CN107239851A - 一种面向轨道交通的用电指标预测的方法 - Google Patents
一种面向轨道交通的用电指标预测的方法 Download PDFInfo
- Publication number
- CN107239851A CN107239851A CN201710280216.1A CN201710280216A CN107239851A CN 107239851 A CN107239851 A CN 107239851A CN 201710280216 A CN201710280216 A CN 201710280216A CN 107239851 A CN107239851 A CN 107239851A
- Authority
- CN
- China
- Prior art keywords
- power consumption
- model
- index
- consumption index
- precision
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000005265 energy consumption Methods 0.000 claims description 19
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000007306 turnover Effects 0.000 claims description 9
- 206010001557 Albinism Diseases 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 2
- 230000007774 longterm Effects 0.000 abstract description 2
- 239000000843 powder Substances 0.000 abstract description 2
- 230000005611 electricity Effects 0.000 description 3
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 206010016256 fatigue Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及轨道交通用电指标的预测技术领域,具体涉及一种面向轨道交通的用电指标预测的方法,该方法通过建立用电指标的灰色***
Description
技术领域
本发明涉及轨道交通用电指标的预测技术领域,具体涉及一种面向轨道交通的用电指标 预测的方法。
背景技术
城市轨道交通具有运量大、快捷舒适、安全、准点、保护环境、节约能源、占地少等特 点,已经成为各大中型城市解决道路交通拥堵问题的主要手段。随着我国社会经济的飞速发 展及城市化进程的日益推进,我国城市轨道交通建设的规模不断扩大,城市轨道交通对城市 电网的电能质量及暂态过程影响已日渐显现。
城市轨道交通供电***负责为电动列车提供牵引电力,并为各种运营设备提供动力照明 电源,是城市电网的用电大户。因此急需提供一种能够预测出未来轨道交通的电力负荷在未 来时期的变化趋势的方法,以便为用电管理部门下达指标提供参考。
发明内容
为了解决上述问题,本发明提供了一种面向轨道交通的用电指标预测的方法,具体技术 方案如下:
一种面向轨道交通的用电指标预测的方法包括以下步骤:
(1)建立用电指标的灰色***GM(1,1)模型:
设X(0)为原始数据序列X(0)=[X(0)(1),X(0)(2),X(0)(3)…X(0)(n)];①
对该数据列进行一次叠加,生成新的数据数列为X(1)=[X(1)(1),X(1)(2),X(1)(3)…X(1)(n)];②
依照新数据序列编号规律对新数据序列,建立对应的白化微分方程为
式中a、b为方程参数,记做
在最小二乘准则下yn=BP的解为
式⑤即为GM(1,1)参数a、b的矩阵辨识计算式,式中(BTB)-1BT事实上是数据矩阵B的广义 逆矩阵,其中
式中,B为(n-1)阶数据矩阵,yn为数据向量,P为参数向量,令Z(1)为X(1)的均值序列Z(1)=[Z(1)(2),Z(1)(3),Z(1)(4)…Z(1)(n)];⑧
由式③得式⑧的白化微分方程为
Z(1)(k)=0.5X(1)(k)+0.5X(1)(k-1);⑨
可以得到灰色***GM(1,1)预测模型为
对进行累减生成还原,得到的预测值,即灰色***GM(1,1)的预测模型为:
(2)采用后验差检验法对用电指标的灰色***GM(1,1)模型的预测精度进行检验:根据后验 差比值与小误差概率的取值判别用电指标的灰色***GM(1,1)模型的精度:
令X(0)为原始序列,为预测值序列k=2,3…n,原始数据X(0)(k)的平均值
X(0)(k)的方差
残差
残差ε(0)(k)的平均值
ε(0)(k)的方差
后验差比值
小误差概率
按照后验差比值C与小误差概率P这两个指标综合评定用电指标的灰色***GM(1,1)模型 的精度:
C≤0.35且P≥0.95表示用电指标的灰色***GM(1,1)模型的精度为一级;
C≤0.5且P≥0.8表示用电指标的灰色***GM(1,1)模型的精度为二级;
C≤0.65且P≥0.7表示用电指标的灰色***GM(1,1)模型的精度为三级;
C>0.65且P<0.7表示用电指标的灰色***GM(1,1)模型的精度为四级。
进一步,如果用电指标的灰色***GM(1,1)模型的精度经检验不合格,则建立用电指标的 灰色***GM(1,1)残差模型进行修正;具体步骤如下:
根据灰色***GM(1,1)模型的预测数据的残差Q(0)(t),定义残差序列
检查残差序列Q(0)(t)是否非负,如果残差序列Q(0)(t)存在负值,则对其进行正化处理,采 用的方法是将残差数列中的每一个数值加上一个适当的正数使其变成非负的值, 则正化处理后的残差数列为
还原后得到灰色***GM(1,1)模型的残差模型为:
进一步,所述用电指标包括客流量能耗指标、车辆周转量指标、客运周转量指标、车站 动力能耗指标;所述客运量能耗指标的计算方式为:年(月)总耗电量/客流总量,单位为度 /人次;所述车辆周转量指标的计算方式为:年(月)总耗电量/车辆运行总里程,单位为度/ 车·km;所述客运周转量指标的计算方式为:年(月)总耗电量/客运周转总量,单位为度/ 人·km;所述车站动力能耗指标的计算方式为:年(月)总耗电量/(站×天),单位:度/站·天。
本发明的有益效果为:本发明提供的一种面向轨道交通的用电指标预测的方法通过建立 用电指标的灰色***GM(1,1)模型以及其残差模型对用电指标进行合理客观的预测,直观的预 测出电力负荷在未来时期的变化趋势及状态,从而为电能指标的下达提供一定的参考价值。 本发明提供的一种面向轨道交通的用电指标预测的方法能够进行长期预测,且所需原始数据 量少,预测精度较高,计算方便,使得数据处理简便、快速、准确性好,适用性强。
具体实施方式
为了更好的理解本发明,下面结合具体实施例对本发明作进一步说明:
一种面向轨道交通的用电指标预测的方法的实质是对原始数据序列进行一次累加生成, 使其成为有规律性的数列,然后再建立GM(1,1)模型,即建立微分方程,求解该微分方程, 得到方程的参数a、u值,最后得到累加数列的灰色预测模型,进行预测。用电指标包括客流 量能耗指标、车辆周转量指标、客运周转量指标、车站动力能耗指标;所述客运量能耗指标 的计算方式为:年(月)总耗电量/客流总量,单位为度/人次;所述车辆周转量指标的计算 方式为:年(月)总耗电量/车辆运行总里程,单位为度/车·km;所述客运周转量指标的计 算方式为:年(月)总耗电量/客运周转总量,单位为度/人·km;所述车站动力能耗指标的 计算方式为:年(月)总耗电量/(站×天),单位:度/站·天;一种面向轨道交通的用电指 标预测的方法具体包括以下步骤:
建立用电指标的灰色***GM(1,1)模型:
设X(0)为原始数据序列X(0)=[X(0)(1),X(0)(2),X(0)(3)…X(0)(n)];①
对该数据列进行一次叠加,生成新的数据数列为X(1)=[X(1)(1),X(1)(2),X(1)(3)…X(1)(n)];②
依照新数据序列编号规律对新数据序列,建立对应的白化微分方程为
式中a、b为方程参数,记做
在最小二乘准则下yn=BP的解为
式⑤即为GM(1,1)参数a、b的矩阵辨识计算式,式中(BTB)-1BT事实上是数据矩阵B的广义 逆矩阵,其中
式中,B为(n-1)阶数据矩阵,yn为数据向量,P为参数向量,令Z(1)为X(1)的均值序列Z(1)=[Z(1)(2),Z(1)(3),Z(1)(4)…Z(1)(n)];⑧
由式③得式⑧的白化微分方程为
Z(1)(k)=0.5X(1)(k)+0.5X(1)(k-1);⑨
可以得到灰色***GM(1,1)预测模型为
对进行累减生成还原,得到的预测值,即灰色***GM(1,1)的预测模型为:
预测模型建立后,通常要利用已知的历史资料对模拟预测值的精度进行检验,以判定模 型是否合适可用。GM(1,1)模型的预测精度有多种检验方法,主要的有残差大小检验法、关联 度检验法、后验差检验法,这里采用后验差检验法:根据后验差比值与小误差概率的取值判 别用电指标的灰色***GM(1,1)模型的精度:
令X(0)为原始序列,为预测值序列k=2,3…n,原始数据X(0)(k)的平均值
X(0)(k)的方差
残差
残差ε(0)(k)的平均值
ε(0)(k)的方差
后验差比值
小误差概率
一个好的预测,要求C越小越好,一般要求C≤0.35,最大不超过0.65。预测好坏的另一 个指标是小误差概率要大。所谓小误差是指绝对偏差或者说,相对误差 一般要求P≥0.65,不得小于0.7。
按照P与C的大小,可将预测精度分为4个等级,各个等级标准如表1,如果经检验不合格,可以建立GM(1,1)残差模型进行修正。指标C越小越好,C越小表示S1越大,S2越小。 S1越大,表明历史数据方差大,历史数据就越离散。S2越小,表明残差方差越小,残差离散 程度大。C小,表明尽管历史数据很离散,而模型所得的预测值与实际值之差并不太离散。 指标P越大越好,P越大,表示残差与残差平均值之差小于给定值0.6745S1的点越多。按照C 与P两个指标,可以综合评定预测模型的精度:
C≤0.35且P≥0.95表示用电指标的灰色***GM(1,1)模型的精度为一级;
C≤0.5且P≥0.8表示用电指标的灰色***GM(1,1)模型的精度为二级;
C≤0.65且P≥0.7表示用电指标的灰色***GM(1,1)模型的精度为三级;
C>0.65且P<0.7表示用电指标的灰色***GM(1,1)模型的精度为四级;
电指标的灰色***GM(1,1)模型的精度以及验证结果如表1的等级标准所示:
表1等级标准
如果用电指标的灰色***GM(1,1)模型的精度经检验结果为不合格,则建立用电指标的灰 色***GM(1,1)残差模型进行修正;具体步骤如下:
根据灰色***GM(1,1)模型的预测数据的残差Q(0)(t),定义残差序列
检查残差序列Q(0)(t)是否非负,如果残差序列Q(0)(t)存在负值,则对其进行正化处理,采 用的方法是将残差数列中的每一个数值加上一个适当的正数使其变成非负的值, 则正化处理后的残差数列为
还原后得到灰色***GM(1,1)模型的残差模型为:
以下是根据地铁1号线2012-2016年的能耗情况,采用本发明进行预测2017年、2018 年的能耗结果:
表2地铁1号线2012-2016年的能耗情况:
根据表2统计分析出2012-2016年的最大能耗、最小能耗、能耗极差、能耗方差、能耗 平均值和标准差情况:最大能耗:306kW·h;最小能耗:108kW·h;能耗极差:198kW·h;能耗方差:7314.3kW·h;能耗平均值:85.523681kW·h;标准差情况:248.4kW·h;进 而预测出后两年的能耗数据:2017年为348.522299kW·h;2018年为379.224496kW·h。
本发明不局限于以上所述的具体实施方式,以上所述仅为本发明的较佳实施案例而已, 并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等, 均应包含在本发明的保护范围之内。
Claims (3)
1.一种面向轨道交通的用电指标预测的方法,其特征在于:包括以下步骤:
(1)建立用电指标的灰色***GM(1,1)模型:
设X(0)为原始数据序列X(0)=[X(0)(1),X(0)(2),X(0)(3)…X(0)(n)];①
对该数据列进行一次叠加,生成新的数据数列为X(1)=[X(1)(1),X(1)(2),X(1)(3)…X(1)(n)];②依照新数据序列编号规律对新数据序列,建立对应的白化微分方程为
式中a、b为方程参数,记做
在最小二乘准则下yn=BP的解为
式⑤即为GM(1,1)参数a、b的矩阵辨识计算式,式中(BTB)-1BT事实上是数据矩阵B的广义逆矩阵,其中
式中,B为(n-1)阶数据矩阵,yn为数据向量,P为参数向量,令Z(1)为X(1)的均值序列Z(1)=[Z(1)(2),Z(1)(3),Z(1)(4)…Z(1)(n)];⑧
由式③得式⑧的白化微分方程为
Z(1)(k)=0.5X(1)(k)+0.5X(1)(k-1);⑨
可以得到灰色***GM(1,1)预测模型为
对进行累减生成还原,得到的预测值,即灰色***GM(1,1)的预测模型为:
(2)采用后验差检验法对用电指标的灰色***GM(1,1)模型的预测精度进行检验:根据后验差比值与小误差概率的取值判别用电指标的灰色***GM(1,1)模型的精度:
令X(0)为原始序列,为预测值序列k=2,3…n,原始数据X(0)(k)的平均值
X(0)(k)的方差
残差
残差ε(0)(k)的平均值
ε(0)(k)的方差
后验差比值
小误差概率
按照后验差比值C与小误差概率P这两个指标综合评定用电指标的灰色***GM(1,1)模型的精度:
C≤0.35且P≥0.95表示用电指标的灰色***GM(1,1)模型的精度为一级;
C≤0.5且P≥0.8表示用电指标的灰色***GM(1,1)模型的精度为二级;
C≤0.65且P≥0.7表示用电指标的灰色***GM(1,1)模型的精度为三级;
C>0.65且P<0.7表示用电指标的灰色***GM(1,1)模型的精度为四级。
2.根据权利要求1所述的一种面向轨道交通的用电指标预测的方法,其特征在于:如果用电指标的灰色***GM(1,1)模型的精度经检验不合格,则建立用电指标的灰色***GM(1,1)残差模型进行修正;具体步骤如下:
根据灰色***GM(1,1)模型的预测数据的残差Q(0)(t),定义残差序列
检查残差序列Q(0)(t)是否非负,如果残差序列Q(0)(t)存在负值,则对其进行正化处理,采用的方法是将残差数列中的每一个数值加上一个适当的正数使其变成非负的值,则正化处理后的残差数列为
还原后得到灰色***GM(1,1)模型的残差模型为:
3.根据权利要求1或2所述的一种面向轨道交通的用电指标预测的方法,其特征在于:所述用电指标包括客流量能耗指标、车辆周转量指标、客运周转量指标、车站动力能耗指标;所述客运量能耗指标的计算方式为:年(月)总耗电量/客流总量,单位为度/人次;所述车辆周转量指标的计算方式为:年(月)总耗电量/车辆运行总里程,单位为度/车·km;所述客运周转量指标的计算方式为:年(月)总耗电量/客运周转总量,单位为度/人·km;所述车站动力能耗指标的计算方式为:年(月)总耗电量/(站×天),单位:度/站·天。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710280216.1A CN107239851A (zh) | 2017-04-26 | 2017-04-26 | 一种面向轨道交通的用电指标预测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710280216.1A CN107239851A (zh) | 2017-04-26 | 2017-04-26 | 一种面向轨道交通的用电指标预测的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107239851A true CN107239851A (zh) | 2017-10-10 |
Family
ID=59984202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710280216.1A Pending CN107239851A (zh) | 2017-04-26 | 2017-04-26 | 一种面向轨道交通的用电指标预测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107239851A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109684340A (zh) * | 2018-12-21 | 2019-04-26 | 山东省交通科学研究院 | 基于多维异构数据的交通运输能源消耗数据处理方法 |
CN113762225A (zh) * | 2021-11-09 | 2021-12-07 | 博兴兴业精细化工产业发展有限公司 | 一种化工车间用自动监控报警*** |
-
2017
- 2017-04-26 CN CN201710280216.1A patent/CN107239851A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109684340A (zh) * | 2018-12-21 | 2019-04-26 | 山东省交通科学研究院 | 基于多维异构数据的交通运输能源消耗数据处理方法 |
CN113762225A (zh) * | 2021-11-09 | 2021-12-07 | 博兴兴业精细化工产业发展有限公司 | 一种化工车间用自动监控报警*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | A multi‐objective subway timetable optimization approach with minimum passenger time and energy consumption | |
CN102831478B (zh) | 一种基于bp神经网络的地铁能耗综合预测方法 | |
Qiu et al. | Spatial-temporal heterogeneity of green development efficiency and its influencing factors in growing metropolitan area: a case study for the Xuzhou metropolitan area | |
CN107704950A (zh) | 一种基于出行需求与***节能的城轨列车运行图优化方法 | |
CN104637023A (zh) | 一种对铁路运营现状安全性评价的方法 | |
Jiang et al. | Transportation system evaluation model based on DEA | |
CN107239851A (zh) | 一种面向轨道交通的用电指标预测的方法 | |
Cheremisin et al. | Artificial intelligence methods to control the energy efficiency of electric rolling stock online | |
Ghodmare et al. | Application of the multi attribute utility technique with its for sustainability evaluation of emerging metropolitan city of Nagpur | |
Yaping et al. | Life cycle cost analysis of urban rail transit vehicle | |
Yi et al. | Evaluation model of sustainable development for railway transportation based on BP neural network | |
Zhi-yan et al. | Impact model of COVID-19 and built environment on bus passenger flow | |
CN106779192A (zh) | 交通运输业能源消耗量预测方法及其预测*** | |
Li et al. | Assessment of the internet impact on road transportation industry operational efficiency | |
Zhu et al. | Research on dynamic timetables of bus scheduling based on dynamic programming | |
Xiao et al. | Research on energy efficiency evaluation of urban rail transit based on DEA-BCC model | |
Yakymchuk et al. | Innovative Transport Technologies of Ukraine: Sustainable Development, Economy, Infrastructure | |
Niu et al. | Study of railway passenger volume forecast based on grey forecasting model | |
Cai et al. | Long-term development scale and charging load forecasting of electric vehicle | |
Xue et al. | Modelling and simulation of the urban rail transit operation system based on system dynamics | |
Yang et al. | A new method to calculate the cost of urban rail transit operation | |
GUO et al. | Hybrid variable neighborhood search algorithm for long-term carpooling problem | |
Yuan-Li et al. | The Alternative Evaluation of Inter-city Railway in Regional Integrated Transport Corridor | |
Shao et al. | Research of High-Speed Rail Express Delivery Market Demand Prediction Problem in China | |
Zhang et al. | Multiobjective optimization model for profile design of hump distributing zone |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171010 |