CN107967534B - 通过构建运行数据典型工况样本库提高预测精度的方法 - Google Patents
通过构建运行数据典型工况样本库提高预测精度的方法 Download PDFInfo
- Publication number
- CN107967534B CN107967534B CN201711160287.4A CN201711160287A CN107967534B CN 107967534 B CN107967534 B CN 107967534B CN 201711160287 A CN201711160287 A CN 201711160287A CN 107967534 B CN107967534 B CN 107967534B
- Authority
- CN
- China
- Prior art keywords
- working condition
- variables
- samples
- data
- variable
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000010219 correlation analysis Methods 0.000 claims abstract description 12
- 238000000513 principal component analysis Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 10
- 239000003245 coal Substances 0.000 description 10
- 229910052717 sulfur Inorganic materials 0.000 description 10
- 239000011593 sulfur Substances 0.000 description 10
- 238000001228 spectrum Methods 0.000 description 8
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 6
- 229910052739 hydrogen Inorganic materials 0.000 description 5
- 229910052799 carbon Inorganic materials 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 229910052791 calcium Inorganic materials 0.000 description 3
- 239000011575 calcium Substances 0.000 description 3
- 239000001257 hydrogen Substances 0.000 description 3
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 3
- 229910052742 iron Inorganic materials 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- BHPQYMZQTOCNFJ-UHFFFAOYSA-N Calcium cation Chemical compound [Ca+2] BHPQYMZQTOCNFJ-UHFFFAOYSA-N 0.000 description 1
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000011777 magnesium Substances 0.000 description 1
- 229910052749 magnesium Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 125000001741 organic sulfur group Chemical group 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种通过构建运行数据典型工况样本库提高预测精度的方法，所述方法利用相关分析消除冗余变量，利用主成分分析进行降维，以工况信息量指标最大为目标，搜寻给定数量的运行数据样本，构建典型工况样本库，使其涵盖大部分运行工况，以此来表过程特性，在建立模型时既不影响计算效率，又能保证模型的预测精度。
Description
技术领域
本发明属于热工技术和人工智能交叉技术领域，具体涉及一种通过构建运行数据典型工况样本库提高预测精度的方法。
背景技术
随着电力行业信息化的不断深入，火力发电厂采集的数据量越来越多，多元线性回归、神经网络和支持向量机等技术的发展，为数据资源的开发和应用提供了重要的理论基础。利用电站运行数据对发电过程参数进行预测与估计，可以为电站设备的状态监测及机组的安全优化运行提供模型基础。
在利用运行数据构建发电过程参数模型时，模型预测精度对所选取数据样本的工况特性具有较强的依赖性。随意地选取数据样本很难获得机组全部的运行工况信息，而若把所有的运行数据全用来建立模型，则需要处理巨大的数据量，还会带来信息的冗余，从而降低预测精度。因此，本发明考虑从大量的运行数据中选择其中的一部分具有代表性的工况样本，构建典型工况样本库，使其涵盖大部分运行工况，以此来表征过程特性，在建立模型时既不影响计算效率，又能保证模型的预测精度。
发明内容
为了解决上述问题，本发明提供一种通过构建运行数据典型工况样本库提高预测精度的方法，所述方法利用相关分析消除冗余变量，利用主成分分析进行降维，以工况信息量指标最大为目标，搜寻给定数量的运行数据样本，构建典型工况样本库，使其涵盖大部分运行工况，以此来表过程特性，在建立模型时既不影响计算效率，又能保证模型的预测精度；
进一步地，所述方法包括：
步骤1)：对运行数据进行相关性分析，若存在相关变量，则选择其中的1个变量作为代表，去除冗余变量信息；
步骤2)：利用主成分分析对剩余的变量进行降维，用提取后的主成分变量代替原变量，得到降维后的数据；
步骤3)：在降维后的数据里，搜索给定数量的数据样本，使样本的工况信息量指标最大，得到样本索引序列；
步骤4)：根据步骤3)得到的序列，从步骤1)未降维的数据中选取序列对应的工况样本，即构成典型工况样本库；
步骤5):根据步骤4)所构建的工况样本库数据建立的模型，进行结果预测；
进一步地，步骤1)中所述相关性分析去除冗余变量方法具体包括以下步骤：
步骤1.1)：计算运行数据中任意两个变量的相关系数；
步骤1.2)：如果存在变量的相关系数大于0.95，则取其中的1个变量代替其他变量；
步骤1.3)：重复执行步骤1.1)-步骤1.2)，直至任意两个变量相关系数小于0.95，表明数据中不存在冗余的相关变量；
进一步地，步骤2)中所述运行数据降维采用的是主成分分析方法，具体包括以下步骤：
步骤2.1)：对p维变量n个运行数据，构成样本矩阵X∈Rn×p，所述X∈Rn×p是n×p维矩阵，并进行标准化使各列变量样本的均值为0，方差为1；
步骤2.2)：根据上述步骤2.1)构成的样本矩阵得出矩阵的协方差
步骤2.3)：根据步骤2.2)得出的协方差Σ，得出协方差的特征根λ1≥λ2≥…≥λh及特征根对应的单位正交特征向量p1,p2,…,ph；
步骤2.4)：根据上述步骤2.3)得出的单位正交特征向量可以得出主成分变量ti＝Xpi，所述i＝1,2,…,h；
步骤2.5)：根据上述步骤2.4)得出的主成分变量进行累计贡献率的计算，所述累计贡献率为各个主成分变量在所有主成分变量中所占的比例，根据累计贡献率的结果确定主成分个数h；
进一步地，步骤3)中所述工况的信息量指标由以下因素构成：
空间范围：利用样本覆盖的凸包空间与所有样本覆盖的凸包空间之比δ表征样本分布的空间范围，比值越大，则分布的空间范围越大；
其中vch是所选样本覆盖的凸包空间范围，vch,max是所获取的全部样本所覆盖的凸包范围,其中，对于二维样本，vch表示所覆盖凸包面积；对于三维样本，vch表示所覆盖凸包体积；
分布均匀性：用样本中心化L2偏差来表征工况样本分布的均匀性，L2偏差越小，分布越均匀；
进一步地，所述的工况的信息量指标由下式计算：
其中γ1和γ2为权值系数，s的取值范围为(0，1]，s值越大代表的信息量越大；
本发明对热工运行数据进行分析和处理，构造一种典型工况样本库，使其涵盖大部分运行工况，实现运行数据有效信息量的提取和存储，在建立模型时既不影响计算效率，又能保证模型的预测精度。
附图说明
图1为本发明中所述构建方法的过程示意图；
图2为具体实施方式中利用本发明对电站煤质中硫含量进行预测的效果图；
图3是具体实施方式中利用随机选择样本对电站煤质中硫含量进行预测的效果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
下面结合附图和具体实施例对本发明作进一步说明，但不作为对本发明的限定。下面为本发明的举出最佳实施例：
如图1-图3所示，本发明提供一种通过构建运行数据典型工况样本库提高预测精度的方法，所述方法利用相关分析消除冗余变量，利用主成分分析进行降维，以工况信息量指标最大为目标，搜寻给定数量的运行数据样本，构建典型工况样本库，使其涵盖大部分运行工况，以此来表过程特性，在建立模型时既不影响计算效率，又能保证模型的预测精度，所述方法包括：
步骤1)：对运行数据进行相关性分析，若存在相关变量，则选择其中的1个变量作为代表，去除冗余变量信息；
步骤2)：利用主成分分析对剩余的变量进行降维，用提取后的主成分变量代替原变量，得到降维后的数据；
步骤3)：在降维后的数据里，搜索给定数量的数据样本，使样本的工况信息量指标最大，得到样本索引序列；
步骤4)：根据步骤3)得到的序列，从步骤1)未降维的数据中选取序列对应的工况样本，即构成典型工况样本库；
步骤5):根据步骤4)所构建的工况样本库数据建立的模型，进行结果预测。
步骤1)中所述相关性分析去除冗余变量方法具体包括以下步骤：
步骤1.1)：计算运行数据中任意两个变量的相关系数；
步骤1.2)：如果存在变量的相关系数大于0.95，则取其中的1个变量代替其他变量；
步骤1.3)：重复执行步骤1.1)-步骤1.2)，直至任意两个变量相关系数小于0.95，表明数据中不存在冗余的相关变量。
步骤2)中所述运行数据降维采用的是主成分分析方法，具体包括以下步骤：
步骤2.1)：对p维变量n个运行数据，构成样本矩阵X∈Rn×p，所述X∈Rn×p是n×p维矩阵，并进行标准化使各列变量样本的均值为0，方差为1；
步骤2.2)：根据上述步骤2.1)构成的样本矩阵得出矩阵的协方差
步骤2.3)：根据步骤2.2)得出的协方差Σ，得出协方差的特征根λ1≥λ2≥…≥λh及特征根对应的单位正交特征向量p1,p2,…,ph；
步骤2.4)：根据上述步骤2.3)得出的单位正交特征向量可以得出主成分变量ti＝Xpi，所述i＝1,2,…,h；
步骤2.5)：根据上述步骤2.4)得出的主成分变量进行累计贡献率的计算，所述累计贡献率为各个主成分变量在所有主成分变量中所占的比例，根据累计贡献率的结果确定主成分个数h。
步骤3)中所述工况的信息量指标由以下因素构成：
空间范围：利用样本覆盖的凸包空间与所有样本覆盖的凸包空间之比δ表征样本分布的空间范围，比值越大，则分布的空间范围越大；
其中vch是所选样本覆盖的凸包空间范围(特殊地，对于二维样本，vch表示所覆盖凸包面积；对于三维样本，vch表示所覆盖凸包体积)，vch,max是所获取的全部样本所覆盖的凸包范围；
分布均匀性：用样本中心化L2偏差来表征工况样本分布的均匀性，L2偏差越小，分布越均匀；
所述的工况的信息量指标由下式计算：
其中γ1和γ2为权值系数，s的取值范围为(0,1]，s值越大代表的信息量越大。
以下实例是利用电站煤质信息库建立煤中硫元素的预测模型。电站燃煤中的大部分元素(例如碳、氢、氧、铁、钙、铝、镁等元素)可以通过激光穿透光谱来进行测量得到，然而在大气环境下，硫元素波谱则很难探测。电站燃煤中的硫分常以有机硫(碳、氢等元素的化合物)和无机硫(铁、钙等元素的化合物)构成，因此通过检测碳、氢、铁、钙等元素，并构建非线性模型，可以得到煤中硫元素的含量。
通过对电站燃煤进行光谱分析，得到了以下元素的光谱：C，H，O，Al1，Al2，Al3，Al4，Ca1，Ca2，Ca3，Fe1，Fe2，Mg1，Mg2，Na1，Na2，Ti 1，Ti2，Ti3，Ti4，其中每个元素可能存在多个波段下的光谱，例如钙元素存在Ca1和Ca2光谱。利用本发明，从数据记录中挑选最具有代表性的90个数据构建典型工况样本库，并建立硫元素含量的预测模型，剩余的数据样本来验证模型的精度。
请参考图1，建立煤质硫元素预测模型的典型工况样本库的流程如下：
步骤1：对运行数据进行相关性分析，若存在相关变量，则选择其中的1个变量作为代表，去除冗余变量信息；
步骤1.1：计算运行数据中任意两个变量的相关系数；
步骤1.2：如果存在变量的相关系数大于0.95，则取其中的1个变量代替其他变量；
步骤1.3：重复执行步骤1.1-步骤1.2，直至任意的两个变量相关系数小于0.95，表明数据中不存在冗余的相关变量。
经过步骤1的相关性分析，发现Al1、Al2波谱之间相关系数为0.9994，Ca2和Ca3波谱之间的相关系数为0.9952，Ti1和Ti3之间的相关系数为0.9957，Na1和Na2的相关系数为0.9682，Ca1和Fe1的相关性也很大。经过分析最终选择以下元素的光谱C，H，O，Al1，Al3，Ca1，Ca3，Fe2，Mg1，Mg2，Na1，Ti1，Ti4这13个光谱作为模型输入变量。
步骤2：利用主成分分析对剩余的变量进行降维，用提取后的主成分变量代替原变量，得到降维空间上的运行数据；
步骤2.1：对p＝13个变量n＝160个运行数据，构成样本矩阵X∈Rn×p，所述X∈Rn×p是n×p维矩阵，并进行标准化使各列变量样本的均值为0，方差为1；
步骤2.2：根据上述步骤2.1构成的样本矩阵得出矩阵的协方差
步骤2.3：根据步骤2.2得出的协方差Σ，得出协方差的特征根λ1≥λ2≥…≥λh及特征根对应的单位正交特征向量p1,p2,…,ph；
步骤2.4：根据上述步骤2.3得出的单位正交特征向量可以得出主成分变量ti＝Xpi，所述i＝1,2,…,h；
步骤2.5：根据上述步骤2.4得出的主成分变量进行累计贡献率的计算，所述累计贡献率为各个主成分变量在所有主成分变量中所占的比例，根据累计贡献率的结果确定主元个数h。
步骤3：在降维空间的运行数据里，搜索给定数量的数据样本，使其工况信息量指标最大，得到对应的样本索引序列；
其中工况信息量指标由下式计算：
其中γ1和γ2为权值系数，vch是所选样本的所覆盖的凸包空间范围，vch,max是所获取的全部样本所覆盖的凸包范围；L2为样本的中心化偏差：
步骤4：按照步骤3得到序列，从步骤1得到的未进行降维的数据中选取对应的数据样本，即构成典型工况样本库。
为了验证本方法的有效性，基于所选取的样本，利用支持向量机非线性模型对煤质中硫元素含量进行建模。利用典型工况样本库建立的模型的预测效果如图2所示，同时采用随机选择建样本方法建立的模型的预测效果如图3所示，预测误差对比如表1所示。
表1典型工况样本库和随机选择样本建模预测误差对比
由图2、图3和表1可以看出，采用本方案所构建的工况样本库数据建立的模型，其预测结果与随机样本建立的模型相比，具有的更高的预测精度。
本发明还提供一种模型，该模型根据以上所述的典型工况库得到。本发明提出的典型工况样本库构建方法，使选取的样本能涵盖大部分运行工况，实现运行数据有效信息量的提取和存储，在建立模型时既不影响计算效率，又能保证模型的预测精度。
以上所述的实施例，只是本发明较优选的具体实施方式的一种，本领域的技术人员在本发明技术方案范围内进行的通常变化和替换都应包含在本发明的保护范围内。
Claims (1)
1.一种通过构建运行数据典型工况样本库提高预测精度的方法，其特征在于，所述方法应用于火力发电厂中采集的数据处理，所述方法利用相关分析消除冗余变量，利用主成分分析进行降维，以工况信息量指标最大为目标，搜寻给定数量的运行数据样本，构建典型工况样本库，使其涵盖大部分运行工况，以此来表征过程特性，在建立模型时既不影响计算效率，又能保证模型的预测精度，所述方法包括：
步骤1)：对运行数据进行相关性分析，若存在相关变量，则选择其中的1个变量作为代表，去除冗余变量信息；
步骤2)：利用主成分分析对剩余的变量进行降维，用提取后的主成分变量代替原变量，得到降维后的数据；
步骤3)：在降维后的数据里，搜索给定数量的数据样本，使样本的工况信息量指标最大，得到样本索引序列；
步骤4)：根据步骤3)得到的序列，从步骤1)未降维的数据中选取序列对应的工况样本，即构成典型工况样本库；
步骤5):根据步骤4)所构建的工况样本库数据建立的模型，进行结果预测，步骤1)中所述相关性分析去除冗余变量方法具体包括以下步骤：
步骤1.1)：计算运行数据中任意两个变量的相关系数；
步骤1.2)：如果步骤1.1中存在两个变量的相关系数大于0.95，则取其中的一个变量代替另一个变量；
步骤1.3)：重复执行步骤1.1)-步骤1.2)，直至任意两个变量相关系数小于0.95，表明数据中不存在冗余的相关变量；
步骤2)中所述运行数据降维采用的是主成分分析方法，具体包括以下步骤：
步骤2.1)：对p维变量n个运行数据，构成样本矩阵X∈Rn×p，并进行标准化使各列变量样本的均值为0，方差为1，其中，R表示数学中的实数，X∈Rn×p表示X是n×p维实数矩阵；
步骤2.2)：根据上述步骤2.1)构成的样本矩阵得出矩阵的协方差
步骤2.3)：根据步骤2.2)得出的协方差Σ，得出协方差的特征根λ1≥λ2≥…≥λh及特征根对应的单位正交特征向量p1,p2,...,ph；
步骤2.4)：根据上述步骤2.3)得出的单位正交特征向量可以得出主成分变量ti＝Xpi，所述i＝1,2,...,h；
步骤2.5)：根据上述步骤2.4)得出的主成分变量进行累计贡献率的计算，所述累计贡献率为各个主成分变量在所有主成分变量中所占的比例，根据累计贡献率的结果确定主成分个数h；步骤3)中所述工况的信息量指标由以下因素构成：
空间范围：利用步骤4中典型工况样本库中的样本覆盖的凸包空间与所有样本覆盖的凸包空间之比δ表征样本分布的空间范围，比值越大，则分布的空间范围越大；
其中vch是所选样本覆盖的凸包空间范围，vch,max是所获取的全部样本所覆盖的凸包范围,其中，对于二维样本，vch表示所覆盖凸包面积；对于三维样本，vch表示所覆盖凸包体积；
分布均匀性：用样本中心化L2偏差来表征工况样本分布的均匀性，L2偏差越小，分布越均匀；
其中γ1和γ2为权值系数，s的取值范围为(0,1]，s值越大代表的信息量越大。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711160287.4A CN107967534B (zh) | 2017-11-20 | 2017-11-20 | 通过构建运行数据典型工况样本库提高预测精度的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711160287.4A CN107967534B (zh) | 2017-11-20 | 2017-11-20 | 通过构建运行数据典型工况样本库提高预测精度的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107967534A CN107967534A (zh) | 2018-04-27 |
| CN107967534B true CN107967534B (zh) | 2021-06-04 |
Family
ID=62001407
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711160287.4A Expired - Fee Related CN107967534B (zh) | 2017-11-20 | 2017-11-20 | 通过构建运行数据典型工况样本库提高预测精度的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107967534B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016015752A1 (en) * | 2014-07-29 | 2016-02-04 | Hewlett-Packard Development Company, L.P. | Method and apparatus for validity determination of a data dividing operation |
| CN106339536A (zh) * | 2016-08-19 | 2017-01-18 | 南华大学 | 基于水污染指数法和云模型的水质综合评价方法 |
-
2017
- 2017-11-20 CN CN201711160287.4A patent/CN107967534B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016015752A1 (en) * | 2014-07-29 | 2016-02-04 | Hewlett-Packard Development Company, L.P. | Method and apparatus for validity determination of a data dividing operation |
| CN106339536A (zh) * | 2016-08-19 | 2017-01-18 | 南华大学 | 基于水污染指数法和云模型的水质综合评价方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于过程数据的建模方法研究及应用;吕游;《中国博士学位论文全文数据库 信息科技辑》;20141215;2014年第12期 I140-82 第51-101页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107967534A (zh) | 2018-04-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lu et al. | An MDL approach to the climate segmentation problem | |
| Rao et al. | Damage diagnostic technique for structural health monitoring using POD and self adaptive differential evolution algorithm | |
| CN116400161B (zh) | 激光器的设备校准方法、装置、设备及存储介质 | |
| JP5707230B2 (ja) | プロセスの状態予測方法 | |
| CN112927769B (zh) | 基于孔径分布曲线的MOFs材料缺陷结构预测方法 | |
| CN117008479B (zh) | 基于生物质气化炉的负碳排放优化控制方法及*** | |
| Pereira et al. | Risk assessment using bayesian belief networks and analytic hierarchy process applicable to jet engine high pressure turbine assembly | |
| CN111639722A (zh) | 基于主成分分析和孪生支持向量机的变压器故障诊断方法 | |
| CN114692507A (zh) | 基于堆叠泊松自编码器网络的计数数据软测量建模方法 | |
| CN107967534B (zh) | 通过构建运行数据典型工况样本库提高预测精度的方法 | |
| CN117521912A (zh) | 一种碳排放测算模型及对比评价方法及其应用 | |
| CN112488282A (zh) | 一种预测气体浓度的方法、***、设备及其存储介质 | |
| CN112241832A (zh) | 一种产品质量分级评价标准设计方法及*** | |
| JP2013168020A (ja) | プロセスの状態予測方法 | |
| CN114818927A (zh) | 数据驱动的设备腐蚀预测方法 | |
| CN113094636A (zh) | 一种基于海量监测数据的干扰性用户谐波水平估计方法 | |
| CN113486553A (zh) | 基于泰森多边形区域划分的复杂装备可靠性分析方法 | |
| Mandelli et al. | An overview of reduced order modeling techniques for safety applications | |
| Kremer et al. | A New Approach for Parametrizing Multidimensional Lifetime Models | |
| CN113076211B (zh) | 一种基于故障重构的质量相关故障诊断及误报警反馈方法 | |
| CN117592789B (zh) | 基于时间序列分析的电网环境火灾风险评估方法及设备 | |
| CN117473302B (zh) | 汽车配件的结构可靠性测试方法、装置、设备及存储介质 | |
| CN117556753B (zh) | 存储芯片的能耗分析方法、装置、设备及存储介质 | |
| Lim | Failure Probability Prediction for Offshore Floating Structures Using Machine Learning | |
| Barnes et al. | Building Energy Use Surrogate Model Feature Selection–A Methodology Using Forward Stepwise Selection and LASSO Regression Methods |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210604 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |