CN108805355A - 一种基于最小二乘支持向量机的接地网腐蚀预测方法 - Google Patents
一种基于最小二乘支持向量机的接地网腐蚀预测方法 Download PDFInfo
- Publication number
- CN108805355A CN108805355A CN201810590810.5A CN201810590810A CN108805355A CN 108805355 A CN108805355 A CN 108805355A CN 201810590810 A CN201810590810 A CN 201810590810A CN 108805355 A CN108805355 A CN 108805355A
- Authority
- CN
- China
- Prior art keywords
- ground net
- net corrosion
- prediction
- lssvm
- parameter
- 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
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本发明公开了一种基于最小二乘支持向量机的接地网腐蚀预测方法,它包括:步骤1、以一定的时间间隔采集接地网接地电阻数据,通过接地电阻计算接地网腐蚀速率,得到基于采集时间序列的接地网腐蚀速率样本数据;步骤2、建立基于遗传算法优化参数的LSSVM接地网腐蚀速率预测模型;步骤3、应用预测模型对训练样本进行预测,得到训练样本的相对误差和预测值;步骤4、预测模型对训练样本的相对误差进行预测,从而得到相对误差的预测值;步骤5、对相对误差的预测值进行校正,从而得到预测速率;解决了由于最小二乘支持向量机核函数参数和惩罚参数的经验性赋值而导致的预测精度不足的问题。
Description
技术领域
本发明属于接地网腐蚀技术,尤其涉及一种基于最小二乘支持向量机的接地网腐蚀预测方法。
背景技术
接地网属于隐蔽工程,其集工作接地、保护接地、防雷接地等功能为一体,对于电力***的可靠运行和工作人员的人身安全起着至关重要的作用。及时准确的掌握和预测接地网的腐蚀严重程度,防止由于接地不良造成的危害,同时对计划接地网的维修和更换的最佳时期提供了帮助。对于维持***正常运行和减少经济损失意义重大。
目前,接地网腐蚀速率预测的研究成果极少,研究人员根据接地网腐蚀速率预测物理量的不同可分为两大类:(1)根据影响接地网腐蚀速率的各种因素进行预测;(2)直接根据以往的腐蚀速率建立起***输入与输出之间的一种线性或者非线性映射;由于影响接地网腐蚀的因素有很多,与土壤成分、气候、时间等有关,数据需要分析和简化,不能保证预测精度。为此本文直接根据接地网的原始腐蚀速率序列进行预测,但接地网长期埋在地底,受环境影响发生着缓慢的化学和电化学腐蚀,检测常为定期的抽样开挖检测,周期较长,数据样本小。为此,寻找能解决小样本且高精度的预测模型成为亟待解决的问题。
应用于接地网腐蚀速率预测的方法有神经网络、灰色模型、支持向量机(SVM)以及多种方法的组合预测模型等。每种预测模型都有各自的优点和不足,难以得到较高的精度。神经网络理论上可以实现任何复杂的非线性映射,但是学习速度很慢且失败的可能性很大;灰色模型容易操作和预测精度高,但不考虑***内在机理,于是会出现较大的错误;支持向量机将问题最终转换成二次优化问题,使其具有良好的推广能力,保证了全局最优解;但SVM存在着运算费时,很依赖核函数的选择以及依靠经验选择核函数参数等缺点。最小二乘支持向量机(LSSVM)是SVM的一种改进,克服了传统神经网络的经验选择,对解决非线性、小样本等问题体现了极高的优越性。但是以上的预测方法均达不到预测的精度要求。
发明内容
本发明要解决的技术问题是:提供一种基于最小二乘支持向量机的接地网腐蚀预测方法,以解决现有技术由于最小二乘支持向量机核函数参数和惩罚参数的经验性赋值而导致的预测精度不足的问题。
本发明技术方案是:
一种基于最小二乘支持向量机的接地网腐蚀预测方法,它包括:
步骤1、以一定的时间间隔采集接地网接地电阻数据,通过接地电阻计算接地网腐蚀速率,得到基于采集时间序列的接地网腐蚀速率样本数据;将基于采集时间序列的接地网腐蚀速率样本数据分为两部分;训练样本和测试样本;
步骤2、建立基于遗传算法优化参数的LSSVM接地网腐蚀速率预测模型;
步骤3、应用基于遗传算法优化参数的LSSVM接地网腐蚀速率预测模型对训练样本进行预测,得到训练样本的相对误差和预测值;
步骤4、应用基于遗传算法优化参数的LSSVM接地网腐蚀速率预测模型对训练样本的相对误差进行预测,从而得到相对误差的预测值;
步骤5、对相对误差的预测值进行校正,从而得到预测速率。
步骤1所述的一定的时间间隔采集接地网接地电阻数据,通过接地电阻计算接地网腐蚀速率的方法为:按照每月测量一次接地网接地电阻数据,
通过公式
计算接地电阻计算接地网腐蚀速率;式中:v为腐蚀速率,(g/m-2.h);M为金属的摩尔质量,(g/mol);Z为金属的原子价;icorr为腐蚀电流密度,(μA/cm-2);B为常数;Rp为极化电阻,ba为阳极的塔菲尔常数;bc为阴极的塔菲尔常数。
步骤2所述建立基于遗传算法优化参数的LSSVM接地网腐蚀速率预测模型的方法包括:
a)选择核函数:选用RBF核函数作为LSSVM的核函数进行模型训练;
b)根据RBF函数的性质,惩罚参数C、RBF核的核宽度σ的最优取值均通过GA算法得到;
c)GA算法参数的确定:确定种群的规模和进化次数,设定选择的概率和变异的概率,确定惩罚参数和核宽度的搜索空间;
d)GA种群的初始化:根据步骤c)设定的GA算法参数,产生初始种群;
e)建立LSSVM预测回归模型:输入测试样本的输入值,计算粒子适应度值;在回归问题中,LSSVM的适应度值为样本误差平方和;
f)根据适应度值对种群个体进行选择、交叉、变异得到新种群;
g)判断是否满足终止条件,以迭代次数作为终止条件;若不满足,则返回e)重新建立预测回归模型计算粒子适应度值并逐步更新;若满足终止条件,则停止迭代,将全局最优结果及对应的位置作为模型的最佳参数输出;
h)通过模型最佳参数建立LSSVM预测模型,即基于遗传算法优化参数后的LSSVM模型。
所述的惩罚参数C、RBF核的核宽度σ最优取值均通过GA算法得到,其方法为:种群个体为长度为20的二进制数组成的矩阵,取前10个数并转化为10进制数赋给惩罚参数C,取后10个数并转化为10进制数赋给核函数宽度σ,取值范围都为[0,1023]且为整数。
所述的设定GA算法参数的取值为,种群的规模是100,迭代次数是100,选择因子是0.6,变异因子是0.1。
本发明有益效果:
本发明采用了遗传算法优化最小二乘支持向量机中惩罚参数C和核函数宽度σ,极大的解决了由于最小二乘支持向量机中惩罚参数C和核函数宽度σ经验性赋值导致的计算精度不足的问题;而后又通过误差校正减少了误差极大值出现的可能性,更大程度的提高了预测精度。解决了由于最小二乘支持向量机核函数参数和惩罚参数的经验性赋值而导致的预测精度不足的问题。
附图说明
图1为本发明模型参数优化示意图;
图2为本发明误差预测流程示意图;
图3为本发明每代最小适应度曲线图;
图4为最小适应值所在的种群适应度曲线图。
具体实施方式
一种基于最小二乘支持向量机的接地网腐蚀预测方法,它包括:
步骤1、以一定的时间间隔采集接地网接地电阻数据,通过接地电阻计算接地网腐蚀速率,得到基于采集时间序列的接地网腐蚀速率样本数据;
步骤1所述的一定的时间间隔采集接地网接地电阻数据,通过接地电阻计算接地网腐蚀速率的方法为:按照每月测量一次接地网接地电阻数据,
通过公式
计算接地电阻计算接地网腐蚀速率;式中:v为腐蚀速率,(g/m-2.h);M为金属的摩尔质量,(g/mol);Z为金属的原子价;icorr为腐蚀电流密度,(μA/cm-2);B为常数;Rp为极化电阻;ba为阳极的塔菲尔常数;bc为阴极的塔菲尔常数。
将基于采集时间序列的接地网腐蚀速率样本数据分为两部分;训练样本和测试样本
步骤2、通过对训练样本进行学习和训练,建立基于遗传算法优化参数的LSSVM接地网腐蚀速率预测模型;
步骤2所述建立基于遗传算法优化参数的LSSVM接地网腐蚀速率预测模型的方法如下:
a)选择核函数:选用RBF核函数作为LSSVM的核函数进行模型训练;
b)根据RBF函数的性质,惩罚参数C、RBF核的核宽度σ的最优取值均通过GA算法得到;
c)GA算法参数的确定:确定种群的规模和进化次数,设定选择的概率和变异的概率,确定惩罚参数和核宽度的搜索空间;
d)GA种群的初始化:根据步骤c)设定的GA算法参数,产生初始种群;
e)建立LSSVM预测回归模型:输入测试样本的输入值,计算粒子适应度值;在回归问题中,LSSVM的适应度值为样本误差平方和;通过训练样本对模型进行训练,得到预测参数,以测试样本的输入值最为输入,得到测试样本核函数,从而得到预测公式,
f)根据适应度值对种群个体进行选择、交叉、变异得到新种群;
g)判断是否满足终止条件,以迭代次数作为终止条件;若不满足,则返回e)重新建立预测回归模型计算粒子适应度值并逐步更新;若满足终止条件,则停止迭代,将全局最优结果及对应的位置作为模型的最佳参数输出;
h)通过模型最佳参数建立LSSVM预测模型,即基于遗传算法优化参数后的LSSVM模型。
所述的惩罚参数C、RBF核的核宽度σ最优取值均通过GA算法得到,其方法为:种群个体为长度为20的二进制数组成的矩阵,取前10个数并转化为10进制数赋给惩罚参数C,取后10个数并转化为10进制数赋给核函数宽度σ,取值范围都为[0,1023]且为整数。
所述的设定GA算法参数的取值为,种群的规模是100,迭代次数是100,选择因子是0.6,变异因子是0.1。
步骤3、应用基于遗传算法优化参数的LSSVM接地网腐蚀速率预测模型对训练样本进行预测,得到训练样本的相对误差和预测值;
步骤4、应用基于遗传算法优化参数的LSSVM接地网腐蚀速率预测模型对训练样本的相对误差进行预测,从而得到相对误差的预测值;
步骤5、对相对误差的预测值进行校正,从而得到预测速率。
步骤3-5的具体实现方法为:
用基于遗传算法优化参数的LSSVM接地网腐蚀速率预测模型对训练样本进行预测得到预测值X1={x1 1,x1 2,…,x1 j}和相对误差E0={e0 1,e0 2,…,e0 j};利用基于遗传算法优化参数的LSSVM接地网腐蚀速率预测模型对相对误差进行预测得到相对误差的预测值E1={e1 1,e1 2,…,e1 j},再通过校正式对相对误差的预测值进行校正:若同时满足|e1 i|>1%、e1 i*e0 i>0,则x2 i=x1 i(1-e1 i),如不满足x2 i=x1 i。最后得到预测结果X2={x2 1,x2 2,…,x2 j}。
以下结合实例对本发明的实施进一步详细说明。
一种基于最小二乘支持向量机的接地网腐蚀速率预测方法,具体步骤如下:
1、数据采集
试验通过接地网检测技术测量接地电阻,通过数值计算分析得到接地网腐蚀速率。采集时间为2008年1月至2009年9月每月测量一次,共计21个腐蚀速率数据,如表1所示。
式中:v为腐蚀速率,(g/m-2.h);M为金属的摩尔质量,(g/mol);Z为金属的原子价;icorr为腐蚀电流密度,(μA/cm-2);B为常数;Rp为极化电阻。
2、预测模型构建
以21个月测量的试验数据中的前16组数据用于构建最小二乘支持向量机预测模型,剩余的5组数据用于训练好的模型进行测试。模型的输入为时间序列,输出为接地网腐蚀速率。
最小二乘支持向量机的核函数参数和惩罚因子对模型的精度有重要影响,因此选择遗传算法对其进行优化。遗传算法中种群个体数目100,进化代数设置为100,选择因子为0.6,变异因子为0.1。以预测误差平方和作为适应度函数。得到最优的核函数参数和惩罚因子,从而得到最优的最小二乘支持向量机模型。
分别作出最优参数所对应的种群适应度曲线和各次迭代的适应度曲线,如图2、3所示。
误差校正模型是将预测后的到的误差再进行预测,再通过对预测误差进行判定。判定因子是2%,如果小于2%则直接赋值,如果大于2%则应用修正式进行修正。
3、预测结果分析
表1某变电站接地网腐蚀速率数据
表2接地网腐蚀速率预测值与检测值比较
利用训练好的遗传算法优化最小二乘支持向量机模型,对剩余的5组数据进行测试,并将测试结果与5个月测量的实际接地网腐蚀速率进行比较,实验结果如表2所示。再通过与最小二乘支持向量机、改进的最小二乘支持向量机进行对比分析,从中可以看出本专利提出的接地网腐蚀预测结果与接地网的实际腐蚀速率较为接近。进一步的计算可知,模型的平均预测误差约为0.664%。综上所述,本专利提出的接地网腐蚀速率预测方法适用并可以有效地预测腐蚀速率。
以上所述仅为本发明的较佳实施例唯一,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、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于最小二乘支持向量机的接地网腐蚀预测方法,它包括:
步骤1、以一定的时间间隔采集接地网接地电阻数据,通过接地电阻计算接地网腐蚀速率,得到基于采集时间序列的接地网腐蚀速率样本数据;将基于采集时间序列的接地网腐蚀速率样本数据分为两部分;训练样本和测试样本;
步骤2、建立基于遗传算法优化参数的LSSVM接地网腐蚀速率预测模型;
步骤3、应用基于遗传算法优化参数的LSSVM接地网腐蚀速率预测模型对训练样本进行预测,得到训练样本的相对误差和预测值;
步骤4、应用基于遗传算法优化参数的LSSVM接地网腐蚀速率预测模型对训练样本的相对误差进行预测,从而得到相对误差的预测值;
步骤5、对相对误差的预测值进行校正,从而得到预测速率。
2.根据权利要求1所述的一种基于最小二乘支持向量机的接地网腐蚀预测方法,其特征在于:步骤1所述的一定的时间间隔采集接地网接地电阻数据,通过接地电阻计算接地网腐蚀速率的方法为:按照每月测量一次接地网接地电阻数据,
通过公式
计算接地电阻计算接地网腐蚀速率;式中:v为腐蚀速率,(g/m-2.h);M为金属的摩尔质量,(g/mol);Z为金属的原子价;icorr为腐蚀电流密度,(μA/cm-2);B为常数;Rp为极化电阻,ba为阳极的塔菲尔常数;bc为阴极的塔菲尔常数。
3.根据权利要求1所述的一种基于最小二乘支持向量机的接地网腐蚀预测方法,其特征在于:步骤2所述建立基于遗传算法优化参数的LSSVM接地网腐蚀速率预测模型的方法包括:
a)选择核函数:选用RBF核函数作为LSSVM的核函数进行模型训练;
b)根据RBF函数的性质,惩罚参数C、RBF核的核宽度σ的最优取值均通过GA算法得到;
c)GA算法参数的确定:确定种群的规模和进化次数,设定选择的概率和变异的概率,确定惩罚参数和核宽度的搜索空间;
d)GA种群的初始化:根据步骤c)设定的GA算法参数,产生初始种群;
e)建立LSSVM预测回归模型:输入测试样本的输入值,计算粒子适应度值;在回归问题中,LSSVM的适应度值为样本误差平方和;
f)根据适应度值对种群个体进行选择、交叉、变异得到新种群;
g)判断是否满足终止条件,以迭代次数作为终止条件;若不满足,则返回e)重新建立预测回归模型计算粒子适应度值并逐步更新;若满足终止条件,则停止迭代,将全局最优结果及对应的位置作为模型的最佳参数输出;
h)通过模型最佳参数建立LSSVM预测模型,即基于遗传算法优化参数后的LSSVM模型。
4.根据权利要求3所述的一种基于最小二乘支持向量机的接地网腐蚀预测方法,其特征在于:所述的惩罚参数C、RBF核的核宽度σ最优取值均通过GA算法得到,其方法为:种群个体为长度为20的二进制数组成的矩阵,取前10个数并转化为10进制数赋给惩罚参数C,取后10个数并转化为10进制数赋给核函数宽度σ,取值范围都为[0,1023]且为整数。
5.根据权利要求3所述的一种基于最小二乘支持向量机的接地网腐蚀预测方法,其特征在于:所述的设定GA算法参数的取值为,种群的规模是100,迭代次数是100,选择因子是0.6,变异因子是0.1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810590810.5A CN108805355A (zh) | 2018-06-09 | 2018-06-09 | 一种基于最小二乘支持向量机的接地网腐蚀预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810590810.5A CN108805355A (zh) | 2018-06-09 | 2018-06-09 | 一种基于最小二乘支持向量机的接地网腐蚀预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108805355A true CN108805355A (zh) | 2018-11-13 |
Family
ID=64088040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810590810.5A Pending CN108805355A (zh) | 2018-06-09 | 2018-06-09 | 一种基于最小二乘支持向量机的接地网腐蚀预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108805355A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711435A (zh) * | 2018-12-03 | 2019-05-03 | 三峡大学 | 一种基于遗传算法的支持向量机在线电压稳定性监测方法 |
CN110320238A (zh) * | 2019-06-17 | 2019-10-11 | 贵州电网有限责任公司 | 一种接地网腐蚀状态检测电路及接地网腐蚀状态监测方法 |
CN111444629A (zh) * | 2020-04-15 | 2020-07-24 | 中国二冶集团有限公司 | 一种基于支持向量机的钢筋锈蚀参数预测方法 |
CN111610406A (zh) * | 2020-04-24 | 2020-09-01 | 国网河北省电力有限公司电力科学研究院 | 一种基于深度学习的接地网腐蚀预测方法 |
CN111832101A (zh) * | 2020-06-18 | 2020-10-27 | 湖北博华自动化***工程有限公司 | 一种水泥强度预测模型的构建方法及水泥强度预测方法 |
CN112836717A (zh) * | 2020-12-02 | 2021-05-25 | 国网重庆市电力公司电力科学研究院 | 一种电力设备金属腐蚀老化程度的辨识方法 |
CN114154762A (zh) * | 2021-12-31 | 2022-03-08 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 金属腐蚀速率预测方法、装置、计算机设备和存储介质 |
CN114330114A (zh) * | 2021-12-20 | 2022-04-12 | 郑州信大先进技术研究院 | 基于量子支持向量机的铍青铜合金腐蚀速率预测方法 |
CN115134252A (zh) * | 2021-03-23 | 2022-09-30 | 中移(上海)信息通信科技有限公司 | 一种网络流量预测模型的建立方法、装置及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136539A (zh) * | 2013-03-08 | 2013-06-05 | 西安科技大学 | 接地网腐蚀速率等级预测方法 |
CN104933310A (zh) * | 2015-06-19 | 2015-09-23 | 河海大学 | 基于ga-lssvm模型预测膜蒸馏水处理***中膜污染趋势的方法 |
-
2018
- 2018-06-09 CN CN201810590810.5A patent/CN108805355A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136539A (zh) * | 2013-03-08 | 2013-06-05 | 西安科技大学 | 接地网腐蚀速率等级预测方法 |
CN104933310A (zh) * | 2015-06-19 | 2015-09-23 | 河海大学 | 基于ga-lssvm模型预测膜蒸馏水处理***中膜污染趋势的方法 |
Non-Patent Citations (1)
Title |
---|
王少博: "基于神经网络的接地网腐蚀率预测应用研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711435A (zh) * | 2018-12-03 | 2019-05-03 | 三峡大学 | 一种基于遗传算法的支持向量机在线电压稳定性监测方法 |
CN110320238A (zh) * | 2019-06-17 | 2019-10-11 | 贵州电网有限责任公司 | 一种接地网腐蚀状态检测电路及接地网腐蚀状态监测方法 |
CN111444629A (zh) * | 2020-04-15 | 2020-07-24 | 中国二冶集团有限公司 | 一种基于支持向量机的钢筋锈蚀参数预测方法 |
CN111610406A (zh) * | 2020-04-24 | 2020-09-01 | 国网河北省电力有限公司电力科学研究院 | 一种基于深度学习的接地网腐蚀预测方法 |
CN111832101A (zh) * | 2020-06-18 | 2020-10-27 | 湖北博华自动化***工程有限公司 | 一种水泥强度预测模型的构建方法及水泥强度预测方法 |
CN112836717A (zh) * | 2020-12-02 | 2021-05-25 | 国网重庆市电力公司电力科学研究院 | 一种电力设备金属腐蚀老化程度的辨识方法 |
CN115134252A (zh) * | 2021-03-23 | 2022-09-30 | 中移(上海)信息通信科技有限公司 | 一种网络流量预测模型的建立方法、装置及存储介质 |
CN114330114A (zh) * | 2021-12-20 | 2022-04-12 | 郑州信大先进技术研究院 | 基于量子支持向量机的铍青铜合金腐蚀速率预测方法 |
CN114330114B (zh) * | 2021-12-20 | 2024-03-22 | 郑州信大先进技术研究院 | 基于量子支持向量机的铍青铜合金腐蚀速率预测方法 |
CN114154762A (zh) * | 2021-12-31 | 2022-03-08 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 金属腐蚀速率预测方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108805355A (zh) | 一种基于最小二乘支持向量机的接地网腐蚀预测方法 | |
CN103136539B (zh) | 接地网腐蚀速率等级预测方法 | |
Dehghan et al. | Prediction of meteorological drought in arid and semi-arid regions using PDSI and SDSM: a case study in Fars Province, Iran | |
CN104715292A (zh) | 基于最小二乘支持向量机模型的城市短期用水量预测方法 | |
CN108564790A (zh) | 一种基于交通流时空相似性的城市短时交通流预测方法 | |
CN103023065B (zh) | 一种基于相对误差熵值法的风电短期功率预测方法 | |
Fu et al. | Daily rainfall projections from general circulation models with a downscaling nonhomogeneous hidden Markov model (NHMM) for south‐eastern Australia | |
CN107992961A (zh) | 一种自适应的流域中长期径流预报模型架构方法 | |
CN104616079A (zh) | 基于气温变化的电网日用电量预测方法 | |
CN108596449A (zh) | 一种考虑天气对配电网故障概率影响的配电网可靠性预测方法 | |
CN110598352B (zh) | 一种流域来水的预报方法 | |
CN112801687A (zh) | 基于架空线路工程的费用预测模型的构建方法 | |
CN111859249B (zh) | 一种基于解析四维集合变分的海洋数值预报方法 | |
CN108846501A (zh) | 一种雨水低影响开发设施建设规模确定方法 | |
CN110059891A (zh) | 一种基于vmd-svm-wsa-gm组合模型的光伏电站输出功率预测方法 | |
CN109445906A (zh) | 一种虚拟机需求数量预测方法 | |
CN114970377A (zh) | 基于新安江与深度学习耦合模型的场次洪水预报方法和*** | |
CN104502410A (zh) | 最小二乘支持向量机与遗传算法的绝缘子等值盐密及灰度预测方法 | |
CN105205002A (zh) | 一种基于测试工作量的软件安全缺陷发现模型的建模方法 | |
CN110135652B (zh) | 一种长期汛期径流预测方法 | |
CN117909888B (zh) | 智慧人工智能气候预测方法 | |
CN103745274A (zh) | 一种用于分散式风电的短期功率预测方法 | |
Willems | Stochastic generation of spatial rainfall for urban drainage areas | |
CN104732107A (zh) | 以介质参数为评估参量的变压器套管剩余寿命预测方法 | |
Ma et al. | Online assessment of failure probability for smart meters based on SARIMA-LTFRLS |
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: 20181113 |