CN115408866A - 基于时变拓扑结构的星群在轨健康评估方法及终端 - Google Patents
基于时变拓扑结构的星群在轨健康评估方法及终端 Download PDFInfo
- Publication number
- CN115408866A CN115408866A CN202211070135.6A CN202211070135A CN115408866A CN 115408866 A CN115408866 A CN 115408866A CN 202211070135 A CN202211070135 A CN 202211070135A CN 115408866 A CN115408866 A CN 115408866A
- Authority
- CN
- China
- Prior art keywords
- satellite
- constellation
- health
- value
- index
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本发明公开了一种基于时变拓扑结构的星群在轨健康评估方法及终端,步骤包括:星群中卫星健康状态评估;星间通信链路健康评估;星群任务效能评估;计算星群健康度数值来判断健康等级。本发明获取星群健康状态信息和星群健康度数据,可确定各级故障对星群健康影响的程度,从而可以有针对性指定维护策略,具有客观全面、可靠性高、鲁棒性强等优势。
Description
技术领域
本发明属于航天器健康管理应用领域,具体是指一种基于时变拓扑结构的星群在轨健康评估方法及终端。
背景技术
卫星集群(简称星群)在执行效率、灵活性及系统的鲁棒性等方面上比单颗微小卫星更具有优势,已经成为未来空间技术发展的趋势之一。但随着在轨星群规模剧增,星群的在轨运行稳定性、安全性和可靠性均受到挑战,因此卫星集群对健康管理技术的需求迫在眉睫,其中健康状态评估技术是该技术的重要前提。
一般来说,卫星集群由多个卫星协同组成,少数卫星的失效并不能认为是整个星群的失效,并且星群系统的结构复杂导致了影响健康状态的因素众多,有限的星上资源又无法应对复杂的计算。这些约束条件,使卫星集群的健康评估成为了健康管理领域的难点。然而,传统的健康评估技术一般应用于航天器姿态控制系统,基本原理是依靠姿态控制系统的数学模型,利用专家知识评价;或者依靠现有航天器大量真实数据,用神经网络、贝叶斯网络和支持向量机等智能算法来大量模拟评估。这两种方法显然无法满足星群的健康评估需求。虽然关于卫星集群的健康管理是当前预测与健康管理技术的研究热点,然而,目前国内外没有建立星群健康评估模型的实例。
发明内容
针对于上述现有技术的不足,本发明的目的在于提供一种基于时变拓扑结构的星群在轨健康评估方法及终端,本发明方法获取星群健康状态信息和星群健康度数据,可确定各级故障(不同数量卫星故障、不同数量通信链路故障)对星群健康影响的程度,从而可以有针对性指定维护策略,具有客观全面、可靠性高、鲁棒性强等优势。
为达到上述目的,本发明采用的技术方案如下:
本发明的一种基于时变拓扑结构的星群在轨健康评估方法,步骤包括:
(1)星群中卫星健康状态评估:建立卫星可靠性模型,并利用拓扑节点重要性的方法,描述卫星与星群健康的关联程度,从而评估所有卫星对星群健康的影响;
(2)星间通信链路健康评估:确认拓扑中链路重要程度权重值,评判指标为自然连通度,并采用可靠性分析计算星间链路可靠度,从而评估所有星间链路对星群健康的影响;
(3)星群任务效能评估:根据星群中各卫星运动时三轴位置、三轴姿态和能量消耗存在的误差项,利用熵权法计算各指标权值,从而计算任务效能;
(4)计算星群健康度数值:根据卫星故障完成变权后,结合步骤(1)-步骤(3)中得到的评估结果,计算星群健康度数值来判断健康等级。
进一步地,所述健康状态为三个健康等级,分别是健康(Health,H)、亚健康(Sub-Health,SH)和故障(Fault,F)。
进一步地,所述健康等级中健康(H)取值为[0.8000,1.0000]、亚健康(SH)取值为[0.4500,0.7999]、故障(F)取值为[0.0000,0.4499]。
进一步地,所述步骤(1)具体包括:
(11)在卫星生命周期T中,分别利用Weibull分布和正太分布进行故障模拟,式中,t是评估时刻;η是尺度参数,表示特征寿命;β是形状参数,μ是期望值,σ是标准差,e是自然指数;从而获得卫星可靠性模型为:
式中,Rvi表示星群中卫星vi的可靠度值,i=1,2,…,N;
(13)结合星群拓扑中所有卫星对的最短路径中经过对应卫星的数量比,即卫星介数求解卫星vi的重要度为归一化处理后,卫星在星群中的重要程度权重值为其中,gjk为卫星vj与卫星vk的最短路径数量,gjk(i)是gjk中经过卫星vi的数量,则是卫星vi对卫星vj与卫星vk介数的贡献,反映卫星位置信息;
(14)结合步骤(11)中得到的卫星可靠性模型,及步骤(13)中得到的卫星在星群中的重要程度权重值,输出星群中所有卫星的健康度:
进一步地,所述步骤(2)具体包括:
(21)分析卫星间有无通信链路连接情况,构建星间关联矩阵A(G)={aij}N×N,即若卫星vi和卫星vj之间存在链路,aij=1;若卫星vi和卫星vj之间不存在链路,aij=0;星间关联矩阵A(G)的所有特征根关于自然对数、自然指数的平均值为自然连通度:
(23)链路分析时,默认卫星之间可见,只需考虑通信链路传输的可靠性,星间链路可靠度表示为:
式中,λej表示链路ej的失效率,j=1,2,…,M;结合星间链路可靠度与步骤(22)中得到的链路重要程度权重值,得出星间通信链路健康度为:
进一步地,所述步骤(3)具体包括:
(31)将卫星运动时理想的三轴位置、三轴姿态和能量消耗,与各自实际值进行比较,选取所得的误差作为二级指标,星群中的卫星作为一级指标,根据层次分析法,建立效能评估指标体系结构;其中星群效能作为结构最高层、一级指标作为结构中间层、二级指标作为结构最低层,绘出层次结构图;
zi=1-ri
式中,ri表示各二级指标的信息熵,即不确定度;zi则表示信息效用值;ωi为一级指标权重值;
进一步地,所述步骤(4)具体包括:
(41)假设X=(x1 r,…,xk r)是因素xi(i=1,…,k)的状态向量,W=(ω1,…,ωk)是因素xi(i=1,…,k)的常权向量,S(X)=(S1(X),…,Sk(X))为状态变权向量,则因素xi(i=1,…,k)的变权向量由Hadamard乘积得到,即:
(42)完成变权后,考虑到星群当前时刻的健康度Hswarm(t)受到上一时刻健康状态的影响,即存在时序依存关系,采用非线性加权方法,得到星群健康度函数:
式中,σ是时序函数,k1,k2,k3是影响参数;
(43)通过一次指数平滑方法,对星群健康度值进行拟合,估算出σ=1-α,α∈[0,1]且k1+k2+k3=α;根据步骤(41)的星群健康度函数,计算星群生命周期中t时刻的健康度,由此得到对应的健康等级。
本发明的健康评估方法,充分考虑了星群中星间通信和集群效能对健康状态的影响,在星群时变拓扑结构的基础上,建立了多级健康评估模型;通过分别计算卫星、星间通信和星群效能的健康度,并结合变权原理可实现星群健康状态评估。将该方法应用于执行自主拼接任务的模块化微小卫星群,可为星群健康管理提供前提条件,提高在轨运行可靠性。
本发明还提供一种健康评估终端,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现上述的方法。
本发明的有益效果:
1、本发明从卫星、多星、星群多层角度定义了卫星集群的健康度,通过建立综合卫星、星间通信链路和星群任务效能的健康评估模型,充分考虑了星群中星间通信和集群效能对健康状态的影响;
2、本发明基于时变拓扑网络,展示了卫星集群健康度随时间演变的规律,通过星群健康度曲线,只需要了解卫星集群的工作寿命,就可以得知星群的健康状态,使得星群健康评估具有实际应用价值;
3、本发明中通信链路的引入,降低了评估的主观性;根据健康评估结果,可确定各级故障(不同数量卫星故障、不同数量通信链路故障)对星群健康影响的程度,从而可以有针对性指定维护策略。在未来的太空维护管理中,该技术将极大的提升航天器集群智能性和安全性。
附图说明
图1为本发明评估方法的流程图。
图2为基于可靠性分析的卫星健康评估流程图。
图3为基于自然连通度的星间通信链路健康评估流程图。
图4为基于熵权法的星群效能评估流程图。
图5为非线性加权综合评估流程图。
具体实施方式
为了便于本领域技术人员的理解,下面结合实施例与附图对本发明作进一步的说明,实施方式提及的内容并非对本发明的限定。
本发明中,卫星:卫星集群主要由多个卫星构成,在星群拓扑结构中担任节点的角色。星间通信链路:星群中各卫星保持通信连接来协同工作,在星群拓扑结构中担任链路的角色。星群任务效能:星群依据卫星特定的有效载荷执行特定的任务,未能满足任务需求的星群属于不健康的星群,因此星群的任务效能也属于星群健康状态评估的重要影响因素。
参照图1所示,本发明的一种基于时变拓扑结构的星群在轨健康评估方法,步骤包括:
(1)星群中卫星健康状态评估:采用可靠性分析建立卫星可靠性模型,并利用拓扑节点重要性的方法,描述卫星与星群健康的关联程度,从而评估所有卫星对星群健康的影响;
其中,所述健康状态为三个健康等级,分别是健康(Health,H)、亚健康(Sub-Health,SH)和故障(Fault,F)。
所述健康等级中健康(H)取值为[0.8000,1.0000]、亚健康(SH)取值为[0.4500,0.7999]、故障(F)取值为[0.0000,0.4499]。
具体地,如图2所示,所述步骤(1)具体包括:
(11)在卫星生命周期T中,分别利用Weibull分布和正太分布进行故障模拟,式中,t是评估时刻;η是尺度参数,表示特征寿命;β是形状参数,μ是期望值,σ是标准差,e是自然指数;从而获得卫星可靠性模型为:
式中,Rvi表示星群中卫星vi的可靠度值,i=1,2,…,N;
(13)结合星群拓扑中所有卫星对的最短路径中经过对应卫星的数量比,即卫星介数求解卫星vi的重要度为归一化处理后,卫星在星群中的重要程度权重值为其中,gjk为卫星vj与卫星vk的最短路径数量,gjk(i)是gjk中经过卫星vi的数量,则是卫星vi对卫星vj与卫星vk介数的贡献,反映卫星位置信息;
(14)结合步骤(11)中得到的卫星可靠性模型,及步骤(13)中得到的卫星在星群中的重要程度权重值,输出星群中所有卫星的健康度:
(2)星间通信链路健康评估:采取基于抗毁性的方法来确认拓扑中链路重要程度权重值,评判指标为自然连通度(其反映了星间替代路径的冗余性,表示链路失效后星间还能连通的程度),并采用可靠性分析计算星间链路可靠度,从而评估所有星间链路对星群健康的影响;
其中,如图3所示,所述步骤(2)具体包括:
(21)分析卫星间有无通信链路连接情况,构建星间关联矩阵A(G)={aij}N×N,即若卫星vi和卫星vj之间存在链路,aij=1;若卫星vi和卫星vj之间不存在链路,aij=0;星间关联矩阵A(G)的所有特征根关于自然对数、自然指数的平均值为自然连通度:
(23)链路分析时,默认卫星之间可见,只需考虑通信链路传输的可靠性,星间链路可靠度表示为:
式中,λej表示链路ej的失效率,j=1,2,…,M;结合星间链路可靠度与步骤(22)中得到的链路重要程度权重值,得出星间通信链路健康度为:
(3)星群任务效能评估:根据星群中各卫星运动时三轴位置、三轴姿态和能量消耗存在的误差项,利用熵权法计算各指标权值,从而计算任务效能;
其中,如图4所示,所述步骤(3)具体包括:
(31)将卫星运动时理想的三轴位置、三轴姿态和能量消耗,与各自实际值进行比较,选取所得的误差作为二级指标,星群中的卫星作为一级指标,根据层次分析法,建立效能评估指标体系结构;其中,星群效能作为结构最高层、一级指标作为结构中间层、二级指标作为结构最低层,绘出层次结构图;
zi=1-ri
式中,ri表示各二级指标的信息熵,即不确定度;zi则表示信息效用值;ωi为一级指标权重值;
(4)计算星群健康度数值:根据卫星故障完成变权后,结合步骤(1)-步骤(3)中得到的评估结果,计算星群健康度数值来判断健康等级;
其中,如图5所示,所述步骤(4)具体包括:
(41)由于星群中各卫星健康状态是动态变化的,当卫星发生瞬时故障时,低权重因素的作用往往变得显著,因此重要度权重值需要根据故障不同进行调整;假设X=(x1 r,…,xk r)是因素xi(i=1,…,k的状态向量,W=(ω1,…,ωk)是因素xi(i=1,…,k的常权向量,S(X)=(S1(X),…,Sk(X))为状态变权向量,则因素xi(i=1,…,k)的变权向量由Hadamard乘积得到,即:
(42)完成变权后,考虑到星群当前时刻的健康度Hswarm(t)受到上一时刻健康状态的影响,即存在时序依存关系,采用非线性加权方法,得到星群健康度函数:
式中,σ是时序函数,k1,k2,k3是影响参数;
(43)通过一次指数平滑方法,对星群健康度值进行拟合,估算出σ=1-α,α∈[0,1]且k1+k2+k3=α;根据步骤(41)的星群健康度函数,计算星群生命周期中t时刻的健康度,由此得到对应的健康等级。
此外,本发明还提供一种健康评估终端,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现上述的方法。
本发明具体应用途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进,这些改进也应视为本发明的保护范围。
Claims (8)
1.一种基于时变拓扑结构的星群在轨健康评估方法,其特征在于,步骤包括:
(1)星群中卫星健康状态评估:建立卫星可靠性模型,并利用拓扑节点重要性的方法,描述卫星与星群健康的关联程度,从而评估所有卫星对星群健康的影响;
(2)星间通信链路健康评估:确认拓扑中链路重要程度权重值,评判指标为自然连通度,并采用可靠性分析计算星间链路可靠度,从而评估所有星间链路对星群健康的影响;
(3)星群任务效能评估:根据星群中各卫星运动时三轴位置、三轴姿态和能量消耗存在的误差项,利用熵权法计算各指标权值,从而计算任务效能;
(4)计算星群健康度数值:根据卫星故障完成变权后,结合步骤(1)-步骤(3)中得到的评估结果,计算星群健康度数值来判断健康等级。
2.根据权利要求1所述的基于时变拓扑结构的星群在轨健康评估方法,其特征在于,所述健康状态为三个健康等级,分别是健康、亚健康和故障。
3.根据权利要求2所述的基于时变拓扑结构的星群在轨健康评估方法,其特征在于,所述健康等级中健康取值为[0.8000,1.0000]、亚健康取值为[0.4500,0.7999]、故障取值为[0.0000,0.4499]。
4.根据权利要求1所述的基于时变拓扑结构的星群在轨健康评估方法,其特征在于,所述步骤(1)具体包括:
(11)在卫星生命周期T中,分别利用Weibull分布和正太分布进行故障模拟,式中,t是评估时刻;η是尺度参数,表示特征寿命;β是形状参数,μ是期望值,σ是标准差,e是自然指数;从而获得卫星可靠性模型为:
式中,Rvi表示星群中卫星vi的可靠度值,i=1,2,…,N;
(13)结合星群拓扑中所有卫星对的最短路径中经过对应卫星的数量比,即卫星介数求解卫星vi的重要度为归一化处理后,卫星在星群中的重要程度权重值为其中,gjk为卫星vj与卫星vk的最短路径数量,gjk(i)是gjk中经过卫星vi的数量,则是卫星vi对卫星vj与卫星vk介数的贡献,反映卫星位置信息;
(14)结合步骤(11)中得到的卫星可靠性模型,及步骤(13)中得到的卫星在星群中的重要程度权重值,输出星群中所有卫星的健康度:
5.根据权利要求4所述的基于时变拓扑结构的星群在轨健康评估方法,其特征在于,所述步骤(2)具体包括:
(21)分析卫星间有无通信链路连接情况,构建星间关联矩阵A(G)={aij}N×N,即若卫星vi和卫星vj之间存在链路,aij=1;若卫星vi和卫星vj之间不存在链路,aij=0;星间关联矩阵A(G)的所有特征根关于自然对数、自然指数的平均值为自然连通度:
(23)链路分析时,默认卫星之间可见,只需考虑通信链路传输的可靠性,星间链路可靠度表示为:
式中,λej表示链路ej的失效率,j=1,2,…,M;结合星间链路可靠度与步骤(22)中得到的链路重要程度权重值,得出星间通信链路健康度为:
6.根据权利要求5所述的基于时变拓扑结构的星群在轨健康评估方法,其特征在于,所述步骤(3)具体包括:
(31)将卫星运动时理想的三轴位置、三轴姿态和能量消耗,与各自实际值进行比较,选取所得的误差作为二级指标,星群中的卫星作为一级指标,根据层次分析法,建立效能评估指标体系结构;
zi=1-ri
式中,ri表示各二级指标的信息熵,即不确定度;zi则表示信息效用值;ωi为一级指标权重值;
7.根据权利要求6所述的基于时变拓扑结构的星群在轨健康评估方法,其特征在于,所述步骤(4)具体包括:
(41)假设是因素xi的状态向量,i=1,…,k,W=(ω1,…,ωk)是因素xi的常权向量,S(X)=(S1(X),…,Sk(X))为状态变权向量,则因素xi的变权向量由Hadamard乘积得到,即:
(42)完成变权后,考虑到星群当前时刻的健康度Hswarm(t)受到上一时刻健康状态的影响,即存在时序依存关系,采用非线性加权方法,得到星群健康度函数:
式中,σ是时序函数,k1,k2,k3是影响参数;
(43)通过一次指数平滑方法,对星群健康度值进行拟合,估算出σ=1-α,α∈[0,1]且k1+k2+k3=α;根据步骤(41)的星群健康度函数,计算星群生命周期中t时刻的健康度,由此得到对应的健康等级。
8.一种健康评估终端,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211070135.6A CN115408866A (zh) | 2022-09-02 | 2022-09-02 | 基于时变拓扑结构的星群在轨健康评估方法及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211070135.6A CN115408866A (zh) | 2022-09-02 | 2022-09-02 | 基于时变拓扑结构的星群在轨健康评估方法及终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115408866A true CN115408866A (zh) | 2022-11-29 |
Family
ID=84164610
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211070135.6A Pending CN115408866A (zh) | 2022-09-02 | 2022-09-02 | 基于时变拓扑结构的星群在轨健康评估方法及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115408866A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116068990A (zh) * | 2022-12-16 | 2023-05-05 | 天津大学 | 一种星群智能故障诊断交互式虚拟仿真平台验证方法 |
-
2022
- 2022-09-02 CN CN202211070135.6A patent/CN115408866A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116068990A (zh) * | 2022-12-16 | 2023-05-05 | 天津大学 | 一种星群智能故障诊断交互式虚拟仿真平台验证方法 |
CN116068990B (zh) * | 2022-12-16 | 2023-11-10 | 天津大学 | 一种星群智能故障诊断交互式虚拟仿真平台验证方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105550323B (zh) | 一种分布式数据库负载均衡预测方法和预测分析器 | |
CN113794494B (zh) | 一种面向低轨卫星网络的边缘计算系统及计算卸载优化方法 | |
CN107820276B (zh) | 一种无线传感器任务分配方法 | |
US11616471B2 (en) | Systems and methods for connection topology optimization in photovoltaic arrays using neural networks | |
CN110837915B (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
CN113259469B (zh) | 智能制造中边缘服务器部署方法、系统及存储介质 | |
CN110504676A (zh) | 一种基于apso-bp的配电网状态估计方法 | |
CN113722980B (zh) | 海洋浪高预测方法、系统、计算机设备、存储介质、终端 | |
CN111897240B (zh) | 一种基于核动力系统运行的仿真方法及系统 | |
CN115099133B (zh) | 一种基于tlmpa-bp的集群系统可靠性评估方法 | |
CN115408866A (zh) | 基于时变拓扑结构的星群在轨健康评估方法及终端 | |
CN114265913A (zh) | 工业物联网边缘设备上基于联邦学习的空时预测算法 | |
Mishra et al. | A review of random test case generation using genetic algorithm | |
CN115564210A (zh) | 一种网络实体任务完成能力评价方法及评估系统 | |
CN104021315A (zh) | 基于bp神经网络的电厂厂用电率计算方法 | |
CN111654320A (zh) | 一种基于多属性决策的卫星自适应组网方法 | |
CN112613227B (zh) | 基于混合机器学习的航空发动机剩余使用寿命预测模型 | |
Choudhary et al. | Soft computing applications in wind speed and power prediction for wind energy | |
Nikolic et al. | Structural self-adaptation for decentralized pervasive intelligence | |
CN116364262A (zh) | 基于聚合博弈的配送机器人充电调度方法 | |
CN114266186B (zh) | 一种空调能耗数据缺失值填补方法、设备及介质 | |
CN114372418A (zh) | 一种风电功率时空态势描述模型建立方法 | |
Cui et al. | Key Node Identification of Power Grid Based on AP Clustering | |
CN113205204A (zh) | 一种基于贝叶斯网络的配电网停运节点预测方法 | |
CN108009686B (zh) | 一种光伏发电功率预测方法、装置及系统 |
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 |