CN117743826A - 一种基于eemd-pdo-rbf算法的机场雷电预测模型的构建方法 - Google Patents
一种基于eemd-pdo-rbf算法的机场雷电预测模型的构建方法 Download PDFInfo
- Publication number
- CN117743826A CN117743826A CN202311751232.6A CN202311751232A CN117743826A CN 117743826 A CN117743826 A CN 117743826A CN 202311751232 A CN202311751232 A CN 202311751232A CN 117743826 A CN117743826 A CN 117743826A
- Authority
- CN
- China
- Prior art keywords
- data
- rbf
- pdo
- eemd
- lightning
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 20
- 238000010276 construction Methods 0.000 title abstract description 5
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims abstract description 8
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 210000002569 neuron Anatomy 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 241000283923 Marmota monax Species 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 239000000654 additive Substances 0.000 claims description 6
- 230000000996 additive effect Effects 0.000 claims description 6
- 210000002364 input neuron Anatomy 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 230000035484 reaction time Effects 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000011160 research Methods 0.000 abstract description 2
- 238000007405 data analysis Methods 0.000 abstract 1
- 238000000605 extraction Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000002679 ablation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000010006 flight Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于EEMD‑PDO‑RBF算法的机场雷电预测模型的构建方法，涉及人工智能、信号处理、气象预测技术领域，首先，对收集的雷电历史数据和相关气象参数进行预处理。然后，通过EEMD算法对预处理后的数据进行分解，得到一系列固有模式函数(IMFs)。接着，对分解后的IMFs进行特征提取，得到特征向量。最后，将特征向量作为输入，雷电数据作为输出，训练PDO优化RBF神经网络的模型，利用训练好的模型进行雷电预测。本发明的方法能有效提高雷电预测的精度和预测时间范围，有利于机场的运行管理，提高飞行安全，为航空领域的相关研究提供了新的方法和工具。
Description
技术领域
本发明涉及人工智能、信号处理、气象预测技术领域，具体来说，是关于一种基于集成经验模态分解(EEMD)和土拨鼠优化算法(PDO)优化径向基函数(RBF)神经网络的机场雷电预测模型的构建方法。
背景技术
现有的雷电预测方法主要基于气象参数和雷电历史数据进行预测，但这些方法在预测精度和预测时间范围上存在一定的局限性。因此，开发一种新的雷电预测模型，提高预测精度和预测时间范围，具有重要的实际意义。
在机场运行中，雷电是一种常见的天气现象，可能会对飞机和地面设施造成严重的损害。因此，开发一种准确可靠的机场雷电预测模型具有重要的实用价值。EEMD-PDO-RBF算法作为人工智能的一种预测方法，能够将信号分解成多个尺度下的本征模态函数，并通过RBF网络进行训练和预测。
发明内容
本发明的目的是提出一种新的方法，即基于EEMD-PDO-RBF算法的机场雷电预测模型构建方法，旨在解决传统雷电预测方法精度不高、实时性差的问题。通过采用经验模态分解(EEMD)算法和土拨鼠优化算法(PDO)优化径向基函数(RBF)的神经网络算法相结合，能够有效地提高雷电预测的精度和准确性，为机场管理提供更可靠的雷电预警和决策支持，从而增强机场航班安全性。具体包括以下步骤：
Step1收集某机场大量历史数据并做预处理；
Step2将预处理后的数据作为输入信号进行集成经验模态分解，以各模态分量中心频率和最小为目标函数来构造受约束变分模型；
Step3、分析分解后的各频率信号，从中提取所能表征雷电信号的关键特征，将提取的关键特征数据按7:3的比例将数据集划分为训练集和测试集；
Step4、构建RBF神经网络模型，由训练集进行训练模型，得到具有预测雷电数据的最优条件模型，再进行测试集的验证。训练过程中，利用土拨鼠优化算法(PDO)调整模型的随机初始化中心点、扩展常数和权重等参数。
优选的，本发明所述的历史雷电数据包括：历史数据包括反应时间、反应强度以及其他气象因素。
优选的，Step1中对数据进行预处理的方法如下：
Step1.1、缺失值处理：检查数据中是否存在缺失值，可以通过删除包含缺失值的样本或使用插补方法填充缺失值；
Step1.2、噪声数据处理：通过使用平滑或滤波方法来减少数据中的噪声；
Step1.3、异常值处理：检测和处理异常值，可以使用统计方法来识别异常值，并进行删除或替换处理；
Step1.4、最大-最小归一化：将数据线性映射到指定的最小值和最大值之间，公式为：
其中，Xscaled为归一化后数据，X为初始数据，X_min为原始数据中的最小值，X_max为原始数据中的最大值。
优选的，本发明Step2中分解雷电数据的具体操作步骤为：
Step2.1、设定总体平均次数M；
Step2.2、将一个具有标准正态分布的白噪声ni(t)加到原始信号x(t)上，以产生一个新的信号：
xi(t)＝x(t)+ni(t)
式中ni(t)表示第i次加性白噪声序列，xi(t)表示第i次试验的附加噪声信号，i＝1,2,3,…M；
Step2.3、对所得含噪声的信号分别进行EMD分解，得到各自和的IMF形式：
式中，ci,j(t)为第i次加入白噪声后分解得到的第j个IMF，ri,j(t)是残余函数，代表信号的平均趋势，J是的IMF数量；
Step2.4、重复步骤Step2.2和Step2.3进行M次，每次分解加入幅值不同的白噪声信号得到IMF的集合为：
c1,j(t),c2,j(t)cM,j(t),j＝1,2,3,…J
Step2.5、利用不相关序列的统计平均值为零的原理，将上述对应的进行集合平均运算，得到EEMD分解后最终的各分量，即：
式中，ci,j(t)是EEMD分解的第j个IMF，i＝1,2,3,…M，j＝1,2,3,…J；
进一步的，Step3是从Step2中提取所能表征雷电信号的关键特征：
分解得到若干个IMF分量，提取频率较高的几个变量作为下一阶段的输入，然后将这些数据按7:3的比例划分为训练集和测试集。
最后，Step4构建RBF模型的具体操作步骤为：
Step4.1、确定RBF神经网络的结构：RBF神经网络的结构包括隐藏层和输出层。在隐藏层中，径向基函数的计算公式通常采用高斯函数：
式中，X＝[x1x2···xn]为n维网络输入，ci为第i个隐含层神经元的中心点向量值；σi为第i个隐含层神经元的宽度向量值，m为输入神经元的个数。
Step4.2确定隐层中心矩阵高斯均方根宽度向量/>与权值矩阵/>为了优化三个参数，将PDO应用于RBF网络中，记为PDO-RBF。在PDO-RBF中，将RBFNN的参数编码为土拨鼠个体的位置。选择优化的目标函数为均方误差：
式中：Object为优化目标，RMSE为均方误差，n为训练样本个数，为第i个样本的期望输出值与实际输出值的平方差。
Step4.3、RBF神经网络输入和输出的之间的关系表达式为：
式中：p为输出层神经元的个数；yj为输出层第j个神经元的输出值；wi,j为隐含层第i个单元与输出层第j个单元之间的连接权值。RBF神经网络结构的确立，需要求解的参数有3个：基函数的数据中心ci、方差σi以及隐含层到输出层的权值wi,j。
本发明的有益效果：
(1)提高了雷电预测的精度和准确性，相较于传统方法具有更高的预测效果。
(2)为机场管理提供了更可靠的雷电预警和决策支持，有助于提升机场航班安全性。
(3)通过处理雷电信号的非线性和非平稳特性，能够更好地适用于机场雷电预测，具有重要的应用前景和市场潜力。
(4)在实际应用中取得了良好的效果，相较于传统方法，在雷电预测和航班管理中取得了显著的改进。
附图说明
图1为本发明中提供的EEMD-PDO-RBF模型结构图。
图2为集成经验模态分解EEMD原理图。
图3为径向基神经网络PDO-RBF的原理图。
图4是将原数据经EEMD分解后得到不同频率的IMF分量图。
图6是将经EEMD分解之后提取的特征值导入训练好的EEMD-PDO-RBF模型中得到的训练集仿真图。
图5是将经EEMD分解之后提取的特征值导入训练好的EEMD-PDO-RBF模型中得到测试集仿真图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明，但本发明的保护范围并不限于所述内容。
实施例
本实施例所述EEMD-RBF雷电预测模型包括：数据收集和预处理单元，用于收集和预处理实验数据；对数据进行预处理，包括数据清洗、归一化和去除噪声等步骤；EEMD单元，用于将预处理后的数据进行集成经验模态分解，并提取关键的反应特征；RBF神经网络单元，用于构建RBF神经网络模型，对提取的反应特征进行建模和训练，以学习和预测雷电特征。所述模型构建方法，流程图如图1所示，具体包括以下步骤：
Step1、收集某机场大量历史数据并做预处理。此阶段包括以下几步：
Step1.1、缺失值处理：检查数据中是否存在缺失值，可以通过删除包含缺失值的样本或使用插补方法填充缺失值；
Step1.2、噪声数据处理：通过使用平滑或滤波方法来减少数据中的噪声；
Step1.3、异常值处理：检测和处理异常值，可以使用统计方法来识别异常值，并进行删除或替换处理；
Step1.4、最大-最小归一化：将数据线性映射到指定的最小值和最大值之间，公式为：
其中，Xscaled为归一化后数据，X为初始数据，X_min为原始数据中的最小值，X_max为原始数据中的最大值。
Step2将预处理后的数据作为输入信号进行集成经验模态分解，以各模态分量中心频率和最小为目标函数来构造受约束变分模型。此阶段操作流程如图2，操作步骤如下：
Step2.1、设定总体平均次数M；
Step2.2、将一个具有标准正态分布的白噪声ni(t)加到原始信号x(t)上，以产生一个新的信号：
xi(t)＝x(t)+ni(t)
式中ni(t)表示第i次加性白噪声序列，xi(t)表示第i次试验的附加噪声信号，i＝1,2,3,…M；
Step2.3、对所得含噪声的信号分别进行EMD分解，得到各自和的IMF形式：
式中，ci,j(t)为第i次加入白噪声后分解得到的第j个IMF，ri,j(t)是残余函数，代表信号的平均趋势，J是的IMF数量；
Step2.4、重复步骤(2)和步骤(3)进行M次，每次分解加入幅值不同的白噪声信号得到IMF的集合为：
c1,j(t),c2,j(t) cM,j(t),j＝1,2,3,…J
Step2.5、利用不相关序列的统计平均值为零的原理，将上述对应的进行集合平均运算，得到EEMD分解后最终的各分量，即：
式中，ci,j(t)是EEMD分解的第j个IMF，i＝1,2,3,…M，j＝1,2,3,…J；
Step3、分析分解后的各频率信号，从中提取所能表征雷电信号的关键特征。雷电样本中雷电波动强烈的30分钟作为研究对象，经Step2分解后的各IMF分量如图3所示，原始信号分解后产生10个IMF分量，IMF1—IMF10分量代表信号从高频到低频的分布情况，能够较好的捕捉电场曲线跳变和反转的特征，代表了雷暴云团的摩擦起电和放电过程中的细节信息。在此，选择前7个IMF分量作为下一阶段的输入数据，将这7种数据按将近7:3的比例将数据集划分为训练集和测试集。
Step4、构建RBF神经网络模型，由训练集进行训练模型，得到具有预测雷电数据的最优条件模型，再进行测试集的验证。构建RBF模型的具体操作步骤为：
Step4.1、确定RBF神经网络的结构：RBF神经网络的结构包括输入层、隐藏层和输出层的节点神经元数量，从而确定径向基神经网络基本结构。本实施例的实验选取800组数据，将其分为600组的训练集和200组的测试集，输入神经元设为8，输出神经元为1。在隐藏层中，径向基函数的计算公式采用高斯函数：
式中，X＝[x1x2···xn]为n维网络输入，ci为第i个隐含层神经元的中心点向量值；σi为第i个隐含层神经元的宽度向量值，m为输入神经元的个数。
Step4.2、使用PDO优化隐层中心矩阵高斯均方根宽度向量/>与权值矩阵/>这三个参数，将RBFNN的参数编码为土拨鼠个体的位置。选择优化的目标函数为均方误差：
式中：Object为优化目标，RMSE为均方误差，n为训练样本个数，为第i个样本的期望输出值与实际输出值的平方差。
Step4.3、RBF神经网络输入和输出的之间的关系表达式为：
式中：p为输出层神经元的个数；yj为输出层第j个神经元的输出值；wi,j为隐含层第i个单元与输出层第j个单元之间的连接权值。RBF神经网络结构的确立，需要求解的参数有3个：基函数的数据中心ci、方差σi以及隐含层到输出层的权值wi,j。
评价指标
进一步的、本发明采用均方根误差(RMSE)、平均绝对误差(MAE)、和R2(R Squared)判定系数等3个指标来评估所提方法的预测性能，其中，RMSE是衡量模型预测值与实际观测值之间差异的指标,它用于评估模型在给定数据上的拟合程度。MAE用于评估预测结果和真实数据集的接近程度的程度用于评估预测结果和真实数据集的接近程度的程度。以上2种评价指标，其值越小说明拟合效果越好。R2判定系数反映模型的拟合程度，值取值范围是[0,1]，越接近1效果越好。
为了进一步验证所提出的EEMD-PDO-RBF神经网络组合预测方法的准确性，选取单一BP神经网络模型、单一RBF神经网络模型、消融实验之无PDO优化RBF神经网络模型与EEMD-PDO-RBF共4种模型进行对比分析。分别对预测时间为30分钟的雷电数据进行预测，得到4种模型的训练集预测结果表1所示。通过表1中各指标结果可得出，在上述四种模型中，所提出的EEMD-PDO-RBF方法得出的RSME、MAE指标最小即预测误差最小，模型的拟合程度R2最高，相比较其余模型拥有更好的预测精度。
表1为各模型预测数据评价指标对比。
以上所述，仅为本发明优选的具体实施方式，但本发明的保护范围不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于集成经验模式分解(EEMD)和土拨鼠优化算法(PDO)优化径向基函数(RBF)算法的机场雷电预测模型的构建方法，其特征在于，具体包括以下步骤：
Step1收集某机场大量历史数据并做预处理；
Step2将Step1中的预处理后的数据作为输入信号进行集成经验模态分解，以各模态分量中心频率和最小为目标函数来构造受约束变分模型；
Step3、分析Step2中分解后的各频率信号，从中提取所能表征雷电信号的关键特征，将提取到的关键特征数据按近按照7:3的比例将数据集划分为训练集和测试集；
Step4、构建RBF神经网络模型，由训练集进行训练模型，得到具有预测雷电数据的最优条件模型，再进行测试集的验证。训练过程中，利用土拨鼠优化算法(PDO)调整模型的随机初始化中心点、扩展常数和权重等参数。
2.根据权利要求1所述基于集成经验模式分解(EEMD)和土拨鼠优化算法(PDO)优化径向基函数(RBF)算法的机场雷电预测模型的构建方法，其特征在于：历史数据包括反应时间、反应强度。
3.根据权利要求1所述基于EEMD-PDO-RBF算法的机场雷电预测模型的构建方法，其特征在于：Step1中对数据进行预处理的方法如下：
Step1.1、缺失值处理：检查数据中是否存在缺失值，可以通过删除包含缺失值的样本或使用插补方法填充缺失值；
Step1.2、噪声数据处理：通过使用平滑或滤波方法来减少数据中的噪声；
Step1.3、异常值处理：检测和处理异常值，可以使用统计方法来识别异常值，并进行删除或替换处理；
Step1.4、最大-最小归一化：将数据线性映射到指定的最小值和最大值之间，公式为：
其中，Xscaled为归一化后数据，X为初始数据，X_min为原始数据中的最小值，X_max为原始数据中的最大值。
4.根据权利要求1所述基于EEMD—PDO-RBF算法的机场雷电预测模型的构建方法，其特征在于：Step2中分解雷电数据的具体操作步骤为：
Step2.1、设定总体平均次数M；
Step2.2、将一个具有标准正态分布的白噪声ni(t)加到原始信号x(t)上，以产生一个新的信号：
xi(t)＝x(t)+ni(t)
式中ni(t)表示第i次加性白噪声序列，xi(t)表示第i次试验的附加噪声信号，i＝1,2,3,…M；
Step2.3、对所得含噪声的信号分别进行EMD分解，得到各自和的IMF形式：
式中，ci,j(t)为第i次加入白噪声后分解得到的第j个IMF，ri,j(t)是残余函数，代表信号的平均趋势，J是的IMF数量；
Step2.4、重复Step2.2和Step2.3进行M次，每次分解加入幅值不同的白噪声信号得到IMF的集合为：
C1,j(t),c2,j(t)CM,j(t),j＝1,2,3,...J
Step2.5、利用不相关序列的统计平均值为零的原理，将上述对应的进行集合平均运算，得到EEMD分解后最终的各分量，即：
式中，ci,j(t)是EEMD分解的第j个IMF，i＝1,2,3,…M，j＝1,2,3,…J。
5.根据权利要求1所述基于EEMD-PDO-RBF算法的机场雷电预测模型的构建方法，其特征在于：Step3是从Step2中提取所能表征雷电信号的关键特征：
分解得到若干个IMF分量，提取频率较高的几个变量作为下一阶段的输入，然后将这些数据按7:3的比例划分为训练集和测试集。
6.根据权利要求1所述基于EEMD-PDO-RBF算法的机场雷电预测模型的构建方法，其特征在于：Step4中构建RBF模型的具体操作步骤为：
Step4.1、确定RBF神经网络的结构：RBF神经网络的结构包括隐藏层和输出层。在隐藏层中，径向基函数的计算公式通常采用高斯函数：
式中，X＝[x1x2···xn]为n维网络输入，ci为第i个隐含层神经元的中心点向量值；σi为第i个隐含层神经元的宽度向量值，m为输入神经元的个数。
Step4.2、对于RBF神经网络，关键和难点在于确定隐层中心矩阵高斯均方根宽度向量/>与权值矩阵/>为了优化这三个参数，将PDO应用于RBF网络中，记为PDO-RBF。在PDO-RBF中，将RBFNN的参数编码为土拨鼠个体的位置。选择优化的目标函数为均方误差：
式中：Object为优化目标，RMSE为均方误差，n为训练样本个数，为第i个样本的期望输出值与实际输出值的平方差。
Step4.3、RBF神经网络输入和输出的之间的关系表达式为：
式中：p为输出层神经元的个数；yj为输出层第j个神经元的输出值；wi,j为隐含层第i个单元与输出层第j个单元之间的连接权值。RBF神经网络结构的确立，需要求解的参数有3个：基函数的数据中心ci、方差σi以及隐含层到输出层的权值wi,j。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311751232.6A CN117743826A (zh) | 2023-12-19 | 2023-12-19 | 一种基于eemd-pdo-rbf算法的机场雷电预测模型的构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311751232.6A CN117743826A (zh) | 2023-12-19 | 2023-12-19 | 一种基于eemd-pdo-rbf算法的机场雷电预测模型的构建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117743826A true CN117743826A (zh) | 2024-03-22 |
Family
ID=90255781
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311751232.6A Pending CN117743826A (zh) | 2023-12-19 | 2023-12-19 | 一种基于eemd-pdo-rbf算法的机场雷电预测模型的构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117743826A (zh) |
-
2023
- 2023-12-19 CN CN202311751232.6A patent/CN117743826A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| CN112949945A (zh) | 一种改进双向长短期记忆网络的风电功率超短期预测方法 | |
| CN112686464A (zh) | 短期风电功率预测方法及装置 | |
| CN108717579B (zh) | 一种短期风电功率区间预测方法 | |
| CN113344288B (zh) | 梯级水电站群水位预测方法、装置及计算机可读存储介质 | |
| CN110991725B (zh) | 一种基于风速分频和权值匹配的rbf超短期风电功率预测方法 | |
| CN112668611B (zh) | 一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法 | |
| CN110991737A (zh) | 一种基于深度置信网络的超短期风电功率预测方法 | |
| CN116739172B (zh) | 一种基于爬坡识别的海上风电功率超短期预测方法及装置 | |
| CN113379116A (zh) | 基于聚类和卷积神经网络的台区线损预测方法 | |
| CN115034485A (zh) | 一种基于数据空间的风电功率区间预测方法及装置 | |
| CN110879927A (zh) | 一种用于海目标检测的海杂波幅度统计分布现场建模方法 | |
| CN115965150A (zh) | 一种基于权重分配的电力负荷预测方法 | |
| CN112486137A (zh) | 有源配电网故障特征库构建方法、系统及故障诊断方法 | |
| CN111506868A (zh) | 一种基于hht权值优化的超短期风速预测方法 | |
| Sun et al. | Short-term power load prediction based on VMD-SG-LSTM | |
| Xu et al. | Interval prediction method for wind power based on VMD-ELM/ARIMA-ADKDE | |
| CN118095570A (zh) | 台区智能负荷预测方法、系统、电子设备、介质及芯片 | |
| CN110516792A (zh) | 基于小波分解和浅层神经网络的非平稳时间序列预测方法 | |
| CN114298132A (zh) | 风电功率预测方法及装置、电子设备 | |
| CN118036819A (zh) | 环境因素对配电网运行的影响和设备检修系统及方法 | |
| CN113449920A (zh) | 一种风电功率预测方法、系统及计算机可读介质 | |
| CN113361782A (zh) | 基于改进mkpls的光伏发电功率短期滚动预测方法 | |
| CN115983507B (zh) | 送端源电网断面宽频振荡风险预测方法及系统 | |
| CN116070669B (zh) | 一种基于改进深度置信网络的车间能耗预测方法与管理系统 |
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 |