CN111103799B - 基于师生网络在线探索学习的能效优化建模方法 - Google Patents

基于师生网络在线探索学习的能效优化建模方法 Download PDF

Info

Publication number
CN111103799B
CN111103799B CN201911352947.8A CN201911352947A CN111103799B CN 111103799 B CN111103799 B CN 111103799B CN 201911352947 A CN201911352947 A CN 201911352947A CN 111103799 B CN111103799 B CN 111103799B
Authority
CN
China
Prior art keywords
teacher
control parameter
student
model
heating
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.)
Active
Application number
CN201911352947.8A
Other languages
English (en)
Other versions
CN111103799A (zh
Inventor
张发恩
马凡贺
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.)
Ainnovation Nanjing Technology Co ltd
Original Assignee
Ainnovation Nanjing Technology Co ltd
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 Ainnovation Nanjing Technology Co ltd filed Critical Ainnovation Nanjing Technology Co ltd
Priority to CN201911352947.8A priority Critical patent/CN111103799B/zh
Publication of CN111103799A publication Critical patent/CN111103799A/zh
Application granted granted Critical
Publication of CN111103799B publication Critical patent/CN111103799B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Abstract

本发明公开了一种基于师生网络在线探索学习的能效优化建模方法，包括如下步骤：步骤S1，根据暖通水系统的系统特性确定系统响应间隔时间；步骤S2，对暖通水系统的控制参数探索列表进行初始化，并对控制参数探索列表中的各控制参数建立约束，然后在参数约束范围内，生成多组控制参数探索列表；步骤S3，将各所述控制参数探索列表下发给暖通水系统，暖通水系统作出系统响应，并获得多组系统响应数据；步骤S4，将各系统响应数据作为训练样本加入到师生网络的训练数据集中；步骤S5，将训练数据集输入到师生网络中，师生网络中的教师模型指导建模，训练形成学生模型，本发明可提高数据中心暖通水系统的节能效率。

Description

基于师生网络在线探索学习的能效优化建模方法
技术领域
本发明涉及数据挖掘和机器学习技术领域，具体涉及一种基于师生网络在线探索学习的能效优化建模方法。
背景技术
近些年，随着云服务、大数据、AI计算等技术的迅速发展，各地各政府、企业投建了大量的数据中心，但数据中心由于运算量相当庞大，能耗普遍较高。经数据分析，目前，我国数据中心平均PUE值(数据中心总设备能耗/IT设备能耗)在2.2～3.0之间，我国数据中心用电量约占全社会用电量的3％，预计2020年降达到3.3％。所以政府和企业对数据中心的能耗问题越来越重视，如何降低数据中心的能耗成为摆在政府、企业前的一个急需解决的问题。
近几年，对于数据中心节能方面的研究有很多，主要通过使用能耗模拟软件模拟和比较不同节能方案可能取得的节能效果。但能耗模拟方法只能够模拟出节能方案的节能潜力，无法对实际的节能效果进行准确预估。现有技术中还存在基于神经网络与强化学习的能效优化方法，比如2016年谷歌公司的工程师提出了一种使用深度学习的模型预测控制方法，通过分析控制点与PUE的关系，从而帮助暖通工程师做控制优化以及帮助数据中心设计师借鉴设计经验。但现有的建模方法存在以下缺陷：
1、没有考虑少样本或零样本的问题。训练神经网络模型需要大量的训练数据，且需要丰富的样本特征分布，现有的建模方法无法对少样本或零样本的暖通水系统进行建模；
2、对超出训练集特征分布的样本的预测效果较差；
3、没有利用先验知识指导建模，模型训练效率低下。
发明内容
本发明的目的在于提供一种基于师生网络的在线探索学习的能效优化建模方法，以解决上述技术问题。
为达此目的，本发明采用以下技术方案：
提供一种基于师生网络在线探索学习的能效优化建模方法，所述方法基于教师-学生网络结构对暖通水系统进行指导式建模，所述方法包括如下步骤：
步骤S1，根据所述暖通水系统的系统特性确定所述暖通水系统的响应间隔时间；
步骤S2，对所述暖通水系统的控制参数探索列表进行初始化，并对所述控制参数探索列表中的各控制参数建立约束，然后在参数约束范围内，生成多组所述控制参数探索列表；
步骤S3，将各所述控制参数探索列表下发给所述暖通水系统，所述暖通水系统根据输入的各所述控制参数探索列表中的各所述控制参数作出系统响应，并获得各所述控制参数探索列表分别对应的多组系统响应数据；
步骤S4，将各所述系统响应数据作为训练样本加入到师生网络的训练数据集中；
步骤S5，将所述训练数据集输入到所述师生网络中，所述师生网络中的教师模型指导学生模型进行建模，训练形成可用于优化所述暖通水系统能效的所述学生模型。
作为本发明的一种优选方案，所述能效优化建模方法还包括：
步骤S6，基于所述学生模型，对所述暖通水系统的所述系统特性进行测试评估，判断评估结果中是否存在不符合测试预期的所述系统响应数据，
若是，则抽取不符合测试预期的所述系统响应数据对应的所述控制参数探索列表，并进入步骤S7；
若否，则完成对学生模型的建模过程，并保存训练形成的所述学生模型；
步骤S7，在所述步骤S6抽取的所述控制参数探索列表中的各所述控制参数的参数约束范围内，调整各所述控制参数的参数值，并基于经参数值调整后的各所述控制参数生成多组所述控制参数探索列表；
步骤S8，重复所述步骤S3-S7，直至完成对所述学生模型的收敛。
作为本发明的一种优选方案，所述步骤S2中，每组所述控制参数探索列表中包含相同数量的所述控制参数。
作为本发明的一种优选方案，每组所述控制参数探索列表中的同一个所述控制参数的参数值并不相同。5.如权利要求1所述的能效优化建模方法，其特征在于，所述步骤S4中，所述训练样本包括基于各所述系统响应数据构建的响应敏感度曲线。
作为本发明的一种优选方案，所述步骤S5中，所述教师模型指导训练所述学生模型的方法具体包括如下步骤：
步骤L1，将所述训练数据集输入到所述师生网络中；
步骤L2，所述师生网络中的所述教师模型以所述训练数据集为输入，输出可用于评估所述暖通水系统的响应性能的第一敏感度曲线；所述师生网络中的所述学生模型同样以所述训练数据集为输入，输出可用于评估所述暖通水系统的响应性能的第二敏感度曲线；
步骤L3，根据所述第一敏感度曲线和所述第二敏感度曲线，计算所述教师模型和所述学生模型的敏感度曲线分布误差；
步骤L4，计算所述学生模型的均方误差；
步骤L5，所述教师模型将所述敏感度曲线分布误差作为软目标误差，将所述均方误差作为硬目标误差，指导所述学生模型进行学习建模，最终训练形成可用于优化所述暖通水系统能效的所述学生模型。
本发明的有益效果是：
1、基于师生网络的指导式学习网络结构，解决了少样本或零样本建模的技术问题；
2、本发明以暖通水系统响应的敏感度曲线作为先验知识，并基于师生网络指导建模，提高了模型训练的效率；
3、本发明提供的反馈式在线探索提升学习方法，能够帮助模型快速收敛，有利于提高模型对于暖通水系统的能效优化效果。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地，下面所描述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是本发明实施例一所述的基于师生网络在线探索学习的能效优化建模方法的方法步骤图；
图2是本发明实施例二所述的基于师生网络在线探索学习的能效优化建模方法的方法步骤图；
图3是本发明所述的教师模型指导训练学生模型的方法步骤图；
图4是本发明所述的教师模型指导训练学生模型采用的师生网络的结构图；
图5是现有技术中师生网络的结构图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若出现术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
在本发明的描述中，除非另有明确的规定和限定，若出现术语“连接”等指示部件之间的连接关系，该术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个部件内部的连通或两个部件的相互作用关系。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例一
本发明实施例一提供的基于师生网络在线探索学习的能效优化建模方法，基于教师-学生网络结构对暖通水系统进行指导式建模，请参照图1，实施例一提供的能效优化建模方法包括如下步骤：
步骤S1，根据暖通水系统的系统特性确定暖通水系统的响应间隔时间；这里的系统特性指暖通水系统本身对输入输出的响应特性，这里的响应间隔时间是用户希望暖通水系统作出响应的理想响应间隔时间，所以响应间隔时间可以由用户结合暖通水系统的系统特性进行合理确定；
步骤S2，对暖通水系统的控制参数探索列表进行初始化，并对控制参数探索列表中的各控制参数建立约束，然后在参数约束范围内，生成多组控制参数探索列表；这里需要说明的是，控制参数是指暖通水系统实际可控制的参数，如风机频率、泵频率等参数，每个参数都有实际的可控范围，因此需要对各控制参数建立约束；
步骤S3，将各控制参数探索列表下发给暖通水系统，暖通水系统根据输入的各控制参数探索列表中的各控制参数作出系统响应，并获得各控制参数探索列表分别对应的多组系统响应数据；
步骤S4，将各系统响应数据作为训练样本加入到师生网络的训练数据集中；
步骤S5，将训练数据集输入到师生网络中，师生网络中的教师模型指导学生模型进行建模，最终训练形成可用于优化暖通水系统能效的学生模型。
作为一种优选方案，步骤S4中，训练样本包括基于各系统响应数据构建的响应敏感度曲线。基于系统响应数据构建响应敏感度曲线的方法为现有的敏感度曲线构建方法，由于敏感度曲线构建方法并非本发明要求权利保护的范围，所以关于对敏感度曲线的具体构建过程在此不作阐述。
为了便于构建暖通水系统的响应敏感度曲线，优选地，步骤S2中，每组控制参数探索列表中包含有相同数量的控制参数。更优选地，每组控制参数探索列表中的同一个控制参数的参数值并不相同。
为了解决数据中心可能存在样本缺失的问题，本发明利用其它数据中心的模型作为教师模型(Teacher Model)指导学生模型(Student Model)对样本缺失的数据中心进行学习建模。但由于教师模型和学生模型的目标分布不一致，所以不能简单的将教师模型的参数迁移到学生模型中，也不能让学生模型学习教师模型的输出，所以，请参照图4，本发明在传统的教师-学生模型结构的基础上作了改进，让学生模型学习教师模型的敏感度曲线，教师模型将教师模型和学生模型的敏感度曲线分布误差作为软目标误差(Soft TargetLoss)，将学生模型的MSE Loss(预测值与实际值的均方误差)作为硬目标误差(HardTarget Loss)，指导学生模型进行学习建模。
请参照图3和图4，步骤S5中，教师模型指导训练学生模型的方法具体包括如下步骤：
步骤L1，将训练数据集输入到师生网络网络中；
步骤L2，师生网络中的教师模型以训练数据集为输入(Input)，输出可用于评估暖通水系统的响应性能的第一敏感度曲线；师生网络中的学生模型同样以训练数据及为输入，输出可用于评估暖通水系统的响应性能的第二敏感度曲线；
步骤L3，根据第一敏感度曲线(Sensitivity)和第二敏感度曲线(Sensitivity)，计算教师模型和学生模型的敏感度曲线分布误差；
步骤L4，计算学生模型的均方误差；
步骤L5，教师模型将敏感度曲线分布误差(Distribution Loss)作为软目标误差(Soft Target Loss)，将均方误差MSE Loss作为硬目标误差(Hard Target Loss)，指导学生模型进行学习建模，最终训练形成可用于优化暖通水系统能效的学生模型。
上述技术方案中，计算第一敏感度曲线和第二敏感度曲线，以及计算均方误差均为现有的计算方法，具体计算过程在此不作阐述。
实施例二
实施例二提供的基于师生网络在线探索学习的能效优化建模方法还包括一学生模型的收敛过程。
请参照图2，实施例二提供的能效优化建模方法具体包括如下步骤：
步骤S1，根据暖通水系统的系统特性确定暖通水系统的响应间隔时间；
步骤S2，对暖通水系统的控制参数探索列表进行初始化，并对控制参数探索列表中的各控制参数建立约束，然后在参数约束范围内，生成多组控制参数探索列表；
步骤S3，将各控制参数探索列表下发给暖通水系统，暖通水系统根据输入的各控制参数探索列表中的各控制参数作出系统响应，并获得各控制参数探索列表分别对应的多组系统响应数据；
步骤S4，将各系统响应数据作为训练样本加入到师生网络的训练数据集中；
步骤S5，将训练数据集输入到师生网络中，师生网络中的教师模型指导学生模型进行建模，训练形成一可用于优化暖通水系统能效的学生模型；
步骤S6，基于学生模型，对暖通水系统的系统特性进行测试评估，判断评估结果中是否存在不符合测试预期的系统响应数据，
若是，则抽取不符合测试预期的系统响应数据对应的控制参数探索列表，并进入步骤S7；
若否，则完成对学生模型的建模过程，并保存训练形成的学生模型；
步骤S7，在步骤S6抽取的控制参数探索列表中的各控制参数的参数约束范围内，调整各控制参数的参数值，并基于经参数值调整后的各控制参数生成多组控制参数探索列表；
步骤S8，重复步骤S3-S7，直至完成对学生模型的收敛。
经收敛后的学生模型具有更高地能效优化能力。
上述技术方案中，不符合测试预期的系统响应数据指不符合系统响应敏感度曲线特征的响应数据。
需要声明的是，上述具体实施方式仅仅为本发明的较佳实施例及所运用技术原理。本领域技术人员应该明白，还可以对本发明做各种修改、等同替换、变化等等。但是，这些变换只要未背离本发明的精神，都应在本发明的保护范围之内。另外，本申请说明书和权利要求书所使用的一些术语并不是限制，仅仅是为了便于描述。

Claims (5)

1.一种基于师生网络在线探索学习的能效优化建模方法，所述方法基于教师-学生网络结构对暖通水系统进行指导式建模，其特征在于，所述方法包括如下步骤：
步骤S1，根据所述暖通水系统的系统特性确定所述暖通水系统的响应间隔时间；
步骤S2，对所述暖通水系统的控制参数探索列表进行初始化，并对所述控制参数探索列表中的各控制参数建立约束，然后在参数约束范围内，生成多组所述控制参数探索列表；
步骤S3，将各所述控制参数探索列表下发给所述暖通水系统，所述暖通水系统根据输入的各所述控制参数探索列表中的各所述控制参数作出系统响应，并获得各所述控制参数探索列表分别对应的多组系统响应数据；
步骤S4，将各所述系统响应数据作为训练样本加入到师生网络的训练数据集中；
步骤S5，将所述训练数据集输入到所述师生网络中，所述师生网络中的教师模型指导学生模型进行建模，训练形成可用于优化所述暖通水系统能效的所述学生模型；
所述步骤S5中，所述教师模型指导训练所述学生模型的方法具体包括如下步骤：
步骤L1，将所述训练数据集输入到所述师生网络中；
步骤L2，所述师生网络中的所述教师模型以所述训练数据集为输入，输出可用于评估所述暖通水系统的响应性能的第一敏感度曲线；所述师生网络 中的所述学生模型同样以所述训练数据集为输入，输出可用于评估所述暖通水系统的响应性能的第二敏感度曲线；
步骤L3，根据所述第一敏感度曲线和所述第二敏感度曲线，计算所述教师模型和所述学生模型的敏感度曲线分布误差；
步骤L4，计算所述学生模型的均方误差；
步骤L5，所述教师模型将所述敏感度曲线分布误差作为软目标误差，将所述均方误差作为硬目标误差，指导所述学生模型进行学习建模，最终训练形成可用于优化所述暖通水系统能效的所述学生模型。
2.如权利要求1所述的能效优化建模方法，其特征在于，还包括：
步骤S6，基于所述学生模型，对所述暖通水系统的所述系统特性进行测试评估，判断评估结果中是否存在不符合测试预期的所述系统响应数据，
若是，则抽取不符合测试预期的所述系统响应数据对应的所述控制参数探索列表，并进入步骤S7；
若否，则完成对学生模型的建模过程，并保存训练形成的所述学生模型；
步骤S7，在所述步骤S6抽取的所述控制参数探索列表中的各所述控制参数的参数约束范围内，调整各所述控制参数的参数值，并基于经参数值调整后的各所述控制参数生成多组所述控制参数探索列表；
步骤S8，重复所述步骤S3-S7，直至完成对所述学生模型的收敛。
3.如权利要求1所述的能效优化建模方法，其特征在于，所述步骤S2中，每组所述控制参数探索列表中包含相同数量的所述控制参数。
4.如权利要求3所述的能效优化建模方法，其特征在于，每组所述控制参数探索列表中的同一个所述控制参数的参数值并不相同。
5.如权利要求1所述的能效优化建模方法，其特征在于，所述步骤S4中，所述训练样本包括基于各所述系统响应数据构建的响应敏感度曲线。
CN201911352947.8A 2019-12-25 2019-12-25 基于师生网络在线探索学习的能效优化建模方法 Active CN111103799B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911352947.8A CN111103799B (zh) 2019-12-25 2019-12-25 基于师生网络在线探索学习的能效优化建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911352947.8A CN111103799B (zh) 2019-12-25 2019-12-25 基于师生网络在线探索学习的能效优化建模方法

Publications (2)

Publication Number Publication Date
CN111103799A CN111103799A (zh) 2020-05-05
CN111103799B true CN111103799B (zh) 2022-07-29

Family

ID=70424989

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911352947.8A Active CN111103799B (zh) 2019-12-25 2019-12-25 基于师生网络在线探索学习的能效优化建模方法

Country Status (1)

Country Link
CN (1) CN111103799B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111310905B (zh) * 2020-05-11 2020-08-18 创新奇智(南京)科技有限公司 神经网络模型训练方法、装置及暖通系统能效优化方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102866632A (zh) * 2012-08-31 2013-01-09 上海达希能源科技有限公司 中央空调供冷过程控制对象的建模方法
CN104633857A (zh) * 2014-10-16 2015-05-20 联和环保科技有限公司 一种空调节能优化控制方法及装置
EP3250861A1 (en) * 2015-01-30 2017-12-06 Schneider Electric USA, Inc. Interior user-comfort energy efficiency modeling and control systems and apparatuses
CN108489012A (zh) * 2018-01-30 2018-09-04 深圳市新环能科技有限公司 基于负荷预测与条件约束的空调冷源能效模型控制方法
CN108875764A (zh) * 2017-07-12 2018-11-23 北京旷视科技有限公司 模型训练方法、装置、系统和计算机可读介质
CN109270841A (zh) * 2018-10-11 2019-01-25 东北电力大学 一种基于模型预测控制的智能楼宇用能灵活性调控方法
JP2019060514A (ja) * 2017-09-25 2019-04-18 日本電信電話株式会社 空調制御装置、空調制御方法、およびプログラム
CN109945402A (zh) * 2019-03-07 2019-06-28 东南大学 一种中央空调水系统节能方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102866632A (zh) * 2012-08-31 2013-01-09 上海达希能源科技有限公司 中央空调供冷过程控制对象的建模方法
CN104633857A (zh) * 2014-10-16 2015-05-20 联和环保科技有限公司 一种空调节能优化控制方法及装置
EP3250861A1 (en) * 2015-01-30 2017-12-06 Schneider Electric USA, Inc. Interior user-comfort energy efficiency modeling and control systems and apparatuses
CN108875764A (zh) * 2017-07-12 2018-11-23 北京旷视科技有限公司 模型训练方法、装置、系统和计算机可读介质
JP2019060514A (ja) * 2017-09-25 2019-04-18 日本電信電話株式会社 空調制御装置、空調制御方法、およびプログラム
CN108489012A (zh) * 2018-01-30 2018-09-04 深圳市新环能科技有限公司 基于负荷预测与条件约束的空调冷源能效模型控制方法
CN109270841A (zh) * 2018-10-11 2019-01-25 东北电力大学 一种基于模型预测控制的智能楼宇用能灵活性调控方法
CN109945402A (zh) * 2019-03-07 2019-06-28 东南大学 一种中央空调水系统节能方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于知识蒸馏方法的行人属性识别研究;凌弘毅;《计算机应用与软件》;20181031;第3卷(第10期);第181-184，193页 *

Also Published As

Publication number Publication date
CN111103799A (zh) 2020-05-05

Similar Documents

Publication Publication Date Title
WO2022083009A1 (zh) 一种基于异源数据差补融合的定制产品性能预测方法
CN108446794A (zh) 一种基于多个卷积神经网络结合架构深度学习预测方法
CN109242149A (zh) 一种基于教育数据挖掘的学生成绩早期预警方法及系统
CN108921285A (zh) 基于双向门控循环神经网络的序列中单一元素分类方法
CN112529184B (zh) 融合领域知识与多源数据的工业过程优化决策方法
CN108647370A (zh) 基于双环迭代的无人直升机气动外形优化设计方法
CN109359815A (zh) 基于生成对抗网络的智能电网深度学习训练样本生成方法
CN105893669A (zh) 一种基于数据挖掘的全局仿真性能预测方法
CN108399470B (zh) 一种基于多示例遗传神经网络的室内pm2.5预测方法
CN103885867B (zh) 一种模拟电路性能的在线评价方法
CN110874685A (zh) 基于神经网络的智能电能表运行状态判别方法及系统
CN109754122A (zh) 一种基于随机森林特征提取的bp神经网络的数值预测方法
CN111103799B (zh) 基于师生网络在线探索学习的能效优化建模方法
CN110880044B (zh) 一种基于马尔科夫链的负荷预测方法
CN104134103B (zh) 利用修正的bp神经网络模型预测热油管道能耗的方法
CN115983438A (zh) 数据中心末端空调系统运行策略确定方法及装置
CN109491709A (zh) 一种基于ahp与神经网络的软件代码可控度综合评价方法
CN111242266A (zh) 一种运行数据管理系统
CN116384240A (zh) 一种服务器能耗预测方法、装置及存储介质
CN115629576A (zh) 非侵入式柔性负荷聚合特性辨识与优化方法、装置及设备
CN115796327A (zh) 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法
CN114909707A (zh) 一种基于智能平衡装置和强化学习的供热二级网调控方法
CN108830744B (zh) 一种电力系统内指定地区外网等值模型的动态校验方法
CN114548636A (zh) 一种基于深度神经网络多维度的机组生命周期测评方法
Wang et al. IUP: an intelligent utility prediction scheme for solid-state fermentation in 5G IoT

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