CN115101136A - 一种大型铝电解槽全局阳极效应预测方法 - Google Patents
一种大型铝电解槽全局阳极效应预测方法 Download PDFInfo
- Publication number
- CN115101136A CN115101136A CN202210608390.5A CN202210608390A CN115101136A CN 115101136 A CN115101136 A CN 115101136A CN 202210608390 A CN202210608390 A CN 202210608390A CN 115101136 A CN115101136 A CN 115101136A
- Authority
- CN
- China
- Prior art keywords
- anode effect
- global
- neural network
- layer
- features
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Analytical Chemistry (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Electrolytic Production Of Metals (AREA)
Abstract
本发明提供一种大型铝电解槽全局阳极效应预测方法,属于铝电解技术领域。所述方法包括:使用极限梯度提升机对阳极效应预测的相关特征进行重要性排序,选取重要性高的特征构建数据集;构建包含基于因果扩张卷积的卷积神经网络和长短期记忆层的全局阳极效应预测模型;利用构建的数据集训练全局阳极效应预测模型,其中,在训练过程中,利用卷积神经网络提取选取的多个特征中与阳极效应相关的潜在信息,利用长短期记忆层对得到的潜在信息进行学习,得到全局阳极效应发生概率;利用训练好的全局阳极效应预测模型预测第二天铝电解槽发生全局阳极效应的发生概率。采用本发明,能够有效捕捉阳极效应相关的潜在信息,从而提高全局阳极效应的预测精度。
Description
技术领域
本发明涉及铝电解技术领域,特别是指一种大型铝电解槽全局阳极效应预测方法。
背景技术
阳极效应是一种发生在卤化物的熔盐电解过程中的现象,因其发生在电解槽的阳极部分所以得名。阳极效应一般是由于局部氧化铝浓度不足引起的,各区域的氧化铝浓度由下料策略和电流电磁力驱动流速共同决定。
在现代铝电解行业中,阳极效应的发生多为全局阳极效应,因全局阳极效应反应剧烈,铝液表面有大量气泡产生,全局阳极效应的发生一般是由于局部阳极效应的蔓延导致,因此,要减少全局阳极效应的发生就要预测局部阳极效应的发生与否并通过分布式下料解决。在局部阳极效应发生前,对应的阳极导杆电流会发生较大的波动,如果不加以干预,会逐渐发展成为全局阳极效应。
传统的基于机理模型的过程监控技术已很难得到广泛应用,只能局限在容易建立解析模型的子系统单一回路监控上,对于可能影响正常生产的异常工况在线监测、系统故障诊断及后续的控制补偿策略,它往往显得无能无力。虽然引入了大量的检测仪表,具备了实施过程监控技术的必要硬件条件,但是,对于难以在线测量或存在测量时滞、偏差及数据缺失等问题的某些关键过程变量,还需要通过基于数据建模的技术对其进行实时、准确的在线监测。因此,基于数据建模技术的迅速发展将推动其在现代铝电解工业流程控制的应用越发深入。
阳极效应的预测及其主动熄灭在现代铝电解工业中是研究重点之一,减少非主动阳极效应的发生可大大提升铝电解电流效率,减少能耗,降低温室气体排放。神经网络及深度学习网络在工业故障诊断领域得到广泛使用。然而,单独的神经网络结构不能有效地捕捉阳极效应相关的潜在信息,导致全局阳极效应的预测精度低。
发明内容
本发明实施例提供了大型铝电解槽全局阳极效应预测方法,能够有效捕捉阳极效应相关的潜在信息,从而提高全局阳极效应的预测精度。所述技术方案如下,包括:
使用极限梯度提升机对阳极效应预测的相关特征进行重要性排序,选取重要性高的特征构建数据集;
构建包含基于因果扩张卷积的卷积神经网络和长短期记忆层的全局阳极效应预测模型;
利用构建的数据集训练全局阳极效应预测模型,其中,在训练过程中,利用卷积神经网络提取选取的多个特征中与阳极效应相关的潜在信息,利用长短期记忆层对得到的潜在信息进行学习,得到全局阳极效应发生概率;
利用训练好的全局阳极效应预测模型预测第二天铝电解槽发生全局阳极效应的发生概率。
进一步地,在使用极限梯度提升机对阳极效应预测的相关特征进行重要性排序,选取重要性高的特征构建数据集之前,所述方法还包括:
从铝电解大数据平台获取多个铝电解槽的样本元数据,构建阳极效应预测原数据集;
以天为单位,对阳极效应预测原数据集中的缺失数据进行补全。
进一步地,所述元数据包括:槽号、平均工作电压、出铝量、槽温、分子比、铝水平、铁含量、硅含量、多点铝水平、炉底压降、阳极效应平均电压、阳极效应发生前15min平均电压、设定电压和阳极效应发生与否;
其中,非阳极效应发生日,用多个整点前15min平均电压代替阳极效应发生前15min平均电压。
进一步地,极限梯度提升机进行特征重要性选取是通过贪心算法寻找特征最佳分割点进行实现,特征被分割的次数决定特征对于训练模型的增益,特征的平均增益越大,特征的重要性越高。
进一步地,所述全局阳极效应预测模型包括:多个卷积神经网络;每个卷积神经网络包括:第一因果扩张卷积、第一最大值池化层、第二因果扩张卷积、第二最大值池化层和扁平化处理;其中,第一因果扩张卷积,用于提取局部特征;第二因果扩张卷积,用于提取全局特征;
所述利用卷积神经网络提取选取的多个特征中与阳极效应相关的潜在信息包括:
对于每个输入特征的时间序列使用单独的卷积神经网络进行处理,在卷积神经网络中,通过第一因果扩张卷积、第一最大值池化层、第二因果扩张卷积、第二最大值池化层和扁平化处理对输入的特征时间序列依次进行处理,得到与阳极效应相关的扁平化潜在信息矩阵。
进一步地,每个因果扩张卷积包括:输入层、多个隐含层和输出层;其中,对隐含层进行扩张卷积计算;
每个因果扩张卷积将当前输入值与前一时刻输入值作为隐含层输入,其卷积计算只与当前输入与历史输入相关。
进一步地,所述长短期记忆层包括:第一长短期记忆神经网络、第一神经网络单元丢弃层、第二长短期记忆神经网络、第二神经网络单元丢弃层和全连接层;
其中,第一长短期记忆神经网络、第一神经网络单元丢弃层、第二长短期记忆神经网络、第二神经网络单元丢弃层和全连接层依次相连。
本发明实施例提供的技术方案带来的有益效果至少包括:
本发明实施例中,使用极限梯度提升机对阳极效应预测的相关特征进行重要性排序,选取重要性高的特征构建数据集;构建包含基于因果扩张卷积的卷积神经网络和长短期记忆层的全局阳极效应预测模型;利用构建的数据集训练全局阳极效应预测模型,其中,在训练过程中,利用卷积神经网络提取选取的多个特征中与阳极效应相关的潜在信息,利用长短期记忆层对得到的潜在信息进行学习,得到全局阳极效应发生概率;利用训练好的全局阳极效应预测模型预测第二天铝电解槽发生全局阳极效应的发生概率;这样,能够有效捕捉阳极效应相关的潜在信息,从而提高全局阳极效应的预测精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的大型铝电解槽全局阳极效应预测方法的流程示意图;
图2为本发明实施例提供的大型铝电解槽全局阳极效应预测方法的详细流程示意图;
图3为本发明实施例提供的因果扩张卷积示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
如图1和图2所示,本发明实施例提供了一种大型铝电解槽全局阳极效应预测方法,包括:
S101,使用极限梯度提升机(XGBoost)对阳极效应预测的相关特征进行重要性排序,选取重要性高的特征构建数据集(具体指:全阳极效应预测数据集);其中,所述数据集包括:训练集和测试集;
针对现代铝电解工业阳极效应相关数据庞杂,滞后性强的特点,经专家经验选取的特征未能将阳极效应潜在信息发掘出来,同时会有冗余数据影响预测效果,减少冗余数据并对有效数据进行提取将有利于阳极效应的预测。为解决阳极效应样本选择的问题,并减少基于数据的铝电解槽况预测经常发生的特征漂移现象的影响,本实施例中,利用XGBoost算法对特征向量进行针对阳极效应发生的重要性排序,对重要性较低的特征进行剔除,将重要性较高的特征作为全局阳极效应预测模型的初始输入。XGBoost算法进行特征重要性选取的原理是:通过贪心算法寻找特征最佳分割点进行实现,特征被分割的次数决定特征对于训练模型的增益Gain,特征的平均增益影响其重要性排序,平均增益越大,重要性越高。
本实施例中,XGBoost算法对传统GBDT目标函数加以改进,在原目标函数的基础上加上正则项,减少了过拟合的可能同时加快了收敛速度,XGBoost算法定义的目标损失函数为:
其中,Obj(i)为目标损失函数值,n为树的数量,是真实值yi与预测值的平方差损失函数;Ω(f)是正则化参数;γ为分割树的难度系数,用于控制分割树的生成;T表示叶子节点的个数;λ表示L2正则化参数,正则化的加入减少了过拟合的现象同时加快收敛速度;w表示叶子节点的权重。
本实施例中,增益Gain表示为:
其中,gL、gR分别表示分裂时左叶子节点、右叶子节点所包含的样本集合的一阶偏导累加之和,hL、hR分别表示分裂时左叶子节点、右叶子节点所包含的样本集合的二阶偏导累加之和;
本实施例中,经过多次仿真验证,以增益Gain为准则,选取特征重要性取值在阈值d=30上的特征作为全局阳极效应预测模型训练的元数据特征。例如,可以选取特征重要性分数为30(d=30)以上的特征参与模型训练。
本实施例中,在使用极限梯度提升机对阳极效应预测的相关特征进行重要性排序,选取重要性高的特征构建数据集(S101)之前,所述方法还包括:
A1,从铝电解大数据平台获取多个铝电解槽的样本元数据,构建阳极效应预测原数据集;
本实施例中,所述元数据(指特征)包括:槽号、平均工作电压、出铝量、槽温、分子比、铝水平、铁含量、硅含量、多点铝水平、炉底压降、阳极效应平均电压、阳极效应发生前15min平均电压(每30s一次采集)、设定电压和阳极效应发生与否;
其中,非阳极效应发生日,用多个整点(例如,8:00、12:00、16:00)前15min平均电压代替阳极效应发生前15min平均电压。
A2,以天为单位,对阳极效应预测原数据集中的缺失数据进行补全。
本实施例中,将步骤A1中的原数据集进行数据预处理,以天为单位,针对不同数据的缺失情况进行分类,按照不同特征值的缺失数据比例选择不同的填充方式,其中,
对于缺失大于60%的特征(例如,炉底压降、分子比),选择缺失数据相邻数据均值填充;
对于缺失小于n%的特征(例如,多点铝水平)使用KNN(K-NearestNeighbor,K最邻近分类算法)算法填充,并使用RMSE(Root Mean Square Error,均方根误差)值对填充值进行验证,选取预测值与实际值RMSE值小于阈值p=4.9的K近邻数,以保证填充数据的有效性。
S102,构建包含基于因果扩张卷积的卷积神经网络(CNN)和长短期记忆层的全局阳极效应预测模型;其中,
所述卷积神经网络包括:一维的第一因果扩张卷积、第一最大值池化层、第二因果扩张卷积、第二最大值池化层和扁平化处理;其中,第一因果扩张卷积,用于提取局部特征;第二因果扩张卷积,用于提取全局特征;
所述长短期记忆层包括:第一长短期记忆神经网络(LSTM)、第一神经网络单元丢弃层、第二长短期记忆神经网络、第二神经网络单元丢弃层和全连接层;其中,第一长短期记忆神经网络、第一神经网络单元丢弃层、第二长短期记忆神经网络、第二神经网络单元丢弃层和全连接层依次相连。
卷积神经网络中的传统卷积的计算不仅与当前输入及之前的历史数据相关,也将未来数据的状态作为输入,进行了卷积计算,这就会导致部分未来数据在隐含层发生泄漏。对于阳极效应的预测,使用传统卷积构建的卷积神经网络在训练时会将未来生产数据作为卷积输入,从而作为训练依据,影响阳极效应预测的准确性。为解决未来信息的泄漏问题,将传统卷积进行改进,引入因果扩张卷积。
如图3所示,每个因果扩张卷积包括:输入层、多个隐含层和输出层;由图3可得,因果扩张卷积将当前输入值与前一时刻输入值作为隐含层输入,其卷积计算只与当前输入与历史输入相关,保证了时间序列的因果关系,解决了未来信息泄漏问题。但是,因果卷积的记忆需要多层隐含层作为初始设定,层数越多,记忆量越大,记忆的时间跨度越长。这样会使得神经网络模型参数呈指数级增长,导致网络结构变得复杂,不便于计算。为解决这一问题,对隐含层进行扩张卷积计算。在原始输入数据无损失的情况下,减少了每次卷积计算的参数量。因果扩张卷积是一种因果卷积与扩张卷积相结合的形式。
S103,利用构建的数据集(具体指训练集)训练全局阳极效应预测模型,其中,在训练过程中,利用卷积神经网络提取选取的多个特征中与阳极效应相关的潜在信息,利用长短期记忆层对得到的潜在信息进行学习,得到全局阳极效应发生概率;
本实施例中,原数据集经排序后,其潜在的特征信息仍隐含在相关特征变量中。因此,将构建的数据集作为卷积神经网络的输入,由第一因果扩张卷积、第一最大值池化层、第二因果扩张卷积、第二最大值池化层和扁平化处理对输入的特征时间序列依次进行处理,得到与阳极效应相关的扁平化潜在信息矩阵。这样,使用改进的两次因果扩张卷积对与阳极效应相关的潜在信息进行提取,在提升预测可信度的同时,能够减少未来信息在隐含层的泄露问题。本实施例中,在因果扩张卷积后加入最大值池化层,能够减少特征输出的大小,减少计算量,从而大幅度减少卷积神经网络的训练时间。
本实施例中,所述全局阳极效应预测模型包括:多个卷积神经网络,对于每个输入特征的时间序列使用单独的卷积神经网络进行处理,在卷积神经网络中,通过第一因果扩张卷积、第一最大值池化层、第二因果扩张卷积、第二最大值池化层和扁平化处理对输入的特征时间序列依次进行处理,得到与阳极效应相关的扁平化潜在信息矩阵。
本实施例中,将卷积神经网络输出的扁平化潜在信息矩阵作为长短期记忆层的输入,经由两次长短期记忆神经网络LSTM、神经网络单元丢弃(Dropout)层学习后,将得到的单维度数据输入至全连接层中,最终输出全局阳极效应发生概率。
本实施例中,经多轮训练后将得到的全局阳极效应预测模型保存,该全局阳极效应预测模型是一种混合网络模型,用于预测阳极效应发生概率,在测试集上进行测试,预测精度可达96.65%以上,经测试,预测效果优于单独的LSTM网络,可满足对全局阳极效应的提前预报,有良好的适用性及鲁棒性,有利于稳定电解槽正常运行,且训练速度快,可迁移性强。
S104,利用训练好的全局阳极效应预测模型预测第二天铝电解槽发生全局阳极效应的发生概率。
将本实施例提供的大型铝电解槽全局阳极效应预测方法应用于实际生产中时,可以先将多天(例如,500天)的生产日报数据经过步骤A1、步骤A2、S101处理后,将其输入全局阳极效应预测模型,对其进行训练,得到训练好的全局阳极效应预测模型,将每日生产中的电压值进行在线提取,选取每半小时整点前15min电压平均值作为短时数据更新特征输入至训练好的全局阳极效应预测模型中,用于替换原数据集中的阳极效应发生前15min平均电压进行一次训练,其他特征值用新的一天的日报数值更新。若铝电解厂实际生产时间为:8:00—23:00,则可以选取8:30、9:00、9:30……等各时间点前15min电压平均值进行训练,得到多个不同时间点数据下的全局阳极效应发生概率,对所述多个不同时间点数据下的全局阳极效应发生概率相加求取平均值,得到第二天相应的铝电解槽发生全局阳极效应的发生概率,便于后续针对性解决阳极效应的发生提供辅助。
综上,本发明实施例中,使用极限梯度提升机对阳极效应预测的相关特征进行重要性排序,选取重要性高的特征构建数据集;构建包含基于因果扩张卷积的卷积神经网络和长短期记忆层的全局阳极效应预测模型;利用构建的数据集训练全局阳极效应预测模型,其中,在训练过程中,利用卷积神经网络提取选取的多个特征中与阳极效应相关的潜在信息,利用长短期记忆层对得到的潜在信息进行学习,得到全局阳极效应发生概率;利用训练好的全局阳极效应预测模型预测第二天铝电解槽发生全局阳极效应的发生概率;这样,能够有效捕捉阳极效应相关的潜在信息,从而提高全局阳极效应的预测精度。
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 (7)
1.一种大型铝电解槽全局阳极效应预测方法,其特征在于,包括:
使用极限梯度提升机对阳极效应预测的相关特征进行重要性排序,选取重要性高的特征构建数据集;
构建包含基于因果扩张卷积的卷积神经网络和长短期记忆层的全局阳极效应预测模型;
利用构建的数据集训练全局阳极效应预测模型,其中,在训练过程中,利用卷积神经网络提取选取的多个特征中与阳极效应相关的潜在信息,利用长短期记忆层对得到的潜在信息进行学习,得到全局阳极效应发生概率;
利用训练好的全局阳极效应预测模型预测第二天铝电解槽发生全局阳极效应的发生概率。
2.根据权利要求1所述的大型铝电解槽全局阳极效应预测方法,其特征在于,在使用极限梯度提升机对阳极效应预测的相关特征进行重要性排序,选取重要性高的特征构建数据集之前,所述方法还包括:
从铝电解大数据平台获取多个铝电解槽的样本元数据,构建阳极效应预测原数据集;
以天为单位,对阳极效应预测原数据集中的缺失数据进行补全。
3.根据权利要求2所述的大型铝电解槽全局阳极效应预测方法,其特征在于,所述元数据包括:槽号、平均工作电压、出铝量、槽温、分子比、铝水平、铁含量、硅含量、多点铝水平、炉底压降、阳极效应平均电压、阳极效应发生前15min平均电压、设定电压和阳极效应发生与否;
其中,非阳极效应发生日,用多个整点前15min平均电压代替阳极效应发生前15min平均电压。
4.根据权利要求1所述的大型铝电解槽全局阳极效应预测方法,其特征在于,极限梯度提升机进行特征重要性选取是通过贪心算法寻找特征最佳分割点进行实现,特征被分割的次数决定特征对于训练模型的增益,特征的平均增益越大,特征的重要性越高。
5.根据权利要求1所述的大型铝电解槽全局阳极效应预测方法,其特征在于,所述全局阳极效应预测模型包括:多个卷积神经网络;每个卷积神经网络包括:第一因果扩张卷积、第一最大值池化层、第二因果扩张卷积、第二最大值池化层和扁平化处理;其中,第一因果扩张卷积,用于提取局部特征;第二因果扩张卷积,用于提取全局特征;
所述利用卷积神经网络提取选取的多个特征中与阳极效应相关的潜在信息包括:
对于每个输入特征的时间序列使用单独的卷积神经网络进行处理,在卷积神经网络中,通过第一因果扩张卷积、第一最大值池化层、第二因果扩张卷积、第二最大值池化层和扁平化处理对输入的特征时间序列依次进行处理,得到与阳极效应相关的扁平化潜在信息矩阵。
6.根据权利要求5所述的大型铝电解槽全局阳极效应预测方法,其特征在于,每个因果扩张卷积包括:输入层、多个隐含层和输出层;其中,对隐含层进行扩张卷积计算;
每个因果扩张卷积将当前输入值与前一时刻输入值作为隐含层输入,其卷积计算只与当前输入与历史输入相关。
7.根据权利要求1所述的大型铝电解槽全局阳极效应预测方法,其特征在于,所述长短期记忆层包括:第一长短期记忆神经网络、第一神经网络单元丢弃层、第二长短期记忆神经网络、第二神经网络单元丢弃层和全连接层;
其中,第一长短期记忆神经网络、第一神经网络单元丢弃层、第二长短期记忆神经网络、第二神经网络单元丢弃层和全连接层依次相连。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210608390.5A CN115101136A (zh) | 2022-05-31 | 2022-05-31 | 一种大型铝电解槽全局阳极效应预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210608390.5A CN115101136A (zh) | 2022-05-31 | 2022-05-31 | 一种大型铝电解槽全局阳极效应预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115101136A true CN115101136A (zh) | 2022-09-23 |
Family
ID=83288239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210608390.5A Pending CN115101136A (zh) | 2022-05-31 | 2022-05-31 | 一种大型铝电解槽全局阳极效应预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115101136A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116307246A (zh) * | 2023-04-10 | 2023-06-23 | 中南大学 | 一种基于lstm-cnn和icbam长短期特征提取的铝电解槽温预测方法 |
-
2022
- 2022-05-31 CN CN202210608390.5A patent/CN115101136A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116307246A (zh) * | 2023-04-10 | 2023-06-23 | 中南大学 | 一种基于lstm-cnn和icbam长短期特征提取的铝电解槽温预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111783953B (zh) | 一种基于优化lstm网络的24点电力负荷值7日预测方法 | |
CN111460728B (zh) | 一种工业设备剩余寿命预测方法、装置、存储介质及设备 | |
CN109214708B (zh) | 基于交叉熵理论优化支持向量机的电力系统风险评估方法 | |
CN110889085A (zh) | 基于复杂网络多元在线回归的废水智能监控方法及系统 | |
CN110987436B (zh) | 基于激励机制的轴承故障诊断方法 | |
CN115374995A (zh) | 一种分布式光伏、小风电场站功率预测方法 | |
CN111723982A (zh) | 基于灰色-马尔可夫链的中长期电力负荷组合预测方法 | |
CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
CN115101136A (zh) | 一种大型铝电解槽全局阳极效应预测方法 | |
CN116094068A (zh) | 基于碳排放预测机制的电网调度方法、设备及介质 | |
CN115308558A (zh) | Cmos器件寿命预测方法、装置、电子设备及介质 | |
CN115049115A (zh) | 计及nwp风速横纵向误差的rdpg风速修正方法 | |
CN112257348B (zh) | 一种锂电池长期退化趋势预测方法 | |
CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN112699229A (zh) | 基于深度学习模型的自适应推题方法 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
CN116485049A (zh) | 一种基于人工智能的电能计量误差预测与优化系统 | |
US20220243347A1 (en) | Determination method and determination apparatus for conversion efficiency of hydrogen production by wind-solar hybrid electrolysis of water | |
CN116338502A (zh) | 一种基于随机噪声增强和循环神经网络的燃料电池寿命预测方法 | |
CN113111588B (zh) | 一种燃气轮机nox排放浓度预测方法及装置 | |
CN115345297A (zh) | 一种基于生成对抗网络的台区样本生成方法及系统 | |
CN113159395A (zh) | 一种基于深度学习的污水处理厂进水流量预测方法及系统 | |
CN112766503B (zh) | 基于关键层回滚机制的卷积神经网络模型容错方法 | |
CN116755326A (zh) | 工艺控制方法、装置、电子设备和存储介质 | |
CN117194940A (zh) | 一种基于Kendall-τ-SSA-BiLSTM的马蹄窑工作池温度预测方法 |
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 |