CN110543932A - 基于神经网络的空调性能预测方法和装置 - Google Patents
基于神经网络的空调性能预测方法和装置 Download PDFInfo
- Publication number
- CN110543932A CN110543932A CN201910741239.7A CN201910741239A CN110543932A CN 110543932 A CN110543932 A CN 110543932A CN 201910741239 A CN201910741239 A CN 201910741239A CN 110543932 A CN110543932 A CN 110543932A
- Authority
- CN
- China
- Prior art keywords
- data
- historical
- air conditioner
- matrix
- neural network
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本申请提出一种基于神经网络的空调性能预测方法和装置,其中方法,包括:数据获取步骤,获取空调的n个历史设计参数和对应的历史性能数据,其中,任一历史设计参数由m个不同类别的空调结构参数组成,任一历史性能数据由至少一个空调性能参数组成,历史设计参数和历史性能数据一一对应;模型建立步骤,建立BP神经网络模型,用历史设计参数和历史性能数据训练BP神经网络模型;性能预测步骤,将空调的待评测设计参数输入BP神经网络模型,将BP神经网络模型的输出值作为预期性能数据,本申请降低了空调开发过程中的试验成本和开发周期。
Description
技术领域
本申请涉及空调领域,特别涉及基于神经网络的空调性能预测方法和装置。
背景技术
在对空调进行设计时,需要先确定想要得到的空调的性能数据(例如制冷量、能效比),再通过分析推断出其稳定运行时的工况,然后确定出该产品的有关空调结构参数(压缩机功率、冷凝器面积等)。
在现有技术中,无法对空调的实际运行情况进行全面考虑,难以确定所有空调结构参数对于空调性能的影响,因此设计人员设计的空调在大规模投入市场之前,往往需要试制出很多的匹配空调样机进行实验完善,根据实验结果修订改善来弥补因设计造成的偏差。空调样机的制备、实际测试以及反复调试导致浪费了大量的水电资源,也造成了巨大的人力成本和时间成本的损失,同时也使空调的开发周期长,成本费用高。
因此,减少空调开发过程中的试验成本,降低空调的开发周期,是本领域亟待解决的问题。
发明内容
本申请提供了一种基于神经网络的空调性能预测方法和装置,用于降低空调开发过程中的试验成本,降低空调的开发周期。
为了解决上述问题,作为本申请的一个方面,提供了一种基于神经网络的空调性能预测方法,包括:
数据获取步骤,获取空调的n个历史设计参数和对应的历史性能数据,其中,任一历史设计参数由m个不同类别的空调结构参数组成,任一历史性能数据由至少一个空调性能参数组成,历史设计参数和历史性能数据一一对应;
模型建立步骤,建立BP神经网络模型,用历史设计参数和历史性能数据训练BP神经网络模型;
性能预测步骤,将空调的待评测设计参数输入BP神经网络模型,将BP神经网络模型的输出值作为预期性能数据。
可选的,空调结构参数包括:压缩机冷量、压缩机功率、蒸发器面积、冷凝器面积、节流型号、灌注量和室内环境温度、室外环境温度和负荷量;
和/或,空调性能参数包括:空调制冷制热量和空调能效比。
可选的,在数据获取步骤之前,在模型建立步骤之后,还包括:数据降维步骤;
数据降维步骤,用数据获取步骤中获取的n个历史设计参数建立历史数据矩阵Xn×m,采用PCA算法对历史数据矩阵Xn×m进行降维处理,得到主成分矩阵Zn×k,其中,历史数据矩阵Xn×m的任一行数据为一个历史设计参数,行数据中的任一元素为一个空调结构参数,n不小于m,k小于m。
可选的,数据降维步骤,包括:
对历史数据矩阵Xn×m进行中心标准化处理,得到中心标准化矩阵X* n×m;
求取中心标准化矩阵X* n×m的协方差矩阵Rm×m;
获取协方差矩阵Rm×m的m个特征值以及m个特征向量;
对m个特征值按从大到小依次排列得到特征值序列;
采用如下公式计算特征值序列中前k个特征值的累计贡献率:
其中CVk为累计贡献率,其中λi为特征值序列中第i个特征值,1≤i≤m;
调节k的数值,使得特征值序列中前k个特征值的累计贡献率大于预设贡献率;
用前k个特征值对应的特征向量组成转化矩阵Um×k={u1,u2..uk},其中ui为λi对应的特征向量;
计算得到主成分矩阵Zn×k,其中,Zn×k=X* n×m·Um×k。
可选的,当历史性能数据中包括至少2个空调性能参数时,数据降维步骤,还包括:
用数据获取步骤中获取的n个历史性能数据建立历史性能矩阵,采用PCA算法对历史性能矩阵进行降维处理,其中,历史性能矩阵的任一行数据为一个历史性能数据,历史性能矩阵的任一行数据中的任一元素为一个空调性能参数。
可选的,模型建立步骤,包括:
初始化BP神经网络模型,建立隐含层;
训练BP神经网络模型,从主成分矩阵Zn×k中选取h个行数据组成训练输入矩阵X1,从降维处理后的历史性能矩阵中获取与训练输入矩阵对应的行数据,作为训练输出矩阵Y1,其中,h不大于n;
对训练输入阵列和训练输出阵列进行归一化处理;
将训练输入矩阵中各个行数据作为输入层数据输入BP神经网络模型,计算得到输出值;
计算输出值与训练输出矩阵中对应的行数据之间的误差;
若误差的平方和大于误差容限,则调节BP神经网络模型中各节点的权重值,直到误差的平方和不大于误差容限。
可选的,模型建立步骤,还包括:
用主成分矩阵中不属于训练输入矩阵X1的行数据作为测试输入数据;
从降维处理后的历史性能矩阵中获取与测试输入矩阵对应的行数据,作为测试输出矩阵;
用测试输入数据和测试输出数据对BP神经网络模型进行测试。
可选的,模型建立步骤,包括:采用如下方式确定隐藏层的神经元个数M:
其中,a为输入层的神经元个数,b为输出层的神经元个数,c为0-10之间的常数;
或者,M=log2a,其中,a为输入层的神经元个数;
或者,M为满足的最小值,其中,a为输入成的神经元个数,d为预设值。
本申请还提出一种基于神经网络的空调性能预测装置,包括:
数据获取单元,用于获取空调的n个历史设计参数和对应的历史性能数据,其中,任一历史设计参数由m个不同类别的空调结构参数组成,任一历史性能数据由至少一个空调性能参数组成,历史设计参数和历史性能数据一一对应;
模型建立单元,用于建立BP神经网络模型,用历史设计参数和空调性能数据训练BP神经网络模型;
性能预测单元,用于将空调的待评测设计参数输入BP神经网络模型,将BP神经网络模型的输出值作为预期性能数据。
可选的,还包括:数据降维单元;
数据降维单元,用于采用数据获取单元中获取的n个历史设计参数建立历史数据矩阵Xn×m,采用PCA算法对历史数据矩阵Xn×m进行降维处理,得到主成分矩阵Zn×k,其中,历史数据矩阵Xn×m的任一行数据为一个历史设计参数,行数据中的任一元素为一个空调结构参数,n不小于m,k小于m。
本申请提出了一种基于神经网络的空调性能预测方法和装置,建立了BP神经网络模型,从而确定了不同类别的空调结构参数于空调性能数据之间的关系,因此开发人员在确定了待评测设计参数后,就可以预测出空调的性能数据,进而降低了空调开发过程中的试验成本和开发周期。特别的,本申请采用了PCA算法对作为输入层数据的历史设计参数进行了降维处理,原本历史设计参数中有m个空调结构参数,通过对数据进行降维处理,将数量较多而且相关关系不明确的若干个变量变为数量较少而且互不相关的主成分变量,从而去除了过于冗余的变量,得出主成分作为神经网络新的输出层数据,这样在对BP神经网络模型进行训练时,可以在不降低准确定的情况下大幅度减少收敛迭代次数,缩短开发周期,降低机组的开发成本。
附图说明
图1为本申请实施例中一种基于神经网络的空调性能预测方法流程图;
图2为本申请实施例中另一种基于神经网络的空调性能预测方法示意图;
图3为本申请实施例中另一种基于神经网络的空调性能预测方法流程图;
图4为本申请实施例中一种BP神经网络系统的结构图;
图5为本申请实施例中一种基于神经网络的空调性能预测装置组成图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、装置、产品或装置不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或装置固有的其它步骤或单元。
在现有技术中,在对空调进行设计时,需要确定空调结构参数,例如包括蒸发器面积、冷凝器面积和压缩机功率等,但是,在确定了空调结构参数后并不能准确的确定空调的性能数据(例如空调的制热制冷量),因此通常需要试制空调样机,通过实验确定空调的性能数据,这样导致空调的开发周期长,开发成本高。
实施例1:
为了解决上述问题,本申请提出了一种基于神经网络的空调性能预测方法,请参考图1,包括:
数据获取步骤,获取空调的n个历史设计参数和对应的历史性能数据,其中,任一历史设计参数由m个不同类别的空调结构参数组成,历史设计参数和历史性能数据一一对应;
模型建立步骤,建立BP(Back Propagation)神经网络模型,用历史设计参数和空调性能数据训练所述BP神经网络模型;
性能预测步骤,将空调的待评测设计参数输入BP神经网络模型,将BP神经网络模型的输出值作为预期性能数据。
具体的,n和m均不小于2,n优选大于m,历史性能参数是历史设计参数选择不同值时实际测定出的空调性能数据,因此一个特定的历史设计参数对应一个历史性能数据。历史设计参数是实际检测得到的数据,其包括压缩机冷量、压缩机功率、蒸发器面积、冷凝器面积、节流型号、灌注量和室内环境温度、室外环境温度和负荷量中的一个或多个,上述压缩机冷量、压缩机功率、蒸发器面积、冷凝器面积、节流型号、灌注量和室内环境温度、室外环境温度和负荷量就是不同类别的空调结构参数,在采用不同的空调的设计参数时,空调的性能数据不同,空调的历史性能数据就是采用具体的一个历史设计参数时实际测定得到空调性能数据,例如历史设计参数为压缩机的功率为200W,蒸发器面积为1平米时,对应的历史性能数据可以为空调的制冷量的具体值;也就是说历史设计参数和历史性能数据一一对应,且都是实际检测得到的。历史性能数据可以是由空调的制热制冷量和空调能效比中的一个或两个组成,也就是时候,历史性能数据可以是空调的制热制冷量或空调能效比,在得到了这些数据后,通过建立BP神经网络模型,确定历史设计参数和历史性能数据之间的具体对应关系,建立BP神经网络模型时,可以用历史设计参数作为输入层数据,用历史性能数据作为输出层数据对BP神经网络模型进行训练。在得到BP神经网络模型后就可以得知当采用不同的空调结构参数时能够得到的空调性能数据。因此开发人员将待评测设计参数输入BP神经网路模型的输入层进行计算,就可以得到预期性能数据,待评测设计参数是开发人员设计的不同类别的空调结构参数的具体值,预期性能数据是当空调采用待评测设计参数时估算出的空调性能参数的具体值,需要注意的是,待评测设计参数应当是由m个不同类别的空调结构参数组成,且待评测设计参数中的空调结构参数的类别与历史设计参数中空调结构参数的类别相同。举例而言,假设历史设计参数由压缩机冷量和冷凝器面积这两类空调结构参数组成,那么待评测设计参数也应当是由压缩机冷量和冷凝器面积这两类空调结构参数组成。同样的,预期性能数据与历史性能数据由相同个数且相同类别的空调性能参数组成,例如都可以包括制热制冷量或空调能效比。
本申请利用以往测定的历史设计参数和历史性能数据,建立了BP神经网络模型,从而确定了不同类别的空调结构参数于空调性能数据之间的关系,因此开发人员在确定了待评测设计参数后,就可以预测出空调的性能数据(即预期性能数据)。
实施例2:
在本申请的一些实施例中,请参看图2,在本实施例中,历史设计参数包括压缩机冷量、冷凝器面积、蒸发器面积、和室内环境温度、室外环境温度和负荷量这六个空调结构参数,此时历史性能数据为空调的制热制冷量(空调能力)以及空调的能效,空调的能效是空调的制热制冷量和空调功率的比值。
首先需要建立BP神经网络模型,确定隐含层的节点数M,可以采用公式其中,a为输入层的神经元个数,b为输出层的神经元个数,c为0-10之间的常数;在本实施例中,输入层的神经元个数等于历史设计参数中空调结构参数的类别数,也就是6,b等于历史性能数据中的空调性能参数的类别数,本实施例中为2。或者也可以采用,M=log2a确定隐含层的节点数,其中,a为输入层的神经元个数等于6;或者,M为满足的最小值,其中,a为输入层的神经元个数等于6,d为预设值,d可以选择等于历史设计参数的个数。根据上述三个公式确定隐含层的节点数为7-12个,隐含层的节点数越多计算越准确但复杂度越高。本实施例中以隐含层的节点数为12个为例。
将n个历史设计参数分为训练组(N个数据)和测试组(n-N个数据),相应的历史性能数据也分为训练组和测试组。因为历史设计参数中的空调结构参数的类别数为6,历史设计参数中训练组有N个数据,因此历史设计参数的训练组用一个N×6的矩阵表示,矩阵中每一个行数据为一个历史设计参数。同理,历史性能数据的训练组用一个N×2的矩阵表示,矩阵中每一个行数据为一个历史性能数据。对这两个矩阵都进行归一化处理。
建立BP神经网络模型,然后用归一化后的历史设计参数的训练组作为输入层数据,输入层的节点数等于历史设计参数中空调结构参数的类别数,即在本实施例中等于6,用归一化后的历史性能数据的训练组作为输出层数据,输出层的节点数等于历史性能数据中空调性能参数的类别数,在本实施例中等于2,对BP神经网络模型进行训练,在训练时的训练方法使用LM算法(Levenberg-Marquard算法),隐含层的传递函数使用Sigmoid函数,输出层的传递函数使用线性函数,训练时定义一个误差容限(例如可以是1×e-5),在对比BP神经网络进行训练时,分别为隐含层中各个节点设计权重,在输入层输入归一化后的历史设计参数的训练组的一个行数据x=(x1,x2,x3,x4,x5,x6),得到一个输出值y=(y1,y2),获取x在归一化后的历史性能数据的训练组的对应值z=(z1,z2),计算y和z之间的误差的平方和,误差的平方和等于(y1-z1)2+(y2-z2)2,当误差的平方和小于此误差容限时,算法收敛;另外可以定一个最大迭代次数(例如可以是5000),在BP神经网络模型的训练过程中,当迭代次数达到这个迭代次数即停止迭代。在迭代过程中,不断调节各个BP神经网络模型中各节点的权重,从而使得BP神经网络模型收敛。
然后进行测试,用历史设计参数中的测试组和历史性能数据中的测试组对建立的BP神经网络模型进行测试,以确保建立的模型可靠,需要注意的是,由于在建立BP神经网络模型时对输入层数据进行了归一化,所以在测试时也需要对输入的数据(历史设计参数的测试组和历史性能数据的测试组)进行归一化。当测试合格,即将历史设计参数的测试组输入采用BP神经网络模型后得到的结果,与历史性能数据中的测试组的误差的平方和小于误差容限,则将得到的BP神经网络模型进行封装。这样在开发人员需要对待评测设计参数进行评价时,例如待评测设计参数中的6个空调结构参数分别是压缩机冷量为P1、冷凝器面积为S1、蒸发器面积为S2、负荷量为S3、室内环境温度为T1、室外环境温度为T2,则将待评测设计参数输入已封装的BP神经网络模型,BP神经网络模型的输出层会输出预测的空调能力和空调能效。
实施例3:
本申请提出了另一种基于神经网络的空调性能预测方法,请参考图3,包括:
数据获取步骤,获取空调的n个历史设计参数和对应的历史性能数据,其中,任一历史设计参数由m个不同类别的空调结构参数组成,历史设计参数和历史性能数据一一对应;
数据降维步骤,用数据获取步骤中获取的n个历史设计参数建立历史数据矩阵Xn×m,采用PCA(Principal Component Analysis,主成分分析)算法对历史数据矩阵Xn×m进行降维处理,得到主成分矩阵Zn×k,其中,历史数据矩阵Xn×m的任一行数据为一个历史设计参数,行数据中的任一元素为一个空调结构参数,n不小于m,k小于m;
模型建立步骤,建立BP神经网络模型,用历史设计参数和空调性能数据训练所述BP神经网络模型;其中,用主成分矩阵Zn×k作为输入层数据。
性能预测步骤,将待评测设计参数输入BP神经网络模型,将BP神经网络模型的输出值作为预期性能数据。
具体的,待评测设计参数应当是由m个不同类别的空调结构参数组成,且待评测设计参数中的空调结构参数的类别与历史设计参数中空调结构参数的类别相同。预期性能数据与历史性能数据由相同个数且相同类别的空调性能参数组成,在本实施例中,在获取了历史设计参数后,采用了PCA算法对作为输入层数据的历史设计参数进行了降维处理,原本历史设计参数中有m个空调结构参数,通过对数据进行降维处理,将数量较多而且相关关系不明确的若干个变量(空调结构参数)变为数量较少而且互不相关的主成分变量,从而去除了过于冗余的变量(空调结构参数),得出主成分作为神经网络新的输入层数据,这样在对BP神经网络模型进行训练时,可以在不降低准确定的情况下大幅度减少收敛迭代次数,缩短开发周期,降低机组的开发成本。在本实施例中可以用历史性能参数作为BP神经网络模型输出层数据。
可选的,在一些可选的实施例中,空调结构参数包括:压缩机冷量、压缩机功率、蒸发器面积、冷凝器面积、节流型号、灌注量和室内环境温度、室外环境温度和负荷量;历史数据参数包括这些空调结构参数中的多个。可选的,空调性能参数包括:空调制冷制热量和空调能效比,也就是说历史性能数据包括空调制冷制热量和空调能效比中的一个或2个。
在一些可选的实施例中,数据降维步骤,包括:
对历史数据矩阵Xn×m进行中心标准化处理,得到中心标准化矩阵X* n×m;
具体的,先求出历史数据矩阵中每一列数据的平均值,然后用历史数据矩阵中的每一个元素减去该元素所在列的平均值,即得到中心标准化矩阵。
求取中心标准化矩阵X* n×m的协方差矩阵Rm×m;
具体的,Rm×m=X*T n×mX* n×m/(n-1)。
获取协方差矩阵Rm×m的m个特征值以及m个特征向量;
对m个特征值按从大到小依次排列得到特征值序列;
具体的,协方差矩阵的特征值分别为λ1>λ2…>λm,其中λi为从大到小第i个特征值。
采用如下公式计算特征值序列中前k个特征值的累计贡献率:
其中CVk为累计贡献率,其中λi为特征值序列中第i个特征值,1≤i≤m;
调节k的数值,使得特征值序列中前k个特征值的累计贡献率大于预设贡献率;
具体的,任一特征值的贡献率为该特征值与所有特征值总和的比值,先尝试k=1时,判断累计贡献率是否大于预设贡献率,预设贡献率可以设为85%,如果累计贡献率大于预设贡献率,则获取此时的k值,如果不大于,则逐渐增加k值,直到前k个特征值的累计贡献率是否大于预设贡献率,也就是说k是满足上述条件下的最小值。
用前k个特征值对应的特征向量组成转化矩阵Um×k={u1,u2..uk},其中ui为λi对应的特征向量;
具体的,λ1对应特征向量u1,λ2对应特征向量u2,每一个特征向量为m×1的矩阵。
计算得到主成分矩阵Zn×k,其中,Zn×k=X* n×m·Um×k。
具体的,在本实施例中,设置了累计贡献率,在对历史数据矩阵进行降维时容易损失数据,因此需要保证在降维的同时不明显损失精度,本申请通过保证累计贡献率大于预设贡献率,从而保证获取的转化矩阵在降低维度的同时不损失数据精度。
在一些可选的实施例中,当所述历史性能数据中包括至少2个空调性能参数时,所述数据降维步骤,还包括:
用所述数据获取步骤中获取的n个所述历史性能数据建立历史性能矩阵,采用PCA算法对所述历史性能矩阵进行降维处理,其中,所述历史性能矩阵的任一行数据为一个所述历史性能数据,历史性能矩阵的任一行数据中的任一元素为一个所述空调性能参数。
具体而言,假设历史性能数据中包括两个空调性能参数,则每一个历史性能数据为一个1×2的矩阵,则n个历史性能数据组成n×2的历史性能矩阵P,历史性能矩阵中每一个行数据为一个历史性能数据,与对历史数据矩阵进行降维处理相同,先对历史性能矩阵进行中心标准化得到P*,再求取中心标准化后矩阵的协方差矩阵R’,然后求取协方差矩阵的特征值,并对特征值从大到小排序,用其中累计贡献率大于预设值的前k’个特针值的特征向量组成转化矩阵U’,最后用P*乘U’得到历史性能数据的主成分矩阵Z’。
在一些可选的实施例中,模型建立步骤,包括:
初始化BP神经网络模型,建立隐含层;
训练BP神经网络模型,从所述主成分矩阵Zn×k中选取h个行数据组成训练输入矩阵X1,从降维处理后的历史性能矩阵中获取与所述训练输入矩阵对应的行数据,作为训练输出矩阵Y1,其中,h不大于n;
对所述训练输入阵列和所述训练输出阵列进行归一化处理;
将所述训练输入矩阵中各个行数据作为输入层数据输入所述BP神经网络模型,计算得到输出值;
计算所述输出值与所述训练输出矩阵中对应的行数据之间的误差;
若所述误差的平方和大于误差容限,则调节所述BP神经网络模型中各节点的权重值,直到所述误差的平方和不大于误差容限。
具体的,主成分矩阵Zn×k中每一个行数据为1×k的矩阵,所以训练输入矩阵X1为h×k矩阵,而训练输出矩阵的行数为h,训练输出矩阵的列数等于降维处理后的历史性能矩阵列数,例如历史性能参数如果由空调制冷制热量和空调能效这两个组成,降维处理后的历史性能矩阵中只有1列,则训练输出矩阵的列数为1。BP神经网络模型输入层的节点数等于k,输出层的节点数等于训练输出矩阵的列数。在对训练输入阵列和训练输出阵列进行归一化处理时,设定Xij 1=(Xij-Xjmin)/(Xjmax-Xjmin),Yij 1=(Yij-Y=jmin)/(Yjmax-Yjmin),式中:Xij 1为训练输入矩阵归一化后的元素,Xij为训练输入矩阵第i行第j列的元素,Ximin为训练输入矩阵中第j列输入的最小值,Xjmax为训练输入矩阵中第j列的最大值。Yij 1为训练输出矩阵归一化后的元素,Yij第j列训练输出矩阵中第i行第j列的元素,Yjmin为训练输出矩阵中第j列的最小值,Yjmax为训练输出矩阵中第j列的最大值。在初始化BP神经网络模型时,训练方法可使用LM算法,隐含层的传递函数可使用Sigmoid函数,输出层的传递函数可使用线性函数,本实施例中误差容限可设为e-5,在误差大于误差容限时,进行迭代,可以设定迭代次数超过预设次数时停止迭代。在每一次迭代中,通过调整BP神经网络模型隐含层节点的权重值从而调节误差。
在一些可选的实施例中,模型建立步骤,还包括:
用所述主成分矩阵中不属于训练输入矩阵X1的行数据作为测试输入数据;
从降维处理后的历史性能矩阵中获取与所述测试输入矩阵对应的行数据,作为测试输出矩阵;
用所述测试输入数据和所述测试输出数据对所述BP神经网络模型进行测试。
具体的,主成分矩阵中部分用作训练BP神经网络模型,部分用于进行测试,从而保证训练得到的BP神经网络模型足够精确。在进行测试时,获取训练输入矩阵中的各个行数据以及行数据对应的历史性能数据,将获取的行数据输入BP神经网络得到输出值,计算该输出值与行数据对应的测试输出矩阵中对应的行数据之间的误差的平方和,若该平方和小于或等于误差容限,则表明测试合格。
在一些可选的实施例中,模型建立步骤,包括:采用如下方式确定隐藏层的神经元个数M:
其中,a为输入层的神经元个数,b为输出层的神经元个数,c为0-10之间的常数;
或者,M=log2a,其中,a为输入层的神经元个数;
或者,M为满足的最小值,其中,a为输入成的神经元个数,d为预设值。其中d可以等于n。
实施例4:
本申请还提出另一空调性能的检测方法。
先找出所有影响机组新能和能效的空调结构参数,总共有压缩机冷量、压缩机功率、蒸发器面积、冷凝器面积、节流型号、灌注量、室内环境温度、室外环境温度和负荷量九个空调结构参数。然后获取以往记录的不同的空调结构参数对应的空调性能数据,分别作为历史设计参数和历史性能数据,其中任一一个历史设计参数包括压缩机冷量、压缩机功率、蒸发器面积、冷凝器面积、节流型号、灌注量、室内环境温度、室外环境温度和负荷量九个空调结构参数举例而言,表1为以往记录得到的不同的空调结构参数,则表1中每一行都是一个历史结构参数,一个历史结构参数可表示为1×9的矩阵。假设总共有70个历史结构参数,则可以用一个70×9的矩阵表示。
表1
然后通过PCA对影响机组能力和能效的所有空调结构参数利用矩阵分析降维处理数据,将多个特征转化为少数几个指示性更强的特征。提取出来的变量与初始数据集的关系为将数量较多而且相关关系不明确的若干个变量变为数量较少而且互不相关的主成分变量。除去过于冗余的变量,得出主要影响成分作为神经网络新的学习空间。
具体而言,采用PCA进行降维处理的具体过程如下:
(1)建立历史数据矩阵(n个历史设计参数,每一行代表一个历史设计参数,每一行有m个元素,每个变量为一个空调结构参数)
(2)对历史数据矩阵进行中心标准化处理得到中心标准化矩阵X* n×m:
式中:Xij *为中心标准化矩阵中第i行第j列的元素,Xij为历史数据矩阵中第i行第j列的元素,为第j列的平均值
(3)计算中心标准化矩阵X* n×m的协方差矩阵Rm×m:
Rm×m=Xm? *TXn */(n-1)
(4)计算协方差矩阵的特征值λ1>λ2…>λm,相应的特征向量为u1,u2..uk。
(5)定义第k个主元(空调结构参数)的贡献率为该主元对应的特征值比上总特征值之和。
式中:Vk为第k个主元的贡献率,λ1为第k个主元对应的特征值,为所有特征值之和。
(6)定义第k个主元的累计贡献率为前k个主元的特征值之和除以总特征值之和。式中:CVk为前k个主元的累计贡献率,为前k个主元的特征值之和。
(7)根据主成分提取方法提取k个主成分,主成分中含有m个原始变量的绝大部分信息。Um×k=[u1,u2…u2]由主成分对应的特征向量排列组成,则k个主成分构成的主成分矩阵Zn×k
Zn×k=X* n×m·Um×k
式中:X* n×m为历史数据矩阵经过中心标准化后得到的中心标准化矩阵,X* n×m乘上Um×k即可转换成主成分矩阵Zn×k,主成分矩阵是转化矩阵,即用于对历史数据矩阵进行降维处理用的矩阵。
利用以上PCA降维过程对影响空调系统能力和性能的九个参数进行降维处理,假设结果显示前五个主元的累计贡献率大于预设贡献率(例如为99.98%),则选择前五个主元作为神经网络的输入层数据。同理,假设历史性能数据中包括空调制热制冷能力和空调能效,在对历史性能数据进行PCA降维处理使认为空调制热制冷能力的累计贡献率大于预设贡献率,则将空调制热制冷能力作为神经网络的输出主元。
已知输入层和输出层的节点数分别为5和1,隐含层的节点数据无法确定,隐含层节隐含层的节点数对BP神经网络的性能有很大的影响。一般来说,隐含层的节点数越多,BP网络的性能就越好。目前并没有一个理想的解析式可以用来确定合理的神经元节点个数,这也是BP神经网络的一个缺陷。本申请中的做法是采用如下经验公式给出估计值:
其中,a为输入层的神经元个数,b为输出层的神经元个数,c为0-10之间的常数;
或者,M=log2a,其中,a为输入层的神经元个数;
或者,M为满足的最小值,其中,a为输入成的神经元个数,d为预设值。
通过经验公式可以推算出神经网络隐含层的节点数的确定与数的大小有关,假设历史设计数据的个数71,则隐含层的节点范围是7~12个,将隐含层的节点数设置为最大的12个神经元节点。
BP神经网络的具体程序如下:
(1)将主成分矩阵和降维后的历史性能将分别划分为输入的训练和测试以及输出的训练和测试:
(2)训练的输入和输出进行归一化处理:
Xij 1=(Xij-Xjmin)/(Xjmax-Xjmin),Yij 1=(Yij-Y=jmin)/(Yjmax-Yjmin),
式中:Xij 1为训练输入矩阵归一化后的元素,Xij为训练用的输入矩阵第i行第j列的元素,Ximin为训练用输入矩阵中第j列输入的最小值,Xjmax为训练输入矩阵中第j列的最大值。Yij 1为训练输出矩阵归一化后的元素,Yij第j列训练输出矩阵中第i行第j列的元素,Yjmin为训练输出矩阵中第j列的最小值,Yjmax为训练输出矩阵中第j列的最大值。
(3)初始化BP神经网络模型,BP神经网络模型的结构如图4所示,输入层节点数为5,输出层节点数为1,在本实施例中采用一个隐含层的神经网络,隐含层具有12个节点,其中w为权重,b为偏置项,训练方法使用LM算法,隐含层的传递函数使用Sigmoid函数,输出层的传递函数使用线性函数。
(4)输入,计算误差,并判断是否收敛。
判断收敛的方法:定义一个误差容限(1×e-5),当误差的平方和小于此容限时,算法收敛;另外给定一个最大迭代次数(5000),达到这个迭代次数即停止迭代。
(5)根据误差,调整权值:这一步为误差反向传播的过程。
(6)测试:由于训练数据进行了归一化,因此测试数据也要采用相同的参数进行归一化,归一化后将测试数据输入网络计算结果。
在得到BP神经网络模型后,开发人员输入压缩机冷量、压缩机功率、蒸发器面积、冷凝器面积、节流型号、灌注量和室内环境温度、室外环境温度、负荷量,用已封装的神经网络对其进行预测,返回输出空调性能数据。
实施例5:
本申请还提出一种基于神经网络的空调性能预测装置,如图5所示,包括:
数据获取单元10,用于获取空调的n个历史设计参数和对应的历史性能数据,其中,任一所述历史设计参数由m个不同类别的空调结构参数组成,任一所述历史性能数据由至少一个空调性能参数组成,所述历史设计参数和历史性能数据一一对应;
模型建立单元20,用于建立BP神经网络模型,用所述历史设计参数和所述空调性能数据训练所述BP神经网络模型;
性能预测单元30,用于将空调的待评测设计参数输入所述BP神经网络模型,将所述BP神经网络模型的输出值作为预期性能数据。
在一些可选的实施例中,还包括:数据降维单元;
数据降维单元,用于采用所述数据获取单元中获取的n个所述历史设计参数建立历史数据矩阵Xn×m,采用PCA算法对所述历史数据矩阵Xn×m进行降维处理,得到主成分矩阵Zn×k,其中,所述历史数据矩阵Xn×m的任一行数据为一个所述历史设计参数,所述行数据中的任一元素为一个所述空调结构参数,n不小于m,k小于m。
在一些可选的实施例中,所述数据降维单元,用于:
对历史数据矩阵Xn×m进行中心标准化处理,得到中心标准化矩阵X* n×m;
求取所述中心标准化矩阵X* n×m的协方差矩阵Rm×m;
获取所述协方差矩阵Rm×m的m个特征值以及m个特征向量;
对m个所述特征值按从大到小依次排列得到特征值序列;
采用如下公式计算所述特征值序列中前k个特征值的累计贡献率:
其中CVk为所述累计贡献率,其中λi为特征值序列中第i个特征值,1≤i≤m;
调节k的数值,使得所述特征值序列中前k个特征值的累计贡献率大于预设贡献率;
用前k个特征值对应的特征向量组成转化矩阵Um×k={u1,u2..uk},其中ui为λi对应的特征向量;
计算得到所述主成分矩阵Zn×k,其中,Zn×k=X* n×m·Um×k。
在一些可选的实施例中,当所述历史性能数据中包括至少2个空调性能参数时,所述数据降维步骤,还包括:
用所述数据获取步骤中获取的n个所述历史性能数据建立历史性能矩阵,采用PCA算法对所述历史性能矩阵进行降维处理,其中,所述历史性能矩阵的任一行数据为一个所述历史性能数据,历史性能矩阵的任一行数据中的任一元素为一个所述空调性能参数。
在一些可选的实施例中,所述模型建立步骤,包括:
初始化BP神经网络模型,建立隐含层;
训练BP神经网络模型,从所述主成分矩阵Zn×k中选取h个行数据组成训练输入矩阵X1,从降维处理后的历史性能矩阵中获取与所述训练输入矩阵对应的行数据,作为训练输出矩阵Y1,其中,h不大于n;
对所述训练输入阵列和所述训练输出阵列进行归一化处理;
将所述训练输入矩阵中各个行数据作为输入层数据输入所述BP神经网络模型,计算得到输出值;
计算所述输出值与所述训练输出矩阵中对应的行数据之间的误差;
若所述误差的平方和大于误差容限,则调节所述BP神经网络模型中各节点的权重值,直到所述误差的平方和不大于误差容限。
在一些可选的实施例中,所述模型建立步骤,还包括:
用所述主成分矩阵中不属于训练输入矩阵X1的行数据作为测试输入数据;
从降维处理后的历史性能矩阵中获取与所述测试输入矩阵对应的行数据,作为测试输出矩阵;
用所述测试输入数据和所述测试输出数据对所述BP神经网络模型进行测试。
在一些可选的实施例中,所述模型建立步骤,包括:采用如下方式确定隐藏层的神经元个数M:
其中,a为输入层的神经元个数,b为输出层的神经元个数,c为0-10之间的常数;
或者,M=log2a,其中,a为输入层的神经元个数;
或者,M为满足的最小值,其中,a为输入成的神经元个数,d为预设值。
在一些可选的实施例中,所述空调结构参数包括:压缩机冷量、压缩机功率、蒸发器面积、冷凝器面积、节流型号、灌注量和室内环境温度、室外环境温度和负荷量;
和/或,所述空调性能参数包括:空调制冷制热量和空调能效比。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于神经网络的空调性能预测方法,其特征在于,包括:
数据获取步骤,获取空调的n个历史设计参数和对应的历史性能数据,其中,任一所述历史设计参数由m个不同类别的空调结构参数组成,任一所述历史性能数据由至少一个空调性能参数组成,所述历史设计参数和历史性能数据一一对应;
模型建立步骤,建立BP神经网络模型,用所述历史设计参数和所述历史性能数据训练所述BP神经网络模型;
性能预测步骤,将空调的待评测设计参数输入所述BP神经网络模型,将所述BP神经网络模型的输出值作为预期性能数据。
2.根据权利要求1所述的基于神经网络的空调性能预测方法,其特征在于,所述空调结构参数包括:压缩机冷量、压缩机功率、蒸发器面积、冷凝器面积、节流型号、灌注量和室内环境温度、室外环境温度和负荷量;
和/或,所述空调性能参数包括:空调制冷制热量和空调能效比。
3.根据权利要求1或2所述的基于神经网络的空调性能预测方法,其特征在于,在所述数据获取步骤之前,在所述模型建立步骤之后,还包括:数据降维步骤;
数据降维步骤,用所述数据获取步骤中获取的n个所述历史设计参数建立历史数据矩阵Xn×m,采用PCA算法对所述历史数据矩阵Xn×m进行降维处理,得到主成分矩阵Zn×k,其中,所述历史数据矩阵Xn×m的任一行数据为一个所述历史设计参数,所述行数据中的任一元素为一个所述空调结构参数,n不小于m,k小于m。
4.根据权利要求3所述的基于神经网络的空调性能预测方法,其特征在于,所述数据降维步骤,包括:
对历史数据矩阵Xn×m进行中心标准化处理,得到中心标准化矩阵X* n×m;
求取所述中心标准化矩阵X* n×m的协方差矩阵Rm×m;
获取所述协方差矩阵Rm×m的m个特征值以及m个特征向量;
对m个所述特征值按从大到小依次排列得到特征值序列;
采用如下公式计算所述特征值序列中前k个特征值的累计贡献率:
其中CVk为所述累计贡献率,其中λi为特征值序列中第i个特征值,1≤i≤m;
调节k的数值,使得所述特征值序列中前k个特征值的累计贡献率大于预设贡献率;
用前k个特征值对应的特征向量组成转化矩阵Um×k={u1,u2..uk},其中ui为λi对应的特征向量;
计算得到所述主成分矩阵Zn×k,其中,Zn×k=X* n×m·Um×k。
5.根据权利要求3或4所述的基于神经网络的空调性能预测方法,其特征在于,当所述历史性能数据中包括至少2个空调性能参数时,所述数据降维步骤,还包括:
用所述数据获取步骤中获取的n个所述历史性能数据建立历史性能矩阵,采用PCA算法对所述历史性能矩阵进行降维处理,其中,所述历史性能矩阵的任一行数据为一个所述历史性能数据,历史性能矩阵的任一行数据中的任一元素为一个所述空调性能参数。
6.根据权利要求4或5所述的基于神经网络的空调性能预测方法,其特征在于,所述模型建立步骤,包括:
初始化BP神经网络模型,建立隐含层;
训练BP神经网络模型,从所述主成分矩阵Zn×k中选取h个行数据组成训练输入矩阵X1,从降维处理后的历史性能矩阵中获取与所述训练输入矩阵对应的行数据,作为训练输出矩阵Y1,其中,h不大于n;
对所述训练输入阵列和所述训练输出阵列进行归一化处理;
将所述训练输入矩阵中各个行数据作为输入层数据输入所述BP神经网络模型,计算得到输出值;
计算所述输出值与所述训练输出矩阵中对应的行数据之间的误差;
若所述误差的平方和大于误差容限,则调节所述BP神经网络模型中各节点的权重值,直到所述误差的平方和不大于误差容限。
7.根据权利要求6所述的基于神经网络的空调性能预测方法,其特征在于,所述模型建立步骤,还包括:
用所述主成分矩阵中不属于训练输入矩阵X1的行数据作为测试输入数据;
从降维处理后的历史性能矩阵中获取与所述测试输入矩阵对应的行数据,作为测试输出矩阵;
用所述测试输入数据和所述测试输出数据对所述BP神经网络模型进行测试。
8.根据权利要求1-7任一项所述的基于神经网络的空调性能预测方法,其特征在于,所述模型建立步骤,包括:采用如下方式确定隐藏层的神经元个数M:
其中,a为输入层的神经元个数,b为输出层的神经元个数,c为0-10之间的常数;
或者,M=log2a,其中,a为输入层的神经元个数;
或者,M为满足的最小值,其中,a为输入成的神经元个数,d为预设值。
9.一种基于神经网络的空调性能预测装置,其特征在于,包括:
数据获取单元,用于获取空调的n个历史设计参数和对应的历史性能数据,其中,任一所述历史设计参数由m个不同类别的空调结构参数组成,任一所述历史性能数据由至少一个空调性能参数组成,所述历史设计参数和历史性能数据一一对应;
模型建立单元,用于建立BP神经网络模型,用所述历史设计参数和所述空调性能数据训练所述BP神经网络模型;
性能预测单元,用于将空调的待评测设计参数输入所述BP神经网络模型,将所述BP神经网络模型的输出值作为预期性能数据。
10.根据权利要求9所述的基于神经网络的空调性能预测装置,其特征在于,还包括:数据降维单元;
数据降维单元,用于采用所述数据获取单元中获取的n个所述历史设计参数建立历史数据矩阵Xn×m,采用PCA算法对所述历史数据矩阵Xn×m进行降维处理,得到主成分矩阵Zn×k,其中,所述历史数据矩阵Xn×m的任一行数据为一个所述历史设计参数,所述行数据中的任一元素为一个所述空调结构参数,n不小于m,k小于m。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910741239.7A CN110543932A (zh) | 2019-08-12 | 2019-08-12 | 基于神经网络的空调性能预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910741239.7A CN110543932A (zh) | 2019-08-12 | 2019-08-12 | 基于神经网络的空调性能预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110543932A true CN110543932A (zh) | 2019-12-06 |
Family
ID=68710699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910741239.7A Pending CN110543932A (zh) | 2019-08-12 | 2019-08-12 | 基于神经网络的空调性能预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110543932A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111143143A (zh) * | 2019-12-26 | 2020-05-12 | 北京神州绿盟信息安全科技股份有限公司 | 一种性能测试方法及装置 |
CN111310781A (zh) * | 2019-12-30 | 2020-06-19 | 华南理工大学 | 一种基于pca-ann的制冷设备制冷剂泄漏识别方法 |
CN111401425A (zh) * | 2020-03-11 | 2020-07-10 | 北京慧飒科技有限责任公司 | 一种非侵入式电气集群负载电气性能自主学习处理方法 |
CN112578891A (zh) * | 2020-12-01 | 2021-03-30 | 深圳前海有电物联科技有限公司 | 不间断电源预测性维护方法、装置及存储介质 |
CN114576554A (zh) * | 2022-05-06 | 2022-06-03 | 浙江浙能航天氢能技术有限公司 | 一种基于神经网络的氢气压缩模块控制方法及装置 |
CN115102779A (zh) * | 2022-07-13 | 2022-09-23 | 中国电信股份有限公司 | 预测模型的训练、访问请求的决策方法、装置、介质 |
CN115143596A (zh) * | 2022-06-29 | 2022-10-04 | 创维空调科技(安徽)有限公司 | 一种为空调研发人员提供性能调试方向的方法 |
CN115355603A (zh) * | 2022-10-18 | 2022-11-18 | 中国建筑科学研究院有限公司 | 制冷站的优化控制方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100023307A1 (en) * | 2008-07-24 | 2010-01-28 | University Of Cincinnati | Methods for prognosing mechanical systems |
CN102353119A (zh) * | 2011-08-09 | 2012-02-15 | 北京建筑工程学院 | 一种vav变风量空调系统控制方法 |
CN109657838A (zh) * | 2018-11-19 | 2019-04-19 | 珠海格力电器股份有限公司 | 一种能效监测方法、装置及计算机可读存储介质 |
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 |
-
2019
- 2019-08-12 CN CN201910741239.7A patent/CN110543932A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100023307A1 (en) * | 2008-07-24 | 2010-01-28 | University Of Cincinnati | Methods for prognosing mechanical systems |
CN102353119A (zh) * | 2011-08-09 | 2012-02-15 | 北京建筑工程学院 | 一种vav变风量空调系统控制方法 |
CN109657838A (zh) * | 2018-11-19 | 2019-04-19 | 珠海格力电器股份有限公司 | 一种能效监测方法、装置及计算机可读存储介质 |
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 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111143143A (zh) * | 2019-12-26 | 2020-05-12 | 北京神州绿盟信息安全科技股份有限公司 | 一种性能测试方法及装置 |
CN111143143B (zh) * | 2019-12-26 | 2024-02-23 | 绿盟科技集团股份有限公司 | 一种性能测试方法及装置 |
CN111310781A (zh) * | 2019-12-30 | 2020-06-19 | 华南理工大学 | 一种基于pca-ann的制冷设备制冷剂泄漏识别方法 |
CN111401425A (zh) * | 2020-03-11 | 2020-07-10 | 北京慧飒科技有限责任公司 | 一种非侵入式电气集群负载电气性能自主学习处理方法 |
CN112578891A (zh) * | 2020-12-01 | 2021-03-30 | 深圳前海有电物联科技有限公司 | 不间断电源预测性维护方法、装置及存储介质 |
CN114576554A (zh) * | 2022-05-06 | 2022-06-03 | 浙江浙能航天氢能技术有限公司 | 一种基于神经网络的氢气压缩模块控制方法及装置 |
CN114576554B (zh) * | 2022-05-06 | 2022-08-02 | 浙江浙能航天氢能技术有限公司 | 一种基于神经网络的氢气压缩模块控制方法及装置 |
CN115143596A (zh) * | 2022-06-29 | 2022-10-04 | 创维空调科技(安徽)有限公司 | 一种为空调研发人员提供性能调试方向的方法 |
CN115143596B (zh) * | 2022-06-29 | 2024-04-19 | 创维空调科技(安徽)有限公司 | 一种为空调研发人员提供性能调试方向的方法 |
CN115102779A (zh) * | 2022-07-13 | 2022-09-23 | 中国电信股份有限公司 | 预测模型的训练、访问请求的决策方法、装置、介质 |
CN115102779B (zh) * | 2022-07-13 | 2023-11-07 | 中国电信股份有限公司 | 预测模型的训练、访问请求的决策方法、装置、介质 |
CN115355603A (zh) * | 2022-10-18 | 2022-11-18 | 中国建筑科学研究院有限公司 | 制冷站的优化控制方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110543932A (zh) | 基于神经网络的空调性能预测方法和装置 | |
Rodrigues et al. | The daily and hourly energy consumption and load forecasting using artificial neural network method: a case study using a set of 93 households in Portugal | |
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 | |
Ma et al. | Performance evaluation of kernel functions based on grid search for support vector regression | |
CN112733997B (zh) | 基于woa-lstm-mc的水文时间序列预测优化方法 | |
CN113591215B (zh) | 基于不确定性的异常卫星组件布局检测方法 | |
CN112926144A (zh) | 一种多应力加速寿命试验耦合效应分析及寿命预测方法 | |
CN112834927A (zh) | 锂电池剩余寿命预测方法、系统、设备及介质 | |
CN113255900A (zh) | 一种考虑改进谱聚类与Bi-LSTM神经网络的冲击性负荷预测方法 | |
CN111366291B (zh) | 基于熵和人工神经网络的供水管道压力预测和粗糙度校准方法 | |
CN112884012A (zh) | 基于支持向量机原理的建筑能耗预测方法 | |
Duarte et al. | Comparison of machine learning techniques for predicting energy loads in buildings | |
CN112381282A (zh) | 基于宽度学习系统的光伏发电功率预测方法 | |
CN116345555A (zh) | 一种基于cnn-isca-lstm模型的短期光伏发电功率预测方法 | |
Chong et al. | Uncertainty analysis and parameter estimation of HVAC systems in building energy models | |
CN114692507A (zh) | 基于堆叠泊松自编码器网络的计数数据软测量建模方法 | |
Chen et al. | Design of manufacturing systems by a hybrid approach with neural network metamodelling and stochastic local search | |
CN115310727B (zh) | 一种基于迁移学习的建筑冷热电负荷预测方法及系统 | |
CN111861002A (zh) | 基于数据驱动高斯学习技术的建筑物冷热负荷预测方法 | |
CN116610416A (zh) | 基于Kubernetes的负载预测型弹性伸缩系统及方法 | |
CN111242266A (zh) | 一种运行数据管理系统 | |
CN105743088A (zh) | 一种配电网电压水平不确定性影响弹性网回归分析方法 | |
CN114814707A (zh) | 一种智能电表应力误差分析方法、设备、终端及可读介质 | |
Jeyanthi et al. | Addressing higher order serial correlation in techniques for gross error detection | |
CN116992285A (zh) | 一种短期调荷场景下线损分析方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191206 |
|
RJ01 | Rejection of invention patent application after publication |