CN114330119B - 一种基于深度学习的抽蓄机组调节系统辨识方法 - Google Patents
一种基于深度学习的抽蓄机组调节系统辨识方法 Download PDFInfo
- Publication number
- CN114330119B CN114330119B CN202111610797.3A CN202111610797A CN114330119B CN 114330119 B CN114330119 B CN 114330119B CN 202111610797 A CN202111610797 A CN 202111610797A CN 114330119 B CN114330119 B CN 114330119B
- Authority
- CN
- China
- Prior art keywords
- model
- follows
- individual
- prey
- update
- 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 14
- 238000013135 deep learning Methods 0.000 title claims abstract description 11
- 238000000605 extraction Methods 0.000 title claims abstract description 9
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000007246 mechanism Effects 0.000 claims abstract description 11
- 238000004088 simulation Methods 0.000 claims abstract description 11
- 230000003247 decreasing effect Effects 0.000 claims abstract description 7
- 238000013136 deep learning model Methods 0.000 claims abstract description 7
- 230000001105 regulatory effect Effects 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 25
- 241000283973 Oryctolagus cuniculus Species 0.000 claims description 24
- 238000011161 development Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000006399 behavior Effects 0.000 claims description 6
- 230000009189 diving Effects 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000013178 mathematical model Methods 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 3
- 238000010079 rubber tapping Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 238000005086 pumping Methods 0.000 abstract description 5
- 230000007547 defect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 241000288105 Grus Species 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Abstract
本发明公开了一种基于深度学习的抽蓄机组调节系统辨识方法，包括以下步骤：(1)对抽水蓄能机组调节系统进行机理建模，利用机理模型产生仿真数据，并划分为训练集和测试集，确定深度学习模型的输入变量；(2)构建深度学习GRU模型，挖掘抽蓄机组调节系统运行数据深层次特征；(3)改进哈里斯鹰优化算法，在逃逸能量中引入一种非线性能量指数递减策略；(4)将改进的哈里斯鹰优化算法实现GRU模型超参数的动态调整；(5)利用训练好的GRU模型和测试集数据得到预测值。本发明构借助改进哈里斯鹰优化算法的全局寻优能力，获取最优模型结构与参数，以提高GRU模型的泛化性，实现对抽水蓄能调节系统的精确辨识，有效提升机组建模精度，进而保障机组控制品质。
Description
技术领域
本发明属于抽水蓄能机组辨识建模技术领域，更具体地，涉及一种基于深度学习的抽蓄机组调节系统辨识方法。
背景技术
抽水蓄能机组调速器是水电站控制系统的重要组成部分，其数学模型的准确性对水电站的自动控制及电网的电能质量具有重要影响。作为抽蓄机组控制系统建模的重要手段，抽蓄机组调节系统辨识对抽蓄机组乃至整个电网的动态分析具有重要意义。经典辨识方法(模糊模型和传统神经网络模型)仍然存在过学习和过拟合的问题，辨识结果难以令人满意，建模性能和泛化外推能力有待提高。为解决这些问题，迫切需要研究抽水蓄能机组调节系统高精度建模策略，进而提高机组的调节控制品质，保障电站稳定高效运行。
发明内容
发明目的：针对现有技术的不足，本发明提供一种基于深度学习的抽蓄机组调节系统辨识方法，实现对抽水蓄能调节系统的精确辨识，有效提升机组建模精度，进而保障机组控制品质。
技术方案：本发明提出一种基于深度学习的抽蓄机组调节系统辨识方法，具体包括以下步骤：
(1)对抽水蓄能机组调节系统进行机理建模，利用机理模型产生仿真数据，并划分为训练集和测试集，确定深度学习模型的输入变量；其中训练集和测试集的比为7:3；
(2)建立深度学习模型GRU对训练集的机理模型深层次特征进行挖掘；
(3)改进哈里斯鹰优化算法，在逃逸能量中引入一种非线性能量指数递减策略；
(4)将改进的哈里斯鹰优化算法实现GRU模型的参数寻优，包括学习率和隐含层节点数；
(5)利用训练好的GRU模型和测试集得到预测值。
进一步地，所述步骤(2)包括以下步骤：
(21)计算更新门vt，计算公式如下：
vt＝σ(Wv*[Yt-1,Zt]+bv) (1)
式中，σ表示激活函数sigmod，Yt-1为上一个时刻的输出，Zt为当前时刻的输入；Wv为更新门的权重矩阵，bv为偏差向量；
(22)计算重置门rt，计算公式如下：
rt＝σ(Wr*[Yt-1,Zt]+br) (2)
式中，σ表示激活函数sigmod，Yt-1为上一个时刻的输出，Zt为当前时刻的输入；Wr为重置门的权重矩阵，br为偏差向量；
(23)计算出更新门和重置门后，GRU会将会计算候选隐藏状态ht，候选隐藏状态ht计算公式如下：
ht＝tanh(Wh*[rt*Yt-1,Zt]+bh) (3)
式中，tanh(x)表示Tanh激活函数，Wh为对应的权重参数，bh为对应的偏差参数；
(24)在最后的t时刻，GRU的输出计算公式如下：
yt＝(1-vt)*Yt-1+vt*ht。 (4)
进一步地，所述步骤(3)包括以下步骤：
(31)确定个体的适应值数学模型，公式如下：
式中，n表示样本总数；pi表示系统在时刻i的实际输出；表示辨识模型在时刻i的模拟输出；
(32)参数初始化：将HHO的种群规模初始化为N，群体中个体的维数为d，最大迭代次数为Tmax，随机生成初始种群；
(33)根据式(5)计算初始适应度值，将适应度值最优的个体位置设置为当前猎物位置；
(34)位置更新，先通过更新猎物逃逸能量，然后根据逃逸能量和生成的随机数执行搜索或者开发行为中对应的位置策略；
(35)计算适应度：计算位置更新后的个体适应度，并与猎物适应度值进行比较，若位置更新后的个体适应度值优于猎物，则以适应度值更优的个体位置作为新的猎物位置:；
(36)如果迭代次数t<Tmax，则转到步骤(33)；否则，转到(37)；
(37)返回最佳个体，输出GRU模型的最优参数。
进一步地，所述步骤(34)包括以下步骤：
(341)搜索阶段，哈里斯鹰通过两种策略寻找到猎物，找到猎物的的公式计算如下：
式中，x(t)和x(t+1)分别为当前和下一迭代的个体位置，t为迭代次数，xrand为随机选出的个体位置，xrabbit(t)为猎物位置，即拥有最优适应度的个体位置，r1，r2，r3和r4为[0,1]之间的随机数；q是用来随机选择要采用的策略，xm(t)为个体平均位置，其表达式如下：
式中，xi(t)为种群第i个个体的位置，M为种群规模；
(342)搜索与开发的转换阶段：哈里斯鹰优化算法根据猎物的逃逸能量在探索和不同的开发行为之间转换，逃逸能量定义为：
式中，E0是猎物的初始能量，为[-1,1]之间的随机数，每次迭代时自动更新；t是迭代次数，Tmax为最大迭代次数，当|E|≥1时进入搜索阶段，|E|<1时，进入开发阶段；引入一种非线性能量指数递减策略，改进后的逃逸能量计算公式如下：
式中，t是迭代次数，Tmax为最大迭代次数；
(343)开发阶段：假设r定义为[0,1]之间的随机数，用于选择不同的开发策略；当0.5≤|E|<1且r≥0.5时，采用软围攻策略进行位置更新，计算公式如下：
x(t+1)＝Δx(t)-E|Jxrabbit(t)-x(t)| (10)
式中，Δx(t)＝xrabbit(t)-x(t)，表示猎物位置与个体当前位置的差值，J为[0,2]之间的随机数；
当|E|<0.5且r≥0.5时采取硬围攻策略进行位置更新，计算公式如下：
x(t+1)＝xrabbit(t)-E|Δx(t)| (11)
当0.5≤|E|<1且r<0.5时，采取渐近式快速俯冲的软包围策略进行位置更新，计算公式如下：
Y＝xrabbit(t)-E|Jxrabbit(t)-x(t)| (13)
Z＝Y+S*LF(2) (14)
式中，S为2维随机向量，LF()为莱维飞行的数学表达式；
当|E|<0.5且r<0.5时，采取渐近式快速俯冲的硬包围策略进行位置更新，计算公式如下：
Y＝xrabbit(t)-E|Jxrabbit(t)-xm(t)| (16)
Z＝Y+S*LF(2)。
有益效果：与现有技术相比，本发明的有益效果：本发明针对GRU模型超参数难以确定的特点，采用改进哈里斯鹰优化算法实现GRU模型超参数的动态调整，将GRU辨识模型的隐含层节点个数和学习率大小等参数作为决策变量，以辨识误差作为目标函数，借助改进哈里斯鹰优化算法的全局寻优能力，获取最优模型结构与参数，以提高GRU模型的泛化性，实现对抽水蓄能调节系统的精确辨识，有效提升机组建模精度，进而保障机组控制品质。
附图说明
图1为本发明的流程图；
图2为抽水蓄能机组调节系统智能辨识模型观测值与预测值对比图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明提出一种基于深度学习的抽蓄机组调节系统辨识方法，如图1所示，具体包括以下步骤：
步骤1：对抽水蓄能机组调节系统进行了机理建模，利用机理模型产生仿真数据，将原始数据归一至[0,1]区间并划分为训练集和测试集，确定深度学习模型的输入变量。
通过随机产生抽水蓄能调节系统的频率扰动信号，随机设置调节系统PID控制器参数，充分激发抽水蓄能机组调节系统的非线性，提高用于建模的运行数据的多样性。模型仿真时间设定为50s，采样周期设定为0.1s，每次实验结束时，抽水蓄能调节系统的控制器输出和单位频率输出数据都被保存下来。将原始数据规范至[0,1]区间，独立进行30次实验，其中20次实验的动态过程运行数据作为训练样本，其余10次实验数据作为测试样本，采用{u(t-1),u(t-2),u(t-3),y(t-1),y(t-2),y(t-3)}作为模型的输入变量，其中，u(t-1),u(t-2),u(t-3)分别表示前1,2,3时刻的控制器输出，y(t-1),y(t-2),y(t-3)分别表示前1,2,3时刻的单位频率输出。训练集和测试集的比为7:3。
步骤2：建立深度GRU模型对训练数据集机理模型深层次特征进行挖掘。
门控循环单元(GRU)是长短期记忆网络(LSTM)的一种变体，LSTM网络由多个循环单元组成，通过更新神经元状态信息，使用输入门、输出门和遗忘门来控制历史信息的权重来存储过去的信息。与LSTM网络相比，GRU的结构更为简单，它将遗忘门和输入门合并为一个“更新门”，这使得矩阵乘法变小，当训练数据量很大时，GRU可以节省大量计算时间，同时输出门变为重置门。更新门用于选择在前一时刻保留状态信息，重置门主要决定需要忘记多少过去的信息。更新门决定了有多少历史信息可以传递给未来，重置门的主要功能是确定有多少个历史信息能不能传递到下一个状态。深度学习模型GRU模型的建立步骤如下：
步骤2.1：计算更新门vt，计算公式如下：
vt＝σ(Wv*[Yt-1,Zt]+bv) (1)
式中，σ表示激活函数sigmod，Yt-1为上一个时刻的输出，Zt为当前时刻的输入；Wv为更新门的权重矩阵，bv为偏差向量。
步骤2.2：计算重置门rt，计算公式如下：
rt＝σ(Wr*[Yt-1,Zt]+br) (2)
式中，σ表示激活函数sigmod，Yt-1为上一个时刻的输出，Zt为当前时刻的输入；Wr为重置门的权重矩阵，br为偏差向量。
步骤2.3：计算出更新门和重置门后，GRU会将会计算候选隐藏状态ht，候选隐藏状态ht计算公式如下：
ht＝tanh(Wh*[rt*Yt-1,Zt]+bh) (3)
式中，tanh(x)表示Tanh激活函数，Wh为对应的权重参数，bh为对应的偏差参数。
步骤2.4：在最后的t时刻，GRU的输出计算公式如下：
yt＝(1-vt)*Yt-1+vt*ht (4)
步骤3：改进哈里斯鹰优化算法，在逃逸能量中引入一种非线性能量指数递减策略。
哈里斯鹰优化算法(HHO)是一种模拟哈里斯鹰捕食行为的智能优化算法，算法步骤主要包括三个阶段，即搜索阶段、搜索与开发的转换和开发阶段。哈里斯鹰优化算法具体步骤如下：
步骤3.1：确定个体的适应值数学模型，公式如下：
式中，n表示样本总数；pi表示系统在时刻i的实际输出；表示辨识模型在时刻i的模拟输出。
步骤3.2：参数初始化。将HHO的种群规模初始化为N，群体中个体的维数为d，最大迭代次数为Tmax，随机生成初始种群；
步骤3.3：根据式(5)计算初始适应度值，将适应度值最优的个体位置设置为当前猎物位置。
步骤3.4：位置更新，先通过更新猎物逃逸能量，然后根据逃逸能量和生成的随机数执行搜索或者开发行为中对应的位置策略。
步骤3.4.1：搜索阶段，哈里斯鹰通过两种策略寻找到猎物，找到猎物的的公式计算如下：
式中，x(t)和x(t+1)分别为当前和下一迭代的个体位置，t为迭代次数，xrand为随机选出的个体位置，xrabbit(t)为猎物位置，即拥有最优适应度的个体位置，r1，r2，r3和r4为[0,1]之间的随机数；q是用来随机选择要采用的策略，xm(t)为个体平均位置，其表达式如下：
式中，xi(t)为种群第i个个体的位置，M为种群规模。
步骤3.4.2：搜索与开发的转换阶段。哈里斯鹰优化算法根据猎物的逃逸能量在探索和不同的开发行为之间转换。逃逸能量定义为：
式中，E0是猎物的初始能量，为[-1,1]之间的随机数，每次迭代时自动更新；t是迭代次数，Tmax为最大迭代次数，当|E|≥1时进入搜索阶段，|E|<1时，进入开发阶段。
由于使用哈里斯鹰优化算法在求解复杂优化问题时存在易陷入局部最优和收敛速度慢的缺点，为克服上述缺点，引入一种非线性能量指数递减策略。改进后的逃逸能量计算公式如下：
式中，t是迭代次数，Tmax为最大迭代次数。
步骤3.4.3：开发阶段。假设r定义为[0,1]之间的随机数，用于选择不同的开发策略。当0.5≤|E|<1且r≥0.5时，采用软围攻策略进行位置更新，计算公式如下：
x(t+1)＝Δx(t)-E|Jxrabbit(t)-x(t)| (10)
式中，Δx(t)＝xrabbit(t)-x(t)，表示猎物位置与个体当前位置的差值，J为[0,2]之间的随机数。
当|E|<0.5且r≥0.5时采取硬围攻策略进行位置更新，计算公式如下：
x(t+1)＝xrabbit(t)-E|Δx(t)| (11)
当0.5≤|E|<1且r<0.5时，采取渐近式快速俯冲的软包围策略进行位置更新，计算公式如下：
Y＝xrabbit(t)-E|Jxrabbit(t)-x(t)| (13)
Z＝Y+S*LF(2) (14)
式中，S为2维随机向量，LF()为莱维飞行的数学表达式。
当|E|<0.5且r<0.5时，采取渐近式快速俯冲的硬包围策略进行位置更新，计算公式如下：
Y＝xrabbit(t)-E|Jxrabbit(t)-xm(t)| (16)
Z＝Y+S*LF(2) (17)
步骤3.5：计算适应度。计算位置更新后的个体适应度，并与猎物适应度值进行比较，若位置更新后的个体适应度值优于猎物，则以适应度值更优的个体位置作为新的猎物位置。
步骤3.6：如果迭代次数t<Tmax，则转到步骤3.3；否则，转到步骤3.7.
步骤3.7：返回最佳个体，输出GRU模型的最优参数。
步骤4：将改进的哈里斯鹰优化算法实现GRU模型的参数寻优，包括学习率和隐含层节点数。
步骤5：利用训练好的GRU模型和测试集数据得到预测值，反归一化后即可得到最终输出。
选取抽水蓄能机组调节系统辨识中常用的三种评价指标：均方根误差RMSE，平均绝对误差MAE和相关系数R，对辨识模型的精度进行评价。RMSE、MAE和R的计算公式如下：
式中，yi和代表了第i个时间段的实际值和预测值；/>和/>代表着实测值和预测值的平均值；N表示样本数据集的大小。
表1不同模型抽水蓄能机组调节系统智能辨识方法的误差结果对比
表1为不同模型抽水蓄能机组调节系统智能辨识方法的误差结果对比，从表1可以看出本发明所提出的IHHO-GRU在抽水蓄能机组调节系统智能辨识精度有着优异的表现。图2为抽水蓄能机组调节系统智能辨识模型观测值与预测值对比图，从图2可以看出，所提出的IHHO-GRU模型有着准确的辨识精度。
Claims (3)
1.一种基于深度学习的抽蓄机组调节系统辨识方法，其特征在于，包括以下步骤：
(1)对抽水蓄能机组调节系统进行机理建模，利用机理模型产生仿真数据，并划分为训练集和测试集，确定深度学习模型的输入变量；
(2)建立深度学习模型GRU对训练集的机理模型深层次特征进行挖掘；
(3)改进哈里斯鹰优化算法，在逃逸能量中引入一种非线性能量指数递减策略；
(4)将改进的哈里斯鹰优化算法实现GRU模型的参数寻优，包括学习率和隐含层节点数；
(5)利用训练好的GRU模型和测试集得到预测值；
所述步骤(1)实现过程如下：
通过随机产生抽水蓄能调节系统的频率扰动信号，随机设置调节系统PID控制器参数，充分激发抽水蓄能机组调节系统的非线性，提高用于建模的运行数据的多样性；设定模型仿真时间和采样周期，每次实验结束时，抽水蓄能调节系统的控制器输出和单位频率输出数据都被保存下来；将原始数据规范至[0,1]区间，采用{u(t-1),u(t-2),u(t-3),y(t-1),y(t-2),y(t-3)}作为模型的输入变量，其中，u(t-1),u(t-2),u(t-3)分别表示前1,2,3时刻的控制器输出，y(t-1),y(t-2),y(t-3)分别表示前1,2,3时刻的单位频率输出；
所述步骤(2)包括以下步骤：
(21)计算更新门vt，计算公式如下：
vt＝σ(Wv*[Yt-1,Zt]+bv) (1)
式中，σ表示激活函数sigmod，Yt-1为上一个时刻的输出，Zt为当前时刻的输入；Wv为更新门的权重矩阵，bv为偏差向量；
(22)计算重置门rt，计算公式如下：
rt＝σ(Wr*[Yt-1,Zt]+br) (2)
式中，σ表示激活函数sigmod，Yt-1为上一个时刻的输出，Zt为当前时刻的输入；Wr为重置门的权重矩阵，br为偏差向量；
(23)计算出更新门和重置门后，GRU计算候选隐藏状态ht，候选隐藏状态ht计算公式如下：
ht＝tanh(Wh*[rt*Yt-1,Zt]+bh) (3)
式中，tanh(x)表示Tanh激活函数，Wh为对应的权重参数，bh为对应的偏差参数；
(24)在最后的t时刻，GRU的输出计算公式如下：
yt＝(1-vt)*Yt-1+vt*ht (4)；
所述步骤(3)包括以下步骤：
(31)确定个体的适应值数学模型，公式如下：
式中，n表示样本总数；pi表示系统在时刻i的实际输出；表示辨识模型在时刻i的模拟输出；
(32)参数初始化：将HHO的种群规模初始化为N，群体中个体的维数为d，最大迭代次数为Tmax，随机生成初始种群；
(33)根据式(5)计算初始适应度值，将适应度值最优的个体位置设置为当前猎物位置；
(34)位置更新，先通过更新猎物逃逸能量，然后根据逃逸能量和生成的随机数执行搜索或者开发行为中对应的位置策略；
(35)计算适应度：计算位置更新后的个体适应度，并与猎物适应度值进行比较，若位置更新后的个体适应度值优于猎物，则以适应度值更优的个体位置作为新的猎物位置；
(36)如果迭代次数t<Tmax，则转到步骤(33)；否则，转到(37)；
(37)返回最佳个体，输出GRU模型的最优参数。
2.根据权利要求1所述的基于深度学习的抽蓄机组调节系统辨识方法，其特征在于，步骤(1)所述训练集和测试集的比为7:3。
3.根据权利要求1所述的基于深度学习的抽蓄机组调节系统辨识方法，其特征在于，所述步骤(34)包括以下步骤：
(341)搜索阶段，哈里斯鹰通过两种策略寻找到猎物，找到猎物的公式计算如下：
式中，x(t)和x(t+1)分别为当前和下一迭代的个体位置，t为迭代次数，xrand为随机选出的个体位置，xrabbit(t)为猎物位置，即拥有最优适应度的个体位置，r1，r2，r3和r4为[0,1]之间的随机数；q是用来随机选择要采用的策略，xm(t)为个体平均位置，其表达式如下：
式中，xi(t)为种群第i个个体的位置，M为种群规模；
(342)搜索与开发的转换阶段：哈里斯鹰优化算法根据猎物的逃逸能量在探索和不同的开发行为之间转换，逃逸能量定义为：
式中，E0是猎物的初始能量，为[-1,1]之间的随机数，每次迭代时自动更新；t是迭代次数，当|E|≥1时进入搜索阶段，|E|<1时，进入开发阶段；引入一种非线性能量指数递减策略，改进后的逃逸能量计算公式如下：
式中，t是迭代次数，Tmax为最大迭代次数；
(343)开发阶段：假设r定义为[0,1]之间的随机数，用于选择不同的开发策略；当0.5≤|E|<1且r≥0.5时，采用软围攻策略进行位置更新，计算公式如下：
x(t+1)＝△x(t)-E|Jxrabbit(t)-x(t)| (10)
式中，△x(t)＝xrabbit(t)-x(t)，表示猎物位置与个体当前位置的差值，J为[0,2]之间的随机数；
当|E|<0.5且r≥0.5时采取硬围攻策略进行位置更新，计算公式如下：
x(t+1)＝xrabbit(t)-E|△x(t)| (11)
当0.5≤|E|<1且r<0.5时，采取渐近式快速俯冲的软包围策略进行位置更新，计算公式如下：
Y＝xrabbit(t)-E|Jxrabbit(t)-x(t)| (13)
Z＝Y+S*LF(2)(14)
式中，S为2维随机向量，LF()为莱维飞行的数学表达式；
当|E|<0.5且r<0.5时，采取渐近式快速俯冲的硬包围策略进行位置更新，计算公式如下：
Y＝xrabbit(t)-E|Jxrabbit(t)-xm(t)| (16)
Z＝Y+S*LF(2)(17)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111610797.3A CN114330119B (zh) | 2021-12-27 | 2021-12-27 | 一种基于深度学习的抽蓄机组调节系统辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111610797.3A CN114330119B (zh) | 2021-12-27 | 2021-12-27 | 一种基于深度学习的抽蓄机组调节系统辨识方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114330119A CN114330119A (zh) | 2022-04-12 |
| CN114330119B true CN114330119B (zh) | 2023-08-25 |
Family
ID=81013312
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111610797.3A Active CN114330119B (zh) | 2021-12-27 | 2021-12-27 | 一种基于深度学习的抽蓄机组调节系统辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114330119B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111812975A (zh) * | 2020-06-01 | 2020-10-23 | 淮阴工学院 | 一种基于模糊模型辨识的抽水蓄能机组调速系统广义预测控制方法 |
| CN111898628A (zh) * | 2020-06-01 | 2020-11-06 | 淮阴工学院 | 一种新型t-s模糊模型辨识方法 |
| CN112200653A (zh) * | 2020-08-28 | 2021-01-08 | 辽宁工程技术大学 | 银行交易量预测方法、资源分配方法、计算设备及介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108429259B (zh) * | 2018-03-29 | 2019-10-18 | 山东大学 | 一种机组恢复在线动态决策方法及系统 |
-
2021
- 2021-12-27 CN CN202111610797.3A patent/CN114330119B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111812975A (zh) * | 2020-06-01 | 2020-10-23 | 淮阴工学院 | 一种基于模糊模型辨识的抽水蓄能机组调速系统广义预测控制方法 |
| CN111898628A (zh) * | 2020-06-01 | 2020-11-06 | 淮阴工学院 | 一种新型t-s模糊模型辨识方法 |
| CN112200653A (zh) * | 2020-08-28 | 2021-01-08 | 辽宁工程技术大学 | 银行交易量预测方法、资源分配方法、计算设备及介质 |
Non-Patent Citations (1)
| Title |
|---|
| Predicting Wind Power Generation Using Hybrid Deep Learning With Optimization;Md. Alamgir Hossain 等;IEEE TRANSACTIONS ON APPLIED SUPERCONDUCTIVITY;31(8);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114330119A (zh) | 2022-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106600059B (zh) | 基于改进rbf神经网络的智能电网短期负荷预测方法 | |
| US20210383041A1 (en) | In-situ thermodynamic model training | |
| CN110909926A (zh) | 基于tcn-lstm的太阳能光伏发电预测方法 | |
| CN111523749B (zh) | 一种水电机组模型智能辨识方法 | |
| 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 | |
| CN104636985A (zh) | 一种改进bp神经网络的输电线路无线电干扰预测方法 | |
| CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
| CN113361777A (zh) | 基于vmd分解和ihho优化lstm的径流预测方法及系统 | |
| CN115511177A (zh) | 基于ingo-swgmn混合模型的超短期风速预测方法 | |
| CN111355633A (zh) | 一种基于pso-delm算法的比赛场馆内手机上网流量预测方法 | |
| CN112085254A (zh) | 基于多重分形协同度量门控循环单元的预测方法及模型 | |
| CN112149883A (zh) | 基于fwa-bp神经网络的光伏功率预测方法 | |
| Kusumoputro et al. | System identification and control of pressure process rig system using Backpropagation Neural Networks | |
| CN114548591A (zh) | 一种基于混合深度学习模型和Stacking的时序数据预测方法及系统 | |
| CN116454863A (zh) | 一种基于改进天鹰优化算法的风电功率组合预测模型的最优权重确定方法 | |
| CN108876038B (zh) | 大数据、人工智能、超算协同的材料性能预测方法 | |
| Wang et al. | Adaptive echo state network with a recursive inverse-free weight update algorithm | |
| CN109886405A (zh) | 一种抑制噪声的基于人工神经网络结构优化方法 | |
| CN113341696A (zh) | 一种运载火箭姿态控制参数智能整定方法 | |
| CN114330119B (zh) | 一种基于深度学习的抽蓄机组调节系统辨识方法 | |
| CN117217287A (zh) | 面向分层强化学习的多元子策略生成模型的训练方法 | |
| CN116681154A (zh) | 一种基于emd-ao-delm的光伏功率计算方法 | |
| KR102624710B1 (ko) | Gru 기반 구조물 시계열 응답 예측 방법 | |
| Faqih et al. | Multi-Step Ahead Prediction of Lorenz's Chaotic System Using SOM ELM-RBFNN | |
| CN114372418A (zh) | 一种风电功率时空态势描述模型建立方法 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240125 Address after: 518000 1104, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province Patentee after: Shenzhen Hongyue Enterprise Management Consulting Co.,Ltd. Country or region after: China Address before: 223400 8th floor, Anton building, No. 10, Hai'an Road, Lianshui County, Huai'an City, Jiangsu Province Patentee before: HUAIYIN INSTITUTE OF TECHNOLOGY Country or region before: China |
|
| TR01 | Transfer of patent right |