CN116663277B - 基于煮水壶的使用周期延长方法及装置 - Google Patents
基于煮水壶的使用周期延长方法及装置 Download PDFInfo
- Publication number
- CN116663277B CN116663277B CN202310582696.2A CN202310582696A CN116663277B CN 116663277 B CN116663277 B CN 116663277B CN 202310582696 A CN202310582696 A CN 202310582696A CN 116663277 B CN116663277 B CN 116663277B
- Authority
- CN
- China
- Prior art keywords
- function
- water boiling
- data
- parameter
- boiling kettle
- 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.)
- Active
Links
- 238000009835 boiling Methods 0.000 title claims abstract description 129
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 125
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims abstract description 95
- 238000012417 linear regression Methods 0.000 claims abstract description 74
- 238000005457 optimization Methods 0.000 claims abstract description 61
- 238000006243 chemical reaction Methods 0.000 claims abstract description 22
- 230000009466 transformation Effects 0.000 claims abstract description 18
- 230000000737 periodic effect Effects 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 11
- 101150036841 minJ gene Proteins 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 4
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 claims description 3
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 claims description 3
- 210000000299 nuclear matrix Anatomy 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 167
- 239000002184 metal Substances 0.000 description 6
- 239000000463 material Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000008399 tap water Substances 0.000 description 1
- 235000020679 tap water Nutrition 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- 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
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Cookers (AREA)
Abstract
本发明涉及人工智能技术领域，揭露了一种基于煮水壶的使用周期延长方法和装置，该方法包括：获取煮水壶的设备数据，对设备数据进行特征提取，得到设备数据的数据特征；根据数据特征确定煮水壶的寿命全周期，根据数据特征和寿命全周期生成煮水壶的特征参数；利用特征参数生成预设的线性回归函数的优化函数；对优化函数进行拉格朗日转化，得到优化函数的拉格朗日函数；对拉格朗日函数进行矩阵转化，得到拉格朗日函数的矩阵方程，根据矩阵方程生成煮水壶的周期预测模型；根据周期预测模型生成煮水壶的最优周期参数，利用最优周期参数对电水壶进行使用周期延长。本发明可以提高基于煮水壶的使用周期延长的效率。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于煮水壶的使用周期延长方法及装置。
背景技术
随着人们生活节奏的加快，人们的饮水方式逐渐趋于简单化。除了写字楼及个别家庭在使用饮水机满足日常饮水外，绝大多数的家庭仍然是饮用烧开的自来水。目前，煮水壶因其省时、节能、美观、便捷、安全的特点，深受人们的青睐，被广泛使用在日常生活和工作中。
煮水壶的使用寿命决定了煮水壶的市场，只有使用寿命长的煮水壶更具有优势，而且煮水壶的安全性也是根据煮水壶的寿命长短确定的，煮水壶越接近使用寿命，出现安全问题的几率就越大，但是现如今的煮水壶的使用周期的延长是根据经验主义确定的，效率较低，因此如何提升基于煮水壶的使用周期延长的效率，成为了亟待解决的问题。
发明内容
本发明提供一种基于煮水壶的使用周期延长方法及装置，其主要目的在于解决基于煮水壶的使用周期延长时效率较低的问题。
为实现上述目的，本发明提供的一种基于煮水壶的使用周期延长方法，包括：
获取煮水壶的设备数据，对所述设备数据进行特征提取，得到所述设备数据的数据特征；
根据所述数据特征确定所述煮水壶的寿命全周期，根据所述数据特征和所述寿命全周期生成所述煮水壶的特征参数；
利用所述特征参数生成预设的线性回归函数的优化函数，其中，所述优化函数为：
其中，minJ(w,e)是目标函数的最小值，J(w,e)是目标函数，wT是所述预设的线性回归函数的系数矩阵的转置，w是所述预设的线性回归函数的系数矩阵，γ是正则化参数，T是系数矩阵的转置标识，ek是第k个特征参数所对应的估计值与真实值之间的误差，s.t.(*)是限制函数，xk是第k个特征参数，yk是第k个特征参数对应的函数值，N是所述特征参数的总数，是关于所述特征参数的多项式函数，k是所述特征参数的标识，b是所述预设的线性回归函数的截距；
对所述优化函数进行拉格朗日转化，得到所述优化函数的拉格朗日函数；
对所述拉格朗日函数进行矩阵转化，得到所述拉格朗日函数的矩阵方程，根据所述矩阵方程生成所述煮水壶的周期预测模型；
根据所述周期预测模型生成所述煮水壶的最优周期参数，利用所述最优周期参数对所述电水壶进行使用周期延长。
可选地，所述对所述设备数据进行特征提取，得到所述设备数据的数据特征，包括：
对所述设备数据进行数据清洗，得到所述设备数据的标准数据；
对所述标准数据进行向量化转化，得到所述标准数据的数据向量；
对所述数据向量进行向量降维，得到所述数据向量的降维向量，确定所述降维向量为所述设备数据的数据特征。
可选地，所述根据所述数据特征确定所述煮水壶的寿命全周期，包括：
按照预设的一级标签对所述数据特征进行一级分类，得到所述数据特征的一级特征；
按照预设的二级标签对所述一级特征进行二级分类，得到所述一级特征的二级特征；
对所述二级特征进行曲线拟合，得到所述煮水壶的寿命全周期。
可选地，所述根据所述数据特征和所述寿命全周期生成所述煮水壶的特征参数，包括：
根据所述数据特征和所述寿命全周期生成所述煮水壶的周期特征；
对所述周期特征进行特征筛选，得到所述周期特征的目标特征，根据所述目标特征确定所述煮水壶的特征参数。
可选地，所述利用所述特征参数生成预设的线性回归函数的优化函数，包括：
利用所述特征参数生成预设的线性回归函数的优化函数，其中，所述预设的线性回归函数为：
其中，yk是第k个特征参数根据所述预设的线性回归函数对应的函数值，wT是所述预设的线性回归函数的系数矩阵的转置，是，b是所述预设的线性回归函数的截距，T是系数矩阵的转置标识，xk是第k个特征参数，k是所述特征参数的标识。
可选地，所述对所述优化函数进行拉格朗日转化，得到所述优化函数的拉格朗日函数，包括：
对所述优化函数进行拉格朗日乘子化处理，得到所述优化函数的拉格朗日函数，其中，所述拉格朗日函数为：
其中，L(w,b,ek,αk)是所述拉格朗日函数，J(w,e)是目标函数，wT是所述预设的线性回归函数的系数矩阵的转置，T是系数矩阵的转置标识，αk是第k个拉格朗日参数，是关于所述特征参数的多项式函数，b是所述预设的线性回归函数的截距，ek是第k个特征参数所对应的估计值与真实值之间的误差，yk是第k个特征参数根据所述预设的线性回归函数对应的函数值，k是所述特征参数的标识，N是所述特征参数的总数，xk是第k个特征参数。
可选地，所述对所述拉格朗日函数进行矩阵转化，得到所述拉格朗日函数的矩阵方程，包括：
确定所述拉格朗日函数的偏导参数，利用所述偏导参数对所述拉格朗日函数求偏导，得到所述拉格朗日函数的偏导方程，其中，所述偏导方程为：
其中，w是所述预设的线性回归函数的系数矩阵，N是所述特征参数的总数，k是所述特征参数的标识，αk是第k个拉格朗日参数，是关于所述特征参数的多项式函数，xk是第k个特征参数，C是常数，ek是第k个特征参数所对应的估计值与真实值之间的误差，l是所述拉格朗日参数的总数，wT是是所述预设的线性回归函数的系数矩阵的转置，T是系数矩阵的转置标识，b是所述预设的线性回归函数的截距，yk是第k个特征参数根据所述预设的线性回归函数对应的函数值；
对所述偏导方程进行矩阵变换，得到所述偏导方程的矩阵方程。
可选地，所述根据所述矩阵方程生成所述煮水壶的周期预测模型，包括：
根据所述矩阵方程和预设的线性核矩阵生成所述煮水壶的周期预测函数，其中，所述周期预测函数为：
其中，y(x)是关于所述特征参数的周期预测函数，k是所述特征参数的标识,i是所述特征参数的参数标识，N是所述特征参数的总数，xi是第i个所述特征参数，xk是第k个所述特征参数，K(x,xk)是预设的线性核矩阵，b是所述预设的线性回归函数的截距；
利用所述周期预测函数构建所述煮水壶的周期预测模型。
可选地，所述根据所述周期预测模型生成所述煮水壶的最优周期参数，包括：
根据所述周期预测模型对所述煮水壶进行周期对比，得到所述煮水壶的最长使用周期；
根据所述最长使用周期生成所述煮水壶的最优周期参数。
为了解决上述问题，本发明还提供一种基于煮水壶的使用周期延长装置，所述装置包括：
特征提取模块，用于获取煮水壶的设备数据，对所述设备数据进行特征提取，得到所述设备数据的数据特征；
特征参数模块，用于根据所述数据特征确定所述煮水壶的寿命全周期，根据所述数据特征和所述寿命全周期生成所述煮水壶的特征参数；
优化函数模块，用于利用所述特征参数生成预设的线性回归函数的优化函数，其中，所述优化函数为：
其中，minJ(w,e)是目标函数的最小值，J(w,e)是目标函数，wT是所述预设的线性回归函数的系数矩阵的转置，w是所述预设的线性回归函数的系数矩阵，γ是正则化参数，T是系数矩阵的转置标识，ek是第k个特征参数所对应的估计值与真实值之间的误差，s.t.(*)是限制函数，xk是第k个特征参数，yk是第k个特征参数对应的函数值，N是所述特征参数的总数，是关于所述特征参数的多项式函数，k是所述特征参数的标识，b是所述预设的线性回归函数的截距；
拉格朗日转化模块，用于对所述优化函数进行拉格朗日转化，得到所述优化函数的拉格朗日函数；
矩阵转化模块，用于对所述拉格朗日函数进行矩阵转化，得到所述拉格朗日函数的矩阵方程，根据所述矩阵方程生成所述煮水壶的周期预测模型；
周期延长模块，用于根据所述周期预测模型生成所述煮水壶的最优周期参数，利用所述最优周期参数对所述电水壶进行使用周期延长。
本发明实施例通过对获取的煮水壶的设备数据进行特征提取，得到所述设备数据的数据特征，并根据所述数据特征确定所述煮水壶的寿命全周期和特征参数，确定了所述煮水壶的寿命影响因素，利用所述特征参数生成预设的线性回归函数的优化函数，其中，所述优化函数将传统向量机中的不等式约束变为了等式约束，并且扩展为把解二次规划问题转化为解线性方程组的问题，从而降低了计算复杂性，提高了训练效率，加快了求解速度，对所述优化函数进行拉格朗日转化后，再进行矩阵转化，得到矩阵方程，用于构建所述煮水壶的周期预测模型，建立了所述煮水壶的寿命与特征参数的定量关系，根据所述周期预测模型生成所述煮水壶的最优周期参数，利用所述最优周期参数对所述电水壶进行使用周期延长，缩短了最优周期参数的生成时间，因此本发明提出基于煮水壶的使用周期延长方法及装置，可以解决基于煮水壶的使用周期延长效率较低的问题。
附图说明
图1为本发明一实施例提供的基于煮水壶的使用周期延长方法的流程示意图；
图2为本发明一实施例提供的设备数据的特征提取的流程示意图；
图3为本发明一实施例提供的生成煮水壶的寿命全周期的流程示意图；
图4为本发明一实施例提供的基于煮水壶的使用周期延长装置的功能模块图；
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。
本申请实施例提供一种基于煮水壶的使用周期延长方法。所述基于煮水壶的使用周期延长方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于煮水壶的使用周期延长方法可以由安装在终端设备或服务端设备的软件或硬件来执行。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的基于煮水壶的使用周期延长方法的流程示意图。在本实施例中，所述基于煮水壶的使用周期延长方法包括：
S1、获取煮水壶的设备数据，对所述设备数据进行特征提取，得到所述设备数据的数据特征。
在本发明实施例中，所述煮水壶的设备数据包括但不限于：煮水壶的出厂数据、煮水壶的运行数据以及煮水壶的异常数据，其中，所述出厂数据可以是所述煮水壶的结构、形状、容量、材料以及涂层等，所述运行数据可以是工作电压、工作功率、工作电流、运行时间等。
详细地，所述特征提取是指为了从所述设备数据中找出有用的数据，进一步进行数据分析，所述特征提取的方法可以使词袋法、word2veb、词频法、主成分分析法等。
在本发明实施例中，参图2所示，所述对所述设备数据进行特征提取，得到所述设备数据的数据特征，包括：
S21、对所述设备数据进行数据清洗，得到所述设备数据的标准数据；
S22、对所述标准数据进行向量化转化，得到所述标准数据的数据向量；
S23、对所述数据向量进行向量降维，得到所述数据向量的降维向量，确定所述降维向量为所述设备数据的数据特征。
详细地，对所述设备数据进行数据清洗包括：缺失值的处理、一致化处理、异常值处理、重复值处理以及空白值填补，删除所述设备数据中的重复值，只会保留重复数据的第一条数据，所述设备数据会存在某一个数据列的数据至标准不一致或命名规则不一致的情况，可以使用分列功能将不一致的数据列中的数据值进行拆分，当所述设备数据较少，所述缺失值处理可以手动补充，当所述设备数据较多，所述缺失值处理可以用平均值代替缺失值，也可以用统计值代替缺失值。
详细地，所述对所述标准数据进行向量化转化是指指将所述标准数据转换为向量或矩阵的运算，从而提高计算效率和减少代码复杂度，文本向量化的方法有很多，主要可分为以下两个大类：基于统计的方法、基于神经网络的方法，无论是中文还是英文，词语都是表达文本处理的最基本单元。当前阶段，对文本向量化大部分的研究都是通过词向量化实现的。
详细地，所述对所述数据向量进行向量降维是因为所述数据向量包含冗余信息和噪声信息，会在实际应用中引入误差，影响准确率；而降维可以提取数据内部的本质结构，减少冗余信息和噪声信息造成的误差，提高应用中的精度。
详细地，所述数据特征包括温控开关特征、金属部件特征和使用寿命特征等。
S2、根据所述数据特征确定所述煮水壶的寿命全周期，根据所述数据特征和所述寿命全周期生成所述煮水壶的特征参数。
在本发明实施例中，所述寿命全周期是指所述煮水壶的寿命影响因素与使用寿命的变化关系，所述寿命影响因素包括但不限于：温控开关、金属部件和煮水壶内部水垢厚度等。
在本发明实施例中，参图3所示，所述根据所述数据特征确定所述煮水壶的寿命全周期，包括：
S31、按照预设的一级标签对所述数据特征进行一级分类，得到所述数据特征的一级特征；
S32、按照预设的二级标签对所述一级特征进行二级分类，得到所述一级特征的二级特征；
S33、对所述二级特征进行曲线拟合，得到所述煮水壶的寿命全周期。
详细地，所述预设的一级标签是所述煮水壶的寿命影响因素和所述煮水壶的使用寿命；所述预设的二级标签是所述煮水壶的寿命影响因素的进一步细分，可以是温控开关标签、金属部件标签和使用寿命标签等。
在本发明实施例中，所述根据所述数据特征和所述寿命全周期生成所述煮水壶的特征参数，包括：
根据所述数据特征和所述寿命全周期生成所述煮水壶的周期特征；
对所述周期特征进行特征筛选，得到所述周期特征的目标特征，根据所述目标特征确定所述煮水壶的特征参数。
详细地，所述根据所述数据特征和所述寿命全周期生成所述煮水壶的周期特征是指根据所述寿命全周期从所述数据特征中确定所述煮水壶的寿命的影响因素，所述煮水壶的寿命的影响因素就是所述煮水壶的周期特征，再从所述煮水壶的周期特征中筛选出两个最重要的影响因素做为目标特征，所述目标特征可以是温控开关次数和金属部件的材料，亦即，将温控开关次数和金属部件的材料的值做为所述煮水壶的特征参数。
S3、利用所述特征参数生成预设的线性回归函数的优化函数。
在本发明实施例中，根据所述特征参数生成所述优化函数的样本集，利用所述样本集对所述优化函数进行参数调整，得到参数确定的优化函数。
在本发明实施例中，所述利用所述特征参数生成预设的线性回归函数的优化函数，包括：
利用所述特征参数生成预设的线性回归函数的优化函数，其中，所述预设的线性回归函数为：
其中，yk是第k个特征参数根据所述预设的线性回归函数对应的函数值，wT是所述预设的线性回归函数的系数矩阵的转置，是，b是所述预设的线性回归函数的截距，T是系数矩阵的转置标识，xk是第k个特征参数，k是所述特征参数的标识。
详细地，线性回归是利用数理统计中回归分析，来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法，所述预设的线性回归函数规定了所述特征参数与所述煮水壶的使用寿命之间的变量关系。
详细地，所述优化函数为：
其中，minJ(w,e)是目标函数的最小值，J(w,e)是目标函数，wT是所述预设的线性回归函数的系数矩阵的转置，w是所述预设的线性回归函数的系数矩阵，γ是正则化参数，T是系数矩阵的转置标识，ek是第k个特征参数所对应的估计值与真实值之间的误差，s.t.(*)是限制函数，xk是第k个特征参数，yk是第k个特征参数根据所述预设的线性回归函数对应的函数值，N是所述特征参数的总数，是关于所述特征参数的多项式函数，k是所述特征参数的标识，b是所述预设的线性回归函数的截距。
详细地，所述优化函数将传统向量机中的不等式约束变为了等式约束，并且扩展为把解二次规划问题转化为解线性方程组的问题，从而降低了计算复杂性，提高了训练效率，加快了求解速度。
S4、对所述优化函数进行拉格朗日转化，得到所述优化函数的拉格朗日函数。
在本发明实施例中，所述对所述优化函数进行拉格朗日转化，得到所述优化函数的拉格朗日函数，包括：
对所述优化函数进行拉格朗日乘子化处理，得到所述优化函数的拉格朗日函数，其中，所述拉格朗日函数为：
其中，L(w,b,ek,αk)是所述拉格朗日函数，J(w,e)是目标函数，wT是所述预设的线性回归函数的系数矩阵的转置，T是系数矩阵的转置标识，αk是第k个拉格朗日参数，是关于所述特征参数的多项式函数，b是所述预设的线性回归函数的截距，ek是第k个特征参数所对应的估计值与真实值之间的误差，yk是第k个特征参数根据所述预设的线性回归函数对应的函数值，k是所述特征参数的标识，N是所述特征参数的总数，xk是第k个特征参数。
详细地，所述拉格朗日乘子化处理是一种寻找多元函数在一组约束下的极值的方法，通过引入拉格朗日乘子，可将有n个变量与m个约束条件的最优化问题转化为具有n+m个变量的无约束优化问题求解。
S5、对所述拉格朗日函数进行矩阵转化，得到所述拉格朗日函数的矩阵方程，根据所述矩阵方程生成所述煮水壶的周期预测模型。
在本发明实施例中，所述对所述拉格朗日函数进行矩阵转化，得到所述拉格朗日函数的矩阵方程，包括：
确定所述拉格朗日函数的偏导参数，利用所述偏导参数对所述拉格朗日函数求偏导，得到所述拉格朗日函数的偏导方程，其中，所述偏导方程为：
其中，w是所述预设的线性回归函数的系数矩阵，N是所述特征参数的总数，k是所述特征参数的标识，αk是第k个拉格朗日参数，是关于所述特征参数的多项式函数，xk是第k个特征参数，C是常数，ek是第k个特征参数所对应的估计值与真实值之间的误差，l是所述拉格朗日参数的总数，wT是是所述预设的线性回归函数的系数矩阵的转置，T是系数矩阵的转置标识，b是所述预设的线性回归函数的截距，yk是第k个特征参数根据所述预设的线性回归函数对应的函数值；
对所述偏导方程进行矩阵变换，得到所述偏导方程的矩阵方程。
详细地，所述偏导参数包括：所述预设的线性回归函数的系数矩阵w、所述预设的线性回归函数的截距b、所述第k个特征参数所对应的估计值与真实值之间的误差ek和所述第k个拉格朗日参数αk。
详细地，所述对所述偏导方程进行矩阵变换是将所述偏导方程转变为矩阵方程的形式。
在本发明实施例中，所述根据所述矩阵方程生成所述煮水壶的周期预测模型，包括：
根据所述矩阵方程和预设的线性核矩阵生成所述煮水壶的周期预测函数，其中，所述周期预测函数为：
其中，y(x)是关于所述特征参数的周期预测函数，k是所述特征参数的标识,i是所述特征参数的参数标识，N是所述特征参数的总数，xi是第i个所述特征参数，xk是第k个所述特征参数，K(x,xk)是预设的线性核矩阵，b是所述预设的线性回归函数的截距；
利用所述周期预测函数构建所述煮水壶的周期预测模型。
详细地，所述预设的线性核矩阵的引入避免了“维数灾难”，大大减小了计算量，而输入空间的维数对预设的线性核矩阵无影响，因此，所述预设的线性核矩阵可以有效处理高维输入。
S6、根据所述周期预测模型生成所述煮水壶的最优周期参数，利用所述最优周期参数对所述电水壶进行使用周期延长。
在本发明实施例中，所述最优周期参数是指能使得所述煮水壶有最长使用周期的参数，所述最优周期参数可以是最优温控开关次数和最优金属部件材料。
在本发明实施例中，所述根据所述周期预测模型生成所述煮水壶的最优周期参数，包括：
根据所述周期预测模型对所述煮水壶进行周期对比，得到所述煮水壶的最长使用周期；
根据所述最长使用周期生成所述煮水壶的最优周期参数。
详细地，所述根据所述周期预测模型对所述煮水壶进行周期对比是为了获取所述煮水壶的最常使用周期，例如：将一些特征参数做为输入数据，输入至所述周期预测模型，得到的所述周期预测模型的输出数据为所述煮水壶的使用周期，将所述使用周期做数据对比，得到所述使用周期的最长使用周期，那么可以根据所述使用周期与所述特征参数的对应关系判断出所述最常使用周期所对应的特征参数，其中，所述最常使用周期所对应的特征参数为所述煮水壶的最优周期参数。
详细地，所述利用所述最优周期参数对所述电水壶进行使用周期延长是指根据所述最优周期参数控制所述电水壶的制备部件材料和开关次数，以此来延长所述电水壶的使用周期。
本发明实施例通过对获取的煮水壶的设备数据进行特征提取，得到所述设备数据的数据特征，并根据所述数据特征确定所述煮水壶的寿命全周期和特征参数，确定了所述煮水壶的寿命影响因素，利用所述特征参数生成预设的线性回归函数的优化函数，其中，所述优化函数将传统向量机中的不等式约束变为了等式约束，并且扩展为把解二次规划问题转化为解线性方程组的问题，从而降低了计算复杂性，提高了训练效率，加快了求解速度，对所述优化函数进行拉格朗日转化后，再进行矩阵转化，得到矩阵方程，用于构建所述煮水壶的周期预测模型，建立了所述煮水壶的寿命与特征参数的定量关系，根据所述周期预测模型生成所述煮水壶的最优周期参数，利用所述最优周期参数对所述电水壶进行使用周期延长，缩短了最优周期参数的生成时间，因此本发明提出基于煮水壶的使用周期延长方法，可以解决基于煮水壶的使用周期延长效率较低的问题。
如图4所示，是本发明一实施例提供的基于煮水壶的使用周期延长装置的功能模块图。
本发明所述基于煮水壶的使用周期延长装置100可以安装于电子设备中。根据实现的功能，所述基于煮水壶的使用周期延长装置100可以包括特征提取模块101、特征参数模块102、优化函数模块103、拉格朗日转化模块104、矩阵转化模块105及周期延长模块106。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述特征提取模块101，用于获取煮水壶的设备数据，对所述设备数据进行特征提取，得到所述设备数据的数据特征；
所述特征参数模块102，用于根据所述数据特征确定所述煮水壶的寿命全周期，根据所述数据特征和所述寿命全周期生成所述煮水壶的特征参数；
所述优化函数模块103，用于利用所述特征参数生成预设的线性回归函数的优化函数，其中，所述优化函数为：
其中，minJ(w,e)是目标函数的最小值，J(w,e)是目标函数，wT是所述预设的线性回归函数的系数矩阵的转置，w是所述预设的线性回归函数的系数矩阵，γ是正则化参数，T是系数矩阵的转置标识，ek是第k个特征参数所对应的估计值与真实值之间的误差，s.t.(*)是限制函数，xk是第k个特征参数，yk是第k个特征参数对应的函数值，N是所述特征参数的总数，是关于所述特征参数的多项式函数，k是所述特征参数的标识，b是所述预设的线性回归函数的截距；
所述拉格朗日转化模块104，用于对所述优化函数进行拉格朗日转化，得到所述优化函数的拉格朗日函数；
所述矩阵转化模块105，用于对所述拉格朗日函数进行矩阵转化，得到所述拉格朗日函数的矩阵方程，根据所述矩阵方程生成所述煮水壶的周期预测模型；
所述周期延长模块106，用于根据所述周期预测模型生成所述煮水壶的最优周期参数，利用所述最优周期参数对所述电水壶进行使用周期延长。
在本发明所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用装置。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于煮水壶的使用周期延长方法，其特征在于，所述方法包括：
获取煮水壶的设备数据，对所述设备数据进行特征提取，得到所述设备数据的数据特征；
根据所述数据特征确定所述煮水壶的寿命全周期，根据所述数据特征和所述寿命全周期生成所述煮水壶的特征参数；
利用所述特征参数生成预设的线性回归函数的优化函数，其中，所述优化函数为：
其中，minJ(w,e)是目标函数的最小值，J(w,e)是目标函数，wT是所述预设的线性回归函数的系数矩阵的转置，w是所述预设的线性回归函数的系数矩阵，γ是正则化参数，T是系数矩阵的转置标识，ek是第k个特征参数所对应的估计值与真实值之间的误差，s.t.(*)是限制函数，xk是第k个特征参数，yk是第k个特征参数对应的函数值，N是所述特征参数的总数，是关于所述特征参数的多项式函数，k是所述特征参数的标识，b是所述预设的线性回归函数的截距；
对所述优化函数进行拉格朗日转化，得到所述优化函数的拉格朗日函数；
对所述拉格朗日函数进行矩阵转化，得到所述拉格朗日函数的矩阵方程，根据所述矩阵方程生成所述煮水壶的周期预测模型；
根据所述周期预测模型生成所述煮水壶的最优周期参数，利用所述最优周期参数对所述煮水壶进行使用周期延长。
2.如权利要求1所述的基于煮水壶的使用周期延长方法，其特征在于，所述对所述设备数据进行特征提取，得到所述设备数据的数据特征，包括：
对所述设备数据进行数据清洗，得到所述设备数据的标准数据；
对所述标准数据进行向量化转化，得到所述标准数据的数据向量；
对所述数据向量进行向量降维，得到所述数据向量的降维向量，确定所述降维向量为所述设备数据的数据特征。
3.如权利要求1所述的基于煮水壶的使用周期延长方法，其特征在于，所述根据所述数据特征确定所述煮水壶的寿命全周期，包括：
按照预设的一级标签对所述数据特征进行一级分类，得到所述数据特征的一级特征；
按照预设的二级标签对所述一级特征进行二级分类，得到所述一级特征的二级特征；
对所述二级特征进行曲线拟合，得到所述煮水壶的寿命全周期。
4.如权利要求1所述的基于煮水壶的使用周期延长方法，其特征在于，所述根据所述数据特征和所述寿命全周期生成所述煮水壶的特征参数，包括：
根据所述数据特征和所述寿命全周期生成所述煮水壶的周期特征；
对所述周期特征进行特征筛选，得到所述周期特征的目标特征，根据所述目标特征确定所述煮水壶的特征参数。
5.如权利要求1所述的基于煮水壶的使用周期延长方法，其特征在于，所述利用所述特征参数生成预设的线性回归函数的优化函数，包括：
利用所述特征参数生成预设的线性回归函数的优化函数，其中，所述预设的线性回归函数为：
其中，yk是第k个特征参数根据所述预设的线性回归函数对应的函数值，wT是所述预设的线性回归函数的系数矩阵的转置，是关于所述特征参数的多项式函数，b是所述预设的线性回归函数的截距，T是系数矩阵的转置标识，xk是第k个特征参数，k是所述特征参数的标识。
6.如权利要求1所述的基于煮水壶的使用周期延长方法，其特征在于，所述对所述优化函数进行拉格朗日转化，得到所述优化函数的拉格朗日函数，包括：
对所述优化函数进行拉格朗日乘子化处理，得到所述优化函数的拉格朗日函数，其中，所述拉格朗日函数为：
其中，L(w,b,ek,αk)是所述拉格朗日函数，J(w,e)是目标函数，wT是所述预设的线性回归函数的系数矩阵的转置，T是系数矩阵的转置标识，αk是第k个拉格朗日参数，是关于所述特征参数的多项式函数，b是所述预设的线性回归函数的截距，ek是第k个特征参数所对应的估计值与真实值之间的误差，yk是第k个特征参数根据所述预设的线性回归函数对应的函数值，k是所述特征参数的标识，N是所述特征参数的总数，xk是第k个特征参数。
7.如权利要求1所述的基于煮水壶的使用周期延长方法，其特征在于，所述对所述拉格朗日函数进行矩阵转化，得到所述拉格朗日函数的矩阵方程，包括：
确定所述拉格朗日函数的偏导参数，利用所述偏导参数对所述拉格朗日函数求偏导，得到所述拉格朗日函数的偏导方程，其中，所述偏导方程为：
其中，w是所述预设的线性回归函数的系数矩阵，N是所述特征参数的总数，k是所述特征参数的标识，αk是第k个拉格朗日参数，是关于所述特征参数的多项式函数，xk是第k个特征参数，C是常数，ek是第k个特征参数所对应的估计值与真实值之间的误差，l是所述拉格朗日参数的总数，wT是所述预设的线性回归函数的系数矩阵的转置，T是系数矩阵的转置标识，b是所述预设的线性回归函数的截距，yk是第k个特征参数根据所述预设的线性回归函数对应的函数值；
对所述偏导方程进行矩阵变换，得到所述偏导方程的矩阵方程。
8.如权利要求1所述的基于煮水壶的使用周期延长方法，其特征在于，所述根据所述矩阵方程生成所述煮水壶的周期预测模型，包括：
根据所述矩阵方程和预设的线性核矩阵生成所述煮水壶的周期预测函数，其中，所述周期预测函数为：
其中，y(x)是关于所述特征参数的周期预测函数，k是所述特征参数的标识,i是所述特征参数的参数标识，N是所述特征参数的总数，xi是第i个所述特征参数，xk是第k个所述特征参数，K(x,xk)是预设的线性核矩阵，b是所述预设的线性回归函数的截距，αk是第k个拉格朗日参数；
利用所述周期预测函数构建所述煮水壶的周期预测模型。
9.如权利要求1至8中任一项所述的基于煮水壶的使用周期延长方法，其特征在于，所述根据所述周期预测模型生成所述煮水壶的最优周期参数，包括：
根据所述周期预测模型对所述煮水壶进行周期对比，得到所述煮水壶的最长使用周期；
根据所述最长使用周期生成所述煮水壶的最优周期参数。
10.一种基于煮水壶的使用周期延长装置，其特征在于，所述装置包括：
特征提取模块，用于获取煮水壶的设备数据，对所述设备数据进行特征提取，得到所述设备数据的数据特征；
特征参数模块，用于根据所述数据特征确定所述煮水壶的寿命全周期，根据所述数据特征和所述寿命全周期生成所述煮水壶的特征参数；
优化函数模块，用于利用所述特征参数生成预设的线性回归函数的优化函数，其中，所述优化函数为：
其中，minJ(w,e)是目标函数的最小值，J(w,e)是目标函数，wT是所述预设的线性回归函数的系数矩阵的转置，w是所述预设的线性回归函数的系数矩阵，γ是正则化参数，T是系数矩阵的转置标识，ek是第k个特征参数所对应的估计值与真实值之间的误差，s.t.(*)是限制函数，xk是第k个特征参数，yk是第k个特征参数对应的函数值，N是所述特征参数的总数，是关于所述特征参数的多项式函数，k是所述特征参数的标识，b是所述预设的线性回归函数的截距；
拉格朗日转化模块，用于对所述优化函数进行拉格朗日转化，得到所述优化函数的拉格朗日函数；
矩阵转化模块，用于对所述拉格朗日函数进行矩阵转化，得到所述拉格朗日函数的矩阵方程，根据所述矩阵方程生成所述煮水壶的周期预测模型；
周期延长模块，用于根据所述周期预测模型生成所述煮水壶的最优周期参数，利用所述最优周期参数对所述煮水壶进行使用周期延长。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310582696.2A CN116663277B (zh) | 2023-05-22 | 2023-05-22 | 基于煮水壶的使用周期延长方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310582696.2A CN116663277B (zh) | 2023-05-22 | 2023-05-22 | 基于煮水壶的使用周期延长方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116663277A CN116663277A (zh) | 2023-08-29 |
| CN116663277B true CN116663277B (zh) | 2023-12-26 |
Family
ID=87721679
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310582696.2A Active CN116663277B (zh) | 2023-05-22 | 2023-05-22 | 基于煮水壶的使用周期延长方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116663277B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106319118A (zh) * | 2015-06-16 | 2017-01-11 | 鞍钢股份有限公司 | 一种延长高炉铜冷却壁使用寿命的方法 |
| CN106618183A (zh) * | 2016-12-12 | 2017-05-10 | 广州市吉谷电器科技有限公司 | 一种电热壶的加热控制系统和方法 |
| CN207081785U (zh) * | 2017-07-31 | 2018-03-09 | 宁波弗兰克电器有限公司 | 电水壶寿命检测装置 |
| CN112434449A (zh) * | 2020-08-08 | 2021-03-02 | 中车长春轨道客车股份有限公司 | 一种参数化的吊装结构疲劳寿命智能预测方法 |
| CN113449463A (zh) * | 2021-06-09 | 2021-09-28 | 重庆锦禹云能源科技有限公司 | 一种基于lstm-dnn的设备寿命预测方法及装置 |
| CN114021470A (zh) * | 2021-11-16 | 2022-02-08 | 江苏科技大学 | 基于amfo算法和svm算法继电器贮存寿命预测方法 |
| CN114492191A (zh) * | 2022-01-26 | 2022-05-13 | 浙江英集动力科技有限公司 | 基于dbn-svr的热力站设备剩余寿命评估方法 |
| CN115327382A (zh) * | 2022-06-28 | 2022-11-11 | 广州汽车集团股份有限公司 | 电池使用寿命预测模型的生成方法、装置及车辆 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110303380B (zh) * | 2019-07-05 | 2021-04-16 | 重庆邮电大学 | 一种数控机床刀具剩余寿命预测方法 |
| FR3098318B1 (fr) * | 2019-07-05 | 2022-06-17 | Safran Electronics & Defense | Procédé d’estimation d’une durée de vie résiduelle d’un équipement sujet |
-
2023
- 2023-05-22 CN CN202310582696.2A patent/CN116663277B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106319118A (zh) * | 2015-06-16 | 2017-01-11 | 鞍钢股份有限公司 | 一种延长高炉铜冷却壁使用寿命的方法 |
| CN106618183A (zh) * | 2016-12-12 | 2017-05-10 | 广州市吉谷电器科技有限公司 | 一种电热壶的加热控制系统和方法 |
| CN207081785U (zh) * | 2017-07-31 | 2018-03-09 | 宁波弗兰克电器有限公司 | 电水壶寿命检测装置 |
| CN112434449A (zh) * | 2020-08-08 | 2021-03-02 | 中车长春轨道客车股份有限公司 | 一种参数化的吊装结构疲劳寿命智能预测方法 |
| CN113449463A (zh) * | 2021-06-09 | 2021-09-28 | 重庆锦禹云能源科技有限公司 | 一种基于lstm-dnn的设备寿命预测方法及装置 |
| CN114021470A (zh) * | 2021-11-16 | 2022-02-08 | 江苏科技大学 | 基于amfo算法和svm算法继电器贮存寿命预测方法 |
| CN114492191A (zh) * | 2022-01-26 | 2022-05-13 | 浙江英集动力科技有限公司 | 基于dbn-svr的热力站设备剩余寿命评估方法 |
| CN115327382A (zh) * | 2022-06-28 | 2022-11-11 | 广州汽车集团股份有限公司 | 电池使用寿命预测模型的生成方法、装置及车辆 |
Non-Patent Citations (2)
| Title |
|---|
| Remaining useful life estimation in rolling bearings utilizing data-driven probabilistic E-support vectors regression;Theodoros H. Loutas et al.;《IEEE》;第821-832页 * |
| 基于智能运动控制的回转支承寿命延长方法;谢冬华 等;《中南大学学报（自然科学版）》;第281-286页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116663277A (zh) | 2023-08-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112381137B (zh) | 新能源电力系统可靠性评估方法、装置、设备及存储介质 | |
| CN111027629B (zh) | 基于改进随机森林的配电网故障停电率预测方法及系统 | |
| CN114792156A (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
| CN111368259B (zh) | 一种配网电压数据缺失填补方法及相关装置 | |
| CN112766537B (zh) | 一种短期电负荷预测方法 | |
| WO2022052468A1 (en) | Methods and systems for product quantization-based compression of matrix | |
| CN111784061B (zh) | 一种电网工程造价预测模型的训练方法、装置和设备 | |
| CN113743504A (zh) | 一种电压暂降源识别模型构建方法、装置、终端及介质 | |
| CN111861023A (zh) | 基于统计学的混合风电功率预测方法、装置 | |
| CN118114955B (zh) | 虚拟电厂的电力调度方法及相关设备 | |
| CN114498619A (zh) | 一种风电功率预测方法及装置 | |
| CN117132132A (zh) | 基于气象数据的光伏发电功率预测方法 | |
| CN111539558A (zh) | 一种采用优化极限学习机的电力负荷预测方法 | |
| CN116663277B (zh) | 基于煮水壶的使用周期延长方法及装置 | |
| CN114154684A (zh) | 基于数据挖掘和多核支持向量机的短期光伏功率预测方法 | |
| CN117520818A (zh) | 一种电力指纹识别方法、装置、电子设备及存储介质 | |
| CN115713044B (zh) | 一种多工况切换下的机电设备剩余寿命分析方法和装置 | |
| CN113065780A (zh) | 任务分配方法、装置、存储介质和计算机设备 | |
| CN108694475A (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
| CN116307199A (zh) | 一种电力系统负荷预测方法 | |
| CN116307111A (zh) | 一种基于k均值聚类和随机森林算法的无功负荷预测方法 | |
| CN112686443A (zh) | 一种基于人工智能的光伏发电预测方法 | |
| CN117688367B (zh) | 一种基于即时学习的风力发电超短期功率预测方法及装置 | |
| TWI802245B (zh) | 基於非侵入式設備負載監控的用電解析系統及用電解析方法 | |
| CN118228642B (zh) | 芯片电路的参数优化设计方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |