CN110245796A - 基于互联网模糊信息模型修正的区域空间负荷预测方法和系统及设备 - Google Patents
基于互联网模糊信息模型修正的区域空间负荷预测方法和系统及设备 Download PDFInfo
- Publication number
- CN110245796A CN110245796A CN201910506451.5A CN201910506451A CN110245796A CN 110245796 A CN110245796 A CN 110245796A CN 201910506451 A CN201910506451 A CN 201910506451A CN 110245796 A CN110245796 A CN 110245796A
- Authority
- CN
- China
- Prior art keywords
- load
- plot
- event
- model
- internet
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
-
- 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"
- G06Q10/043—Optimisation of two dimensional placement, e.g. cutting of clothes or wood
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明提供基于互联网模糊信息模型修正的区域空间负荷预测方法和系统及设备,结构简单,设计合理,通过对组成区域的地块的修正,实现对区域空间负载的准确和高效预测。本发明针对与地块负荷相关的互联网模糊信息,识别影响负荷预测结果的不确定性事件,建立各类事件对空间负荷造成影响的定量模型,应用互联网数据实现对常规空间负荷预测结果的修正,可以有效提高目标地块空间负荷预测精度,从而得到准确的区域空间负荷预测。
Description
技术领域
本发明涉及,具体为一种考虑互联网模糊信息模型修正的区域空间负荷预测方法及装置。
背景技术
人类已经进入了信息时代,互联网上蕴藏着丰富的数据和信息,可以反映相关自然条件和经济社会因素。互联网上最广泛存在的是以文本信息为主的模糊信息,如各类新闻报道、公开技术报告以及政策文件等,其中包含了反映当地大项目投入、工业用户发展状况等因素的内容。从电网规划的角度思考这些因素,其会影响规划区域内的地块空间负荷发展变化,空间负荷是指供电区域内的未来负荷的空间分布以及数值大小,空间负荷预测是配电网规划或者能源互联网规划的前提,预测结果通常用于确定规划方案中的设备配置容量,预测的精度直接影响规划方案的经济性及电网运行经济性。在负荷预测过程中,将传统空间负荷预测方法与上述互联网数据信息数据结合,可以帮助提高负荷预测精度,削弱电网规划边界的不确定性。
现阶段常用的针对地块的空间负荷预测,均是在给定的初始条件进行预测,多数只适用于负荷平稳发展的情况,而将有关互联网数据应用于空间负荷预测过程中的技术大多是针对互联网客观数据,如自然条件客观数据和经济社会因素客观数据等,这些数据均有明确的量化值,可以在此基础上对负荷预测结果进行一定程度的修正。
但是在电网规划建设过程中,会出现与地块负荷预测相关的不确定性事件,如大项目投入、工业用户发展状况发生巨大变化等,会造成负荷突变,使得负荷预测结果与实际负荷之间存在偏差,而这些事件的性质一般是互联网模糊信息,其特点是可以通过互联网获取,但是难以定量化。所以,以往规划人员在负荷预测过程中,一般忽略此类不确定事件对负荷的影响。
发明内容
针对现有技术中存在的问题,本发明提供基于互联网模糊信息模型修正的区域空间负荷预测方法和系统及设备,结构简单,设计合理,通过对组成区域的地块的修正,实现对区域空间负载的准确和高效预测。
本发明是通过以下技术方案来实现:
基于互联网模糊信息模型修正的区域空间负荷预测方法,包括如下步骤,
步骤1,采集规划区域内地块的历史负荷数据,通过空间负荷预测方法对地块负荷进行预测,得到各地块负荷初始预测值;
步骤2,根据各地块负荷初始预测值和负荷实际值,得到负荷相对误差超出误差阈值的目标地块;根据目标地块的标识信息识别影响地块空间负荷的互联网模糊信息,形成各目标地块的事件集合;
步骤3,对目标地块的事件集合中的事件分别建立事件影响因素量化模型;
步骤4,利用事件影响因素量化模型分别对目标地块的对空间负荷预测结果进行修正,得到目标地块最终负荷预测值;
步骤5,重复步骤3和4对所有的目标地块的空间负荷预测结果进行修改,得到各自对应最终负荷预测值,结合规划区域内满足误差阈值的地块的负荷初始预测值,完成基于互联网模糊信息模型修正的区域空间负荷预测。
优选的,步骤1中,地块的历史年负荷数据指历史年份中各历史年的最大负荷,采集的历史负荷数据经过数据处理和数据清洗过程;
需要采集的历史负荷数据至少包括10年以上的历史负荷数据,如果数据条件不具备10年的采集年度数量要求,则减少历史负荷数据采集年份至具备数据条件的采集年度数量最大值。
优选的,步骤1中,
所处的空间负荷预测方法采用支持向量回归方法、线性模型方法、指数模型方法或抛物线模型方法;
所处的空间负荷预测方法基于步骤地块历史负荷数据,构建地块负荷的初始预测模型,通过初始预测模型得到各地块负荷初始预测值。
优选的,步骤2的具体步骤如下,
步骤2.1,基于地块历史负荷数据计算负荷实际值Li与初始预测值之间的相对误差αj;相对误差
步骤2.2,对各地块的负荷预测相对误差进行排序,找出相对误差超出误差阈值的目标地块Bk,1≤k≤m;
步骤2.3,根据目标地块Bk的标识信息,通过互联网搜索相关信息,筛选影响负荷预测结果的事件,形成事件集合Μ。
进一步,目标地块的标识信息包括目标地块的地址、地块上企业的名称和年份信息。
进一步,所述事件集合Μ按照事件类型包括新增负荷事件Μ1和企业营收增长事件Μ2。
再进一步,步骤3中对目标地块的事件集合中的事件分别建立事件影响因素量化模型如下,
建立事件Μ1的量化模型;设地块负荷修正量为ΔL,报装容量为Pre,则事件Μ1影响因素量化模型为ΔL=kPre,其中k为比例系数;
建立事件Μ2的量化模型;设地块负荷修正比例为q,企业营收增长率为p,则事件Μ2影响因素量化模型为q=f(p)。
再进一步,步骤4中,利用事件影响因素量化模型分别对目标地块的对空间负荷预测结果进行修正如下,
基于事件Μ1修正的目标地块Bk的最终负荷预测值为:
基于事件Μ2修正的目标地块Bk最终负荷预测值为:
基于互联网模糊信息模型修正的区域空间负荷预测系统,包括:
采集模块,用于采集规划区域内的地块历史负荷数据;
数据处理模块,用于对采集的历史负荷数据进行数据处理;
负荷初始预测模块,基于历史负荷数据对地块空间负荷进行初始预测;
负荷修正模块,用于对影响负荷预测的事件进行量化,对地块负荷的初始预测值进行修正,并得到地块的最终负荷预测值;
区域空间负荷预测输出模块,用于将目标地块的最终负荷预测值和规划区域内满足误差阈值的地块的负荷初始预测值结合,输出区域空间负荷预测。
基于互联网模糊信息模型修正的区域空间负荷预测设备,包括用于存储程序的存储器,用于加载并执行存储器内存储程序的处理器;所述程序被处理器执行以完成上述任意一项所述的空间负荷预测方法。
与现有技术相比,本发明具有以下有益的技术效果:
本发明针对与地块负荷相关的互联网模糊信息,识别影响负荷预测结果的不确定性事件,建立各类事件对空间负荷造成影响的定量模型,应用互联网数据实现对常规空间负荷预测结果的修正,可以有效提高目标地块空间负荷预测精度,从而得到准确的区域空间负荷预测。
具体实施方式
下面结合具体的实施例对本发明做进一步的详细说明,所述是对本发明的解释而不是限定。
本发明基于互联网模糊信息模型修正的区域空间负荷预测方法,包括如下步骤,
1.采集规划区域内地块的历史负荷数据,应用常规空间负荷预测方法对地块负荷进行预测;
1.1.设规划区域内共有m个地块,地块编号为Bj(1≤j≤m),获取规划区域内各地块的历史年负荷数据Li(1≤i≤n);
1.2.基于历史年负荷数据Li应用常规空间负荷预测方法得到地块负荷初始预测值(y代表预测年份)。
2.识别影响地块空间负荷的互联网模糊信息,形成事件集合;
2.1.基于地块历史负荷数据计算负荷实际值Li与初始预测值之间的相对误差αj;
2.2.对各地块的负荷预测相对误差进行排序,找出相对误差超出误差阈值的目标地块Bk(1≤k≤m);
2.3.根据目标地块Bk的地址、地块上企业的名称、年份等信息,通过互联网搜索相关信息,筛选影响负荷预测结果的事件,形成事件集合Μ,其中事件类型分为两种类型,一是新增负荷事件Μ1,二是企业营收增长事件Μ2。
3.建立事件影响因素量化模型;
3.1.建立事件Μ1的量化模型。设地块负荷修正量为ΔL,报装容量为Pre,则事件Μ1影响因素量化模型为ΔL=kPre,其中k为比例系数;
3.2.建立事件Μ2的量化模型。设地块负荷修正比例为q,企业营收增长率为p,则事件Μ2影响因素量化模型为q=f(p);
4.对空间负荷预测结果进行修正,得到地块最终负荷预测值。
基于事件Μ1修正的地块Bk的最终负荷预测值为:
基于事件Μ2修正的地块Bk最终负荷预测值为:
步骤5,重复步骤3和4对所有的目标地块的空间负荷预测结果进行修改,得到各自对应最终负荷预测值,结合规划区域内满足误差阈值的地块的负荷初始预测值,完成基于互联网模糊信息模型修正的区域空间负荷预测。
具体的,基于互联网模糊信息模型修正的区域空间负荷预测方法,包括下述步骤:
步骤1:采集规划区域内地块的历史负荷数据,应用常规空间负荷预测方法对地块负荷进行预测;
步骤1-1:设规划区域内共有m个地块,地块编号为Bj(1≤j≤m),获取规划区域内各地块的历史年负荷数据Li(1≤i≤n);地块的历史年负荷数据指历史年份中各历史年的最大负荷,采集的历史负荷数据一般需要经过数据处理、数据清洗等过程,为提高步骤1-2中的预测模型精确度,需要采集的历史负荷数据至少应包括10年以上的历史负荷数据,如果数据条件不具备,可减少历史负荷数据采集年份。
步骤1-2:基于历史年负荷数据Li应用常规空间负荷预测方法得到地块负荷初始预测值(y代表预测年份),常规空间负荷预测方法可用支持向量回归、线性模型、指数模型、抛物线模型等方法,这些方法基于步骤1-1的地块历史负荷数据,构建地块负荷的预测模型,通过初始预测模型可以得到地块负荷预测值,并可在此基础上比较地块的历史负荷实际值与预测值,从而计算得到步骤2-1所述的地块负荷的预测相对误差。
步骤2:识别影响地块空间负荷的互联网模糊信息,形成事件集合;
步骤2-1:基于地块历史负荷数据计算负荷实际值Li与初始预测值之间的相对误差αj,相对误差
步骤2-2:对各地块的负荷预测相对误差进行排序,找出相对误差超出误差阈值的目标地块Bk(1≤k≤m),相对误差的大小程度可根据整体负荷预测结果判断,以便筛选相对误差超出误差阈值的目标地块。
步骤2-3:根据目标地块Bk的地址、地块上企业的名称、年份等信息,通过互联网搜索相关信息,筛选影响负荷预测结果的事件,形成事件集合Μ,其中事件类型分为两种类型,一是新增负荷事件Μ1,二是企业营收增长事件Μ2。
步骤3:建立事件影响因素量化模型;
步骤3-1:建立事件Μ1的量化模型。由于新增负荷多种多样,包括不同产业的工厂、生产线等,而新增负荷的用户报装容量较易获取,所以对于新增负荷基于报装容量建立影响模型。报装容量是预计未来新增负荷的上限,通常新增负荷的第一年不会达到报装容量,但存在一定的比例关系,因此建立报装容量与所需修正量之间的定量关系。设地块负荷修正量为ΔL,报装容量为Pre,则事件Μ1影响因素量化模型为ΔL=kPre,其中k为比例系数,k值通过比较历史负荷数据与历史报装容量得出。
步骤3-2:建立事件Μ2的量化模型。设地块负荷修正比例为q,企业营收增长率为p,则事件Μ2影响因素量化模型为q=f(p),该模型为一元相关模型,以企业营收增长率为自变量,以负荷修正比例为因变量。建立该模型的数据基础是企业历史营收额数据以及历史负荷数据,获取到上述数据后,可在对数据进行处理分析的基础上,建立诸如线性模型、指数模型、抛物线模型等模型。
步骤4:对空间负荷预测结果进行修正,得到地块最终负荷预测值。
基于事件Μ1修正的地块Bk的最终负荷预测值为:
基于事件Μ2修正的地块Bk最终负荷预测值为:
步骤5,重复步骤3和4对所有的目标地块的空间负荷预测结果进行修改,得到各自对应最终负荷预测值,结合规划区域内满足误差阈值的地块的负荷初始预测值,完成基于互联网模糊信息模型修正的区域空间负荷预测。
本发明基于互联网模糊信息模型修正的区域空间负荷预测系统,包括:
采集模块,用于采集规划区域内的地块历史负荷数据;
数据处理模块,用于对采集的历史负荷数据进行数据处理;
负荷初始预测模块,基于历史负荷数据对地块空间负荷进行初始预测;
负荷修正模块,用于对影响负荷预测的事件进行量化,对地块负荷的初始预测值进行修正,并得到地块的最终负荷预测值。
区域空间负荷预测输出模块,用于将目标地块的最终负荷预测值和规划区域内满足误差阈值的地块的负荷初始预测值结合,输出区域空间负荷预测。
本发明基于互联网模糊信息模型修正的地块空间负荷预测设备,包括用于存储程序的存储器,用于加载并执行存储器内存储程序的处理器;所述程序被处理器执行以完成任意一项技术方案所述的空间负荷预测方法。
本发明所述的考虑互联网模糊信息模型修正的地块空间负荷预测方法应用于某区域的空间负荷预测,将预测值与历史实际值相比,发现应用该方法得到的地块空间负荷误差可以显著降低,说明本发明经过试用证明可行,效果良好。
Claims (10)
1.基于互联网模糊信息模型修正的区域空间负荷预测方法,其特征在于,包括如下步骤,
步骤1,采集规划区域内地块的历史负荷数据,通过空间负荷预测方法对地块负荷进行预测,得到各地块负荷初始预测值;
步骤2,根据各地块负荷初始预测值和负荷实际值,得到负荷相对误差超出误差阈值的目标地块;根据目标地块的标识信息识别影响地块空间负荷的互联网模糊信息,形成各目标地块的事件集合;
步骤3,对目标地块的事件集合中的事件分别建立事件影响因素量化模型;
步骤4,利用事件影响因素量化模型分别对目标地块的对空间负荷预测结果进行修正,得到目标地块最终负荷预测值;
步骤5,重复步骤3和4对所有的目标地块的空间负荷预测结果进行修改,得到各自对应最终负荷预测值,结合规划区域内满足误差阈值的地块的负荷初始预测值,完成基于互联网模糊信息模型修正的区域空间负荷预测。
2.根据权利要求1所述的基于互联网模糊信息模型修正的区域空间负荷预测方法,其特征在于,步骤1中,地块的历史年负荷数据指历史年份中各历史年的最大负荷,采集的历史负荷数据经过数据处理和数据清洗过程;
需要采集的历史负荷数据至少包括10年以上的历史负荷数据,如果数据条件不具备10年的采集年度数量要求,则减少历史负荷数据采集年份至具备数据条件的采集年度数量最大值。
3.根据权利要求1所述的基于互联网模糊信息模型修正的区域空间负荷预测方法,其特征在于,步骤1中,
所处的空间负荷预测方法采用支持向量回归方法、线性模型方法、指数模型方法或抛物线模型方法;
所处的空间负荷预测方法基于步骤地块历史负荷数据,构建地块负荷的初始预测模型,通过初始预测模型得到各地块负荷初始预测值。
4.根据权利要求1所述的基于互联网模糊信息模型修正的区域空间负荷预测方法,其特征在于,步骤2的具体步骤如下,
步骤2.1,基于地块历史负荷数据计算负荷实际值Li与初始预测值之间的相对误差αj;相对误差
步骤2.2,对各地块的负荷预测相对误差进行排序,找出相对误差超出误差阈值的目标地块Bk,1≤k≤m;
步骤2.3,根据目标地块Bk的标识信息,通过互联网搜索相关信息,筛选影响负荷预测结果的事件,形成事件集合Μ。
5.根据权利要求1或4所述的基于互联网模糊信息模型修正的区域空间负荷预测方法,其特征在于,目标地块的标识信息包括目标地块的地址、地块上企业的名称和年份信息。
6.根据权利要求4所述的基于互联网模糊信息模型修正的区域空间负荷预测方法,其特征在于,所述事件集合Μ按照事件类型包括新增负荷事件Μ1和企业营收增长事件Μ2。
7.根据权利要求6所述的基于互联网模糊信息模型修正的区域空间负荷预测方法,其特征在于,步骤3中对目标地块的事件集合中的事件分别建立事件影响因素量化模型如下,
建立事件Μ1的量化模型;设地块负荷修正量为ΔL,报装容量为Pre,则事件Μ1影响因素量化模型为ΔL=kPre,其中k为比例系数;
建立事件Μ2的量化模型;设地块负荷修正比例为q,企业营收增长率为p,则事件Μ2影响因素量化模型为q=f(p)。
8.根据权利要求7所述的基于互联网模糊信息模型修正的区域空间负荷预测方法,其特征在于,步骤4中,利用事件影响因素量化模型分别对目标地块的对空间负荷预测结果进行修正如下,
基于事件Μ1修正的目标地块Bk的最终负荷预测值为:
基于事件Μ2修正的目标地块Bk最终负荷预测值为:
9.基于互联网模糊信息模型修正的区域空间负荷预测系统,其特征在于,包括:
采集模块,用于采集规划区域内的地块历史负荷数据;
数据处理模块,用于对采集的历史负荷数据进行数据处理;
负荷初始预测模块,基于历史负荷数据对地块空间负荷进行初始预测;
负荷修正模块,用于对影响负荷预测的事件进行量化,对地块负荷的初始预测值进行修正,并得到地块的最终负荷预测值;
区域空间负荷预测输出模块,用于将目标地块的最终负荷预测值和规划区域内满足误差阈值的地块的负荷初始预测值结合,输出区域空间负荷预测。
10.基于互联网模糊信息模型修正的区域空间负荷预测设备,其特征在于,包括用于存储程序的存储器,用于加载并执行存储器内存储程序的处理器;所述程序被处理器执行以完成权利要求1-8任意一项所述的空间负荷预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910506451.5A CN110245796A (zh) | 2019-06-12 | 2019-06-12 | 基于互联网模糊信息模型修正的区域空间负荷预测方法和系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910506451.5A CN110245796A (zh) | 2019-06-12 | 2019-06-12 | 基于互联网模糊信息模型修正的区域空间负荷预测方法和系统及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110245796A true CN110245796A (zh) | 2019-09-17 |
Family
ID=67886869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910506451.5A Pending CN110245796A (zh) | 2019-06-12 | 2019-06-12 | 基于互联网模糊信息模型修正的区域空间负荷预测方法和系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110245796A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103514491A (zh) * | 2013-10-18 | 2014-01-15 | 国网四川省电力公司自贡供电公司 | 一种电力负荷预测方法 |
CN103778486A (zh) * | 2014-02-28 | 2014-05-07 | 国家电网公司 | 一种配电网负荷预测方法 |
-
2019
- 2019-06-12 CN CN201910506451.5A patent/CN110245796A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103514491A (zh) * | 2013-10-18 | 2014-01-15 | 国网四川省电力公司自贡供电公司 | 一种电力负荷预测方法 |
CN103778486A (zh) * | 2014-02-28 | 2014-05-07 | 国家电网公司 | 一种配电网负荷预测方法 |
Non-Patent Citations (1)
Title |
---|
郭艳飞等: "基于支持向量机和互联网信息修正的空间负荷预测方法", 《中国电力》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110400021B (zh) | 银行网点现金用量预测方法及装置 | |
CN110060144A (zh) | 额度模型训练方法、额度评估方法、装置、设备及介质 | |
CN108647914A (zh) | 生产排程方法、装置、计算机设备和存储介质 | |
CN110298539A (zh) | 任务数据处理方法、装置、计算机设备及存储介质 | |
CN103425564B (zh) | 一种智能手机软件使用预测方法 | |
CN116523262B (zh) | 基于大数据的生产计划智能规划方法、系统和介质 | |
Karabulut et al. | Long term energy consumption forecasting using genetic programming | |
CN104933621A (zh) | 一种担保圈的大数据分析系统和方法 | |
CN114841476A (zh) | 城市雨水资源利用时空动态调配与交易方法及系统 | |
US20230251617A1 (en) | Methods and systems for greenspace cultivation and management in smart cities based on internet of things | |
CN110390563A (zh) | 用户价值的量化方法、装置、计算机设备和存储介质 | |
CN109685275A (zh) | 配送团队负载压力预测方法、装置、电子设备及存储介质 | |
CN114399235B (zh) | 一种基于雨情数据判定灾害风险等级的方法及系统 | |
Khuntia et al. | Risk‐based security assessment of transmission line overloading considering spatio‐temporal dependence of load and wind power using vine copula | |
CN115271041A (zh) | 一种电力服务话务量预测方法 | |
CN110225541A (zh) | 基站站点物理信息管理方法、系统、计算机及可存储介质 | |
CN109615115A (zh) | 一种面向任务可靠性的集成生产任务调度方法 | |
CN112257958A (zh) | 一种电力饱和负荷预测方法及装置 | |
CN110245796A (zh) | 基于互联网模糊信息模型修正的区域空间负荷预测方法和系统及设备 | |
Fielder et al. | Large-scale fish movement affects metrics of management importance as indicated by quantitative stock assessment | |
CN111339157A (zh) | 一种配电网日运行效率计算及预测方法、系统及设备 | |
CN103455525B (zh) | 基于用户的搜索推广行为确定推广帐号状态的方法与设备 | |
CN110413482A (zh) | 检测方法和装置 | |
CN114897319A (zh) | 一种水资源环境承载力评价与预警指标体系构建方法 | |
CN111667112B (zh) | 一种渔业资源丰度灰色预测模型优化方法及其应用 |
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: 20190917 |