CN116484495A - 一种基于试验设计的气动数据融合建模方法 - Google Patents
一种基于试验设计的气动数据融合建模方法 Download PDFInfo
- Publication number
- CN116484495A CN116484495A CN202310274799.2A CN202310274799A CN116484495A CN 116484495 A CN116484495 A CN 116484495A CN 202310274799 A CN202310274799 A CN 202310274799A CN 116484495 A CN116484495 A CN 116484495A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- test
- wind tunnel
- optimal
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 129
- 238000013461 design Methods 0.000 title claims abstract description 45
- 230000004927 fusion Effects 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000004088 simulation Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000003062 neural network model Methods 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims description 33
- 210000002569 neuron Anatomy 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims 1
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
Abstract
本发明公开了一种基于试验设计的气动数据融合建模方法,包括以下步骤;步骤一:确定气动模型的形式与参数;步骤二:使用数值模拟数据训练神经网络模型;步骤三:最优试验设计方法选择风洞试验点;步骤四:使用风洞试验数据再训练神经网络模型,优化部分模型参数,提高模型整体精度。本发明能够有效降低气动融合建模对风洞数据的需求量,提高建模效率,节约风洞试验成本。
Description
技术领域
本发明涉及试验设计与数据融合技术领域,具体涉及一种基于试验设计的气动数据融合建模方法。
背景技术
在飞行器设计中,需要针对设计外形开展数值模拟和风洞试验以分析其气动特性优劣。数值模拟和风洞试验各有优缺点,其中数值模拟可以较低成本获得任意飞行工况下的气动特性,但数值模拟结果精度较低;风洞试验可获得较高精度的数据,但是风洞试验获取成本较高。如何结合数值模拟和风洞试验的优点,以较低的成本建立较高精度的气动模型已成为学术界和工业界共同关注的热点问题。
气动数据融合建模技术通过融合多种来源的不同精度数据,共同建立一个精度较高的气动融合模型。其中高精度风洞试验数据点分布影响着融合模型的精度和融合建模成本。现阶段常用一次一因子法设置风洞试验点,这导致融合建模效率并不高。试验设计技术是一类选择对建模精度影响最大的数据点的方法,使用试验设计选择的少量数据点所建立模型的精度可达到使用原始大量数据点所建立模型精度的相同水平。如何将试验设计方法和气动数据融合建模方法结合起来,针对融合模型设计风洞试验点分布,减少融合建模对风洞试验数据的需求,已成为气动建模领域的一个关键方向。
专利CN110188378B公开了一种基于神经网络的气动数据融合方法,专利CN115619035A公开了一种基于多精度深度神经网络的气动数据融合方法及设备,但上述两个专利均是直接使用全部多精度数据训练数据融合模型,未涉及使用试验设计手段减少融合模型所需要的高精度数据数量及设计高精度数据点分布。目前尚无公开发明专利中提出在数据融合建模过程中使用试验设计方法提高建模效率。
发明内容
为了克服以上技术问题,本发明的目的在于提供一种基于试验设计的气动数据融合建模方法,首先选择神经网络作为气动数学模型;然后使用大量数值模拟数据训练初始模型,该模型虽然精度较低,但整体变化趋势与风洞数据保持一致;而后使用试验设计方法根据当前模型选择少量高精度风洞试验数据点;最后使用风洞试验数据优化部分模型参数,提高模型整体精度。能够有效降低气动融合建模对风洞数据的需求量,提高建模效率,节约风洞试验成本。
为了实现上述目的,本发明采用的技术方案是:
一种基于试验设计的气动数据融合建模方法,包括以下步骤;
步骤一:确定气动模型的形式与参数;
步骤二:使用数值模拟数据训练神经网络模型;
步骤三:最优试验设计方法选择风洞试验点;
步骤四:使用风洞试验数据再训练神经网络模型,优化部分模型参数,提高模型整体精度。
所述步骤一具体为:
(1)根据建模对象特性选择气动模型的形式,非线性较弱的问题选择RBF神经网络模型,非线性较强的问题选择多层全连接神经网络模型;
(2)神经网络输入层神经元个数n_i为飞行器飞行工况参数数目,输出层神经元个数n_o为试验测的飞行器气动性能参数数目,中间层神经元个数可根据2n_i+n_o确定。
所述步骤二具体为:
(1)根据飞行器设计要求确定飞行工况参数及其变化范围;
(2)随机在飞行工况参数变化区间内选择大量工况点,然后使用数值模拟获取飞行器这些工况点下的升阻力系数,将每个工况点下的飞行工况参数与升阻力系数组合为一条数据,将所有数值模拟数据集合为低精度数据集;
(3)按照一定比例将低精度数据集分为训练集和测试集;使用训练集中的样本点数据通过最小化损失函数训练神经网络模型,直至损失函数收敛则完成训练,损失函数选择或/>其中n为数据点数、yi为第i个数据点处数值模拟获得的升阻力系数值、/>为第i个数据点处神经网络预测的升阻力系数值;
(4)将测试集中数据点的飞行工况参数值输入到训练完成的神经网络模型,神经网络预测出对应飞行工况下的升阻力系数,将神经网络预测值与数值模拟结果对比计算出MAE或MSE作为神经网络的预测精度。
所述步骤三具体为:
(1)确定融合建模所需要的风洞试验点数n,风洞试验点数应大于用于构造结构矩阵的神经元个数;
(2)从所有待选择的风洞试验工况点中随机抽取n个试验点作为一组待选试验点,连续随机抽取多组待选试验点;
(3)将一组待选风洞试验点的飞行工况参数值输入到步骤二训练好的神经网络中,得到中间层神经元层的输出Amn,下标m代表神经元数目,下标n代表待选择的风洞试验点数;使用中间层神经元层的输出Amn构造结构矩阵,表示为:计算得到当前一组待选试验点的信息矩阵M=GTG;
(4)使用同样方法计算每一组待选试验点的信息矩阵;
(5)使用D-最优、A-最优、E-最优、G-最优等中的一个最优准则选择风洞试验点,其中D-最优设计为取试验点使信息矩阵M的行列式值达到极大、A-最优设计为取试验点使tr(M-1)达到极大、E-最优设计为取试验点使M-1的最大特征根达到极小、G-最优设计为取试验点使响应预测值的最大方差达到极小;
具体方法为:算出每一组待选试验点的信息矩阵的最优准则值,比较所有信息矩阵最优准则值的大小,根据最优准则选择最优的一组风洞试验点;
(6)通过风洞试验获取最优设计选择的风洞试验点飞行工况下的升阻力系数,将每个工况点下的飞行工况参数与升阻力系数组合为一条数据,将所有风洞试验数据作为高精度数据。
所述步骤四具体为:
(1)复制步骤二中训练完成的神经网络模型及权重参数;
(2)使用高精度风洞试验数据再训练该神经网络,再训练时只改变最后一层神经元的权重值和偏置值,其余层神经元参数保持不变,神经网络训练方式与步骤二中相同;
(3)再训练完成的神经网络模型既为气动数据融合模型,能够作为预测模型获得其他飞行工况下的升阻力系数。
本发明的有益效果:
本发明提出在气动数据融合建模过程中使用最优试验设计选择建模所使用的数据点,以减少融合建模中对风洞试验数据量的需求,降低建模成本。首先使用大量数值模拟数据训练神经网络,然后使用最优试验设计方法选择对提高当前模型精度最有效的风洞试验点,最后使用试验设计选择的风洞试验数据优化神经网络模型,提高模型整体预测精度。与传统气动数据融合方法相比使用本发明建立同等精度的气动融合模型需要使用的风洞试验数据量可减少50%,可节约大量风洞试验成本。
附图说明:
图1为本发明的基于试验设计的数据融合建模方法流程示意图。
图2为使用不同手段获得的高低精度数据。
图3为最优试验设计选择的高精度样本点。
图4为融合建模结果。
具体实施方式
下面结合实施例对本发明作进一步详细说明。
如图1所示:本实施例所述的一种基于试验设计的气动数据融合建模方法,使用高低精度数据共同训练一个神经网络进行数据融合建模,在使用低精度数据训练完成神经网络之后,使用最优试验设计方法选择对提高模型精度最有效的高精度数据点,最后使用这些高精度数据再训练神经网络,完成数据融合建模;本案例针对某个2输入1输出问题进行融合建模,其中风洞试验和数值模拟获得的高低精度数据如图2所示,具体包括以下步骤:
步骤一:确定气动模型的形式与参数;
(1)根据建模对象特性选择多层全连接神经网络模型;
(2)神经网络输入层神经元个数2为飞行器飞行工况参数数目(攻角和马赫数),输出层神经元个数1为试验测的飞行器气动性能参数数目(升力系数),中间层神经元个数为8,最后一层使用线性激活函数,其余层使用tanh激活函数。
步骤二:使用数值模拟数据训练神经网络;
(1)根据飞行器设计要求确定飞行工况参数及其变化范围;
(2)随机在飞行工况参数变化区间内选择1000个工况点,然后使用数值模拟获取飞行器这些工况点下的升阻力系数,将每个工况点下的飞行工况参数与升阻力系数组合为一条数据,将所有数值模拟数据集合为低精度数据集;
(3)将数值模拟数据集分为训练集和测试集,分别包含800个和200个数据;使用训练集中的样本点数据通过最小化损失函数训练神经网络模型,直至损失函数收敛则完成训练,损失函数可选择或/>其中n为数据点数、yi为第i个数据点处数值模拟获得的升阻力系数值、/>为第i个数据点处神经网络预测的升阻力系数值;
(4)将测试集中数据点的飞行工况参数值输入到训练完成的神经网络模型,神经网络预测出对应飞行工况下的升阻力系数,将神经网络预测值与数值模拟结果对比计算出MAE或MSE作为神经网络的预测精度。
步骤三、最优试验设计方法选择风洞试验点;
(1)确定融合建模所需要的风洞试验点数n为9;
(2)从所有待选择的风洞试验工况点中随机抽取9个试验点作为一组待选试验点,连续随机抽取多组待选试验点。
(3)将一组待选风洞试验点的飞行工况参数值输入到步骤二训练好的神经网络中,得到中间层神经元层的输出Amn,下标m代表神经元数目,下标n代表待选择的风洞试验点数。使用中间层神经元层的输出Amn构造结构矩阵,可表示为:计算得到当前一组待选试验点的信息矩阵M=GTG;
(4)使用同样方法计算每一组待选试验点的信息矩阵;
(5)使用D-最优、A-最优、E-最优、G-最优等中的一个最优准则选择风洞试验点,其中D-最优设计为取试验点使信息矩阵M的行列式值达到极大、A-最优设计为取试验点使tr(M-1)达到极大、E-最优设计为取试验点使M-1的最大特征根达到极小、G-最优设计为取试验点使响应预测值的最大方差达到极小。具体方法为:算出每一组待选试验点的信息矩阵的最优准则值,比较所有信息矩阵最优准则值的大小,根据最优准则选择最优的一组风洞试验点,如图3所示;
(3)通过风洞试验获取最优设计选择的风洞试验点飞行工况下的升阻力系数,将每个工况点下的飞行工况参数与升阻力系数组合为一条数据,将所有风洞试验数据作为高精度数据;
步骤四、使用风洞试验数据再训练神经网络。
(1)复制步骤二中训练完成的神经网络模型及权重参数;
(2)使用高精度风洞试验数据再训练该神经网络,再训练时只改变最后一层神经元的权重值和偏置值,其余层神经元参数保持不变,神经网络训练方式与步骤二中相同;
(3)再训练完成的神经网络模型既为气动数据融合模型,可作为预测模型获得其他飞行工况下的升阻力系数。融合模型预测结果与风洞试验数据之间误差小于5%,如图4所示,满足工程应用需求。
以上实施例仅用以说明本发明的技术方案,而非对其限制;本发明也可用于电力、交通、化工、农业等领域;任何针对本技术方案应用领域进行修改,或者对其中部分技术特征进行等同替换,并不会使相应技术方案的本质脱离本发明实施技术方案的精神和范围。
Claims (6)
1.一种基于试验设计的气动数据融合建模方法,其特征在于,包括以下步骤;
步骤一:确定气动模型的形式与参数;
步骤二:使用数值模拟数据训练神经网络模型;
步骤三:最优试验设计方法选择风洞试验点;
步骤四:使用风洞试验数据再训练神经网络模型,优化部分模型参数,提高模型整体精度。
2.根据权利要求1所述的一种基于试验设计的气动数据融合建模方法,其特征在于,所述步骤一具体为:
(1)根据建模对象特性选择气动模型的形式,非线性较弱的问题选择RBF神经网络模型,非线性较强的问题选择多层全连接神经网络模型;
(2)神经网络输入层神经元个数n_i为飞行器飞行工况参数数目,输出层神经元个数n_o为试验测的飞行器气动性能参数数目,中间层神经元个数可根据2n_i+n_o确定。
3.根据权利要求1所述的一种基于试验设计的气动数据融合建模方法,其特征在于,所述步骤二具体为:
(1)根据飞行器设计要求确定飞行工况参数及其变化范围;
(2)随机在飞行工况参数变化区间内选择大量工况点,然后使用数值模拟获取飞行器这些工况点下的升阻力系数,将每个工况点下的飞行工况参数与升阻力系数组合为一条数据,将所有数值模拟数据集合为低精度数据集;
(3)按照一定比例将低精度数据集分为训练集和测试集;使用训练集中的样本点数据通过最小化损失函数训练神经网络模型,直至损失函数收敛则完成训练,损失函数选择或/>其中n为数据点数、yi为第i个数据点处数值模拟获得的升阻力系数值、/>为第i个数据点处神经网络预测的升阻力系数值;
(4)将测试集中数据点的飞行工况参数值输入到训练完成的神经网络模型,神经网络预测出对应飞行工况下的升阻力系数,将神经网络预测值与数值模拟结果对比计算出MAE或MSE作为神经网络的预测精度。
4.根据权利要求1所述的一种基于试验设计的气动数据融合建模方法,其特征在于,所述步骤三具体为:
(1)确定融合建模所需要的风洞试验点数n,风洞试验点数应大于用于构造结构矩阵的神经元个数;
(2)从所有待选择的风洞试验工况点中随机抽取n个试验点作为一组待选试验点,连续随机抽取多组待选试验点;
(3)将一组待选风洞试验点的飞行工况参数值输入到步骤二训练好的神经网络中,得到中间层神经元层的输出Amn,下标m代表神经元数目,下标n代表待选择的风洞试验点数;使用中间层神经元层的输出Amn构造结构矩阵,表示为:计算得到当前一组待选试验点的信息矩阵M=GTG;
(4)使用同样方法计算每一组待选试验点的信息矩阵;
(5)使用D-最优、A-最优、E-最优、G-最优等中的一个最优准则选择风洞试验点,其中D-最优设计为取试验点使信息矩阵M的行列式值达到极大、A-最优设计为取试验点使tr(M-1)达到极大、E-最优设计为取试验点使M-1的最大特征根达到极小、G-最优设计为取试验点使响应预测值的最大方差达到极小;
具体方法为:算出每一组待选试验点的信息矩阵的最优准则值,比较所有信息矩阵最优准则值的大小,根据最优准则选择最优的一组风洞试验点;
(6)通过风洞试验获取最优设计选择的风洞试验点飞行工况下的升阻力系数,将每个工况点下的飞行工况参数与升阻力系数组合为一条数据,将所有风洞试验数据作为高精度数据。
5.根据权利要求1所述的一种基于试验设计的气动数据融合建模方法,其特征在于,所述步骤四具体为:
(1)复制步骤二中训练完成的神经网络模型及权重参数;
(2)使用高精度风洞试验数据再训练该神经网络,再训练时只改变最后一层神经元的权重值和偏置值,其余层神经元参数保持不变,神经网络训练方式与步骤二中相同;
(3)再训练完成的神经网络模型既为气动数据融合模型,能够作为预测模型获得其他飞行工况下的升阻力系数。
6.基于权利要求1-5任一项所述的一种基于试验设计的气动数据融合建模方法,其特征在于,所述方法用于电力、交通、化工、农业领域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310274799.2A CN116484495A (zh) | 2023-03-21 | 2023-03-21 | 一种基于试验设计的气动数据融合建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310274799.2A CN116484495A (zh) | 2023-03-21 | 2023-03-21 | 一种基于试验设计的气动数据融合建模方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116484495A true CN116484495A (zh) | 2023-07-25 |
Family
ID=87212835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310274799.2A Pending CN116484495A (zh) | 2023-03-21 | 2023-03-21 | 一种基于试验设计的气动数据融合建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116484495A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116702096A (zh) * | 2023-08-04 | 2023-09-05 | 中汽研汽车检验中心(昆明)有限公司 | 车辆高原环境道路滑行阻力测算方法及装置 |
CN117216491A (zh) * | 2023-11-09 | 2023-12-12 | 中国航空工业集团公司哈尔滨空气动力研究所 | 一种基于神经网络的低速风洞支架干扰量预测方法及设备 |
-
2023
- 2023-03-21 CN CN202310274799.2A patent/CN116484495A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116702096A (zh) * | 2023-08-04 | 2023-09-05 | 中汽研汽车检验中心(昆明)有限公司 | 车辆高原环境道路滑行阻力测算方法及装置 |
CN116702096B (zh) * | 2023-08-04 | 2023-10-03 | 中汽研汽车检验中心(昆明)有限公司 | 车辆高原环境道路滑行阻力测算方法及装置 |
CN117216491A (zh) * | 2023-11-09 | 2023-12-12 | 中国航空工业集团公司哈尔滨空气动力研究所 | 一种基于神经网络的低速风洞支架干扰量预测方法及设备 |
CN117216491B (zh) * | 2023-11-09 | 2024-02-09 | 中国航空工业集团公司哈尔滨空气动力研究所 | 一种基于神经网络的低速风洞支架干扰量预测方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116484495A (zh) | 一种基于试验设计的气动数据融合建模方法 | |
CN110222828B (zh) | 一种基于混合深度神经网络的非定常流场预测方法 | |
CN111478314B (zh) | 一种电力系统暂态稳定评估方法 | |
CN104732300B (zh) | 一种基于模糊分区理论的神经网络风功率短期预测方法 | |
CN110502777A (zh) | 基于神经网络预测的igbt模块状态检测系统及方法 | |
CN104933483A (zh) | 一种基于天气过程划分的风电功率预测方法 | |
CN103336867B (zh) | 质子交换膜燃料电池模型优化处理方法 | |
CN112084727A (zh) | 一种基于神经网络的转捩预测方法 | |
CN110929451A (zh) | 一种燃料电池单体电压一致性预测方法 | |
CN112287605B (zh) | 一种基于图卷积网络加速的潮流校核方法 | |
CN110880044B (zh) | 一种基于马尔科夫链的负荷预测方法 | |
CN111091141B (zh) | 一种基于分层Softmax的光伏背板故障诊断方法 | |
CN115469184A (zh) | 基于卷积网络的新能源输电线路故障识别方法 | |
CN113791351B (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
CN111553400A (zh) | 一种风力发电机组振动故障的精准诊断方法 | |
CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
CN111244937B (zh) | 一种电力系统暂态电压稳定性严重故障筛选方法 | |
CN116305574A (zh) | 一种基于神经网络模型的试验设计方法 | |
CN108460177A (zh) | 一种大规模多状态串并联系统的可靠性近似计算方法 | |
CN116628854A (zh) | 一种翼型气动特性预测方法、系统、电子设备及存储介质 | |
CN116452041A (zh) | 一种基于交叉熵重要抽样的配电网可靠性评估方法 | |
CN114137829B (zh) | 基于almbo优化算法的质子交换膜燃料电池子空间辨识方法 | |
CN113722951B (zh) | 基于神经网络的散射体三维有限元网格优化方法 | |
CN111177973B (zh) | 一种基于强化学习的光伏阵列在线建模方法 | |
Yu-zhao et al. | Price forecasting algorithm for coal and electricity based on PSO and RBF neural 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 |