CN111580570A - 容器液位监控方法及其系统 - Google Patents
容器液位监控方法及其系统 Download PDFInfo
- Publication number
- CN111580570A CN111580570A CN202010466522.6A CN202010466522A CN111580570A CN 111580570 A CN111580570 A CN 111580570A CN 202010466522 A CN202010466522 A CN 202010466522A CN 111580570 A CN111580570 A CN 111580570A
- Authority
- CN
- China
- Prior art keywords
- liquid level
- value
- level height
- algorithm
- model
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D9/00—Level control, e.g. controlling quantity of material stored in vessel
- G05D9/12—Level control, e.g. controlling quantity of material stored in vessel characterised by the use of electric means
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Measurement Of Levels Of Liquids Or Fluent Solid Materials (AREA)
Abstract
一种容器液位监控方法,包括:通过液位传感器、压力传感器以及温度传感器实时采集容器内的液位高度值、液体的压力值以及温度值,所述液位传感器、压力传感器以及温度传感器设于所述容器内;将所述液位高度值、压力值以及温度值输入液位监控模型,得到液位高度精确值,所述液位监控模型为RBF神经网络模型,所述RBF神经网络模型通过训练算法以及输入的训练样本进行训练,使目标函数优化,所述训练样本包括液位高度值、压力值、温度值以及液位高度实际值,所述目标函数采用误差平方和最小函数。本发明提高了液位监控的准确性,提高了监控效率。
Description
技术领域
本发明涉及液位监控技术领域,尤其涉及一种容器液位监控方法及其系统。
背景技术
近年来,随着科技的发展,容器液位监控技术也向着监控速度快、监控精度高方向发展。现有的液位测量传感器装置主要有差压式、浮体式、电容式、电极式等。但利用上述传感器进行单独测量常出现测量不准确的现象。同时,可能由于温度等外界因素变化带来监控数据的不准确,这些都会造成所谓的“假液位”。
发明内容
基于此,针对上述技术问题,提供一种容器液位监控方法及其系统。
为解决上述技术问题,本发明采用如下技术方案:
一种容器液位监控方法,包括:
通过液位传感器、压力传感器以及温度传感器实时采集容器内的液位高度值、液体的压力值以及温度值,所述液位传感器、压力传感器以及温度传感器设于所述容器内;
将所述液位高度值、压力值以及温度值输入液位监控模型,得到液位高度精确值,所述液位监控模型为RBF神经网络模型,所述RBF神经网络模型通过训练算法以及输入的训练样本进行训练,使目标函数优化,所述训练样本包括液位高度值、压力值、温度值以及液位高度实际值,所述目标函数采用误差平方和最小函数。
由容器本地的数据终端通过液位传感器、压力传感器以及温度传感器实时采集容器内的液位高度值、液体的压力值以及温度值,并通过网络发送给云端服务器;
由所述云端服务器将所述液位高度值、压力值以及温度值输入所述液位监控模型,得到液位高度精确值;
该方法还包括:
由所述云端服务器将所述压力值、温度值以及外界温度信息输入液位预测模型,得到液位高度预测值,所述液位预测模型为RBF神经网络模型,所述RBF神经网络模型通过训练算法以及输入的训练样本进行训练,使目标函数优化,所述训练样本包括压力值、温度值、外界温度信息以及液位高度实际值,所述目标函数采用误差平方和最小函数。
本方案还包括对数据进行预处理去噪后再输入模型,所述预处理去噪包括:
采用经验模态分解法EMD对数据进行分解;
去掉高频分量;
对其余分量进行数据重组。
所述RBF神经网络模型采用4-10-1结构。
所述学习算法采用RLS算法或者BP算法,所述BP算法为带有动量因子的BP算法,其权值更新公式如下:
本方案还涉及一种容器液位监控系统,包括:
数据采集模块,用于通过液位传感器、压力传感器以及温度传感器实时采集容器内的液位高度值、压力值以及温度值,所述液位传感器、压力传感器以及温度传感器设于所述容器内;
液位监控模块,用于将所述液位高度值、压力值以及温度值输入液位监控模型,得到液位高度精确值,所述液位监控模型为RBF神经网络模型,所述RBF神经网络模型通过训练算法以及输入的训练样本进行训练,使目标函数优化,所述训练样本包括液位高度值、压力值、温度值以及液位高度实际值,所述目标函数采用误差平方和最小函数。
本方案还包括液位预测模块,用于将所述压力值、温度值以及外界温度信息输入液位预测模型,得到液位高度预测值,所述液位预测模型为RBF神经网络模型,所述RBF神经网络模型通过训练算法以及输入的训练样本进行训练,使目标函数优化,所述训练样本包括压力值、温度值、外界温度信息以及液位高度实际值,所述目标函数采用误差平方和最小函数;
所述数据采集模块设于容器本地的数据终端内,所述液位监控模块以及液位预测模块均设于云端服务器内,所述数据终端通过网络与云端服务器连接。
本方案还包括数据预处理模块,用于对数据进行预处理去噪后再输入模型,所述数据预处理模块设于所述云端服务器内,所述预处理去噪包括:
采用经验模态分解法EMD对数据进行分解;
去掉高频分量;
对其余分量进行数据重组。
所述RBF神经网络模型采用4-10-1结构,并通过学习算法优化其参数。
所述学习算法采用RLS算法或者BP算法,所述BP算法为带有动量因子的BP算法,其权值更新公式如下:
本发明提高了液位监控的准确性,提高了监控效率。
附图说明
下面结合附图和具体实施方式对本发明进行详细说明:
图1为本发明方法的流程图;
图2为本发明系统的结构示意图;
图3为本发明的液位监控模型的训练示意图;
图4为本发明的预处理去噪流程图。
具体实施方式
如图1以及图2所示,一种容器液位监控方法,包括:
S101、通过液位传感器21、压力传感器22以及温度传感器23实时采集容器内的液位高度值、液体的压力值以及温度值。
其中,液位传感器21、压力传感器22以及温度传感器23设于容器20内。
S102、将上述液位高度值、压力值以及温度值输入液位监控模型,得到液位高度精确值。
其中,液位监控模型为RBF神经网络模型,RBF神经网络模型通过训练算法以及输入的训练样本进行训练,训练算法是为了训练神经网络的参数,从而使目标函数优化,训练样本包括液位高度值、压力值、温度值以及液位高度实际值,可以采用历史检测数据作为训练样本,目标函数采用误差平方和最小函数,使模型输出的液位值与液位高度实际值的误差平方和最小,参见图3。
RBF神经网络中,参数训练主要包括:隐含层基函数的中心、隐含层基函数的标准差以及隐含层与输出层间的权值。
在随机选取固定中心的方法中,基函数中心和标准差固定,需要训练的参数为隐含层与输出层之间的权值。中心选取的方式为在输入数据中随机选取,且选取后固定。基函数的标准差选取方式如下:
其中,dmax表示选取中心间距离的最大值,n表示隐含层节点的个数。
在中心和标准差都确定后,基函数为:
基函数φ为非线性函数,训练数据点Xk是φ的中心。基函数以输入空间的点Xi与中心Xk的距离作为函数的自变量。
本发明利用人工智能技术建立液位监控模型,即将各传感器信息引入到神经网络液位监控模型中来,通过已采集数据对该模型进行训练,通过该模型对液位进行监控,实时获得容器内的液位高度,提高了液位监控的准确性,提高了监控效率。
优选地,在本实施例中,步骤S101由容器本地的数据终端3通过液位传感器21、压力传感器22以及温度传感器23实时采集容器20内的液位高度值、液体的压力值以及温度值,并通过网络发送给云端服务器4;步骤S102由云端服务器4将液位高度值、压力值以及温度值输入液位监控模型,得到液位高度精确值。
优选地,本发明可以通过步骤S103对容器20未来的液位高度进行预测:
S103、由云端服务器4将压力值、温度值以及外界温度信息输入液位预测模型,得到液位高度预测值,液位预测模型为RBF神经网络模型,RBF神经网络模型通过训练算法以及输入的训练样本进行训练,使目标函数优化,训练样本包括压力值、温度值、外界温度信息以及液位高度实际值,可以采用历史检测数据作为训练样本,目标函数采用误差平方和最小函数。
预测可以分为长时间预测与短时间预测,具体根据用户需求来设定,可以以分钟,小时或者天来进行预测,当然相应的输入数据采用相同的时间标准。
如预测今天16点的液位高度,可以取前30天中每天16点的压力值、温度值、外界温度信息以及液位高度实际值对液位预测模型进行训练。
其中,在进行液位高度预测时,外界温度信息可以由人工输入云端服务器4,也可以由云端服务器4通过互联网获取容器所处地区的温度,或者可以在容器本地设置温度检测装置,检测值可以由数据终端3通过网络发送给云端服务器4。
优选地,本发明在将数据(液位高度值、压力值、温度值以及外界温度信息)输入模型(液位监控模型、液位预测模型)前,先进行预处理去噪,从而提高数据准确度。
具体地,如图4所示,预处理去噪包括:
一、采用经验模态分解法EMD对数据进行分解:对原始数据x(k)进行EMD分解,其由若干本征模态函数imfi(k)和一个残余信号rn(k)组成。分解结果为:
由如下方法得到每一个本征模态函数:
1、极大值包络线e+(k)和极小值包络线e-(k)由原有数据x(k)的所有极大值点和极小值点中分别通过三次样条函数来拟合得到。其上下包络线的均值作为原始数据的均值包络m1(k),则将原始数据序列减去m1(k),得到一个去掉低频的新数据得到一般,不是一个平稳数据,不满足IMF的两个条件,重复上述过程,假定经过k次之后满足IMF的定义,则原始数据x(t)的一阶IMF分量为:
2、用原始数据减去imf1(k),得到新数据r1(k),则:r1(k)=x(k)-imf1(k)。
3、如此反复进行,直到第n阶IMF分量或残余分量rn(k)小于预设值或当残余分量rn(k)是单调函数或常量时,EMD分解停止,得到相应的IMF分量。
二、去掉高频分量:通过对高频IMF分量、低频IMF分量和余量分析,同时噪声能量多集中于高频的特点,把分解后的数据去掉部分高频分量(根据不同采样数据进行不同处理,本实施例中把高频分量前两列去掉),得到处理后的各分量。
二、对其余分量进行数据重组:
在本实施例中,RBF神经网络模型采用4-10-1结构。
学习算法采用RLS(Recursive Least Square,RLS)算法或者BP(BackPropagation,BP)算法,为了解决易陷入极小值的问题,BP算法为带有动量因子的BP算法,从而提高算法的收敛速率。
权重可以通过以下目标函数(误差平方和最小函数)来训练:
其权值更新公式如下:
当然,本发明并不限于RBF神经网络,也可以采用BP神经网络或者LSTM神经网络。
如图1以及图2所示,本发明还涉及一种容器液位监控系统,包括:
数据采集模块,用于执行:
S101、通过液位传感器21、压力传感器22以及温度传感器23实时采集容器内的液位高度值、液体的压力值以及温度值。
其中,液位传感器21、压力传感器22以及温度传感器23设于容器20内。
液位监控模块,用于执行:
S102、将上述液位高度值、压力值以及温度值输入液位监控模型,得到液位高度精确值。
其中,液位监控模型为RBF神经网络模型,RBF神经网络模型通过训练算法以及输入的训练样本进行训练,训练算法是为了训练神经网络的参数,从而使目标函数优化,训练样本包括液位高度值、压力值、温度值以及液位高度实际值,可以采用历史检测数据作为训练样本,目标函数采用误差平方和最小函数,使模型输出的液位值与液位高度实际值的误差平方和最小,参见图3。
RBF神经网络中,参数训练主要包括:隐含层基函数的中心、隐含层基函数的标准差以及隐含层与输出层间的权值。
在随机选取固定中心的方法中,基函数中心和标准差固定,需要训练的参数为隐含层与输出层之间的权值。中心选取的方式为在输入数据中随机选取,且选取后固定。基函数的标准差选取方式如下:
其中,dmax表示选取中心间距离的最大值,n表示隐含层节点的个数。
在中心和标准差都确定后,基函数为:
基函数φ为非线性函数,训练数据点Xk是φ的中心。基函数以输入空间的点Xi与中心Xk的距离作为函数的自变量。
本发明利用人工智能技术建立液位监控模型,即将各传感器信息引入到神经网络液位监控模型中来,通过已采集数据对该模型进行训练,通过该模型对液位进行监控,实时获得容器内的液位高度,提高了液位监控的准确性,提高了监控效率。
优选地,本发明还具有液位预测模块,用于执行步骤S103以对容器20未来的液位高度进行预测:
S103、由云端服务器4将压力值、温度值以及外界温度信息输入液位预测模型,得到液位高度预测值,液位预测模型为RBF神经网络模型,RBF神经网络模型通过训练算法以及输入的训练样本进行训练,使目标函数优化,训练样本包括压力值、温度值、外界温度信息以及液位高度实际值,可以采用历史检测数据作为训练样本,目标函数采用误差平方和最小函数。
预测可以分为长时间预测与短时间预测,具体根据用户需求来设定,可以以分钟,小时或者天来进行预测,当然相应的输入数据采用相同的时间标准。
如预测今天16点的液位高度,可以取前30天中每天16点的压力值、温度值、外界温度信息以及液位高度实际值对液位预测模型进行训练。
其中,在进行液位高度预测时,外界温度信息可以由人工输入云端服务器4,也可以由云端服务器4通过互联网获取容器所处地区的温度,或者可以在容器本地设置温度检测装置,检测值可以由数据终端3通过网络发送给云端服务器4。
数据采集模块设于容器本地的数据终端3内,液位监控模块以及液位预测模块均设于云端服务器4内,数据终端4通过网络与云端服务器4连接。
当然,还可以在云端服务器4内设置液位报警模块,当液位异常时可以进行报警。
优选地,本发明在将数据(液位高度值、压力值、温度值以及外界温度信息)输入模型(液位监控模型、液位预测模型)前,先进行预处理去噪,从而提高数据准确度。
具体地,如图4所示,预处理去噪包括:
一、采用经验模态分解法EMD对数据进行分解:对原始数据x(k)进行EMD分解,其由若干本征模态函数imfi(k)和一个残余信号rn(k)组成。分解结果为:
由如下方法得到每一个本征模态函数:
2、极大值包络线e+(k)和极小值包络线e-(k)由原有数据x(k)的所有极大值点和极小值点中分别通过三次样条函数来拟合得到。其上下包络线的均值作为原始数据的均值包络m1(k),则将原始数据序列减去m1(k),得到一个去掉低频的新数据得到一般,不是一个平稳数据,不满足IMF的两个条件,重复上述过程,假定经过k次之后满足IMF的定义,则原始数据x(t)的一阶IMF分量为:
2、用原始数据减去imf1(k),得到新数据r1(k),则:r1(k)=x(k)-imf1(k)。
3、如此反复进行,直到第n阶IMF分量或残余分量rn(k)小于预设值或当残余分量rn(k)是单调函数或常量时,EMD分解停止,得到相应的IMF分量。
二、去掉高频分量:通过对高频IMF分量、低频IMF分量和余量分析,同时噪声能量多集中于高频的特点,把分解后的数据去掉部分高频分量(根据不同采样数据进行不同处理,本实施例中把高频分量前两列去掉),得到处理后的各分量。
二、对其余分量进行数据重组:
在本实施例中,RBF神经网络模型采用4-10-1结构。
学习算法采用RLS(Recursive Least Square,RLS)算法或者BP(BackPropagation,BP)算法,为了解决易陷入极小值的问题,BP算法为带有动量因子的BP算法,从而提高算法的收敛速率。
权重可以通过以下目标函数(误差平方和最小函数)来训练:
其权值更新公式如下:
当然,本发明并不限于RBF神经网络,也可以采用BP神经网络或者LSTM神经网络。
但是,本技术领域中的普通技术人员应当认识到,以上的实施例仅是用来说明本发明,而并非用作为对本发明的限定,只要在本发明的实质精神范围内,对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。
Claims (10)
1.一种容器液位监控方法,其特征在于,包括:
通过液位传感器、压力传感器以及温度传感器实时采集容器内的液位高度值、液体的压力值以及温度值,所述液位传感器、压力传感器以及温度传感器设于所述容器内;
将所述液位高度值、压力值以及温度值输入液位监控模型,得到液位高度精确值,所述液位监控模型为RBF神经网络模型,所述RBF神经网络模型通过训练算法以及输入的训练样本进行训练,使目标函数优化,所述训练样本包括液位高度值、压力值、温度值以及液位高度实际值,所述目标函数采用误差平方和最小函数。
2.根据权利要求1所述的一种容器液位监控方法,其特征在于,由容器本地的数据终端通过液位传感器、压力传感器以及温度传感器实时采集容器内的液位高度值、液体的压力值以及温度值,并通过网络发送给云端服务器;
由所述云端服务器将所述液位高度值、压力值以及温度值输入所述液位监控模型,得到液位高度精确值;
该方法还包括:
由所述云端服务器将所述压力值、温度值以及外界温度信息输入液位预测模型,得到液位高度预测值,所述液位预测模型为RBF神经网络模型,所述RBF神经网络模型通过训练算法以及输入的训练样本进行训练,使目标函数优化,所述训练样本包括压力值、温度值、外界温度信息以及液位高度实际值,所述目标函数采用误差平方和最小函数。
3.根据权利要求2所述的一种容器液位监控方法,其特征在于,还包括对数据进行预处理去噪后再输入模型,所述预处理去噪包括:
采用经验模态分解法EMD对数据进行分解;
去掉高频分量;
对其余分量进行数据重组。
4.根据权利要求2或3所述的一种容器液位监控方法,其特征在于,所述RBF神经网络模型采用4-10-1结构。
6.一种容器液位监控系统,其特征在于,包括:
数据采集模块,用于通过液位传感器、压力传感器以及温度传感器实时采集容器内的液位高度值、压力值以及温度值,所述液位传感器、压力传感器以及温度传感器设于所述容器内;
液位监控模块,用于将所述液位高度值、压力值以及温度值输入液位监控模型,得到液位高度精确值,所述液位监控模型为RBF神经网络模型,所述RBF神经网络模型通过训练算法以及输入的训练样本进行训练,使目标函数优化,所述训练样本包括液位高度值、压力值、温度值以及液位高度实际值,所述目标函数采用误差平方和最小函数。
7.根据权利要求6所述的一种容器液位监控系统,其特征在于,还包括液位预测模块,用于将所述压力值、温度值以及外界温度信息输入液位预测模型,得到液位高度预测值,所述液位预测模型为RBF神经网络模型,所述RBF神经网络模型通过训练算法以及输入的训练样本进行训练,使目标函数优化,所述训练样本包括压力值、温度值、外界温度信息以及液位高度实际值,所述目标函数采用误差平方和最小函数;
所述数据采集模块设于容器本地的数据终端内,所述液位监控模块以及液位预测模块均设于云端服务器内,所述数据终端通过网络与云端服务器连接。
8.根据权利要求7所述的一种容器液位监控系统,其特征在于,还包括数据预处理模块,用于对数据进行预处理去噪后再输入模型,所述数据预处理模块设于所述云端服务器内,所述预处理去噪包括:
采用经验模态分解法EMD对数据进行分解;
去掉高频分量;
对其余分量进行数据重组。
9.根据权利要求7或8所述的一种容器液位监控系统,其特征在于,所述RBF神经网络模型采用4-10-1结构,并通过学习算法优化其参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010466522.6A CN111580570B (zh) | 2020-05-28 | 2020-05-28 | 容器液位监控方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010466522.6A CN111580570B (zh) | 2020-05-28 | 2020-05-28 | 容器液位监控方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111580570A true CN111580570A (zh) | 2020-08-25 |
CN111580570B CN111580570B (zh) | 2023-03-17 |
Family
ID=72112665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010466522.6A Active CN111580570B (zh) | 2020-05-28 | 2020-05-28 | 容器液位监控方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111580570B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113885596A (zh) * | 2021-10-20 | 2022-01-04 | 连云港豪瑞生物技术有限公司 | 污水处理智能监控系统 |
CN115646396A (zh) * | 2022-12-28 | 2023-01-31 | 安徽建筑大学 | 反应釜反应过程中安全参数检测方法、控制方法及装置 |
CN116448209A (zh) * | 2023-06-15 | 2023-07-18 | 合肥市富林物联网技术股份有限公司 | 一种基于压力传感器的液位识别方法、装置及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103499374A (zh) * | 2013-09-05 | 2014-01-08 | 江苏大学 | 一种基于神经网络的超声波动态液位检测方法和系统 |
JP2016173301A (ja) * | 2015-03-17 | 2016-09-29 | Dmg森精機株式会社 | 液位検出方法及び液位検出装置、並びにこの液位検出装置を備えた工作機械 |
-
2020
- 2020-05-28 CN CN202010466522.6A patent/CN111580570B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103499374A (zh) * | 2013-09-05 | 2014-01-08 | 江苏大学 | 一种基于神经网络的超声波动态液位检测方法和系统 |
JP2016173301A (ja) * | 2015-03-17 | 2016-09-29 | Dmg森精機株式会社 | 液位検出方法及び液位検出装置、並びにこの液位検出装置を備えた工作機械 |
Non-Patent Citations (1)
Title |
---|
谢苗;刘治翔;毛君;: "基于改进型ANFIS的磁致伸缩液位传感器温度补偿" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113885596A (zh) * | 2021-10-20 | 2022-01-04 | 连云港豪瑞生物技术有限公司 | 污水处理智能监控系统 |
CN115646396A (zh) * | 2022-12-28 | 2023-01-31 | 安徽建筑大学 | 反应釜反应过程中安全参数检测方法、控制方法及装置 |
CN115646396B (zh) * | 2022-12-28 | 2023-03-10 | 安徽建筑大学 | 反应釜反应过程中安全参数检测方法、控制方法及装置 |
CN116448209A (zh) * | 2023-06-15 | 2023-07-18 | 合肥市富林物联网技术股份有限公司 | 一种基于压力传感器的液位识别方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111580570B (zh) | 2023-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111580570B (zh) | 容器液位监控方法及其系统 | |
CN111830408B (zh) | 一种基于边缘计算和深度学习的电机故障诊断系统及方法 | |
CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
CN111784041B (zh) | 一种基于图卷积神经网络的风电功率预测方法及系统 | |
CN110727665B (zh) | 物联网设备上报数据质量分析方法及系统 | |
CN111582551B (zh) | 风电场短期风速预测方法、系统及电子设备 | |
CN112966432A (zh) | 一种锂离子电池剩余有效寿命预测方法及装置 | |
CN111931983B (zh) | 一种降水量预测方法及系统 | |
CN112686481A (zh) | 一种径流量预报方法、处理器 | |
CN111881954A (zh) | 基于渐进式簇净化网络的转导推理小样本分类方法 | |
CN112100574A (zh) | 一种基于重采样的aakr模型不确定度计算方法及系统 | |
CN114548199A (zh) | 一种基于深度迁移网络的多传感器数据融合方法 | |
CN116485031A (zh) | 短期电力负荷的预测方法、装置、设备及存储介质 | |
CN115879607A (zh) | 一种电能表状态预测方法、系统、设备和存储介质 | |
CN105303051A (zh) | 一种空气污染物浓度预测方法 | |
CN113361782A (zh) | 基于改进mkpls的光伏发电功率短期滚动预测方法 | |
CN117350897A (zh) | 一种考虑空气湿度的转换功率预测的方法和系统 | |
CN116859255A (zh) | 一种储能电池健康状态的预测方法、装置、设备及介质 | |
CN116861256A (zh) | 一种固废焚烧过程的炉温预测方法、系统、设备及介质 | |
CN117055005A (zh) | 一种基于深度主动学习的雷达目标识别方法及雷达系统 | |
CN114994800B (zh) | 一种大气细颗粒物的反演方法及装置 | |
CN115062526B (zh) | 基于深度学习的三维电离层电子浓度分布模型训练方法 | |
CN113343590B (zh) | 一种基于组合模型的风速预测方法及系统 | |
CN112766537B (zh) | 一种短期电负荷预测方法 | |
Chen et al. | Gearbox fault diagnosis classification with empirical mode decomposition based on improved long short-term memory |
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 |