CN111859733B - 一种基于蚁群算法的汽车排气系统可靠性优化方法 - Google Patents

一种基于蚁群算法的汽车排气系统可靠性优化方法 Download PDF

Info

Publication number
CN111859733B
CN111859733B CN202010568873.8A CN202010568873A CN111859733B CN 111859733 B CN111859733 B CN 111859733B CN 202010568873 A CN202010568873 A CN 202010568873A CN 111859733 B CN111859733 B CN 111859733B
Authority
CN
China
Prior art keywords
exhaust system
stress
ant colony
colony algorithm
reliability
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
CN202010568873.8A
Other languages
English (en)
Other versions
CN111859733A (zh
Inventor
赵闵清
刘风华
林侦文
罗沁岚
吴卫国
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.)
Jiangxi Isuzu Motors Co Ltd
Original Assignee
Jiangxi Isuzu Motors 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 Jiangxi Isuzu Motors Co Ltd filed Critical Jiangxi Isuzu Motors Co Ltd
Priority to CN202010568873.8A priority Critical patent/CN111859733B/zh
Publication of CN111859733A publication Critical patent/CN111859733A/zh
Application granted granted Critical
Publication of CN111859733B publication Critical patent/CN111859733B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)
  • Exhaust Silencers (AREA)

Abstract

本发明公开了一种基于蚁群算法的汽车排气系统可靠性优化方法，涉及汽车排气系统领域，包括以下步骤：采用有限元分析方法，对排气系统的整体进行静力学计算分析；对排气系统各部分结构零部件应力应变设备进行数据采集；对可靠性系统进行优化建模；在基本蚁群算法的基础上，通过对启发函数进行动态变更及城市搜索方式的改造，改进蚁群算法；根据优化计算得出的设计参数，对排气系统各部分结构再次进行有限元分析验证。通过从信息素和概率模型方面对经典蚁群算法进行改进和优化，通过对产品的设计实际情况设置参数，以提高其计算结果的优化，提高计算稳定性和收敛速度并利用智能的仿生学算法的收敛优越性，对产品的可靠性寿命进行预测和优化设计。

Description

一种基于蚁群算法的汽车排气系统可靠性优化方法
技术领域
本发明涉及汽车排气系统领域，具体涉及一种基于蚁群算法的汽车排气系统可靠性优化方法。
背景技术
对于蚁群优化算法是基于模拟蚂蚁群寻轨的自然现象，得出的一种模拟求解的组合优化算法，该算法具有正反馈，分布式计算，启发式搜索来解决离散系统的组合优化问题。在单目标优化问题上能取得较为良好的效果。
对于耐久性技术经过数十年的演变与发展，可靠耐久性分析、优化、仿真、验证已经形成了一套科学高效的理论。在工程中，广泛运用于飞机、汽车、轨道车辆等结构。结构耐久性的核心是产品无故障工作的能力，耐久性优化对于产品的设计具有重要的意义，结构耐久性的分析方法主要包括两个方面，一是产品研制阶段预测使用寿命，确保产品设计达到规定的寿命要求；二是在产品使用阶段评估产品的剩余寿命，以便于从产品经济或安全的角度提出产品更换、大修或报废等措施。
有限元分析技术，是指利用数学近似的方法对真实物理系统(几何和载荷工况)进行模拟。还利用简单而又相互作用的元素，即单元，就可以用有限数量的未知量去逼近无限未知量的真实系统。它将求解域看成是由许多称为有限元的小的互连子域组成，对每一单元假定一个合适的(较简单的)近似解，然后推导求解整体的满足条件(如结构的平衡条件)，从而得到问题的解。
有限元法最初被称为矩阵近似方法，应用于航空器的结构强度计算，并由于其方便性、实用性和有效性而引起从事力学研究的科学家的浓厚兴趣。经过短短数十年的努力，随着计算机技术的快速发展和普及，有限元方法迅速从结构工程强度分析计算扩展到几乎所有的科学技术领域，成为一种丰富多彩、应用广泛并且实用高效的数值分析方法。
对于经典蚁群算法而言，其过分依赖信息素的“控制”而缺乏相应约束。其次，对于下一路径的判断，仅仅基于概率学基本参数的设定而不考虑进程的变化。故经典蚁群算法在搜索速度和收敛能力方面而有所欠缺，在实际应用过程中计算稳定性不良。
对于有限元分析技术而言，现有的有限元分析技术更多的是用于计算静态强度计算和应力分析。但在可靠耐久性分析中，有限元分析最大应力值的计算方法脱离的实际机械的运转和使用情况，计算时不考虑产品的实际使用周期，因而单纯的静态计算无法准确的反应产品在整个产品使用周期的受力情况，容易造成产品设计的“过量”。
发明内容
为解决现有技术问题，本发明通过从“信息素”和“概率模型”两方面对经典蚁群算法进行改进和优化，通过对产品的设计实际情况设置参数，以提高其计算结果的优化，提高计算稳定性和收敛速度。同时通过对应力—应变受力实际载荷谱的采集、数学分析、模拟建模以及有限元的分析技术等多种技术相结合，利用智能的仿生学算法的收敛优越性，对产品的可靠性寿命进行预测和优化设计，即通过相关技术优化调节各个计算参数，以达到提高排气系统可靠耐久性的目的。
本发明具体采用以下技术方案：
一种基于蚁群算法的汽车排气系统可靠性优化方法，包括以下步骤：
S1：采用有限元分析方法，对排气系统的整体进行静力学计算分析，通过模拟仿真应力计算出结构在受力过程中，应力集中部位或应力最大值点，并提取相关技术参数；
S2：零部件应力—应变数据采集，对排气系统各部分结构零部件应力应变设备进行数据采集，建立时域信号频谱分析图，进行受力分解；
S3：对可靠性系统进行优化建模，根据有限元分析提取出来的设计参数，框定设计裕度，建立设计参数约束，利用超拉丁方程建立多组随机变量，代入ANYSIS进行求解计算，计算出设计参数与可靠性受力的数学关系及计算模型；
S4：在基本蚁群算法的基础上，通过对启发函数进行动态变更及城市搜索方式的改造，改进蚁群算法，采用改进蚁群算法，对数学关系和计算模型进行优化求解；
S5：根据优化计算得出的设计参数，对排气系统各部分结构再次进行有限元分析验证，以及试制和试验实际验证。
进一步的方案是，S1中所述的有限元分析方法为对排气系统各部分结构分别划分网格形成有限个互相不重叠的单元，各单元之间通过节点连接，导入材料及特性参数，建立边界条件和约束，将结构原始边界条件等效为节点上的受力，并在各单元内，选择比较简单的函数用来分片近似求解函数。
进一步的方案是，在划分网格前，对排气系统各部分结构进行等效简化，简化后的网格划分可分为实体单元、壳单元和柔性连接单元。
进一步的方案是，S2中所述的对零部件应力应变设备进行数据采集通过路谱仪采集，且采集的方法为电测法。
进一步的方案是，S2和S3之间还包括在受力分解后采用雨流计算方法划分应力层级，编制程序块谱，计算出排气系统各部分结构零部件的疲劳损伤值，预估零部件的裂纹扩展寿命。
进一步的方案是，S4中所述的对数学关系和计算模型进行优化求解包括以下步骤；
S40：对相关参数进行初始化，包括蚁群规模、信息素因子、启发函数因子、信息素挥发因子、信息素常数、最大迭代次数等，以及将数据读入程序，并进行预处理：
S41：随机将蚂蚁放入不同出发点，对每个蚂蚁计算其下一个访问城市，直到有蚂蚁访问完所有城市；
S42：计算各个蚂蚁经过的路径长度，记录当前迭代次数最优解，同时对路径上的信息素浓度进行更新；
S43：判断是否达到最大迭代次数，如未达到，返回S41；如达到，则结束优化求解；
S44：输出结果，并根据需要输出寻优过程中的相关指标，如迭代次数等。
本发明的有益效果：
本发明通过从“信息素”和“概率模型”两方面对经典蚁群算法进行改进和优化，通过对产品的设计实际情况设置参数，以提高其计算结果的优化，提高计算稳定性和收敛速度。同时通过对应力—应变受力实际载荷谱的采集、数学分析、模拟建模以及有限元的分析技术等多种技术相结合，利用智能的仿生学算法的收敛优越性，对产品的可靠性寿命进行预测和优化设计，即通过相关技术优化调节各个计算参数，以达到提高排气系统可靠耐久性的目的；
本发明能够在汽车排气系统设计研发和试制阶段，就能够对其可靠性进行预测并结合实际道路路谱的采集和计算，使可靠性寿命更加贴近实际。
附图说明
图1为本发明实施例中对排气系统进行模拟仿真应力计算结果图；
图2为本发明实施例中排气系统吊钩的应力应变信号数据图；
图3为本发明实施例中排气系统吊钩位置的笛卡尔坐标系示意图；
图4为本发明实施例中数学模型的拟合度示意图；
图5为本发明实施例中程序迭代的计算界面图；
图6为本发明实施例中对调整优化后的排气系统吊钩进行模拟仿真应力计算结果图；
图7为本发明实施例中对调整优化后的排气系统吊钩的应力应变信号数据图。
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。
本发明的一个实施例公开了一种基于蚁群算法的汽车排气系统可靠性优化方法，包括以下步骤：
S1：采用有限元分析方法，对排气系统的整体进行静力学计算分析，通过模拟仿真应力计算出结构在受力过程中，应力集中部位或应力最大值点，如图1所示，通过有限元分析，该排气系统的应力集中位置为三个吊耳处，且Z向受力最大，达175.11MPa，根据有限元分析结果，选取三个吊耳位置布局为对象；
S2：对排气系统吊钩进行实际应力—应变道路载荷谱采集，读取应力应变信号，如图2所示，采集微小时域信号，程序块谱，划分应力层级，计算产品损伤，推到出排气系统在该工况下的疲劳寿命值；
S3：提取应力最大值部位即吊钩位置，作为设计优化变量，建立笛卡尔坐标系，建立位置参数约束，如图3所示，根据应力—应变数据及有限元分析建立数学模型，验证模型拟合度R2，如图4所示，当R2接近于1，则视为模型良好
S4：在基本蚁群算法的基础上，通过对启发函数进行动态变更及城市搜索方式的改造，改进蚁群算法，采用改进蚁群算法，对数学关系和计算模型进行优化求解；
模型计算步骤如下：
S40：根据A0、A1、A2所构成的约束范围，将函数的解全部计算出来，并构造一个解的矩阵；
S41：参数初始化，包括蚁群数量、最大迭代次数、概率因子、启发函数因子、信息素挥发因子等，以及将函数解的矩阵转化为转移概率矩阵；
S42：将m只蚂蚁随机置于解的矩阵的一个节点上。
S43：计算第t代Ct(Ftx1 Ftx2…Ftxm)并根据优化概率转移公式计算转移概率，根据信息素矩阵更新信息素，构造函数的解。
S44：根据蚂蚁转移概率选择下一代行动路径计算第t+1代，如果Ct+1<Ct，则更新目标函数值，否则返回S43；
S45：判断是否到达最大迭代次数，如果到达，则结束，否则返回步骤S43。
输出上述数学模型的最优解，如下表所示：
Figure BDA0002548602320000051
程序迭代的计算界面如图5所示。
如图6-7所示，S5：对调整优化后的排气系统吊钩处再次进行有限元分析计算后，最大值受力相比于之前175.11MPa已经降至163.38MPa，再次通过电测应变数据可知，该排气系统在相同吊钩对应部分的受力，均存在不同程度的缩小。总体受力相比于调整前，更小。
在本实施例中，S1中的有限元分析方法为对排气系统各部分结构分别划分网格形成有限个互相不重叠的单元，各单元之间通过节点连接，导入材料及特性参数，建立边界条件和约束，将结构原始边界条件等效为节点上的受力，并在各单元内，选择比较简单的函数用来分片近似求解函数。
在本实施例中，在划分网格前，对排气系统各部分结构进行等效简化，简化后的网格划分可分为实体单元、壳单元和柔性连接单元。
在本实施例中，S2中的对零部件应力应变设备进行数据采集通过路谱仪采集。
在本实施例中，S2和S3之间还包括在受力分解后采用雨流计算方法划分应力层级，编制程序块谱，计算出排气系统各部分结构零部件的疲劳损伤值，预估零部件的裂纹扩展寿命。
最后说明的是，以上仅对本发明具体实施例进行详细描述说明。但本发明并不限制于以上描述具体实施例。本领域的技术人员对本发明进行的等同修改和替代也都在本发明的范畴之中。因此，在不脱离本发明的精神和范围下所作的均等变换和修改，都涵盖在本发明范围内。

Claims (4)

1.一种基于蚁群算法的汽车排气系统可靠性优化方法，其特征在于：包括以下步骤：
S1：采用有限元分析方法，对排气系统各部分结构分别划分网格形成有限个互相不重叠的单元，各单元之间通过节点连接，导入材料及特性参数，建立边界条件和约束，将结构原始边界条件等效为节点上的受力，并在各单元内，选择函数用来分片近似求解函数，以对排气系统的整体进行静力学计算分析，通过模拟仿真应力计算出结构在受力过程中，应力集中部位或应力最大值点，并提取相关技术参数；
S2：零部件应力—应变数据采集，对排气系统各部分结构零部件应力应变设备进行数据采集，建立时域信号频谱分析图，进行受力分解；
S3：对可靠性系统进行优化建模，根据有限元分析提取出来的设计参数，框定设计裕度，建立设计参数约束，利用超拉丁方程建立多组随机变量，代入ANYSIS进行求解计算，计算出设计参数与可靠性受力的数学关系及计算模型；
S4：在基本蚁群算法的基础上，通过对启发函数进行动态变更及城市搜索方式的改造，改进蚁群算法，采用改进蚁群算法，对数学关系和计算模型进行优化求解，包括：S40：对相关参数进行初始化，包括蚁群规模、信息素因子、启发函数因子、信息素挥发因子、信息素常数、最大迭代次数，以及将数据读入程序，并进行预处理；S41：随机将蚂蚁放入不同出发点，对每个蚂蚁计算其下一个访问城市，直到有蚂蚁访问完所有城市；S42：计算各个蚂蚁经过的路径长度，记录当前迭代次数最优解，同时对路径上的信息素浓度进行更新；S43：判断是否达到最大迭代次数，如未达到，返回S41；如达到，则结束优化求解；S44：输出结果，并根据需要输出寻优过程中的相关指标，如迭代次数；
S5：根据优化计算得出的设计参数，对排气系统各部分结构再次进行有限元分析验证，以及试制和试验实际验证。
2.根据权利要求1所述的一种基于蚁群算法的汽车排气系统可靠性优化方法，其特征在于：
在划分网格前，对排气系统各部分结构进行等效简化，简化后的网格划分可分为实体单元、壳单元和柔性连接单元。
3.根据权利要求1所述的一种基于蚁群算法的汽车排气系统可靠性优化方法，其特征在于：
S2中所述的对排气系统各部分结构零部件应力应变设备进行数据采集通过路谱仪采集，且采集的方法为电测法。
4.根据权利要求1所述的一种基于蚁群算法的汽车排气系统可靠性优化方法，其特征在于：
S2和S3之间还包括在受力分解后采用雨流计算方法划分应力层级，编制程序块谱，计算出排气系统各部分结构零部件的疲劳损伤值，预估零部件的裂纹扩展寿命。
CN202010568873.8A 2020-06-19 2020-06-19 一种基于蚁群算法的汽车排气系统可靠性优化方法 Active CN111859733B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010568873.8A CN111859733B (zh) 2020-06-19 2020-06-19 一种基于蚁群算法的汽车排气系统可靠性优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010568873.8A CN111859733B (zh) 2020-06-19 2020-06-19 一种基于蚁群算法的汽车排气系统可靠性优化方法

Publications (2)

Publication Number Publication Date
CN111859733A CN111859733A (zh) 2020-10-30
CN111859733B true CN111859733B (zh) 2023-06-27

Family

ID=72987748

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010568873.8A Active CN111859733B (zh) 2020-06-19 2020-06-19 一种基于蚁群算法的汽车排气系统可靠性优化方法

Country Status (1)

Country Link
CN (1) CN111859733B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112417729B (zh) * 2020-11-23 2023-04-18 复旦大学 基于蚁群算法的SiC MOSFET封装结构优化方法
CN112347590B (zh) * 2020-11-30 2023-06-02 北海职业学院 一种基于逆向技术的失效零件优化设计方法
CN112597688B (zh) * 2021-03-02 2021-07-20 潍柴动力股份有限公司 一种排气管的优化设计方法
CN113516173B (zh) * 2021-05-27 2022-09-09 江西五十铃汽车有限公司 一种基于随机森林与决策树的整车静动态干涉的测评方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101470942B1 (ko) * 2014-07-31 2014-12-11 한양대학교 산학협력단 수정된 개미 군집 최적화 알고리즘을 이용한 컴플라이언트 메커니즘의 위상 최적화 방법 및 장치
CN104636510A (zh) * 2013-11-07 2015-05-20 大连市勘察测绘研究院有限公司 一种基于蚁群优化算法和质心算法的定位方法
CN106326531A (zh) * 2016-08-09 2017-01-11 杭州汽轮机股份有限公司 一种工业汽轮机排汽系统优化方法
CN108608628A (zh) * 2018-03-16 2018-10-02 黄力 遗传算法修正蚁群算法优化的pid控制器及其应用
CN108920782A (zh) * 2018-09-30 2018-11-30 安徽华电工程咨询设计有限公司 一种基于蚁群算法的输电钢管塔结构优化设计方法
CN109472094A (zh) * 2018-11-14 2019-03-15 北京长城华冠汽车技术开发有限公司 排气吊挂点优化分析方法及系统
CN111259468A (zh) * 2020-01-10 2020-06-09 同济大学 基于蚁群算法的渗流条件下冻结法的优化设计方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8112300B2 (en) * 2005-04-22 2012-02-07 Air Liquide Large Industries U.S. Lp Production optimizer for supply chain management

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104636510A (zh) * 2013-11-07 2015-05-20 大连市勘察测绘研究院有限公司 一种基于蚁群优化算法和质心算法的定位方法
KR101470942B1 (ko) * 2014-07-31 2014-12-11 한양대학교 산학협력단 수정된 개미 군집 최적화 알고리즘을 이용한 컴플라이언트 메커니즘의 위상 최적화 방법 및 장치
CN106326531A (zh) * 2016-08-09 2017-01-11 杭州汽轮机股份有限公司 一种工业汽轮机排汽系统优化方法
CN108608628A (zh) * 2018-03-16 2018-10-02 黄力 遗传算法修正蚁群算法优化的pid控制器及其应用
CN108920782A (zh) * 2018-09-30 2018-11-30 安徽华电工程咨询设计有限公司 一种基于蚁群算法的输电钢管塔结构优化设计方法
CN109472094A (zh) * 2018-11-14 2019-03-15 北京长城华冠汽车技术开发有限公司 排气吊挂点优化分析方法及系统
CN111259468A (zh) * 2020-01-10 2020-06-09 同济大学 基于蚁群算法的渗流条件下冻结法的优化设计方法

Also Published As

Publication number Publication date
CN111859733A (zh) 2020-10-30

Similar Documents

Publication Publication Date Title
CN111859733B (zh) 一种基于蚁群算法的汽车排气系统可靠性优化方法
CN112487702B (zh) 一种锂离子电池剩余使用寿命预测方法
CN105138717A (zh) 一种动态变异粒子群优化神经网络的变压器状态评估方法
CN108427845A (zh) 一种铅锌矿采矿过程碳排放短期预测方法
CN112884236B (zh) 一种基于vdm分解与lstm改进的短期负荷预测方法及系统
CN116804706B (zh) 一种电动汽车锂电池温度预测方法及装置
CN115907131B (zh) 一种北方地区电采暖负荷预测模型搭建方法和系统
CN116644970A (zh) 一种基于vmd分解和叠层深度学习的光伏功率预测方法
CN115310669A (zh) 一种基于二次分解和iwoa-lssvm的超短期风电功率预测方法
Liu et al. Wind power short-term forecasting based on LSTM neural network with dragonfly algorithm
CN118195333A (zh) 基于电动汽车充电站的储能规划方法
CN114781277A (zh) 一种基于lstm-svr的超级电容器剩余使用寿命预测方法
CN118428754A (zh) 一种新能源发电输入功率预测方法及系统
CN113762591B (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN118040678A (zh) 一种短期海上风电功率组合预测方法
CN111525577B (zh) 一种基于神经网络的远景220kV电网组网方法及其系统
CN113033898A (zh) 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统
CN116822742A (zh) 一种基于动态分解-重构集成处理的电力负荷预测方法
CN115221623A (zh) 基于人工智能技术的船体水动力构型优化设计流程架构
CN113239457B (zh) 一种基于灰聚类算法模型的多工况车架拓扑优化方法
CN115796327A (zh) 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法
CN115330085A (zh) 基于深度神经网络且无未来信息泄露的风速预测方法
CN113962357A (zh) 基于gwo-wnn的分布式光伏功率数据虚拟采集方法
CN113592565B (zh) 一种电力系统节点重要度预测方法
CN118484666B (zh) 面向源网荷多元应用的储能电站评估方法及系统

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