CN109409604A - 一种基于遗传算法-支持向量机的冷负荷预测方法 - Google Patents
一种基于遗传算法-支持向量机的冷负荷预测方法 Download PDFInfo
- Publication number
- CN109409604A CN109409604A CN201811277491.9A CN201811277491A CN109409604A CN 109409604 A CN109409604 A CN 109409604A CN 201811277491 A CN201811277491 A CN 201811277491A CN 109409604 A CN109409604 A CN 109409604A
- Authority
- CN
- China
- Prior art keywords
- refrigeration duty
- support vector
- predicted
- parameter
- 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
- 230000002068 genetic effect Effects 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 22
- 238000001816 cooling Methods 0.000 title claims abstract description 17
- 238000005057 refrigeration Methods 0.000 claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 239000013598 vector Substances 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims description 8
- 210000000349 chromosome Anatomy 0.000 claims description 7
- 238000005286 illumination Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 108090000623 proteins and genes Proteins 0.000 claims description 4
- 238000005265 energy consumption Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 101150084750 1 gene Proteins 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 108020004999 messenger RNA Proteins 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于遗传算法‑支持向量机的冷负荷预测方法,首先仿真获取一段时间内特征向量以及待预测标签;将仿真出的数据按照时间进行划分;再利用z‑scroe算法将两个数据集的特征向量以及待预测标签进行归一化处理;对初始支持向量机SVM的惩罚函数c、g参数的寻优范围进行设置;按照使用需求对采用的遗传算法GA的各参数进行设置;基于所设置的遗传算法GA的参数,通过随机形式产生若干初始个体;计算若干初始个体的适应度值;通过遗传算法GA对若干初始个体构成的训练样本集合进行训练,得到最优的支持向量网络,对冷负荷进行预测。该方法可以克服传统利用仿真软件模拟计算耗时的缺点,能快速有效的对冷负荷进行预测。
Description
技术领域
本发明涉及建筑供能系统运行控制技术领域,尤其涉及一种基于遗传算法-支持向量机的冷负荷预测方法。
背景技术
目前我国能源需求量日益剧增,建筑行业跻身三大“耗能大户”之一。建筑能耗约占世界能源消耗量的20%,我国建筑能耗约占社会总能耗的28%。以优化建筑围护结构、建筑环境智能控制、系统操作设备等建筑节能的工作已全面展开,但由于建筑结构的复杂性、人为因素的影响以及热延迟等特性,使建筑实际用能存在能源浪费、用电高峰期供能不足、供能不均衡等现象,降低了建筑能源的利用率,影响人们的舒适程度。因此,构建有效的建筑冷负荷预测模型,合理分配能源就十分重要。
现有技术中冷负荷预测方法主要有时间序列预测法,情景分析预测法,虚拟特征建筑法等,具体来说:
时间序列预测法把负荷数据看作一个按季度、按周、按天以及按小时周期性变化的时间序列,将实际负荷和预测负荷之间的差值看作一个平稳的随机序列进行分析和处理。虽然对于冷负荷的预测速度快,准确度高,但是建立模型的过程复杂,没有考虑到特殊天气的变化因素,因此对于实时预测或数据波动大的情况预测效果并不理想。
情景分析法需要设定多种不同的情景,属于高概率性预测,精度高。但是会增加分析的复杂度,还需要借助能耗模拟软件,并且建筑内部负荷强度的量化还存在问题。
虚拟特征建筑法假设区域内所有建筑都是朝向相同或互成90°角且具有相同建筑材质的矩形建筑,利用能耗软件进行模拟,区域建筑的冷负荷预测可以转化为其特征建筑的冷负荷预测。但是进行了大量的假设,计算复杂,计算量大,预测精度不高。
发明内容
本发明的目的是提供一种基于遗传算法-支持向量机的冷负荷预测方法,该方法可以克服传统利用仿真软件模拟计算耗时的缺点,能快速有效的对冷负荷进行预测。
本发明的目的是通过以下技术方案实现的:
一种基于遗传算法-支持向量机的冷负荷预测方法,所述方法包括:
步骤1、首先仿真获取一段时间内每天四个特征向量以及一个待预测标签;其中,所述四个特征向量包括室外干球温度、太阳照度、风速和湿球温度;待预测标签为冷负荷值;
步骤2、将上述仿真出的数据按照时间进行划分,分为训练集数据和预测集数据;
步骤3、再利用z-scroe算法将两个数据集的特征向量以及待预测标签进行归一化处理,进而将各数据的量纲统一;
步骤4、对初始支持向量机SVM的惩罚函数c、g参数的寻优范围进行设置,并对目标函数进行设置;
步骤5、按照使用需求对采用的遗传算法GA的各参数进行设置;
步骤6、基于所设置的遗传算法GA的参数,通过随机形式产生若干初始个体,并获得相应个体的惩罚函数c、g参数的可疑解,且每个个体拥有2个染色体,每个染色体携带1个基因,每个基因的编码长度为L;
步骤7、计算上述若干初始个体的适应度值,将预测的冷负荷值进行反归一化后计算得到相应的适应度值MSE数值;
步骤8、通过遗传算法GA对若干初始个体构成的训练样本集合进行训练,得到最优的支持向量网络,对所述预测集数据的冷负荷进行预测。
由上述本发明提供的技术方案可以看出,上述方法可以克服传统利用仿真软件模拟计算耗时的缺点,能快速有效的对冷负荷进行预测;在充分利用气象因素及冷负荷的大数据的价值同时,还发挥了对未来准确预测冷负荷的作用,对数据进行充分的挖掘。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他附图。
图1为本发明实施例提供基于遗传算法-支持向量机的冷负荷预测方法示意图。
具体实施方式
下面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清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明的保护范围。
下面将结合附图对本发明实施例作进一步地详细描述,如图1所示为本发明实施例提供基于遗传算法-支持向量机的冷负荷预测方法示意图,所述方法包括:
步骤1、首先仿真获取一段时间内每天四个特征向量以及一个待预测标签;
其中,所述四个特征向量包括室外干球温度、太阳照度、风速和湿球温度;待预测标签为冷负荷值;
步骤2、将上述仿真出的数据按照时间进行划分,分为训练集数据和预测集数据;
举例来说,可以获取1月份-3月份的每天四个特征向量以及一个标签,然后将1-2月份的数据作为训练集,3月份的数据作为预测集。
步骤3、再利用z-scroe算法将两个数据集的特征向量以及待预测标签进行归一化处理,进而将各数据的量纲统一;
该该步骤中,进行归一化处理采用的计算公式为:
其中,xi,j代表待归一化的第i组数据的第j维数据;μj代表第j维特征的均值;σj代表第j维特征的标准差;x′i,j代表归一化后的第i组数据的第j维数据。
步骤4、对初始支持向量机SVM的惩罚函数c、g参数的寻优范围进行设置,并对目标函数进行设置;
在该步骤中,所述惩罚函数c、g参数的寻优范围设置为[1,4];
所述目标函数设置为反归一化后的标签MSE数值,其中,MSE数值的计算公式为:
式中,N代表待预测的冷负荷天数;代表第i个预测样本点的冷负荷值;yi代表第i个预测样本点的冷负荷真实数值。理论上MSE数值越小,则代表该预测模型总体误差越小,模型越精确;反之模型越差。
步骤5、按照使用需求对采用的遗传算法GA的各参数进行设置;
举例来说,本实例可以设置种群数量为200个,群体规模为50,染色体为2个,每个基因长度为10,各初始参数见下表1所示:
参数 | 数值 |
种群数量 | 200 |
群体规模 | 50 |
基因长度 | 10 |
交叉概率 | 0.05 |
变异概率 | 0.5 |
步骤6、基于所设置的遗传算法GA的参数,通过随机形式产生若干初始个体,并获得相应个体的惩罚函数c、g参数的可疑解,且每个个体拥有2个染色体,每个染色体携带1个基因,每个基因的编码长度为L;
这里,基因可以采用二进制编码进行处理。
步骤7、计算上述若干初始个体的适应度值,将预测的冷负荷值进行反归一化后计算得到相应的适应度值MSE数值;
该步骤中,反归一化处理的计算公式为;
式中,yi代表归一化的第i个样本点的冷负荷,μ代表冷负荷的均值,σ代表冷负荷的标准差,y′i代表反归一化后的第i个样本点的冷负荷。
步骤8、通过遗传算法GA对若干初始个体构成的训练样本集合进行训练,得到最优的支持向量网络,对所述预测集数据的冷负荷进行预测。
该步骤中,通过遗传算法GA对若干初始个体构成的训练样本集合进行训练,得到最优的支持向量网络的过程为:
首先采用轮盘赌形式选取优秀个体;
将上一代优秀个体进行单点交叉,形成新的个体;
基于新的个体进行步骤7的操作得到待预测标签的MSE数值,若满足最优终止条件,则结束,获得最优支持向量网络的惩罚函数c、g参数的数值;若不满足,则继续迭代最优个体。
另外,在迭代过程中,还可以对种群中个体的某一编码值进行变动,提高算法的随机搜索能力以及防止算法出现“早熟”而终止。
下面对上述预测方法的具体实现过程进行举例说明:
首先利用dest软件仿真出一年中的1-3月份的每日室外干球温度、太阳照度、风速和湿球温度以及冷负荷数值;
且将1-2月份的数据作为训练集,3月份的数据作为预测集;
继而用z-score算法对数据进行归一化处理;
进而对svm的惩罚函数c、g的寻优范围设置,以及目标函数设置,本发明对c和g参数的寻优范围都为[1,4],目标函数设置为反归一化后的标签的MSE数值;
然后通过遗传算法对参数进行寻优获得最佳支持向量机模型,进而对3月份的冷负荷进行预测。
值得注意的是,本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (5)
1.一种基于遗传算法-支持向量机的冷负荷预测方法,其特征在于,所述方法包括:
步骤1、首先仿真获取一段时间内每天四个特征向量以及一个待预测标签;其中,所述四个特征向量包括室外干球温度、太阳照度、风速和湿球温度;待预测标签为冷负荷值;
步骤2、将上述仿真出的数据按照时间进行划分,分为训练集数据和预测集数据;
步骤3、再利用z-scroe算法将两个数据集的特征向量以及待预测标签进行归一化处理,进而将各数据的量纲统一;
步骤4、对初始支持向量机SVM的惩罚函数c、g参数的寻优范围进行设置,并对目标函数进行设置;
步骤5、按照使用需求对采用的遗传算法GA的各参数进行设置;
步骤6、基于所设置的遗传算法GA的参数,通过随机形式产生若干初始个体,并获得相应个体的惩罚函数c、g参数的可疑解,且每个个体拥有2个染色体,每个染色体携带1个基因,每个基因的编码长度为L;
步骤7、计算上述若干初始个体的适应度值,将预测的冷负荷值进行反归一化后计算得到相应的适应度值MSE数值;
步骤8、通过遗传算法GA对若干初始个体构成的训练样本集合进行训练,得到最优的支持向量网络,对所述预测集数据的冷负荷进行预测。
2.根据权利要求1所述基于遗传算法-支持向量机的冷负荷预测方法,其特征在于,所述步骤3进行归一化处理采用的计算公式为:
其中,xi,j代表待归一化的第i组数据的第j维数据;μj代表第j维特征的均值;σj代表第j维特征的标准差;x′i,j代表归一化后的第i组数据的第j维数据。
3.根据权利要求1所述基于遗传算法-支持向量机的冷负荷预测方法,其特征在于,在步骤4中,
所述惩罚函数c、g参数的寻优范围设置为[1,4];
所述目标函数设置为反归一化后的标签MSE数值,其中,MSE数值的计算公式为:
式中,N代表待预测的冷负荷天数;代表第i个预测样本点的冷负荷值;yi代表第i个预测样本点的冷负荷真实数值。
4.根据权利要求1所述基于遗传算法-支持向量机的冷负荷预测方法,其特征在于,在步骤7中,反归一化处理的计算公式为;
式中,yi代表归一化的第i个样本点的冷负荷,μ代表冷负荷的均值,σ代表冷负荷的标准差,yi′代表反归一化后的第i个样本点的冷负荷。
5.根据权利要求1所述基于遗传算法-支持向量机的冷负荷预测方法,其特征在于,在步骤8中,通过遗传算法GA对若干初始个体构成的训练样本集合进行训练,得到最优的支持向量网络的过程为:
采用轮盘赌形式选取优秀个体;
将上一代优秀个体进行单点交叉,形成新的个体;
基于新的个体进行步骤7的操作得到待预测标签的MSE数值,若满足最优终止条件,则结束,获得最优支持向量网络的惩罚函数c、g参数的数值;若不满足,则继续迭代最优个体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811277491.9A CN109409604B (zh) | 2018-10-30 | 2018-10-30 | 一种基于遗传算法-支持向量机的冷负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811277491.9A CN109409604B (zh) | 2018-10-30 | 2018-10-30 | 一种基于遗传算法-支持向量机的冷负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109409604A true CN109409604A (zh) | 2019-03-01 |
CN109409604B CN109409604B (zh) | 2022-03-18 |
Family
ID=65469852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811277491.9A Active CN109409604B (zh) | 2018-10-30 | 2018-10-30 | 一种基于遗传算法-支持向量机的冷负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109409604B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476422A (zh) * | 2020-04-10 | 2020-07-31 | 北京石油化工学院 | 一种基于机器学习框架下LightGBM的建筑冷负荷预测方法 |
CN113886989A (zh) * | 2021-10-08 | 2022-01-04 | 长江大学 | 一种基于机器学习的石油钻井的参数优化方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050192915A1 (en) * | 2004-02-27 | 2005-09-01 | Osman Ahmed | System and method for predicting building thermal loads |
CN1664524A (zh) * | 2005-03-28 | 2005-09-07 | 杭州家和智能控制有限公司 | 风机盘管换热量风侧焓差法计量方法 |
JP2006078009A (ja) * | 2004-09-07 | 2006-03-23 | Shimizu Corp | 空調負荷予測方法 |
CN102705957A (zh) * | 2012-06-07 | 2012-10-03 | 华南理工大学 | 办公建筑中央空调逐时冷负荷在线预测方法及系统 |
CN104566765A (zh) * | 2013-10-16 | 2015-04-29 | 嘉日国际集团控股有限公司 | 中央空调整体节能控制方法 |
CN106338127A (zh) * | 2016-09-20 | 2017-01-18 | 珠海格力电器股份有限公司 | 用于地铁暖通空调系统的负荷预测和控制系统及其方法 |
CN107704875A (zh) * | 2017-09-30 | 2018-02-16 | 山东建筑大学 | 基于改进ihcmac神经网络的建筑负荷预测方法和装置 |
-
2018
- 2018-10-30 CN CN201811277491.9A patent/CN109409604B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050192915A1 (en) * | 2004-02-27 | 2005-09-01 | Osman Ahmed | System and method for predicting building thermal loads |
JP2006078009A (ja) * | 2004-09-07 | 2006-03-23 | Shimizu Corp | 空調負荷予測方法 |
CN1664524A (zh) * | 2005-03-28 | 2005-09-07 | 杭州家和智能控制有限公司 | 风机盘管换热量风侧焓差法计量方法 |
CN102705957A (zh) * | 2012-06-07 | 2012-10-03 | 华南理工大学 | 办公建筑中央空调逐时冷负荷在线预测方法及系统 |
CN104566765A (zh) * | 2013-10-16 | 2015-04-29 | 嘉日国际集团控股有限公司 | 中央空调整体节能控制方法 |
CN106338127A (zh) * | 2016-09-20 | 2017-01-18 | 珠海格力电器股份有限公司 | 用于地铁暖通空调系统的负荷预测和控制系统及其方法 |
CN107704875A (zh) * | 2017-09-30 | 2018-02-16 | 山东建筑大学 | 基于改进ihcmac神经网络的建筑负荷预测方法和装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476422A (zh) * | 2020-04-10 | 2020-07-31 | 北京石油化工学院 | 一种基于机器学习框架下LightGBM的建筑冷负荷预测方法 |
CN113886989A (zh) * | 2021-10-08 | 2022-01-04 | 长江大学 | 一种基于机器学习的石油钻井的参数优化方法及系统 |
CN113886989B (zh) * | 2021-10-08 | 2024-03-29 | 长江大学 | 一种基于机器学习的石油钻井的参数优化方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109409604B (zh) | 2022-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dai et al. | A hybrid load forecasting model based on support vector machine with intelligent methods for feature selection and parameter optimization | |
US20190228329A1 (en) | Prediction system and prediction method | |
Ghadimi et al. | PSO based fuzzy stochastic long-term model for deployment of distributed energy resources in distribution systems with several objectives | |
CN103390116B (zh) | 采用分步方式的光伏电站发电功率预测方法 | |
CN115796393B (zh) | 基于多能互动的能源网管理优化方法、系统及存储介质 | |
CN103440370A (zh) | 一种输变电工程造价评估方法及装置 | |
CN109376950A (zh) | 一种基于bp神经网络的多元电网负荷预测方法 | |
CN107506843A (zh) | 一种短期负荷预测方法及装置 | |
CN105447509A (zh) | 一种光伏发电系统的短期功率预测方法 | |
Hong et al. | Locational marginal price forecasting using deep learning network optimized by mapping-based genetic algorithm | |
CN105447572A (zh) | 一种基于遗传算法优化神经网络的风电功率预测系统及方法 | |
CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及系统 | |
CN114493052B (zh) | 多模型融合自适应新能源功率预测方法和系统 | |
CN109409604A (zh) | 一种基于遗传算法-支持向量机的冷负荷预测方法 | |
CN109426901A (zh) | 一种中长期用电预测方法及装置 | |
Zhang et al. | A short-term photovoltaic power output prediction for virtual plant peak regulation based on K-means clustering and improved BP neural network | |
CN113887809A (zh) | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 | |
Hu et al. | Adaptive corrected parameters algorithm applied in cooling load prediction based on black-box model: A case study for subway station | |
CN109086952A (zh) | 一种基于遗传算法-神经网络的热负荷预测方法 | |
CN109359671B (zh) | 一种水电站水库调度规则的分类智能提取方法 | |
CN106251035A (zh) | 用于项目指标计算的数据处理方法和装置 | |
CN110059871A (zh) | 光伏发电功率预测方法 | |
CN109615142A (zh) | 一种基于小波分析的风电场风速组合预测方法 | |
Wang et al. | Research on optimal operation of cascade pumping stations based on an improved sparrow search algorithm | |
CN105868435B (zh) | 一种基于线性相关性分析实现光网络建设的高效控制方法 |
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 |