WO2015172560A1 - 基于bp神经网络的中央空调冷负荷的预测方法 - Google Patents

基于bp神经网络的中央空调冷负荷的预测方法 Download PDF

Info

Publication number
WO2015172560A1
WO2015172560A1 PCT/CN2014/094572 CN2014094572W WO2015172560A1 WO 2015172560 A1 WO2015172560 A1 WO 2015172560A1 CN 2014094572 W CN2014094572 W CN 2014094572W WO 2015172560 A1 WO2015172560 A1 WO 2015172560A1
Authority
WO
WIPO (PCT)
Prior art keywords
layer
neural network
output
data
cooling load
Prior art date
Application number
PCT/CN2014/094572
Other languages
English (en)
French (fr)
Inventor
彭新一
谢妍
黄志炜
李绵升
Original Assignee
华南理工大学
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 华南理工大学 filed Critical 华南理工大学
Publication of WO2015172560A1 publication Critical patent/WO2015172560A1/zh

Links

Images

Classifications

    • 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

Definitions

  • the invention relates to a prediction technology for a central air conditioning cooling load of a school building, in particular to a prediction method for a central air conditioning cooling load based on a BP neural network.
  • the central air-conditioning cold consumption of the school building has the following characteristics: 1 indoor dense staff, human body heat and humidity load occupy most of the summer air conditioning load, indoor human body moisture is large, air conditioning load accounts for a significant proportion of building energy consumption; 2 fresh air load A large proportion of air conditioning load; 3 indoor concentration, poor air quality, long-term stay affects human health; 4 even in the case of air conditioning, due to high indoor density, indoor relative humidity is large (generally higher than 60 %), therefore, indoors are prone to sultry feelings; 5 the air conditioning system of the school building consumes a lot of electricity. According to statistics, the power consumption of the air conditioning system accounts for more than 30% of the building's electricity consumption. .
  • the air conditioning load forecast is focused on prevention. Through the prediction results, it is possible to detect the waste energy consumption caused by excessive cold consumption or equipment aging as early as possible, and take preventive and control measures in time to prevent secondary energy waste and achieve better energy saving effect.
  • the rapid development of load forecasting technology is mainly due to the research and application development of short-term load forecasting. In the field of such load forecasting, many forecasting methods have been studied.
  • short-term load forecasting methods are mainly divided into two categories, one is mathematical statistical method (also called classical load forecasting method), and the other is artificial intelligence method (also called modern load forecasting method).
  • mathematical statistical method mainly studies the correlation between load and historical data, while the artificial intelligence method tries to avoid the influence of human factors in the prediction process, and it is more convenient and automatic to explore the internal relationship of things, which is more simple and convenient.
  • the existing central air conditioning cooling load forecasting methods are as follows:
  • Time series method By collecting historical data of things, mining the process characteristics of historical sequences, on this basis, constructing a model of the stochastic process of the actual sequence, and then using this model for prediction.
  • the disadvantage is that it relies too much on the original data and its relevance. It does not consider some random data. If the data changes too much, this method is not applicable.
  • Regression analysis method Through the analysis of historical data of variables, the relationship between variables and variables is found to carry out load forecasting. Due to the diversity, variability and randomness of the load forecasting factors, such load forecasting methods have large errors and large instability, and have poor prediction effects on special load models such as holidays.
  • Expert system Through the acquisition of expert knowledge and operational knowledge, build an expert knowledge base, conduct detailed analysis of past load data, and extract relevant rules. Through the expert knowledge base, according to the currently known information, load forecasting is performed according to certain reasoning. However, the expert system has higher requirements for historical data and relies on the extracted rules, which has certain limitations.
  • the object of the present invention is to overcome the shortcomings and shortcomings of the prior art, and to provide a BP air network based method for predicting the cooling load of a central air conditioner, which can be used for central air conditioning cooling of a single building or a whole campus building group. Forecast, cold consumption abnormal warning and energy saving control guidance.
  • a BP neural network based method for predicting the cooling load of a central air conditioner comprising the following steps:
  • Step 1 Select the main factors affecting the cooling load of the school building as the input parameters of the neural network.
  • the specific method is as follows:
  • Step 2 Sorting and pre-processing the building cold load forecast sample data, including the following steps:
  • Step 3 Design the hierarchical structure of the BP neural network and determine the number of hidden layers, specifically:
  • the number of layers in the BP neural network is three, and the hidden layer is one, which is the input layer, the hidden layer, and the output layer.
  • the number of nodes in the BP neural network input layer is 9, the number of nodes in the output layer is 1, the number of hidden nodes is 11, the activation function uses the Sigmoid function, and the connection weight between neurons takes a value between 0 and 1.
  • Step 4 Start running BP neural network training until the reverse convergence, terminate the learning, and output the predicted value, which specifically includes the following steps:
  • the output of each neuron in the hidden layer is:
  • the output of each neuron in the output layer is:
  • the invention calculates the central air conditioning cooling load of the building in the next 24 hours by accurately collecting the indoor and outdoor temperature of the building, the outdoor humidity, the number of indoors and the cooling load at time t, and provides the school building manager with accurate and reliable real-time prediction of the cold load data. To achieve timely cold weather abnormal warning and energy saving control guidance.
  • the invention adopts BP neural network for prediction, can process quantitative information and qualitative information, and each node adopts distributed parallel processing, which has strong processing capability and relatively fast processing speed.
  • the invention establishes a network between the input data set and the observed output data set by training, and can deal with the nonlinear relationship between load and related factors well.
  • the invention utilizes error back propagation to continuously adjust the weight and threshold of the neural network, which can effectively control the error range and ensure the prediction accuracy.
  • FIG. 1 is a structural diagram of a BP neural network for predicting cold load in the present invention.
  • FIG. 2 is a flow chart of a method for predicting a cooling load of a central air conditioner based on a BP neural network according to the present invention.
  • the BP neural network structure constructed for cold load prediction in the present invention the number of layers of the BP neural network is three layers, and the hidden layer is one layer, and the input layer is hidden from left to right. Contains layers, output layers, and full layers are used between layers.
  • the basic principle of BP neural network is to calculate the error between the output layer and the expected output by learning the training process, and then correct the weight and offset value of each neuron from the output layer until the error between the network output and the expected output.
  • the learning process is divided into two phases: first, forward propagation, input information is processed from the input layer through the hidden layer, and finally passed to the output layer, and the output is compared with the expected value to generate an error, and the error is reverse-propagated. Then, back propagation is started, and the error signal returns along the original connection path. At the same time, the weight of each layer of neurons is modified, so that the error signal becomes minimum, and the output result tends to the desired output value.
  • FIG. 2 it is a flowchart of a method for predicting the cooling load of the central air conditioner based on the BP neural network. The entire process consists of the following steps:
  • Step (1) Input data normalization preprocessing:
  • a normalized preprocessing method is employed in the present invention as follows:
  • x i , x di , x dmin , x dmax represent the normalized input data, the original input data, the minimum value of the original input data, and the maximum value of the original input data, respectively.
  • t i , y di , y dmin , y dmax respectively represent the normalized target value, the original target value, the minimum value of the original target value, and the maximum value of the original target value.
  • the result of the network output needs to be restored to get the actual value.
  • the predicted value obtained by the neural network training be o i , then restore to the actual value:
  • y pi y dmin +o i (y dmax -y dmin ),
  • the cold load data table of 8:00 to 17:00 is the data collected on a certain day in the embodiment, mainly for the cooling time period: 8:00 am to 5:00 pm, so the value range of the time parameter is 8 ⁇ 17:
  • Table 1 The data in Table 1 is preprocessed according to the normalization processing method described above, and the processing result is shown in Table 2) below.
  • Table 2 is the normalized processing table of the cold load data from 8:00 to 17:00.
  • Step (2) Determination of the number of hidden layer nodes:
  • the appropriate number of hidden layer nodes is the key to the success of neural network training. Finding the optimal number of hidden layer nodes is important for the structure of the BP neural network. We use empirical formulas to determine the number of nodes in the hidden layer:
  • h is the number of hidden layer nodes
  • x is the number of neurons in the input layer
  • o is the number of neurons in the output layer
  • a is a constant between 1-10.
  • Step (3) initializes the weight:
  • connection weight W ij between the input layer and the hidden layer, the connection weight W jk between the hidden layer and the output layer, the threshold value ⁇ j of each hidden neuron, and the threshold value of each neuron in the output layer ' k gives a random value between (-1, 1).
  • Step (4) Enter the learning sample and calculate the output of each layer:
  • Step (5) Calculate the mean square error and the error signals of each layer, and correct the weights of each layer:
  • the partial derivative ⁇ o (t) of the error function for each neuron in the output layer is calculated, and the error function is
  • the error continues to propagate forward, calculating the partial derivative ⁇ h (t) of the error function for each neuron in the hidden layer, using the connection weight of the hidden layer to the output layer, the ⁇ o (t) of the output layer and the hidden layer
  • the output can be calculated as follows:
  • the weight adjustment is performed.
  • the weight adjustment from the hidden layer to the output layer is as follows:
  • the weight adjustment of the input layer to the hidden layer is as follows:
  • connection weight is adjusted by the gradient descent method, so that the error propagates back, and then the error value is recalculated, so that the BP neural network output is getting closer to the expected value, and the error is smaller and smaller.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

公开了一种基于BP神经网络的中央空调冷负荷的预测方法，包括以下步骤：步骤1、选择影响学校建筑冷负荷的因素作为神经网络输入参数；步骤2、对建筑冷负荷预测样本数据进行整理及预处理；步骤3、设计BP神经网络的层次结构，确定隐含层数；步骤4、运行BP神经网络训练，直到反向收敛，终止学习，输出预测值。该方案可提高准确性及可靠性。

Description

基于BP神经网络的中央空调冷负荷的预测方法 技术领域
本发明涉及一种学校建筑中央空调冷负荷的预测技术，特别涉及一种基于BP神经网络的中央空调冷负荷的预测方法。
背景技术
学校建筑的中央空调冷耗具有以下特点：①室内人员密集，人体热、湿负荷占据了夏季空调负荷的绝大部分，室内人体散湿量大，空调负荷占建筑能耗比重大；②新风负荷在空调负荷当中所占比例很大；③室内人员集中，空气质量差，长时间逗留影响人体健康；④即使在采用空调的情况下，由于室内人员密度高，室内相对湿度大(一般高于60％)，因此室内人员容易产生闷热的感觉；⑤学校建筑的空调系统耗电量高，据统计，空调系统的耗电量占到建筑耗电量的30％以上，因此学校建筑空调节能任务重。如果没有对空调负荷进行预测，只能在造成能源浪费之后，才采取适当的节能措施。而实施节能措施后，又要等一段时间才可以看出节能效果，由于时间的延迟性将会导致冷耗进一步增大。而空调负荷预测重在预防，通过预测结果，可以尽早发现冷耗过度或者设备老化导致的能耗浪费现象，及时采取预防控制措施，防止能源二次浪费，达到更好的节能效果。负荷预测技术快速发展，主要是在于短期负荷预测的研究与应用上的发展，在此类负荷预测领域，人们研究了很多预测方法。一般来说，根据数学模型的不同，短期负荷预测方法主要分为两类，一种是数学统计方法(也称经典负荷预测方法)，另一种是人工智能方法(也称现代负荷预测方法)。其中，数学统计方法主要在于研究负荷和历史数据的关联性，而人工智能方法则试图避开预测过程中的人为因素的影响，更方便及自动化地发掘事物内部关联，更具简单性及方便性。现有的中央空调冷负荷预测方法有如下几种：
时间序列法：通过采集事物历史数据，挖掘历史序列过程特性，在此基础上构建实际序列的随机过程的模型，再用此模型进行预测。缺点是过于依赖原始数据及其相关性，对一些随机性数据考虑不全，若数据变化过大，此方法则不适用。
回归分析法：通过对变量的历史数据进行分析，发现变量与变量之间的关系，以便进行负荷预测。由于负荷预测影响因素的多样性、多变性和随机性，此类负荷预测方法存在误差大，不稳定性大，对节假日等特殊负荷模型的预测效果差。
专家系统：通过获取专家的知识经验及其操作知识，构建专家知识库，对过去的负荷数据进行细致的分析，提取有关规则。通过专家知识库，根据当前已知信息，按照一定的推理进行负荷预测。但是专家系统对历史数据的要求较高，依赖于提取到的规则，具有一定的局限性。
发明内容
本发明的目的在于克服现有技术的缺点与不足，提供一种基于BP神经网络的中央空调冷负荷的预测方法，该预测方法可用于学校单栋建筑或整片校区建筑群的中央空调冷耗预报、冷耗异常警示及节能控制指导。
本发明的目的通过下述技术方案实现：一种基于BP神经网络的中央空调冷负荷的预测方法，包含以下步骤：
步骤1、选择影响学校建筑冷负荷的主要因素作为神经网络输入参数，其具体方法为：
通过试验测定，选择以下参数作为神经网络的输入：待预测时刻t，室外温度Td，室外湿度RH，室内温度Tr，室内人数P，t-1时刻冷负荷CLt-1，t-24时刻冷负荷CLt-24，t-48时刻冷负荷CLt-48，t-1w时刻冷负荷CLt-1w(w＝week)；
步骤2、对建筑冷负荷预测样本数据进行整理及预处理，具体包含以下步骤：
(2-1)对工作日(周一到周五)和非工作日分别用两个神经网络进行预测，对工作日和非工作日的数据进行整理和合并，同时对样本数据进行清洗和修证，保证数据完整不存在缺失现象，并把异常数据剔除；
(2-2)使用归一化处理方法对步骤(2-1)整理后的数据进行预处理；
步骤3、设计BP神经网络的层次结构，确定隐含层数，具体为：
BP神经网络的层数为三层，隐含层为1层，分别为输入层，隐含层，输出层。所述BP神经网络输入层节点数为9，输出层节点数为1，隐含节点个数为11，激活函数使用Sigmoid函数，神经元间的连接权值取值为0到1之间的随机数据；
步骤4、开始运行BP神经网络训练，直到反向收敛，终止学习，输出预测值，具体包含以下步骤：
(4-1)对权值wij、wjk进行初始化：
(4-2)逐个输入数量为P的学习样本；
(4-3)逐个计算网络中每层的输出：
隐含层各神经元输出为：
hoj(t)＝f(hij(t))，   j＝1，2，...，p，
输出层各神经元的输出为：
ook(t)＝f(oik(t))，   k＝1，2，...，q；
(4-4)从输出层开始，对误差进行反传：
计算误差函数对输出层各神经元偏导数δo(t)：
Figure PCTCN2014094572-appb-000001
计算误差函数对隐含层各神经元的偏导数δh(t)：
Figure PCTCN2014094572-appb-000002
(4-5)设学习过的样本个数为p。如果p＜P，跳到步骤(4-2)继续按流程计算；如果p＝P，转步骤(4-6)；
(4-6)计算并修正各层的权值或阀值：
隐含层到输出层的权值调整：
Figure PCTCN2014094572-appb-000003
w′n+1 jk(t)＝w′n jk(t)+μδo(t)hoj(t)，
输入层到隐含层的权值调整：
Figure PCTCN2014094572-appb-000004
wn+1 ij(t)＝wn ij(t)+μδh(t)xi(t)，
(4-7)权值改变后，再按新的权值计算每层输出和总误差值，若对每个样本及其输出|do(t)-oo(t)|＜ε或达到最大学习次数，则可以终止学习，否则转步骤(4-2)继续新一轮学习。
本发明相对于现有技术具有如下的优点及效果：
1、本发明通过精确采集建筑的室内外温度、室外湿度、室内人数以及t时刻的冷负荷计算未来24小时的建筑中央空调冷负荷，为学校建筑管理者提供精确、可靠的实时预测冷负荷数据，实现及时的冷耗异常预警以及节能控制指导。
2、本发明采用BP神经网络进行预测，能处理定量信息及定性信息，各节点采用分布式并行处理，处理数据能力强、处理速度相对较快。
3、本发明通过训练在输入数据集和观察的输出数据集间建立网络，可以很好的处理负荷和相关因素的非线性关系。
4、本发明利用误差反向传播来不断调整神经网络的权值和阀值，能够有效控制误差范围，保证预测精确度。
附图说明
图1为本发明中构造的冷负荷预测的BP神经网络结构图。
图2为本发明基于BP神经网络的中央空调冷负荷的预测方法的流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例
如图1所示，为本发明中用于冷负荷预测而构造的BP神经网络结构：BP神经网络的层数为三层，隐含层为1层，从左到右分别为输入层，隐含层，输出层，各层之间使用全连接实现。输入层节点9个(X1-X9)，输出层节点1个(O)，隐含节点11个(h1-h11)，激活函数使用Sigmoid函数，神经元间的连接权值取值为0到1之间的随机数据。BP神经网络的基本原理是通过学习训练过程，计算输出层与期望输出之间的误差，然后从输出层反向修正各神经元的权值和偏置 值，直到网络输出与期望输出之间误差小于预定误差。其中学习过程分为两个阶段：首先是正向传播，输入信息从输入层经隐含层处理，最终传至输出层，将输出结果与期望值进行比较产生误差，误差进行反向传播。接着开始反向传播，误差信号沿原连接路径返回，同时，修改各层神经元的权值，使得误差信号变得最小，输出结果趋向于期望输出值。
如图2所示，为基于BP神经网络的中央空调冷负荷的预测方法的流程图。整个流程包含了以下步骤：
步骤(1)输入数据归一化预处理：
由于BP神经网络的隐含层一般采用Sigmoid激活函数，为了提高训练速度、训练灵敏性，应在Sigmoid函数迅速变化区域，一般要求输入数据值在0～1之间。实际问题中，输入数据一般不会在此区间，因此，需要对输入数据进行预处理。本发明中采用的是归一化的预处理方法，如下所示：
Figure PCTCN2014094572-appb-000005
Figure PCTCN2014094572-appb-000006
其中，xi，xdi，xdmin，xdmax分别表示归一化后的输入数据，原始输入数据，原始输入数据中最小值，原始输入数据中最大值。ti，ydi，ydmin，ydmax分别表示归一化后的目标值，原始目标值，原始目标值中最小值，原始目标值中最大值。
预处理的数据训练结束后，网络输出的结果需要进行还原操作，才能得到实际值。设神经网络训练得到的预测值是oi，则还原为实际值为：
ypi＝ydmin+oi(ydmax-ydmin)，
如表1所示，为8时～17时冷负荷数据表，是实施例中某一天采集的数据，主要针对供冷时间段：早上8点到下午5点，故时刻参数的取值范围是8～17：
Figure PCTCN2014094572-appb-000007
表1
根据上述描述的归一化处理方法对表1中的数据进行预处理，处理结果如下表2)所示，表2为8时～17时冷负荷数据归一化处理表：
Figure PCTCN2014094572-appb-000008
表2
步骤(2)隐含层节点数的确定：
适当的隐含层节点数是神经网络训练成败的关键。找到最优的隐含层节点数对BP神经网络的结构很重要。我们借助经验公式来确定隐含层的节点数：
Figure PCTCN2014094572-appb-000009
式中，h为隐含层节点数，x为输入层神经元数，o为输出层神经元数，a为1-10之间的常数。经过多次试验，选a＝7时，效果最佳。故在本实施例中，x为9，o为1，得到隐含层节点数h为11。
步骤(3)对权值进行初始化：
给输入层与隐含层之间的连接权值Wij、隐含层与输出层之间的连接权值Wjk、隐含层各神经元阀值θj、输出层各神经元阀值θ′k赋予(-1，1)间的随机值。
步骤(4)输入学习样本，计算各层输出：
假设选取训练样本中第t样本进行分析：
计算隐含层各神经元的输入：
Figure PCTCN2014094572-appb-000010
   j＝1，2，...，p，i＝1，2，...，p，
计算隐含层各神经元的输出，由于神经网络选择的激活函数是Sigmoid函数，因此隐含层神经元输出为：
hoj(t)＝f(hij(t))，   j＝1，2，...，p，i＝1，2，...，p，
计算输出层各神经元的输入参数：
Figure PCTCN2014094572-appb-000011
   k＝1，2，...，q，
计算输出层各神经元的输出，同样，使用Sigmoid函数：
ook(t)＝f(oik(t))，   k＝1，2，...，q，
至此，已经完成对BP神经网络的正向传播过程，得到输出数据。
步骤(5)计算均方误差和各层误差信号，修正各层权值：
对于输出数据，通过误差反传来进行。对于Sigmoid激活函数，有：
y′＝f′(u)＝(1-f(u))f(u)，
根据梯度下降法，对于第t个样本，计算误差函数对输出层的各神经元偏导数δo(t)，误差函数为
Figure PCTCN2014094572-appb-000012
Figure PCTCN2014094572-appb-000013
Figure PCTCN2014094572-appb-000014
Figure PCTCN2014094572-appb-000015
因此，我们从以上三个式子得到：
Figure PCTCN2014094572-appb-000016
误差继续向前传播，计算误差函数对隐含层各神经元的偏导数δh(t)，使用隐含层到输出层的连接权值，输出层的δo(t)和隐含层的输出可以进行计算，如下所示：
Figure PCTCN2014094572-appb-000017
Figure PCTCN2014094572-appb-000018
Figure PCTCN2014094572-appb-000019
因此，我们从以上三个式子得到：
Figure PCTCN2014094572-appb-000020
利用梯度下降法已经取得对的delta值，则进行权值调整。
隐含层到输出层的权值调整，如下所示：
Figure PCTCN2014094572-appb-000021
w′n+1 jk(t)＝w′n jk(t)+μδo(t)hoj(t)，
输入层到隐含层的权值调整，如下所示：
Figure PCTCN2014094572-appb-000022
wn+1 ij(t)＝wn ij(t)+μδh(t)xi(t)，
由以上可知，通过梯度下降法调整连接权值，使得误差反向传播，然后重新计算误差值，让BP神经网络输出越来越接近期望值，误差越来越小。
步骤(6)判断结束条件：设学习过的样本个数为p，学习样本总数为P；如果p＜P，则转到步骤(4)继续按流程计算；如果p＝P，则判断均方误差是否小于给定误差，如果否，则返回到步骤(4)，如果是，则结束学习训练，输出预测值。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (5)

  1. 基于BP神经网络的中央空调冷负荷的预测方法，其特征在于，包括以下步骤：
    步骤1、选择影响学校建筑冷负荷的因素作为神经网络输入参数；
    步骤2、对建筑冷负荷预测样本数据进行整理及预处理；
    步骤3、设计BP神经网络的层次结构，确定隐含层数；
    步骤4、运行BP神经网络训练，直到反向收敛，终止学习，输出预测值。
  2. 如权利要求1所述的基于BP神经网络的中央空调冷负荷的预测方法，其特征在于，在步骤1中，所述的神经网络输入参数包括：待预测时刻t、室外温度Td、室外湿度RH、室内温度Tr、室内人数P、t-1时刻冷负荷CLt-1、t-24时刻冷负荷CLt-24、t-48时刻冷负荷CLt-48和t-1w时刻冷负荷CLt-1w。
  3. 如权利要求1所述的基于BP神经网络的中央空调冷负荷的预测方法，其特征在于，所述步骤2包括以下步骤：
    (2-1)对周一到周五和周六到周日的数据分别用神经网络进行预测，得到工作日的数据和非工作日的数据，对工作日的数据和非工作日的数据进行整理与合并；同时对样本数据进行清洗和修证，保证数据完整，并把异常数据剔除；
    (2-2)使用归一化处理方法，对步骤(2-1)整理后的数据进行预处理。
  4. 如权利要求1所述的基于BP神经网络的中央空调冷负荷的预测方法，其特征在于，在步骤3中，所述的BP神经网络的层数为三层，分别是输入层、隐含层和输出层，所述隐含层的层数为一层；所述输入层的节点个数为9，输出层的节点个数为1，隐含层的节点个数为11，激活函数使用Sigmoid函数，神经元间的连接权值的取值为0到1之间的随机数据。
  5. 如权利要求1所述的基于BP神经网络的中央空调冷负荷的预测方法，其特征在于，所述步骤4包含以下步骤：
    (4-1)对权值进行初始化；
    (4-2)逐个输入数量为P的学习样本；
    (4-3)逐个计算网络中每层的输出：
    隐含层各神经元输出为：
    hoj(t)＝f(hij(t))，j＝1，2，...，p，
    输出层各神经元的输出为：
    ook(t)＝f(oik(t))，k＝1，2，...，q，
    (4-4)从输出层开始，对误差进行反传：
    计算误差函数对输出层各神经元偏导数δo(t)：
    Figure PCTCN2014094572-appb-100001
    计算误差函数对隐含层各神经元的偏导数δh(t)：
    Figure PCTCN2014094572-appb-100002
    (4-5)设学习过的样本个数为p，如果p＜P，则执行步骤(4-2)继续按流程计算；如果p＝P，则执行步骤(4-6)；
    (4-6)计算并修正各层的权值或阀值：
    隐含层到输出层的权值调整：
    Figure PCTCN2014094572-appb-100003
    w′n+1 jk(t)＝w′n jk(t)+μδo(t)hoj(t)，
    输入层到隐含层的权值调整：
    Figure PCTCN2014094572-appb-100004
    wn+1 ij(t)＝wn ij(t)+μδh(t)xi(t)，
    (4-7)权值改变后，再按新的权值计算每层输出和总误差值，若每个样本及其输出满足|do(t)-oo(t)|＜ε或达到最大学习次数，则终止学习；否则，执行步骤(4-2)继续新一轮的学习。
PCT/CN2014/094572 2014-05-16 2014-12-23 基于bp神经网络的中央空调冷负荷的预测方法 WO2015172560A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201410209777.9A CN104008427A (zh) 2014-05-16 2014-05-16 基于bp神经网络的中央空调冷负荷的预测方法
CN201410209777.9 2014-05-16

Publications (1)

Publication Number Publication Date
WO2015172560A1 true WO2015172560A1 (zh) 2015-11-19

Family

ID=51369075

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2014/094572 WO2015172560A1 (zh) 2014-05-16 2014-12-23 基于bp神经网络的中央空调冷负荷的预测方法

Country Status (2)

Country Link
CN (1) CN104008427A (zh)
WO (1) WO2015172560A1 (zh)

Cited By (115)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108829964A (zh) * 2018-06-07 2018-11-16 北京化工大学 基于特征提取elm的pta装置醋酸消耗的软测量方法
CN108875158A (zh) * 2018-05-31 2018-11-23 浙江工业大学 一种基于多项式函数拟合和bp神经网络的电池放电时间预测方法
CN108959728A (zh) * 2018-06-12 2018-12-07 杭州法动科技有限公司 基于深度学习的射频器件参数优化方法
CN109117576A (zh) * 2018-08-29 2019-01-01 上海海事大学 一种确定岸桥结构载荷及实时应力场的方法
CN109146063A (zh) * 2018-08-27 2019-01-04 广东工业大学 一种基于重要点分割的多分段短期负荷预测方法
CN109190226A (zh) * 2018-08-24 2019-01-11 东北大学 一种磨矿系统溢流粒度指标软测量方法
CN109309382A (zh) * 2018-09-13 2019-02-05 广东工业大学 一种短期电力负荷预测方法
CN109344502A (zh) * 2018-09-30 2019-02-15 武汉理工大学 基于ga-bp算法的船舶轴系中间轴承安装变位调整方法
CN109583585A (zh) * 2018-11-22 2019-04-05 西安热工研究院有限公司 一种电站锅炉壁温预测神经网络模型
CN109635919A (zh) * 2018-11-05 2019-04-16 新乡航空工业(集团)有限公司 一种空气类单向活门有效流通面积测算方法及其装置
CN109660419A (zh) * 2018-10-08 2019-04-19 平安科技（深圳）有限公司 预测网络设备异常的方法、装置、设备及存储介质
CN109815525A (zh) * 2018-12-06 2019-05-28 天津大学 一种进给系统动态特性多目标优化设计方法
CN109829581A (zh) * 2019-01-29 2019-05-31 竺炜 一种基于首端“负荷云”预测的10千伏线路滚动规划优先级排序方法
CN109840639A (zh) * 2019-03-05 2019-06-04 东北大学 一种高速铁路列车运行晚点时间预测方法
CN109858103A (zh) * 2019-01-10 2019-06-07 杭州市电力设计院有限公司 用于配电网的电动汽车充电站负载建模方法
CN109978217A (zh) * 2018-11-09 2019-07-05 国网浙江省电力有限公司绍兴供电公司 基于奇异谱分析和记忆网络的电力负荷预测方法
CN110069801A (zh) * 2018-11-26 2019-07-30 南昌工程学院 一种基于人工神经网络的挑距估算方法
CN110119545A (zh) * 2019-04-24 2019-08-13 西安理工大学 一种基于栈式自编码器的非侵入式电力负荷识别方法
CN110264004A (zh) * 2019-06-20 2019-09-20 西安建筑科技大学 一种基于PSO-BP与Markov链相结合的空调冷负荷动态预测方法
CN110378394A (zh) * 2019-06-26 2019-10-25 广西大学 基于神经网络的多生理数据融合分析方法
CN110471380A (zh) * 2019-08-15 2019-11-19 四川长虹电器股份有限公司 一种用于智能家居系统的空调故障监控及预警方法
CN110533243A (zh) * 2019-08-27 2019-12-03 西安建筑科技大学 一种基于分形理论的建筑能耗预测方法
CN110570042A (zh) * 2019-09-16 2019-12-13 燕山大学 一种短期电动汽车充电负荷预测方法及系统
CN110570023A (zh) * 2019-08-16 2019-12-13 国网天津市电力公司 一种基于sarima-grnn-svm的短期商业电力负荷预测方法
CN110633846A (zh) * 2019-09-02 2019-12-31 北京市燃气集团有限责任公司 燃气负荷预测方法和装置
CN110782007A (zh) * 2019-10-15 2020-02-11 中国航空无线电电子研究所 一种基于神经网络的飞行数据缺失补充方法
CN110795894A (zh) * 2019-11-25 2020-02-14 上海金脉电子科技有限公司 基于bp神经网络计算igbt模块温度的方法
CN110889495A (zh) * 2019-12-04 2020-03-17 河南中烟工业有限责任公司 一种基于能动参数的制丝设备状态维护分析方法
CN111027642A (zh) * 2019-12-25 2020-04-17 苏州工业职业技术学院 电能表质量监测方法
CN111163011A (zh) * 2020-01-19 2020-05-15 烟台持久钟表有限公司 一种基于ptp协议的无线路由器的数据处理方法
CN111310317A (zh) * 2020-02-03 2020-06-19 安徽大学 基于大数据与插值预测的粮仓空时温度场预测方法及装置
CN111367668A (zh) * 2020-02-29 2020-07-03 北京工业大学 一种基于改进bp神经网络的云服务资源弹性伸缩方法
CN111415008A (zh) * 2020-03-17 2020-07-14 上海海事大学 一种基于vmd-foa-grnn的船舶流量预测方法
CN111444658A (zh) * 2020-03-23 2020-07-24 暨南大学 一种槽型轨几何参数趋势预测方法及系统
CN111461378A (zh) * 2019-01-18 2020-07-28 电力规划总院有限公司 一种电网负荷预测方法和装置
CN111476422A (zh) * 2020-04-10 2020-07-31 北京石油化工学院 一种基于机器学习框架下LightGBM的建筑冷负荷预测方法
CN111553465A (zh) * 2020-04-27 2020-08-18 西安建筑科技大学 一种基于vmd-gru网络的公共建筑冷负荷预测方法
CN111598151A (zh) * 2020-05-12 2020-08-28 辽宁工程技术大学 用户用电负荷的预测方法
CN111598224A (zh) * 2020-05-15 2020-08-28 西安建筑科技大学 基于模拟退火算法优化bp神经网络的空调冷负荷预测方法
CN111598225A (zh) * 2020-05-15 2020-08-28 西安建筑科技大学 一种基于自适应深度置信网络的空调冷负荷预测方法
CN111611893A (zh) * 2020-05-14 2020-09-01 青岛翰林汇力科技有限公司 应用神经网络深度学习的智能测判方法
CN111625988A (zh) * 2020-03-10 2020-09-04 河北工程大学 基于深度学习的桥梁健康管理分析与预测系统及方法
CN111680453A (zh) * 2020-06-01 2020-09-18 西安电子科技大学 一种光栅入射参数反演模型结构和建立方法
CN111680712A (zh) * 2020-04-16 2020-09-18 国网江苏省电力有限公司检修分公司 基于日内相似时刻的变压器油温预测方法、装置及系统
CN111680838A (zh) * 2020-06-08 2020-09-18 中国电力科学研究院有限公司 一种空调负荷聚合功率预测方法及系统
CN111709563A (zh) * 2020-06-05 2020-09-25 山东大学 压缩感知结合bp神经网络在粮食温度趋势预测中的工作方法
CN111709998A (zh) * 2019-03-18 2020-09-25 长春工业大学 一种tof相机深度数据测量误差校正的elm空间配准模型方法
CN111797365A (zh) * 2020-06-09 2020-10-20 中国南方电网有限责任公司超高压输电公司检修试验中心 一种换流变压器温度异常判断方法及系统
CN111814386A (zh) * 2020-06-07 2020-10-23 西安电子科技大学 一种高超声速流场导入bp神经网络进行精细化处理的方法及系统
CN111814976A (zh) * 2020-07-14 2020-10-23 西安建筑科技大学 一种空调系统传感器故障误差再学习方法及系统
CN111859788A (zh) * 2020-07-07 2020-10-30 鞍钢股份有限公司 一种基于方坯连铸二冷区温度均匀预测及评价方法
CN111898856A (zh) * 2020-04-02 2020-11-06 沈阳工业大学 基于极限学习机的物理-数据融合楼宇的分析方法
CN111915076A (zh) * 2020-07-27 2020-11-10 湖北民族大学 一种利用人工智能神经网络实现景区观景人员预测的方法
CN112001439A (zh) * 2020-08-19 2020-11-27 西安建筑科技大学 基于gbdt的商场建筑空调冷负荷预测方法、存储介质及设备
CN112036758A (zh) * 2020-09-03 2020-12-04 合肥工业大学 基于成分数据的灰色qrnn修正的能耗结构预测方法
CN112036649A (zh) * 2020-09-03 2020-12-04 合肥工业大学 基于多核并行的径流概率密度预测的水电站风险评估方法
CN112085156A (zh) * 2020-07-15 2020-12-15 国网安徽省电力有限公司怀远县供电公司 一种分压线损率预测及降损潜力评估方法及系统
CN112084707A (zh) * 2020-09-02 2020-12-15 西安建筑科技大学 基于冷冻水和冷却水变流量解耦的制冷机房节能优化方法及系统
CN112269729A (zh) * 2020-11-04 2021-01-26 江苏瑞祥科技集团有限公司 面向网络购物平台大规模服务器集群的负载智能分析方法
CN112331274A (zh) * 2020-03-06 2021-02-05 西安工程大学 基于相重构和神经网络的变压器油中溶解气体预测方法
CN112329338A (zh) * 2020-10-26 2021-02-05 中国移动通信集团内蒙古有限公司 基于鱼群优化bp神经网络的冷源系统控制方法及装置
CN112381326A (zh) * 2020-11-30 2021-02-19 安徽理工大学 一种基于改进bp神经网络的汛情监测方法
CN112396162A (zh) * 2020-11-15 2021-02-23 西安热工研究院有限公司 一种燃煤机组屛式过热器壁温预测神经网络模型
CN112418526A (zh) * 2020-11-24 2021-02-26 国网天津市电力公司 基于改进深度信念网络的综合能源负荷控制方法及装置
CN112461995A (zh) * 2020-11-03 2021-03-09 西安热工研究院有限公司 一种预测火电厂氨逃逸的方法
CN112507437A (zh) * 2020-12-17 2021-03-16 青岛理工大学 一种基于神经网络的桥梁索力振动法多参数识别方法
CN112507570A (zh) * 2020-12-29 2021-03-16 江西五十铃汽车有限公司 一种新型bp神经网络的计算方法及其柔性因素优化设计方法
CN112508244A (zh) * 2020-11-25 2021-03-16 武汉大学 一种用户级综合能源系统多元负荷预测方法
CN112613542A (zh) * 2020-12-14 2021-04-06 国网甘肃省电力公司营销服务中心 一种基于双向lstm的企业除污设备负荷辨识方法
CN112712189A (zh) * 2019-10-25 2021-04-27 北京市热力集团有限责任公司 一种供热需求负荷预测方法
CN112862147A (zh) * 2020-11-19 2021-05-28 河南汇祥通信设备有限公司 基于bp神经网络的综合管廊运维风险评价模型及方法
CN112884186A (zh) * 2019-11-29 2021-06-01 国网天津市电力公司 一种考虑dg和电采暖负荷的变电站网供负荷预测方法
CN112905436A (zh) * 2021-04-25 2021-06-04 中航机载系统共性技术有限公司 一种面向复杂软件的质量评估预测方法
CN112905670A (zh) * 2020-12-11 2021-06-04 国网冀北电力有限公司计量中心 用于户内停电故障研判的电能表系统、户内停电故障研判方法
CN112926795A (zh) * 2021-03-22 2021-06-08 西安建筑科技大学 一种基于sbo优化cnn的高层住宅建筑群热负荷预测方法及系统
CN112926117A (zh) * 2021-03-01 2021-06-08 郑州大学 一种基于bas-bp的桩基水平承载力预测方法
CN112926258A (zh) * 2021-02-05 2021-06-08 西安电子科技大学 一种基于bp神经网络模型预测半导体器件结温的方法
CN112966449A (zh) * 2021-03-31 2021-06-15 中国航空综合技术研究所 基于变量选择和概率神经网络的制造过程质量缺陷根源诊断方法
CN112990618A (zh) * 2019-12-02 2021-06-18 国网甘肃省电力公司信息通信公司 一种工业物联网中基于机器学习方法的预测方法
CN113077045A (zh) * 2021-03-26 2021-07-06 西安交通大学 一种基于bp神经网络的真空电弧电压预测方法
CN113095598A (zh) * 2021-05-07 2021-07-09 国网山东省电力公司经济技术研究院 一种多能负荷预测方法、系统、设备和介质
CN113095482A (zh) * 2021-04-06 2021-07-09 西安邮电大学 基于bp神经网络的拉曼放大器增益值计算方法及系统
CN113094804A (zh) * 2020-01-08 2021-07-09 星河动力(北京)空间科技有限公司 一种具有增量式学习能力的固体火箭发动机比冲性能预测方法
CN113177673A (zh) * 2021-05-28 2021-07-27 西安建筑科技大学 一种空调冷负荷预测优化方法、系统及设备
CN113221434A (zh) * 2021-01-06 2021-08-06 河北建筑工程学院 一种基坑变形预测方法
CN113256022A (zh) * 2021-06-16 2021-08-13 广东电网有限责任公司 一种台区用电负荷预测方法及系统
CN113435654A (zh) * 2021-07-05 2021-09-24 江苏城乡建设职业学院 一种基于elman神经网络的短期负荷的预测方法
CN113515043A (zh) * 2021-06-18 2021-10-19 上海源矩技术有限公司 一种基于bp神经网络的干熄焦烧损率实时计算方法
CN113569898A (zh) * 2021-05-27 2021-10-29 河海大学 基于bp神经网络的水质模型参数反演分析方法及系统
CN113569992A (zh) * 2021-08-26 2021-10-29 中国电子信息产业集团有限公司第六研究所 异常数据识别方法及装置、电子设备和存储介质
CN113610297A (zh) * 2021-08-06 2021-11-05 浙江工业大学之江学院 空气质量预测方法、装置、设备及存储介质
CN113657670A (zh) * 2021-08-17 2021-11-16 西安建筑科技大学 海洋湿度预测方法、系统、装置及存储介质
CN113705103A (zh) * 2021-08-31 2021-11-26 武汉大学 一种基于改进bp神经网络的分布式光伏功率分离方法
CN113758520A (zh) * 2021-08-18 2021-12-07 贵州众创仪云科技有限公司 一种基于神经网络的物联网实验室环境监控方法及系统
CN113762387A (zh) * 2021-09-08 2021-12-07 东北大学 一种基于混合模型预测的数据中心站多元负荷预测方法
CN113836811A (zh) * 2021-09-28 2021-12-24 广州大学 一种混凝土配合比多目标控制优化方法
CN113935858A (zh) * 2021-11-05 2022-01-14 国家电网有限公司信息通信分公司 一种基于神经网络的电力通信设备状态检修的预测方法
CN113970667A (zh) * 2021-10-10 2022-01-25 上海梦象智能科技有限公司 一种基于预测窗口中点值的非侵入式负荷监测方法
CN113987917A (zh) * 2021-09-24 2022-01-28 西安交通大学 基于bp神经网络的丁腈橡胶密封圈剩余寿命预测方法
CN114202106A (zh) * 2021-11-18 2022-03-18 南京师范大学 一种基于深度学习的空调系统负荷预测方法
CN114200839A (zh) * 2021-12-09 2022-03-18 东南大学 一种耦合环境行为动态监测的办公建筑能耗智能控制模型
CN114234392A (zh) * 2021-11-14 2022-03-25 国网辽宁省电力有限公司锦州供电公司 一种基于改进pso-lstm的空调负荷精细预测方法
CN114282639A (zh) * 2021-12-24 2022-04-05 上海应用技术大学 基于混沌理论和bp神经网络的水华预警方法
CN114638164A (zh) * 2022-03-21 2022-06-17 西安热工研究院有限公司 一种预测电站压力管道高温蠕变寿命的方法
CN114638291A (zh) * 2022-03-08 2022-06-17 上海应用技术大学 一种基于多层前馈神经网络算法的食源性致病菌分类方法
CN114741876A (zh) * 2022-04-12 2022-07-12 北京建筑大学 一种塔式起重机智能检验的方法
CN114791160A (zh) * 2022-01-27 2022-07-26 王艳茜 基于神经网络模型的中央空调控制方法及装置
CN114814092A (zh) * 2022-04-12 2022-07-29 上海应用技术大学 基于bp神经网络的ip指标测量方法
CN114880843A (zh) * 2022-04-21 2022-08-09 合肥工业大学 基于神经网络的并网逆变器序阻抗计算方法
CN114970274A (zh) * 2022-06-01 2022-08-30 燕山大学 有限元/机器学习的橡胶皮球集流器结构优化系统及方法
CN115099652A (zh) * 2022-07-05 2022-09-23 东北电力大学 一种基于ssa-dbp神经网络的单个电采暖负荷调节能力评估方法
CN115689070A (zh) * 2023-01-03 2023-02-03 南昌工程学院 基于帝王蝶算法优化bp神经网络模型的能源预测方法
CN115688544A (zh) * 2022-06-20 2023-02-03 河海大学 一种基于mlp神经网络的微波衰减降雪场层析重构方法
CN116306253A (zh) * 2023-02-22 2023-06-23 南京航空航天大学 一种共转盘腔内部流动传热的精细化预测方法
CN117526374A (zh) * 2023-12-28 2024-02-06 国网浙江省电力有限公司电力科学研究院 匹配波动电源实时出力的新能源制氢系统控制方法及装置

Families Citing this family (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104008427A (zh) * 2014-05-16 2014-08-27 华南理工大学 基于bp神经网络的中央空调冷负荷的预测方法
CN104190720B (zh) * 2014-09-11 2016-04-20 中冶南方工程技术有限公司 一种自适应自动厚度控制方法及装置
CN104331737A (zh) * 2014-11-21 2015-02-04 国家电网公司 一种基于粒子群神经网络的办公建筑负荷预测方法
CN104778503A (zh) * 2015-03-16 2015-07-15 国家电网公司 一种考虑实时气象因素的公共楼宇空调短时基线负荷预测方法
CN105910225A (zh) * 2016-04-18 2016-08-31 浙江大学 一种基于人员信息检测的空调负荷控制系统及方法
CN106096761A (zh) * 2016-06-01 2016-11-09 新奥泛能网络科技股份有限公司 一种基于神经网络的建筑负荷预测方法及装置
CN106650918B (zh) * 2016-11-25 2019-08-30 东软集团股份有限公司 构建系统模型的方法和装置
CN106599417A (zh) * 2016-11-30 2017-04-26 中国电力科学研究院 一种基于人工神经网络的城市电网馈线负荷构成辨识方法
CN106765932A (zh) * 2016-12-14 2017-05-31 深圳达实智能股份有限公司 中央空调系统制冷主机的能效比预测方法及装置
CN106765959A (zh) * 2016-12-27 2017-05-31 武汉虹信技术服务有限责任公司 基于遗传算法和深度bp神经网络算法的暖通空调节能控制方法
CN107202405A (zh) * 2017-06-14 2017-09-26 上海理工大学 优化有寒暑假建筑空调设计负荷的计算方法
CN107748934B (zh) * 2017-10-26 2023-06-23 国网新疆电力公司经济技术研究院 基于改进bp神经网络算法的配网电采暖负荷预测方法
CN107665315B (zh) * 2017-10-31 2020-12-15 上海应用技术大学 一种适用于Hadoop的基于角色与信任的访问控制方法
CN107844868B (zh) * 2017-11-27 2022-05-10 中山路得斯空调有限公司 一种融合plc技术与主元分析-bp神经网络的负荷预测系统
CN108709287B (zh) * 2018-04-03 2020-09-01 广东迪奥技术有限公司 一种空调系统冷负荷预测方法及冷水机组群控的策略
CN108592352B (zh) * 2018-05-09 2020-09-11 国家计算机网络与信息安全管理中心 水冷空调系统运行状态健康度的预测方法、装置及系统
JP6969521B2 (ja) * 2018-08-03 2021-11-24 東芝三菱電機産業システム株式会社 焼結クーラ設備の出鉱温度予測装置
CN109268928B (zh) * 2018-09-12 2020-10-23 长安大学 一种供热监控系统
CN111651847B (zh) * 2019-02-18 2023-11-03 新奥数能科技有限公司 一种确定燃气锅炉的运行氧量的方法及装置
CN110332647B (zh) * 2019-07-11 2021-02-02 四川聚智精创轨道交通科技有限公司 地铁地下车站空调系统负荷预测方法及空调系统
CN110580385A (zh) * 2019-08-21 2019-12-17 南京博阳科技有限公司 地下管线的数据处理方法、装置、设备及计算机存储介质
CN111126220B (zh) * 2019-12-16 2023-10-17 北京瞭望神州科技有限公司 一种视频监控目标实时定位方法
CN111664823B (zh) * 2020-05-25 2022-01-28 重庆大学 基于介质热传导系数差异的均压电极垢层厚度检测方法
CN112365074B (zh) * 2020-11-18 2023-08-18 贵州电网有限责任公司 一种基于电网调控数据的人工智能决策方法
CN113311892B (zh) * 2021-05-27 2022-05-10 中通服咨询设计研究院有限公司 一种会展场馆中央空调能效最优预冷控制方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101505058A (zh) * 2009-03-19 2009-08-12 东北大学 一种基于双网络的双递归神经元灵敏负荷网络建模装置及方法
CN102353119A (zh) * 2011-08-09 2012-02-15 北京建筑工程学院 一种vav变风量空调系统控制方法
CN103337123A (zh) * 2013-06-17 2013-10-02 西安石油大学 基于视频图像的油田联合站火灾预警系统及方法
CN104008427A (zh) * 2014-05-16 2014-08-27 华南理工大学 基于bp神经网络的中央空调冷负荷的预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101505058A (zh) * 2009-03-19 2009-08-12 东北大学 一种基于双网络的双递归神经元灵敏负荷网络建模装置及方法
CN102353119A (zh) * 2011-08-09 2012-02-15 北京建筑工程学院 一种vav变风量空调系统控制方法
CN103337123A (zh) * 2013-06-17 2013-10-02 西安石油大学 基于视频图像的油田联合站火灾预警系统及方法
CN104008427A (zh) * 2014-05-16 2014-08-27 华南理工大学 基于bp神经网络的中央空调冷负荷的预测方法

Cited By (178)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108875158A (zh) * 2018-05-31 2018-11-23 浙江工业大学 一种基于多项式函数拟合和bp神经网络的电池放电时间预测方法
CN108875158B (zh) * 2018-05-31 2022-12-06 浙江工业大学 一种基于多项式函数拟合和bp神经网络的电池放电时间预测方法
CN108829964A (zh) * 2018-06-07 2018-11-16 北京化工大学 基于特征提取elm的pta装置醋酸消耗的软测量方法
CN108959728A (zh) * 2018-06-12 2018-12-07 杭州法动科技有限公司 基于深度学习的射频器件参数优化方法
CN108959728B (zh) * 2018-06-12 2023-04-07 杭州法动科技有限公司 基于深度学习的射频器件参数优化方法
CN109190226A (zh) * 2018-08-24 2019-01-11 东北大学 一种磨矿系统溢流粒度指标软测量方法
CN109190226B (zh) * 2018-08-24 2023-01-31 东北大学 一种磨矿系统溢流粒度指标软测量方法
CN109146063A (zh) * 2018-08-27 2019-01-04 广东工业大学 一种基于重要点分割的多分段短期负荷预测方法
CN109146063B (zh) * 2018-08-27 2022-02-11 广东工业大学 一种基于重要点分割的多分段短期负荷预测方法
CN109117576A (zh) * 2018-08-29 2019-01-01 上海海事大学 一种确定岸桥结构载荷及实时应力场的方法
CN109309382A (zh) * 2018-09-13 2019-02-05 广东工业大学 一种短期电力负荷预测方法
CN109344502A (zh) * 2018-09-30 2019-02-15 武汉理工大学 基于ga-bp算法的船舶轴系中间轴承安装变位调整方法
CN109344502B (zh) * 2018-09-30 2022-11-29 武汉理工大学 基于ga-bp算法的船舶轴系中间轴承安装变位调整方法
CN109660419A (zh) * 2018-10-08 2019-04-19 平安科技（深圳）有限公司 预测网络设备异常的方法、装置、设备及存储介质
CN109635919B (zh) * 2018-11-05 2023-01-31 新乡航空工业(集团)有限公司 一种空气类单向活门有效流通面积测算方法及其装置
CN109635919A (zh) * 2018-11-05 2019-04-16 新乡航空工业(集团)有限公司 一种空气类单向活门有效流通面积测算方法及其装置
CN109978217A (zh) * 2018-11-09 2019-07-05 国网浙江省电力有限公司绍兴供电公司 基于奇异谱分析和记忆网络的电力负荷预测方法
CN109583585B (zh) * 2018-11-22 2023-04-18 西安热工研究院有限公司 一种电站锅炉壁温预测神经网络模型的构建方法
CN109583585A (zh) * 2018-11-22 2019-04-05 西安热工研究院有限公司 一种电站锅炉壁温预测神经网络模型
CN110069801A (zh) * 2018-11-26 2019-07-30 南昌工程学院 一种基于人工神经网络的挑距估算方法
CN110069801B (zh) * 2018-11-26 2022-05-24 南昌工程学院 一种基于人工神经网络的挑距估算方法
CN109815525B (zh) * 2018-12-06 2023-04-07 天津大学 一种进给系统动态特性多目标优化设计方法
CN109815525A (zh) * 2018-12-06 2019-05-28 天津大学 一种进给系统动态特性多目标优化设计方法
CN109858103A (zh) * 2019-01-10 2019-06-07 杭州市电力设计院有限公司 用于配电网的电动汽车充电站负载建模方法
CN109858103B (zh) * 2019-01-10 2023-10-31 杭州市电力设计院有限公司 用于配电网的电动汽车充电站负载建模方法
CN111461378A (zh) * 2019-01-18 2020-07-28 电力规划总院有限公司 一种电网负荷预测方法和装置
CN109829581B (zh) * 2019-01-29 2023-07-25 竺炜 一种基于首端“负荷云”预测的10千伏线路滚动规划优先级排序方法
CN109829581A (zh) * 2019-01-29 2019-05-31 竺炜 一种基于首端“负荷云”预测的10千伏线路滚动规划优先级排序方法
CN109840639A (zh) * 2019-03-05 2019-06-04 东北大学 一种高速铁路列车运行晚点时间预测方法
CN111709998A (zh) * 2019-03-18 2020-09-25 长春工业大学 一种tof相机深度数据测量误差校正的elm空间配准模型方法
CN110119545A (zh) * 2019-04-24 2019-08-13 西安理工大学 一种基于栈式自编码器的非侵入式电力负荷识别方法
CN110119545B (zh) * 2019-04-24 2022-11-04 西安理工大学 一种基于栈式自编码器的非侵入式电力负荷识别方法
CN110264004A (zh) * 2019-06-20 2019-09-20 西安建筑科技大学 一种基于PSO-BP与Markov链相结合的空调冷负荷动态预测方法
CN110378394A (zh) * 2019-06-26 2019-10-25 广西大学 基于神经网络的多生理数据融合分析方法
CN110471380A (zh) * 2019-08-15 2019-11-19 四川长虹电器股份有限公司 一种用于智能家居系统的空调故障监控及预警方法
CN110570023B (zh) * 2019-08-16 2023-05-16 国网天津市电力公司 一种基于sarima-grnn-svm的短期商业电力负荷预测方法
CN110570023A (zh) * 2019-08-16 2019-12-13 国网天津市电力公司 一种基于sarima-grnn-svm的短期商业电力负荷预测方法
CN110533243A (zh) * 2019-08-27 2019-12-03 西安建筑科技大学 一种基于分形理论的建筑能耗预测方法
CN110633846A (zh) * 2019-09-02 2019-12-31 北京市燃气集团有限责任公司 燃气负荷预测方法和装置
CN110570042B (zh) * 2019-09-16 2022-10-25 燕山大学 一种短期电动汽车充电负荷预测方法及系统
CN110570042A (zh) * 2019-09-16 2019-12-13 燕山大学 一种短期电动汽车充电负荷预测方法及系统
CN110782007B (zh) * 2019-10-15 2023-04-07 中国航空无线电电子研究所 一种基于神经网络的飞行数据缺失补充方法
CN110782007A (zh) * 2019-10-15 2020-02-11 中国航空无线电电子研究所 一种基于神经网络的飞行数据缺失补充方法
CN112712189A (zh) * 2019-10-25 2021-04-27 北京市热力集团有限责任公司 一种供热需求负荷预测方法
CN110795894A (zh) * 2019-11-25 2020-02-14 上海金脉电子科技有限公司 基于bp神经网络计算igbt模块温度的方法
CN112884186A (zh) * 2019-11-29 2021-06-01 国网天津市电力公司 一种考虑dg和电采暖负荷的变电站网供负荷预测方法
CN112990618A (zh) * 2019-12-02 2021-06-18 国网甘肃省电力公司信息通信公司 一种工业物联网中基于机器学习方法的预测方法
CN110889495A (zh) * 2019-12-04 2020-03-17 河南中烟工业有限责任公司 一种基于能动参数的制丝设备状态维护分析方法
CN110889495B (zh) * 2019-12-04 2023-06-23 河南中烟工业有限责任公司 一种基于能动参数的制丝设备状态维护分析方法
CN111027642A (zh) * 2019-12-25 2020-04-17 苏州工业职业技术学院 电能表质量监测方法
CN113094804A (zh) * 2020-01-08 2021-07-09 星河动力(北京)空间科技有限公司 一种具有增量式学习能力的固体火箭发动机比冲性能预测方法
CN111163011A (zh) * 2020-01-19 2020-05-15 烟台持久钟表有限公司 一种基于ptp协议的无线路由器的数据处理方法
CN111310317B (zh) * 2020-02-03 2023-02-14 安徽大学 基于大数据与插值预测的粮仓空时温度场预测方法及装置
CN111310317A (zh) * 2020-02-03 2020-06-19 安徽大学 基于大数据与插值预测的粮仓空时温度场预测方法及装置
CN111367668A (zh) * 2020-02-29 2020-07-03 北京工业大学 一种基于改进bp神经网络的云服务资源弹性伸缩方法
CN112331274A (zh) * 2020-03-06 2021-02-05 西安工程大学 基于相重构和神经网络的变压器油中溶解气体预测方法
CN111625988A (zh) * 2020-03-10 2020-09-04 河北工程大学 基于深度学习的桥梁健康管理分析与预测系统及方法
CN111415008B (zh) * 2020-03-17 2023-03-24 上海海事大学 一种基于vmd-foa-grnn的船舶流量预测方法
CN111415008A (zh) * 2020-03-17 2020-07-14 上海海事大学 一种基于vmd-foa-grnn的船舶流量预测方法
CN111444658A (zh) * 2020-03-23 2020-07-24 暨南大学 一种槽型轨几何参数趋势预测方法及系统
CN111444658B (zh) * 2020-03-23 2023-05-05 暨南大学 一种槽型轨几何参数趋势预测方法及系统
CN111898856A (zh) * 2020-04-02 2020-11-06 沈阳工业大学 基于极限学习机的物理-数据融合楼宇的分析方法
CN111898856B (zh) * 2020-04-02 2024-03-22 沈阳工业大学 基于极限学习机的物理-数据融合楼宇的分析方法
CN111476422A (zh) * 2020-04-10 2020-07-31 北京石油化工学院 一种基于机器学习框架下LightGBM的建筑冷负荷预测方法
CN111680712A (zh) * 2020-04-16 2020-09-18 国网江苏省电力有限公司检修分公司 基于日内相似时刻的变压器油温预测方法、装置及系统
CN111680712B (zh) * 2020-04-16 2023-06-06 国网江苏省电力有限公司检修分公司 基于日内相似时刻的变压器油温预测方法、装置及系统
CN111553465A (zh) * 2020-04-27 2020-08-18 西安建筑科技大学 一种基于vmd-gru网络的公共建筑冷负荷预测方法
CN111553465B (zh) * 2020-04-27 2023-05-23 西安建筑科技大学 一种基于vmd-gru网络的公共建筑冷负荷预测方法
CN111598151A (zh) * 2020-05-12 2020-08-28 辽宁工程技术大学 用户用电负荷的预测方法
CN111611893B (zh) * 2020-05-14 2024-03-19 龙立强人工智能科技(苏州)有限公司 应用神经网络深度学习的智能测判方法
CN111611893A (zh) * 2020-05-14 2020-09-01 青岛翰林汇力科技有限公司 应用神经网络深度学习的智能测判方法
CN111598224A (zh) * 2020-05-15 2020-08-28 西安建筑科技大学 基于模拟退火算法优化bp神经网络的空调冷负荷预测方法
CN111598224B (zh) * 2020-05-15 2023-05-02 西安建筑科技大学 基于模拟退火算法优化bp神经网络的空调冷负荷预测方法
CN111598225B (zh) * 2020-05-15 2023-05-02 西安建筑科技大学 一种基于自适应深度置信网络的空调冷负荷预测方法
CN111598225A (zh) * 2020-05-15 2020-08-28 西安建筑科技大学 一种基于自适应深度置信网络的空调冷负荷预测方法
CN111680453A (zh) * 2020-06-01 2020-09-18 西安电子科技大学 一种光栅入射参数反演模型结构和建立方法
CN111709563A (zh) * 2020-06-05 2020-09-25 山东大学 压缩感知结合bp神经网络在粮食温度趋势预测中的工作方法
CN111814386B (zh) * 2020-06-07 2024-02-02 西安电子科技大学 一种高超声速流场导入bp神经网络进行精细化处理的方法及系统
CN111814386A (zh) * 2020-06-07 2020-10-23 西安电子科技大学 一种高超声速流场导入bp神经网络进行精细化处理的方法及系统
CN111680838A (zh) * 2020-06-08 2020-09-18 中国电力科学研究院有限公司 一种空调负荷聚合功率预测方法及系统
CN111797365B (zh) * 2020-06-09 2022-11-25 中国南方电网有限责任公司超高压输电公司检修试验中心 一种换流变压器温度异常判断方法及系统
CN111797365A (zh) * 2020-06-09 2020-10-20 中国南方电网有限责任公司超高压输电公司检修试验中心 一种换流变压器温度异常判断方法及系统
CN111859788B (zh) * 2020-07-07 2023-11-10 鞍钢股份有限公司 一种基于方坯连铸二冷区温度均匀预测及评价方法
CN111859788A (zh) * 2020-07-07 2020-10-30 鞍钢股份有限公司 一种基于方坯连铸二冷区温度均匀预测及评价方法
CN111814976B (zh) * 2020-07-14 2024-04-09 西安建筑科技大学 一种空调系统传感器故障误差再学习方法及系统
CN111814976A (zh) * 2020-07-14 2020-10-23 西安建筑科技大学 一种空调系统传感器故障误差再学习方法及系统
CN112085156A (zh) * 2020-07-15 2020-12-15 国网安徽省电力有限公司怀远县供电公司 一种分压线损率预测及降损潜力评估方法及系统
CN112085156B (zh) * 2020-07-15 2024-05-03 国网安徽省电力有限公司怀远县供电公司 一种分压线损率预测及降损潜力评估方法及系统
CN111915076A (zh) * 2020-07-27 2020-11-10 湖北民族大学 一种利用人工智能神经网络实现景区观景人员预测的方法
CN112001439A (zh) * 2020-08-19 2020-11-27 西安建筑科技大学 基于gbdt的商场建筑空调冷负荷预测方法、存储介质及设备
CN112084707A (zh) * 2020-09-02 2020-12-15 西安建筑科技大学 基于冷冻水和冷却水变流量解耦的制冷机房节能优化方法及系统
CN112036758A (zh) * 2020-09-03 2020-12-04 合肥工业大学 基于成分数据的灰色qrnn修正的能耗结构预测方法
CN112036649A (zh) * 2020-09-03 2020-12-04 合肥工业大学 基于多核并行的径流概率密度预测的水电站风险评估方法
CN112036758B (zh) * 2020-09-03 2022-09-13 合肥工业大学 基于成分数据的灰色qrnn修正的能耗结构预测方法
CN112036649B (zh) * 2020-09-03 2022-09-13 合肥工业大学 基于多核并行的径流概率密度预测的水电站风险评估方法
CN112329338B (zh) * 2020-10-26 2023-07-28 中国移动通信集团内蒙古有限公司 基于鱼群优化bp神经网络的冷源系统控制方法及装置
CN112329338A (zh) * 2020-10-26 2021-02-05 中国移动通信集团内蒙古有限公司 基于鱼群优化bp神经网络的冷源系统控制方法及装置
CN112461995A (zh) * 2020-11-03 2021-03-09 西安热工研究院有限公司 一种预测火电厂氨逃逸的方法
CN112269729A (zh) * 2020-11-04 2021-01-26 江苏瑞祥科技集团有限公司 面向网络购物平台大规模服务器集群的负载智能分析方法
CN112396162A (zh) * 2020-11-15 2021-02-23 西安热工研究院有限公司 一种燃煤机组屛式过热器壁温预测神经网络模型
CN112396162B (zh) * 2020-11-15 2023-04-07 西安热工研究院有限公司 一种燃煤机组屏式过热器壁温预测神经网络模型
CN112862147A (zh) * 2020-11-19 2021-05-28 河南汇祥通信设备有限公司 基于bp神经网络的综合管廊运维风险评价模型及方法
CN112418526A (zh) * 2020-11-24 2021-02-26 国网天津市电力公司 基于改进深度信念网络的综合能源负荷控制方法及装置
CN112508244B (zh) * 2020-11-25 2024-03-12 武汉大学 一种用户级综合能源系统多元负荷预测方法
CN112508244A (zh) * 2020-11-25 2021-03-16 武汉大学 一种用户级综合能源系统多元负荷预测方法
CN112381326A (zh) * 2020-11-30 2021-02-19 安徽理工大学 一种基于改进bp神经网络的汛情监测方法
CN112905670A (zh) * 2020-12-11 2021-06-04 国网冀北电力有限公司计量中心 用于户内停电故障研判的电能表系统、户内停电故障研判方法
CN112905670B (zh) * 2020-12-11 2023-12-01 国网冀北电力有限公司计量中心 用于户内停电故障研判的电能表系统、户内停电故障研判方法
CN112613542B (zh) * 2020-12-14 2024-01-12 国网甘肃省电力公司营销服务中心 一种基于双向lstm的企业除污设备负荷辨识方法
CN112613542A (zh) * 2020-12-14 2021-04-06 国网甘肃省电力公司营销服务中心 一种基于双向lstm的企业除污设备负荷辨识方法
CN112507437A (zh) * 2020-12-17 2021-03-16 青岛理工大学 一种基于神经网络的桥梁索力振动法多参数识别方法
CN112507437B (zh) * 2020-12-17 2022-09-30 青岛理工大学 一种基于神经网络的桥梁索力振动法多参数识别方法
CN112507570B (zh) * 2020-12-29 2022-06-21 江西五十铃汽车有限公司 一种柔性因素优化设计方法
CN112507570A (zh) * 2020-12-29 2021-03-16 江西五十铃汽车有限公司 一种新型bp神经网络的计算方法及其柔性因素优化设计方法
CN113221434A (zh) * 2021-01-06 2021-08-06 河北建筑工程学院 一种基坑变形预测方法
CN112926258B (zh) * 2021-02-05 2024-02-20 西安电子科技大学 一种基于bp神经网络模型预测半导体器件结温的方法
CN112926258A (zh) * 2021-02-05 2021-06-08 西安电子科技大学 一种基于bp神经网络模型预测半导体器件结温的方法
CN112926117A (zh) * 2021-03-01 2021-06-08 郑州大学 一种基于bas-bp的桩基水平承载力预测方法
CN112926795B (zh) * 2021-03-22 2023-11-14 新疆苏通工程建设有限公司 一种基于sbo优化cnn的高层住宅建筑群热负荷预测方法及系统
CN112926795A (zh) * 2021-03-22 2021-06-08 西安建筑科技大学 一种基于sbo优化cnn的高层住宅建筑群热负荷预测方法及系统
CN113077045A (zh) * 2021-03-26 2021-07-06 西安交通大学 一种基于bp神经网络的真空电弧电压预测方法
CN113077045B (zh) * 2021-03-26 2023-04-07 西安交通大学 一种基于bp神经网络的真空电弧电压预测方法
CN112966449B (zh) * 2021-03-31 2022-12-09 中国航空综合技术研究所 基于变量选择和概率神经网络的制造过程质量缺陷根源诊断方法
CN112966449A (zh) * 2021-03-31 2021-06-15 中国航空综合技术研究所 基于变量选择和概率神经网络的制造过程质量缺陷根源诊断方法
CN113095482A (zh) * 2021-04-06 2021-07-09 西安邮电大学 基于bp神经网络的拉曼放大器增益值计算方法及系统
CN113095482B (zh) * 2021-04-06 2024-01-12 西安邮电大学 基于bp神经网络的拉曼放大器增益值计算方法及系统
CN112905436A (zh) * 2021-04-25 2021-06-04 中航机载系统共性技术有限公司 一种面向复杂软件的质量评估预测方法
CN112905436B (zh) * 2021-04-25 2023-10-27 中航机载系统共性技术有限公司 一种面向复杂软件的质量评估预测方法
CN113095598A (zh) * 2021-05-07 2021-07-09 国网山东省电力公司经济技术研究院 一种多能负荷预测方法、系统、设备和介质
CN113569898B (zh) * 2021-05-27 2024-05-14 河海大学 基于bp神经网络的水质模型参数反演分析方法及系统
CN113569898A (zh) * 2021-05-27 2021-10-29 河海大学 基于bp神经网络的水质模型参数反演分析方法及系统
CN113177673B (zh) * 2021-05-28 2023-12-19 深圳市大元通机电设备有限公司 一种空调冷负荷预测优化方法、系统及设备
CN113177673A (zh) * 2021-05-28 2021-07-27 西安建筑科技大学 一种空调冷负荷预测优化方法、系统及设备
CN113256022A (zh) * 2021-06-16 2021-08-13 广东电网有限责任公司 一种台区用电负荷预测方法及系统
CN113515043B (zh) * 2021-06-18 2024-04-19 上海源矩技术有限公司 一种基于bp神经网络的干熄焦烧损率实时计算方法
CN113515043A (zh) * 2021-06-18 2021-10-19 上海源矩技术有限公司 一种基于bp神经网络的干熄焦烧损率实时计算方法
CN113435654B (zh) * 2021-07-05 2024-02-27 江苏城乡建设职业学院 一种基于elman神经网络的短期负荷的预测方法
CN113435654A (zh) * 2021-07-05 2021-09-24 江苏城乡建设职业学院 一种基于elman神经网络的短期负荷的预测方法
CN113610297A (zh) * 2021-08-06 2021-11-05 浙江工业大学之江学院 空气质量预测方法、装置、设备及存储介质
CN113657670B (zh) * 2021-08-17 2023-09-15 西安建筑科技大学 海洋湿度预测方法、系统、装置及存储介质
CN113657670A (zh) * 2021-08-17 2021-11-16 西安建筑科技大学 海洋湿度预测方法、系统、装置及存储介质
CN113758520A (zh) * 2021-08-18 2021-12-07 贵州众创仪云科技有限公司 一种基于神经网络的物联网实验室环境监控方法及系统
CN113569992B (zh) * 2021-08-26 2024-01-09 中国电子信息产业集团有限公司第六研究所 异常数据识别方法及装置、电子设备和存储介质
CN113569992A (zh) * 2021-08-26 2021-10-29 中国电子信息产业集团有限公司第六研究所 异常数据识别方法及装置、电子设备和存储介质
CN113705103A (zh) * 2021-08-31 2021-11-26 武汉大学 一种基于改进bp神经网络的分布式光伏功率分离方法
CN113762387A (zh) * 2021-09-08 2021-12-07 东北大学 一种基于混合模型预测的数据中心站多元负荷预测方法
CN113762387B (zh) * 2021-09-08 2024-02-02 东北大学 一种基于混合模型预测的数据中心站多元负荷预测方法
CN113987917A (zh) * 2021-09-24 2022-01-28 西安交通大学 基于bp神经网络的丁腈橡胶密封圈剩余寿命预测方法
CN113987917B (zh) * 2021-09-24 2024-04-09 西安交通大学 基于bp神经网络的丁腈橡胶密封圈剩余寿命预测方法
CN113836811A (zh) * 2021-09-28 2021-12-24 广州大学 一种混凝土配合比多目标控制优化方法
CN113970667A (zh) * 2021-10-10 2022-01-25 上海梦象智能科技有限公司 一种基于预测窗口中点值的非侵入式负荷监测方法
CN113970667B (zh) * 2021-10-10 2024-04-05 上海梦象智能科技有限公司 一种基于预测窗口中点值的非侵入式负荷监测方法
CN113935858A (zh) * 2021-11-05 2022-01-14 国家电网有限公司信息通信分公司 一种基于神经网络的电力通信设备状态检修的预测方法
CN114234392A (zh) * 2021-11-14 2022-03-25 国网辽宁省电力有限公司锦州供电公司 一种基于改进pso-lstm的空调负荷精细预测方法
CN114202106A (zh) * 2021-11-18 2022-03-18 南京师范大学 一种基于深度学习的空调系统负荷预测方法
CN114200839A (zh) * 2021-12-09 2022-03-18 东南大学 一种耦合环境行为动态监测的办公建筑能耗智能控制模型
CN114200839B (zh) * 2021-12-09 2023-09-19 东南大学 一种耦合环境行为动态监测的办公建筑能耗智能控制模型
CN114282639B (zh) * 2021-12-24 2024-02-02 上海应用技术大学 基于混沌理论和bp神经网络的水华预警方法
CN114282639A (zh) * 2021-12-24 2022-04-05 上海应用技术大学 基于混沌理论和bp神经网络的水华预警方法
CN114791160A (zh) * 2022-01-27 2022-07-26 王艳茜 基于神经网络模型的中央空调控制方法及装置
CN114638291A (zh) * 2022-03-08 2022-06-17 上海应用技术大学 一种基于多层前馈神经网络算法的食源性致病菌分类方法
CN114638164A (zh) * 2022-03-21 2022-06-17 西安热工研究院有限公司 一种预测电站压力管道高温蠕变寿命的方法
CN114638164B (zh) * 2022-03-21 2024-03-15 西安热工研究院有限公司 一种预测电站压力管道高温蠕变寿命的方法
CN114741876A (zh) * 2022-04-12 2022-07-12 北京建筑大学 一种塔式起重机智能检验的方法
CN114814092A (zh) * 2022-04-12 2022-07-29 上海应用技术大学 基于bp神经网络的ip指标测量方法
CN114741876B (zh) * 2022-04-12 2024-03-19 北京建筑大学 一种塔式起重机智能检验的方法
CN114880843A (zh) * 2022-04-21 2022-08-09 合肥工业大学 基于神经网络的并网逆变器序阻抗计算方法
CN114880843B (zh) * 2022-04-21 2024-02-13 合肥工业大学 基于神经网络的并网逆变器序阻抗计算方法
CN114970274B (zh) * 2022-06-01 2024-04-09 燕山大学 有限元/机器学习的橡胶皮球集流器结构优化系统及方法
CN114970274A (zh) * 2022-06-01 2022-08-30 燕山大学 有限元/机器学习的橡胶皮球集流器结构优化系统及方法
CN115688544A (zh) * 2022-06-20 2023-02-03 河海大学 一种基于mlp神经网络的微波衰减降雪场层析重构方法
CN115688544B (zh) * 2022-06-20 2023-05-12 河海大学 一种基于mlp神经网络的微波衰减降雪场层析重构方法
CN115099652A (zh) * 2022-07-05 2022-09-23 东北电力大学 一种基于ssa-dbp神经网络的单个电采暖负荷调节能力评估方法
CN115689070B (zh) * 2023-01-03 2023-12-22 南昌工程学院 基于帝王蝶算法优化bp神经网络模型的能源预测方法
CN115689070A (zh) * 2023-01-03 2023-02-03 南昌工程学院 基于帝王蝶算法优化bp神经网络模型的能源预测方法
CN116306253A (zh) * 2023-02-22 2023-06-23 南京航空航天大学 一种共转盘腔内部流动传热的精细化预测方法
CN117526374A (zh) * 2023-12-28 2024-02-06 国网浙江省电力有限公司电力科学研究院 匹配波动电源实时出力的新能源制氢系统控制方法及装置
CN117526374B (zh) * 2023-12-28 2024-05-10 国网浙江省电力有限公司电力科学研究院 匹配波动电源实时出力的新能源制氢系统控制方法及装置

Also Published As

Publication number Publication date
CN104008427A (zh) 2014-08-27

Similar Documents

Publication Publication Date Title
WO2015172560A1 (zh) 基于bp神经网络的中央空调冷负荷的预测方法
JP6129028B2 (ja) 建物動力設備のエネルギー消費量予測方法
CN111310968A (zh) 一种基于互信息的lstm神经网络循环水文预报方法
CN107315884B (zh) 一种基于线性回归的建筑能耗建模方法
WO2018161723A1 (zh) 基于长短时记忆神经网络的电力负荷预测系统
CN108009674A (zh) 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法
CN110705743A (zh) 一种基于长短期记忆神经网络的新能源消纳电量预测方法
CN111767517B (zh) 一种应用于洪水预测的BiGRU多步预测方法、系统及存储介质
CN110991776A (zh) 一种基于gru网络实现水位预测的方法及系统
CN116468138A (zh) 空调负荷预测方法、系统、电子设备及计算机存储介质
CN115964503B (zh) 基于社区设备设施的安全风险预测方法及系统
CN114357670A (zh) 一种基于bls和自编码器的配电网用电数据异常预警方法
CN116109011B (zh) 一种智慧园区的能耗管理方法及终端
Sanubari et al. Flood modelling and prediction using artificial neural network
CN107977727B (zh) 一种基于社会发展和气候因素预测光缆网阻断概率的方法
Dhole et al. An ensemble approach to multi-source transfer learning for air quality prediction
Yang et al. Short-term load forecasting of microgrid based on grey correlation analysis and neural network optimized by mind evolutionary algorithm
Kowalski et al. The comparison of linear models for PM10 and PM2. 5 forecasting
CN115204362A (zh) 一种机械设备剩余寿命区间预测方法
Tijskens et al. Neural networks to predict the hygrothermal response of building components in a probabilistic framework
Nassif Building Energy Modeling Using Non-Linear Auto Regression Neural Networks
CN113705932B (zh) 一种短期负荷预测方法及装置
Dai et al. Integrating Multi Spatial-Temporal Information with Globally Attentive Gated Convolutional Network for Transmission Line Icing Tension Prediction
Vijayaganth et al. Ensemble Machine Learning based Weather Prediction System
Ramadhan et al. Applications of deep learning models for forecasting and modelling rainwater in Moscow

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 14892108

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 14892108

Country of ref document: EP

Kind code of ref document: A1