CN114021297B - 基于回声状态网络的复杂管网泄漏定位方法 - Google Patents
基于回声状态网络的复杂管网泄漏定位方法 Download PDFInfo
- Publication number
- CN114021297B CN114021297B CN202111369996.XA CN202111369996A CN114021297B CN 114021297 B CN114021297 B CN 114021297B CN 202111369996 A CN202111369996 A CN 202111369996A CN 114021297 B CN114021297 B CN 114021297B
- Authority
- CN
- China
- Prior art keywords
- echo state
- network
- leakage
- network model
- training
- 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 22
- 238000012549 training Methods 0.000 claims abstract description 61
- 238000003062 neural network model Methods 0.000 claims abstract description 33
- 238000012360 testing method Methods 0.000 claims abstract description 30
- 238000012544 monitoring process Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 238000013507 mapping Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- 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
-
- 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
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/14—Pipes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Fluid Mechanics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明涉及复杂管网泄漏定位技术领域，特别涉及基于回声状态网络的复杂管网泄漏定位预测方法。包括以下步骤：建立回声状态网络训练数据库、构建回声状态网络模型并对回声状态网络模型进行训练、训练BP神经网络模型，并对回声状态网络模型与BP神经网络模型进行比较。本发明通过建立回声状态网络训练数据库，并将数据的数据分为训练集与测试集对回声状态网络模型进行训练，使回声状态网络模型对泄漏的位置进行准确的预测，并且通过建立管网输入与输出之间的映射关系实现了对整个管网的诊断，相比于BP神经网络预测方法，减少人力巡查的时间以及设备使用的消费，极大提高了管网泄漏的诊断效率。
Description
技术领域
本发明涉及复杂管网泄漏定位技术领域，特别涉及基于回声状态网络的复杂管网泄漏定位预测方法。
背景技术
目前大部分泄漏定位技术主要适应于单一长直管道(输油、输天然气管道等)，对于有拓扑结构的复杂管网(供热管网、供水管网等)有一定的局限性，复杂管网出现泄漏时最可靠的定位技术是靠定期人力巡查或被动检查法，不仅浪费了大量的精力和时间，并且造成了极大的资源浪费，近年来人工神经网络以其能够逼近任意非线性函数，建立输入与输出之间良好的映射关系这一优势，被应用于管网的泄漏定位。
其中运用最为广泛的是反向传播(BP)神经网络，但是该神经网络容易陷入局部最小值，预测精度不是很高，而回声状态网络(ESNs)以其随机稀疏连接的大量神经元构成的动态储备池(DR)作为隐含层，在稳定性、全局最优性、局部最小问题、收敛速度和训练过程复杂性等方面相对BP神经网络有很大提高，为此本发明提出了基于回声状态网络的复杂管网泄漏定位预测方法。
发明内容
本发明的目的在于提供基于回声状态网络的复杂管网泄漏定位方法，以解决上述背景技术中提出的问题。
为实现上述目的，提供了基于回声状态网络的复杂管网泄漏定位方法，包括以下步骤：
S1、建立回声状态网络训练数据库；
S2、构建回声状态网络模型并对回声状态网络模型进行训练；
S3、训练BP神经网络模型，并对回声状态网络模型与BP神经网络模型进行比较。
作为本技术方案的进一步改进，在所述S1中，建立回声状态网络训练库的步骤为：
S1.1、通过复杂管网的水力、结构参数构建管网水力模型；
S1.2、对管网水力模型进行验证，确定其准确性；
S1.3、确定管网泄漏模拟方案；
S1.4、对网水力模型进行模拟，并统计管网泄漏前后监测点压力差与管道泄漏位置及泄漏量之间的对应数据；
S1.5、对记录的数据进行归一化处理，并根据归一化处理的数据获得回声状态网络的训练数据库。
作为本技术方案的进一步改进，在所述S1.5中，对记录的数据进行归一化处理的公式为：
其中X表示原始数据，表示数据在整个范围内的平均值，Xstd表示原始数据的标准差，Xnew为归一化处理后的训练数据。
作为本技术方案的进一步改进，在所述S2中，构建回声状态网络模型的步骤为：
S2.1、将管网泄漏前后监测点的压力差作为回声状态网络的输入层；
S2.2、将管网中管道泄漏位置及泄漏量作为输出层；
S2.3、在输入层和输出层之间设置一个随机生成的稀疏连接的神经元结构的储备池，并对生成的储备池网络结构进行初始化，并保持连接权值固定不变。
作为本技术方案的进一步改进，在所述S2中，对回声状态网络模型进行训练的步骤为：
S2.4、将步骤S1中建立的回声状态网络的训练数据库中的数据分为训练集与测试集两个部分；
S2.5、利用训练集对回声状态网络模型进行训练，利用测试集测试回声状态网络模型对管网泄漏位置及泄漏量的预测精度。
作为本技术方案的进一步改进，在所述S2.5中，在测试集测试回声状态网络模型对管网泄漏位置及泄漏量的预测精度时，采用均方误差MSE来衡量模型的预测精度和效果，其公式为：
其中：yi代表实际值，fi代表网络预测值，n为数据数量，MES为均方误差数值。
作为本技术方案的进一步改进，在所述S3中，训练BP神经网络模型的步骤为：
S3.1、建立BP神经网络模型；
S3.2、使用步骤S2.4中将回声状态网络的训练数据库中的数据出的训练集训练BP神经网络模型。
作为本技术方案的进一步改进，在所述S3中，对回声状态网络模型与BP神经网络模型进行比较的步骤为：
S3.3、利用回声状态网络的训练数据库中的数据出的测试集测试回声状态网络模型和BP神经网络模型预测的精度和效果；
S3.4、将测试集测试的有关回声状态网络模型和BP神经网络模型数据进行对比，确定回声状态网络模型和BP神经网络模型预测的精度。
与现有技术相比，本发明的有益效果：
该基于回声状态网络的复杂管网泄漏定位方法中，通过建立回声状态网络训练数据库，并将数据的数据分为训练集与测试集对回声状态网络模型进行训练，使回声状态网络模型对泄漏的位置进行准确的预测，并且通过建立管网输入与输出之间的映射关系实现了对整个管网的诊断，相比于BP神经网络预测方法，减少人力巡查的时间以及设备使用的消费，极大提高了管网泄漏的诊断效率，相比于BP神经网络预测方法，在预测精度上有很大提高。
附图说明
图1为本发明的整体步骤框图；
图2为本发明的步骤S1流程框图；
图3为本发明的步骤S2流程框图；
图4为本发明的步骤S3流程框图；
图5为本发明的复杂管网结构图；
图6为本发明的复杂管网模拟界面图结构示意图；
图7为本发明的回声状态网络结构图；
图8为本发明的回声状态网络模型与BP神经网络模型预测结果对比图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
实施例1
请参阅图1-图8所示，本实施例目的在于，提供了基于回声状态网络的复杂管网泄漏定位方法，包括以下步骤：
S1、建立回声状态网络训练数据库；
建立回声状态网络训练库的步骤为：
S1.1、通过复杂管网的水力、结构参数构建管网水力模型；
S1.2、对管网水力模型进行验证，确定其准确性；
S1.3、确定管网泄漏模拟方案；
S1.4、对网水力模型进行模拟，并统计管网泄漏前后监测点压力差与管道泄漏位置及泄漏量之间的对应数据；
S1.5、对记录的数据进行归一化处理，并根据归一化处理的数据获得回声状态网络的训练数据库；
对记录的数据进行归一化处理的公式为：
其中X表示原始数据，表示数据在整个范围内的平均值，Xstd表示原始数据的标准差，Xnew为归一化处理后的训练数据。
如图5所示，本次模拟的复杂管网中设有40个管段、25个节点，以此管网为基础建立模型，在各管段的1/4，1/2，3/4处各增加一个节点作为模拟泄漏点，如图6所示，确定模拟方案为：模型中设置5个压力监测点，在进口流量为1.0m3/h的情况下，选择模型中所有节点处以及管段的1/4，1/2，3/4处模拟泄漏，每个泄漏点泄漏量按小泄漏、中等泄漏、大泄漏来划分，泄漏量占总循环量的比例分别为0.1％、0.3％、0.6％、1％、3％、6％、10％、30％、60％。
根据以上方案对9种泄漏工况，145个泄漏点进行模拟，得出泄漏后5个监测点的压力数据，然后计算泄漏前后5个监测点的压力差，经过整理得出1305组监测点压力差与泄漏点位置和泄漏量之间对应关系。
S2、构建回声状态网络模型并对回声状态网络模型进行训练；
构建回声状态网络模型和对回声状态网络模型进行训练的步骤为：
S2.1、将管网泄漏前后监测点的压力差作为回声状态网络的输入层；
S2.2、将管网中管道泄漏位置及泄漏量作为输出层；
S2.3、在输入层和输出层之间设置一个随机生成的稀疏连接的神经元结构的储备池，并对生成的储备池网络结构进行初始化，并保持连接权值固定不变；
S2.4、将步骤S1中建立的回声状态网络的训练数据库中的数据分为训练集与测试集两个部分；
S2.5、利用训练集对回声状态网络模型进行训练，利用测试集测试回声状态网络模型对管网泄漏位置及泄漏量的预测精度；
在测试集测试回声状态网络模型对管网泄漏位置及泄漏量的预测精度时，采用均方误差MSE来衡量模型的预测精度和效果，其公式为：
其中：yi代表实际值，fi代表网络预测值，n为数据数量，MES为均方误差数值。
如图7所示，以管网监测点泄漏前后压力差为输入层，以管网中管道的泄漏位置及泄漏量为输出层，储备池神经元的激励函数选用具有较好的非线性逼近能力用S型神经元；储备池规模根据训练样本数据的规模T确定大概范围N，介于T/10到T/2之间，然后逐步增大N选取使网络预测误差最小的N值；储备池的稀疏程度SD取值范围介于0到0.1之间；储备池的谱半径SR取值范围介于0到0.1之间；输入单元尺度SC取值范围介于0到0.1之间，输入单元位移SF取0；利用确定的回声状态网络模型将上述1305组数据以4:1的比例分为训练集和测试集，即训练集包含1044组数据，测试集261组，并利用训练集的1044组数据对回声状态网络模型进行训练，利用测试集的261组数据测试回声状态网络模型对管网泄漏位置及泄漏量的预测精度。
S3、训练BP神经网络模型，并对回声状态网络模型与BP神经网络模型进行比较。
训练BP神经网络模型和对回声状态网络模型与BP神经网络模型进行比较的步骤为：
S3.1、建立BP神经网络模型；
S3.2、使用步骤S2.4中将回声状态网络的训练数据库中的数据出的训练集训练BP神经网络模型。
S3.3、利用回声状态网络的训练数据库中的数据出的测试集测试回声状态网络模型和BP神经网络模型预测的精度和效果；
S3.4、将测试集测试的有关回声状态网络模型和BP神经网络模型数据进行对比，确定回声状态网络模型和BP神经网络模型预测的精度。
利用上述数据库的训练集训练BP神经网络模型，利用均方误差MSE比较其与回声状态网络模型的预测精度和效果，结果如图8所示，从图中可以看出回声状态网络模型在测试集的性能优于BP神经网络模型，回声状态网络模型展示出了更好的泛化能力。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.基于回声状态网络的复杂管网泄漏定位方法，其特征在于：包括以下步骤：
S1、建立回声状态网络训练数据库；
S2、构建回声状态网络模型并对回声状态网络模型进行训练；
S3、训练BP神经网络模型，并对回声状态网络模型与BP神经网络模型进行比较；
在所述S1中，建立回声状态网络训练库的步骤为：
S1.1、通过复杂管网的水力、结构参数构建管网水力模型；
S1.2、对管网水力模型进行验证，确定其准确性；
S1.3、确定管网泄漏模拟方案；
S1.4、对网水力模型进行模拟，并统计管网泄漏前后监测点压力差与管道泄漏位置及泄漏量之间的对应数据；
S1.5、对记录的数据进行归一化处理，并根据归一化处理的数据获得回声状态网络的训练数据库；
在所述S1.5中，对记录的数据进行归一化处理的公式为：
其中X表示原始数据，表示数据在整个范围内的平均值，Xstd表示原始数据的标准差，Xnew为归一化处理后的训练数据；
在所述S2中，构建回声状态网络模型的步骤为：
S2.1、将管网泄漏前后监测点的压力差作为回声状态网络的输入层；
S2.2、将管网中管道泄漏位置及泄漏量作为输出层；
S2.3、在输入层和输出层之间设置一个随机生成的稀疏连接的神经元结构的储备池，并对生成的储备池网络结构进行初始化，并保持连接权值固定不变。
2.根据权利要求1所述的基于回声状态网络的复杂管网泄漏定位方法，其特征在于：在所述S2中，对回声状态网络模型进行训练的步骤为：
S2.4、将步骤S1中建立的回声状态网络的训练数据库中的数据分为训练集与测试集两个部分；
S2.5、利用训练集对回声状态网络模型进行训练，利用测试集测试回声状态网络模型对管网泄漏位置及泄漏量的预测精度。
3.根据权利要求2所述的基于回声状态网络的复杂管网泄漏定位方法，其特征在于：在所述S2.5中，在测试集测试回声状态网络模型对管网泄漏位置及泄漏量的预测精度时，采用均方误差MSE来衡量模型的预测精度和效果，其公式为：
其中：yi代表实际值，fi代表网络预测值，n为数据数量，MES为均方误差数值。
4.根据权利要求3所述的基于回声状态网络的复杂管网泄漏定位方法，其特征在于：在所述S3中，训练BP神经网络模型的步骤为：
S3.1、建立BP神经网络模型；
S3.2、使用步骤S2.4中将回声状态网络的训练数据库中的数据出的训练集训练BP神经网络模型。
5.根据权利要求4所述的基于回声状态网络的复杂管网泄漏定位方法，其特征在于：在所述S3中，对回声状态网络模型与BP神经网络模型进行比较的步骤为：
S3.3、利用回声状态网络的训练数据库中的数据出的测试集测试回声状态网络模型和BP神经网络模型预测的精度和效果；
S3.4、将测试集测试的有关回声状态网络模型和BP神经网络模型数据进行对比，确定回声状态网络模型和BP神经网络模型预测的精度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111369996.XA CN114021297B (zh) | 2021-11-18 | 2021-11-18 | 基于回声状态网络的复杂管网泄漏定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111369996.XA CN114021297B (zh) | 2021-11-18 | 2021-11-18 | 基于回声状态网络的复杂管网泄漏定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114021297A CN114021297A (zh) | 2022-02-08 |
| CN114021297B true CN114021297B (zh) | 2023-12-01 |
Family
ID=80065137
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111369996.XA Active CN114021297B (zh) | 2021-11-18 | 2021-11-18 | 基于回声状态网络的复杂管网泄漏定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114021297B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107766986A (zh) * | 2017-10-31 | 2018-03-06 | 天津大学 | 泄漏积分型回声状态网络在线学习光伏功率预测方法 |
| WO2018126984A2 (zh) * | 2017-01-06 | 2018-07-12 | 江南大学 | 一种基于mea-bp神经网络wsn异常检测方法 |
| CN110210606A (zh) * | 2019-06-04 | 2019-09-06 | 国网江苏省电力有限公司电力科学研究院 | 一种基于bp神经网络的输电线路泄漏电流预测方法、系统及存储介质 |
| CN110779745A (zh) * | 2019-10-12 | 2020-02-11 | 杭州安脉盛智能技术有限公司 | 一种基于bp神经网络的换热器早期故障诊断方法 |
| CN113193556A (zh) * | 2021-05-12 | 2021-07-30 | 燕山大学 | 基于概率预测模型的短期风电功率预测方法 |
| CN113241762A (zh) * | 2021-05-31 | 2021-08-10 | 东北大学 | 基于事件触发的回声状态网络自适应负荷频率控制方法 |
| WO2021197244A1 (zh) * | 2020-03-31 | 2021-10-07 | 长安大学 | 基于水下传感器网络的输油管道漏油点与漏油速率的探测方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10212024B2 (en) * | 2017-06-02 | 2019-02-19 | Sas Institute Inc. | Techniques for multi-stage analysis of measurement data with event stream processing |
| US11061390B2 (en) * | 2017-10-26 | 2021-07-13 | Raytheon Technologies Corporation | System fault isolation and ambiguity resolution |
| US20210166111A1 (en) * | 2019-12-02 | 2021-06-03 | doc.ai, Inc. | Systems and Methods of Training Processing Engines |
-
2021
- 2021-11-18 CN CN202111369996.XA patent/CN114021297B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018126984A2 (zh) * | 2017-01-06 | 2018-07-12 | 江南大学 | 一种基于mea-bp神经网络wsn异常检测方法 |
| CN107766986A (zh) * | 2017-10-31 | 2018-03-06 | 天津大学 | 泄漏积分型回声状态网络在线学习光伏功率预测方法 |
| CN110210606A (zh) * | 2019-06-04 | 2019-09-06 | 国网江苏省电力有限公司电力科学研究院 | 一种基于bp神经网络的输电线路泄漏电流预测方法、系统及存储介质 |
| CN110779745A (zh) * | 2019-10-12 | 2020-02-11 | 杭州安脉盛智能技术有限公司 | 一种基于bp神经网络的换热器早期故障诊断方法 |
| WO2021197244A1 (zh) * | 2020-03-31 | 2021-10-07 | 长安大学 | 基于水下传感器网络的输油管道漏油点与漏油速率的探测方法 |
| CN113193556A (zh) * | 2021-05-12 | 2021-07-30 | 燕山大学 | 基于概率预测模型的短期风电功率预测方法 |
| CN113241762A (zh) * | 2021-05-31 | 2021-08-10 | 东北大学 | 基于事件触发的回声状态网络自适应负荷频率控制方法 |
Non-Patent Citations (6)
| Title |
|---|
| On the Post-hoc Explainability of Deep Echo State Networks for Time Series Forecasting，Image and Vieo Classification;Alejandro Barredo Arrieta etc.;Arxiv;全文 * |
| 基于Elman神经网络城市供水管网漏损预测模型研究;王丽娟;河北工业大学成人教育学院学报(第02期);全文 * |
| 基于PVsyst的既有建筑光伏一体化系统仿真与优化;陈颖等;能源研究与管理;全文 * |
| 基于泄漏积分型回声状态网络的在线学习光伏功率短期预测;杨佳俊等;山东电力技术(第04期);全文 * |
| 基于神经网络的SBBR系统建模方法;卿晓霞等;工业水处理(第07期);全文 * |
| 基于遗传算法的BP神经网络模型在地下水埋深预测中的应用――以蒙城县为例;陈笑等;水利水电技术(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114021297A (zh) | 2022-02-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109145464B (zh) | 融合多目标蚁狮优化与迹稀疏正则化的结构损伤识别方法 | |
| CN102968529B (zh) | 一种供水管网模型计算结果不确定性区间的量化方法 | |
| CN109376925A (zh) | 供水管网节点流量动态自适应优化方法 | |
| CN107291667B (zh) | 一种井间连通程度确定方法及系统 | |
| CN112307536A (zh) | 一种大坝渗流参数反演方法 | |
| CN107247888A (zh) | 基于储备池网络的污水处理出水总磷tp软测量方法 | |
| CN118095659B (zh) | 一种融合Copula函数和深度学习的湖泊水位共形预测方法 | |
| CN114858207A (zh) | 一种基于软测量的河道排污口网格化溯源排查方法 | |
| CN114048819A (zh) | 基于注意力机制和卷积神经网络的配电网拓扑辨识方法 | |
| CN112700051A (zh) | 一种基于Res-TCN神经网络的油井产液伴生气智能预测方法 | |
| CN114912364A (zh) | 天然气井流量预测方法、装置、设备及计算机可读介质 | |
| CN114021297B (zh) | 基于回声状态网络的复杂管网泄漏定位方法 | |
| CN114021078A (zh) | 一种大坝监测量最佳统计模型优选方法 | |
| CN107204616B (zh) | 基于自适应稀疏伪谱法的电力系统随机状态估计方法 | |
| CN112862063A (zh) | 一种基于深度信念网络的复杂管网泄漏定位方法 | |
| Chen et al. | Leakage zone identification for water distribution networks based on the alarm levels of pressure sensors | |
| US20240232459A9 (en) | ENSEMBLE KALMAN FILTER (EnKF)-BASED METHOD AND SYSTEM FOR REALTIME INVERSION OF HYDRAULIC FRACTURE | |
| CN115031794B (zh) | 一种多特征图卷积的新型气固两相流流量测量方法 | |
| CN116432839A (zh) | 基于bp神经网络的回填料成本预测方法、装置及设备 | |
| CN113970073B (zh) | 一种基于ResNet的供水管网泄漏精准定位方法 | |
| CN114757049A (zh) | 流域污水处理厂提标改造的必要性分析验证方法 | |
| CN115169461A (zh) | 一种基于多级模型的供水管网爆管识别与定位方法 | |
| CN114154686A (zh) | 一种基于集成学习的大坝变形预测方法 | |
| CN110410065B (zh) | 多层井间动态连通性模型的输入参数分析方法及装置 | |
| CN114324800A (zh) | 一种排水管道来水监测方法及其系统、存储介质 |
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 |