CN115081744B - 铝电解制造系统单位能耗预测方法 - Google Patents
铝电解制造系统单位能耗预测方法 Download PDFInfo
- Publication number
- CN115081744B CN115081744B CN202210869403.4A CN202210869403A CN115081744B CN 115081744 B CN115081744 B CN 115081744B CN 202210869403 A CN202210869403 A CN 202210869403A CN 115081744 B CN115081744 B CN 115081744B
- Authority
- CN
- China
- Prior art keywords
- neural network
- wavelet neural
- energy consumption
- training
- model
- 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
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 title claims abstract description 47
- 229910052782 aluminium Inorganic materials 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000005868 electrolysis reaction Methods 0.000 title claims abstract description 38
- 238000005265 energy consumption Methods 0.000 title claims abstract description 35
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 27
- 230000002068 genetic effect Effects 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 24
- 238000013519 translation Methods 0.000 claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000013461 design Methods 0.000 claims abstract description 8
- 238000013459 approach Methods 0.000 claims abstract 2
- 238000012549 training Methods 0.000 claims description 31
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 239000003792 electrolyte Substances 0.000 claims description 4
- 150000004673 fluoride salts Chemical class 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 3
- 230000008571 general function Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 9
- 239000004411 aluminium Substances 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 235000015598 salt intake Nutrition 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Physiology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Electrolytic Production Of Non-Metals, Compounds, Apparatuses Therefor (AREA)
Abstract
本发明公开一种铝电解制造系统单位能耗预测方法。发明首先将铝电解作业过程系列设计参数作为小波神经网络的输入，制造系统单位能耗作为预测模型的输出；其次将小波神经网络模型的权值、伸缩和平移系数的组合作为遗传算法的状态变量，小波神经网络模型的输出值作为遗传算法的测试量；然后利用遗传算法全局寻优性来逼近小波网络最佳的权值和各项系数；最后得到遗传优化后的小波神经网络单位能耗模型，并利用其预测能耗值。实验结果表明，小波神经网络作为数据驱动建模中应用范围较广的通用函数逼近器，在经过遗传算法优化后，具有更好的预测精度和收敛性能，为后续设计最佳制造参数提供了基础模型。
Description
技术领域
本发明涉工业能耗预测技术领域，更具体地，涉及一种铝电解制造系统单位能耗预测方法。
背景技术
面对铝电解这样复杂的流程制造系统建模对象，小波网络的结构不稳定、易陷入局部最小以及网络参数的随机选择等特性容易造成较大预测误差，很难满足铝电解制造工艺系统高精度、高稳态建模的要求，故考虑对小波网络系统模型参数进行改进。
发明内容
提供了本发明以解决现有技术中存在的上述问题。本发明是一种铝电解制造系统单位能耗预测方法。
本发明具体采用如下技术方案：
根据本发明的第一方案，提供一种铝电解制造系统单位能耗预测方法，所述方法包括：利用训练样本对小波神经网络进行训练，所述训练样本包括铝电解作业过程系列设计参数和制造系统单位能耗；所述铝电解作业过程系列设计参数包括系列电流、分子比、铝水平、电解质水平、槽温、出铝量、氟化盐日用量、NB次数、槽电压中的一种及其组合；将所述小波神经网络模型训练过程中得到的权值、伸缩和平移系数的组合作为遗传算法的状态变量，所述小波神经网络模型训练过程中得到的输出值作为遗传算法的测试量，并利用遗传算法全局寻优性来逼近以得到小波神经网络模型最佳的权值、伸缩和平移系数；利用所述最佳的权值、伸缩和平移系数配置所述小波神经网络得到预测模型，并基于所述预测模型预测铝电解制造系统单位能耗。
根据本发明各实施例所述的铝电解制造系统单位能耗预测方法，采用GA确定WNN中输入层和隐藏层的连接权值、平移系数和伸缩系数，以此来探寻模型最优结构参数，使其结构更平稳，模型精度更高、收敛性更快。为了提升优化效果且其适应于复杂工业，本文使用实数编码，平均汉明距离排挤选择，自适应交叉和标准高斯柯西变异。
附图说明
图1为小波神经网络的结构图。
图2为铝电解制造系统单位能耗预测方法的流程图。
图3为新型铝电解装备核心结构图。
图4为样本预测的能耗与样本实际能耗对比图。
图5为模型检验样本的拟合误差对比图。
具体实施方式
下面将结合附图和实施例对本发明加以详细说明。同时也叙述了本发明技术方案解决的技术问题及有益效果，需要指出的是，所描述的实施例仅旨在便于对本发明的理解，而对其不起任何限定作用。
本发明实施例提供一种铝电解制造系统单位能耗预测方法，所述方法包括如下步骤：
步骤S100，利用训练样本对小波神经网络进行训练，所述训练样本包括铝电解作业过程系列设计参数和制造系统单位能耗；所述铝电解作业过程系列设计参数包括系列电流、分子比、铝水平、电解质水平、槽温、出铝量、氟化盐日用量、NB次数、槽电压中的一种及其组合。
步骤S200，将所述小波神经网络模型训练过程中得到的权值、伸缩和平移系数的组合作为遗传算法的状态变量，所述小波神经网络模型训练过程中得到的输出值作为遗传算法的测试量，并利用遗传算法全局寻优性来逼近以得到小波神经网络模型最佳的权值、伸缩和平移系数。
步骤S300，利用所述最佳的权值、伸缩和平移系数配置所述小波神经网络得到预测模型，并基于所述预测模型预测铝电解制造系统单位能耗。
需要说明的是，本文中所述的小波神经网络(Wavelet Neural Network，WNN)结构上类似于一个用小波基链接的网络，或是RBF网络的扩展。与普通前馈网络或RBF相比，结构比较简单，具有良好容错性和非局域性，其拓扑结构如图1所示。图1中，[x1,x2,...,xm]是WNN的输入信号，[y]是WNN的输出信号，ωij,ωj分别是WNN各层级之间的连接权值。
本文小波基采用的是Morlet函数，其表达式如下：
ψa,b(x)＝cos(1.75x)exp(-x2/2)
其中x表示输入信号，exp()表示经验函数。
其中，铝电解单位能耗WNN模型构建过程(即利用训练样本对小波神经网络进行训练)具体步骤为：
Step1：重置网络参数
分配小波网络的scaling参数aj、shift参数bj、连接权重ω、学习率η以及动量参数λ的初始值，并设立学习样本计数器p＝1。
Step2：输入铝电解过程学习样本P(p＝1,2,...P)，计算误差函数
Step3：计算hidden layer和output layer的输出
为input layer输入，/>为hidden layer输出，/>为input layer结点，m为input layer和hidden layer结点数，ωij为input layer和hidden layer间的连接权值，h(·)为小波基函数。
为output layer输入，/>为hidden layer结点k与hidden layer结点n之间的权值。
Step4：计算误差和梯度向量
分别代表学习前与学习后的input layer结点k与hidden layer结点n之间的连接权值，/>为动量项。
分别代表学习前与学习后的hidden layer结点k与output layer结点n间的连接权值，/>为动量项。
分别表示调整前与调整后的hidden layer结点k与output layer结点n之间的连接权值，/>为伸缩因子动量项。
分别表示调整前与调整后的hidden layer结点k与output layer结点n之间的连接权值，/>为平移因子动量项。
Step5：输入下一个铝电解过程样本，即p＝p+1
Step6：判断循环是否可以终止
当E≤ε时，ε(ε>0)为精度值，停止模型训练，否则令p＝1，然后切换到Step2循环。
在构造好铝电解单位能耗WNN模型后，发明人考虑到，现代工业生产制造过程工艺复杂，参数耦合及系统机理不明确，小波神经网络通常被用来模拟实际制造过程系统，一般使用梯度下降法来设定初始参数。这种方法的单梯度限制了参数优化的方向，不易达到电解能耗的要求的预测精度，也容易陷入局部最优，仍有很大改进空间。
因此使用遗传算法来优化WNN，如图2所示，具体实现步骤如下：
(1)算法使用WNN的拓扑结构如图1所示，小波传递函数为Morlet函数，由GA算法来寻找ωij,ωjk，aj,bj。
(2)随机初始化种群：设定群体规模，最大迭代次数。初始化个体样本，个体采用实数编码，每个个体由小波神经网络的权值ωij和ωjk、伸缩因子aj、平移因子bj组成。ω1为输入层到隐含层各权值，ω2为隐含层到输出层的各权值，编码形式如下：
(3)选取适应度函数及计算个体的适应度值：用小波神经网络进行训练，根据训练结果求个体适应值，若满足适应度要求则终止循环，否则执行下一步。为避免绝对误差值过小，取适应度函数为：
f＝1/(1+E)
(4)执行遗传操作：①平均汉明距离排挤选择；②自适应交叉；③标准高斯柯西变异。
(5)终止循环，得到新的种群，解码得到小波神经网络权值ωij和ωjk、伸缩因子aj和平移因子bj作为初始参数输入。
(6)转入小波神经网络进行训练，根据预设误差和迭代次数判断是否结束网络训练，凭借上述步骤进行最优建模。
下面本发明实施例将结合具体的实例来进一步说明本发明的可行性和进步性。
本文采用一种新型的铝电解槽，结合了穿孔阳极和异型阴极，用来测试GAWNN模型预测的精度，如图3所示，其中W为每吨铝的直流单位能耗
现代铝电解设备是一种多相、多场相互作用的复杂工艺设备。这些设备的内部存在着多种物理化学变化，以及与外部环境有频繁的原材料、能源、劳动信息交换。用传统的小波神经网络对铝电解能耗进行建模时，由于初始参数的随机确定，导致结构不稳定，可能导致预测误差较大。提出的GAWNN模型可以挖掘出最佳初始权值和因子，从而提高预测结果的准确性和真实性。
考虑到专家的经验和实际工艺对铝电解槽直流能耗的影响，选择9个有效的决策参数:系列电流(A)，分子比(1)，铝水平(cm)，电解质水平(cm)，槽温(℃)，出铝量(kg)，氟化盐日用量(kg)，NB次数(s)，槽电压(mV)。通过计算机云端记录，采集电解池每日上报数据，得到某铝厂170kA系列铝电解槽中773组数据样本。将铝电解数据分为训练样本700组和测试样本73组。课题组的筛选选出的9种工艺参数为输入，吨铝电解能耗为唯一的输出，来建立铝电解单位直流能耗小波神经网络模型。WNN结构中的隐含层数目不能过少，否则预测输出的精度达不到基本的要求，过高时会过犹不及从而加重整个结构的复杂性，故本文隐含层节点数设置为9，所以本文WNN结构为9-9-1的框架。由此得出GAWNN算法中的状态变量维数为9×9+1×12+1×12+1×12＝118，该算法中其他参数设置为ηs＝0.87，ηc＝3，ηm＝2，N＝40，迭代次数＝100，lr1＝0.01，lr2＝0.001，k＝1.04；选择Morlet作为隐含层函数。
为了进一步验证算法预测的卓越性，本文基于相同实验样本，分别运用WNN、BPNN、PSONN和GAWNN对铝电解槽工艺能耗进行建模并得出实验结果。
WNN、BPNN、PSOWNN以及GAWNN分别建立的铝电解工艺能耗预测模型如图4所示。从图4中曲线拟合的效果看出，工艺能耗模型的性能排序从高到低依次为GAWNN--PSOWNN--BPNN--WNN。总体来看，基于遗传算法建立的小波神经网络模型性能明显优于其余几种模型，证明了遗传算法很大程度上克服了原有算法的缺陷，用于发掘WNN初始权值因子优化其结构是可行的。
从方法上而言，GAWNN将GA与WNN直接结合，使用了实数编码，平均汉明距离排挤选择，自适应交叉和标准高斯柯西变异。根据图5可知，GAWNN相对误差百分比低于其余三种模型，预测性能更优。
表1不同模型相关性能指标比较
表1是各能耗模型的指标数据对比，其中罗列了6种针对不同模型性能的评价指标、显著性检验和算法复杂度，包括最大值Max、最小值Min、平均值Average、误差项平方和SSE、均方误差MSE、均方根误差RMSE、Wilcoxon配对符号秩检验，其中显著性检验均是以GAWNN预测结果作为参照组进行计算，α设置为0.1。就模型精度而言，GAWNN的几项误差指标显著低于WNN、BPNN和PSOWNN，说明它的预测性能较好；且p-value均小于α证明该算法与其余几种算法有明显差异，进而验证GAWNN方法的有效性。
以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (3)
1.一种铝电解制造系统单位能耗预测方法，其特征在于，所述方法包括：
利用训练样本对小波神经网络进行训练，所述训练样本包括铝电解作业过程系列设计参数和制造系统单位能耗；所述铝电解作业过程系列设计参数包括系列电流、分子比、铝水平、电解质水平、槽温、出铝量、氟化盐日用量、NB次数、槽电压中的一种及其组合；
将所述小波神经网络模型训练过程中得到的权值、伸缩和平移系数的组合作为遗传算法的状态变量，所述小波神经网络模型训练过程中得到的输出值作为遗传算法的测试量，并利用遗传算法全局寻优性来逼近以得到小波神经网络模型最佳的权值、伸缩和平移系数；
利用所述最佳的权值、伸缩和平移系数配置所述小波神经网络得到预测模型，并基于所述预测模型预测铝电解制造系统单位能耗；
所述小波神经网络包括多个链接的小波基，所述小波基的传递函数表示为：
ψa,b(x)＝cos(1.75x)exp(-x2/2)
其中x表示输入信号，exp()表示经验函数；
所述将所述小波神经网络模型训练过程中得到的权值、伸缩和平移系数的组合作为遗传算法的状态变量，所述小波神经网络模型训练过程中得到的输出值作为遗传算法的测试量，并利用遗传算法全局寻优性来逼近以得到小波神经网络模型最佳的权值、伸缩和平移系数，包括：
通过GA算法来找寻小波神经网络的权值ωij和ωjk、伸缩因子aj、平移因子bj；
设定群体规模，最大迭代次数，初始化个体样本，所述个体样本中的个体采用实数编码，每个个体由小波神经网络的权值ωij和ωjk、伸缩因子aj、平移因子bj组成；为输入层到隐含层各权值，/>为隐含层到输出层的各权值，编码形式如下：
基于编码后的个体样本，循环执行遗传操作，所述遗传操作包括平均汉明距离排挤选择、自适应交叉和标准高斯柯西变异；
在个体的适应度值达到预设的阈值要求时，终止遗传操作循环，得到新的种群，解码得到小波神经网络的权值ωij和ωjk、伸缩因子aj、平移因子bj；
将得到的小波神经网络的权值ωij和ωjk、伸缩因子aj、平移因子bj转入小波神经网络进行训练，根据预设误差和/或迭代次数判断是否结束训练，得到最佳的权值、伸缩和平移系数。
2.根据权利要求1所述的方法，其特征在于，基于训练样本，用小波神经网络进行训练，根据训练结果确定个体的适应度值。
3.根据权利要求1所述的方法，其特征在于，根据如下适应度函数确定个体的适应度值：
其中给定P(p＝1,2,...P)组训练样本，E为个体的适应度值，dp为输出层第p个样本的期望输出；yp为第p个样本的实际输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210869403.4A CN115081744B (zh) | 2022-07-22 | 2022-07-22 | 铝电解制造系统单位能耗预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210869403.4A CN115081744B (zh) | 2022-07-22 | 2022-07-22 | 铝电解制造系统单位能耗预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115081744A CN115081744A (zh) | 2022-09-20 |
| CN115081744B true CN115081744B (zh) | 2024-05-07 |
Family
ID=83243123
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210869403.4A Active CN115081744B (zh) | 2022-07-22 | 2022-07-22 | 铝电解制造系统单位能耗预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115081744B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103345559A (zh) * | 2013-07-10 | 2013-10-09 | 重庆科技学院 | 铝电解过程电解槽工艺能耗的动态演化建模方法 |
| CN209151130U (zh) * | 2018-12-08 | 2019-07-23 | 重庆师范大学 | 基于jfet可变电阻区的可调节移相器 |
| CN112765894A (zh) * | 2020-11-25 | 2021-05-07 | 北方工业大学 | 一种基于k-lstm的铝电解槽状态预测方法 |
-
2022
- 2022-07-22 CN CN202210869403.4A patent/CN115081744B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103345559A (zh) * | 2013-07-10 | 2013-10-09 | 重庆科技学院 | 铝电解过程电解槽工艺能耗的动态演化建模方法 |
| CN209151130U (zh) * | 2018-12-08 | 2019-07-23 | 重庆师范大学 | 基于jfet可变电阻区的可调节移相器 |
| CN112765894A (zh) * | 2020-11-25 | 2021-05-07 | 北方工业大学 | 一种基于k-lstm的铝电解槽状态预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| Establishing the energy consumption prediction model of aluminum electrolysis process by genetically optimizing wavelet neural network;Lizhong Yao;《Frontiers in Energy Research》;20220913;第10卷;1-21 * |
| 基于遗传小波神经网络的故障预报应用;李界家;沈阳建筑大学学报(自然科学版);20090315;第25卷(第02期);381-385 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115081744A (zh) | 2022-09-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112217202B (zh) | 考虑灵活性投资的分布式新能源、储能与配电网规划方法 | |
| CN109241291B (zh) | 基于深度强化学习的知识图谱最优路径查询系统及其方法 | |
| JP5888640B2 (ja) | 太陽光発電予測装置、太陽光発電予測方法及び太陽光発電予測プログラム | |
| CN109919356B (zh) | 一种基于bp神经网络区间需水预测方法 | |
| CN101782743A (zh) | 神经网络建模方法及系统 | |
| CN110059887B (zh) | 基于自适应遗传算法的bp神经网络风险识别方法及系统 | |
| CN105574586B (zh) | 基于mpso-bp网络的通用飞机航材需求预测方法 | |
| CN112561039A (zh) | 一种改进的基于超网络的进化神经网络架构搜索方法 | |
| CN111723516B (zh) | 一种基于自适应深度神经网络替代模型的海水入侵模拟-优化方法 | |
| CN111598231A (zh) | 基于ga优化串行式bp网络的电缆接头导线温度预测 | |
| CN115186803A (zh) | 一种考虑pue的数据中心算力负荷需求组合预测方法和系统 | |
| CN112036651A (zh) | 基于量子免疫优化bp神经网络算法的电价预测方法 | |
| CN108594079A (zh) | 一种配电网故障定位方法、装置和计算机可读介质 | |
| CN111222762A (zh) | 太阳能电池板镀膜工艺状态监控及质量控制系统 | |
| CN110852435A (zh) | 一种基于神经进化计算模型 | |
| CN115081744B (zh) | 铝电解制造系统单位能耗预测方法 | |
| CN112183721B (zh) | 一种基于自适应差分进化的组合水文预测模型的构建方法 | |
| CN117458480A (zh) | 基于改进lof的光伏发电功率短期预测方法及系统 | |
| CN104156462A (zh) | 基于元胞自动学习机的复杂网络社团挖掘方法 | |
| Yang et al. | Host load prediction based on PSR and EA-GMDH for cloud computing system | |
| CN115620046A (zh) | 一种基于半监督性能预测器的多目标神经架构搜索方法 | |
| CN111753466A (zh) | 一种三极磁轴承转子径向位移软测量建模方法 | |
| CN115619028A (zh) | 一种基于聚类算法融合的电力负荷精准预测方法 | |
| CN112132433A (zh) | 一种基于新颖性搜索的多目标头脑风暴社区检测方法 | |
| CN117748459A (zh) | 一种基于优化bp神经网络的超短期光伏功率预测方法 |
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 |