CN115834626A - 一种通用型海洋物联网架构及潮流流速预测方法 - Google Patents
一种通用型海洋物联网架构及潮流流速预测方法 Download PDFInfo
- Publication number
- CN115834626A CN115834626A CN202211448234.3A CN202211448234A CN115834626A CN 115834626 A CN115834626 A CN 115834626A CN 202211448234 A CN202211448234 A CN 202211448234A CN 115834626 A CN115834626 A CN 115834626A
- Authority
- CN
- China
- Prior art keywords
- data
- ocean
- energy
- unit
- generation device
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/30—Energy from the sea, e.g. using wave energy or salinity gradient
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种通用型海洋物联网架构及潮流流速预测方法,包括一个或多个独立的边缘云终端、远距离通信网络、云服务器以及远程用户终端;所述边缘云终端包括载体平台、海洋可再生能源供电单元、海洋网络通信单元、数据采集单元、数据存储与处理单元;所述海洋可再生能源供电单元包括潮流能发电装置、波浪能发电装置、太阳能板、多能互补电能变换器和蓄电池;所述数据采集单元包括多个传感器;所述数据存储与处理单元包括大算力边缘计算处理器以及大容量存储硬盘。本发明为针对海上物联网发展遇到的能源供应、远程通信带宽、信息处理能力等问题的一种新型自供能的通用性架构。
Description
技术领域
本发明属于物联网、通信、信息技术、人工智能领域,具体涉及一种通用型海洋物联网架构及潮流流速预测方法。
背景技术
海洋物联网是保障人类社会认识海洋、开发海洋、经略海洋的重要基础设施。海洋物联网包含海洋信息探测与采集、海洋信息传播与组网、海洋信息处理与融合、海洋信息应用服务等方向。进入21世纪,随着人类对海洋开发需求的不断增长以及5G、云计算、边缘计算、大数据、人工智能等为代表的新一代信息技术的快速发展,海洋物联网的建设对海洋经济的发展具有重要作用。
随着科学技术的大力发展,人们生活的陆地已经成功跨过了“电气化”、“信息化”、“网络化”的发展阶段,现在正大步朝着“智能化”发展。而占地球表面积71%的海洋信息化建设基本为零,而需要大量数据的智能化建设更是无从发展。这主要是因为,目前的海洋物联网发展架构中,网络终端电源供应无法保障,传感器供电、处理器供电都是靠电池,而海洋物联网信息采集终端都是远离大陆,无法及时人为更换电池,所以电池寿命决定了信息采集终端的寿命,因此导致目前的海洋物联网发展范式都是基于能量有限型架构。由于数据的采集、存储、处理、传输都需要电能保障,基于能量有限型发展的海上物联网严重限制了数据采集的频率,有些装置每个一个小时才进行一次采集,甚至长期处于休眠状态。同时,能量有限无法支持功耗大的大算力设备,也就导致复杂算法无法在终端进行运算。此外,目前的海洋信息传输基于海事卫星,海事卫星的带宽又严重影响了海上物联网网络传输带宽。综上所述,现存的方案只是针对海洋物联网发展解决其中的一个或两个问题,没有系统性解决方案,缺乏一种通用的额海洋物联网架构,更无法做到大规模产业推广。
中国专利申请CN202110586559.7提供一种自供电海洋物联网节点和系统,提出利用波浪能以及太阳能解决海洋物联网的能量供应问题。该方案只考虑了波浪能以及太阳能,没有考虑潮流能,而潮流能是一种能量密度更大、更容易预测的海洋可再生能源,针对一些阴天,风平浪静的情况下,该装置的能量供应不得不降低。此外,该方案也只是针对能量供给提出了解决方案,没有考虑大数据情况下的信息处理与传输问题。
中国专利申请CN202210291802.7提供面向海洋任务的在线自适应计算卸载方法及系统,利通过从通信算法角度解决海洋网络通信带宽不够、延迟低的问题,然而该专利并没有考虑电能供应问题。我们的方案由于支持了大算力边缘计算装备,可以直接对数据进行预处理,可以在终端支持更复杂的通信算法,提高卫星通信的带宽利用率。
中国专利申请CN202210793066.5提供一种自供电的海洋环境监测网络系统,提出了利用纳米发电机提供能量供应的网络系统,没有系统解决方案,此外,纳米发电机面临可靠性差、造价高等难题。
现有海洋物联网建设思路基于电能有限这一基础共识,这就导致信息采集手段低效、数据存储量小、无法支持功耗更高的大算力处理芯片,对一些在线实时性要求高的应用无法支持。
此外,现有方案的数据传输完全依赖海事卫星,要想获取更高的传输带宽只有依赖更先进的海事卫星或者发射更多颗的卫星,这就导致成本高昂。
现有方案无法做到终端与云端高效协作,组网能力弱。由于采集以及传输的数据量小,导致先进的人工智能算法不能应用到旷阔的海洋应用场景中,严重阻碍了人类进行海洋经济的开发。
发明内容
为了解决现有海洋物联网发展存在的技术问题,本发明提供一种通用性海洋物联网架构及潮流流速预测方法,其基于边云结合的协作系统,为针对海上物联网发展遇到的能源供应、远程通信带宽、信息处理能力等问题的一种新型自供能的通用性架构。其基于边云协同工作的架构体系,该架构包括一个或多个独立的边缘云终端,通过海洋通信网络访问云终端实现云服务。每一个边缘云终端包括一个能量供应单元,它由基于潮流能、波浪能以及海上太阳能多能互补的海洋可再生能源发电系统为边缘云终端或几个云终端组成的云节点全天候提供稳定可靠能量供应;每一个边云云终端包括一个海洋通信网络,集成多种通信手段,包括海事卫星终端、北斗卫星、5G,NB-IOT通信终端;同时每一个边缘云终端集成多种类型的海洋用传感器满足不同类型的应用场景需求;同时,集成先进大算力边缘计算装备,如英伟达JETSON等边缘计算单元,赋能先进的人工智能算法,执行数据清理、特征提取、信息压缩等基本运算单元,极大地减少了存储及传输的数据单元,减少云端传输带宽。
为达到上述目的,本发明采用的技术方案为:
一种通用型海洋物联网架构,包括一个或多个独立的边缘云终端、远距离通信网络、云端服务器以及远程用户终端;
所述边缘云终端包括载体平台、海洋可再生能源供电单元、海洋网络传输单元、数据采集单元、数据存储及处理单元;
所述海洋可再生能源供电单元包括潮流能发电装置、波浪能发电装置、太阳能板、多能互补电能变换器和蓄电池;所述潮流能发电装置、波浪能发电装置以及太阳能板所组成的多能互补发电装置经过多能互补电能变换器,将海洋可再生能源转换成可电池存储的电能,电池输出端与边缘云终端的电源输入端连接,直接为其提供稳定电能;
所述海洋网络传输单元由天线、5G、北斗终端、海事卫星终端混合构成,满足海上不同场景需求的通信需求;
所述数据采集单元包括多个传感器;
所述数据存储及处理单元包括大算力边缘计算处理器以及大容量存储硬盘,其算力大小根据实际需求进行布置;
所述边缘云终端将处理后的数据通过远距离通信网络传回云端服务器,云端根据收到的数据进行二次运算,将运算结果或者指令回传边缘云终端,指导边缘云终端执行下一步操作。
进一步地,所述载体平台为漂浮式浮子、浮球或者锚泊式浮子或者船、艇、无人船艇。
进一步地,所述潮流能发电装置包括叶片以及发电机;所述波浪能发电装置包括俘能动子以及直线电机。
进一步地,所述传感器包括声传感器、物理化学传感器、气象传感器和电信号传感器。
进一步地,所述大算力边缘计算处理器实时进行复杂计算,所述复杂计算包括数据清理、滤波,数据对齐、数据融合、数据压缩、特征提取。
进一步地,多个边缘云终端将采集处理后的分布式数据回传到中继节点,中继节点经过数据融合以及二次计算将结果回传云端服务器,云端服务器对数据进行挖掘处理,将结果或者指令直接回传每一个边缘云终端或者中继节点。
进一步地,每个中继节点包括海洋可再生能源供电单元、海洋网络传输单元和数据存储及处理单元。
本发明还提供一种基于上述通用型海洋物联网架构的潮流流速预测方法,应用LSTM单元,进行实时在线潮流流速预测:
在LSTM单元中,at为短期状态,ct为长期状态;it表示输入门,gt表示一个候选值,ot表示输出门,ft表示遗忘门;LSTM单元的运算过程由以下公式表示:
it=σ(wi,xxt+wi,hht-1+bi) (1)
ft=σ(wf,xxt+wf,hht-1+bf) (2)
ot=σ(wo,xxt+wo,hht-1+bo) (3)
gt=tanh(wg,xxt+wg,hht-1+bg) (4)
式中:wi,x,wi,h,wf,x,wf,h,wo,x,wo,h,wg,x,wg,h为权值矩阵;xt为t时刻的输入;ht-1为上一时刻的输出;σ为sigmoid激活函数;tanh()为tanh激活函数;bi,bf,bo,bg为偏置向量;
在当前时刻数据输入后,前一个单元状态ct-1会进行更新产生当前内部状态ct;内部状态ct更新通过以下公式表示:
ct=ftct-1+itgt (5)
最后输出yt表示为:
yt=ht=ot×tanh(ct) (6)。
有益效果:
(1)本发明系统性解决了海洋物联网难于部署、电能供应有限、通信资源有限的痛点;
(2)本发明易于扩展,符合海洋应用场景需求;
(3)本发明的通用型海洋物联网可以极大丰富海洋观测手段,提高海洋感知能;
(4)本发明的边云协同的海上物联网架构可以作为一种通用性拓扑高效扩展,更满足海洋应用场景分布范围广泛、通信带宽低、任务复杂多样的应用特点;所述边缘云终端利用海洋可再生能源进行能量供给;
(5)本发明的大算力边缘云终端结构便于进行人工智能算法部署,同时将大量复杂计算在边缘端进行处理为海洋通信带宽低提供更好的解决思路。
附图说明
图1为本发明的通用型海洋物联网架构示意图;
图2为边缘云终端组成框图;
图3为海洋可再生能源供电单元示意图;
图4a,图4b为预测结果展示图;其中图4a为均方根误差曲线,图4b为LSTM单元的神经网络实际预测结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。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。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,本发明的通用型海洋物联网架构主要包括一个或多个独立的边缘云终端、远距离通信网络、云端服务器以及远程用户终端。边缘云终端负责边缘侧信息采集、存储、处理;处理过的信息通过远距离通信网络将信息传回云服务器,远程用户终端可以对服务器数据进行操作处理;此外,远程用户终端也可以操作云端服务器对边缘云终端传回的数据进行进一步处理,或者对边缘云终端下达指令,这些指令或者进一步处理的数据可以通过远距离传输通信网络传回边缘云终端。
如图2所示,所述边缘云终端主要由载体平台、海洋可再生能源供电单元、海洋网络传输单元、数据采集单元、数据存储及处理单元共同组成。海洋可再生能源供电单元、海洋网络传输单元、数据采集单元、数据存储及数据处理单元布置在载体平台上面,海洋可再生能源供电单元为海洋网络传输单元、数据采集单元、数据存储及处理单元提供电能,海洋网络通信单元与数据存储与数据单元连接,数据处理单元控制数据采集单元进行参数采集以及数据传输。所述载体平台可以为漂浮式浮子、浮球或者锚泊式浮子或者船、艇、无人船艇等海洋装备。
如图3所示,所述海洋可再生能源供电单元主要由潮流能发电装置、波浪能发电装置、太阳能板、多能互补电能变换器、蓄电池组成。潮流能发电装置主要包括叶片以及发电机两大部分。波浪能发电装置主要包括俘能动子以及直线电机两大部分组成。潮流能发电装置、波浪能发电装置、太阳能板分别将潮流能、波浪能、太阳能转化为电能,这些电能通过多能互补电能变换器将电能转化为可以蓄电池存储的电能,蓄电池的输出端接边缘云终端的供电端,为其提供电能。
所述海洋网络传输单元主要由天线、5G、北斗终端、海事卫星终端混合构成,满足海上不同场景需求的通信需求。
所述数据采集单元主要包括各种类型传感器,可以是声传感器,包括声呐、流速计;物理化学传感器,包括温度、盐度、深度、浊度、一氧化氮、盐度等传感器;气象传感器,包括风速、风向、大气压强、浪高等传感;电信号传感器,包括电压、电流、磁等传感器,其类型和数量可以基于具体的海洋应用进行布置。
所述数据存储及处理单元主要包括大算力边缘计算处理器以及大容量存储硬盘。大算力边缘计算处理器的芯片可以是英伟达JETSON、华为昇腾等边缘计算平台。由于持续稳定电能得到保障,其算力大小可以根据实际需求进行布置。由于大算力边缘计算处理器的加持,一些常用的复杂计算可以实时进行,其中包括数据清理、滤波,数据对齐、数据融合、数据压缩、特征提取等。以上边缘侧数据处理均可以达到降低通信传输量的作用。本发明对目前已有的大算力芯片进行电能保障,并设置远程传输单元进行系统集成,可直接应用到海洋物联网中。
所述边缘云终端将处理后的数据通过远距离通信网络传回云端服务器,云端根据收到的数据进行二次运算,将运算结果或者指令回传边缘云终端,指导边缘云终端执行下一步操作。
多个边缘云终端也可以将采集处理后的分布式数据回传到中继节点,中继节点经过数据融合以及二次计算将结果回传云端服务器,云端服务器对数据进行挖掘处理,将结果或者指令直接回传每一个边缘云终端或者中继节点。
每个中继节点包括海洋可再生能源供电单元,海洋网络传输单元,数据存储及处理单元。
本发明的通用型海洋物联网架构成功应用到以下实施例中:
实施例一:
实时潮流流速预测对海洋气象研究、航道规划、渔业养殖具有重要作用。目前海洋物联网架构还无法支持复杂潮流预测算法在线进行实时预测。基于本发明的通用型海洋物联网架构,由于其具有强大的运算单元以及电能保障,在自然语言学习中成功广泛应用的LSTM(长短期记忆人工神经网络)单元,可以用于实时在线潮流流速预测中。
在LSTM单元中,at为短期状态,ct为长期状态。it表示输入门,gt表示一个候选值,ot表示输出门,ft表示遗忘门。LSTM单元的运算过程可以由以下公式表示:
it=σ(wi,xxt+wi,hht-1+bi) (1)
ft=σ(wf,xxt+wf,hht-1+bf) (2)
ot=σ(wo,xxt+wo,hht-1+bo) (3)
gt=tanh(wg,xxt+wg,hht-1+bg) (4)
式中:wi,x,wi,h,wf,x,wf,h,wo,x,wo,h,wg,x,wg,h为权值矩阵;xt为t时刻的输入;ht-1为上一时刻的输出;σ为sigmoid激活函数。Tanh()为tanh激活函数;bi,bf,bo,bg为偏置向量。
在当前时刻数据输入后,前一个单元状态ct-1会进行更新产生当前内部状态ct。内部状态ct更新可以通过以下公式表示:
ct=ftct-1+itgt (5)
最后输出yt可以表示为:
yt=ht=ot×tanh(ct) (6)
模型参数设置
本实施例中采用LSTM单元的层数为两层,神经元数量设为50。LSTM单元的输出送入到一层全连接层中。LSTM单元的激活函数使用Relu函数,全连接层采用Linear激活函数。同时为了避免过度拟合,在LSTM单元的全连接层中引入dropout理论,参数设为0.2。
训练参数选择均方根误差(Mean SquareError,MSE)作为损失函数,优化器选择Adam,batch size设为32,Epoch设为25,其余参数设置为默认值。
仿真实验
实验结果如图4a所示,当迭代次数超过25次时,均方根误差曲线趋于平缓,满足模型精度要求,可用于潮流流速预测。随机选取前n天潮流速度,使用提出的LSTM单元的神经网络实际预测结果,如图4b所示。可以看出,同时,LSTM单元解决了递归神经网络在训练过程中的梯度消失和梯度爆炸问题,能够充分利用潮流速度的历史信息、建模信号的时间依赖关系。与SVM采用径向基函数(radical basis function,RBF)作为核函数,将多维变量的回归问题映射至高维空间进行处理不同的是,LSTM单元的神经网络则是直接对时间序列进行动态建模,探寻待预测潮流流速与输入变量历史值之间的非线性关系,一方面,输入参数的减少简化了网络模型的结构,提高了模型的运行速度;另一方面,消除冗余参数并进行降噪,提升了模型的预测精度。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,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、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种通用型海洋物联网架构,其特征在于:包括一个或多个独立的边缘云终端、远距离通信网络、云端服务器以及远程用户终端;
所述边缘云终端包括载体平台、海洋可再生能源供电单元、海洋网络传输单元、数据采集单元、数据存储及处理单元;
所述海洋可再生能源供电单元包括潮流能发电装置、波浪能发电装置、太阳能板、多能互补电能变换器和蓄电池;所述潮流能发电装置、波浪能发电装置以及太阳能板所组成的多能互补发电装置经过多能互补电能变换器,将海洋可再生能源转换成可电池存储的电能,电池输出端与边缘云终端的电源输入端连接,直接为其提供稳定电能;
所述海洋网络传输单元由天线、5G、北斗终端、海事卫星终端混合构成,满足海上不同场景需求的通信需求;
所述数据采集单元包括多个传感器;
所述数据存储及处理单元包括大算力边缘计算处理器以及大容量存储硬盘,其算力大小根据实际需求进行布置;
所述边缘云终端将处理后的数据通过远距离通信网络传回云端服务器,云端根据收到的数据进行二次运算,将运算结果或者指令回传边缘云终端,指导边缘云终端执行下一步操作。
2.根据权利要求1所述的一种通用型海洋物联网架构,其特征在于:所述载体平台为漂浮式浮子、浮球或者锚泊式浮子或者船、艇、无人船艇。
3.根据权利要求1所述的一种通用型海洋物联网架构,其特征在于:所述潮流能发电装置包括叶片以及发电机;所述波浪能发电装置包括俘能动子以及直线电机。
4.根据权利要求1所述的一种通用型海洋物联网架构,其特征在于:所述传感器包括声传感器、物理化学传感器、气象传感器和电信号传感器。
5.根据权利要求1所述的一种通用型海洋物联网架构,其特征在于:所述大算力边缘计算处理器实时进行复杂计算,所述复杂计算包括数据清理、滤波,数据对齐、数据融合、数据压缩、特征提取。
6.根据权利要求1所述的一种通用型海洋物联网架构,其特征在于:多个边缘云终端将采集处理后的分布式数据回传到中继节点,中继节点经过数据融合以及二次计算将结果回传云端服务器,云端服务器对数据进行挖掘处理,将结果或者指令直接回传每一个边缘云终端或者中继节点。
7.根据权利要求6所述的一种通用型海洋物联网架构,其特征在于:每个中继节点包括海洋可再生能源供电单元、海洋网络传输单元和数据存储及处理单元。
8.基于权利要求1-7之一所述的通用型海洋物联网架构的潮流流速预测方法,其特征在于:
应用LSTM单元,进行实时在线潮流流速预测:
在LSTM单元中,at为短期状态,ct为长期状态;it表示输入门,gt表示一个候选值,ot表示输出门,ft表示遗忘门;LSTM单元的运算过程由以下公式表示:
it=σ(wi,xxt+wi,hht-1+bi) (1)
ft=σ(wf,xxt+wf,hht-1+bf) (2)
ot=σ(wo,xxt+wo,hht-1+bo) (3)
gt=tanh(wg,xxt+wg,hht-1+bg) (4)
式中:wi,x,wi,h,wf,x,wf,h,wo,x,wo,h,wg,x,wg,h为权值矩阵;xt为t时刻的输入;ht-1为上一时刻的输出;σ为sigmoid激活函数;tanh()为tanh激活函数;bi,bf,bo,bg为偏置向量;
在当前时刻数据输入后,前一个单元状态ct-1会进行更新产生当前内部状态ct;内部状态ct更新通过以下公式表示:
ct=ftct-1+itgt (5)
最后输出yt表示为:
yt=ht=ot×tanh(ct) (6)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211448234.3A CN115834626A (zh) | 2022-11-18 | 2022-11-18 | 一种通用型海洋物联网架构及潮流流速预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211448234.3A CN115834626A (zh) | 2022-11-18 | 2022-11-18 | 一种通用型海洋物联网架构及潮流流速预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115834626A true CN115834626A (zh) | 2023-03-21 |
Family
ID=85529201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211448234.3A Pending CN115834626A (zh) | 2022-11-18 | 2022-11-18 | 一种通用型海洋物联网架构及潮流流速预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115834626A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116405895A (zh) * | 2023-06-08 | 2023-07-07 | 深圳市壹通道科技有限公司 | 一种基于5g消息物联网的智能调控系统 |
-
2022
- 2022-11-18 CN CN202211448234.3A patent/CN115834626A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116405895A (zh) * | 2023-06-08 | 2023-07-07 | 深圳市壹通道科技有限公司 | 一种基于5g消息物联网的智能调控系统 |
CN116405895B (zh) * | 2023-06-08 | 2023-08-22 | 深圳市壹通道科技有限公司 | 一种基于5g消息物联网的智能调控系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fan et al. | A novel model to predict significant wave height based on long short-term memory network | |
JP2017135964A (ja) | 太陽光発電システムの動作 | |
CN115834626A (zh) | 一种通用型海洋物联网架构及潮流流速预测方法 | |
CN116599602B (zh) | 一种海洋监测用低能耗长距离声纳通讯系统 | |
CN115392340A (zh) | 一种多能源电力推进船舶的电力负荷预测系统与预测方法 | |
CN111538349B (zh) | 面向多任务的长航程auv自主决策方法 | |
Shadmani et al. | A review of machine learning and deep learning applications in wave energy forecasting and WEC optimization | |
Wu et al. | A modular tide level prediction method based on a NARX neural network | |
Dhillon et al. | A review on precision agriculture using wireless sensor networks incorporating energy forecast techniques | |
Ruan et al. | Accurately forecasting solar radiation distribution at both spatial and temporal dimensions simultaneously with fully-convolutional deep neural network model | |
Upreti et al. | Wave height forecasting over ocean of things based on machine learning techniques: an application for ocean renewable energy generation | |
Goh et al. | Hybrid SDS and WPT-IBBO-DNM based model for ultra-short term photovoltaic prediction | |
CN117371761A (zh) | 一种智慧海洋物联网任务调度方法、装置、设备及介质 | |
CN105844350A (zh) | 一种基于协方差优选组合模型的短期风功率预测系统 | |
Silva et al. | Air pressure forecasting for the Mutriku oscillating-water-column wave power plant: Review and case study | |
Islam et al. | Location agnostic adaptive rain precipitation prediction using deep learning | |
CN114979027B (zh) | 基于能量采集的海上边缘计算网络任务卸载与资源分配方法 | |
Cestaro et al. | TENG estimation model of voltage production for buoys using particle swarm optimization | |
CN115061482A (zh) | 一种波浪滑翔器全局路径规划方法及系统 | |
Shahabi et al. | Significant wave height forecasting using GMDH model | |
Kriebel et al. | Coastal upwelling prediction with a mixture of neural networks | |
Zhang et al. | A combined prediction method for short-term wind speed using variational mode decomposition based on parameter optimization | |
Hamberg | Photovoltaic system performance forecasting using lstm neural networks | |
Zhang et al. | A Combination Forecasting Model Based on AdaBoost_GRNN in Depth-Averaged Currents Using Underwater Gliders | |
Tan et al. | OSP-FEAN: Optimizing Significant Wave Height Prediction with Feature Engineering and Attention Network |
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 |