CN115758893A - 架空覆冰导线气动系数预测方法、装置、设备及存储介质 - Google Patents
架空覆冰导线气动系数预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115758893A CN115758893A CN202211471562.5A CN202211471562A CN115758893A CN 115758893 A CN115758893 A CN 115758893A CN 202211471562 A CN202211471562 A CN 202211471562A CN 115758893 A CN115758893 A CN 115758893A
- Authority
- CN
- China
- Prior art keywords
- neural network
- coefficient
- aerodynamic
- ice
- network 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.)
- Pending
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种架空覆冰导线气动系数预测方法、装置、设备及存储介质,该方法包括获取风洞试验测得的气动系数,划分为训练集与测试集;对训练集与测试集进行预处理,获得预处理后的训练集与测试集;构建BP神经网络模型,初始化权值与阈值,确定所述BP神经网络模型的模型层数、神经单元数和模型参数;利用调试好的BP神经网络模型进行气动系数预测。本发明通过为BP神经网络模型确定架空覆冰导线气动系数预测对应的参数进行调试,利用调试好的BP神经网络模型进行气动系数预测,克服风洞试验测量气动系数成本高、操作难度大问题,可实现覆冰导线不同风速、不同覆冰厚度下气动系数的快速预测。
Description
技术领域
本发明涉及覆冰导线气动系数测量技术领域,尤其涉及到一种架空覆冰导线气动系数预测方法、装置、设备及存储介质。
背景技术
电力系统作为国民经济建设和发展的生命线工程,其安全有效的运行是保证国家经济稳定发展的基础。高压输电线路作为电力设施系统的重要组成部分,其出现故障会给电网系统的正常、安全运行产生极大的威胁,严重地影响人民的日常生活,甚至造成重大经济损失和严重的社会影响。而舞动又是造成输电线路故障的主要原因。与此同时,输电线路舞动是非常复杂的流固耦合非线性振动问题,其产生的原因十分复杂,是多种因素共同作用的结果,如覆冰厚度、覆冰形状、风速以及线路自身结构等。
而覆冰导线的气动力特性是研究导线舞动的关键因素,研究并理解覆冰导线的气动特性以及分析关键参数对气动特性的影响,对于完善抑舞、防舞技术和提供相关科学依据有着十分重要的工程意义和经济价值。以往获取覆冰输电线的气动系数几乎都是通过风洞试验、数值模拟方法,但风洞试验存在费用高、耗时长的局限性,数值方法也易出现不收敛问题。
发明内容
本发明的主要目的在于提供一种架空覆冰导线气动系数预测方法、装置、设备及存储介质,旨在解决目前架空覆冰导线气动系数测量成本高、操作难度大和数值模拟收敛性差、计算周期长、效率低的技术问题。
为实现上述目的,本发明提供一种架空覆冰导线气动系数预测方法,所述方法包括以下步骤:
S1:获取风洞试验测得的气动系数,划分为训练集与测试集;
S2:对训练集与测试集进行预处理,获得预处理后的训练集与测试集;
S3:构建BP神经网络模型,初始化权值与阈值,确定所述BP神经网络模型的模型层数、神经单元数和模型参数;
S4:利用调试好的BP神经网络模型进行气动系数预测。
可选的,所述风洞试验测得的气动系数为不同覆冰厚度与不同风速下的气动系数。
可选的,所述预处理为归一化处理,所述归一化处理的表达式,具体为:
可选的,确定所述BP神经网络模型的模型层数采用试凑法多次训练对比确定。
可选的,确定所述BP神经网络模型的神经单元数采用预设经验公式求解得到范围值,再根据试凑法求出预测精度最高的单元数;预设经验公式的表达式,具体为:
其中,n为输入层神经元个数,m为输出层神经元个数,a为[1,10]之间的常数。
可选的,所述模型参数,具体包括:随机数、激活函数、学习率和损失函数;其中,所述随机数通过设置随机数种子确定,所述激活函数通过输入输出参数之间的非线性关系和数据集确定,所述学习率通过多次调试对应的BP神经网络模型对数据的拟合能力确定,所述损失函数通过预测问题的类型确定。
可选的,所述方法还包括步骤S5:将预测的气动系数与风洞试验数据对比,获得预测误差。
此外,为了实现上述目的,本发明还提供了一种架空覆冰导线气动系数预测装置,所述装置包括:
获取模块,用于获取风洞试验测得的气动系数,划分为训练集与测试集;
预处理模块,用于对训练集与测试集进行预处理,获得预处理后的训练集与测试集;
调试模块,用于构建BP神经网络模型,初始化权值与阈值,确定所述BP神经网络模型的模型层数、神经单元数和模型参数;
预测模块,用于利用调试好的BP神经网络模型进行气动系数预测。
此外,为了实现上述目的,本发明还提供了一种架空覆冰导线气动系数预测设备,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的架空覆冰导线气动系数预测程序,所述架空覆冰导线气动系数预测程序被所述处理器执行时实现上述的架空覆冰导线气动系数预测方法的步骤。
此外,为了实现上述目的,本发明还提供了一种存储介质,所述存储介质上存储有架空覆冰导线气动系数预测程序,所述架空覆冰导线气动系数预测程序被处理器执行时实现上述的架空覆冰导线气动系数预测方法的步骤。
本发明实施例提出的一种架空覆冰导线气动系数预测方法、装置、设备及存储介质,该方法包括获取风洞试验测得的气动系数,划分为训练集与测试集;对训练集与测试集进行预处理,获得预处理后的训练集与测试集;构建BP神经网络模型,初始化权值与阈值,确定所述BP神经网络模型的模型层数、神经单元数和模型参数;利用调试好的BP神经网络模型进行气动系数预测。本发明通过为BP神经网络模型确定架空覆冰导线气动系数预测对应的参数进行调试,利用调试好的BP神经网络模型进行气动系数预测,克服风洞试验测量气动系数成本高、操作难度大问题,可实现覆冰导线不同风速、不同覆冰厚度下气动系数的快速预测。
附图说明
图1为本发明中一种架空覆冰导线气动系数预测设备的结构示意图。
图2为本发明中架空覆冰导线气动系数预测方法实施例的流程示意图。
图3为本发明中BP神经网络框架图。
图4为本发明中不同模型层数Loss动态变化图。
图5为本发明中不同激活函数Loss动态变化图。
图6为本发明中单导线预测风速14m/s单导线气动系数(冰厚12mm)。
图7为本发明中四分裂导线预测风速14m/s单导线气动系数(冰厚18mm)。
图8为本发明中一种架空覆冰导线气动系数预测装置的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的架空覆冰导线气动系数预测设备的结构示意图。
设备可以是移动电话、智能电话、笔记本电脑、数字广播接收器、个人数字助理(PDA)、平板电脑(PAD)等用户设备(User Equipment,UE)、手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其它处理设备、移动台(Mobile station,MS)等。设备可能被称为用户终端、便携式终端、台式终端等。
通常,设备包括:至少一个处理器301、存储器302以及存储在所述存储器上并可在所述处理器上运行的架空覆冰导线气动系数预测程序,所述架空覆冰导线气动系数预测程序配置为实现如前所述的架空覆冰导线气动系数预测方法的步骤。
处理器301可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器301可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器301也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(CentralProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器301可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。处理器301还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关架空覆冰导线气动系数预测操作,使得架空覆冰导线气动系数预测模型可以自主训练学习,提高效率和准确度。
存储器302可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器302还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器302中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器301所执行以实现本申请中方法实施例提供的架空覆冰导线气动系数预测方法。
在一些实施例中,终端还可选包括有:通信接口303和至少一个外围设备。处理器301、存储器302和通信接口303之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与通信接口303相连。具体地,外围设备包括:射频电路304、显示屏305和电源306中的至少一种。
通信接口303可被用于将I/O(Input/Output,输入/输出)相关的至少一个外围设备连接到处理器301和存储器302。通信接口303通过外围设备用于接收用户上传的多个移动终端的移动轨迹以及其他数据。在一些实施例中,处理器301、存储器302和通信接口303被集成在同一芯片或电路板上;在一些其他实施例中,处理器301、存储器302和通信接口303中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不加以限定。
射频电路304用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路304通过电磁信号与通信网络以及其他通信设备进行通信,从而可获取多个移动终端的移动轨迹以及其他数据。射频电路304将电信号转换为电磁信号进行发送,或者,将接收到的电磁信号转换为电信号。可选地,射频电路304包括:天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路304可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于:城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(WirelessFidelity,无线保真)网络。在一些实施例中,射频电路304还可以包括NFC(Near FieldCommunication,近距离无线通信)有关的电路,本申请对此不加以限定。
显示屏305用于显示UI(User Interface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏305是触摸显示屏时,显示屏305还具有采集在显示屏305的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器301进行处理。此时,显示屏305还可以用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在一些实施例中,显示屏305可以为一个,电子设备的前面板;在另一些实施例中,显示屏305可以为至少两个,分别设置在电子设备的不同表面或呈折叠设计;在再一些实施例中,显示屏305可以是柔性显示屏,设置在电子设备的弯曲表面上或折叠面上。甚至,显示屏305还可以设置成非矩形的不规则图形,也即异形屏。显示屏305可以采用LCD(LiquidCrystal Display,液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
电源306用于为电子设备中的各个组件进行供电。电源306可以是交流电、直流电、一次性电池或可充电电池。当电源306包括可充电电池时,该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
本领域技术人员可以理解,图1中示出的结构并不构成对架空覆冰导线气动系数预测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明实施例提供了一种架空覆冰导线气动系数预测方法,参照图2,图2为本发明架空覆冰导线气动系数预测方法实施例的流程示意图。
本实施例中,所述架空覆冰导线气动系数预测方法包括以下步骤:
(1)收集整理风洞试验数据,选取单导线新月形覆冰、四分裂导线扇形覆冰在覆冰厚度一定时预测不同风速下气动系数,数据库分别为:
①单导线:覆冰厚度为12mm时,通过10、12、18m/s风速气动系数预测14m/s风速的气动系数;
②四分裂导线:覆冰厚度为18mm时,通过10、12、18m/s风速气动系数预测14m/s风速的气动系数;
上述单导线、四分裂导线数据库中,各自选取10、12、18m/s风速气动系数作为训练集,导入BP神经网络模型训练,以14m/s风速的气动系数作为测试集,用来验证模型的准确性。
(2)针对(1)中数据库的分布特性,对所有输入数据进行归一化处理,使输入数据分布均匀、单位统一且标准化。
(3)初始化权值、阈值:采用预设的权值、阈值初始化方法,就可以实现多层神经网络的输出值的尺度维持在一定范围内,这样在反向传播的时候,就有利于缓解梯度消失或者爆炸现象的发生。
(4)构建BP神经网络模型以及参数的选择:
①模型层数与单元数:首先,该神经网络模型输入变量:风速、风攻角,输出变量:CL、CD、CM,BP神经网络框架如附图3所示。通常情况下,所描述的神经网络模型为隐含层的层数及对应的每层神经单元个数,神经网络模型层数和单元数的选取没有明确的推导公式。对于神经网络模型层数,通常采用试凑法确定,本发明在对比使用8×8、10×8、10×16模型后发现(附图4),隐含层神经单元过多,会增加计算的复杂性,很容易导致过拟合;隐含层神经单元过少,则会影响模型的训练能力,达不到训练结果要求。综合模型训练速度、损失函数下降速度、预测结果稳定性等,最终选择:单导线为8层隐含层,每层8个神经单元;四分裂导线为10层隐含层,每层16个神经单元,此时模型预测精度较高且稳定性好。
隐含层选择:隐含层神经单元、层数过多,会增加计算的复杂性,很容易导致过拟合;隐含层神经单元、层数过少,则会影响模型的训练能力,达不到训练结果要求。大多数均采用试凑法多次训练对比确定隐含层数。
②随机数:本实施例通过多次反复训练对比,使用离散正态分布时,模型训练在拐点处的线性拟合较差,使用标准正态分布时,在一定程度上提高模型的拟合能力尤其是模型在一些拐点位置的拟合,故输出参数采用标准正态分布形式的随机数(0,0.001)增加模型的线性拟合性能。
③学习率:其大小决定着目标函数能否收敛到局部最小值以及何时收敛到最小值。神经网络模型中学习率的选择也是至关重要,学习率越低,损失函数的变化速度就越慢,越难达到最优解;学习率越高,虽然收敛速度变快,但是很容易越过模型最优解,也易导致模型波动性大,准确性降低。因此,本发明在多次调试验证后,当学习率调节范围为(0,0.1)时,即选取lr=0.01,神经网络模型对数据的拟合能力较好。
④损失函数:是指用于计算真实值和预测值之间差异的函数,在机器学习过程中,有多种损失函数。但对于本实施例中逻辑回归类问题一般采用MSE(均方差损失函数),用来判断模型的预测值与真实值的差别,当误差较小时,经过平方后MSE所得到的反馈信号也越小,模型就会快速收敛到最小误差,表达式为:
式中N为样本数,yi为预测值,zi为真实值。
⑤激活函数:常用的有Tanh、Relu等,Tanh函数是一般非线性问题常用的激活函数。本模型通过多次调解激活函数的类型发现,Tanh函数在输入样本数据跨度较大时,得不到良好的训练模型,且对于层数较多、训练数据量较大的情况,Loss(附图5)波动较大,但Relu函数很好的解决了这一问题。因此,选取Relu函数作为本模型的激活函数,选择Relu激活函数:Relu=max(0,1),解决了gradient vanishing问题(在正区间),提高了神经网络模型的收敛速度,提高效率。
(5)利用(4)中调参后的BP神经网络模型进行单导线、四分裂导线在覆冰厚度一定时预测不同风速下的气动系数,预测结果与风洞试验结果拟合曲线如图6、图7所示。
需要说明的是,对于切片数、训练次数,将训练数据使用Dataset类进行重构,划分为37、74或111大小的切片,每一个循环以切片大小数量打包为一组进行训练。模型进行切片划分数据,可以提高模型的计算速度。合适的训练次数可以提高模型的拟合能力,增强可预测性。训练次数的选择也是至关重要:训练次数较少,模型训练周期短,很难达到预期结果;训练次数较多,模型训练周期较长,可能出现过拟合。因此,需多次调试选取合适的训练次数可以实现短时间高精度的效果。
最终,利用调试好的BP神经网络模型进行预测,并将预测结果进行反归一化处理即还原为原数据的量级,可得到所需预测数值,再与风洞试验数据对比分析,验证该方法的准确性。
鉴于该模型中输入变量与输出变量之间的非线性关系,以及气动力系数自身的波动性,剔除神经网络预测结果中个别出现较大异常波动数值,最终预测误差如表1所示:
表1BP神经网络预测准确率
从表1可知:整体看单导线、四分裂导线气动系数预测精度均在88.7%以上,证明了本申请搭建的BP神经网络模型具有较高的预测精度。单独分析单导线、四分裂导线升力、阻力、扭矩气动力系数预测精度:很明显阻力系数预测精度高于升力、扭矩系数,主要由于阻力系数原数据数值较小、波动较小所致;且四分裂导线预测精度较单导线差,主要由于尾流效应的影响所致。从仿真实例中的单导线、四分裂导线的预测图示可以看出,BP神经网络的预测值与风洞试验的试验值拟合效果较好,再次验证了BP神经网络对架空覆冰导线气动系数预测的可行性,具有一定的工程指导意义。
在本实施例中,提供了一种架空覆冰导线气动系数预测方法,通过为BP神经网络模型确定架空覆冰导线气动系数预测对应的参数进行调试,利用调试好的BP神经网络模型进行气动系数预测,克服风洞试验测量气动系数成本高、操作难度大问题,可实现覆冰导线不同风速、不同覆冰厚度下气动系数的快速预测。
参照图8,图8为本发明架空覆冰导线气动系数预测装置实施例的结构框图。
如图8所示,本发明实施例提出的架空覆冰导线气动系数预测装置包括:
获取模块10,用于获取风洞试验测得的气动系数,划分为训练集与测试集;
预处理模块20,用于对训练集与测试集进行预处理,获得预处理后的训练集与测试集;
调试模块30,用于构建BP神经网络模型,初始化权值与阈值,确定所述BP神经网络模型的模型层数、神经单元数和模型参数;
预测模块40,用于利用调试好的BP神经网络模型进行气动系数预测。
本发明架空覆冰导线气动系数预测装置的其他实施例或具体实现方式可参照上述各方法实施例,此处不再赘述。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有架空覆冰导线气动系数预测程序,所述架空覆冰导线气动系数预测程序被处理器执行时实现如上文所述的架空覆冰导线气动系数预测方法的步骤。因此,这里将不再进行赘述。另外,对采用相同方法的有益效果描述,也不再进行赘述。对于本申请所涉及的计算机可读存储介质实施例中未披露的技术细节,请参照本申请方法实施例的描述。确定为示例,程序指令可被部署为在一个计算设备上执行,或者在位于一个地点的多个计算设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个计算设备上执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,上述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,上述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
另外需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件的方式来实现,当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下,凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现,而且,用来实现同一功能的具体硬件结构也可以是多种多样的,例如模拟电路、数字电路或专用电路等。但是,对本发明而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在可读取的存储介质中,如计算机的软盘、U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
Claims (10)
1.一种架空覆冰导线气动系数预测方法,其特征在于,所述方法包括以下步骤:
S1:获取风洞试验测得的气动系数,划分为训练集与测试集;
S2:对训练集与测试集进行预处理,获得预处理后的训练集与测试集;
S3:构建BP神经网络模型,初始化权值与阈值,确定所述BP神经网络模型的模型层数、神经单元数和模型参数;
S4:利用调试好的BP神经网络模型进行气动系数预测。
2.如权利要求1所述的架空覆冰导线气动系数预测方法,其特征在于,所述风洞试验测得的气动系数为不同覆冰厚度与不同风速下的气动系数。
4.如权利要求1所述的架空覆冰导线气动系数预测方法,其特征在于,确定所述BP神经网络模型的模型层数采用试凑法多次训练对比确定。
6.如权利要求1所述的架空覆冰导线气动系数预测方法,其特征在于,所述模型参数,具体包括:随机数、激活函数、学习率和损失函数;其中,所述随机数通过设置随机数种子确定,所述激活函数通过输入输出参数之间的非线性关系和数据集确定,所述学习率通过多次调试对应的BP神经网络模型对数据的拟合能力确定,所述损失函数通过预测问题的类型确定。
7.如权利要求1所述的架空覆冰导线气动系数预测方法,其特征在于,所述方法还包括步骤S5:将预测的气动系数与风洞试验数据对比,获得预测误差。
8.一种架空覆冰导线气动系数预测装置,其特征在于,所述装置包括:
获取模块,用于获取风洞试验测得的气动系数,划分为训练集与测试集;
预处理模块,用于对训练集与测试集进行预处理,获得预处理后的训练集与测试集;
调试模块,用于构建BP神经网络模型,初始化权值与阈值,确定所述BP神经网络模型的模型层数、神经单元数和模型参数;
预测模块,用于利用调试好的BP神经网络模型进行气动系数预测。
9.一种架空覆冰导线气动系数预测设备,其特征在于,所述架空覆冰导线气动系数预测设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的架空覆冰导线气动系数预测程序,所述架空覆冰导线气动系数预测程序被所述处理器执行时实现如权利要求1至7中任一项所述的架空覆冰导线气动系数预测方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有架空覆冰导线气动系数预测程序,所述架空覆冰导线气动系数预测程序被处理器执行时实现如权利要求1至7中任一项所述的架空覆冰导线气动系数预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211471562.5A CN115758893A (zh) | 2022-11-23 | 2022-11-23 | 架空覆冰导线气动系数预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211471562.5A CN115758893A (zh) | 2022-11-23 | 2022-11-23 | 架空覆冰导线气动系数预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115758893A true CN115758893A (zh) | 2023-03-07 |
Family
ID=85335645
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211471562.5A Pending CN115758893A (zh) | 2022-11-23 | 2022-11-23 | 架空覆冰导线气动系数预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115758893A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116305588A (zh) * | 2023-05-17 | 2023-06-23 | 中国航空工业集团公司沈阳空气动力研究所 | 一种风洞试验数据异常检测方法、电子设备及存储介质 |
CN116296239A (zh) * | 2023-05-26 | 2023-06-23 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于卷积神经网络的风洞试验方法、装置、设备和介质 |
-
2022
- 2022-11-23 CN CN202211471562.5A patent/CN115758893A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116305588A (zh) * | 2023-05-17 | 2023-06-23 | 中国航空工业集团公司沈阳空气动力研究所 | 一种风洞试验数据异常检测方法、电子设备及存储介质 |
CN116305588B (zh) * | 2023-05-17 | 2023-08-11 | 中国航空工业集团公司沈阳空气动力研究所 | 一种风洞试验数据异常检测方法、电子设备及存储介质 |
CN116296239A (zh) * | 2023-05-26 | 2023-06-23 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于卷积神经网络的风洞试验方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115758893A (zh) | 架空覆冰导线气动系数预测方法、装置、设备及存储介质 | |
US11798531B2 (en) | Speech recognition method and apparatus, and method and apparatus for training speech recognition model | |
US11169827B2 (en) | Resource loading at application startup using attributes of historical data groups | |
CN112100841B (zh) | 盾构机姿态预测方法、装置、终端设备以及存储介质 | |
CN108520220A (zh) | 模型生成方法和装置 | |
CN114881379B (zh) | 风电场应发电量估测方法、装置、设备及存储介质 | |
CN111382863A (zh) | 一种神经网络压缩方法及装置 | |
CN116241419A (zh) | 风电机组叶尖净空距离预测方法、装置、设备及存储介质 | |
CN113626200A (zh) | 任务负载计算方法、装置、存储介质以及终端 | |
CN111753461A (zh) | 潮汐水位修正方法、目标余水位获取方法、装置和设备 | |
Çiçek et al. | Smartphone power management based on ConvLSTM model | |
CN114252100B (zh) | 传感器在线标定方法、装置、设备及存储介质 | |
CN114781766B (zh) | 水文站点的水文信息预测方法、装置、设备及存储介质 | |
CN114692487B (zh) | 电子装备维修备件预投方法、装置、设备及存储介质 | |
CN114663710A (zh) | 轨迹识别方法、装置、设备及存储介质 | |
CN116071521A (zh) | 水轮机模型试验曲线绘制方法、装置、设备及存储介质 | |
CN115619138A (zh) | 基于数字孪生的楼宇管控运营的方法、装置、设备及介质 | |
CN115269176A (zh) | 任务分配方法、装置、计算机设备、存储介质和产品 | |
CN112199584A (zh) | 个性化推荐方法及终端设备、推荐设备、存储介质 | |
CN112800385A (zh) | 数据处理方法、装置、终端设备以及存储介质 | |
CN113778063B (zh) | 基于纵向特征数据的设备控制方法及装置 | |
CN113344435B (zh) | 台区供电状态评估、装置、电子设备和存储介质 | |
CN111222695A (zh) | 一种电负荷预测方法及装置 | |
CN112231237A (zh) | 测试报告获得方法、装置、终端设备以及存储介质 | |
CN116629094A (zh) | 一种电子装备数字孪生模型构建方法、系统及设备 |
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 |