CN110119126A - 基于多形态信息融合的智能减排系统 - Google Patents
基于多形态信息融合的智能减排系统 Download PDFInfo
- Publication number
- CN110119126A CN110119126A CN201910123462.5A CN201910123462A CN110119126A CN 110119126 A CN110119126 A CN 110119126A CN 201910123462 A CN201910123462 A CN 201910123462A CN 110119126 A CN110119126 A CN 110119126A
- Authority
- CN
- China
- Prior art keywords
- data
- data group
- emission reduction
- thermal environment
- control centre
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 15
- 230000009467 reduction Effects 0.000 claims abstract description 48
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 31
- 239000010959 steel Substances 0.000 claims abstract description 31
- 238000004519 manufacturing process Methods 0.000 claims abstract description 25
- 230000003044 adaptive effect Effects 0.000 claims abstract description 10
- 238000013135 deep learning Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 37
- 230000008569 process Effects 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 19
- 230000007613 environmental effect Effects 0.000 claims description 9
- 238000004065 wastewater treatment Methods 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 239000007789 gas Substances 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000010563 solid-state fermentation Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 239000002912 waste gas Substances 0.000 claims description 3
- 239000002351 wastewater Substances 0.000 claims description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 abstract description 22
- 229910052742 iron Inorganic materials 0.000 abstract description 11
- 238000003860 storage Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Abstract
本发明涉及钢铁工业减排技术领域，尤其涉及基于多形态信息融合的智能减排系统。包括：遥感系统、废气处理系统、补排水系统、预警系统和减排调度中心，将遥感系统、废气处理系统、补排水系统中的数据均发送至减排调度中心进行处理，减排调度中心对上述遥感系统、废气处理系统和补排水系统数据进行样本学习、深度学习、宽度学习以及自适应学习，并且建立多级规则库。本发明不仅能够维护设备的安全性运行，还能最大限度降低钢铁工业生产过程中对环境造成的污染问题。
Description
技术领域
本发明涉及钢铁工业减排技术领域，尤其涉及基于多形态信息融合的智能减排系统。
背景技术
钢铁工业是重要的基础工业部门，是发展国民经济与国防建设的物质基础。作为一个庞大的重工业部门，其生产过程对环境会造成难以避免的污染。随着国民经济的高速发展，资源日趋紧张，生态环境压力不断增大，钢铁工业高消耗、高污染的传统发展模式难以为续，向低碳经济、绿色制造转变是发展的必然。“以市场为导向开展节能减排”是企业向低能效浪费与环境污染转化的主要手段。面向钢铁工业的环保减排系统的良好运营是钢铁生产可持续发展和绿色发展的前提条件，而减排系统各单元之间的高关联性使得过程故障更具破坏性，如除尘器漏风故障、风机轴承故障、脉冲阀故障灯。因此，为了减少因减排系统故障对环境造成的污染及对钢铁生产成本的影响，企业迫切需要运用有效的过程监控技术增加减排系统的可靠性与安全性。
虽然基于多模态的过程监控问题一直是控制领域的研究热点，且已有较多成熟的研究成果，但面对钢铁工业的特殊生产背景，针对环保减排系统的过程监控研究几乎是一片空白，尚有很多亟待解决的基础性问题；钢铁工业生产过程中产品的多样化和以需求为主导的生产模式，使得对应的环保减排设备的运营过程呈现出多模态特性：同一产品的生产过程中包含多个稳定模态和过渡模态；不同工况的模态之间既有相似性又有相异性。在多模态控制结构的设计中，模态的划分与各模态下控制策略的选取直接影响系统的控制效果。
为此，我们提出基于多形态信息融合的智能减排系统来解决上述问题。
发明内容
本发明的目的是为了解决现有技术中钢铁工业的特殊生产中，针对环保减排系统的过程监控研究空白的现状，而提出的基于多形态信息融合的智能减排系统。
为了弥补钢铁工业的特殊长产背景中，环保减排系统的过程监控研究空白，本发明采用了如下技术方案：
基于多形态信息融合的智能减排系统，包括：
遥感系统：用于获取钢铁生产区域热环境数据，将所述热环境数据传输给减排调度中心，在第一设定时间后，获取钢铁生产区域第二热环境数据，并将所述第二热环境数据传输给所述减排调度中心；
废气处理系统：根据所述减排调度中心发送的指令处理钢铁生产过程中产生的废气，将废气处理过程中的第一数据组传输给所述减排调度中心，在第二设定时间后，获取废气处理过程中的第二数据组并传输给所述减排调度中心；
补排水系统：根据所述减排调度中心发送的指令完成钢铁生产过程的水循环；根据所述减排调度中心发送的指令处理钢铁生产过程中产生的废水，将废水处理过程中的第三数据组传输给所述减排调度中心，在第三设定时间后，获取废水处理过程中的第四数据组并传输给所述减排调度中心；
预警系统：根据所述减排调度中心发送的指令进行预警警示；
减排调度中心：对所述热环境数据、所述第二热环境数据、所述第一数据组、所述第二数据组、所述第三数据组和所述第四数据组进行数据处理获取处理数据，根据多级规则库与处理数据生成发送指令和/或进行所述多级规则库的补入。
可选的，对所述热环境数据、所述第一数据组、所述第二数据组、所述第三数据组和所述第四数据组进行数据处理获取处理数据，具体包括：
对所述热环境数据、所述第一数据组和所述第三数据组进行样本学习实现样本空间的扩大，并进行网络结构设计和网络参数训练；
对所述热环境数据、所述第一数据组和所述第三数据组进行表示学习，分级提取模态特征和故障特征，进行模态划分和模态辨识；
根据所述第二热环境数据、所述第二数据组和所述第四数据组进行自适应学习，进行所述网络结构和所述网络参数的主动更新；
构建所述多级规则库，并根据所述第二热环境数据、所述第二数据组和所述第四数据组自适应学习的结果补入所述多级规则库。
可选的，根据所述第二热环境数据、所述第二数据组和所述第四数据组进行自适应学习，具体包括：
所述第二热环境数据、所述第二数据和所述第四数据组进行“深度&宽度”并行学习，通过进行深度学习实现所述网络结构和所述网络参数的主动更新，通过进行宽度学习实现所述网络结构和所述网络参数的实时更新。
可选的，所述补排水系统，具体包括：废水处理系统、水循环系统和废渣处理系统。
可选的，所述第一设定时间、所述第二设定时间和所述第三设定时间属于所述网络参数。
本发明通过设置遥感系统、废气处理系统、补排水系统、预警系统和减排调度中心，将遥感系统、废气处理系统、补排水系统中的数据均发送至减排调度中心进行处理，减排调度中心对上述遥感系统、废气处理系统和补排水系统数据进行样本学习、深度学习、宽度学习以及自适应学习，并且建立多级规则库，能够全面、深入、系统地研究环保减排控制系统中多形态故障的产生和演变机理，实现诊断框架的自适应更新和主动感知，并解决了数据驱动的建模过程中的小样本问题，同时，充分考虑环保减排系统在实际运行中由人、机因素造成的不确定性，且充分利用专家经验，建立对减排系统的智能决策理论，不仅能够维护设备的安全性运行，还能最大限度降低钢铁工业生产过程中对环境造成的污染问题。
附图说明
图1示出了本发明实施例1中的多形态信息融合的智能减排系统结构图；
图2示出了本发明实施例2中的多形态信息融合的具体流程图。
具体实施方式
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。
实施例1
本实施例提供基于多形态信息融合的智能减排系统的结构图。如图1所示，该结构如下：
S101遥感系统：用于获取钢铁生产区域热环境数据，将热环境数据传输给减排调度中心，在第一设定时间后，获取钢铁生产区域第二热环境数据，并将第二热环境数据传输给减排调度中心；
可选的，热环境数据与第二热环境数据为热红外遥感数据和热红外载荷参数，减排调度中心接受到该热环境数据和/或第二热环境数据时，反演出钢铁生产区域的地表温度场，从多级规则库中调取背景温度场，将生成的地表温度场与背景温度场进行对比，若相关阈值超出多级规则库中的相关网络参数设定值，根据多级规则库进行指令生成与发送。
S102废气处理系统：根据减排调度中心发送的指令处理钢铁生产过程中产生的废气，将废气处理过程中的第一数据组传输给减排调度中心，在第二设定时间后，获取废气处理过程中的第二数据组并传输给减排调度中心。
S103补排水系统：根据减排调度中心发送的指令完成钢铁生产过程的水循环；根据减排调度中心发送的指令处理钢铁生产过程中产生的废水，将废水处理过程中的第三数据组传输给减排调度中心，在第三设定时间后，获取废水处理过程中的第四数据组并传输给减排调度中心；
进一步地，补排水系统，具体包括：废水处理系统、水循环系统和废渣处理系统。
S104预警系统：根据减排调度中心发送的指令进行预警警示；
预警系统包括但不限于语音预警，将相关预警指令传输给上级调度中心。
S105减排调度中心：对热环境数据、第二热环境数据、第一数据组、第二数据组、第三数据组和第四数据组进行数据处理获取处理数据，根据多级规则库与处理数据生成发送指令和/或进行多级规则库的补入。
实施例2
本实施例提供多形态信息融合方法，用于基于多形态信息融合的智能减排系统中。如图2所示，该方法包括以下步骤：
S201样本空间扩大：对热环境数据、第一数据组和第三数据组进行样本学习实现样本空间的扩大，并进行网络结构设计和网络参数训练；
可选的，根据概率生成模型对热环境数据、第一数据组和第三数据组进行分析，实现由小样本空间到大样本空间的转换，实现样本空间的扩大；
可选的，增加热环境数据、第一数据组和第三数据组的复用度来提高小样本的学习能力。
S202进行表示学习方法进行特征提取与模态表征：对热环境数据、第一数据组和第三数据组进行表示学习，分级提取模态特征和故障特征，进行模态划分和模态辨识；
钢铁减排系统需要根据钢铁生产任务量、周围环境限制以及相关环保参数的变化进行不停的调整，相关系统的工作模态需要不定时转换和优化，因此，基于多形态信息融合的智能减排系统也需要进行不断的优化。
可选的，对热环境数据、第一数据组和第三数据组进行表示学习包括根据热环境数据、第一数据组合第三数据组建立动态潜变量变化框架和过度模态框架。
S2031进行深度学习实现主动更新：对第二热环境数据、第二数据组和第四数据组进行“深度&宽度”并行学习，通过进行深度学习实现网络结构和网络参数的主动更新；
可选的，根据第一设定时间、第二设定时间和第三设定时间设定权重，将第二热环境数据、第二数据组和第四数据组与上述设定权重进行综合，进行宽度学习，以实现网络结构和网络参数的主动更新。
S2032进行宽度学习实现实时更新：对第二热环境数据、第二数据组和第四数据组进行“深度&宽度”并行学习，通过进行宽度学习实现网络结构和网络参数的实时更新；
可选的，根据第二热环境数据、第二数据组和第四数据组构建诊断框架，利用状态估计方法实现不同模态间网络参数的实时更新。
S204：构建多级规则库，对多级规则库进行补入，生成发送指令：构建多级规则库，并根据第二热环境数据、第二数据组和第四数据组自适应学习的结果补入多级规则库；
构建基于多隐层神经网络的多级规则库模型，充分利用所提取出的热环境数据、第二热环境数据、第一数据组、第二数据组、第三数据组以及第四数据组，再结合在线学习过程对多级规则库进行扩展和修改，实现多级规则库的逐级积累和自学习；
可选的，根据热环境数据、第一数据组以及第三数据组构建多级规则库，通过对第二热环境数据、第二数据组和第四数据组进行相关数据学习实现对多级规则库的补入；
可选的，采用行业已有的多级规则库，根据热环境数据、第二热环境数据、第一数据组、第二数据组、第三数据组以及第四数据组进行相关数据学习实现对多级规则库的补入。
本发明实施例还提供了一种非暂态计算机存，储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行实施例中的任一实施方式。其中，所述存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）、随机存储记忆体（Random Access Memory，RAM）、快闪存储器（Flash Memory）、硬盘（Hard Disk Drive，HDD）或固态硬盘（Solid-State Drive，SSD）等；所述存储介质还可以包括上述种类的存储器的组合。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体（ROM）或随机存储记忆体（RAM）等。
以上所述，仅为本发明较佳的一部分具体实施方式，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揭露的技术范围内，根据本发明的技术方案及其发明构思加以组合、等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (5)
1.基于多形态信息融合的智能减排系统，其特征在于，所述系统包括：
遥感系统：用于获取钢铁生产区域热环境数据，将所述热环境数据传输给减排调度中心，在第一设定时间后，获取钢铁生产区域第二热环境数据，并将所述第二热环境数据传输给所述减排调度中心；
废气处理系统：根据所述减排调度中心发送的指令处理钢铁生产过程中产生的废气，将废气处理过程中的第一数据组传输给所述减排调度中心，在第二设定时间后，获取废气处理过程中的第二数据组并传输给所述减排调度中心；
补排水系统：根据所述减排调度中心发送的指令完成钢铁生产过程的水循环；根据所述减排调度中心发送的指令处理钢铁生产过程中产生的废水，将废水处理过程中的第三数据组传输给所述减排调度中心，在第三设定时间后，获取废水处理过程中的第四数据组并传输给所述减排调度中心；
预警系统：根据所述减排调度中心发送的指令进行预警警示；
减排调度中心：对所述热环境数据、所述第二热环境数据、所述第一数据组、所述第二数据组、所述第三数据组和所述第四数据组进行数据处理获取处理数据，根据多级规则库与处理数据生成发送指令和/或进行所述多级规则库的补入。
2.根据权利要求1所述的基于多形态信息融合的智能减排系统，其特征在于，对所述热环境数据、所述第一数据组、所述第二数据组、所述第三数据组和所述第四数据组进行数据处理获取处理数据，具体包括：
对所述热环境数据、所述第一数据组和所述第三数据组进行样本学习实现样本空间的扩大，并进行网络结构设计和网络参数训练；
对所述热环境数据、所述第一数据组和所述第三数据组进行表示学习，分级提取模态特征和故障特征，进行模态划分和模态辨识；
根据所述第二热环境数据、所述第二数据组和所述第四数据组进行自适应学习，进行所述网络结构和所述网络参数的主动更新；
构建所述多级规则库，并根据所述第二热环境数据、所述第二数据组和所述第四数据组自适应学习的结果补入所述多级规则库。
3.根据权利要求2所述的基于多形态信息融合的智能减排系统，其特征在于，根据所述第二热环境数据、所述第二数据组和所述第四数据组进行自适应学习，具体包括：
所述第二热环境数据、所述第二数据和所述第四数据组进行“深度&宽度”并行学习，通过进行深度学习实现所述网络结构和所述网络参数的主动更新，通过进行宽度学习实现所述网络结构和所述网络参数的实时更新。
4.根据权利要求1所述的基于多形态信息融合的智能减排系统，其特征在于，所述补排水系统，具体包括：废水处理系统、水循环系统和废渣处理系统。
5.根据权利要求1或2所述的基于多形态信息融合的智能减排系统，其特征在于：
所述第一设定时间、所述第二设定时间和所述第三设定时间属于所述网络参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910123462.5A CN110119126B (zh) | 2019-02-18 | 2019-02-18 | 基于多形态信息融合的智能减排系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910123462.5A CN110119126B (zh) | 2019-02-18 | 2019-02-18 | 基于多形态信息融合的智能减排系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110119126A true CN110119126A (zh) | 2019-08-13 |
| CN110119126B CN110119126B (zh) | 2021-05-11 |
Family
ID=67520547
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910123462.5A Expired - Fee Related CN110119126B (zh) | 2019-02-18 | 2019-02-18 | 基于多形态信息融合的智能减排系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110119126B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201622466U (zh) * | 2010-03-17 | 2010-11-03 | 山东光辉数码科技有限公司 | 基于能效优化的建筑节能控制管理系统 |
| CN202746166U (zh) * | 2012-09-28 | 2013-02-20 | 成都迈尔斯登科技有限公司 | 一种炼钢厂转炉烟罩冷却水循环节能管控系统 |
| JP2013150473A (ja) * | 2012-01-20 | 2013-08-01 | Toshiba Corp | 電力系統の需給制御システム、需給制御装置及び需給制御プログラム |
| CN107071022A (zh) * | 2017-04-11 | 2017-08-18 | 南京林业大学 | 沼气实时监测系统 |
| CN108256830A (zh) * | 2018-01-27 | 2018-07-06 | 山东理工职业学院 | 基于云计算技术的城市节能减排管理系统 |
| CN108614548A (zh) * | 2018-04-03 | 2018-10-02 | 北京理工大学 | 一种基于多模态融合深度学习的智能故障诊断方法 |
-
2019
- 2019-02-18 CN CN201910123462.5A patent/CN110119126B/zh not_active Expired - Fee Related
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201622466U (zh) * | 2010-03-17 | 2010-11-03 | 山东光辉数码科技有限公司 | 基于能效优化的建筑节能控制管理系统 |
| JP2013150473A (ja) * | 2012-01-20 | 2013-08-01 | Toshiba Corp | 電力系統の需給制御システム、需給制御装置及び需給制御プログラム |
| CN202746166U (zh) * | 2012-09-28 | 2013-02-20 | 成都迈尔斯登科技有限公司 | 一种炼钢厂转炉烟罩冷却水循环节能管控系统 |
| CN107071022A (zh) * | 2017-04-11 | 2017-08-18 | 南京林业大学 | 沼气实时监测系统 |
| CN108256830A (zh) * | 2018-01-27 | 2018-07-06 | 山东理工职业学院 | 基于云计算技术的城市节能减排管理系统 |
| CN108614548A (zh) * | 2018-04-03 | 2018-10-02 | 北京理工大学 | 一种基于多模态融合深度学习的智能故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110119126B (zh) | 2021-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pan et al. | Fractional order fuzzy control of hybrid power system with renewable generation using chaotic PSO | |
| JP5215822B2 (ja) | エネルギーシステム制御装置および制御方法 | |
| CN110326008A (zh) | 将机器学习集成到控制系统中 | |
| Yu et al. | Stochastic optimal generation command dispatch based on improved hierarchical reinforcement learning approach | |
| Yasar | Optimization of reservoir operation using cuckoo search algorithm: example of Adiguzel Dam, Denizli, Turkey | |
| CN114066333A (zh) | 数据处理方法及装置 | |
| CN101801011A (zh) | 基于信誉评测机制的wsn安全路由方法 | |
| CN107121926A (zh) | 一种基于深度学习的工业机器人可靠性建模方法 | |
| CN109149648A (zh) | 一种自适应宽度动态规划智能发电控制方法 | |
| CN105320114A (zh) | 基于数据挖掘的火力发电站锅炉燃烧调整模型获取方法 | |
| Carvalho et al. | Industry 4.0-What Is It? | |
| Mohanty et al. | A hybrid chemical reaction-particle swarm optimisation technique for automatic generation control | |
| CN111160755B (zh) | 一种基于dqn的飞机大修车间实时调度方法 | |
| Uguz et al. | A new algorithm based on artificial bee colony algorithm for energy demand forecasting in Turkey | |
| CN115239133A (zh) | 基于分层强化学习的多热源供热系统协同优化调度方法 | |
| Liu et al. | Multi-agent quantum-inspired deep reinforcement learning for real-time distributed generation control of 100% renewable energy systems | |
| Bai et al. | Evaluation for development effect of enterprise innovation with neural network from low-carbon economy | |
| CN110119126A (zh) | 基于多形态信息融合的智能减排系统 | |
| CN110705756B (zh) | 一种基于输入凸神经网络的电力能耗优化控制方法 | |
| Wang et al. | Multi-objective optimal scheduling of laminar cooling water supply system for hot rolling mills driven by digital twin for energy-saving | |
| CN111401769A (zh) | 一种基于深度强化学习的配电网故障智能抢修方法及装置 | |
| CN114580864B (zh) | 针对综合能源系统的多元储能分配方法、系统及设备 | |
| Yang et al. | Short-Term Hydro Generation Scheduling of the Three Gorges Hydropower Station Using Improver Binary-coded Whale Optimization Algorithm | |
| Li et al. | Energy Management of Multiple Microgrids Considering Missing Measurements: A Novel MADRL Approach | |
| CN116667424A (zh) | 一种基于韧性提升的配电网二阶段鲁棒故障恢复方法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210511 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |