CN113393051B - 基于深度迁移学习的配电网投资决策方法 - Google Patents
基于深度迁移学习的配电网投资决策方法 Download PDFInfo
- Publication number
- CN113393051B CN113393051B CN202110731847.7A CN202110731847A CN113393051B CN 113393051 B CN113393051 B CN 113393051B CN 202110731847 A CN202110731847 A CN 202110731847A CN 113393051 B CN113393051 B CN 113393051B
- Authority
- CN
- China
- Prior art keywords
- distribution network
- power distribution
- investment
- network
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013508 migration Methods 0.000 title claims description 20
- 230000005012 migration Effects 0.000 title claims description 20
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000013135 deep learning Methods 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims abstract description 9
- 238000013507 mapping Methods 0.000 claims abstract description 6
- 238000013480 data collection Methods 0.000 claims abstract description 5
- 230000006872 improvement Effects 0.000 claims description 5
- 238000010206 sensitivity analysis Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000008014 freezing Effects 0.000 claims description 3
- 238000007710 freezing Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000012797 qualification Methods 0.000 claims description 2
- 101100322735 Danio rerio aep1 gene Proteins 0.000 claims 3
- 101100310354 Homo sapiens SKIDA1 gene Proteins 0.000 claims 3
- 101150042946 NAC20 gene Proteins 0.000 claims 3
- 102100027349 SKI/DACH domain-containing protein 1 Human genes 0.000 claims 3
- 238000013526 transfer learning Methods 0.000 abstract description 5
- 238000005065 mining Methods 0.000 abstract description 4
- 238000012546 transfer Methods 0.000 abstract description 2
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于深度迁移学习的配电网投资决策方法,包括数据收集及筛选,然后以边缘分布概率描述电网的数据分布特征,再以条件分布概率表征电网网络关系特征,完成源域电网到目标电网的特征迁移,实现了配电网投资小样本下的自适应学习,最终建立基于目标配电网的投入产出非线性映射模型,来对配电网投资进行决策。本发明通过深度学习网络构建电网投资投入‑产出关联关系,从“纯数据”的角度对电网投资决策问题进行分析,同时引入迁移学习过程,利用其自适应的特点通过自身少量样本从其它相似电网迁移数据分布特征和网络关系特征,解决了现有数据驱动方法在关联挖掘过程中训练样本不足的难题。
Description
技术领域
本发明涉及电网投资决策技术领域,具体地讲,是涉及一种基于深度迁移学习的配电网投资决策方法。
背景技术
在电网投资决策领域,随着清洁能源的快速发展以及供需交互的加深,投资改造措施日益复杂化、多样化。传统投资决策方法存在以下问题:(1)配电网升级改造措施复杂多样,且不同投资项目得到的效益差距显著,以增设智能电表为例,通常难以通过建立数学模型量化智能电表投资后对电网的影响。(2)传统投资决策方案涉及一系列的非线性潮流计算以及安全约束,但实际决策之前往往难以获得清晰的网架结构。(3)电网投资周期通常以年为单位,新一轮投资时缺乏电网数据样本支撑。特别是在涉及新增投资要素时,缺乏数据量化具体的投资效果。在此情况下,通过传统的投资决策方法难以满足电网的精准化要求。
投资决策问题的根本目标在于提升效益,在数学模型难以建立的情况下基于投资效益的关联规则分析是发现问题潜在规律和提高计算效率有效的方法。但现有研究中的关联挖掘方法都需要大量的运行数据作为基础,或者相对清晰的网架结构。在网架结构未知以及运行数据不完备情况下现有方法的适用性大大降低。
发明内容
针对上述技术问题,本发明提供一种适应性更好的基于深度迁移学习的配电网投资决策方法。
为了实现上述目的,本发明采用的技术方案如下:
一种基于深度迁移学习的配电网投资决策方法,包括以下步骤:
S10、数据收集及筛选:收集不同配电网的历史数据作为运行样本组成目标配电网迁移学习的原始数据集DR,以及目标电网运行样本DT,基于最大均值差异MMD来计算各运行样本与目标电网运行样本的差异度,并通过阈值法剔除相似度较低的运行样本后输出源域数据集DS;
S20、边缘分布自适应:基于筛选得到的源域数据集DS构建自动编码器DSAE(1)及相应的解码器输出将训练好的DSAE(1)作为目标电网运行样本DT构建n层的自动编码器DSAE(2)的预训练模型,并对网络的前m层进行冻结,最后对DSAE(2)的n-m层进行自训练以保留自身样本特征关系,基于训练好的模型得到重构后的目标配网数据/>
S30、条件分布自适应:先以作为输入、/>作为输出,构建n层深度学习网络作为预训练模型,记为DLN(1),再以/>作为输入、/>作为输出,构建n层深度学习网络DLN(2),并迁移DLN(1)的前l层隐藏层参数,然后对DLN(2)进行训练,将/>作为输入,基于训练好的模型输出得到预测值/>
S40、根据测试集中实际值与预测值的误差比较在参数l不同取值下的迁移效果,选取最优迁移参数,最终输出基于目标配电网的投入产出非线性映射模型,来对配电网投资进行决策。
具体地,所述步骤S10中,原始数据集由nR个配电网的历史数据组成,表示为DR={dR(1),dR(2),...,dR(nR)}。
具体地,所述步骤S10中,基于最大均值差异MMD来度量不同数据集变量之间的差异性,其用数学表达形式为:
其中,表示源域数据集变量,/>表示目标域数据集变量,n1和n2表示两个数据集的样本容量,求解两个特征空间的内积时采用高斯核函数。
进一步地,所述步骤S20中,在构建自动编码器DSAE(1)及相应的解码器输出期间通过在SAE中间隐藏层添加稀疏性约束来提高自动编码器DSAE(1)的特征提取能力。
具体地,所述步骤S20中添加稀疏性约束具体采用KL散度。
进一步地,所述步骤S30中,在构建的n层的预训练模型DLN(1)中,用和/>存储各个隐藏层的权重与偏置。
与现有技术相比,本发明具有以下有益效果:
(1)本发明通过深度学习网络构建电网投资投入-产出关联关系,从“纯数据”的角度对电网投资决策问题进行分析,同时引入迁移学习过程,利用其自适应的特点通过自身少量样本从其它相似电网迁移数据分布特征和网络关系特征,解决了现有数据驱动方法在关联挖掘过程中训练样本不足的难题。此外,因为不涉及仿真模型的建立,从而能有效应用于网架结构未知、运行数据不完备等特殊投资场景。本发明构思巧妙,过程相对简单,应用方便,适于在电网投资决策领域应用。
(2)本发明巧妙地从概率论角度来解决电网投资决策问题,以边缘分布概率描述电网的数据分布特征,并以条件分布概率表征电网网络关系特征,从而通过边缘分布适配和条件分布适配两个阶段完成源域电网到目标电网的特征迁移,实现了小样本下的自适应学习,避免了传统方法繁琐的物理建模过程的同时,也降低了现有数据驱动方法对数据样本的依赖,提高了现有投资决策方法在不同投资场景下的适应性。
附图说明
图1为本发明-实施例的流程示意图。
图2为本发明-实施例的系统应用示意图,图2a为系统应用参数设置示意图,图2b为系统应用灵敏度分析示意图,图2c为系统应用备选方案生成示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明,本发明的实施方式包括但不限于下列实施例。
实施例
如图1至图2所示,该基于深度迁移学习的配电网投资决策方法,主要包括数据收集及筛选、边缘分布自适应、条件分布自适应三个部分,各部分的具体过程如下:
S10、数据收集及筛选:由于电网投资规划通常以年为周期,目标配电网的历史运行数据往往难以达到深度学习训练所需的样本容量要求,因此收集nR个配电网的历史数据作为目标配电网迁移学习的原始数据集DR={dR(1),dR(2),...,dR(nR)}。
基于最大均值差异MMD来度量不同数据集变量之间的差异性,其用数学表达形式为:
其中,表示源域数据集变量,/>表示目标域数据集变量,n1和n2表示两个数据集的样本容量,求解两个特征空间的内积时采用高斯核函数。
因此基于MMD,整个样本筛选过程如下:
S11、收集来自不同电网的运行样本组成DR,以及目标电网运行样本DT;
S12、根据MMD数学表达式计算各运行样本与目标电网运行样本的差异度;
S13、设置阈值,剔除相似度较低的运行样本后输出源域数据集DS。
S20、边缘分布自适应:
首先,基于筛选得到的源域数据集DS构建自动编码器DSAE(1)及相应的解码器输出期间通过在SAE中间隐藏层添加稀疏性约束来提高自动编码器DSAE(1)的特征提取能力,具体形式采用KL散度;
将训练好的自动编码器DSAE(1)作为目标电网运行样本DT构建n层的自动编码器DSAE(2)的预训练模型,并对网络的前m层进行冻结;
最后对自动编码器DSAE(2)的n-m层进行自训练以保留自身样本特征关系,基于训练好的模型得到重构后的目标配网数据从而达到“样本规范”的作用。
S30、条件分布自适应:
先以作为输入、/>作为输出,构建n层深度学习网络作为预训练模型,记为DLN(1),用/>和/>存储各个隐藏层的权重与偏置;
再以作为输入、/>作为输出,构建n层深度学习网络DLN(2),并迁移DLN(1)的前l层隐藏层参数;
对DLN(2)进行训练,将作为输入,基于训练好的模型输出得到预测值
S40、根据测试集中实际值与预测值的误差比较在参数l不同取值下的迁移效果,选取最优迁移参数,最终输出基于目标配电网的投入产出非线性映射模型。
然后根据配电网投资需求和输入数据对基于目标配电网的投入产出非线性映射模型的输出结果进行灵敏度分析,获得对应不同的配电网投资需求的备选方案,最后根据备选方案来对配电网投资进行决策。其中配电网投资需求包括经济提升、性能提升和综合最优,灵敏度分析的指标包括供电可靠性、系统平均停电频率、电压合格率、系统失负荷量、线路重载比例、线路平均负载率、配电重载比例、网损率、配电平均负载率、清洁能源消纳率。
跟传统方法相比,本发明通过深度学习网络构建电网投资投入-产出关联关系,从“纯数据”的角度对电网投资决策问题进行分析。由于引入了迁移学习过程,所提方法能自适应的通过自身少量样本从其它相似电网迁移数据分布特征和网络关系特征,解决了现有数据驱动方法在关联挖掘过程中训练样本不足的难题。此外,因为不涉及仿真模型的建立,从而能有效应用于网架结构未知、运行数据不完备等特殊投资场景。
上述实施例仅为本发明的优选实施例,并非对本发明保护范围的限制,但凡采用本发明的设计原理,以及在此基础上进行非创造性劳动而做出的变化,均应属于本发明的保护范围之内。
Claims (5)
1.一种基于深度迁移学习的配电网投资决策方法,其特征在于,包括以下步骤:
S10、数据收集及筛选:收集不同配电网的历史数据作为运行样本组成目标配电网迁移学习的原始数据集DR,以及目标电网运行样本DT,基于最大均值差异MMD来计算各运行样本与目标电网运行样本的差异度,并通过阈值法剔除相似度较低的运行样本后输出源域数据集DS;
S20、边缘分布自适应:基于筛选得到的源域数据集DS构建自动编码器DSAE1及相应的解码器输出将训练好的DSAE1作为目标电网运行样本DT构建n层的自动编码器DSAE2的预训练模型,并对网络的前m层进行冻结,最后对DSAE2的n-m层进行自训练以保留自身样本特征关系,基于训练好的模型得到重构后的目标配网数据/>其中在构建自动编码器DSAE1及相应的解码器输出/>期间通过在SAE中间隐藏层添加稀疏性约束来提高自动编码器DSAE1的特征提取能力;
S30、条件分布自适应:先以作为输入、/>作为输出,构建n层深度学习网络作为预训练模型,记为DLN1,再以/>作为输入、/>作为输出,构建n层深度学习网络DLN2,并迁移DLN1的前l层隐藏层参数,然后对DLN2进行训练,将/>作为输入,基于训练好的模型输出得到预测值/>
S40、根据测试集中实际值与预测值的误差比较在参数l不同取值下的迁移效果,选取最优迁移参数,最终输出基于目标配电网的投入产出非线性映射模型,根据配电网投资需求和输入数据对基于目标配电网的投入产出非线性映射模型的输出结果进行灵敏度分析,获得对应不同的配电网投资需求的备选方案,最后根据备选方案来对配电网投资进行决策;
其中配电网投资需求包括经济提升、性能提升和综合最优;灵敏度分析的指标包括供电可靠性、系统平均停电频率、电压合格率、系统失负荷量、线路重载比例、线路平均负载率、配电重载比例、网损率、配电平均负载率、清洁能源消纳率。
2.根据权利要求1所述的基于深度迁移学习的配电网投资决策方法,其特征在于,所述步骤S10中,原始数据集由nR个配电网的历史数据组成,表示为DR={dR(1),dR(2),...,dR(nR)}。
3.根据权利要求2所述的基于深度迁移学习的配电网投资决策方法,其特征在于,所述步骤S10中,基于最大均值差异MMD来度量不同数据集变量之间的差异性,其用数学表达形式为:
其中,表示源域数据集变量,/>表示目标域数据集变量,n1和n2表示两个数据集的样本容量,求解两个特征空间的内积时采用高斯核函数。
4.根据权利要求1~3任一项所述的基于深度迁移学习的配电网投资决策方法,其特征在于,所述步骤S20中添加稀疏性约束具体采用KL散度。
5.根据权利要求1~3任一项所述的基于深度迁移学习的配电网投资决策方法,其特征在于,所述步骤S30中,在构建的n层的预训练模型DLN1中,用和/>存储各个隐藏层的权重与偏置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110731847.7A CN113393051B (zh) | 2021-06-30 | 2021-06-30 | 基于深度迁移学习的配电网投资决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110731847.7A CN113393051B (zh) | 2021-06-30 | 2021-06-30 | 基于深度迁移学习的配电网投资决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113393051A CN113393051A (zh) | 2021-09-14 |
CN113393051B true CN113393051B (zh) | 2023-07-18 |
Family
ID=77624771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110731847.7A Active CN113393051B (zh) | 2021-06-30 | 2021-06-30 | 基于深度迁移学习的配电网投资决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113393051B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114553958A (zh) * | 2022-01-04 | 2022-05-27 | 深圳绿米联创科技有限公司 | 数据迁移处理方法、装置、电子设备及存储介质 |
CN118035527B (zh) * | 2024-04-11 | 2024-06-11 | 深圳迅策科技股份有限公司 | 一种业务与资源的交互数据处理方法、介质及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109102126A (zh) * | 2018-08-30 | 2018-12-28 | 燕山大学 | 一种基于深度迁移学习的理论线损率预测模型 |
CN109858798A (zh) * | 2019-01-26 | 2019-06-07 | 国网福建省电力有限公司 | 关联改造措施与电压指标的电网投资决策建模方法及装置 |
CN110071579A (zh) * | 2019-06-05 | 2019-07-30 | 国网北京市电力公司 | 基于泛在电力物联网的电网供电保障和智能管控系统 |
CN111415068A (zh) * | 2020-02-28 | 2020-07-14 | 国网福建省电力有限公司厦门供电公司 | 基于改造措施与失负荷量指标关联性的配电决策建模方法 |
CN111900801A (zh) * | 2020-07-31 | 2020-11-06 | 上海欣能信息科技发展有限公司 | 一种基于电力物联网的配电网供电保障系统 |
-
2021
- 2021-06-30 CN CN202110731847.7A patent/CN113393051B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109102126A (zh) * | 2018-08-30 | 2018-12-28 | 燕山大学 | 一种基于深度迁移学习的理论线损率预测模型 |
CN109858798A (zh) * | 2019-01-26 | 2019-06-07 | 国网福建省电力有限公司 | 关联改造措施与电压指标的电网投资决策建模方法及装置 |
CN110071579A (zh) * | 2019-06-05 | 2019-07-30 | 国网北京市电力公司 | 基于泛在电力物联网的电网供电保障和智能管控系统 |
CN111415068A (zh) * | 2020-02-28 | 2020-07-14 | 国网福建省电力有限公司厦门供电公司 | 基于改造措施与失负荷量指标关联性的配电决策建模方法 |
CN111900801A (zh) * | 2020-07-31 | 2020-11-06 | 上海欣能信息科技发展有限公司 | 一种基于电力物联网的配电网供电保障系统 |
Non-Patent Citations (1)
Title |
---|
基于北斗RDSS的核辐射监测应急通讯方法;王廷银;林明贵;陈达;吴允平;;计算机系统应用(第12期);第252-256页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113393051A (zh) | 2021-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110263866B (zh) | 一种基于深度学习的电力用户负荷区间预测方法 | |
CN113393051B (zh) | 基于深度迁移学习的配电网投资决策方法 | |
CN110782658B (zh) | 一种基于LightGBM算法的交通量预测方法 | |
CN103105246A (zh) | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 | |
CN110969290A (zh) | 一种基于深度学习的径流概率预测方法及系统 | |
CN109978253B (zh) | 一种基于增量学习的电力系统短期负荷预测方法 | |
CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
CN108415884B (zh) | 一种结构模态参数实时追踪方法 | |
CN108921359A (zh) | 一种分布式瓦斯浓度预测方法及装置 | |
CN109981749A (zh) | 一种基于极限梯度提升的云工作流任务执行时间预测方法 | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
CN115374995A (zh) | 一种分布式光伏、小风电场站功率预测方法 | |
CN112614021B (zh) | 一种基于已建隧道信息智能识别的隧道围岩地质信息预测方法 | |
CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
CN112364560A (zh) | 矿山凿岩装备作业工时智能预测方法 | |
CN115470962A (zh) | 一种基于LightGBM的企业失信风险预测模型构建方法 | |
CN103885867B (zh) | 一种模拟电路性能的在线评价方法 | |
Dang et al. | A novel multivariate grey model for forecasting periodic oscillation time series | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
CN115688578A (zh) | 一种基于粒子群优化lstm神经网络模型的机械钻速预测方法 | |
CN105488598A (zh) | 一种基于模糊聚类的中长期电力负荷预测方法 | |
CN113610268A (zh) | 一种基于居住区空间形态的碳排放量预测方法 | |
CN110264010B (zh) | 新型乡村电力饱和负荷预测方法 | |
CN107808245A (zh) | 基于改进决策树方法的管网调度系统 | |
CN117171713A (zh) | 一种基于轴承寿命的交叉自适应深度迁移学习方法及系统 |
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 |