋地输气管线为研究对象，通过对管道沿线土壤理化性质的测试及对管线的检测，获得样本数据；
步骤S3、随机选择若干组样本数据作为训练样本，采用PCA-RBF方法建立埋地管道腐蚀速率预测模型，将余下的样本数据作为测试样本，以测试所建立模型的预测效果；
所述步骤S3中，采用PCA-RBF方法建立埋地管道腐蚀速率预测模型的具体实现步骤如下：
(1)数据归一化：由式(1-1)对样本数据进行归一化，得T＝[T1,T2,···,T13]；
式(1-1)中，xi(k)为埋地管道腐蚀速率影响因素xi第k个样本的采样值，Xi-max、Xi-min为影响因素xi的最大值和最小值；Tmax、Tmin为归一化的最大值和最小值，取Tmax＝1、Tmin＝-1；
(2)采用主元分析PCA提取主元：
设有样本数据集X＝[x1,x2,···,xn]，k表示样本序号，f表示维数，λi为协方差矩阵V特征根,L＝[L1,L2,···,Lf],Li＝[γ1i,γ2i,···,γfi]T是与λi对应的协方差矩阵V的单位正交特征向量，则样本数据X的第i个主元成分Yi可表示为：
Yi＝XLi＝γ1ix1+γ2ix2+···+γfixf (1-2)
确定主元个数t的方法可以用经验法，即取最小的t使得：
式(1-3)中，η为常数；取η＝0.9，即保证前t个主成分的累积贡献率超过90％；模型结构如图5所示。
(3)建立RBF神经网络模型：以PCA提取的主成分数据作为RBF神经网络的训练样本数据，采用K-means法确定网络中心，使用最小二乘法确定网络权值，建立RBF神经网络埋地管道腐蚀速率模型；RBF神经网络由输入层、隐含层和输出层3层组成，其网络结构图如图6所示；其中，隐含层节点的径向基函数采用高斯函数，隐含层第l神经元的转换函数为：
式(1-4)中，Y为输入矩阵向量；cl和σl分别为高斯函数中心和宽度；
RBF输出层输出如式(1-5)所示：
式(1-5)中，Zp表示第p个网络输出值；Wp为输出层神经网络的阀值；Wlp为输出层神经网络的权值；q为隐含层节点数；
(4)采用测试集的数据检验所建立的RBF神经网络模型的预测效果，若预测结果不满意则返回步骤(3)重新训练网络。
以下为本发明的具体实施例。
通过对比本发明方法(图1)建立的埋地管道腐蚀速率预测模型，RBFNN、SVM以及常规LSSVM埋地管道腐蚀速率预测模型，对比各方法的预测效果，具体如下：
选择含水率、HCO3 －含量、Cl－含量、SO4 2－含量、氧化还原电位、pH值、土壤电阻率等7个影响因素作为输入变量。以国内某埋地输气管线为研究对象，通过对管道沿线土壤理化性质的测试及对管线的检测，共获得87组样本数据。随机选择其中60组数据作为训练样本，建立埋地管道腐蚀速率预测模型，剩下的27组数据作为测试样本，用于测试所建立模型的预测效果。
模型训练：首先建立采用PCA-RBF建立埋地管道腐蚀速率预测模型，同时建立同时建立多元线性回归(MLR)、反向传播神经网络(BPNN)以及径向基神经网络(RBFNN)埋地管道腐蚀速率预测模型，用于对比预测效果。模型训练结果如图2所示，模型测试结果如图3所示，模型预测结果残差如图4：
预测结果分析：
以最大误差(Emax)、平均相对误差(MRE)、平均绝对误差(MAE)和均方根误差(RMSE)作为评价指标来对模型的预测性能进行评价，四种指标定义分别为：
式中，N为样本数量，yi为实际值，为预测值。
根据上述四个评价指标，得出四种模型预测效果性能，如表1所示。
表1四种模型预测效果性能比较
从图2、图3、图4及表1可以看出，采用RBFNN方法和SVM方法建立的埋地管道腐蚀速率预测模型其预测效果均较差，采用LSSVM方法建立的预测模型其预测值虽然较为接近实际值，但其精度仍有待提高；而采用基于APSO优化的LSSVM方法建立的预测模型，其预测精度均高于其它三种模型，表明基于APSO优化的LSSVM建模方法在埋地管道腐蚀速率预测方面具有较高的预测精度。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。
Claims (4)
1.一种基于PCA-RBF埋地管道腐蚀速率预测方法，其特征在于，包括如下步骤：
步骤S1、选择土壤中对埋地管道腐蚀相关的影响因素作为输入变量；
步骤S2、以埋地输气管线为研究对象，通过对管道沿线土壤理化性质的测试及对管线的检测，获得样本数据；
步骤S3、随机选择若干组样本数据作为训练样本，采用PCA-RBF方法建立埋地管道腐蚀速率预测模型，将余下的样本数据作为测试样本，以测试所建立模型的预测效果；
步骤S4、根据评价指标对模型预测效果进行评价。
2.根据权利要求1所述的基于PCA-RBF埋地管道腐蚀速率预测方法，其特征在于，所述步骤S1中，对埋地管道腐蚀相关的影响因素包括含水率、HCO3 －含量、Cl－含量、SO4 2－含量、氧化还原电位、pH值、土壤电阻率。
3.根据权利要求1所述的基于PCA-RBF埋地管道腐蚀速率预测方法，其特征在于，所述步骤S3中，采用PCA-RBF方法建立埋地管道腐蚀速率预测模型的具体实现步骤如下：
(1)数据归一化：由式(1-1)对样本数据进行归一化，得T＝[T1,T2,···,T13]；
式(1-1)中，xi(k)为埋地管道腐蚀速率影响因素xi第k个样本的采样值，Xi-max、Xi-min为影响因素xi的最大值和最小值；Tmax、Tmin为归一化的最大值和最小值，取Tmax＝1、Tmin＝-1；
(2)采用主元分析PCA提取主元：
设有样本数据集X＝[x1,x2,···,xn]，k表示样本序号，f表示维数，λi为协方差矩阵V特征根,L＝[L1,L2,···,Lf],Li＝[γ1i,γ2i,···,γfi]T是与λi对应的协方差矩阵V的单位正交特征向量，则样本数据X的第i个主元成分Yi可表示为：
Yi＝XLi＝γ1ix1+γ2ix2+···+γfixf (1-2)
确定主元个数t的方法可以用经验法，即取最小的t使得：
式(1-3)中，η为常数；
(3)建立RBF神经网络模型：以PCA提取的主成分数据作为RBF神经网络的训练样本数据，采用K-means法确定网络中心，使用最小二乘法确定网络权值，建立RBF神经网络埋地管道腐蚀速率模型；RBF神经网络由输入层、隐含层和输出层3层组成；其中，隐含层节点的径向基函数采用高斯函数，隐含层第l神经元的转换函数为：
式(1-4)中，Y为输入矩阵向量；cl和σl分别为高斯函数中心和宽度；
RBF输出层输出如式(1-5)所示：
式(1-5)中，Zp表示第p个网络输出值；Wp为输出层神经网络的阀值；Wlp为输出层神经网络的权值；q为隐含层节点数；
(4)采用测试集的数据检验所建立的RBF神经网络模型的预测效果，若预测结果不满意则返回步骤(3)重新训练网络。
4.根据权利要求1所述的基于PCA-RBF埋地管道腐蚀速率预测方法，其特征在于，所述步骤(2)中，取η＝0.9，即保证前t个主成分的累积贡献率超过90％。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811373878.4A CN109284876A (zh) | 2018-11-19 | 2018-11-19 | 基于pca-rbf埋地管道腐蚀速率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811373878.4A CN109284876A (zh) | 2018-11-19 | 2018-11-19 | 基于pca-rbf埋地管道腐蚀速率预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109284876A true CN109284876A (zh) | 2019-01-29 |
Family
ID=65176056
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811373878.4A Pending CN109284876A (zh) | 2018-11-19 | 2018-11-19 | 基于pca-rbf埋地管道腐蚀速率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109284876A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110059824A (zh) * | 2019-05-22 | 2019-07-26 | 杭州电子科技大学 | 一种基于主成分分析的神经网络预测方法 |
| CN110093610A (zh) * | 2019-06-04 | 2019-08-06 | 西南石油大学 | 一种埋地管道的极化电位获取方法 |
| CN110309558A (zh) * | 2019-06-13 | 2019-10-08 | 中国石油大学(北京) | 基于径向基函数神经网络的管道安全系数生成方法及装置 |
| CN110389209A (zh) * | 2018-04-19 | 2019-10-29 | 中国石油化工股份有限公司 | 一种埋地管道土壤腐蚀特性的评价方法 |
| CN110954059A (zh) * | 2019-12-23 | 2020-04-03 | 北京无线电计量测试研究所 | 埋地管线沉降监测预警方法 |
| CN112598163A (zh) * | 2020-12-08 | 2021-04-02 | 国网河北省电力有限公司电力科学研究院 | 一种基于对比学习和度量学习的接地网不开挖腐蚀预测模型 |
| CN113268883A (zh) * | 2021-06-03 | 2021-08-17 | 西安建筑科技大学 | 一种基于pca-abc-svm模型的海底原油管道腐蚀速率预测方法 |
| CN115099151A (zh) * | 2022-07-01 | 2022-09-23 | 西南石油大学 | 基于gwo-bp修正机理模型的管道腐蚀速率预测方法 |
| CN115308113A (zh) * | 2022-07-01 | 2022-11-08 | 西南石油大学 | 基于多元非线性拟合的页岩气集输管道腐蚀速率预测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010079491A1 (en) * | 2009-01-09 | 2010-07-15 | Technion Research And Development Foundation Ltd. | Volatile organic compounds as diagnostic markers in the breath for lung cancer |
| CN104063588A (zh) * | 2014-06-12 | 2014-09-24 | 东北大学 | 基于多源数据融合的管道腐蚀缺陷尺寸的预测系统及方法 |
| CN106600059A (zh) * | 2016-12-13 | 2017-04-26 | 北京邮电大学 | 基于改进rbf神经网络的智能电网短期负荷预测方法 |
| CN107818340A (zh) * | 2017-10-25 | 2018-03-20 | 福州大学 | 基于k值小波神经网络的二阶段空调负荷预测方法 |
| CN107844868A (zh) * | 2017-11-27 | 2018-03-27 | 中山路得斯空调有限公司 | 一种融合plc技术与主元分析‑bp神经网络的负荷预测系统 |
| CN108204941A (zh) * | 2016-12-20 | 2018-06-26 | 中国石油天然气股份有限公司 | 一种预测管道投产前内腐蚀程度的方法 |
| CN108204944A (zh) * | 2018-01-13 | 2018-06-26 | 福州大学 | 基于apso优化的lssvm的埋地管道腐蚀速率预测方法 |
-
2018
- 2018-11-19 CN CN201811373878.4A patent/CN109284876A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010079491A1 (en) * | 2009-01-09 | 2010-07-15 | Technion Research And Development Foundation Ltd. | Volatile organic compounds as diagnostic markers in the breath for lung cancer |
| CN104063588A (zh) * | 2014-06-12 | 2014-09-24 | 东北大学 | 基于多源数据融合的管道腐蚀缺陷尺寸的预测系统及方法 |
| CN106600059A (zh) * | 2016-12-13 | 2017-04-26 | 北京邮电大学 | 基于改进rbf神经网络的智能电网短期负荷预测方法 |
| CN108204941A (zh) * | 2016-12-20 | 2018-06-26 | 中国石油天然气股份有限公司 | 一种预测管道投产前内腐蚀程度的方法 |
| CN107818340A (zh) * | 2017-10-25 | 2018-03-20 | 福州大学 | 基于k值小波神经网络的二阶段空调负荷预测方法 |
| CN107844868A (zh) * | 2017-11-27 | 2018-03-27 | 中山路得斯空调有限公司 | 一种融合plc技术与主元分析‑bp神经网络的负荷预测系统 |
| CN108204944A (zh) * | 2018-01-13 | 2018-06-26 | 福州大学 | 基于apso优化的lssvm的埋地管道腐蚀速率预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 戴坤成等: "基于PCA与RBF的建筑能耗预测建模", 《福州大学学报(自然科学版)》 * |
| 陈翀等: "基于AIGA－WLSSVM 的埋地管道腐蚀速率预测方法", 《管道技术与设备》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110389209B (zh) * | 2018-04-19 | 2022-03-22 | 中国石油化工股份有限公司 | 一种埋地管道土壤腐蚀特性的评价方法 |
| CN110389209A (zh) * | 2018-04-19 | 2019-10-29 | 中国石油化工股份有限公司 | 一种埋地管道土壤腐蚀特性的评价方法 |
| CN110059824A (zh) * | 2019-05-22 | 2019-07-26 | 杭州电子科技大学 | 一种基于主成分分析的神经网络预测方法 |
| CN110093610A (zh) * | 2019-06-04 | 2019-08-06 | 西南石油大学 | 一种埋地管道的极化电位获取方法 |
| CN110309558B (zh) * | 2019-06-13 | 2021-05-25 | 中国石油大学(北京) | 基于径向基函数神经网络的管道安全系数生成方法及装置 |
| CN110309558A (zh) * | 2019-06-13 | 2019-10-08 | 中国石油大学(北京) | 基于径向基函数神经网络的管道安全系数生成方法及装置 |
| CN110954059A (zh) * | 2019-12-23 | 2020-04-03 | 北京无线电计量测试研究所 | 埋地管线沉降监测预警方法 |
| CN112598163A (zh) * | 2020-12-08 | 2021-04-02 | 国网河北省电力有限公司电力科学研究院 | 一种基于对比学习和度量学习的接地网不开挖腐蚀预测模型 |
| CN113268883A (zh) * | 2021-06-03 | 2021-08-17 | 西安建筑科技大学 | 一种基于pca-abc-svm模型的海底原油管道腐蚀速率预测方法 |
| CN113268883B (zh) * | 2021-06-03 | 2024-06-04 | 西安建筑科技大学 | 一种基于pca-abc-svm模型的海底原油管道腐蚀速率预测方法 |
| CN115099151A (zh) * | 2022-07-01 | 2022-09-23 | 西南石油大学 | 基于gwo-bp修正机理模型的管道腐蚀速率预测方法 |
| CN115308113A (zh) * | 2022-07-01 | 2022-11-08 | 西南石油大学 | 基于多元非线性拟合的页岩气集输管道腐蚀速率预测方法 |
| CN115099151B (zh) * | 2022-07-01 | 2024-06-11 | 西南石油大学 | 基于gwo-bp修正机理模型的管道腐蚀速率预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109284876A (zh) | 基于pca-rbf埋地管道腐蚀速率预测方法 | |
| CN106874581B (zh) | 一种基于bp神经网络模型的建筑空调能耗预测方法 | |
| Ding et al. | The use of combined neural networks and genetic algorithms for prediction of river water quality | |
| CN113469253B (zh) | 一种基于三元组孪生网络的窃电检测方法 | |
| CN115018021B (zh) | 基于图结构与异常注意力机制的机房异常检测方法及装置 | |
| Akbari et al. | Clustered K nearest neighbor algorithm for daily inflow forecasting | |
| CN107463993B (zh) | 基于互信息-核主成分分析-Elman网络的中长期径流预报方法 | |
| CN112610903A (zh) | 一种基于深度神经网络模型的给水管网泄漏定位方法 | |
| CN109635763B (zh) | 一种人群密度估计方法 | |
| CN107506857B (zh) | 基于模糊支持向量机的城市湖库蓝藻水华多变量预测方法 | |
| CN110264112A (zh) | 基于双向加权灰色关联的配电网可靠性影响因素分析方法 | |
| CN108204944A (zh) | 基于apso优化的lssvm的埋地管道腐蚀速率预测方法 | |
| CN104361365A (zh) | 一种抽油泵运行状态识别方法及装置 | |
| CN108805193A (zh) | 一种基于混合策略的电力缺失数据填充方法 | |
| CN114969995A (zh) | 一种基于改进麻雀搜索与声发射的滚动轴承早期故障智能诊断方法 | |
| CN113033780A (zh) | 一种基于双层注意力机制的云平台资源预测方法 | |
| Nevtipilova et al. | Testing artificial neural network (ANN) for spatial interpolation | |
| CN112307410A (zh) | 基于船载ctd测量数据的海水温盐信息时序预测方法 | |
| CN111681022A (zh) | 一种网络平台数据资源价值评估方法 | |
| Wegayehu et al. | Multivariate streamflow simulation using hybrid deep learning models | |
| CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
| Sun et al. | Flow measurement-based self-adaptive line segment clustering model for leakage detection in water distribution networks | |
| CN111863153A (zh) | 一种基于数据挖掘的废水中悬浮固体总量的预测方法 | |
| CN114021422B (zh) | 一种基于跨孔雷达和深度学习的地下结构内部缺陷识别方法 | |
| Zhou et al. | Application of Kriging algorithm based on ACFPSO in geomagnetic data interpolation |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190129 |