CN111896874B - 基于演化神经网络的电池soc预测方法 - Google Patents
基于演化神经网络的电池soc预测方法 Download PDFInfo
- Publication number
- CN111896874B CN111896874B CN202010669743.3A CN202010669743A CN111896874B CN 111896874 B CN111896874 B CN 111896874B CN 202010669743 A CN202010669743 A CN 202010669743A CN 111896874 B CN111896874 B CN 111896874B
- Authority
- CN
- China
- Prior art keywords
- harmony
- neural network
- battery soc
- melody
- predicting
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000006978 adaptation Effects 0.000 claims abstract description 16
- 101100177269 Arabidopsis thaliana HCAR gene Proteins 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 210000005036 nerve Anatomy 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种基于演化神经网络的电池SOC预测方法。本发明利用改进的和声搜索算法来求解神经网络的参数,然后利用得到的神经网络来建立电池SOC的预测模型。在改进的和声搜索算法中,首先挑选出适应值比较优秀的个体组成创作灵感集合,然后利用创作灵感集合来生成混合和声旋律,再利用混合和声旋律来加快算法的收敛速度,从而提升电池SOC的预测精度。
Description
技术领域
本发明涉及电池SOC测量领域,尤其是涉及一种基于演化神经网络的电池SOC预测方法。
背景技术
电池技术广泛应用于现代社会的各个方面。电池SOC的预测是电池技术的关键技术之一。通常,电池SOC指的是电池的剩余电量。由于电池SOC难以直接使用仪器进行测量,研究人员常常根据电池当前的一些可直接测量的状态量来预测电池的剩余电量。神经网络是一种常用以预测电池SOC的方法,然而神经网络应用于电池SOC预测时容易出现预测精度不够的缺点[于仲安,卢健,王先敏.基于GA-BP神经网络的锂离子电池SOC估计[J].电源技术,2020,44(03):337-340+421]。为此,研究人员常常利用演化算法来优化设计神经网络的参数,以提升电池SOC的预测精度。
和声搜索算法是一种模拟乐曲创作过程的演化算法,它在优化许多工程实践问题中取得了一定的效果。然而,传统和声搜索算法应用于优化设计神经网络的参数时容易出现收敛慢的缺点,从而导致电池SOC的预测精度不够。
发明内容
本发明提供一种基于演化神经网络的电池SOC预测方法。它在一定程度上克服了传统和声搜索算法应用于优化设计神经网络的参数时容易出现收敛慢的缺点,本发明能够提高电池SOC的预测精度。
本发明的技术方案:一种基于演化神经网络的电池SOC预测方法,包括以下步骤:
步骤1,输入电池SOC样本数据集,然后对电池SOC样本数据集进行预处理;
步骤2,确定预测电池SOC的神经网络结构,并确定预测电池SOC的神经网络的待优化参数的个数ND;所述的神经网络的待优化参数包括神经网络的权重和偏置;
步骤3,设置和声记忆库容量HMS,和声旋律思考概率HMCR,音高调整概率PAR,和声旋律启发概率BHR,最大创作次数MaxNI;
步骤4,设置当前创作次数NI=0;
步骤5,在预测电池SOC的神经网络的待优化参数的搜索空间中随机产生HMS个和声旋律Xi,其中和声旋律下标i=1,2,...,HMS;和声旋律Xi存储了预测电池SOC的神经网络的ND个待优化参数;将产生的HMS个和声旋律组成和声记忆库{X1,X2,...,Xi,...,XHMS},其中Xi表示和声记忆库中的第i个和声旋律;
步骤6,利用电池SOC样本数据集计算和声记忆库中每个和声旋律Xi的适应值,具体过程为:从和声旋律Xi中提取出预测电池SOC的神经网络的待优化参数,利用得到的神经网络的待优化参数构建预测电池SOC的神经网络nnfi,计算预测电池SOC的神经网络nnfi在电池SOC样本数据集上的均方误差seri,将和声旋律Xi的适应值设置为seri;所述的预测电池SOC的神经网络的输入变量为电流和电压;所述的预测电池SOC的神经网络的输出变量为SOC值;
步骤7,从和声记忆库中挑选出适应值最小的和声旋律作为最美和声旋律bestX;挑选出适应值最大的和声旋律作为最差和声旋律worstX;
步骤8,按公式(1)计算创作灵感集合的规模BHN:
BHN=ceil(HMS×BHR) (1)
其中,ceil表示向上取整函数;
步骤9,将和声记忆库中的和声旋律按适应值从小到大进行排序,并从和声记忆库中挑选出适应值靠前的BHN个和声旋律构成创作灵感集合CIX;
步骤10,按公式(2)计算创作灵感集合中每个和声旋律的影响度Ek:
其中,bestfit是最美和声旋律的适应值,fitCIk是创作灵感集合中的第k个和声旋律的适应值;
步骤11,利用公式(3)计算得到混合和声旋律BH:
其中,CIk表示创作灵感集合中的第k个和声旋律;
步骤12,执行搜索操作产生新的和声旋律V,具体过程如下:
步骤12.1,令维度变量dk=1;
步骤12.2,在[0,1]范围内随机生成一个实数α1,如果α1小于和声旋律思考概率HMCR,则转到步骤12.3,否则转到步骤12.6;
步骤12.3,从和声记忆库中随机选择一个和声旋律Xr1,其中下标r1是从集合{1,2,...,HMS}中随机选择的一个正整数,并令Vdk=Xr1,dk,其中Xr1,dk表示和声记忆库中的和声旋律Xr1所存储的预测电池SOC的神经网络的第dk个待优化参数;Vdk表示和声旋律V所存储的预测电池SOC的神经网络的第dk个待优化参数;
步骤12.4,在[0,1]范围内随机生成一个实数α2,如果α2小于音高调整概率PAR,则按公式(4)对Vdk进行修改,否则保持Vdk不变:
Vdk=bestXdk+Φ·(BHdk-Xr2,dk) (4)
其中,Φ是[-1,1]范围内产生的一个随机实数,r2是从集合{1,2,...,HMS}中随机选择的一个正整数,bestXdk表示最美和声旋律bestX所存储的预测电池SOC的神经网络的第dk个待优化参数,BHdk表示混合和声旋律BH所存储的预测电池SOC的神经网络的第dk个待优化参数,Xr2,dk表示和声记忆库中的和声旋律Xr2所存储的预测电池SOC的神经网络的第dk个待优化参数;
步骤12.5,转到步骤12.7;
步骤12.6,按公式(5)计算Vdk:
步骤12.7,令维度变量dk=dk+1;
步骤12.8,如果维度变量dk大于ND,则转到步骤13,否则转到步骤12.2;
步骤13,计算和声旋律V的适应值fitV,如果fitV比最差和声旋律的适应值小,则用和声旋律V替换和声记忆库中的最差和声旋律worstX,否则丢弃和声旋律V;
步骤14,从和声记忆库中挑选出最美和声旋律bestX;
步骤15,从和声记忆库中挑选出最差和声旋律worstX;
步骤16,设置当前创作次数NI=NI+1;
步骤17,如果当前创作次数小于最大创作次数MaxNI,则转到步骤9,否则转到步骤18;
步骤18,利用最美和声旋律bestX所存储的预测电池SOC的神经网络的ND个待优化参数来构建预测电池SOC的神经网络,即实现电池SOC的预测。
本发明利用改进的和声搜索算法来优化设计神经网络的参数,利用优化得到的神经网络来构建电池SOC的预测模型。在改进的和声搜索算法中,利用搜索过程中得到的较优个体来构成创作灵感集合,然后基于创作灵感集合以及适应值信息来生成混合和声旋律,并利用混合和声旋律来引导算法生成新的候选解,提高算法的搜索效率,从而提升电池SOC的预测精度。
附图说明
图1为本发明的流程图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例:
本实施例基于文献[罗宏远,王德运,潘雯雯,魏帅.基于DE-ELM的电池SOC预测研究[J].数学的实践与认识,2016,46(22):236-243]中的电池SOC预测问题为例,本发明的具体实施步骤如下:
步骤1,输入电池SOC样本数据集,然后对电池SOC样本数据集进行预处理;其中,预处理包括但不限于填补电池SOC样本缺失数据,对电池SOC样本数据进行归一化;
步骤2,确定预测电池SOC的神经网络结构为三层感知机神经网络,其中,三层感知机神经网络的输入层有2个神经元,隐含层有8个神经元,输出层有1个神经元,并确定预测电池SOC的神经网络的待优化参数的个数ND=33;其中,神经网络的待优化参数包括神经网络的权重和偏置;
步骤3,设置和声记忆库容量HMS=100,和声旋律思考概率HMCR=0.98,音高调整概率PAR=0.3,和声旋律启发概率BHR=0.1,最大创作次数MaxNI=10000;
步骤4,设置当前创作次数NI=0;
步骤5,在预测电池SOC的神经网络的待优化参数的搜索空间中随机产生HMS个和声旋律Xi,其中和声旋律下标i=1,2,...,HMS;和声旋律Xi存储了预测电池SOC的神经网络的ND个待优化参数;将产生的HMS个和声旋律组成和声记忆库{X1,X2,...,Xi,...,XHMS},其中Xi表示和声记忆库中的第i个和声旋律;
步骤6,利用电池SOC样本数据集计算和声记忆库中每个和声旋律Xi的适应值,具体过程为:从和声旋律Xi中提取出预测电池SOC的神经网络的待优化参数,利用得到的神经网络的待优化参数构建预测电池SOC的神经网络nnfi,计算预测电池SOC的神经网络nnfi在电池SOC样本数据集上的均方误差seri,将和声旋律Xi的适应值设置为seri;其中,预测电池SOC的神经网络的输入变量为电流和电压;预测电池SOC的神经网络的输出变量为SOC值;
步骤7,从和声记忆库中挑选出适应值最小的和声旋律作为最美和声旋律bestX;挑选出适应值最大的和声旋律作为最差和声旋律worstX;
步骤8,按公式(1)计算创作灵感集合的规模BHN:
BHN=ceil(HMS×BHR) (1)
其中,ceil表示向上取整函数;
步骤9,将和声记忆库中的和声旋律按适应值从小到大进行排序,并从和声记忆库中挑选出适应值靠前的BHN个和声旋律构成创作灵感集合CIX;
步骤10,按公式(2)计算创作灵感集合中每个和声旋律的影响度Ek:
其中,bestfit是最美和声旋律的适应值,fitCIk是创作灵感集合中的第k个和声旋律的适应值;
步骤11,利用公式(3)计算得到混合和声旋律BH:
其中,CIk表示创作灵感集合中的第k个和声旋律;
步骤12,执行搜索操作产生新的和声旋律V,具体过程如下:
步骤12.1,令维度变量dk=1;
步骤12.2,在[0,1]范围内随机生成一个实数α1,如果α1小于和声旋律思考概率HMCR,则转到步骤12.3,否则转到步骤12.6;
步骤12.3,从和声记忆库中随机选择一个和声旋律Xr1,其中下标r1是从集合{1,2,...,HMS}中随机选择的一个正整数,并令Vdk=Xr1,dk,其中Xr1,dk表示和声记忆库中的和声旋律Xr1所存储的预测电池SOC的神经网络的第dk个待优化参数;Vdk表示和声旋律V所存储的预测电池SOC的神经网络的第dk个待优化参数;
步骤12.4,在[0,1]范围内随机生成一个实数α2,如果α2小于音高调整概率PAR,则按公式(4)对Vdk进行修改,否则保持Vdk不变:
Vdk=bestXdk+Φ·(BHdk-Xr2,dk) (4)
其中,Φ是[-1,1]范围内产生的一个随机实数,r2是从集合{1,2,...,HMS}中随机选择的一个正整数,bestXdk表示最美和声旋律bestX所存储的预测电池SOC的神经网络的第dk个待优化参数,BHdk表示混合和声旋律BH所存储的预测电池SOC的神经网络的第dk个待优化参数,Xr2,dk表示和声记忆库中的和声旋律Xr2所存储的预测电池SOC的神经网络的第dk个待优化参数;
步骤12.5,转到步骤12.7;
步骤12.6,按公式(5)计算Vdk:
步骤12.7,令维度变量dk=dk+1;
步骤12.8,如果维度变量dk大于ND,则转到步骤13,否则转到步骤12.2;
步骤13,计算和声旋律V的适应值fitV,如果fitV比最差和声旋律的适应值小,则用和声旋律V替换和声记忆库中的最差和声旋律worstX,否则丢弃和声旋律V;
步骤14,从和声记忆库中挑选出最美和声旋律bestX;
步骤15,从和声记忆库中挑选出最差和声旋律worstX;
步骤16,设置当前创作次数NI=NI+1;
步骤17,如果当前创作次数小于最大创作次数MaxNI,则转到步骤9,否则转到步骤18;
步骤18,利用最美和声旋律bestX所存储的预测电池SOC的神经网络的ND个待优化参数来构建预测电池SOC的神经网络,即实现电池SOC的预测。
Claims (1)
1.一种基于演化神经网络的电池SOC预测方法,其特征在于,包括以下步骤:
步骤1,输入电池SOC样本数据集,然后对电池SOC样本数据集进行预处理;
步骤2,确定预测电池SOC的神经网络结构,并确定预测电池SOC的神经网络的待优化参数的个数ND;所述的神经网络的待优化参数包括神经网络的权重和偏置;
步骤3,设置和声记忆库容量HMS,和声旋律思考概率HMCR,音高调整概率PAR,和声旋律启发概率BHR,最大创作次数MaxNI;
步骤4,设置当前创作次数NI=0;
步骤5,在预测电池SOC的神经网络的待优化参数的搜索空间中随机产生HMS个和声旋律Xi,其中和声旋律下标i=1,2,...,HMS;和声旋律Xi存储了预测电池SOC的神经网络的ND个待优化参数;将产生的HMS个和声旋律组成和声记忆库{X1,X2,...,Xi,...,XHMS},其中Xi表示和声记忆库中的第i个和声旋律;
步骤6,利用电池SOC样本数据集计算和声记忆库中每个和声旋律Xi的适应值,具体过程为:从和声旋律Xi中提取出预测电池SOC的神经网络的待优化参数,利用得到的神经网络的待优化参数构建预测电池SOC的神经网络nnfi,计算预测电池SOC的神经网络nnfi在电池SOC样本数据集上的均方误差seri,将和声旋律Xi的适应值设置为seri;所述的预测电池SOC的神经网络的输入变量为电流和电压;所述的预测电池SOC的神经网络的输出变量为SOC值;
步骤7,从和声记忆库中挑选出适应值最小的和声旋律作为最美和声旋律bestX;挑选出适应值最大的和声旋律作为最差和声旋律worstX;
步骤8,按公式(1)计算创作灵感集合的规模BHN:
BHN=ceil(HMS×BHR) (1)
其中,ceil表示向上取整函数;
步骤9,将和声记忆库中的和声旋律按适应值从小到大进行排序,并从和声记忆库中挑选出适应值靠前的BHN个和声旋律构成创作灵感集合CIX;
步骤10,按公式(2)计算创作灵感集合中每个和声旋律的影响度Ek:
其中,bestfit是最美和声旋律的适应值,fitCIk是创作灵感集合中的第k个和声旋律的适应值;
步骤11,利用公式(3)计算得到混合和声旋律BH:
其中,CIk表示创作灵感集合中的第k个和声旋律;
步骤12,执行搜索操作产生新的和声旋律V,具体过程如下:
步骤12.1,令维度变量dk=1;
步骤12.2,在[0,1]范围内随机生成一个实数α1,如果α1小于和声旋律思考概率HMCR,则转到步骤12.3,否则转到步骤12.6;
步骤12.3,从和声记忆库中随机选择一个和声旋律Xr1,其中下标r1是从集合{1,2,...,HMS}中随机选择的一个正整数,并令Vdk=Xr1,dk,其中Xr1,dk表示和声记忆库中的和声旋律Xr1所存储的预测电池SOC的神经网络的第dk个待优化参数;Vdk表示和声旋律V所存储的预测电池SOC的神经网络的第dk个待优化参数;
步骤12.4,在[0,1]范围内随机生成一个实数α2,如果α2小于音高调整概率PAR,则按公式(4)对Vdk进行修改,否则保持Vdk不变:
Vdk=bestXdk+Φ·(BHdk-Xr2,dk) (4)
其中,Φ是[-1,1]范围内产生的一个随机实数,r2是从集合{1,2,...,HMS}中随机选择的一个正整数,bestXdk表示最美和声旋律bestX所存储的预测电池SOC的神经网络的第dk个待优化参数,BHdk表示混合和声旋律BH所存储的预测电池SOC的神经网络的第dk个待优化参数,Xr2,dk表示和声记忆库中的和声旋律Xr2所存储的预测电池SOC的神经网络的第dk个待优化参数;
步骤12.5,转到步骤12.7;
步骤12.6,按公式(5)计算Vdk:
步骤12.7,令维度变量dk=dk+1;
步骤12.8,如果维度变量dk大于ND,则转到步骤13,否则转到步骤12.2;
步骤13,计算和声旋律V的适应值fitV,如果fitV比最差和声旋律的适应值小,则用和声旋律V替换和声记忆库中的最差和声旋律worstX,否则丢弃和声旋律V;
步骤14,从和声记忆库中挑选出最美和声旋律bestX;
步骤15,从和声记忆库中挑选出最差和声旋律worstX;
步骤16,设置当前创作次数NI=NI+1;
步骤17,如果当前创作次数小于最大创作次数MaxNI,则转到步骤9,否则转到步骤18;
步骤18,利用最美和声旋律bestX所存储的预测电池SOC的神经网络的ND个待优化参数来构建预测电池SOC的神经网络,即实现电池SOC的预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010669743.3A CN111896874B (zh) | 2020-07-13 | 2020-07-13 | 基于演化神经网络的电池soc预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010669743.3A CN111896874B (zh) | 2020-07-13 | 2020-07-13 | 基于演化神经网络的电池soc预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111896874A CN111896874A (zh) | 2020-11-06 |
CN111896874B true CN111896874B (zh) | 2023-05-02 |
Family
ID=73192478
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010669743.3A Active CN111896874B (zh) | 2020-07-13 | 2020-07-13 | 基于演化神经网络的电池soc预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111896874B (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9152934B2 (en) * | 2011-11-22 | 2015-10-06 | Ebidletting.Com | Arrangements for administrating and managing a construction project |
JP6186813B2 (ja) * | 2013-04-04 | 2017-08-30 | 株式会社豊田自動織機 | 電池監視システム及び識別情報設定方法 |
CN105550493B (zh) * | 2015-12-02 | 2017-12-15 | 江西理工大学 | 基于云模型和声搜索的水体叶绿素a浓度预测方法 |
KR102466160B1 (ko) * | 2016-01-08 | 2022-11-14 | 삼성전자주식회사 | 데이터의 루프백을 수행하는 시스템 온 칩과 집적 회로, 및 이들을 포함하는 모바일 장치 |
CN107145942B (zh) * | 2017-05-24 | 2020-04-10 | 江西理工大学 | 和声搜索优化的稀土矿区农田水体硝酸盐氮软测量方法 |
CN108828459A (zh) * | 2018-08-17 | 2018-11-16 | 国网冀北电力有限公司张家口供电公司 | 一种光伏发电功率输出减少率测量装置及其估计方法 |
CN110175672A (zh) * | 2019-05-30 | 2019-08-27 | 北斗航天信息网络技术有限公司 | 基于扩展卡尔曼滤波和遗传bp神经网络组合的电池充电状态评估系统及评估方法 |
-
2020
- 2020-07-13 CN CN202010669743.3A patent/CN111896874B/zh active Active
Non-Patent Citations (2)
Title |
---|
Adaptive harmony search with best-based search strategy;Zhaolu Guo etc;METHODOLOGIES AND APPLICATION;第22卷;1335-1349 * |
动态调整策略改进的和声搜索算法;拓守恒;雍龙泉;邓方安;;智能系统学报(第02期);307-315 * |
Also Published As
Publication number | Publication date |
---|---|
CN111896874A (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7363281B2 (en) | Reduction of fitness evaluations using clustering techniques and neural network ensembles | |
CN108985515B (zh) | 一种基于独立循环神经网络的新能源出力预测方法及系统 | |
CN110309603A (zh) | 一种基于风速特性的短期风速预测方法及系统 | |
CN110009160A (zh) | 一种基于改进的深度信念网络的电力价格预测方法 | |
CN102034133A (zh) | 一种基于量子神经网络的多因素系统的综合评价方法 | |
Jiang et al. | Music generation using bidirectional recurrent network | |
Ning et al. | GA-BP air quality evaluation method based on fuzzy theory. | |
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 | |
Zhao et al. | A hybrid learning method for constructing compact rule-based fuzzy models | |
CN117422165A (zh) | 一种基于低碳排放的城市输水系统水量预测方法及系统 | |
CN111896874B (zh) | 基于演化神经网络的电池soc预测方法 | |
CN111754962B (zh) | 基于升降采样的民歌智能辅助作曲系统及方法 | |
CN117335425A (zh) | 一种基于ga-bp神经网络的潮流计算方法 | |
CN117034762A (zh) | 一种基于多算法加权和的复合模型锂电池寿命预测方法 | |
CN111697560A (zh) | 一种基于lstm预测电力系统负荷的方法及系统 | |
CN116561569A (zh) | 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法 | |
CN116229922A (zh) | 基于Bi-LSTM深度强化学习网络的鼓乐生成方法 | |
CN115660219A (zh) | 一种基于hsns-bp的短期电力负荷预测方法 | |
Forsati et al. | Heuristic approach to solve feature selection problem | |
CN115689001A (zh) | 基于模式匹配的短期负荷预测方法 | |
CN115796327A (zh) | 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法 | |
CN112785022B (zh) | 一种挖掘电能替代潜力的方法及系统 | |
Zhao et al. | Estimation of Playable Piano Fingering by Pitch-difference Fingering Matching Model | |
Franklin | Recurrent Neural Networks and Pitch Representations for Music Tasks. | |
CN114064794A (zh) | 一种基于大数据技术的业扩报装档案挖掘分析方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |