CN113743540B - 一种基于多模型融合Stacking算法的煤质熔点预测方法 - Google Patents

一种基于多模型融合Stacking算法的煤质熔点预测方法 Download PDF

Info

Publication number
CN113743540B
CN113743540B CN202111298890.5A CN202111298890A CN113743540B CN 113743540 B CN113743540 B CN 113743540B CN 202111298890 A CN202111298890 A CN 202111298890A CN 113743540 B CN113743540 B CN 113743540B
Authority
CN
China
Prior art keywords
database
model
characteristic variables
data
testa
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
CN202111298890.5A
Other languages
English (en)
Other versions
CN113743540A (zh
Inventor
李思琪
许冬亮
贾东升
王广永
祁海鹏
艾云涛
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.)
Huaneng Group Technology Innovation Center Co Ltd
Huaneng Tianjin Coal Gasification Power Generation Co Ltd
Original Assignee
Huaneng Tianjin Coal Gasification Power Generation 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 Huaneng Tianjin Coal Gasification Power Generation Co Ltd filed Critical Huaneng Tianjin Coal Gasification Power Generation Co Ltd
Priority to CN202111298890.5A priority Critical patent/CN113743540B/zh
Publication of CN113743540A publication Critical patent/CN113743540A/zh
Application granted granted Critical
Publication of CN113743540B publication Critical patent/CN113743540B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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"

Abstract

本发明公开了一种基于多模型融合Stacking算法的煤质熔点预测方法，使用机器算法预测数据，首先确定目标变量及特征变量，将test数据库拆分成testA数据库及testB数据库，构建其对应的trainA数据库及trainB数据库；对数据进行最大最小归一化处理、进行Box‑Cox变换、采用“3σ准则”剔除异常值等处理；选择基模型及元模型，基模型分别进行单独训练，元模型进行拟合训练，得到最终模型A，模型A预测testA数据库的灰熔点。本发明的煤质熔点预测方法，解决了耗时、耗能、耗力的弊端，能对大规模样品进行预测；模型的泛化性强，能够处理特征变量超出数据库的数据预测；模型拟合度高且避免模型过度拟合，预测的准确率高，预测数据方差较小，稳定性好。

Description

一种基于多模型融合Stacking算法的煤质熔点预测方法
技术领域
本发明涉及煤质灰熔点预测技术领域，尤其涉及一种基于多模型融合Stacking算法的煤质熔点预测方法。
背景技术
煤质的灰熔点是煤高温特性的重要测定项目之一，煤质熔融温度在工业上不论是火电厂还是煤气化炉中都具有非常重要的意义。传统煤质灰熔点是通过煤质高温实验测定，步骤较为繁琐，需逐步升温至1500度高温，耗时、耗能、耗力且每次测定的化验样品数有限，不适合大规模化验。
随着大数据、机器学习算法等计算机技术的发展，近几年采用算法拟合历史数据库的方法被应用在煤质的灰熔点预测中。但目前常见的灰熔点预测方法也存在一定问题。比如：
1、特征工程研究较少，选用的特征变量全而不精，影响预测准确率。
2、预测数据和历史数据库未做特征范围匹配，如果预测数据特征变量包含在历史数据库内，准确度较好，如果不包含在历史数据库内，准确度大大降低。
3、现有煤质灰熔点预测方法使用单一机器学习算法，拟合度和准确度仍有提高的空间。
发明内容
鉴于现有技术中的上述缺陷或不足，期望提供一种基于多模型融合Stacking算法的煤质熔点预测方法。
本发明提供的一种基于多模型融合Stacking算法的煤质熔点预测方法，包括如下步骤：
步骤一：使用机器算法预测数据，首先确定煤质流动温度FT是目标变量；确定煤质中氧化物含量及新构造的特征参数是特征变量，所述特征变量为V0至V12共13个，分别对应为Na2O、MgO、Al2O3、SiO2、K2O、CaO、P2O5、TiO2、Fe2O3、SO3、K2O+Na2O、SiO2/Al2O3及煤质黏结指数Rhj；
步骤二：将煤质灰熔点历史数据库命名为train数据库，其中含有13个所述特征变量和1个所述目标变量；将等待预测的数据库命名为test数据库，其中含有13个所述特征变量；
步骤三：根据特征变量分布情况将test数据库拆分成testA数据库及testB数据库，testA保留全部13个所述特征变量，testB删除超出范围的特征变量；构建其对应的trainA数据库及trainB数据库；具体办法如下：
对train数据库和test数据库的13个所述特征变量逐一进行数据分布探索，筛选出test数据库的特征变量均在train数据库范围内的数据集，命名为testA数据库，所述testA数据库仍为13个所述特征变量；如果test数据库内的数据集的某些特征变量超出train数据库范围，则将这部分数集删除超出范围的特征变量组成testB数据库；减少数据分布偏差大的特征变量影响预测准确度，提高模型的泛化性；
步骤四：对trainA数据和testA数据库的特征变量和目标变量进行最大最小归一化处理；trainB数据库及testB数据库也同样处理；公式为X’=(X-Xmin)/(Xmax-Xmin)；
步骤五：对train数据库A和testA数据库的特征变量和目标变量进行Box-Cox变换，改善数据的正态性、对称性和方差相等性；Box-Cox数学公式如下：
Figure 100002_DEST_PATH_IMAGE001
公式中y（λ）为经Box-Cox变换后得到的新变量，y为原始连续因变量，λ为变换参数；
步骤六：对trainA数据库和testA数据库的特征变量和目标变量异常值处理；trainB数据库及testB数据库也同样处理；将数据进行正态化处理，此处采用“3σ准则”剔除异常值；
步骤七：选择以线性回归、随机森林及SVM模型作为基模型，以线性回归作为元模型；首先将训练得到前三个基模型，然后再以基模型的输出作为线性回归的输入训练元模型，最后以线性回归的输出作为真正的分类结果；
步骤八：数据经过预处理后，使用trainA数据库训练融合Stacking模型；选用随机森林、AdaBoost模型、GBoost回归模型、ExtraTrees 模型、Linear回归、XGBoost回归模型、lgb回归模型作为基模型，选用Linear回归模型、lgb 回归模型作为元模型；基模型分别进行单独训练，训练方法如下：
交叉验证（Cross Validation）方法使用K折交叉验证，各模型调参使用网格搜索（Grid Search）法；单独训练后进行融合，用Linear回归模型和lgb 回归模型对新的特征进行拟合训练，得到最终模型A；
步骤九：使用步骤八训练的模型A预测testA数据库的灰熔点，同样使用模型B预测testB数据库的灰熔点。
优选的，所述煤质黏结指数Rhj的计算公式为：Rhj=Na2O*（Fe2O3+CaO+MgO+K2O+Na2O）/（SiO2+Al2O3+TiO2）。
优选的，所述λ最初为未知数，为了使变换后样本y（λ）正态性最好，通过计算机程序计算比较不同的λ下y（λ），找出最优的λ值；有了λ值，将原变量数据y通过Box-Cox数学公式转换成新的y（λ）；V0原skew为2.9017，V0转换skew为-0.2724，转换后的V0更加符合正态分布。
相对于现有技术而言，本发明的有益效果是：
（1）本发明的煤质熔点预测方法，能够准确、快速、廉价的测定或推测煤质的灰熔点；
（2）本发明的煤质熔点预测方法，相比传统实验测定灰熔点，解决了耗时、耗能、耗力的弊端，能对大规模样品进行预测。相比其他机器学习算法预测方法，模型的泛化性强，能够处理特征变量超出数据库的数据预测；
（3）本发明的煤质熔点预测方法，使用最新的融合Stacking算法训练模型，模型拟合度高且避免模型过度拟合，预测的准确率高，预测数据方差较小，稳定性好。
应当理解，发明内容部分中所描述的内容并非旨在限定本发明的实施例的关键或重要特征，亦非用于限制本发明的范围。本发明的其它特征将通过以下的描述变得容易理解。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明实施例提供的融合Stacking算法的预测流程示意图；
图2为拆分test数据库的示意图；
图3为拆分test数据库的示例表；
图4为V0转换skew前后对比图；
图5为采用“3σ准则”数据处理示意图；
图6为训练方法示意图；
图7为融合Stacking算法（ensemble）示意图；
图8为某一融合stacking模型A拟合指标；
图9为testB数据库的灰熔点的预测数据的评价指标。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
请参考图1~图9，本发明的实施例提供了一种基于多模型融合Stacking算法的煤质熔点预测方法，包括如下步骤：
步骤一：使用机器算法预测数据，首先确定煤质流动温度FT是目标变量，灰熔点变形温度、软化温度、半球温度预测方法雷同；确定煤质中氧化物含量及新构造的特征参数是特征变量，特征变量为V0至V12共13个，分别对应为Na2O、MgO、Al2O3、SiO2、K2O、CaO、P2O5、TiO2、Fe2O3、SO3、K2O+Na2O、SiO2/Al2O3及煤质黏结指数Rhj；其中，K2O+Na2O是K2O含量与Na2O含量之和，SiO2/Al2O3是SiO2含量除以Al2O3含量；
步骤二：将煤质灰熔点历史数据库命名为train数据库，其中含有13个特征变量和1个目标变量；将等待预测的数据库命名为test数据库，其中含有13个特征变量；
步骤三：请参考图2~图3，根据特征变量分布情况将test数据库拆分成testA数据库及testB数据库，testA保留全部13个特征变量，testB删除超出范围的特征变量；构建其对应的trainA数据库及trainB数据库；具体办法如下：
对train数据库和test数据库的13个特征变量逐一进行数据分布探索，筛选出test数据库的特征变量均在train数据库范围内的数据集，命名为testA数据库，testA数据库仍为13个特征变量；如果test数据库内的数据集的某些特征变量超出train数据库范围，则将这部分数集删除超出范围的特征变量组成testB数据库；减少数据分布偏差大的特征变量影响预测准确度，提高模型的泛化性；
在此为方便理解，举实例说明，假如test数据库内的数据集的V5，V9特征变量超出train数据库范围，则删除这2个特征变量，组成不含V5，V9的testB数据库，相对应训练模型的数据trainB也删除V5，V9，提高trainB训练出来模型的泛化性。testA, trainA则保留全部的V0,V1……V12完整的特征变量；如图3所示。
步骤四：对trainA数据和testA数据库的特征变量和目标变量进行最大最小归一化处理；trainB数据库及testB数据库也同样处理；公式为X’=(X-Xmin)/(Xmax-Xmin)；
步骤五：对train数据库A和testA数据库的特征变量和目标变量进行Box-Cox变换，改善数据的正态性、对称性和方差相等性；Box-Cox数学公式如下：
Figure DEST_PATH_IMAGE002
公式中y（λ）为经Box-Cox变换后得到的新变量，y为原始连续因变量，λ为变换参数；
步骤六：请参考图5，对trainA数据库和testA数据库的特征变量和目标变量异常值处理；trainB数据库及testB数据库也同样处理；将数据进行正态化处理，此处采用“3σ准则”剔除异常值；图中白色圆圈及白色长条为异常值；
步骤七：请参考图6-图7，选择以线性回归、随机森林及SVM模型作为基模型，以线性回归作为元模型；首先将训练得到前三个基模型，然后再以基模型的输出作为线性回归的输入训练元模型，最后以线性回归的输出作为真正的分类结果；图7中前三幅为基模型，第四幅为融合分类的结果，明显融合了前三个模型的部分划分，这种多模型融合Stacking算法可以集各种机器学习算法之所长，训练拟合度高；
步骤八：数据经过预处理后，使用trainA数据库训练融合Stacking模型；选用随机森林、AdaBoost模型、GBoost回归模型、ExtraTrees 模型、Linear回归、XGBoost回归模型、lgb回归模型作为基模型，选用Linear回归模型、lgb 回归模型作为元模型；基模型分别进行单独训练，训练方法如下：
交叉验证（Cross Validation）方法使用K折交叉验证，各模型调参使用网格搜索（Grid Search）法；单独训练后进行融合，用Linear回归模型和lgb 回归模型对新的特征进行拟合训练，得到最终模型A；trainB数据库和testB数据库也同样处理，得到模型B；请参考图8，某一融合stacking模型A拟合指标的R2= 0.999527248113362，rmse=0.8000445992757509，mse= 0.6400713608302968，std= 52.227526873070374，拟合度明显优于其他模型；
步骤九：请参考图9，使用步骤八训练的模型A预测testA数据库的灰熔点，同样使用模型B预测testB数据库的灰熔点。
在一优选实施例中，煤质黏结指数Rhj的计算公式为：Rhj=Na2O*（Fe2O3+CaO+MgO+K2O+Na2O）/（SiO2+Al2O3+TiO2）。
在一优选实施例中，λ最初为未知数，为了使变换后样本y（λ）正态性最好，通过计算机程序计算比较不同的λ下y（λ），找出最优的λ值；有了λ值，将原变量数据y通过Box-Cox数学公式转换成新的y（λ）；V0原skew为2.9017，V0转换skew为-0.2724，转换后的V0更加符合正态分布。
本发明的煤质熔点预测方法能够准确、快速、廉价的测定或推测煤质的灰熔点。
在本说明书的描述中，术语“连接”、“安装”、“固定”等均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
在本说明书的描述中，术语“一个实施例”、“一些实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (2)

1.一种基于多模型融合Stacking算法的煤质熔点预测方法，其特征在于，包括如下步骤：
步骤一：使用机器算法预测数据，首先确定煤质流动温度FT是目标变量；确定煤质中氧化物含量及新构造的特征参数是特征变量，所述特征变量为V0至V12共13个，分别对应为Na2O、MgO、Al2O3、SiO2、K2O、CaO、P2O5、TiO2、Fe2O3、SO3、K2O+Na2O、SiO2/Al2O3及煤质黏结指数Rhj；所述K2O+Na2O是K2O含量与Na2O含量之和，所述SiO2/Al2O3是SiO2含量除以Al2O3含量；所述煤质黏结指数Rhj的计算公式为：Rhj=Na2O*（Fe2O3+CaO+MgO+K2O+Na2O）/（SiO2+Al2O3+TiO2）；
步骤二：将煤质灰熔点历史数据库命名为train数据库，其中含有13个所述特征变量和1个所述目标变量；将等待预测的数据库命名为test数据库，其中含有13个所述特征变量；
步骤三：根据特征变量分布情况将test数据库拆分成testA数据库及testB数据库，testA保留全部13个所述特征变量，testB删除超出范围的特征变量；构建其对应的trainA数据库及trainB数据库；具体办法如下：
对train数据库和test数据库的13个所述特征变量逐一进行数据分布探索，筛选出test数据库的特征变量均在train数据库范围内的数据集，命名为testA数据库，所述testA数据库仍为13个所述特征变量；如果test数据库内的数据集的某些特征变量超出train数据库范围，则将这部分数据集删除超出范围的特征变量组成testB数据库；减少数据分布偏差大的特征变量影响预测准确度，提高模型的泛化性；所述trainA数据库即为所述train数据库；所述trainB数据库中的特征变量对应所述testB数据库中的特征变量设置，由所述train数据库中的数据集剔除指定特征变量后的剩余数据集组成，所述指定特征变量为testB数据库中超出范围的特征变量；
步骤四：对trainA数据库的特征变量和目标变量进行最大最小归一化处理，对testA数据库的特征变量进行最大最小归一化处理；最大最小归一化公式为X’=(X-Xmin)/(Xmax-Xmin)；
步骤五：对trainA数据库的特征变量和目标变量进行Box-Cox变换，对testA数据库的特征变量进行Box-Cox变换，改善数据的正态性、对称性和方差相等性；Box-Cox数学公式如下：
Figure DEST_PATH_IMAGE001
公式中y（λ）为经Box-Cox变换后得到的新变量，y为原始连续因变量，λ为变换参数；
步骤六：对trainA数据库的特征变量和目标变量进行异常值处理，对testA数据库的特征变量进行异常值处理；将数据进行正态化处理，此处采用“3σ准则”剔除异常值；
步骤七：选择以线性回归、随机森林及SVM模型作为基模型，以线性回归作为元模型；首先将训练得到前三个基模型，然后再以基模型的输出作为线性回归的输入训练元模型，最后以线性回归的输出作为真正的分类结果；
步骤八：数据经过预处理后，使用trainA数据库训练融合Stacking模型；选用随机森林、AdaBoost模型、GBoost回归模型、ExtraTrees 模型、Linear回归、XGBoost回归模型、lgb回归模型作为基模型，选用Linear回归模型、lgb 回归模型作为元模型；基模型分别进行单独训练，训练方法如下：
交叉验证（Cross Validation）方法使用K折交叉验证，各模型调参使用网格搜索（GridSearch）法；单独训练后进行融合，用Linear回归模型和lgb 回归模型对新的特征进行拟合训练，得到最终模型A；对trainB及testB重复步骤四到步骤八，得到模型B；
步骤九：使用步骤八训练的模型A预测testA数据库的灰熔点，同样使用模型B预测testB数据库的灰熔点。
2.根据权利要求1所述的基于多模型融合Stacking算法的煤质熔点预测方法，其特征在于，所述λ最初为未知数，为了使变换后样本y（λ）正态性最好，通过计算机程序计算比较不同的λ下y（λ），找出最优的λ值；有了λ值，将原变量数据y通过Box-Cox数学公式转换成新的y（λ）；V0原skew为2.9017，V0转换skew为-0.2724，转换后的V0更加符合正态分布。
CN202111298890.5A 2021-11-04 2021-11-04 一种基于多模型融合Stacking算法的煤质熔点预测方法 Active CN113743540B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111298890.5A CN113743540B (zh) 2021-11-04 2021-11-04 一种基于多模型融合Stacking算法的煤质熔点预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111298890.5A CN113743540B (zh) 2021-11-04 2021-11-04 一种基于多模型融合Stacking算法的煤质熔点预测方法

Publications (2)

Publication Number Publication Date
CN113743540A CN113743540A (zh) 2021-12-03
CN113743540B true CN113743540B (zh) 2022-02-18

Family

ID=78727366

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111298890.5A Active CN113743540B (zh) 2021-11-04 2021-11-04 一种基于多模型融合Stacking算法的煤质熔点预测方法

Country Status (1)

Country Link
CN (1) CN113743540B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232373A (zh) * 2020-09-20 2021-01-15 华中师范大学 一种锅炉飞灰含碳量预测方法及系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104408215B (zh) * 2014-08-07 2018-07-27 大唐内蒙古多伦煤化工有限责任公司 一种煤灰流动温度的预测方法
CN109857983B (zh) * 2018-12-29 2022-09-30 河南工程学院 一种面向超大城市的餐饮场馆热度分析方法
CN110457784A (zh) * 2019-07-24 2019-11-15 北京科技大学 一种基于bp网络模型的煤灰熔点预测方法
CN111199343B (zh) * 2019-12-24 2023-07-21 上海大学 一种多模型融合的烟草市场监管异常数据挖掘方法
CN111291937A (zh) * 2020-02-25 2020-06-16 合肥学院 基于支持向量分类与gru神经网络联合的处理污水水质预测方法
CN111985796B (zh) * 2020-08-07 2021-06-18 华中科技大学 基于随机森林和智能算法预测混凝土结构耐久性的方法
CN112798457A (zh) * 2020-12-23 2021-05-14 华能（天津）煤气化发电有限公司 一种用于igcc的飞灰再循环判定方法
CN112700325A (zh) * 2021-01-08 2021-04-23 北京工业大学 一种基于Stacking集成学习的网贷回头客预测的方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232373A (zh) * 2020-09-20 2021-01-15 华中师范大学 一种锅炉飞灰含碳量预测方法及系统

Also Published As

Publication number Publication date
CN113743540A (zh) 2021-12-03

Similar Documents

Publication Publication Date Title
Duan et al. A multivariate grey prediction model based on energy logistic equation and its application in energy prediction in China
CN111144609A (zh) 一种锅炉废气排放预测模型建立方法、预测方法及装置
CN102982390A (zh) 一种基于支持向量机增量算法的锅炉燃烧效率预测方法
CN106327004A (zh) 一种基于熟料质量指标的水泥烧成过程优化方法
Tang et al. A deep learning model for measuring oxygen content of boiler flue gas
Chen et al. A fuzzy back propagation network ensemble with example classification for lot output time prediction in a wafer fab
CN113743540B (zh) 一种基于多模型融合Stacking算法的煤质熔点预测方法
Thota et al. Analysis of feature selection techniques for prediction of boiler efficiency in case of coal based power plant using real time data
CN112836902A (zh) 一种基于改进型bp神经网络的煤燃烧发热量预测方法
Shashank et al. Analysis of enablers and barriers in adopting electric vehicles in India: DEMATEL-ISM approach
CN115148307A (zh) 一种材料性能自动预测系统
Hu et al. Dynamic Modeling Framework Based on Automatic Identification of Operating Conditions for Sintering Carbon Consumption Prediction
CN115600492A (zh) 一种激光切割工艺设计方法及系统
Ali et al. Comparative analysis of prediction algorithms for building energy usage prediction at an urban scale
CN114519460A (zh) 一种基于离散多变量灰色预测的电力预测系统
Dong et al. Coupling coordination development of energy-economy-carbon emissions in China under the background of “double carbon”
Karimi et al. Multivariable regression and adaptive neurofuzzy inference system predictions of ash fusion temperatures using ash chemical composition of us coals
CN113112166A (zh) 基于灰色模糊层次分析的设备状态变量选择方法及设备
Tan Carbon Emission Prediction with Macroeconomic Variables and Machine Learning
Baykasoğlu Gene expression programming based meta-modelling approach to production line design
CN111062118A (zh) 一种基于神经网络预测分层的多层软测量建模系统及方法
Li et al. Analysis of energy consumption of tobacco drying process based on industrial big data
Li et al. Identification of urban industry life cycle based on rough set neural network
Li et al. The study of PNN quality control method based on genetic algorithm
Li et al. Optimization for Boiler Based on Data Mining and Multi-Condition Combustion Model

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
TR01 Transfer of patent right

Effective date of registration: 20220822

Address after: No.1, Lingang Economic Zone, Tianjin Binhai New Area Free Trade Zone, 300450

Patentee after: HUANENG (TIANJIN) COAL GASIFICATION POWER GENERATION Co.,Ltd.

Patentee after: HUANENG GROUP TECHNOLOGY INNOVATION CENTER Co.,Ltd.

Address before: 300450 Tianjin Binhai New Area Lingang Economic Zone No. 1

Patentee before: HUANENG (TIANJIN) COAL GASIFICATION POWER GENERATION Co.,Ltd.

TR01 Transfer of patent right