CN113095499B - 一种绝缘子等值附盐密度的预测方法 - Google Patents
一种绝缘子等值附盐密度的预测方法 Download PDFInfo
- Publication number
- CN113095499B CN113095499B CN202110324269.5A CN202110324269A CN113095499B CN 113095499 B CN113095499 B CN 113095499B CN 202110324269 A CN202110324269 A CN 202110324269A CN 113095499 B CN113095499 B CN 113095499B
- Authority
- CN
- China
- Prior art keywords
- equivalent salt
- salt deposit
- deposit density
- insulator
- esdd
- 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
Images
Classifications
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种绝缘子等值附盐密度的预测方法,方法包括:通过实验采集绝缘子在不同的气象和地理位置的等值附盐密度积累数据和绝缘子周围的环境数据;根据相关性确定绝缘子等值附盐密度ESDD的主要变量;构建等值附盐密度ESDD的RBF神经网路模型,并优化等值附盐密度ESDD的RBF神经网路模型的基函数参数;获取主要变量的观测数据,根据观测数据和预测模型得到主要变量的预测数据;将主要变量的预测数据和监测天数输入到等值附盐密度ESDD的RBF神经网路模型,得到绝缘子等值附盐密度ESDD的预测值。本申请通过预测绝缘子等值附盐密度ESDD,对污秽闪络概率进行预警,以减少电力事故的发生。
Description
技术领域
本申请涉及电力防灾领域,尤其涉及一种绝缘子等值附盐密度的预测方法。
背景技术
绝缘子在我国的电力运输以及电网布局中发挥着重要的作用,它可以用于电气绝缘以及高压线之间的连接固定。由于大多数绝缘子长期暴露野外,在雾霾、气溶胶、以及雷雨等因素影响下,其表面会形成污秽。当污秽积累到一定程度,极易发生污秽闪络事故。等值附盐密度可以用来表示绝缘子表面的污秽程度,因此,高精度、高时效对等值附盐密度进行预测将有效地减少电力事故的发生的概率。
传统的绝缘子等值附盐密度监测往往是在实验室范围,或者在有限的观测区域站点进行长期的数据观测。这会造成已有的数据较为分散,不够系统性,所得到的绝缘子等值附盐密度对积累经验缺乏广泛的适用性。基于简单的小样本线性以及非线性拟合公式无法高精度地对未来的绝缘子等值附盐密度进行预测。
发明内容
本申请提供了一种绝缘子等值附盐密度的预测方法,提出一种改进的RBF神经网络,根据输入的气象数据、污染物等参数对研究区域内的等值附盐密度具有较为理想的预测,可根据等值附盐密度预警值,提前对高危绝缘子进行清洗以及更换处理,极大减少了我国电力事故发生概率,降低国有财产损失。
一种绝缘子等值附盐密度的预测方法,方法包括:
通过实验采集绝缘子在不同的气象和地理位置的等值附盐密度积累数据和绝缘子周围的环境数据;
根据所述环境数据,确定可能与所述绝缘子等值附盐密度ESDD相关的初步变量;
根据所述等值附盐密度积累数据和所述环境数据,分析各所述初步变量与绝缘子等值附盐密度ESDD的相关性,根据所述相关性确定所述绝缘子等值附盐密度ESDD的主要变量;
根据所述等值附盐密度积累数据和所述主要变量对应的环境数据,构建等值附盐密度ESDD的RBF神经网路模型,并优化所述等值附盐密度ESDD的RBF神经网路模型的基函数参数;
获取所述主要变量的观测数据,根据所述观测数据和预测模型得到所述主要变量的预测数据;
将所述主要变量的预测数据和监测天数输入到所述等值附盐密度ESDD的RBF神经网路模型,得到所述绝缘子等值附盐密度ESDD的预测值。
进一步地,所述环境数据包括:气象相关数据、大气成分相关数据和归一化植被指数NDVI。
进一步地,所述根据所述等值附盐密度积累数据和所述环境数据,分析各所述初步变量与绝缘子等值附盐密度ESDD的相关性,根据所述相关性确定所述绝缘子等值附盐密度ESDD的主要变量,具体为:
根据所述等值附盐密度积累数据和所述环境数据,计算各所述初步变量与所述绝缘子等值附盐密度ESDD的相关系数,所述相关系数的计算公式为:
其中,ri(Xi,Y)为第i个所述初步变量与所述绝缘子等值附盐密度ESDD的相关系数,Xi为第i个所述初步变量,Y为所述绝缘子等值附盐密度ESDD的日变化量,Cov(Xi,Y)为Xi与Y的协方差,Var[Xi]为Xi的方差,Var[Y]为Y的方差;
确定所述相关系数大于0.2或小于-0.2的初步变量为主要变量。
进一步地,所述并优化所述等值附盐密度ESDD的RBF神经网路模型的基函数参数,具体为:
利用动态调整学习方法对所述等值附盐密度ESDD的RBF神经网路模型的基函数的中心、权值和宽度进行优化。
进一步地,所述构建等值附盐密度ESDD的RBF神经网路模型,具体为:
将所述绝缘子等值附盐密度ESDD的RBF神经网路模型设置为三层:输入层、隐含层和输出层;
所述输入层由多个信号源节点组成,设共有P个训练样本,训练样本集表示为:,sp是输入信号,所述输入信号由各所述主要变量对应的环境参数数据和观测天数构成,dp是目标信号,所述目标信号为所述等值附盐密度积累数据,P是输入信号个数;
所述隐含层由多个节点组成,每个节点对应的径向基函数采用高斯函数,第i个所述径向基函数为:
其中,φi为第i个隐含层节点的径向基函数,φi(sp)为第i个隐含层节点的输出,φi(sp)∈[0,1],Ci为第i个基函数的中心,σi为第i个基函数的高斯函数的形状,m为隐含层节点的个数,即径向基函数的个数;
输出层包含多个节点,输出层节点的输出为:
vj是第j个输出层节点的输出,wi是第i个基函数的权值或激励强度,θ是第j个输出层节点的阈值,L是输出层节点的个数。
与现有技术相比,本发明的优点和有益效果:
径向基神经网络(Radial Basis Function network, RBF)是一种人工神经网络模型,它具有学习能力强、收敛速度快等优点。RBF可以根据已有的观测数据,根据输入参数对未来的数据进行预测。根据卫星遥感观测数据、WRF(weather research & forecastingmodel)以及WRF-Chem (Weather Research and Forecasting model coupled toChemistry)可对目标研究区域内的气象、气溶胶、污染气体等数据进行预测。
本发明方法所提供基于绝缘子表面等值附盐密度ESDD的预测方法,将与影响绝缘子表面等值附盐密度ESDD有关的所有因子放入RBF神经网络的输入层,并且设计了合理的气象、气溶胶、污染气体预测系统,大大提高了对大范围研究区域绝缘子ESDD的预测精度以及预测效率,减少我国电力事故的发生概率。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请一种绝缘子等值附盐密度的预测方法的总流程图;
图2为本申请等值附盐密度ESDD的RBF神经网路模型的原理示意图;
图3为本申请预测大气成分相关的主要变量的数据的流程图。
具体实施方式
图1为本申请一种绝缘子等值附盐密度的预测方法的总流程图,参见图1,一种绝缘子等值附盐密度的预测方法,方法包括:
通过实验采集绝缘子在不同的气象条件、大气成分和地理位置的等值附盐密度积累数据和环境参数数据;
所述环境参数包括:气象参数、大气成分参数和归一化植被指数NDVI。
气象参数包括但不限于:温度、压强、湿度、降雨相关参数和风相关参数等。
大气成分参数包括但不限于:气溶胶相关参数、污染气体相关参数和金属离子浓度等;污染气体包括但不限于:PM2.5、SO2和NO2等。
为了获取某一监测站点的等值附盐密度的变化数据,在监测区域选择一个或者多个绝缘子,然后使用光传感器现场污秽度监测装置对各个绝缘子进行长时间序列的监测,将获取的等值附盐密度(ESDD)的积累数据对应日期进行保存。此外,还需对绝缘子周围的环境数据进行监测和获取相关数据,如气象参数数据(温度、压强、湿度)、大气成分参数数据(气溶胶、污染气体等)进行监测,大范围的气溶胶、归一化植被指数NDVI、污染气体(PM2.5、SO2、NO2)的历史数据从MODIS(Moderate-resolution ImagingSpectroradiometer)卫星和TROPOMI (Tropospheric Monitoring Instrument)卫星获取,将这些数据分别对应监测日期进行保存,并根据这些数据,进行相关性分析,确定影响所述绝缘子等值附盐密度ESDD的主要变量。
根据所述等值附盐密度积累数据和所述环境参数数据,分析各环境参数与绝缘子等值附盐密度ESDD的相关性,根据所述相关性确定影响所述绝缘子等值附盐密度ESDD的主要变量,具体为:
根据所述等值附盐密度积累数据和所述环境参数数据,计算各环境参数与所述绝缘子等值附盐密度ESDD的相关系数,所述相关系数的计算公式为:
其中,ri(Xi,Y)为第i个环境参数与绝缘子等值附盐密度ESDD的相关系数,Xi为第i个环境参数,Y为绝缘子等值附盐密度ESDD的日变化量,Cov(Xi,Y)为Xi与Y的协方差,Var[Xi]为Xi的方差,Var[Y]为Y的方差;
确定所述相关系数大于0.2或小于-0.2对应的环境参数为主要变量。
根据相关系数的计算公式,对绝缘子等值附盐密度ESDD分别与如温度、压强、湿度、气溶胶、污染气体、金属离子浓度等环境参数进行相关性分析,进而得到相关系数,根据相关系数的大小确定影响绝缘子等值附盐密度ESDD的主要变量。
根据所述等值附盐密度积累数据和所述主要变量对应的环境数据,构建等值附盐密度ESDD的RBF神经网路模型,并优化所述等值附盐密度ESDD的RBF神经网路模型的基函数参数,所述基函数参数包括:所述等值附盐密度ESDD的RBF神经网路模型的基函数的中心、基函数的高斯函数的形状和基函数的权值;利用动态调整学习方法对所述等值附盐密度ESDD的RBF神经网路模型的基函数的中心、基函数的高斯函数的形状和基函数的权值进行优化。
图2为本申请等值附盐密度ESDD的RBF神经网路模型的原理示意图,参见图2,
将所述绝缘子等值附盐密度ESDD的RBF神经网路模型设置为三层:输入层、隐含层和输出层;
所述输入层由多个信号源节点组成,设共有P个训练样本,训练样本集表示为:,sp是输入信号,所述输入信号由各所述主要变量对应的环境参数数据和观测天数构成,dp是目标信号,所述目标信号为所述等值附盐密度积累数据,P是输入信号个数;
所述隐含层由多个节点组成,所述隐含层的变换函数采用径向基函数,选取所述径向基函数为高斯函数,所述隐含层的输出为:
其中,φi为第i个隐含层节点的径向基函数,φi(sp)为第i个隐含层节点的输出,φi(sp)∈[0,1],Ci为第i个基函数的中心,σi为第i个基函数的高斯函数的形状,m为隐含层节点的个数,即径向基函数的个数;
所述输出层由多个节点组成,输出层节点的输出为:
vj是第j个输出层节点的输出,wi是第i个基函数的权值或激励强度,θ是第j个输出层节点的阈值,L是输出层节点的个数。
RBF 网络是以函数逼近理论为基础而构造的一种前向网络,由输入层、隐含层和输出层组成三层网络。训练样本集表示为:,其中sp 是输入信号,dp 是目标信号,P是输入信号个数。输入层由信号源节点组成,第二层是隐含层,该层的变换函数采用径向基函数。在本发明中,输入层的输入信号是由气象参数(温度、压强、湿度、降水、风)、大气成分参数(PM2.5、SO2、NO2)等影响绝缘子等值附盐密度ESDD的主要变量和观测天数等变量构成,输出层为绝缘子等值附盐密度ESDD的预测值,径向基函数有很多形式,本申请中采用高斯函数。隐藏层的作用在于实现输入空间到隐含层空间非线性变换,隐含层空间到输出层空间变换线性变换。
基函数的参数设定对训练网络的逼近能力影响很大,要求RBF中心应能覆盖整个输入空间。因此,建立RBF神经网络模型的关键在于确定的RBF神经网络模型的基函数的中心、基函数的高斯函数的形状和基函数的权值。为此,提出一种对RBF神经网络模型的基函数的中心、基函数的高斯函数的形状和基函数的权值进行调整的学习算法。
从公式(2) 知,RBF神经网络模型的输出值是由基函数的中心、基函数的高斯函数的形状和基函数的权值决定的。基函数的高斯函数的形状对网络的逼近能力影响很大。RBF神经网络模型的基函数的中心、基函数的高斯函数的形状和基函数的权值对于RBF神经网络的预测精度以及效率有着至关重要的作用,为此本申请利用动态调整学习的算法对基函数的中心、基函数的高斯函数的形状和基函数的权值进行优化。
利用动态调整学习方法对所述等值附盐密度ESDD的RBF神经网路模型的基函数的中心、权值和宽度进行优化,其中,相关公式为:
其中,ε是网络误差,d是已知的目标值,v是输出层输出的值,Δwi是第i个基函数的权值差,Δσi是基函数的高斯函数的形状的差值,ΔCi是基函数的中心差值,η1,η2,η3分别是基函数的权值、基函数的高斯函数的形状的差值和基函数的中心的学习率。
根据通过实验获取的等值附盐密度积累数据和主要变量对应的环境参数数据,结合输出层输出的绝缘子等值附盐密度ESDD的预测值,通过动态调整学习方法,确定了绝缘子等值附盐密度ESDD的RBF神经网络模型的最优参数。
本领域技术人员在考虑说明书和实施例公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由权利要求指出。
Claims (6)
1.一种绝缘子等值附盐密度的预测方法,其特征在于,所述方法包括:
通过实验采集绝缘子在不同的气象条件、大气成分和地理位置的等值附盐密度积累数据和环境参数数据;
根据所述等值附盐密度积累数据和所述环境参数数据,分析各环境参数与绝缘子等值附盐密度ESDD的相关性,根据所述相关性确定影响所述绝缘子等值附盐密度ESDD的主要变量;
根据所述等值附盐密度积累数据和所述主要变量对应的环境参数数据,构建等值附盐密度ESDD的RBF神经网路模型;
获取所述主要变量的观测数据,根据所述观测数据和相应的预测模型获得所述主要变量的预测数据;
将所述主要变量的预测数据和监测天数输入到所述等值附盐密度ESDD的RBF神经网路模型,得到所述绝缘子等值附盐密度ESDD的预测值。
2.如权利要求1所述的绝缘子等值附盐密度的预测方法,其特征在于,所述环境参数包括:气象参数、大气成分参数和归一化植被指数NDVI。
3.如权利要求1所述的绝缘子等值附盐密度的预测方法,其特征在于,所述根据所述等值附盐密度积累数据和所述环境参数数据,分析各环境参数与绝缘子等值附盐密度ESDD的相关性,根据所述相关性确定影响所述绝缘子等值附盐密度ESDD的主要变量,具体为:
根据所述等值附盐密度积累数据和所述环境参数数据,计算各环境参数与所述绝缘子等值附盐密度ESDD的相关系数,所述相关系数的计算公式为:
其中,ri(Xi,Y)为第i个环境参数与绝缘子等值附盐密度ESDD的相关系数,Xi为第i个环境参数,Y为绝缘子等值附盐密度ESDD的日变化量,Cov(Xi,Y)为Xi与Y的协方差,Var[Xi]为Xi的方差,Var[Y]为Y的方差;
确定所述相关系数大于0.2或小于-0.2对应的环境参数为主要变量。
4.如权利要求1所述的绝缘子等值附盐密度的预测方法,其特征在于,所述根据所述等值附盐密度积累数据和所述主要变量对应的环境数据,构建等值附盐密度ESDD的RBF神经网路模型,包括:
将所述绝缘子等值附盐密度ESDD的RBF神经网路模型设置为三层:输入层、隐含层和输出层;
所述输入层由多个信号源节点组成,设共有P个训练样本,训练样本集表示为:,sp是输入信号,所述输入信号由各所述主要变量对应的环境参
数数据和观测天数构成,dp是目标信号,所述目标信号为所述等值附盐密度积累数据,P是
输入信号个数;
所述隐含层由多个节点组成,所述隐含层的变换函数采用径向基函数,选取所述径向基函数为高斯函数,所述隐含层的输出为:
其中,φi 为第i个隐含层节点的径向基函数,φi(sp)为第i个隐含层节点的输出,φi(sp)∈[0,1],Ci为第i个基函数的中心,σi为第i个基函数的高斯函数的形状,m为隐含层节点的个数,即径向基函数的个数;
所述输出层由多个节点组成,输出层节点的输出为:
vj是第j个输出层节点的输出,wi是第i个基函数的权值或激励强度,θ是第j个输出层节点的阈值,L是输出层节点的个数。
5.如权利要求1所述的绝缘子等值附盐密度的预测方法,其特征在于,所述根据所述等值附盐密度积累数据和所述主要变量对应的环境参数数据,构建等值附盐密度ESDD的RBF神经网路模型,还包括:
优化所述等值附盐密度ESDD的RBF神经网路模型的基函数参数,所述基函数参数包括:所述等值附盐密度ESDD的RBF神经网路模型的基函数的中心、基函数的高斯函数的形状和基函数的权值。
6.如权利要求5所述的绝缘子等值附盐密度的预测方法,其特征在于,所述优化所述等值附盐密度ESDD的RBF神经网路模型的基函数参数,具体为:
利用动态调整学习方法对所述等值附盐密度ESDD的RBF神经网路模型的基函数的中心、基函数的高斯函数的形状和基函数的权值进行优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110324269.5A CN113095499B (zh) | 2021-03-26 | 2021-03-26 | 一种绝缘子等值附盐密度的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110324269.5A CN113095499B (zh) | 2021-03-26 | 2021-03-26 | 一种绝缘子等值附盐密度的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113095499A CN113095499A (zh) | 2021-07-09 |
CN113095499B true CN113095499B (zh) | 2022-09-27 |
Family
ID=76669766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110324269.5A Active CN113095499B (zh) | 2021-03-26 | 2021-03-26 | 一种绝缘子等值附盐密度的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113095499B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114113929A (zh) * | 2021-11-12 | 2022-03-01 | 云南电网有限责任公司电力科学研究院 | 一种实时等值盐密的获取方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682774A (zh) * | 2016-12-23 | 2017-05-17 | 中国铁路总公司 | 一种接触网绝缘子污闪预测方法 |
CN106815635A (zh) * | 2016-12-29 | 2017-06-09 | 华中科技大学 | 一种绝缘子表面等值附盐密度的预测系统及方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101893674B (zh) * | 2010-07-12 | 2012-10-17 | 沈阳工业大学 | 一种区域电网污闪指数预测方法 |
CN203101289U (zh) * | 2012-09-26 | 2013-07-31 | 云南电网公司玉溪供电局 | 一种基于微波辐射双通道测量技术的绝缘子污秽检测装置 |
CN104809511B (zh) * | 2014-01-28 | 2018-04-17 | 国际商业机器公司 | 绝缘子污染预测方法及设备 |
CN104616060B (zh) * | 2014-12-23 | 2018-03-27 | 南京工程学院 | 基于bp神经网络和模糊逻辑的绝缘子污秽度预测方法 |
CN104931653A (zh) * | 2015-06-04 | 2015-09-23 | 国网河南省电力公司电力科学研究院 | 基于等值盐密参数的悬式绝缘子积污难易程度的标定方法 |
CN105699802B (zh) * | 2015-12-18 | 2018-04-10 | 华北电力大学 | 基于热刺激电流特性的复合绝缘子人工老化试验评估方法 |
CN106770070B (zh) * | 2016-11-11 | 2018-01-16 | 清华大学深圳研究生院 | 一种绝缘子表面等值盐密测量方法及装置 |
CN106596579A (zh) * | 2016-11-15 | 2017-04-26 | 同济大学 | 一种基于多光谱图像信息融合的绝缘子污秽状态检测方法 |
CN106405352A (zh) * | 2016-11-16 | 2017-02-15 | 国网河南省电力公司电力科学研究院 | 一种电力绝缘子表面积污物的等值盐密预测及预警系统 |
CN108345898A (zh) * | 2017-12-31 | 2018-07-31 | 国网山西省电力公司检修分公司 | 一种新型的线路绝缘子绝缘状态评估方法 |
CN110083125B (zh) * | 2019-05-19 | 2021-05-07 | 重庆理工大学 | 一种基于深度学习的机床热误差建模方法 |
CN112116176B (zh) * | 2019-06-19 | 2022-11-04 | 云南电网有限责任公司玉溪供电局 | 基于气象因素的地区绝缘子群污闪风险评估方法和系统 |
CN110703055B (zh) * | 2019-10-31 | 2021-08-10 | 三峡大学 | 一种零值绝缘子红外检测方法 |
-
2021
- 2021-03-26 CN CN202110324269.5A patent/CN113095499B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682774A (zh) * | 2016-12-23 | 2017-05-17 | 中国铁路总公司 | 一种接触网绝缘子污闪预测方法 |
CN106815635A (zh) * | 2016-12-29 | 2017-06-09 | 华中科技大学 | 一种绝缘子表面等值附盐密度的预测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113095499A (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109213964B (zh) | 一种融合多源特征地理参数的卫星aod产品校正方法 | |
Zeng et al. | Daily global solar radiation in China estimated from high‐density meteorological observations: a random forest model framework | |
Zhao et al. | High-resolution daily AOD estimated to full coverage using the random forest model approach in the Beijing-Tianjin-Hebei region | |
CN112070286A (zh) | 复杂地形流域的降水预报预警系统 | |
US10386541B2 (en) | Machine learning approach for analysis and prediction of cloud particle size and shape distribution | |
Dutta et al. | Nowcasting visibility during wintertime fog over the airport of a metropolis of India: decision tree algorithm and artificial neural network approach | |
Micheli et al. | Predicting photovoltaic soiling losses using environmental parameters: An update | |
CN111897030A (zh) | 一种雷暴预警系统及方法 | |
Dowdy | Seamless climate change projections and seasonal predictions for bushfires in Australia | |
Jiang et al. | A Municipal PM2. 5 Forecasting Method Based on Random Forest and WRF Model. | |
CN112183625A (zh) | 一种基于深度学习的pm2.5高精度时空预测方法 | |
CN113095499B (zh) | 一种绝缘子等值附盐密度的预测方法 | |
CN113836808A (zh) | 一种基于重污染特征约束的pm2.5深度学习预测方法 | |
CN114861840A (zh) | 一种多源降水数据融合方法 | |
Li et al. | Extreme wind climate of the Arabian Peninsula characterized by using WRF simulation | |
Nicolis et al. | Bayesian spatiotemporal modeling for estimating short‐term exposure to air pollution in Santiago de Chile | |
CN116223395A (zh) | 近地表痕量气体浓度反演模型及反演方法 | |
Mazzarella et al. | Reflectivity and velocity radar data assimilation for two flash flood events in central Italy: A comparison between 3D and 4D variational methods | |
CN114609698A (zh) | 一种基于配料法思想和二分法的短时强降水概率预报方法 | |
Campos et al. | Unorganized machines and linear multivariate regression model applied to atmospheric pollutant forecasting | |
Negishi et al. | Development of statistical and machine learning models to predict the occurrence of radiation fog in Japan | |
Fallah-Ghalhary et al. | Spring rainfall prediction based on remote linkage controlling using adaptive neuro-fuzzy inference system (ANFIS) | |
Jagannathan et al. | Time Series Analyzation and Prediction of Climate using Enhanced Multivariate Prophet | |
CN114118598A (zh) | 基于深度学习预测模型的电网雷电灾害预测方法及系统 | |
CN113988417A (zh) | 基于卫星遥感的近地面pm2.5浓度预测方法与系统 |
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 |