CN117420443A - 基于遗传算法的lstm的氢燃料电池剩余使用寿命预测方法 - Google Patents
基于遗传算法的lstm的氢燃料电池剩余使用寿命预测方法 Download PDFInfo
- Publication number
- CN117420443A CN117420443A CN202311477626.7A CN202311477626A CN117420443A CN 117420443 A CN117420443 A CN 117420443A CN 202311477626 A CN202311477626 A CN 202311477626A CN 117420443 A CN117420443 A CN 117420443A
- Authority
- CN
- China
- Prior art keywords
- fuel cell
- hydrogen fuel
- service life
- genetic algorithm
- short
- 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
- 239000000446 fuel Substances 0.000 title claims abstract description 60
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 title claims abstract description 56
- 229910052739 hydrogen Inorganic materials 0.000 title claims abstract description 56
- 239000001257 hydrogen Substances 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000002068 genetic effect Effects 0.000 title claims abstract description 31
- 230000015654 memory Effects 0.000 claims abstract description 42
- 210000004027 cell Anatomy 0.000 claims description 53
- 238000012549 training Methods 0.000 claims description 24
- 210000002569 neuron Anatomy 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 230000035772 mutation Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 10
- 230000032683 aging Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 230000015556 catabolic process Effects 0.000 description 5
- 238000006731 degradation reaction Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000007800 oxidant agent Substances 0.000 description 1
- 230000001590 oxidative effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于遗传算法的LSTM的氢燃料电池剩余使用寿命预测方法,首先利用深度学习中的长短时记忆网络对采集到的氢燃料电池数据进行处理,通过参数的初始化、前向计算和反向传播等过程完成对长短时记忆网络的训练。最后,使用训练好的结合了遗传算法的长短时记忆网络对氢燃料电池的剩余使用寿命进行计算,得到较为精确的预测值。本发明解决了现有技术中需要氢燃料电池自身精确的系统模型或混合方法结构复杂计算量大的问题,更适用于在实际应用场景中对氢燃料电池的剩余使用寿命进行预测。
Description
技术领域
本发明属于氢燃料电池应用技术领域,涉及一种氢燃料电池剩余使用寿命预测方法。
背景技术
燃料电池是一种将燃料和氧化剂中的化学能通过电化学反应直接在内部转换为电能和热能的装置。氢燃料电池(Hydrogen Fuel Cell)由于其无污染、能量转换事高、充能时间短、工作温度低、噪音低等优点,成为目前最具前景和最受欢迎的燃料电池技术。但氢燃料电池在大规模商业化应用的道路上仍然面临两个主要瓶颈,即在实际运行工况下较短的使用寿命(尤其是在车辆应用中)和较高的成本。
目前的大部分研究也都集中在解决两个瓶颈问题上:即降低成本和延长使用寿命。除了开发高性能、低成本的新材料和设计新的氢燃料电池结构之外,还可以通过剩余使用寿命预测和健康管理技术来有效的延长氢的使用寿命并降低使用成本。剩余使用寿命预测技术能够预测氢燃料电池系统的老化趋势以及失效时间和风险,是将系统维护从传统的“失效和修复”转变为“预测和预防”的关键技术。有效的剩余使用寿命预测方法不仅可以提高氢燃料的使用寿命、可靠性和安全性,还能同时降低使用成本和停机时间。因此,剩余使用寿命预测是能够改善氢燃料电池使用寿命短和使用成本高的有效解决方案之一,也是本专利的主要目标。
当前氢燃料电池的剩余使用寿命预测方法主要可分为三类:模型驱动法,数据驱动法和混合法。模型驱动法依托于氢燃料电池负载条件、材料属性、退化机理和失效机制,实现剩余使用寿命的预测,代表性的方法有粒子滤波、卡尔曼滤波、退化机理模型和经验退化模型等。模型驱动法需要的数据量较少且准确率较高,但缺点是精确模型的建立非常复杂,不仅需要深入了解氢燃料电池复杂的老化机理,还需要丰富的建模经验和较强的建模能力。正是由于氢燃料电池退化机理尚不清楚且准确的分析模型难以建立,催生了数据驱动法。数据驱动法主要针对氢燃料电池的实验数据库中的数据进行分析和研究,通过历史数据间的联系和趋势对氢燃料电池未来的状态进行预测,代表性的方法有回声状态网络、自适应模糊推理系统、状态切换向量自回归算法和自动编码器深度网络等。数据驱动法很好地解决了氢燃料电池剩余使用寿命预测需求对氢燃料电池自身系统模型的探究和依赖,但缺点是有些方法对数据的体量和数量要求较高,如果数据自身存在一些问题,那么预测出的结果也可能存在误差。混合法是指融合两种或多种策略来进行氢燃料电池剩余使用寿命预测的方法,此类方法吸收其它多种方法的各自优点,以实现对氢燃料电池剩余使用寿命的更精确的预测,代表性的方法有结合电压衰减半机理模型和时滞神经网络的混合方法,结合退化经验模型和非线性自回归神经网络的混合方法及结合数据组合处理和小波分析的混合方法等。混合法比起单一的预测方法通常更为精确,但缺点是混合法的实现需要非常复杂的结构,且会带来很大的计算量,而这种计算负担限制了其应用范围,在实际场景中不具备实用价值。
发明内容
本发明的目的是提供一种氢燃料电池剩余使用寿命的预测方法,解决了现有技术中需要氢燃料电池自身精确的系统模型或混合方法结构复杂计算量大的问题,更适用于在实际应用场景中对氢燃料电池的剩余使用寿命进行预测。
本发明的目的是以下述方式实现的:
一种基于遗传算法的LSTM的氢燃料电池剩余使用寿命预测方法,包括如下步骤:
步骤1:搭建长短时记忆网络并进行初始化。
确定长短时记忆网络神经元数量的公式为:
其中,fc是输入层神经元个数;fd是输出层神经元个数;fb是训练集的样本数;α是可以自取的任意值变量,通常范围可取2-10。
步骤2:完成遗传算法个体编码,将初始网络的训练误差作为适应度。
步骤3:经过生物遗传算法中的选择、交叉和变异三个过程,筛选出最优解。
步骤4:将生物遗传算法得到的最优值作为长短时记忆网络的最优阈值和权值,对网络进行优化,并使用训练数据,完成长短时记忆网络的训练。
步骤5:使用训练好的长短时记忆网络对氢燃料电池的剩余使用寿命进行计算,即可得氢燃料电池剩余使用寿命的预测值。
进一步地,步骤2具体为:
适应度的计算公式为:
其中,w1、w2、w3为预设置的权重系数,P表示调度任务池中任务的数量,i用于标识不同的任务,Ri表示调度任务池中任务i的所需人数,λi表示调度任务池中任务i的重要程度,k用于标识不同的操作员,Γk表示执行任务i的操作员k的技能评分,ai表示延误时间,ΔLi表示调度任务池中任务i的单位延误成本,bi表示提前完成时间。
进一步地,步骤23具体为:
S31:选择。根据适应度评估的结果,选择一部分编码进行繁殖。S32:交叉。随机选择两个编码,并交换他们的部分或全部位数(以二进制编码为例),来产生新的后代。
S33:变异。随机改变编码中的某些位数,以增加编码种群的多样性。
S34:经过S31到S33不断迭代,最终得到符合要求的参数值,将这些最优的参数值传回长短时记忆网络。
进一步地,步骤4具体为:
S41:使用遗传算法对LSTM的阈值和权值进行优化。这通常涉及初始化一组随机的阈值和权值,然后使用一个适应度函数来评估每个解的优劣。适应度函数应该基于预测的准确性或者其他性能指标。
S42:在每一轮迭代中,选择适应性强的个体进行交叉和变异,生成新的解。
S43:重复这个过程,直到达到预设的终止条件,例如达到最大迭代次数或者找到满足要求的解。选
S44:择最优的解作为LSTM的最优阈值和权值。
S45:在得到了一些参数符合条件的全局最优取值之后,将这些参数值传入长短时记忆网络,作为网络最优的阈值和权值。
S46:将燃料电池的工作状态数据作为训练数据,对优化后的长短时记忆网络进行训练,训练完成后得到最终的长短时记忆网络结构和对应的各网络参数。
进一步地,步骤5具体为:
S51:输入新的数据:将需要预测剩余使用寿命的氢燃料电池的相关数据作为输入序列提供给训练好的长短时记忆网络。
S52:计算预测值,长短时记忆网络会根据输入序列,模拟电池老化过程和影响因素,并输出氢燃料电池剩余使用寿命的预测值。
本发明的有益效果:
1.本专利提到的方法在使用时无需氢燃料电池系统的相关先验信息和模型,使用遗传算法对长短时记忆网络进行改进,降低了整个方法的计算总量,加快了网络的训练和收敛,能够在实际使用中完成氢燃料电池剩余使用寿命的准确预测。
2.本专利提到的基于遗传算法的长短时记忆网络的氢燃料电池剩余使用寿命预测方法,遗传算法是一种启发式优化算法,能够模拟生物进化过程中的选择、交叉和变异等操作,以搜索最优解。当将其与LSTM结合时,可以通过遗传算法对LSTM的参数进行优化,并可以根据具体问题的需求和约束,灵活地调整和优化模型的参数,从而使预测更加快速准确。
3.本专利提出的基于遗传算法的长短时记忆网络的氢燃料电池剩余使用寿命预测方法克服了模型驱动方法对氢燃料电池老化机理的研究和对优秀模型的依赖,也避免了混合方法自身复杂的结构和较高的运算能力需求。通过将遗传算法的筛选能力与长短时记忆网络对时序数据的记忆能力相结合,实现对氢燃料电池剩余使用寿命的准确预测,推动氢燃料电池的大规模商业化应用。
附图说明
图1是本发明的流程图
图2是长短时记忆网络结构
具体实施方式
下面结合附图和具体实施方式对本发明做进一步详细的说明。应该指出,以下详细说明都是例式性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的技术含义相同。
如图1所示,一种基于遗传算法的LSTM的氢燃料电池剩余使用寿命预测方法,包括如下步骤:
步骤1:搭建长短时记忆网络并进行初始化。
长短时记忆网络是一种递归神经网络,是当前流行的深度学习网络中的一种。如图2所示,其中,ct-1为上一时刻的记忆单元状态,ct为当前时刻的记忆单元状态,ht-1为隐藏层神经元上一时刻的输出,ht为隐藏层神经元当前时刻的输出,Xt为当前时刻的输入信息,σ为sigmoid激活函数,tanh为tanh激活函数。LSTM神经网络具体工作步骤:LSTM由遗忘门、输入门、输出门三个门单元组成,由于LSTM是时序神经网络(简单理解就是当前时刻,上一时刻,下一时刻),他不可能保留所有信息,对于需要的信息进行存储,不需要的就选择遗忘。
输入门决定当前时刻网络的输入数据有多少需要保存到单元状态,遗忘门决定上一时刻的单元状态有多少需要保留到当前时刻,输出门控制当前单元状态有多少需要输出到当前的输出值(即下一时刻)。
相较于其他的深度神经网络,长短时记忆网络结构中引入了遗忘门、输入门、输出门这三种特殊的门结构,因此具有解决长期依赖性问题的优秀的能力,特别对氢燃料电池系统工作状态这种时序数据能够体现更好的优势。在这一步中,确定长短时记忆网络的隐藏层数量、神经元数量、激活函数等参数并完成初始化。
确定长短时记忆网络神经元数量的公式为:
其中,fc是输入层神经元个数;fd是输出层神经元个数;fb是训练集的样本数;α是可以自取的任意值变量,通常范围可取2-10。
步骤2:完成遗传算法个体编码,将初始网络的训练误差作为适应度。
遗传算法源于生物进化理论,通过模拟自然进化过程去搜索最优解,该算法在寻优的过程中,会将优势个体保留,淘汰劣势个体。遗传算法能够很好解决长短时记忆网络在训练过程中出现的陷入局部最优或无法完成收敛等问题,因此在本专利中使用遗传算法对长短时记忆网络的训练过程进行优化,帮助长短时记忆网络寻找到全局最优解。在这一步中,完成对遗传算法中的个体进行编码,将训练数据输入当前长短时记忆网络,并以网络的输出误差作为遗传算法的适应度函数。
适应度的计算公式为:
其中,w1、w2、w3为预设置的权重系数,P表示调度任务池中任务的数量,i用于标识不同的任务,Ri表示调度任务池中任务i的所需人数,λi表示调度任务池中任务i的重要程度,k用于标识不同的操作员,Γk表示执行任务i的操作员k的技能评分,ai表示延误时间,ΔLi表示调度任务池中任务i的单位延误成本,bi表示提前完成时间。
步骤3:经过生物遗传算法中的选择、交叉和变异三个过程,筛选出最优解。
遗传算法的核心思想依照于自然界“优胜劣汰,适者生存”的生物进化原理,由确定的适应度函数,通过遗传中的选择、交叉及变异操作对个体进行筛选,适应度值好的个体被保留,适应度差的个体被淘汰,新的群体既继承了上一代的信息,又优于上一代,反复循环,直至筛选出最优个体。
遗传算法筛选出最优解的具体步骤:
S31:选择。根据适应度评估的结果,选择一部分编码进行繁殖。适应度较高的编码有更大的机会被选择。常用的选择策略有轮盘赌选择、锦标赛选择等。
S32:交叉。随机选择两个编码,并交换他们的部分或全部位数(以二进制编码为例),来产生新的后代。常见的交叉操作有单点交叉、多点交叉和均匀交叉等。
S33:变异。随机改变编码中的某些位数,以增加编码种群的多样性。这有助于防止算法过早地陷入局部最优解。常见的变异操作有位反转、交换变异等。
S34:经过S31到S33不断迭代,最终得到符合要求的参数值,将这些最优的参数值传回长短时记忆网络。
步骤4:将生物遗传算法得到的最优值作为长短时记忆网络的最优阈值和权值,对网络进行优化,并使用训练数据,完成长短时记忆网络的训练。
步骤4具体为:
S41:使用遗传算法对LSTM的阈值和权值进行优化。这通常涉及初始化一组随机的阈值和权值,然后使用一个适应度函数来评估每个解的优劣。适应度函数应该基于预测的准确性或者其他性能指标。
S42:在每一轮迭代中,选择适应性强的个体进行交叉和变异,生成新的解。
S43:重复这个过程,直到达到预设的终止条件,例如达到最大迭代次数或者找到满足要求的解。选
S44:择最优的解作为LSTM的最优阈值和权值。
S45:在得到了一些参数符合条件的全局最优取值之后,将这些参数值传入长短时记忆网络,作为网络最优的阈值和权值。
S46:将燃料电池的工作状态数据作为训练数据,对优化后的长短时记忆网络进行训练,训练完成后得到最终的长短时记忆网络结构和对应的各网络参数。
步骤5:使用训练好的长短时记忆网络对氢燃料电池的剩余使用寿命进行计算,即可得氢燃料电池剩余使用寿命的预测值。
S51:输入新的数据:将需要预测剩余使用寿命的氢燃料电池的相关数据作为输入序列提供给训练好的长短时记忆网络。
S52:计算预测值,长短时记忆网络会根据输入序列,模拟电池老化过程和影响因素,并输出氢燃料电池剩余使用寿命的预测值。
这个长短时记忆网络的配合遗传算法的适应度函数,是依据网络的训练误差设置的,整个网络的训练过程,使用的也是氢燃料电池的工作数据,因此这个网络的整体结构即是专门为进行氢燃料电池的剩余使用寿命预测目标进行设计和优化的。将待预测的氢燃料电池的工作数据输入网络,即可得到当前氢燃料电池系统的剩余使用寿命预测值。这种预测是基于对历史数据的分析和学习,通过模拟电池老化过程和影响因素,预测未来的使用寿命。本发明提供一种氢燃料电池剩余寿使用寿命的预测方法,解决了现有技术中需要氢燃料电池自身精确的系统模型或混合方法结构复杂计算量大的问题,更适用于在实际应用场景中对氢燃料电池的剩余使用寿命进行预测。
以上所述的仅是本发明的优选实施方式,应当指出,对于本领域的技术人员来说,在不脱离本发明整体构思前提下,还可以作出若干改变和改进,这些也应该视为本发明的保护范围。
Claims (1)
1.一种基于遗传算法的LSTM的氢燃料电池剩余使用寿命预测方法,其特征在于,包括如下步骤:
步骤1:搭建长短时记忆网络并进行初始化;
确定长短时记忆网络神经元数量的公式为:
其中,fc是输入层神经元个数;fd是输出层神经元个数;fb是训练集的样本数;α是自取的任意值变量,通常取2-10;
步骤2:完成遗传算法个体编码,将初始网络的训练误差作为适应度;
步骤3:经过生物遗传算法中的选择、交叉和变异三个过程,筛选出最优解;
步骤4:将生物遗传算法得到的最优值作为长短时记忆网络的最优阈值和权值,对网络进行优化,并使用训练数据,完成长短时记忆网络的训练;
步骤5:使用训练好的长短时记忆网络对氢燃料电池的剩余使用寿命进行计算,即可得氢燃料电池剩余使用寿命的预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311477626.7A CN117420443A (zh) | 2023-11-07 | 2023-11-07 | 基于遗传算法的lstm的氢燃料电池剩余使用寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311477626.7A CN117420443A (zh) | 2023-11-07 | 2023-11-07 | 基于遗传算法的lstm的氢燃料电池剩余使用寿命预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117420443A true CN117420443A (zh) | 2024-01-19 |
Family
ID=89522728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311477626.7A Pending CN117420443A (zh) | 2023-11-07 | 2023-11-07 | 基于遗传算法的lstm的氢燃料电池剩余使用寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117420443A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117686920A (zh) * | 2024-02-02 | 2024-03-12 | 河南科技学院 | 一种用于电池系统内单体电池的端电压预测方法 |
-
2023
- 2023-11-07 CN CN202311477626.7A patent/CN117420443A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117686920A (zh) * | 2024-02-02 | 2024-03-12 | 河南科技学院 | 一种用于电池系统内单体电池的端电压预测方法 |
CN117686920B (zh) * | 2024-02-02 | 2024-04-12 | 河南科技学院 | 一种用于电池系统内单体电池的端电压预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111062464B (zh) | 一种基于深度学习的电力通信网可靠性预测和保障方法和系统 | |
CN111310387B (zh) | 一种燃料电池寿命预测方法 | |
CN111723527B (zh) | 基于鸡尾酒长短期记忆神经网络的齿轮剩余寿命的预测方法 | |
CN117420443A (zh) | 基于遗传算法的lstm的氢燃料电池剩余使用寿命预测方法 | |
CN112733417B (zh) | 一种基于模型优化的异常负荷数据检测与修正方法和系统 | |
CN110544011A (zh) | 一种智能化的体系作战效能评估和优化方法 | |
Abraham | EvoNF: A framework for optimization of fuzzy inference systems using neural network learning and evolutionary computation | |
Ning et al. | GA-BP air quality evaluation method based on fuzzy theory. | |
CN113935513A (zh) | 一种基于ceemdan的短期电力负荷预测方法 | |
CN111832817A (zh) | 基于mcp罚函数的小世界回声状态网络时间序列预测方法 | |
CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
De Falco et al. | Evolutionary neural networks for nonlinear dynamics modeling | |
Sarangi et al. | Short term load forecasting using artificial neural network: a comparison with genetic algorithm implementation | |
CN110674460B (zh) | 基于E-Seq2Seq技术的数据驱动型机组组合智能决策方法 | |
Wu et al. | A genetic approach for simultaneous design of membership functions and fuzzy control rules | |
CN116609678A (zh) | 基于改进混合模型的锂离子电池剩余寿命预测方法 | |
CN111414927A (zh) | 一种海水水质评价的方法 | |
CN115640868A (zh) | 一种新建风电场少数据风电功率短期预测方法 | |
CN112260870B (zh) | 基于动态模糊聚类和灰色神经网络的网络安全预测方法 | |
Attia et al. | Prediction of solar activity based on neuro-fuzzy modeling | |
Sujamol et al. | A genetically optimized method for weight updating in fuzzy cognitive maps | |
CN111859807A (zh) | 汽轮机初压寻优方法、装置、设备及存储介质 | |
Rao et al. | Optimization of machinery noise in a bauxite mine using Genetic Algorithm | |
Taha et al. | Learning to Run a Power Network under Varying Grid Topology | |
CN117060984B (zh) | 基于经验模态分解与bp神经网络的卫星网络流量预测方法 |
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 |