CN111178602A - 基于支持向量机和神经网络的循环水损失预测方法 - Google Patents
基于支持向量机和神经网络的循环水损失预测方法 Download PDFInfo
- Publication number
- CN111178602A CN111178602A CN201911310829.0A CN201911310829A CN111178602A CN 111178602 A CN111178602 A CN 111178602A CN 201911310829 A CN201911310829 A CN 201911310829A CN 111178602 A CN111178602 A CN 111178602A
- Authority
- CN
- China
- Prior art keywords
- neural network
- circulating water
- predicting
- water loss
- vector machine
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 83
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 48
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000001704 evaporation Methods 0.000 claims abstract description 22
- 230000008020 evaporation Effects 0.000 claims abstract description 22
- 238000010977 unit operation Methods 0.000 claims abstract description 22
- 238000007664 blowing Methods 0.000 claims abstract description 21
- 238000004088 simulation Methods 0.000 claims abstract description 20
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000012821 model calculation Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 239000000498 cooling water Substances 0.000 abstract description 7
- 238000001816 cooling Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000010865 sewage Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 238000004065 wastewater treatment 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于支持向量机和神经网络的循环水损失预测方法,包括:基于BP神经网络建模对循环水损失进行预测和基于支持向量机建模对循环水损失进行预测;其中,基于BP神经网络建模对循环水损失进行预测包括:基于火电厂厂级监控信息***采集机组运行的历史数据;基于冬、夏季机组运行历史数据,选取进出口温度、机组运行负荷、真空度、凝结水流量和环境温度为BP神经网络的输入变量,以蒸发损失和风吹损失总量为输出变量,建立BP神经网络仿真预测模型;根据建立的BP神经网络仿真预测模型预测循环水损失。本发明能够保证预测的准确性,可为后续循环冷却水***的智能监测、取排水的调度和控制提供有力支持。
Description
技术领域
本发明属于火力发电技术领域,尤其涉及一种基于支持向量机和神经网络的循环水损失预测方法。
背景技术
随着国家对火电企业取、排水水量和排水水质指标的限制越来越严格,迫使火电企业加速开展深度节水和废水综合治理工作。对于利用循环冷却水的火力发电厂,循环冷却水***是用水量最大的***,可占全厂总用水量的70%~90%,耗水量占全厂耗水量的50~60%。
通循环水***的水量损失主要包括蒸发损失、风吹损失和排污损失,蒸发损失占循环水***总耗水量的30%~50%,风吹损失约为循环水总量的0.1~0.5%。蒸发损失和风吹损失会导致循环水中离子浓度过高、管道设备发生腐蚀。因此,为保证设备安全运行,需定期向外排一部分水(即排污损失),补充新的水使水中的离子浓度维持在管道设备可接受的范围内。因此,准确计算蒸发损失和风吹损失水量,结合离子浓度计算出排污损失量,可明显节约循环水的补水量,对循环水排污水处理***的高效稳定运行和电厂的节水降耗具有重要意义。
循环水***的蒸发损失和风吹损失受进塔气温、进出口湿度、机组运行负荷和进口风量等诸多因素的影响,同时这些参数之间还存在复杂的耦合关系,因此并不能直观地判断出损失水量。火电厂在实际运行过程中,多用公式法来估算循环水***的蒸发损失,并将风吹损失限定为循环水总量0.05%~0.1%,显然不能准确判断取用水量,且这种计算方法存在滞后性。
发明内容
本发明的目的是提供一种基于支持向量机和神经网络的循环水损失预测方法,提高预测的准确性。
本发明提供了一种基于支持向量机和神经网络的循环水损失预测方法,包括:基于BP神经网络建模对循环水损失进行预测和基于支持向量机建模对循环水损失进行预测;
所述基于BP神经网络建模对循环水损失进行预测包括:
1)基于火电厂厂级监控信息***采集机组运行的历史数据;
2)基于冬、夏季机组运行历史数据,选取进出口温度、机组运行负荷、真空度、凝结水流量和环境温度为BP神经网络的输入变量,以蒸发损失和风吹损失总量为输出变量,建立BP神经网络仿真预测模型;
3)根据建立的BP神经网络仿真预测模型预测循环水损失;
所述基于支持向量机建模对循环水损失进行预测包括:
(1)基于火电厂厂级监控信息***采集机组运行的历史数据;
(2)基于冬、夏季机组运行历史数据,选取进出口温度、机组运行负荷、真空度、凝结水流量和环境温度为支持向量机的输入变量,以蒸发损失和风吹损失总量为输出变量,建立支持向量机仿真预测模型;
(3)根据建立的支持向量机仿真预测模型预测循环水损失。
进一步地,所述基于BP神经网络建模对循环水损失进行预测中步骤2)包括:
利用R语言进行模型训练,通过试凑法调整模型计算速度、节点数和隐藏层数,以获得最优BP神经网络仿真预测模型。
进一步地,所述基于支持向量机建模对循环水损失进行预测中步骤(2)包括:
选取径向基函数作为核函数,并采用交叉验证法选取均方误差最小的惩罚系数和模型复杂程度作为模型参数。
借由上述方案,通过基于支持向量机和神经网络的循环水损失预测方法,能够保证预测的准确性,可为后续循环冷却水***的智能监测、取排水的调度和控制提供有力支持。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
图1是本发明采用的BP神经网络的示意图;
图2是本发明采用的支持向量机的原理示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
本实施例提供了一种基于支持向量机和神经网络的循环水损失预测方法,包括:基于BP神经网络建模对循环水损失进行预测和基于支持向量机建模对循环水损失进行预测;
所述基于BP神经网络建模对循环水损失进行预测包括:
1)基于火电厂厂级监控信息***采集机组运行的历史数据;
2)基于冬、夏季机组运行历史数据,选取进出口温度、机组运行负荷、真空度、凝结水流量和环境温度为BP神经网络的输入变量,以蒸发损失和风吹损失总量为输出变量,建立BP神经网络仿真预测模型;
3)根据建立的BP神经网络仿真预测模型预测循环水损失;
所述基于支持向量机建模对循环水损失进行预测包括:
(1)基于火电厂厂级监控信息***采集机组运行的历史数据;
(2)基于冬、夏季机组运行历史数据,选取进出口温度、机组运行负荷、真空度、凝结水流量和环境温度为支持向量机的输入变量,以蒸发损失和风吹损失总量为输出变量,建立支持向量机仿真预测模型;
(3)根据建立的支持向量机仿真预测模型预测循环水损失。
通过基于支持向量机和神经网络的循环水损失预测方法,能够保证预测的准确性,可为后续循环冷却水***的智能监测、取排水的调度和控制提供有力支持。
下面对本发明作进一步详细说明。
1、数据来源
本实施例数据取自北方某省某2×300MW燃煤机组,冷却水***采用带逆流式自然通风冷却塔的二次循环供水***,1号机组于2003年6月投产,2号机组于2003年7月投产。多年平均气温9.2℃,多年平均相对湿度47%,极端最高气温40.9℃,极端最低气温-26.2℃。在夏季或当机组高负荷运行时,每台机组配两台水泵高速并联运凉水塔;冬季或机组在低负荷运行时,每台机组配一台水泵低速运行。
对该电厂进行水平衡试验,并绘制全场水平衡图,根据试验结果得出:蒸发损失和风吹损失总量可根据电厂循环水***补充水量、排污水量、循环冷却水冷却用户损失水量和冷却塔水池液位变化求得,计算公式如下:
Qe+Qw=Qf-Qb-Qm-H×3.14×40.4162 (1)
式中:Qe—蒸发损失,t/h;Qw—风吹损失,t/h;Qf—补充水量,t/h;Qb—排污损失,t/h;Qm—冷却用户损失水量,t/h;H—液位下降高度,m。
2、数据处理
通过火电厂厂级监控信息***(Supervisory Information System,简称SIS)采集2017年8月1日至2018年7月31的运行数据,采样时间间隔为一小时,利用R语言进行数据清洗,筛除机组停机及异常数据,最终筛选出4637组代表性数据。考虑到冬、夏两季循环水***运行工况不同,蒸发损失差异较大,故分别利用冬、夏季的数据建立仿真预测模型。根据数据采集情况和对蒸发和风吹损失的机理进行分析,选取进出口温度、机组运行负荷、真空度、凝结水流量和环境温度为建模输入变量,以两台机蒸发损失和风吹损失总量为输出变量。由于各参数间相互关联会影响结果准确性,运用R语言“psych”包中的“Princomp”函数进行主成分分析(Principal Component Analysis,PCA),对输入数据进行降维,选择贡献率较大的主成分作为输入变量,并以两台机的蒸发和风吹损失总量为输出变量。同时,为消除变量之间量纲的影响,本实施例对数据采用归一化处理,算法如公式(2)所示。最终随机选取80%的有效数据进行模型训练,其余20%有效数据用来对模型进行验证。
3、BP神经网络建模
BP神经网络是一种由大量神经元(节点)及神经元(节点)之间相互关联所构成的运算模型,是一种按照误差逆向传播算法训练的多层前馈神经网络,其网络结构如图1所示。信号从输入层传入,经隐含层计算后传到输出层。当输出值与期望值不符时,进入反向传播阶段,误差作为反向修正过程中权值的计算依据,通过隐含层向输入层逐层反馈,并将误差分摊到各单元。因此,模型的预算速度和准确度与节点数和隐藏层数有关。
本实施例通过主成分分析获得8个主成分作为BP神经网络输入变量,以蒸发和风吹损失总量为输出变量。利用R语言neultral包进行模型的训练,通过试凑法调整模型计算速度、节点数和隐藏层数,以获得最优BP神经网络模型。实验数据表明,夏季或高负荷运行情况下,最优模型含有两个隐藏层,模型的第一隐含层节点数为4,第二隐含层节点数为2,模型结构8-4-2-1,模型真实值和预测值平均误差为0.070,相关性为0.740。冬季或低负荷工况下,模型含有一个隐藏层,模型的第一隐藏层结果显示节点数为4,模型结构8-4-1,BP神经网络测试样本的真实值和预测值平均误差为0.046,相关性为0.769。可见,不同工况下,BP神经网络具有很高的预测精度。
4、支持向量机建模
支持向量机回归(support vector regression,SVR)是利用核函数将低维空间中线性不可分的点映射成高维特征空间中线性可分的点,并构建线性回归超平面,其原理如图2所示。并由线性回归超平面实现样品的最优分割,使所有样本离超平面的“总偏差”最小,即为模型的最优解。
本实施例选择回归模型最常用的径向基函数作为核函数,如式(3)所示,其中g为核参数。并采用交叉验证法选取均方误差(MSE)最小的那组c值(惩罚系数,即误差容忍度)和g值(模型复杂程度)作为该模型的参数。为进行两个模型比对,SVR模型和BP神经网络模型采用相同的输入变量。结果表明,在夏季或高负荷运行条件下,SVR模型最优补偿系数c和g分别为0.001和1,模型预测均方误差为0.070,相关性为0.739。冬季或低负荷运行条件下,SVR模型最优补偿系数c和g分别为0.1和1,模型预测均方误差为0.047,相关性为0.759。SVR模型在冬、夏季循环水***水量损失的预测值和真实值的均方误差均小于0.1,表明该预测模型符合预测要求,且模型准确度高。
K(xi,xj)=exp(-g||xi-xj||2),g>0 (3)
5、模型对比
本实施例利用BP神经网络和SVR都处理非线性回归问题,均具有较高的预测精度,但二者的理论基础不同,回归的机理也不相同。为了准确比较二者预测效果,综合判断两种模型的预测能力,引入4个指标进行模型评价,结果如表1所示。
(1)平均绝对百分误差;
(2)均方误差;
(3)训练样本的学习时间;
(4)收敛速度。
式中:MAPE—平均绝对百分误差Vp—训练样本仿真值;Vr—训练样本原始值。
表1模型评价指标
从表1可以看出,夏季或高负荷工况运行时,支持向量机模型的预测精度比BP神经网络模型略高,冬季或低负荷工况运行时则相反,但二者差别不大。相较于BP神经模型,支持向量机模型的计算速度更快,这对于数据量大的样本集更具优势,且计算过程中不会陷入局部收敛,能够得到全局的最优解,综合各方面考虑,支持向量机模型的总体性能更佳。
5、结论
循环水冷却塔蒸发、风吹损失水量受到进出口温度、干/湿球温度、湿度、进出口风量、循环水流量等因素影响,且因素之间存在复杂的耦合关系,很难用公式直接计算出来。
本发明基于某火电厂循环水***的运行数据,针对不同的运行工况,应用BP神经网络和支持向量机回归建立循环水***蒸发和风吹损失预测模型,并运用试凑法改进BP神经网络模型,对支持向量机模型进行惩罚参数和核参数的优选。结果表明,夏季两个模型仿真结果的均方误差分别为0.071和0.070,冬季分别为0.046和0.047,均符合预测要求,且精度较高。在建模输入值相同的情况下,两个模型均具有较强的仿真能力,且支持向量机建模训练时间短,收敛速度快,整体的网络模型性能较BP神经网络好。
以上所述仅是本发明的优选实施方式,并不用于限制本发明,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (3)
1.一种基于支持向量机和神经网络的循环水损失预测方法,其特征在于,包括:基于BP神经网络建模对循环水损失进行预测和基于支持向量机建模对循环水损失进行预测;
所述基于BP神经网络建模对循环水损失进行预测包括:
1)基于火电厂厂级监控信息***采集机组运行的历史数据;
2)基于冬、夏季机组运行历史数据,选取进出口温度、机组运行负荷、真空度、凝结水流量和环境温度为BP神经网络的输入变量,以蒸发损失和风吹损失总量为输出变量,建立BP神经网络仿真预测模型;
3)根据建立的BP神经网络仿真预测模型预测循环水损失;
所述基于支持向量机建模对循环水损失进行预测包括:
(1)基于火电厂厂级监控信息***采集机组运行的历史数据;
(2)基于冬、夏季机组运行历史数据,选取进出口温度、机组运行负荷、真空度、凝结水流量和环境温度为支持向量机的输入变量,以蒸发损失和风吹损失总量为输出变量,建立支持向量机仿真预测模型;
(3)根据建立的支持向量机仿真预测模型预测循环水损失。
2.根据权利要求1所述的基于支持向量机和神经网络的循环水损失预测方法,其特征在于,所述基于BP神经网络建模对循环水损失进行预测中步骤2)包括:
利用R语言进行模型训练,通过试凑法调整模型计算速度、节点数和隐藏层数,以获得最优BP神经网络仿真预测模型。
3.根据权利要求1所述的基于支持向量机和神经网络的循环水损失预测方法,其特征在于,所述基于支持向量机建模对循环水损失进行预测中步骤(2)包括:
选取径向基函数作为核函数,并采用交叉验证法选取均方误差最小的惩罚系数和模型复杂程度作为模型参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911310829.0A CN111178602A (zh) | 2019-12-18 | 2019-12-18 | 基于支持向量机和神经网络的循环水损失预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911310829.0A CN111178602A (zh) | 2019-12-18 | 2019-12-18 | 基于支持向量机和神经网络的循环水损失预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111178602A true CN111178602A (zh) | 2020-05-19 |
Family
ID=70652161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911310829.0A Pending CN111178602A (zh) | 2019-12-18 | 2019-12-18 | 基于支持向量机和神经网络的循环水损失预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111178602A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111597660A (zh) * | 2020-05-27 | 2020-08-28 | 西安交通大学 | 一种多通道换热器流量分布预测方法 |
CN112836935A (zh) * | 2021-01-07 | 2021-05-25 | 华电电力科学研究院有限公司 | 一种适用于发电厂的智慧水务管理平台 |
CN114462309A (zh) * | 2022-01-19 | 2022-05-10 | 苏州浪潮智能科技有限公司 | 一种物理仿真模型训练方法、装置、设备和存储介质 |
CN117933093A (zh) * | 2024-03-04 | 2024-04-26 | 宁波析昶环保科技有限公司 | 基于水处理超标事故动态仿真的故障模式与影响分析方法 |
CN118014776A (zh) * | 2024-04-09 | 2024-05-10 | 山东艾克索仑电气有限公司 | 一种闭式循环水冷***负荷动态预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180190377A1 (en) * | 2016-12-30 | 2018-07-05 | Dirk Schneemann, LLC | Modeling and learning character traits and medical condition based on 3d facial features |
CN109242236A (zh) * | 2018-07-05 | 2019-01-18 | 西安图迹信息科技有限公司 | 基于关联全连接神经网络和lstm的pmu一次调频负荷预测方法 |
CN109521813A (zh) * | 2018-11-13 | 2019-03-26 | 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 | 一种火力发电厂循环水浓缩倍率稳定控制的***和方法 |
-
2019
- 2019-12-18 CN CN201911310829.0A patent/CN111178602A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180190377A1 (en) * | 2016-12-30 | 2018-07-05 | Dirk Schneemann, LLC | Modeling and learning character traits and medical condition based on 3d facial features |
CN109242236A (zh) * | 2018-07-05 | 2019-01-18 | 西安图迹信息科技有限公司 | 基于关联全连接神经网络和lstm的pmu一次调频负荷预测方法 |
CN109521813A (zh) * | 2018-11-13 | 2019-03-26 | 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 | 一种火力发电厂循环水浓缩倍率稳定控制的***和方法 |
Non-Patent Citations (1)
Title |
---|
宋嘉梁、阮圣奇等: "基于神经网络模型的自然通风逆流湿式冷却塔热力性能研究", 《流体机械》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111597660A (zh) * | 2020-05-27 | 2020-08-28 | 西安交通大学 | 一种多通道换热器流量分布预测方法 |
CN112836935A (zh) * | 2021-01-07 | 2021-05-25 | 华电电力科学研究院有限公司 | 一种适用于发电厂的智慧水务管理平台 |
CN112836935B (zh) * | 2021-01-07 | 2023-11-14 | 华电电力科学研究院有限公司 | 一种适用于发电厂的智慧水务管理平台 |
CN114462309A (zh) * | 2022-01-19 | 2022-05-10 | 苏州浪潮智能科技有限公司 | 一种物理仿真模型训练方法、装置、设备和存储介质 |
CN114462309B (zh) * | 2022-01-19 | 2023-11-17 | 苏州浪潮智能科技有限公司 | 一种物理仿真模型训练方法、装置、设备和存储介质 |
CN117933093A (zh) * | 2024-03-04 | 2024-04-26 | 宁波析昶环保科技有限公司 | 基于水处理超标事故动态仿真的故障模式与影响分析方法 |
CN118014776A (zh) * | 2024-04-09 | 2024-05-10 | 山东艾克索仑电气有限公司 | 一种闭式循环水冷***负荷动态预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111178602A (zh) | 基于支持向量机和神经网络的循环水损失预测方法 | |
Jung et al. | Prediction of building energy consumption using an improved real coded genetic algorithm based least squares support vector machine approach | |
CN110805997A (zh) | 中央空调***节能控制方法 | |
CN112901449B (zh) | 一种基于机器学习的空气压缩机***能耗优化方法 | |
Gao et al. | Comprehensive study on sensitive parameters for chiller fault diagnosis | |
CN112484560A (zh) | 一种工业循环水的节水优化方法及*** | |
CN116070769A (zh) | 一种超短期风电场功率多步区间预测模块化方法及其设备 | |
CN112711229A (zh) | 一种基于多关联因素能耗预测的智能优化节能*** | |
CN116681171A (zh) | 一种多场景综合能源***分布鲁棒优化调度方法和*** | |
CN111815039A (zh) | 基于天气分类的周尺度风电功率概率预测方法及*** | |
Yang et al. | Research on energy-saving optimization of commercial central air-conditioning based on data mining algorithm | |
Huang et al. | Nonstationary industrial process monitoring based on stationary projective dictionary learning | |
CN114240687A (zh) | 一种适用于综合能源***的能源托管效率分析方法 | |
Huang et al. | Elman neural network considering dynamic time delay estimation for short-term forecasting of offshore wind power | |
CN113887809A (zh) | 双碳目标下配电网供需平衡方法、***、介质及计算设备 | |
CN117313351A (zh) | 一种安全的数据中心优化冷量预测方法与*** | |
CN117273409A (zh) | 一种园区智慧化环保***智能运维方法、***及存储介质 | |
CN114429236A (zh) | 一种天然气净化过程控制方法 | |
CN117113086A (zh) | 一种储能机组负荷预测方法、***、电子设备及介质 | |
Feng et al. | Peak operation optimization of cascade hydropower reservoirs and solar power plants considering output forecasting uncertainty | |
WO2022233101A1 (zh) | 一种低温热***的智能优化控制装备 | |
CN112560329B (zh) | 不确定性下的工业装置能量***数据驱动鲁棒优化方法 | |
CN115907198A (zh) | 一种长距离供热负荷智能预测*** | |
Pan et al. | Electricity gain via integrated operation of turbine generator and cooling tower using local model network | |
CN111859783B (zh) | 水压预测方法、***、存储介质、设备、城市供水*** |
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: 20200519 |
|
RJ01 | Rejection of invention patent application after publication |