CN109961186A - 基于决策树和bp神经网络的脱硫***运行参数预测方法 - Google Patents
基于决策树和bp神经网络的脱硫***运行参数预测方法 Download PDFInfo
- Publication number
- CN109961186A CN109961186A CN201910223673.6A CN201910223673A CN109961186A CN 109961186 A CN109961186 A CN 109961186A CN 201910223673 A CN201910223673 A CN 201910223673A CN 109961186 A CN109961186 A CN 109961186A
- Authority
- CN
- China
- Prior art keywords
- operating parameter
- prediction
- parameter prediction
- data
- decision tree
- 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
- 238000003066 decision tree Methods 0.000 title claims abstract description 47
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000004140 cleaning Methods 0.000 claims abstract description 4
- 238000011156 evaluation Methods 0.000 claims abstract description 4
- 239000002002 slurry Substances 0.000 claims description 12
- 238000013138 pruning Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000005201 scrubbing Methods 0.000 claims description 3
- 210000004218 nerve net Anatomy 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000006477 desulfuration reaction Methods 0.000 description 4
- 230000023556 desulfurization Effects 0.000 description 4
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 2
- 240000002853 Nelumbo nucifera Species 0.000 description 2
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 239000005864 Sulphur Substances 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000003546 flue gas Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 229920001228 polyisocyanate Polymers 0.000 description 1
- 239000005056 polyisocyanate Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于决策树和BP神经网络的脱硫***运行参数预测方法，包括：步骤1，对脱硫***运行数据进行清理；步骤2，对清理后的运行数据中的部分数据作为训练样本集，其余数据作为测试样本集，并对训练样本集中的数据进行归一化处理；步骤3，从训练样本集中选择合适的特征变量，作为运行参数预测模型的输入变量；步骤4，确定运行参数预测模型的输出变量，采用BP神经网络与决策树方法建立运行参数预测模型，并利用运行参数预测模型进行预测；步骤5，对预测的结果进行评价分析，验证预测的有效性。本发明的有益效果：具有良好的性能，提高了学习收敛速度和预测准确度，能很好的完成预测任务。
Description
技术领域
本发明涉及脱硫***技术领域，具体而言，涉及一种基于决策树和BP神经网络的脱硫***运行参数预测方法。
背景技术
在火力发电厂中，对烟气的脱硫是必不可少的一个环节。脱硫***在运行过程中产生大量的运行数据，这些数据蕴含丰富的价值可供挖掘。而目前很多脱硫***依然是靠运行人员凭经验对供浆量和浆液循环泵进行调节，其缺点是调节不及时、不精准。随着日益严格的环保要求，电站急需一套能够精准调节的脱硫智能控制***。这种精准控制的***需建立在数据驱动建模的基础上，因此对脱硫***的历史数据进行深度学习既是环保的要求也是提高电站脱硫经济性的要求。
神经网络自二十世纪四十年代问世以来在各种控制、信号处理、模式识别、金融证券、优化计算等诸多方面都得到了广泛应用，其中神经网络因其在分类问题与回归问题上具有良好的性能，广泛应用在数据变化趋势预测中，然而传统BP神经网络模型收敛速度慢，预测效果不是特别好。
发明内容
为解决上述问题，本发明的目的在于提供一种基于决策树和BP神经网络的脱硫***运行参数预测方法，具有良好的性能，提高了学习收敛速度和预测准确度，能很好的完成预测任务。
本发明提供了一种基于决策树和BP神经网络的脱硫***运行参数预测方法，包括：
步骤1，对热电站脱硫***运行数据进行数据清理，剔除异常数据；
步骤2，对清理后健康的运行数据中的部分数据作为训练样本集，其余数据作为测试样本集，并对训练样本集中的样本数据进行归一化处理；
步骤3，由训练样本集生成决策树，并用实时获取新的样本数据作为测试样本集中的数据校验决策树生成过程中产生的初步观测，将影响预测准确性的分枝剪除，选择合适的特征变量，得到运行参数预测模型的输入变量，包括浆液***的供浆量、循环泵的工作负荷、出口SO2浓度和浆液pH值四个变参数；
步骤4，以下一时刻的出口SO2浓度作为运行参数预测模型的输出变量，采用BP神经网络和决策树建立运行参数预测模型，并利用运行参数预测模型对下一时刻的出口SO2浓度进行预测；
步骤5，对预测的结果进行评价分析，验证预测的有效性。
作为本发明进一步的改进，步骤1中，对于排放浓度超标、测量参数不在正常范围内和突变的数据点需要识别剔除。
作为本发明进一步的改进，步骤3中，决策树采用CART树算法剪枝。
作为本发明进一步的改进，步骤4中，BP神经网络选取一个隐含层的三层网络，隐含层采用logistic激活函数，输出层使用线性激活函数，训练方法采用BP算法。
作为本发明进一步的改进，步骤5中，在分析验证时，需要衡量三个参数：预测趋势的准确度、预测误差和平方根均方误差。
作为本发明进一步的改进，预测趋势的准确度是将连续两次预测值得变化趋势与实际值的变化趋势进行对比，若变化方向一致，则趋势预测正确，反之预测错误。
本发明的有益效果为：
通过决策树提取最优的特征变量作为BP神经网络的输入参数，弥补BP神经网络无法有效确定输入参数的缺陷。在增加决策树方法后，预测模型的预测精度明显提高，决策树引入后能有效排除干扰噪声，使预测稳定性得到明显提高，预测性能大幅度提升，收敛效果更好，预测更为准确。
附图说明
图1为本发明实施例所述的一种基于决策树和BP神经网络的脱硫***运行参数预测方法的示意图；
图2为采用BP神经网络的脱硫***运行参数预测输出示意图；
图3为采用BP神经网络的脱硫***运行参数预测输出和期望输出的误差；
图4为本发明基于决策树和BP神经网络的脱硫***运行参数预测输出及采用BP神经网络的脱硫***运行参数预测输出的对比示意图；
图5为发明基于决策树和BP神经网络的脱硫***运行参数预测输出和期望输出的误差及采用BP神经网络的脱硫***运行参数预测输出和期望输出的误差的对比示意图。
具体实施方式
下面通过具体的实施例并结合附图对本发明做进一步的详细描述。
本发明实施例所述的一种基于决策树和BP神经网络的脱硫***运行参数预测方法，如图1所示，采用浆液***的供浆量，循环泵的工作负荷，前20s-40s的出口SO2浓度和浆液pH值四个变参数的组合对下一时刻的出口SO2浓度和浆液pH值进行预测。具体包括：
步骤1，对热电站脱硫***运行数据进行数据清理，剔除异常数据。对于排放浓度超标、测量参数不在正常范围内和突变的数据点需要识别剔除。
步骤2，对清理后健康的12000组机组运行数据中的11000组作为训练样本集，其余1000组数据作为测试样本集，并对训练样本集中的样本数据进行归一化处理。
步骤3，由训练样本集生成决策树，并用实时获取新的样本数据作为测试样本集中的数据校验决策树生成过程中产生的初步观测，将影响预测准确性的分枝剪除，选择合适的特征变量，得到运行参数预测模型的输入变量，包括浆液***的供浆量、循环泵的工作负荷、20s-40s的出口SO2浓度和浆液pH值四个变参数。
训练样本中通常包含很多变量，其中有些变量对预测输出的影响无关或很小，变量过多时，会导致神经网络很难正常工作，也会增加过拟合的可能性，因此，需要在BP神经网络训练前，根据预测输出对变量进行精简，选择合适的特征变量，确定BP神经网络的输入参数。本发明通过决策树提取最优的特征变量作为BP神经网络的输入参数，弥补BP神经网络无法有效确定输入参数的缺陷。
决策树网络是一种具有特定条件概率分布的有向图模型的简单形式。一般来说，我们可以将决策树玩过视为具有二值向量的状态s，其中状态的每个元素都受其祖先影响。决策树网络最常见的结构是被分为许多层的结构，其中原始采样通过一系列多个隐藏层进行，然后最终生成可见层。决策树构造可以分两步进行：第一步，决策树的生成：由训练样本集生成决策树的过程。第二步，决策树的剪枝：决策树的剪枝是对上一阶段生成的决策树进行检验、校正和修正的过程，主要是用新的样本数据集作为测试数据集中的数据校验决策树生成过程中产生的初步规则，将那些影响预测准确性的分枝剪除。本发明中决策树采用CART树算法剪枝。CART树的剪枝算法可以概括为两步，第一步是从原始决策树生成各种剪枝效果的决策树，第二部是用交叉验证来检验剪枝后的预测能力，选择泛化预测能力最好的剪枝后的数作为最终的CART树。
步骤4，以下一时刻的出口SO2浓度作为运行参数预测模型的输出变量，采用BP神经网络和决策树建立运行参数预测模型，并利用实际的运行参数预测模型对下一时刻的出口SO2浓度进行预测。
该决策树是步骤3分枝剪除后的决策树，也即是利用步骤3的决策树最终确定的浆液***的供浆量、循环泵的工作负荷、20s-40s的出口SO2浓度和浆液pH值作为输入变量，下一时刻的出口SO2浓度作为运行参数预测模型的输出变量，基于BP神经网络建立运行参数预测模型。
BP神经网络(误差反向传播神经网络)，是一种按误差反向传播算法训练的多层前馈神经络。BP神经网络的基本学***方和最小。BP神经网络模型拓扑结构包括输入层(input)、隐层(hidden layer)和输出层(output layer)。
本发明的BP神经网络选取一个隐含层的三层网络，输入层节点个数为4，输出层节点个数为1，隐含层节点个数为4～13个，隐含层采用logistic激活函数，输出层使用线性激活函数，代价函数为均方误差，训练方法采用BP算法。
BP神经网络的训练方法如下：给定输入变量，从输入层传递到隐含层，隐含层通过权值和激活函数将结果传递到输出层，输出层的结果与期望输出结果进行比较，当实际输出与期望输出出现误差时，再反向对神经网络权值进行反馈修正，直至误差值达到预设最小误差。
训练过程涉及一些比较重要的变量选择，比如学习效率，每次内循环迭代步数，训练结束判断标准如何确定，影响每次寻求最优值的迭代步长，初始值取值为0.1，为提高程序寻优速度，随着训练进行，逐步逼近最优解时每次循环根据误差判断标准，若此次比上次误差加大，学习效率取半值，降低步长，防止错过最优解。
在模型的预测阶段，选用一步预测的方式，即每次输出预测值y(t+1)后，在对y(t+2)进行预测时需要把实际观测值作为输入，以避免单次预测的不准确对之后预测的影响。
步骤5，对预测的结果进行评价分析，验证预测的有效性。
为了更全面的评价预测模型的性能，在预测模型训练后，需要从三个角度衡量模型对于短期SO2浓度的预测的有效性：预测趋势的准确度、预测误差和平方根均方误差。预测趋势的准确度是将连续两次预测值得变化趋势与实际值的变化趋势进行对比，若变化方向一致，则趋势预测正确，反之预测错误。
图2表明采用普通的BP神经网络的脱硫***运行参数预测输出与真实测量值之间一些无法重合的点，预测准确度不高。图3表明采用普通的BP神经网络的脱硫***运行参数预测输出和期望输出的误差的曲线振幅较大，在0的上下波动很大，还有很多误差很大的点，收敛效果不是特别好。图4表明本发明基于决策树和BP神经网络的脱硫***运行参数预测输出与真实测量值能较好的重合，而采用神经网络的脱硫***运行参数预测输出存在较多异值点，与真实测量值有很多无法重合的点。图5表明发明基于决策树和BP神经网络的脱硫***运行参数预测输出和期望输出的误差在0的上下波动较小，能很好的收敛，而采用神经网络的脱硫***运行参数预测输出和期望输出的误差在0的上下波动很大，相对误差很大，无法很好的收敛。对比图5得出，本发明的基于决策树和BP神经网络的脱硫***运行参数预测方法，在增加决策树方法后，预测模型的预测精度明显提高，通过曲线的振幅可以看出，决策树引入后能有效排除干扰噪声，是预测稳定性得到明显提高，预测性能大幅度提升，收敛效果更好，预测更为准确。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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 (6)
1.一种基于决策树和BP神经网络的脱硫***运行参数预测方法，其特征在于，包括：
步骤1，对热电站脱硫***运行数据进行数据清理，剔除异常数据；
步骤2，对清理后健康的运行数据中的部分数据作为训练样本集，其余数据作为测试样本集，并对训练样本集中的样本数据进行归一化处理；
步骤3，由训练样本集生成决策树，并用实时获取新的样本数据作为测试样本集中的数据校验决策树生成过程中产生的初步观测，将影响预测准确性的分枝剪除，选择合适的特征变量，得到运行参数预测模型的输入变量，包括浆液***的供浆量、循环泵的工作负荷、出口SO2浓度和浆液pH值四个变参数；
步骤4，以下一时刻的出口SO2浓度作为运行参数预测模型的输出变量，采用BP神经网络和决策树建立运行参数预测模型，并利用运行参数预测模型对下一时刻的出口SO2浓度进行预测；
步骤5，对预测的结果进行评价分析，验证预测的有效性。
2.根据权利要求1所述的脱硫***运行参数预测方法，其特征在于，步骤1中，对于排放浓度超标、测量参数不在正常范围内和突变的数据点需要识别剔除。
3.根据权利要求1所述的脱硫***运行参数预测方法，其特征在于，步骤3中，决策树采用CART树算法剪枝。
4.根据权利要求1所述的脱硫***运行参数预测方法，其特征在于，步骤4中，BP神经网络选取一个隐含层的三层网络，隐含层采用logistic激活函数，输出层使用线性激活函数，训练方法采用改进算法。
5.根据权利要求1所述的脱硫***运行参数预测方法，其特征在于，步骤5中，在分析验证时，需要衡量三个参数：预测趋势的准确度、预测误差和平方根均方误差。
6.根据权利要求5所述的脱硫***运行参数预测方法，其特征在于，预测趋势的准确度是将连续两次预测值得变化趋势与实际值的变化趋势进行对比，若变化方向一致，则趋势预测正确，反之预测错误。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910223673.6A CN109961186A (zh) | 2019-03-22 | 2019-03-22 | 基于决策树和bp神经网络的脱硫***运行参数预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910223673.6A CN109961186A (zh) | 2019-03-22 | 2019-03-22 | 基于决策树和bp神经网络的脱硫***运行参数预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109961186A true CN109961186A (zh) | 2019-07-02 |
Family
ID=67024752
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910223673.6A Pending CN109961186A (zh) | 2019-03-22 | 2019-03-22 | 基于决策树和bp神经网络的脱硫***运行参数预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109961186A (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110363347A (zh) * | 2019-07-12 | 2019-10-22 | 江苏天长环保科技有限公司 | 基于决策树索引的神经网络预测空气质量的方法 |
| CN111013370A (zh) * | 2019-11-08 | 2020-04-17 | 中国大唐集团科学技术研究院有限公司火力发电技术研究院 | 一种基于深度神经网络的湿法脱硫浆液供给量预测方法 |
| CN111046940A (zh) * | 2019-12-06 | 2020-04-21 | 中车长春轨道客车股份有限公司 | 一种基于决策树与神经网络的车门故障诊断方法 |
| CN111199307A (zh) * | 2019-12-03 | 2020-05-26 | 上海集成电路研发中心有限公司 | 基于决策树的生产线生产状态预测方法及*** |
| CN111310788A (zh) * | 2020-01-15 | 2020-06-19 | 广东奥博信息产业股份有限公司 | 基于参数优化的水体pH值预测方法 |
| CN111562541A (zh) * | 2020-05-31 | 2020-08-21 | 宁夏隆基宁光仪表股份有限公司 | 一种应用cart算法实现电能表检测数据管理的软件平台 |
| CN112488286A (zh) * | 2019-11-22 | 2021-03-12 | 大唐环境产业集团股份有限公司 | 一种用于mbr膜污染在线监测方法及*** |
| CN112579847A (zh) * | 2019-09-30 | 2021-03-30 | 北京国双科技有限公司 | 生产数据的处理方法和装置、存储介质及电子设备 |
| CN112906967A (zh) * | 2021-02-24 | 2021-06-04 | 大唐环境产业集团股份有限公司 | 一种脱硫***浆液循环泵性能预测方法、装置 |
| CN112926765A (zh) * | 2021-01-22 | 2021-06-08 | 湖南大唐先一科技有限公司 | 一种脱硫***运行优化方法以及信息物理融合*** |
| CN112943224A (zh) * | 2019-12-11 | 2021-06-11 | 中国石油化工股份有限公司 | 稠油井动液面的计算方法 |
| CN113077041A (zh) * | 2020-01-06 | 2021-07-06 | 大唐环境产业集团股份有限公司 | 一种基于遗传算法的深度神经网络建模自变量降维方法 |
| CN113780405A (zh) * | 2021-09-07 | 2021-12-10 | 科希曼电器有限公司 | 基于深度神经网络的空调机参数回归优化方法 |
| CN114330553A (zh) * | 2021-12-29 | 2022-04-12 | 电子科技大学 | 基于监督学习的数字采集***校准方法 |
| CN117198517A (zh) * | 2023-06-27 | 2023-12-08 | 安徽省立医院(中国科学技术大学附属第一医院) | 基于机器学习的运动反应性评估和预测模型的建模方法 |
| CN117674302A (zh) * | 2024-02-01 | 2024-03-08 | 浙江省白马湖实验室有限公司 | 一种基于两阶段集成学习的热电联供负荷调度方法 |
| CN117808506A (zh) * | 2023-12-28 | 2024-04-02 | 智诚建筑信息技术(深圳)有限公司 | 基于神经网络实现材料交易的分析方法及*** |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109343367A (zh) * | 2018-10-26 | 2019-02-15 | 齐鲁工业大学 | 一种基于神经网络预测控制烟气脱硫的方法 |
-
2019
- 2019-03-22 CN CN201910223673.6A patent/CN109961186A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109343367A (zh) * | 2018-10-26 | 2019-02-15 | 齐鲁工业大学 | 一种基于神经网络预测控制烟气脱硫的方法 |
Non-Patent Citations (2)
| Title |
|---|
| BINBIN DAN等: ""Research on Multi-BP NN-based Control Model for"", 《DEPARTMENT OF INDUSTRIAL ENGINEERING》 * |
| 梁栋等: ""一种基于决策树和遗传算法-BP神经网络的组合预测模型"", 《中国科技论文》 * |
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110363347A (zh) * | 2019-07-12 | 2019-10-22 | 江苏天长环保科技有限公司 | 基于决策树索引的神经网络预测空气质量的方法 |
| CN110363347B (zh) * | 2019-07-12 | 2022-04-15 | 江苏天长环保科技有限公司 | 基于决策树索引的神经网络预测空气质量的方法 |
| CN112579847A (zh) * | 2019-09-30 | 2021-03-30 | 北京国双科技有限公司 | 生产数据的处理方法和装置、存储介质及电子设备 |
| CN111013370A (zh) * | 2019-11-08 | 2020-04-17 | 中国大唐集团科学技术研究院有限公司火力发电技术研究院 | 一种基于深度神经网络的湿法脱硫浆液供给量预测方法 |
| CN112488286B (zh) * | 2019-11-22 | 2024-05-28 | 大唐环境产业集团股份有限公司 | 一种用于mbr膜污染在线监测方法及*** |
| CN112488286A (zh) * | 2019-11-22 | 2021-03-12 | 大唐环境产业集团股份有限公司 | 一种用于mbr膜污染在线监测方法及*** |
| CN111199307A (zh) * | 2019-12-03 | 2020-05-26 | 上海集成电路研发中心有限公司 | 基于决策树的生产线生产状态预测方法及*** |
| CN111046940A (zh) * | 2019-12-06 | 2020-04-21 | 中车长春轨道客车股份有限公司 | 一种基于决策树与神经网络的车门故障诊断方法 |
| CN112943224B (zh) * | 2019-12-11 | 2023-02-07 | 中国石油化工股份有限公司 | 稠油井动液面的计算方法 |
| CN112943224A (zh) * | 2019-12-11 | 2021-06-11 | 中国石油化工股份有限公司 | 稠油井动液面的计算方法 |
| CN113077041A (zh) * | 2020-01-06 | 2021-07-06 | 大唐环境产业集团股份有限公司 | 一种基于遗传算法的深度神经网络建模自变量降维方法 |
| CN111310788B (zh) * | 2020-01-15 | 2023-06-09 | 广东奥博信息产业股份有限公司 | 基于参数优化的水体pH值预测方法 |
| CN111310788A (zh) * | 2020-01-15 | 2020-06-19 | 广东奥博信息产业股份有限公司 | 基于参数优化的水体pH值预测方法 |
| CN111562541A (zh) * | 2020-05-31 | 2020-08-21 | 宁夏隆基宁光仪表股份有限公司 | 一种应用cart算法实现电能表检测数据管理的软件平台 |
| CN111562541B (zh) * | 2020-05-31 | 2022-05-24 | 宁夏隆基宁光仪表股份有限公司 | 一种应用cart算法实现电能表检测数据管理的软件平台 |
| CN112926765A (zh) * | 2021-01-22 | 2021-06-08 | 湖南大唐先一科技有限公司 | 一种脱硫***运行优化方法以及信息物理融合*** |
| CN112906967A (zh) * | 2021-02-24 | 2021-06-04 | 大唐环境产业集团股份有限公司 | 一种脱硫***浆液循环泵性能预测方法、装置 |
| CN113780405A (zh) * | 2021-09-07 | 2021-12-10 | 科希曼电器有限公司 | 基于深度神经网络的空调机参数回归优化方法 |
| CN114330553B (zh) * | 2021-12-29 | 2023-04-07 | 电子科技大学 | 基于监督学习的数字采集***校准方法 |
| CN114330553A (zh) * | 2021-12-29 | 2022-04-12 | 电子科技大学 | 基于监督学习的数字采集***校准方法 |
| CN117198517A (zh) * | 2023-06-27 | 2023-12-08 | 安徽省立医院(中国科学技术大学附属第一医院) | 基于机器学习的运动反应性评估和预测模型的建模方法 |
| CN117198517B (zh) * | 2023-06-27 | 2024-04-30 | 安徽省立医院(中国科学技术大学附属第一医院) | 基于机器学习的运动反应性评估和预测模型的建模方法 |
| CN117808506A (zh) * | 2023-12-28 | 2024-04-02 | 智诚建筑信息技术(深圳)有限公司 | 基于神经网络实现材料交易的分析方法及*** |
| CN117674302A (zh) * | 2024-02-01 | 2024-03-08 | 浙江省白马湖实验室有限公司 | 一种基于两阶段集成学习的热电联供负荷调度方法 |
| CN117674302B (zh) * | 2024-02-01 | 2024-05-03 | 浙江省白马湖实验室有限公司 | 一种基于两阶段集成学习的热电联供负荷调度方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109961186A (zh) | 基于决策树和bp神经网络的脱硫***运行参数预测方法 | |
| CN108171641B (zh) | 一种轨道交通应急预案评估方法 | |
| CN107292383B (zh) | 基于深度学习算法与混合整数线性规划相结合的水质波动区间预测方法 | |
| CN109325263A (zh) | 基于神经网络的桁架桥梁损伤位置与损伤程度识别方法 | |
| CN112418491B (zh) | 一种水库剩余拦沙库容动态配置方法 | |
| CN113591379B (zh) | 一种电力***暂态稳定预防及紧急协调控制辅助决策方法 | |
| CN107037306A (zh) | 基于隐马尔科夫模型的变压器故障动态预警方法 | |
| CN106447092A (zh) | 一种基于mea‑bp神经网络的船用反渗透海水淡化***性能预测方法 | |
| US20230237316A1 (en) | Forecast method and system of wind power probability density | |
| CN106896219A (zh) | 基于变压器油中溶解气体数据的变压器亚健康状态识别及平均剩余寿命估计方法 | |
| Ning et al. | GA-BP air quality evaluation method based on fuzzy theory. | |
| CN112861436A (zh) | 一种发动机排放实时预测方法 | |
| CN111310990A (zh) | 一种基于改进灰色组合模型的轨道质量预测方法及*** | |
| CN116432123A (zh) | 一种基于cart决策树算法的电能表故障预警方法 | |
| CN110033181B (zh) | 一种基于自编码器的发电设备状态评估方法 | |
| CN114548494B (zh) | 一种可视化造价数据预测智能分析*** | |
| CN110851784A (zh) | 一种现场运行电能表的预警方法 | |
| CN114330486A (zh) | 基于改进Wasserstein GAN的电力***不良数据辨识方法 | |
| CN112418662A (zh) | 一种利用人工神经网络的配电网运行可靠性分析方法 | |
| CN116662925A (zh) | 一种基于加权稀疏神经网络工业过程软测量方法 | |
| CN108363738B (zh) | 一种工业设备数据分析算法的推荐方法 | |
| CN110378045A (zh) | 一种基于深度学习的导轨精度预维护方法 | |
| CN115828744A (zh) | 一种白光发光二极管故障在线诊断与寿命预测方法 | |
| CN113111588B (zh) | 一种燃气轮机nox排放浓度预测方法及装置 | |
| CN114648178A (zh) | 一种基于ddpg算法的电能计量装置运维策略优化方法 |
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 |
Application publication date: 20190702 |
|
| RJ01 | Rejection of invention patent application after publication |