CN113610281B - 一种基于神经网络的加氢站站址选取方法 - Google Patents

一种基于神经网络的加氢站站址选取方法 Download PDF

Info

Publication number
CN113610281B
CN113610281B CN202110828392.0A CN202110828392A CN113610281B CN 113610281 B CN113610281 B CN 113610281B CN 202110828392 A CN202110828392 A CN 202110828392A CN 113610281 B CN113610281 B CN 113610281B
Authority
CN
China
Prior art keywords
neural network
site
network model
factors
station
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
CN202110828392.0A
Other languages
English (en)
Other versions
CN113610281A (zh
Inventor
方沛军
宣锋
李美林
姜方
伍远安
曹俊
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.)
Shanghai Hyfun Energy Technology Co Ltd
Original Assignee
Shanghai Hyfun Energy Technology 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 Shanghai Hyfun Energy Technology Co Ltd filed Critical Shanghai Hyfun Energy Technology Co Ltd
Priority to CN202110828392.0A priority Critical patent/CN113610281B/zh
Publication of CN113610281A publication Critical patent/CN113610281A/zh
Application granted granted Critical
Publication of CN113610281B publication Critical patent/CN113610281B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于神经网络的加氢站站址选取方法，采用Delphi法，根据影响站址选择的相关因素，利用专家的相关设计经验确定出站址评价指标，对该站址评价指标进行预处理，建立按照误差逆向传播算法训练的多层前馈神经网络模型；选择实际运营中的加氢站站址的相关参数作为样本数据，将该样本数据作为所述多层前馈神经网络的输入和输出值，对该多层前馈神经网络模型进行训练，当误差达到设定的目标误差后，得到最终的神经网络模型；将实际获取的站址评价指标输入到最终的神经网络模型，输出加氢站站址选取结果。本发明的有益效果是：极大降低了人工方案选取的工作量，无需依赖设计人员的工作经验，避免了人工选择方案可能产生的偏差。

Description

一种基于神经网络的加氢站站址选取方法
技术领域
本发明涉及加氢站领域，尤其涉及一种基于神经网络的加氢站站址选取方法。
背景技术
随着氢燃料电池汽车在国内快速的发展应用，为燃料电池提供氢源的加氢站的建设需求量也不断加大。加氢站的站址选择是建设中的重要环节，选址的高效性和合理性直接关系到车辆路径规划、投资和运行成本以及运营安全可靠性等重要问题。
加氢站的站址选择需考虑经济因素如土地、工程费用和氢气拖车运输费用等、运行功能因素如用户流量，环境因素如建筑物防火间距、对大气、水源的影响，规划因素如是否符合城市建设规划和加氢站分布规划等多个因素的影响。在实际的加氢站站址选定中，通常根据设计人员收集建站地的资料，考虑技术经济性指标的情况下列出多种方案，再根据设计人员的经验进行方案的选择。但实际选址中，不同建设地的情况有所不同，每个因素逐一进行分析再进行综合评价来选定方案的工作量较大，难以进行快速准确的选址。这就必须提出一套高效的选址方法，以减小人员的工作量，提高选址效率和合理性。目前加氢站智能选址的相关的技术较少，且只考虑燃料电池汽车与加氢站以及加氢站与加氢站之间的位置关系，未考虑经济、环境、规划多重因素的影响，评价体系不够完善。
发明内容
为了解决上述问题，本发明提供了一种基于神经网络的加氢站站址选取方法，主要包括以下步骤：
S1：采用Delphi法，根据影响站址选择的相关因素，利用专家的相关设计经验确定出站址评价指标；
S2：所述站址评价指标包括定量因素和定性因素，对定量因素进行无量纲化处理，对定性因素进行评判；
S3：基于所述站址评价指标，建立按照误差逆向传播算法训练的多层前馈神经网络模型，用于输出加氢站站址选取结果；
S4：选择实际运营中的加氢站站址作为样本，采用步骤S2中的方法对该样本进行处理，将处理后得到的样本数据作为所述多层前馈神经网络模型的输入和输出值，对该多层前馈神经网络模型进行训练，当误差达到设定的目标误差后，得到最终的神经网络模型；
S5：将实际获取的站址评价指标参数作为最终的神经网络模型的输入值，输出加氢站站址选取结果。
进一步地，所述站址评价指标包括一级影响因素，该一级影响因素包含10个二级影响因素。
进一步地，所述一级影响因素包括经济因素、运行因素、环境因素以及规划因素。
进一步地，所述二级影响因素为：建设工程费用、土地费用、TT车运输费用、用户加氢便利程度、改建扩建难易程度、重要建筑物间距、对大气及水源的影响、防洪及防污、城市规划匹配度和加氢站布局规划匹配度。
进一步地，采用以下公式对定量因素进行无量纲化处理：
当影响因素数值更大选址更好时：
当影响因素数值更小选址更好时：
其中，xi是第i个二级影响因素的数值，Fi是xi的标准化数值，xi,min是第i个二级影响因素的所有数值中的最小值，xi,max第个i二级影响因素的所有数值中的最大值。
进一步地，利用专家打分法对定性因素进行评判。
进一步地，建立神经网络模型的过程如下：
A、确定网络层数：选择按照误差逆向传播算法训练的多层前馈神经网络，网络层数为三层；
B、确定输入节点：以10个二级影响因素作为神经网络模型的10个输入节点；
C、隐含层节点数目的确定：由公式nl＝log2n，求得最佳的隐含层节点数目，其中，n为输入节点数，nl为最佳隐含层节点数目；
D、确定输出节点：输出节点为对加氢站站址合理性的评价结果，包括很不合理、较不合理、一般合理、较合理和很合理五个输出值，以表明选择加氢站站址的倾向性。
进一步地，将实际运营中的20座加氢站站址作为样本数据，16座加氢站站址作为训练样本，4座加氢站站址作为测试样本，得到最终的神经网络模型的过程如下：
(1)确定网络层数和输入输出节点；
(2)同时输入16个加氢站的样本数据；
(3)得到隐含层和输出层各节点的输出；
(4)判断输出值与设定输出值的误差是否小于目标误差值，若是，则到步骤(5)，若否，则调整权值后回到步骤(3)；
(5)得到训练完成的神经网络模型，并用剩余4个加氢站站址进行测试；
(6)判断测试得到的输出值与设定输出值的误差是否小于目标误差值，若是，则得到最终的神经网络，若否，则调整权值后回到步骤(3)。
本发明提供的技术方案带来的有益效果是：与现有技术相比，本发明提出的技术方案通过分析经济、环境、规划等多个方面的影响指标，建立了高效选取加氢站最优站址的模型，通过计算机运行便可评判不同方案的优劣程度，极大降低了设计人员人工进行方案选取的工作量，也无需依赖于设计人员的工作经验，从而避免了人工选择方案可能产生的偏差，提高了选址效率和准确性。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例中一种基于神经网络的加氢站站址选取方法的流程图。
图2是本发明实施例中神经网络模型的训练流程图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
本发明的实施例提供了一种基于神经网络的加氢站站址选取方法。请参考图1，图1是本发明实施例中一种基于神经网络的加氢站站址选取方法的流程图，具体包括如下步骤：
(1)采用Delphi法，根据影响站址选择的相关因素，利用专家的相关设计经验和理论知识确定出站址评价指标：
首先总结加氢站站址选择需考虑的四个一级影响因素，包括经济因素、运行因素、环境因素以及规划因素，再根据四个一级影响因素细分出以下的二级影响因素：
1、经济因素
a、建设工程费用
b、土地费用
c、TT车运输费用
2、运行因素
a、用户加氢便利程度
b、改建扩建难易程度
3、环境因素
a、重要建筑物间距
b、对大气、水源的影响
c、防洪、防污
4、规划因素
a、城市规划匹配度
b、加氢站布局规划匹配度
(2)进行评价指标预处理
影响加氢站选址的相关因素较多，本申请将上述4个一级影响因素和10个二级影响因素作为评价指标，所述站址评价指标包括定量因素和定性因素，对定量因素(如建设费用、运输费用等)，采用以下公式进行无量纲化处理：
当影响因素数值更大选址更好时，采用公式(1)进行无量纲化处理：
当影响因素数值更小选址更好时，采用公式(2)进行无量纲化处理：
其中，xi是第i个二级影响因素的数值，Fi是xi的标准化数值，xi,min是第i个二级影响因素的所有数值中的最小值，xi,max第个i二级影响因素的所有数值中的最大值。
除定量因素外，站址评价指标中还存在如加氢便利程度、城市规划匹配度等不可量化的定性因素，对于此类因素则通过专家打分法进行评判，详见如下的表1：
表1影响因素匹配程度与分值对应表
(3)确定神经网络模型的结构
由于站址选择和其影响因素之间存在着强烈的非线性关系，难以在短时间内迅速对多个方案做出最优判断，而神经网络模型无需获取输入和输出之间的线性关系，只需通过大量的样本数据进行学习，就能建立准确度很高的模型。神经网络模型的确定过程如下：
1、确定网络层数
选择的神经网络是按照误差逆向传播算法训练的多层前馈神经网络，网络层数为三层。
2、确定输入节点
选择上述的10个二级影响因素作为神经网络的10个输入节点。
3、隐含层节点数目的确定
通过以下公式求解最佳的隐含层节点数目：
nl＝log2n
其中n为输入节点数，nl为最佳隐含层节点数目
4、确定输出节点
输出节点为对加氢站站址合理性的评价结果，包括很不合理、较不合理、一般合理、较合理和很合理五个输出值，表明选择该站址的倾向性。
(4)样本的学习训练
输入输出节点确定后，可开始对神经网络模型进行学习训练，训练的流程图如图2所示。选择全国正常运营的20座加氢站站址作为样本数据，以16座加氢站站址作为训练样本，以4座加氢站站址作为测试样本，经过(2)步骤的指标预处理计算出20座加氢站的评价指标数据作为训练神经网络的输入值，再经过专家评估对20座加氢站的站址合理性按(3)中的五个输出值给出评价作为训练神经网络的输出值，最后设定初始权值系数和训练目标误差后开始对16个加氢站站址样本进行训练，当目标误差小于设定值后完成对样本的学习训练。
(5)神经网络的测试应用
完成学习训练后，用剩余4个加氢站的站址样本数据对神经网络模型进行测试，当误差值小于设定值时，表明此神经网络模型已建立完成且有较高准确度，可用于后续的加氢站站址选取实际应用中。
本发明的有益效果是：与现有技术相比，本发明提出的技术方案通过分析经济、环境、规划等多个方面的影响指标，建立高效选取加氢站最优站址的模型，即神经网络模型来对加氢站站址选择方案进行判断，通过计算机运行便可评判不同方案的优劣程度，极大降低了设计人员人工进行方案选取的工作量，也无需依赖于设计人员的工作经验，从而避免了人工选择方案可能产生的偏差，提高了选址效率和准确性。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于神经网络的加氢站站址选取方法，其特征在于：包括以下步骤：
S1：采用Delphi法，根据影响站址选择的相关因素，利用专家的相关设计经验确定出站址评价指标；所述站址评价指标包括一级影响因素，该一级影响因素包含10个二级影响因素；所述一级影响因素包括经济因素、运行因素、环境因素以及规划因素；所述二级影响因素为：建设工程费用、土地费用、TT车运输费用、用户加氢便利程度、改建扩建难易程度、重要建筑物间距、对大气及水源的影响、防洪及防污、城市规划匹配度和加氢站布局规划匹配度；
S2：所述站址评价指标包括定量因素和定性因素，对定量因素进行无量纲化处理，对定性因素进行评判；
S3：基于所述站址评价指标，建立按照误差逆向传播算法训练的多层前馈神经网络模型，用于输出加氢站站址选取结果；建立神经网络模型的过程如下：
A、确定网络层数：选择按照误差逆向传播算法训练的多层前馈神经网络模型，网络层数为三层；
B、确定输入节点：以10个二级影响因素作为神经网络模型的10个输入节点；
C、隐含层节点数目的确定：由公式nl＝log2n，求得最佳的隐含层节点数目，其中，n为输入节点数，nl为最佳隐含层节点数目；
D、确定输出节点：输出节点为对加氢站站址合理性的评价结果，包括很不合理、较不合理、一般合理、较合理和很合理五个输出值，以表明选择加氢站站址的倾向性；
训练神经网络模型的过程如下：
(1)确定网络层数和输入输出节点；
(2)同时输入16个加氢站的样本数据；
(3)得到隐含层和输出层各节点的输出；
(4)判断输出值与设定输出值的误差是否小于目标误差值，若是，则到步骤(5)，若否，则调整权值后回到步骤(3)；
(5)得到训练完成的神经网络模型，并用剩余4个加氢站站址进行测试；
(6)判断测试得到的输出值与设定输出值的误差是否小于目标误差值，若是，则得到最终的神经网络，若否，则调整权值后回到步骤(3)；
S4：选择实际运营中的加氢站站址作为样本，采用步骤S2中的方法对该样本进行处理，以处理后得到的样本数据对该多层前馈神经网络模型进行训练，当误差达到设定的目标误差后，得到最终的神经网络模型；
S5：将实际获取的站址评价指标参数作为最终的神经网络模型的输入值，输出加氢站站址选取结果。
2.如权利要求1所述的一种基于神经网络的加氢站站址选取方法，其特征在于：步骤S2中，采用以下公式对定量因素进行无量纲化处理：
当影响因素数值更大选址更好时：
当影响因素数值更小选址更好时：其中，xi是第i个二级影响因素的数值，Fi是xi的标准化数值，xi,min是第i个二级影响因素的所有数值中的最小值，xi,max第个i二级影响因素的所有数值中的最大值。
3.如权利要求1所述的一种基于神经网络的加氢站站址选取方法，其特征在于：步骤S2中，利用专家打分法对定性因素进行评判。
CN202110828392.0A 2021-07-22 2021-07-22 一种基于神经网络的加氢站站址选取方法 Active CN113610281B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110828392.0A CN113610281B (zh) 2021-07-22 2021-07-22 一种基于神经网络的加氢站站址选取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110828392.0A CN113610281B (zh) 2021-07-22 2021-07-22 一种基于神经网络的加氢站站址选取方法

Publications (2)

Publication Number Publication Date
CN113610281A CN113610281A (zh) 2021-11-05
CN113610281B true CN113610281B (zh) 2024-03-29

Family

ID=78338067

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110828392.0A Active CN113610281B (zh) 2021-07-22 2021-07-22 一种基于神经网络的加氢站站址选取方法

Country Status (1)

Country Link
CN (1) CN113610281B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101814174A (zh) * 2010-04-07 2010-08-25 北京交通大学 农资连锁经营物流配送中心选址优化方法
CN107358321A (zh) * 2017-07-05 2017-11-17 国网江苏省电力公司经济技术研究院 一种海上风电场精益化选址方法
CN108665123A (zh) * 2017-03-29 2018-10-16 郑位极芸 海上风能资源选址新技术
CN109086997A (zh) * 2018-08-02 2018-12-25 天津城建大学 一种基于bp神经网络的燃气储配站安全评价方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101814174A (zh) * 2010-04-07 2010-08-25 北京交通大学 农资连锁经营物流配送中心选址优化方法
CN108665123A (zh) * 2017-03-29 2018-10-16 郑位极芸 海上风能资源选址新技术
CN107358321A (zh) * 2017-07-05 2017-11-17 国网江苏省电力公司经济技术研究院 一种海上风电场精益化选址方法
CN109086997A (zh) * 2018-08-02 2018-12-25 天津城建大学 一种基于bp神经网络的燃气储配站安全评价方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于BP神经网络模型的商务型饭店微观选址研究――以重庆市为例;郑龙生;杨晓霞;;西南大学学报(自然科学版)(04);第162-165页 *
基于混合遗传神经网络的电动汽车充电站最优选址的研究;李海峰;康中敏;;四川电力技术(第04期);第49-52页 *

Also Published As

Publication number Publication date
CN113610281A (zh) 2021-11-05

Similar Documents

Publication Publication Date Title
CN110276556B (zh) 一种基于多策略的环境承载力指标权重计算方法及装置
CN114331221A (zh) 一种基于机器学习的混凝土工程量指标估算方法
CN112070356A (zh) 一种基于rf-lssvm模型预测混凝土抗碳化性能的方法
CN112765902B (zh) 一种基于TentFWA-GD的RBF神经网络的农村生活污水处理过程中COD浓度的软测量建模方法
CN105844301A (zh) 基于贝叶斯源识别的土壤中重金属污染源解析方法
CN114648230A (zh) 一种基于综合评价的污染场地修复技术方案比选方法
CN115481577A (zh) 一种基于随机森林和遗传算法的油藏自动历史拟合方法
CN113610281B (zh) 一种基于神经网络的加氢站站址选取方法
CN114034334B (zh) 岩溶管道污染源和流量的识别方法
CN114764682A (zh) 一种基于多机器学习算法融合的大米安全风险评估方法
CN110648023A (zh) 基于二次指数平滑改进gm(1,1)的数据预测模型的建立方法
CN116108998A (zh) 一种高速公路建设项目碳排放量预测方法及系统
CN115034140A (zh) 一种基于关键控制因子的地表水水质变化趋势预测方法
CN114741972A (zh) 一种空气污染物浓度季节性预测模型的构建方法
CN101425157A (zh) 针对铁路应急预案进行综合评价的方法
CN111948155B (zh) 精细全光谱结合改进gs-svr的复杂水体硝酸盐定量分析方法
CN117009767B (zh) 一种基于生物有效性的土壤基准制定及风险评估的方法
CN111353707A (zh) 基于数据包络分析和bp神经网络的科技投入绩效评价方法
CN111159861B (zh) 基于数据包络分析的锂电池多源可靠性试验数据评价方法
CN115600810A (zh) 一种基于随机森林优选水质指标的水质综合评价方法
CN112560898B (zh) 一种基于深度学习的负荷时空预测方法
CN112750505A (zh) 一种简化高碳燃料的大规模详细化学反应模型的方法
CN116701429B (zh) 一种基于批量历史任务模糊化的公共查询方法
CN114565143A (zh) 一种基于pslstm神经网络的出水bod浓度预测方法
CN116720110A (zh) 一种三维荧光图谱数据的分析方法

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