CN110147808A - 一种新型电池成组筛选方法 - Google Patents

一种新型电池成组筛选方法 Download PDF

Info

Publication number
CN110147808A
CN110147808A CN201910232675.1A CN201910232675A CN110147808A CN 110147808 A CN110147808 A CN 110147808A CN 201910232675 A CN201910232675 A CN 201910232675A CN 110147808 A CN110147808 A CN 110147808A
Authority
CN
China
Prior art keywords
battery
matrix
classification
screening technique
groups
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
CN201910232675.1A
Other languages
English (en)
Inventor
杨泓奕
黄亮
张锐明
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN201910232675.1A priority Critical patent/CN110147808A/zh
Publication of CN110147808A publication Critical patent/CN110147808A/zh
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/34—Sorting according to other particular properties
    • B07C5/344—Sorting according to other particular properties according to electric or electromagnetic properties
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Genetics & Genomics (AREA)
  • General Health & Medical Sciences (AREA)
  • Physiology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了一种新型电池成组筛选方法，对电池筛选系统加装对应的测量模块，通过测量模块测量相应的数据，并对得到的数据进行处理，根据基于遗传算法的K‑means算法重新计算类别，同时将同一批电池的不同运算回合的结果保留下来，并进行比对，选出最佳的结果，即为适应度最大的个体，并将该信号传递给分类控制系统，分类控制系统执行分类操作，同时将分类结果输出到人机交互界面。本发明结合了因子分析、遗传算法以及K‑means算法的优点，准确得把一致性接近的单体电池划分到同一类，解决了单体电池的性能不一致使后期电池成组困难的问题；本发明还具准确度更高、运算速度快、收敛速度快的优点。

Description

一种新型电池成组筛选方法
技术领域
本发明属于电池处理技术领域，具体涉及一种新型电池成组筛选方法。
背景技术
步入21世纪以来，电池行业得到了迅速发展，随着国家对电池产业的大力扶持，未来的10年内将会有大量的电池产品投入市场，但问题也会随之而来。其中如何处理单体电池一致性问题就是一个重要问题。尤其是针对相同一致性的退役电池的筛选，一台电动汽车的动力电池包含有数百乃至上千的单体电池，经过长时间的使用后，各单体电池的性能衰减，单体电池的不一致性明显。但是这些单体电池并非完全报废，存在剩余价值。因此如何筛选这些退役动力电池显得尤为关键。
目前企业对电池分类的方法比较简单，仅仅是按照电池的类型，出产厂家和表面破损程度等进行机械分类。针对那些难以利用的退役电池直接拆解，这样不仅消耗了不必要的能量，而且对环境污染较大。而当前电池分类方法的研究主要是多参数分选法和动态参数分选法，而多参数分选法目前研究较多的是基于密度的分类方法，该种方法如果样本密度不均匀，聚类中心间距相差很大时，分类质量差；其计算方法比较复杂，需要对距离阈值，邻域样本数阈值联合调参，不同的参数组合对最后的聚类效果有较大影响。而动态参数分类法中需要对电池的充放进行检测，同时取大量的数据点，这样导致运算量极大，甚至会出现难以收敛的情况。
发明内容
本发明的目的是提供一种新型电池成组筛选方法，能够准确得把一致性接近的单体电池划分到同一类，解决了单体电池的性能不一致使后期电池成组困难的问题。
本发明所采用的技术方案是，一种新型电池成组筛选方法，对电池筛选系统加装对应的测量模块，通过测量模块测量相应的数据，并对得到的数据进行处理，根据基于遗传算法的K-means算法重新计算类别，同时将同一批电池的不同运算回合的结果保留下来，并进行比对，选出最佳的结果，即为适应度最大的个体，并将该信号传递给分类控制系统，分类控制系统执行分类操作，同时将分类结果输出到人机交互界面。
本发明的特征还在于：
一种新型电池成组筛选方法，具体按照以下步骤实施：
步骤1、采集电池内部参数数据，并将该参数数据预处理为矩阵N；
步骤2、对矩阵N进行正交化处理得到标准化矩阵A；
步骤3、通过主成分分析法得到矩阵A的特征值λi，i＝1,2....m和特征向量ηj，j＝1,2...m,取累计贡献率大于85％前p个特征值；
步骤4、根据特征值λi、特征向量ηi,i＝1,2...m、p个特征值求出载荷矩阵Λ1，对载荷矩阵Λ1进行正交化处理得矩阵Λ2；
步骤5、利用回归分析法求得因子得分系数矩阵将所有的因子得分系数矩阵采用因子分析法合成为一个电池总因子式F；
步骤6、采用遗传算法中的K-means算法对电池总因子进行筛选。
电池内部参数包括电池内阻、开路电压信号、电池自放电率、充放电容量。
预处理具体过程为：将原来离散未进行排列的数据，按照行代表同一节电池，列属于相同属性为原则进行简单的排列。
步骤6具体过程为：
步骤6.1、设置种群大小、交叉概率、变异概率、最大迭代数；
步骤6.2、将电池随机分出K个不同的类G1、G2…GK，计算出每个类中电池总因子的算术平均值，将该值作为此类的聚类中心；
步骤6.3、将K个聚类中心依次排序组成染色体，计算各个染色体的适用度，对染色体进行选择、交叉、变异、K-means聚类操作，产生新一代的群体，不断重复上述操作，直到达到最大迭代数；
步骤6.4、计算最新一代群体的适应度，并对适应度最大的个体进行K-means聚类，分出K组电池。
本发明的有益效果是，
本发明为一种新型电池成组筛选方法，结合了因子分析、遗传算法以及K-means算法的优点，准确得把一致性接近的单体电池划分到同一类，解决了单体电池的性能不一致使后期电池成组困难的问题；可供用户自行选择电池的参数指标进行分类，没有参数数量上的限制，用户也可根据自己的实际需要，自行设定合理的分类数，以贴合电池成组的需要；本发明还具准确度更高、运算速度快、收敛速度快的优点。
附图说明
图1为本发明一种新型电池成组筛选方法流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明采用一种新型电池成组筛选方法，对电池筛选系统加装对应的测量模块，通过测量模块测量相应的数据，并对得到的数据进行处理，根据基于遗传算法的K-means算法重新计算类别，同时将同一批电池的不同运算回合的结果保留下来，并进行比对，选出最佳的结果，即为适应度最大的个体，并将该信号传递给分类控制系统，分类控制系统执行分类操作，同时将分类结果输出到人机交互界面。
本发明一种新型电池成组筛选方法，如图1所示，具体按照以下步骤实施：
步骤1、采集电池内部参数数据，并将该参数数据预处理为矩阵N。
电池内部参数包括电池内阻、开路电压信号、电池自放电率、充放电容量。
预处理具体过程为：将原来离散未进行排列的数据，按照行代表同一节电池，列属于相同属性为原则进行简单的排列。
步骤2、对矩阵N进行正交化处理得到标准化矩阵A。
步骤3、通过主成分分析法得到矩阵A的特征值λi，i＝1,2....m和特征向量ηj，j＝1,2...m,取累计贡献率大于85％前p个特征值。
步骤4、根据特征值λi、特征向量ηi，i＝1,2...m、p个特征值求出载荷矩阵Λ1，对载荷矩阵Λ1进行正交化处理得矩阵Λ2。
步骤5、利用回归分析法求得因子得分系数矩阵将所有的因子得分系数矩阵采用因子分析法合成为一个电池总因子式F。
步骤6、采用遗传算法中的K-means算法对电池总因子进行筛选。
具体过程为：设置种群大小、交叉概率、变异概率、最大迭代数；将电池随机分出K个不同的类G1、G2…GK，计算出每个类中电池总因子的算术平均值，将该值作为此类的聚类中心；将K个聚类中心依次排序组成染色体，计算各个染色体的适用度，对染色体进行选择、交叉、变异、K-means聚类操作，产生新一代的群体，不断重复上述操作，直到达到最大迭代数；计算最新一代群体的适应度，并对适应度最大的个体进行K-means聚类，分出K组电池。
下面将结合具体公式对本发明进行进一步描述：
根据从电池回收中心以及电池行业相关企业取得的大量电池，然后测取电池各项参数，形成电池数据矩阵
对电池数据矩阵N进行标准化处理得到标准化处理后的矩阵A。
其中μ和S分别为每个参数样本均值和样本方差。
对标准化矩阵A进行因子分析。
先求得载荷矩阵Λ1以及相关系数矩阵R，并同时对Λ1进行正交化处理得到Λ2。利用Λ2和R计算出相应的因子得分系数矩阵最终求得电池总因子F。
其过程如下：
采用主成分分析法得到数据矩阵N的特征值λi(i＝1,2....m)和特征向量ηi(i＝1,2...m),取累计贡献率大于85％前k个特征值，同时求出载荷矩阵Λ1。
并将其正交化得Λ2：
Λ2＝Λ1T (5)
其中T为正交矩阵。
利用回归法求出因子得分系数矩阵
表示第a节电池的第b个参数标准化数值。
其中相关系数βij(i＝1,2,...,n,j＝1,2,..,k)的计算如下：
R＝ATA (8)
其中R-1为相关系数矩阵的逆矩阵，AT为电池标准数据矩阵的转置矩阵。
其利用因子分析法求出电池的总因子公式：
其中为利用回归法求得的因子得分系数矩阵；
利用电池筛选系统自带的基于遗传算法的K-means算法对电池总因子进行筛选，一个电池总因子对应着一节电池。把筛选后的筛选结果反馈给电池分类控制器，让控制器自行分类。
当用户对筛选的参数有特定需求时，可以直接在系统上导入自己所需要的电池参数数据，系统根据自带的算法可以重新计算分类结果。
其中，系统可以为筛选控制器系统，也可以是安装有此系统的企业筛选云平台、平板电脑，或者是后台服务器。
采集电池的电池参数，这些参数有电池开路电压、电池内阻、电池自放电率、充放倍率。如果用户还有其他参数需求，可以自行寻找大量的数据源，将它导入系统即可分类。
现假设需要针对100节电池进行分类，电池参量为开路电压和内阻，分类的数目为10类，那么首先要获得有关开路电压和内阻的电池数据。将数据导入系统后，系统会针对这两个电池参数的数据，形成一个电池数据矩阵。
系统通过对该电池数据矩阵进行因子分析后，我们会得到一个电池的总因子公式，该公式包含了所有对电池总体较为重要的电池参数，会舍弃影响较小的电池参数。该电池总因子公式表达的是所对应电池的综合性能。
有100节电池，那么对应着100个电池总因子，假设这100个电池总因子的数值区间为[30,90],那么通过基于遗传算法的K-means算法可以得到对应的10类，需要注意的是此种分类数并不是将电池总因子数值区间划分来的，而是根据电池的综合性能，找出数据聚集中心，将数据点划分给距离自己最近的聚类中心的那一类。通过遗传算法的不断迭代，得出聚类结果。最后系统将分类信息反馈给电池分类控制器，控制器就会根据分类结果，自动给电池分类。
通过上述原理的描述，本发明为一种新型电池成组筛选方法，对电池筛选系统加装对应的测量模块，通过测量模块测量相应的数据，并对得到的数据进行处理，根据基于遗传算法的K-means算法重新计算类别，同时将同一批电池的不同运算回合的结果保留下来，并进行比对，选出最佳的结果，即为适应度最大的个体，并将该信号传递给分类控制系统，分类控制系统执行分类操作，同时将分类结果输出到人机交互界面。结合了因子分析、遗传算法以及K-means算法的优点，准确得把一致性接近的单体电池划分到同一类，解决了单体电池的性能不一致使后期电池成组困难的问题；可供用户自行选择电池的参数指标进行分类，没有参数数量上的限制，用户也可根据自己的实际需要，自行设定合理的分类数，以贴合电池成组的需要；本发明还具准确度更高、运算速度快、收敛速度快的优点。

Claims (5)

1.一种新型电池成组筛选方法，其特征在于，对电池筛选系统加装对应的测量模块，通过测量模块测量相应的数据，并对得到的数据进行处理，根据基于遗传算法的K-means算法重新计算类别，同时将同一批电池的不同运算回合的结果保留下来，并进行比对，选出最佳的结果，即为适应度最大的个体，并将该信号传递给分类控制系统，分类控制系统执行分类操作，同时将分类结果输出到人机交互界面。
2.根据权利要求1所述一种新型电池成组筛选方法，其特征在于，具体按照以下步骤实施：
步骤1、采集电池内部参数数据，并将该参数数据预处理为矩阵N；
步骤2、对矩阵N进行正交化处理得到标准化矩阵A；
步骤3、通过主成分分析法得到矩阵A的特征值λi，i＝1,2....m和特征向量ηj，j＝1,2...m,取累计贡献率大于85％前p个特征值；
步骤4、根据特征值λi、特征向量ηi，i＝1,2...m、p个特征值求出载荷矩阵Λ1，对载荷矩阵Λ1进行正交化处理得矩阵Λ2；
步骤5、利用回归分析法求得因子得分系数矩阵将所有的因子得分系数矩阵采用因子分析法合成为一个电池总因子式F；
步骤6、采用遗传算法中的K-means算法对电池总因子进行筛选。
3.根据权利要求2所述一种新型电池成组筛选方法，其特征在于，步骤1中所述电池内部参数包括电池内阻、开路电压信号、电池自放电率、充放电容量。
4.根据权利要求2所述一种新型电池成组筛选方法，其特征在于，步骤1中所述预处理具体过程为：将原来离散未进行排列的数据，按照行代表同一节电池，列属于相同属性为原则进行简单的排列。
5.根据权利要求2所述一种新型电池成组筛选方法，其特征在于，步骤6具体过程为：
步骤6.1、设置种群大小、交叉概率、变异概率、最大迭代数；
步骤6.2、将电池随机分出K个不同的类G1、G2…GK，计算出每个类中电池总因子的算术平均值，将该值作为此类的聚类中心；
步骤6.3、将K个聚类中心依次排序组成染色体，计算各个染色体的适用度，对染色体进行选择、交叉、变异、K-means聚类操作，产生新一代的群体，不断重复上述操作，直到达到最大迭代数；
步骤6.4、计算最新一代群体的适应度，并对适应度最大的个体进行K-means聚类，分出K组电池。
CN201910232675.1A 2019-03-26 2019-03-26 一种新型电池成组筛选方法 Pending CN110147808A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910232675.1A CN110147808A (zh) 2019-03-26 2019-03-26 一种新型电池成组筛选方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910232675.1A CN110147808A (zh) 2019-03-26 2019-03-26 一种新型电池成组筛选方法

Publications (1)

Publication Number Publication Date
CN110147808A true CN110147808A (zh) 2019-08-20

Family

ID=67588826

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910232675.1A Pending CN110147808A (zh) 2019-03-26 2019-03-26 一种新型电池成组筛选方法

Country Status (1)

Country Link
CN (1) CN110147808A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110579708A (zh) * 2019-08-29 2019-12-17 爱驰汽车有限公司 电池容量识别方法、装置、计算设备及计算机存储介质
CN111200168A (zh) * 2020-01-09 2020-05-26 杭州电子科技大学 一种基于放电曲线分析的铅蓄电池自动配组方法
CN112198435A (zh) * 2020-09-30 2021-01-08 安庆师范大学 一种锂离子电池配组方法
CN112287980A (zh) * 2020-10-14 2021-01-29 北方工业大学 基于典型特征向量的动力电池筛选方法
CN112290109A (zh) * 2020-10-30 2021-01-29 重庆长安新能源汽车科技有限公司 一种基于云平台的锂离子电池均衡维修方法
CN112547569A (zh) * 2021-02-22 2021-03-26 北京每日优鲜电子商务有限公司 物品分拣设备控制方法、装置、设备和计算机可读介质
WO2022062533A1 (zh) * 2020-09-24 2022-03-31 长鑫存储技术有限公司 半导体产品分级方法和分级系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106768933A (zh) * 2016-12-02 2017-05-31 上海电机学院 一种基于遗传算法的风电机组叶片故障诊断方法
CN108655028A (zh) * 2018-03-20 2018-10-16 中国电力科学研究院有限公司 一种基于模糊均值聚类算法对电池进行分类的方法及系统
CN109127472A (zh) * 2018-07-03 2019-01-04 哈尔滨理工大学 一种基于放电电压平台的fcm银锌电池分选方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106768933A (zh) * 2016-12-02 2017-05-31 上海电机学院 一种基于遗传算法的风电机组叶片故障诊断方法
CN108655028A (zh) * 2018-03-20 2018-10-16 中国电力科学研究院有限公司 一种基于模糊均值聚类算法对电池进行分类的方法及系统
CN109127472A (zh) * 2018-07-03 2019-01-04 哈尔滨理工大学 一种基于放电电压平台的fcm银锌电池分选方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
付媛等: "改进模糊C均值聚类算法及锂电池配组应用", 《河南科技大学学报(自然科学版)》 *
司守奎 等: "《数学建模算法与应用》", 31 May 2015, 北京：国防工业出版社 *
赖玉霞等: "基于遗传算法的K均值聚类分析", 《计算机工程》 *
陈燕虹等: "电动汽车锂离子动力电池分选方法研究", 《湖南大学学报(自然科学版)》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110579708A (zh) * 2019-08-29 2019-12-17 爱驰汽车有限公司 电池容量识别方法、装置、计算设备及计算机存储介质
CN110579708B (zh) * 2019-08-29 2021-10-22 爱驰汽车有限公司 电池容量识别方法、装置、计算设备及计算机存储介质
CN111200168A (zh) * 2020-01-09 2020-05-26 杭州电子科技大学 一种基于放电曲线分析的铅蓄电池自动配组方法
CN111200168B (zh) * 2020-01-09 2021-01-05 杭州电子科技大学 一种基于放电曲线分析的铅蓄电池自动配组方法
WO2022062533A1 (zh) * 2020-09-24 2022-03-31 长鑫存储技术有限公司 半导体产品分级方法和分级系统
CN112198435A (zh) * 2020-09-30 2021-01-08 安庆师范大学 一种锂离子电池配组方法
CN112198435B (zh) * 2020-09-30 2023-08-22 金陵科技学院 一种锂离子电池配组方法
CN112287980A (zh) * 2020-10-14 2021-01-29 北方工业大学 基于典型特征向量的动力电池筛选方法
CN112287980B (zh) * 2020-10-14 2023-06-23 北方工业大学 基于典型特征向量的动力电池筛选方法
CN112290109A (zh) * 2020-10-30 2021-01-29 重庆长安新能源汽车科技有限公司 一种基于云平台的锂离子电池均衡维修方法
CN112547569A (zh) * 2021-02-22 2021-03-26 北京每日优鲜电子商务有限公司 物品分拣设备控制方法、装置、设备和计算机可读介质

Similar Documents

Publication Publication Date Title
CN110147808A (zh) 一种新型电池成组筛选方法
Li et al. Adaptive multi-objective swarm fusion for imbalanced data classification
CN105224695B (zh) 一种基于信息熵的文本特征量化方法和装置及文本分类方法和装置
CN106845717B (zh) 一种基于多模型融合策略的能源效率评价方法
CN112037009A (zh) 一种基于随机森林算法的消费信贷场景的风险评估方法
CN103309953B (zh) 一种基于多rbfnn分类器集成的多样化图像标注和检索方法
CN108363810A (zh) 一种文本分类方法及装置
He et al. Feature selection for stock market analysis
CN106202431A (zh) 一种基于机器学习的Hadoop参数自动调优方法及系统
CN112613536B (zh) 一种基于smote和深度学习的近红外光谱柴油牌号识别方法
CN106228183A (zh) 一种半监督学习分类方法与装置
CN113887643B (zh) 一种基于伪标签自训练和源域再训练的新对话意图识别方法
CN103605711B (zh) 支持向量机分类器的构造方法及装置、分类方法及装置
CN107832412B (zh) 一种基于文献引用关系的刊物聚类方法
CN104966106A (zh) 一种基于支持向量机的生物年龄分步预测方法
CN106570537A (zh) 一种基于混淆矩阵的随机森林模型选择方法
CN111797267A (zh) 一种医学图像检索方法及系统、电子设备、存储介质
CN108595909A (zh) 基于集成分类器的ta蛋白靶向预测方法
Melendez-Melendez et al. An improved algorithm for partial clustering
Guo et al. Active semi-supervised K-means clustering based on silhouette coefficient
CN112508363B (zh) 基于深度学习的电力信息系统状态分析方法及装置
CN111832645A (zh) 基于离散型乌鸦差分协同搜索算法的分类数据特征选择方法
Kartal et al. Pattern layer reduction for a generalized regression neural network by using a self–organizing map
CN116050658A (zh) 一种光伏功率组合预测方法、装置、设备及介质
Purnomo et al. Synthesis ensemble oversampling and ensemble tree-based machine learning for class imbalance problem in breast cancer diagnosis

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: 20190820

RJ01 Rejection of invention patent application after publication