CN113569473A - 基于多项式特征lstm粒度计算的空分管网氧气长期预测方法 - Google Patents
基于多项式特征lstm粒度计算的空分管网氧气长期预测方法 Download PDFInfo
- Publication number
- CN113569473A CN113569473A CN202110814011.3A CN202110814011A CN113569473A CN 113569473 A CN113569473 A CN 113569473A CN 202110814011 A CN202110814011 A CN 202110814011A CN 113569473 A CN113569473 A CN 113569473A
- Authority
- CN
- China
- Prior art keywords
- data
- term
- long
- particle
- iter
- 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.)
- Pending
Links
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 title claims abstract description 88
- 229910052760 oxygen Inorganic materials 0.000 title claims abstract description 88
- 239000001301 oxygen Substances 0.000 title claims abstract description 88
- 230000007774 longterm Effects 0.000 title claims abstract description 37
- 238000000926 separation method Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000004364 calculation method Methods 0.000 title claims abstract description 22
- 230000006403 short-term memory Effects 0.000 claims abstract description 15
- 230000007787 long-term memory Effects 0.000 claims abstract description 14
- 239000002245 particle Substances 0.000 claims description 78
- 238000011192 particle characterization Methods 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 description 12
- 229910000831 Steel Inorganic materials 0.000 description 8
- 239000010959 steel Substances 0.000 description 8
- 241000196324 Embryophyta Species 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- MYMOFIZGZYHOMD-UHFFFAOYSA-N Dioxygen Chemical compound O=O MYMOFIZGZYHOMD-UHFFFAOYSA-N 0.000 description 1
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 241001232253 Xanthisma spinulosum Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000008187 granular material Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036284 oxygen consumption Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D1/00—Pipe-line systems
- F17D1/02—Pipe-line systems for gases or vapours
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
- F17D5/005—Protection or supervision of installations of gas pipelines, e.g. alarm
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多项式特征LSTM粒度计算的空分管网氧气长期预测方法,该方法首先根据凹凸性和单调性对需氧量时间序列数据进行自适应粒度划分,然后对每个数据粒形成基于二次多项式的粒度特征描述。在预测阶段,通过长短期记忆网络对各粒度特征进行长期预测,然后再通过反粒度化获得最终的氧气需求量长期预测结果,辅助指导现场的氧气调度工作。本方法可以通过长短期记忆网络考虑需氧量数据的长短期依赖并通过预测粒度特征获得氧气需求量的长期预测。与现有的方法相比,本发明具有更好的准确性且可以在线实施,能够实时地为调度人员提供指导。
Description
技术领域
本发明涉及数据预测技术领域,特别的,涉及一种基于多项式特征LSTM粒度计算的空分管网氧气长期预测方法。
背景技术
空分管网是冶金、化工、石化、医疗和航空航天领域中不可或缺的重要部分,与现代工业特别是高新技术产业密切相关。在空分管网的氧气供应和需求系统中,如果氧气的供应不足将会影响设备的操作,相反如果氧气的供应大于需求量则会导致氧气放散造成资源的浪费。近年来,出于节约能源和提高经济效益的原因,许多针对空分管网氧气调度的优化方法被开发,但是它们都需要准确的氧气需求量长期预测来支撑。
然而,在工业生产中,氧气需求并不是固定不变的,而是包含周期性、阶段性、间歇式的特点,这导致氧气需求量的大幅度波动。以钢铁工业为例,由于工艺的特殊性(如转炉顶吹、间歇用氧、高炉富氧连续使用、煤粉喷吹),其氧气需求量的瞬时变化量可能很大,在时间上并不连续;再加上各个转炉生产具有周期性,造成氧气用量需求带有一定的周期性。氧气需求量的大波动性、阶段性、间歇性导致在缺乏氧气需求量长期预测技术的情况下,现场调度人员往往不能及时调整空分设备的生产负荷,从而引起生产波动,同时造成大量能耗与经济损失。因此,如何综合应用先进的粒度计算、长期预测技术获得准确的需氧量长期预测结果,来支撑后续空分设备的调度优化,已成为当今空分行业的一个迫切需求。
发明内容
本发明的目的是针对现有技术的不足,提供一种基于多项式特征LSTM粒度计算的空分管网氧气长期预测方法。
本发明的目的是通过以下技术方案来实现的:
一种基于多项式特征LSTM粒度计算的空分管网氧气长期预测方法,其包括如下步骤:
S1、获取空分管网中不同历史时刻的氧气需求量数据,并经过数据预处理后形成需氧量时间序列数据;
S2、根据凹凸性和单调性对需氧量时间序列数据进行自适应粒度划分,使需氧量时间序列数据被划分为若干个数据粒;
S3、然后对S2中划分得到的每个数据粒形成基于二次多项式的粒度特征描述,所有数据粒的粒度特征描述按序组合成数据粒特征序列;
S4、在预测阶段,通过数据粒特征序列训练长短期记忆网络,并利用训练后的长短期记忆网络对粒度特征描述进行长期预测,然后再通过反粒度化获得最终的氧气需求量长期预测结果。
作为优选,所述S1的具体做法如下:
从工业现场的实时关系数据库中读取记录的空分管网的历史氧气需求量数据,对读取的氧气需求量数据进行数据预处理进而形成需氧量时间序列数据,所述数据预处理包括缺失数据的填充和数据的归一化。
作为优选,所述S2的具体做法如下:
S21:对需氧量时间序列数据X={x1,x2,…,xN}进行两次差分操作得到一次差分序列{Δ1,Δ2,…,ΔN-1}和二次差分序列其中N为需氧量时间序列数据的数据点个数,差分操作计算公式为:Δi=xi+1-xi,
S22:根据数据序列的单调性和凹凸性,按如下公式对需氧量时间序列数据中所有数据点进行打标记:
其中:Fi为数据点xi的标记;
S23:将需氧量时间序列数据中标记为Y的数据点作为序列的划分点,从而将序列X自适应地划分为若干个数据粒。
进一步的,所述S3的具体做法如下:
S31:对需氧量时间序列数据中每个数据粒,构造如下损失函数:
其中,yi,k表示第k个数据粒中的第i个数据点,Tk表示第k个数据粒中包含的数据点个数,rk表示第k个数据粒的初始偏移量即第k-1个数据粒中最后一个数据点的大小,表示第k个数据粒中需要估计的三个数据粒特征;
其中:
进一步的,所述S4的具体做法如下:
S41:使用数据粒的特征序列Z={z1,z2,…,zM}来训练长短期记忆网络,其中M是需氧量时间序列数据中划分的数据粒个数;
S42:设置迭代参数t=0,iter=1;
S43:使用训练好的长短期记忆网络来预测未来第iter个时间步的数据粒特征描述z′iter={T′iter,c′2,iter,c′1,iter,c′0,iter};
S44:将z′iter插入特征序列Z的末尾,然后设置t=t+T′iter,iter=iter+1;
S45:不断重复S43和S44对未来时间步的特征描述进行逐步长预测,直到t达到设定的预测时域。
进一步的,所述S5的具体做法如下:
根据每个未来时刻的数据粒预测得到的数据粒特征描述,按下式构造最终的预测结果:
其中表示第iter个预测时间步的数据粒中第j个数据点的预测值,riter表示第iter个预测时间步的数据粒的初始偏移量即前一个数据粒中最后一个数据点的大小,{T′iter,c′2,iter,c′1,iter,c′0,iter}表示第iter个预测时间步得到的数据粒特征描述。
进一步的,所述S4中训练的长短期记忆网络有4个,4个长短期记忆网络预测的参数均不相同,每一个长短期记忆网络均基于历史的数据粒特征描述预测未来时刻的数据粒特征描述中的一个参数。
与现有技术相比,本发明具有以下创新优势及显著效果:
(1)针对氧气需求数据具有周期性、阶段性和间歇性的问题,本发明的用于空分管网的基于多项式特征LSTM粒度计算的需氧量长期预测方法,根据凹凸性和单调性对需氧量时间序列数据进行自适应粒度划分,然后对每个数据粒形成基于二次多项式的粒度特征描述,从而对不同阶段的生产需氧量进行特征描述。
(2)针对现有技术长期预测准确性不够高的问题,本发明的用于空分管网的基于多项式特征LSTM粒度计算的需氧量长期预测方法,可以在考虑数据的长短期依赖的同时通过对数据粒的特征预测来实现长期预测,预测准确性高、可以在线实施,很好的满足了生产现场的需求。
(3)针对现场实施需要满足实时预测的问题,本发明的用于空分管网的基于多项式特征LSTM粒度计算的需氧量长期预测方法可以离线训练预测模型,然后在线实施预测,能够更好地满足大型空分管网生产的复杂要求。
附图说明
通过以下结合附图对本发明较佳的实施方式进行描述,可以进一步理解本发明的目的、特征和优点。以下参照本发明的附图对本发明作更详细的描述。但是本发明也可以以许多不同形式实施,因此不应认为它局限于说明书列出的实施例,相反,提供这种实施例是为了说明本发明的实施和完全,以及能向本领域的技术人员描述本发明的具体实施过程。
图1为钢铁厂空分管网示意图。
图2为本发明的实施流程示意图。
图3为粒度特征描述举例示意图。
图4为自适应数据粒划分效果举例示意图。
图5为递推多步预测策略示意图。
具体实施方案
为了更好地理解本发明的技术方案与具体实施方式,以下结合附图对本发明的实施方式作进一步描述。
以钢铁工业为例,由于炼钢厂中的转炉生产具有周期性而高炉生产具有一定的随机波动和休风,因此会导致需氧量数据中包含有周期性、阶段性和间歇性。针对以上情况,本发明构造了一种基于多项式特征LSTM粒度计算的空分管网氧气长期预测方法。由图1所示的空分管网的其中一种示意图可以看出,空分管网由氧气发生系统、氧气储存系统和氧气使用系统组成。氧气发生系统中涉及到的主要装置有:空分装置、空压机、氧压机;氧气储存系统中涉及到的主要装置有:氧气管网和球罐、液氧储槽、液化器和气化器;氧气使用系统中涉及的主要装置有:炼钢厂的转炉、炼铁厂的高炉和其他外部用户。由于管网实际配置复杂,铺设线路较长,遍布厂区各个生产区域,同时空分管网又存在非线性、大时滞等特点,因此准确有效的机理建模显得尤为困难。鉴于此,本发明从数据驱动方法角度出发,解决相关氧气需求预测问题。
本发明提出的基于多项式特征LSTM粒度计算的空分管网氧气长期预测方法总体框架图如图2所示,具体实施步骤如下:
步骤1:数据准备与数据预处理
从工业现场的实时关系数据库中提取历史记录中一段时间内的时序数据,该时序数据中包含了空分管网中不同历史时刻的氧气需求量数据。提取的数据可能存在数据质量问题,因此需要预先对时序数据进行预处理:检测并记录时序数据中的缺失点,并且使用缺失点前后点的平均值进行填充;然后将数据归一化至[-1,1],形成需氧量时间序列数据。
步骤2:数据自适应划分
工业生产数据的波动一般对应产品生产不同的阶段,含有一定实际意义,例如钢铁工业中高炉的送风休风状态的切换以及转炉的工作与停止状态的切换。应在建模过程中充分考虑此类生产过程特征,并依次对数据进行划分。以下以图4为例说明数据划分原则,具体为:
步骤2.1:对需氧量时间序列数据X={x1,x2,…,xN}进行两次差分操作得到一次差分序列{Δ1,Δ2,…,ΔN-1}和二次差分序列其中N为需氧量时间序列数据的数据点个数,差分操作计算公式为:Δi=xi+1-xi,
步骤2.2:根据数据序列的单调性和凹凸性,按如下公式对需氧量时间序列数据中所有数据点进行打标记:
其中:Fi为数据点xi的标记。
步骤2.3:将需氧量时间序列数据中标记为Y的数据点作为序列的划分点,任意两个相邻划分点之间为一个数据粒,从而将序列X自适应地划分为若干个数据粒,即总的数据粒个数为M。
如图4所示,展示了本发明中一部分序列被按照单调性和凹凸性自适应划分后形成的结果。
步骤3:对各数据粒形成基于二次多项式的特征描述:
不同与传统技术的点预测,本发明按照不同的生产阶段将多个数据点记为一个数据粒,然后提取各数据粒的特征,从而实现数据粒的预测。本发明中的基于二次多项式的数据粒特征描述如图3所示,其具体提取步骤为:
步骤3.1:对需氧量时间序列数据中每个数据粒,构造如下损失函数:
其中,yi,k表示第k个数据粒中的第i个数据点,Tk表示第k个数据粒中包含的数据点个数(即时间跨度),rk表示第k个数据粒的初始偏移量即第k-1个数据粒中最后一个数据点的大小,表示第k个数据粒中需要估计的三个数据粒特征。
其中:Ak为矩阵形式,矩阵大小为Tk×3,Bk为列向量形式,其表达式为:
步骤4:在预测阶段使用长短期记忆网络对数据粒特征进行长期预测:
步骤4.1:使用数据粒的特征序列Z={z1,z2,...,zM}来训练长短期记忆网络(LSTM,Long Short-Term Memory),其中M是需氧量时间序列数据中划分的数据粒个数。
步骤4.2:设置迭代参数t=0,iter=1。
步骤4.3:使用训练好的长短期记忆网络来预测未来第iter个时间步的数据粒特征描述z′iter={T′iter,c′2,iter,c′1,iter,c′0,iter}。
步骤4.4:将z′iter插入特征序列Z的末尾,然后设置t=t+T′iter,iter=iter+1。
步骤4.5:不断重复步骤4.3和步骤4.4对未来时间步的特征描述进行逐步长预测,直到t达到预测时域,具体的预测时域可根据实际需要的预测时间设置。LSTM的递推预测策略原理如图5所示,假设历史数据为{x1,x2,…,xt},每一个步长均利用最近时间窗内的历史数据来预测未来的下一步长的数据不断迭代即可不断得到等,由此实现长期预测。由于数据粒特征描述中存在四个参数,考虑到LSTM预测的准确性,本发明中可对每一个参数都训练一个LSTM网络,因此训练的LSTM网络有4个,4个长短期记忆网络预测的参数均不相同。每一个长短期记忆网络的输入均为历史的数据粒特征描述(包含四个参数),输出为未来时刻的数据粒特征描述中的一个参数的预测。
步骤6:反粒度化获得最终预测结果
获得数据粒特征描述的预测结果之后,由于其特征描述并非实际的氧气需求量预测值,因此还需要反粒度化来获得最终的预测结果。
根据每个未来时刻的数据粒预测得到的数据粒特征描述,按下式构造最终的预测结果:
其中表示第iter个预测时间步的数据粒中第j个数据点的预测值,riter表示第iter个预测时间步的数据粒的初始偏移量即当前数据粒的前一个数据粒中最后一个数据点的大小,{T′iter,c′2,iter,c′1,iter,c′0,iter}表示第iter个预测时间步得到的数据粒特征描述。
下面将上述S1~S6的预测方法应用于一个具体实例中,以展示其技术效果。
在该实例中,以国内钢铁工业信息化水平较高的南京钢铁厂空分管网为例,分别实施k-SVM方法、LSTM方法和本发明方法,选取RMSE、MAE、MAPE三种评价指标,对三种方法的预测结果进行比较,如表1所示,其中括号内代表预测的步数。
表1三种方法预测结果比较
由此可见,本发明采用的方法可以通过长短期记忆网络考虑需氧量数据的长短期依赖并通过预测粒度特征获得氧气需求量的长期预测。本方法原理简洁清晰,方便于计算机上实现,且灵活性很好,能够很好的满足空分设备实时优化快速性、安全性等要求。
以上所述的实施例只是本发明的一种较佳的方案,然其并非用以限制本发明。有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案,均落在本发明的保护范围内。
Claims (7)
1.一种基于多项式特征LSTM粒度计算的空分管网氧气长期预测方法,其特征在于,包括如下步骤:
S1、获取空分管网中不同历史时刻的氧气需求量数据,并经过数据预处理后形成需氧量时间序列数据;
S2、根据凹凸性和单调性对需氧量时间序列数据进行自适应粒度划分,使需氧量时间序列数据被划分为若干个数据粒;
S3、然后对S2中划分得到的每个数据粒形成基于二次多项式的粒度特征描述,所有数据粒的粒度特征描述按序组合成数据粒特征序列;
S4、在预测阶段,通过数据粒特征序列训练长短期记忆网络,并利用训练后的长短期记忆网络对粒度特征描述进行长期预测,然后再通过反粒度化获得最终的氧气需求量长期预测结果。
2.根据权利要求1所述的基于多项式特征LSTM粒度计算的空分管网氧气长期预测方法,其特征在于,所述S1的具体做法如下:
从工业现场的实时关系数据库中读取记录的空分管网的历史氧气需求量数据,对读取的氧气需求量数据进行数据预处理进而形成需氧量时间序列数据,所述数据预处理包括缺失数据的填充和数据的归一化。
4.根据权利要求3所述的基于多项式特征LSTM粒度计算的空分管网氧气长期预测方法,其特征在于,所述S3的具体做法如下:
S31:对需氧量时间序列数据中每个数据粒,构造如下损失函数:
其中,yi,k表示第k个数据粒中的第i个数据点,Tk表示第k个数据粒中包含的数据点个数,rk表示第k个数据粒的初始偏移量即第k-1个数据粒中最后一个数据点的大小,表示第k个数据粒中需要估计的三个数据粒特征;
其中:
5.根据权利要求4所述的基于多项式特征LSTM粒度计算的空分管网氧气长期预测方法,其特征在于,所述S4的具体做法如下:
S41:使用数据粒的特征序列Z={z1,z2,...,zM}来训练长短期记忆网络,其中M是需氧量时间序列数据中划分的数据粒个数;
S42:设置迭代参数t=0,iter=1;
S43:使用训练好的长短期记忆网络来预测未来第iter个时间步的数据粒特征描述z′iter={T′iter,c′2,iter,c′1,iter,c′0,iter};
S44:将z′iter插入特征序列Z的末尾,然后设置t=t+T′iter,iter=iter+1;
S45:不断重复S43和S44对未来时间步的特征描述进行逐步长预测,直到t达到设定的预测时域。
7.根据权利要求5所述的基于多项式特征LSTM粒度计算的空分管网氧气长期预测方法,其特征在于,所述S4中训练的长短期记忆网络有4个,4个长短期记忆网络预测的参数均不相同,每一个长短期记忆网络均基于历史的数据粒特征描述预测未来时刻的数据粒特征描述中的一个参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110814011.3A CN113569473A (zh) | 2021-07-19 | 2021-07-19 | 基于多项式特征lstm粒度计算的空分管网氧气长期预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110814011.3A CN113569473A (zh) | 2021-07-19 | 2021-07-19 | 基于多项式特征lstm粒度计算的空分管网氧气长期预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113569473A true CN113569473A (zh) | 2021-10-29 |
Family
ID=78165413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110814011.3A Pending CN113569473A (zh) | 2021-07-19 | 2021-07-19 | 基于多项式特征lstm粒度计算的空分管网氧气长期预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113569473A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114595879A (zh) * | 2022-03-03 | 2022-06-07 | 大连理工大学 | 一种基于特征粒序列lstm的类周期能源长期预测方法 |
CN115331415A (zh) * | 2022-10-14 | 2022-11-11 | 河北省科学院应用数学研究所 | 氧气浓度预警方法、装置、电子设备及可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190019037A1 (en) * | 2017-07-14 | 2019-01-17 | Nec Laboratories America, Inc. | Spatio-temporal interaction network for learning object interactions |
CN110543543A (zh) * | 2019-09-10 | 2019-12-06 | 苏州大学 | 一种基于多粒度神经网络的用户移动行为预测方法及装置 |
CN110633871A (zh) * | 2019-09-25 | 2019-12-31 | 大连理工大学 | 一种基于卷积长短期记忆网络的区域交通需求预测方法 |
CN110852515A (zh) * | 2019-11-15 | 2020-02-28 | 北京工业大学 | 基于混合长短时记忆神经网络的水质指标预测方法 |
WO2021082811A1 (zh) * | 2019-10-29 | 2021-05-06 | 山东科技大学 | 一种外汇时间序列预测方法 |
CN112767682A (zh) * | 2020-12-18 | 2021-05-07 | 南京航空航天大学 | 一种基于图卷积神经网络的多尺度交通流量预测方法 |
-
2021
- 2021-07-19 CN CN202110814011.3A patent/CN113569473A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190019037A1 (en) * | 2017-07-14 | 2019-01-17 | Nec Laboratories America, Inc. | Spatio-temporal interaction network for learning object interactions |
CN110543543A (zh) * | 2019-09-10 | 2019-12-06 | 苏州大学 | 一种基于多粒度神经网络的用户移动行为预测方法及装置 |
CN110633871A (zh) * | 2019-09-25 | 2019-12-31 | 大连理工大学 | 一种基于卷积长短期记忆网络的区域交通需求预测方法 |
WO2021082811A1 (zh) * | 2019-10-29 | 2021-05-06 | 山东科技大学 | 一种外汇时间序列预测方法 |
CN110852515A (zh) * | 2019-11-15 | 2020-02-28 | 北京工业大学 | 基于混合长短时记忆神经网络的水质指标预测方法 |
CN112767682A (zh) * | 2020-12-18 | 2021-05-07 | 南京航空航天大学 | 一种基于图卷积神经网络的多尺度交通流量预测方法 |
Non-Patent Citations (3)
Title |
---|
PENGWEI ZHOU.ETC.: ""Long-term hybrid prediction method based on multiscale decomposition and granular computing for oxygen supply network"", 《COMPUTERS AND CHEMICAL ENGINEERING》, 9 July 2021 (2021-07-09) * |
张帆, 邵之江, 仲卫涛, 钱积新: "基于Matlab的分布式并行优化计算环境", 系统仿真学报, no. 09, 20 September 2002 (2002-09-20) * |
武文博;顾广华;刘青茹;赵志明;李刚;: "基于深度卷积与全局特征的图像密集字幕描述", 信号处理, no. 09, 25 September 2020 (2020-09-25) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114595879A (zh) * | 2022-03-03 | 2022-06-07 | 大连理工大学 | 一种基于特征粒序列lstm的类周期能源长期预测方法 |
CN114595879B (zh) * | 2022-03-03 | 2022-09-06 | 大连理工大学 | 一种基于特征粒序列lstm的类周期能源长期预测方法 |
CN115331415A (zh) * | 2022-10-14 | 2022-11-11 | 河北省科学院应用数学研究所 | 氧气浓度预警方法、装置、电子设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111353656B (zh) | 一种基于生产计划的钢铁企业氧气负荷预测方法 | |
Bakirtzis et al. | Generation expansion planning by MILP considering mid-term scheduling decisions | |
CN113569473A (zh) | 基于多项式特征lstm粒度计算的空分管网氧气长期预测方法 | |
Cadenas et al. | Short term wind speed forecasting in La Venta, Oaxaca, México, using artificial neural networks | |
CN103942422B (zh) | 一种基于粒度计算的冶金企业转炉煤气柜位长期预测方法 | |
CN106779384B (zh) | 一种基于信息粒度最优分配的钢铁工业高炉煤气长期区间预测方法 | |
CN105404935A (zh) | 一种考虑业扩增量的电力系统月度负荷预测方法 | |
CN105490310A (zh) | 一种基于通用分布的含风电电力系统实时动态经济调度方法 | |
Weigold et al. | Method for the application of deep reinforcement learning for optimised control of industrial energy supply systems by the example of a central cooling system | |
Lao et al. | The optimized multivariate grey prediction model based on dynamic background value and its application | |
CN113610296B (zh) | 一种区域内用电负荷峰值预测方法及电网投资规划方法 | |
Choueiki et al. | Implementing a weighted least squares procedure in training a neural network to solve the short-term load forecasting problem | |
CN112784439A (zh) | 一种基于离散化模型的能源互联网规划方法及装置 | |
Setiawan et al. | Evaluation of container forecasting methods for analyzing port container terminal performance using agent-based simulation | |
CN103514486A (zh) | 基于因素分析的高炉煤气受入流量预测方法 | |
CN111799793A (zh) | 一种源网荷协同的输电网规划方法与系统 | |
Taieb et al. | Probabilistic time series forecasting with boosted additive models: an application to smart meter data | |
Zheng et al. | Digital twin modeling for district heating network based on hydraulic resistance identification and heat load prediction | |
Chen et al. | Research on medium-long term power load forecasting method based on load decomposition and big data technology | |
Pal et al. | A linear fuzzy goal programming method for solving optimal power generation and dispatch problem | |
Asati | A Comparative Study On Forecasting Consumer Price Index Of India Amongst XGBoost, Theta, ARIMA, Prophet And LSTM Algorithms. | |
Sun et al. | Hybrid Dynamic Continuous Strip Thickness Prediction of Hot Rolling. | |
Lv et al. | Short-term forecast of blast furnace gas production amount based on grey RBF neural network | |
CN111898796A (zh) | 一种多业务融合的配电网可靠性优化的方法 | |
Yang | Electricity Price Forecast Based on Metabolic GM (1, 1) Model under Wind Power Development Prospect |
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 |