CN110705756A - 一种基于输入凸神经网络的电力能耗优化控制方法 - Google Patents
一种基于输入凸神经网络的电力能耗优化控制方法 Download PDFInfo
- Publication number
- CN110705756A CN110705756A CN201910844955.8A CN201910844955A CN110705756A CN 110705756 A CN110705756 A CN 110705756A CN 201910844955 A CN201910844955 A CN 201910844955A CN 110705756 A CN110705756 A CN 110705756A
- Authority
- CN
- China
- Prior art keywords
- neural network
- layer
- input
- training
- 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.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000005457 optimization Methods 0.000 title claims abstract description 19
- 238000005265 energy consumption Methods 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 24
- 230000002068 genetic effect Effects 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 230000003044 adaptive effect Effects 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 33
- 238000013135 deep learning Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 239000000463 material Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
- G06N3/08—Learning methods
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于输入凸神经网络的电力能耗优化控制方法,包括取得电力系统控制数据,对所得数据做预处理,将处理好的数据输入到ICNN网络中训练,观察损失函数值,训练迭代完成后,将模型保存下来,加载测试数据集和算法模型,利用遗传算法寻优,编码、初始化种群、评估种群中个体适应值、演化遗传过程选用交叉或变异等方法,找到使目标函数最大值或最小值的种群个体即是最优解,本发明将深度学习应用于复杂的电力控制系统,利用输入凸神经网络拟合电力控制系统的算法,利用遗传算法找到拟合函数的最优解,得到复杂系统中能耗最低的最优控制。
Description
技术领域
本发明涉及电力优化技术领域,具体涉及一种基于输入凸神经网络的电力能耗优化控制方法。
背景技术
能耗优化控制领域,现有技术主要采用两种方法,一是基于经验规则的优化,利用历史数据总结出规律,进行决策指导。传统控制论采用模型驱动算法,需要根据专家的专业技术能力,设计出复杂的控制模型及方案。二是使用传统的机器学习模型,例如支持向量机(SVM)、逻辑回归(LR)等。
随着社会的不断进步,各类能源的消耗增多、控制变量日益复杂,传统的经验规则已经满足不了当下的需求,不仅需要消耗大量的人力、物力,还存在预测验证困难,响应时间慢,维护成本高;传统机器学习算法应用于复杂控制系统存在不稳定性和不安全性,输出对于输入一般来说都是非凸的,后续优化常常陷入局部最优。且一般对于拟合电力控制系统的算法都是采用非凸的深度神经网络,虽然该神经网络包含很多局部最优点,但是在优化的过程中容易陷入局部最优,同时在对稳定性和安全性能要求很高的电力控制系统中,这种多个局部最优解并且没有全局最优收敛性的保证,会存在安全隐患。
发明内容
本发明的目的在于克服现有技术中存在的上述问题,提供一种基于输入凸神经网络的电力能耗优化控制方法,将深度学习应用于复杂的电力控制系统,利用输入凸神经网络拟合电力控制系统的算法,利用遗传算法找到拟合函数的最优解,得到复杂系统中能耗最低的最优控制。
为实现上述技术目的,达到上述技术效果,本发明是通过以下技术方案实现:
一种基于输入凸神经网络的电力能耗优化控制方法,包括以下步骤:
S1,取得电力系统控制数据,(例如室内外温度、冷机、冷凝器、冷泵等各设备运行状况和属性等),并将取得的数据分为训练集和测试集;
S2,对所得数据做预处理:过滤掉差异值较大的误差数据,并做归一化,利用xgboost过滤掉无用特征;
S3,确定ICNN网络的网络层数、节点数以及连接方式;
S4,将处理好的数据输入到ICNN网络中训练,观察损失函数值,将损失函数值的大小作为函数是否拟合,训练迭代次数预先设定为500次;
S5,训练迭代完成后,将模型保存下来;
S6,加载测试数据集和算法模型,利用遗传算法寻优,编码、初始化种群、评估种群中个体适应值、演化遗传过程选用交叉或变异等方法,找到使目标函数最大值或最小值的种群个体即是最优解,在此过程中,新一代的个体不同于初始代,它向着适应度增加的方向迭代,选择适应度高的个体,淘汰适应度低的。迭代此类过程,直到达到终止条件:进化次数、最优条件值;
S7,将得到的最优解控制量输入到控制系统,进行预演评估。
进一步地,所述所述ICNN网络为深度学习凸神经网络,深度学习凸神经网络为五层网络结构,参数采用自顶向下的监督学习,电力能耗功率作为输出标签,利用损失函数逐层贪婪更新每层参数,损失函数如下:
J(W,b,a,y)=-[y lna+(1-y)ln(1-a)]
W是神经网络权重参数,b是偏置项,也是训练样本神经网络预测输出值,a是训练样本实际值。
进一步地,所述深度学习凸神经网络的运算包括以下步骤:
S8,随机初始化参数,训练仅含一层隐含层的神经网络;
S9,将训练好的一层隐含层参数固定,增加到第二层,将第一层网络的输出作为第二层网络的输入;
S10,重复S9的步骤,将已经训练好的前K-1层固定,作为第K层的输入训练,迭代次数设为200次,最后得到完整的五层神经网络参数值。
进一步地,所述深度学习凸神经网络所有的隐含层之前的参数矩阵为非负的,神经元的激活函数采用了Relu(输入小于等于0时,输出等于0;输入大于0时,输出等于本身),同时加入了对输入向量的负映射以及输入到隐藏层的直连层,增加ICNN的表达能力,使用ICNN拟合函数,而不是直接需要仿射函数的最大值,能够更有效的参数化(因为K个仿射函数的最大值可以用一个具有K层的ICNN表示,其中每层只需要一个ReLU激活函数。然而,对于具有K个ReLU激活函数的单层ICNN,需要最大2K个仿射函数才能准确表示)。
本发明的收益效果是:
1、本发明采用先进智能控制系统,可以使自动化投用率提高至70%,能耗降低10-15%,同时施工时间也将缩短。
2、本发明利用输入凸神经网络拟合电力控制系统的算法,能够将优化问题转化为凸优化求解,在利用逐层贪婪的梯度下降求解,保证我们找到的最优解为全局最优控制,解决了控制系统中的不稳定性和不安全性问题。
3、本发明通过遗传算法找到最优解,它通过仿造自然界的进化机理来寻求最优解。一般的迭代方法容易因为局部极值点而陷入“死循环”现象,同时搜索从群体开始,是对多个个体的并行比较,鲁棒性较好,具有可扩展性,能够与其他算法相结合。
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的附图。
图1为本发明流程示意图。
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。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如图1所示,本发明为一种基于输入凸神经网络的电力能耗优化控制方法,包括以下步骤:
S1,取得电力系统控制数据,(例如室内外温度、冷机、冷凝器、冷泵等各设备运行状况和属性等),并将取得的数据分为训练集和测试集;
S2,对所得数据做预处理:过滤掉差异值较大的误差数据,并做归一化,利用xgboost过滤掉无用特征;
S3,确定ICNN网络的网络层数、节点数以及连接方式;
S4,将处理好的数据输入到ICNN网络中训练,观察损失函数值,将损失函数值的大小作为函数是否拟合,训练迭代次数预先设定为500次;
S5,训练迭代完成后,将模型保存下来;
S6,加载测试数据集和算法模型,利用遗传算法寻优,编码、初始化种群、评估种群中个体适应值、演化遗传过程选用交叉或变异等方法,找到使目标函数最大值或最小值的种群个体即是最优解,在此过程中,新一代的个体不同于初始代,它向着适应度增加的方向迭代,选择适应度高的个体,淘汰适应度低的。迭代此类过程,直到达到终止条件:进化次数、最优条件值;
S7,将得到的最优解控制量输入到控制系统,进行预演评估。
其中,深度学习凸神经网络的运算包括以下步骤:
S8,随机初始化参数,训练仅含一层隐含层的神经网络;
S9,将训练好的一层隐含层参数固定,增加到第二层,将第一层网络的输出作为第二层网络的输入;
S10,重复S9的步骤,将已经训练好的前K-1层固定,作为第K层的输入训练,迭代次数设为200次,最后得到完整的五层神经网络参数值。
其中,深度学习凸神经网络所有的隐含层之前的参数矩阵为非负的,神经元的激活函数采用了Relu(输入小于等于0时,输出等于0;输入大于0时,输出等于本身),同时加入了对输入向量的负映射以及输入到隐藏层的直连层,增加ICNN的表达能力,使用ICNN拟合函数,而不是直接需要仿射函数的最大值,能够更有效的参数化(因为K个仿射函数的最大值可以用一个具有K层的ICNN表示,其中每层只需要一个ReLU激活函数。然而,对于具有K个ReLU激活函数的单层ICNN,需要最大2K个仿射函数才能准确表示)。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (4)
1.一种基于输入凸神经网络的电力能耗优化控制方法,其特征在于,包括以下步骤:
S1,取得电力系统控制数据,并将取得的数据分为训练集和测试集;
S2,对所得数据做预处理:过滤掉差异值较大的误差数据,并做归一化,利用xgboost过滤掉无用特征;
S3,确定ICNN网络的网络层数、节点数以及连接方式;
S4,将处理好的数据输入到ICNN网络中训练,观察损失函数值,将损失函数值的大小作为函数是否拟合,训练迭代次数预先设定为500次;
S5,训练迭代完成后,将模型保存下来;
S6,加载测试数据集和算法模型,利用遗传算法寻优,编码、初始化种群、评估种群中个体适应值、演化遗传过程选用交叉或变异等方法,找到使目标函数最大值或最小值的种群个体即是最优解;
S7,将得到的最优解控制量输入到控制系统,进行预演评估。
2.根据权利要求1所述的一种基于输入凸神经网络的电力能耗优化控制方法,其特征在于:所述ICNN网络为深度学习凸神经网络,深度学习凸神经网络为五层网络结构,参数采用自顶向下的监督学习,电力能耗功率作为输出标签,利用损失函数逐层贪婪更新每层参数,损失函数如下:
J(W,b,a,y)=-[ylna+(1-y)ln(1-a)]
W是神经网络权重参数,b是偏置项,也是训练样本神经网络预测输出值,a是训练样本实际值。
3.根据权利要求2所述的一种基于输入凸神经网络的电力能耗优化控制方法,其特征在于:所述深度学习凸神经网络的运算包括以下步骤:
S8,随机初始化参数,训练仅含一层隐含层的神经网络;
S9,将训练好的一层隐含层参数固定,增加到第二层,将第一层网络的输出作为第二层网络的输入;
S10,重复S9的步骤,将已经训练好的前K-1层固定,作为第K层的输入训练,迭代次数设为200次,最后得到完整的五层神经网络参数值。
4.根据权利要求1所述的一种基于输入凸神经网络的电力能耗优化控制方法,其特征在于:所述深度学习凸神经网络所有的隐含层之前的参数矩阵为非负的,神经元的激活函数采用了Relu,同时加入了对输入向量的负映射以及输入到隐藏层的直连层,使用ICNN拟合函数,而不是直接需要仿射函数的最大值,能够更有效的参数化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910844955.8A CN110705756B (zh) | 2019-09-07 | 2019-09-07 | 一种基于输入凸神经网络的电力能耗优化控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910844955.8A CN110705756B (zh) | 2019-09-07 | 2019-09-07 | 一种基于输入凸神经网络的电力能耗优化控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110705756A true CN110705756A (zh) | 2020-01-17 |
CN110705756B CN110705756B (zh) | 2023-05-12 |
Family
ID=69194991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910844955.8A Active CN110705756B (zh) | 2019-09-07 | 2019-09-07 | 一种基于输入凸神经网络的电力能耗优化控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110705756B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215385A (zh) * | 2020-03-24 | 2021-01-12 | 北京桃花岛信息技术有限公司 | 一种基于贪婪选择策略的学生困难程度预测方法 |
CN116612870A (zh) * | 2023-07-17 | 2023-08-18 | 山东圣剑医学研究有限公司 | 一种普外科患者数据管理方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372755A (zh) * | 2016-08-31 | 2017-02-01 | 国家电网公司 | 基于主元分析的bp神经网络智能工业园区能耗模型建立方法 |
US20170228873A1 (en) * | 2016-02-04 | 2017-08-10 | Nec Laboratories America, Inc. | Semantic segmentation based on global optimization |
WO2017210174A1 (en) * | 2016-05-31 | 2017-12-07 | Linkedin Corporation | Training a neural network using another neural network |
CN107729984A (zh) * | 2017-10-27 | 2018-02-23 | 中国科学院计算技术研究所 | 一种适用于神经网络激活函数的计算装置及方法 |
CN108416509A (zh) * | 2018-02-08 | 2018-08-17 | 合肥工业大学 | 工业企业的电力能耗需求响应方法和系统、存储介质 |
CN108489013A (zh) * | 2018-01-30 | 2018-09-04 | 深圳市新环能科技有限公司 | 基于遗传算法和负荷在线修正的中央空调控制方法及装置 |
CN108647621A (zh) * | 2017-11-16 | 2018-10-12 | 福建师范大学福清分校 | 一种基于人脸识别的视频分析处理系统及方法 |
CN109657779A (zh) * | 2018-11-16 | 2019-04-19 | 深圳创新奇智科技有限公司 | 基于dnn的模型数据处理方法、数据处理模型及电子装置 |
US20190147298A1 (en) * | 2017-11-14 | 2019-05-16 | Magic Leap, Inc. | Meta-learning for multi-task learning for neural networks |
CN109903075A (zh) * | 2019-01-16 | 2019-06-18 | 创新奇智(合肥)科技有限公司 | 基于dnn的回归分布模型及其训练方法、电子设备 |
CN110046710A (zh) * | 2019-04-11 | 2019-07-23 | 山东师范大学 | 一种神经网络的非线性函数极值优化方法及系统 |
-
2019
- 2019-09-07 CN CN201910844955.8A patent/CN110705756B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170228873A1 (en) * | 2016-02-04 | 2017-08-10 | Nec Laboratories America, Inc. | Semantic segmentation based on global optimization |
WO2017210174A1 (en) * | 2016-05-31 | 2017-12-07 | Linkedin Corporation | Training a neural network using another neural network |
CN106372755A (zh) * | 2016-08-31 | 2017-02-01 | 国家电网公司 | 基于主元分析的bp神经网络智能工业园区能耗模型建立方法 |
CN107729984A (zh) * | 2017-10-27 | 2018-02-23 | 中国科学院计算技术研究所 | 一种适用于神经网络激活函数的计算装置及方法 |
US20190147298A1 (en) * | 2017-11-14 | 2019-05-16 | Magic Leap, Inc. | Meta-learning for multi-task learning for neural networks |
CN108647621A (zh) * | 2017-11-16 | 2018-10-12 | 福建师范大学福清分校 | 一种基于人脸识别的视频分析处理系统及方法 |
CN108489013A (zh) * | 2018-01-30 | 2018-09-04 | 深圳市新环能科技有限公司 | 基于遗传算法和负荷在线修正的中央空调控制方法及装置 |
CN108416509A (zh) * | 2018-02-08 | 2018-08-17 | 合肥工业大学 | 工业企业的电力能耗需求响应方法和系统、存储介质 |
CN109657779A (zh) * | 2018-11-16 | 2019-04-19 | 深圳创新奇智科技有限公司 | 基于dnn的模型数据处理方法、数据处理模型及电子装置 |
CN109903075A (zh) * | 2019-01-16 | 2019-06-18 | 创新奇智(合肥)科技有限公司 | 基于dnn的回归分布模型及其训练方法、电子设备 |
CN110046710A (zh) * | 2019-04-11 | 2019-07-23 | 山东师范大学 | 一种神经网络的非线性函数极值优化方法及系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215385A (zh) * | 2020-03-24 | 2021-01-12 | 北京桃花岛信息技术有限公司 | 一种基于贪婪选择策略的学生困难程度预测方法 |
CN112215385B (zh) * | 2020-03-24 | 2024-03-19 | 北京桃花岛信息技术有限公司 | 一种基于贪婪选择策略的学生困难程度预测方法 |
CN116612870A (zh) * | 2023-07-17 | 2023-08-18 | 山东圣剑医学研究有限公司 | 一种普外科患者数据管理方法 |
CN116612870B (zh) * | 2023-07-17 | 2023-10-10 | 山东圣剑医学研究有限公司 | 一种普外科患者数据管理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110705756B (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108964042B (zh) | 基于深度q网络的区域电网运行点调度优化方法 | |
CN106600059B (zh) | 基于改进rbf神经网络的智能电网短期负荷预测方法 | |
CN107665230A (zh) | 用于智能家居控制的用户行为预测模型的训练方法及装置 | |
CN113361680B (zh) | 一种神经网络架构搜索方法、装置、设备及介质 | |
CN108734355A (zh) | 一种应用于电能质量综合治理场景的短期电力负荷并行预测方法及系统 | |
CN109413710B (zh) | 基于遗传算法优化的无线传感器网络的分簇方法及装置 | |
CN113852432B (zh) | 基于rcs-gru模型的频谱预测感知方法 | |
CN110222848A (zh) | 计算机执行的集成模型的确定方法及装置 | |
CN112272074B (zh) | 一种基于神经网络的信息传输速率控制方法及系统 | |
CN110705756B (zh) | 一种基于输入凸神经网络的电力能耗优化控制方法 | |
CN113784410A (zh) | 基于强化学习td3算法的异构无线网络垂直切换方法 | |
CN108960486B (zh) | 基于灰支持向量回归机预测适应值的交互式集合进化方法 | |
CN116345578B (zh) | 基于深度确定性策略梯度的微电网运行优化调度方法 | |
CN115186803A (zh) | 一种考虑pue的数据中心算力负荷需求组合预测方法和系统 | |
CN116361377A (zh) | 基于工业物联网服务平台的负载预测系统、方法及介质 | |
CN117094535B (zh) | 基于人工智能的能源补给管理方法及系统 | |
CN116009990B (zh) | 基于宽注意力机制的云边协同元强化学习计算卸载方法 | |
CN116795198A (zh) | 数据中心的能耗优化方法、装置及存储介质 | |
CN117390550A (zh) | 考虑排放训练集的低碳园区碳排放动态预测方法及系统 | |
CN116610416A (zh) | 基于Kubernetes的负载预测型弹性伸缩系统及方法 | |
Fu et al. | A Sarsa-based adaptive controller for building energy conservation | |
CN114266186B (zh) | 一种空调能耗数据缺失值填补方法、设备及介质 | |
CN109993271A (zh) | 基于博弈理论的灰色神经网络预测方法 | |
CN113809789A (zh) | 功率控制方法、能量路由器、功率控制系统及存储介质 | |
CN107330302A (zh) | 联合Memetic算法和S系统的生物模体重构方法 |
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 |