CN111598224B - 基于模拟退火算法优化bp神经网络的空调冷负荷预测方法 - Google Patents
基于模拟退火算法优化bp神经网络的空调冷负荷预测方法 Download PDFInfo
- Publication number
- CN111598224B CN111598224B CN202010414114.6A CN202010414114A CN111598224B CN 111598224 B CN111598224 B CN 111598224B CN 202010414114 A CN202010414114 A CN 202010414114A CN 111598224 B CN111598224 B CN 111598224B
- Authority
- CN
- China
- Prior art keywords
- time
- neural network
- air conditioning
- air conditioner
- simulated annealing
- 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.)
- Active
Links
Images
Classifications
-
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了基于模拟退火算法优化BP神经网络的空调冷负荷预测方法,选取影响T时刻空调冷负荷的输入变量,输入变量包括T时刻的室外空气温度以及T时刻之前的室外空气温度、T时刻的太阳辐射量以及T时刻之前的太阳辐射量、T时刻的相对湿度、T时刻的室外风速和T时刻之前的空调冷负荷,利用关联度分析法分析输入变量与T时刻空调冷负荷的相关性,剔除关联度低于0.8的输入变量,保留剩余输入变量;根据保留的输入变量的个数以及T时刻空调冷负荷建立BP神经网络;利用模拟退火算法优化BP神经网络;利用优化后的BP神经网络进行负荷预测,得到预测值。本发明克服了BP神经网络在权值选择上的随机性,降低了空调冷负荷预测偏差大的问题。
Description
技术领域
本发明属于空调负荷预测技术领域,具体涉及基于模拟退火算法优化BP神经网络的空调冷负荷预测方法。
背景技术
建筑能耗作为世界能源消耗的三巨头之一,占中国社会总能耗的20%左右,从世界视角来看这个比例更高,达到了30%以上。随着经济发展,空调能耗占总建筑能耗的比例越来越大。空调***的能耗量对实现建筑节能具有重大意义。通过对空调未来短期能耗进行预测,调整***运行模式,可以实现有效的能耗降低。
传统的空调冷负荷预测方法主要是支持向量机、神经网络等,但是传统方法的缺点是容易陷入局部最小值,收敛速度慢,输入和输出的匹配度低,造成空调冷负荷预测偏差大。
发明内容
针对现有技术中的技术问题,本发明提供了基于模拟退火算法优化BP神经网络的空调冷负荷预测方法,克服了BP神经网络在权值选择上的随机性,提高了BP神经网络的收敛速度和学习能力,降低了空调冷负荷预测偏差大的问题。
为了解决上述技术问题,本发明通过以下技术方案予以实现:
基于模拟退火算法优化BP神经网络的空调冷负荷预测方法,包括以下步骤:
步骤1:选取影响T时刻空调冷负荷的输入变量,所述输入变量包括T时刻的室外空气温度以及T时刻之前的室外空气温度、T时刻的太阳辐射量以及T时刻之前的太阳辐射量、T时刻的相对湿度、T时刻的室外风速和T时刻之前的空调冷负荷,利用关联度分析法分析所述输入变量与T时刻空调冷负荷的相关性,剔除关联度低于0.8的输入变量,保留剩余输入变量;
步骤2:根据步骤1中保留的输入变量的个数以及T时刻空调冷负荷建立BP神经网络;
步骤3:利用模拟退火算法优化步骤2建立的BP神经网络;
步骤4:利用步骤3中优化后的BP神经网络进行负荷预测,得到预测值。
进一步地,所述步骤1中,采用灰色关联度分析法分析所述输入变量与T时刻空调冷负荷的相关性。
进一步地,所述步骤2中,BP神经网络的结构包括输入层、隐藏层和输出层,其中,根据保留的输入变量的个数以及T时刻空调冷负荷确定BP神经网络的输入层神经元个数I和输出层神经元个数O,根据输入层神经元个数I和输出层神经元个数O确定隐藏层神经元个数H。
进一步地,隐藏层神经元个数H通过以下公式确定:
H=(I+O)1/2+Z。
进一步地,所述步骤3具体包括:
步骤31:设置模拟退火算法的初始温度、终止温度、温度下降方式和随机扰动机制;
步骤32:设置BP神经网络的初始权值和初始阈值,对BP神经网络进行梯度下降训练直至收敛,得到一系列权值和阈值作为模拟退火算法的初始解向量;
步骤33:给出随机扰动,随着温度下降更新权值和阈值;
步骤34:判断温度是否下降到终止温度,如果下降到终止温度,则终止训练过程,将更新后的权值和阈值作为BP神经网络的权值和阈值;否则,执行步骤33。
进一步地,所述步骤1中,所述输入变量包括T时刻的室外空气温度、T-1时刻的室外温度、T时刻的太阳辐射量、T-1时刻的太阳辐射量、T时刻的相对湿度、T时刻的室外风速、T-1时刻的空调冷负荷、T-2时刻的空调冷负荷、T-3时刻的空调冷负荷和T-4时刻的空调冷负荷。
与现有技术相比,本发明至少具有以下有益效果:本发明提供的基于模拟退火算法优化BP神经网络的空调冷负荷预测方法,选取影响T时刻空调冷负荷的输入变量,利用关联度分析法分析所述输入变量与T时刻空调冷负荷的相关性,剔除关联度低于0.8的输入变量,保留剩余输入变量;根据保留的输入变量的个数以及T时刻空调冷负荷建立BP神经网络;利用模拟退火算法优化建立的BP神经网络;利用优化后的BP神经网络进行负荷预测,得到预测值。本发明利用模拟退火算法的全局搜索能力找到BP神经网络的最优权值和阈值,克服了BP神经网络在权值选择上的随机性,提高了BP神经网络的收敛速度和学习能力,此外,优化了训练样本选取和BP神经网络隐藏层神经元数,提高了BP神经网络的泛化能力,在预测空调冷负荷时降低了空调冷负荷预测偏差大的问题。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式中的技术方案,下面将对具体实施方式描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明用模拟退火算法优化BP神经网络的流程框图;
图2为是本发明隐藏层节点数与对应的训练与预测均方差;
图3为本发明的预测拟合效果。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
作为本发明的某一具体实施例,选择了884组有效的样本数据,每一组样本数据包含其中的800组数据用于BP神经网络的训练,剩余的84组数据用于对训练好的BP神经网络进行测试,采用基于模拟退火算法优化BP神经网络的空调冷负荷预测方法如下:
步骤1:选取影响T时刻空调冷负荷的输入变量,输入变量包括T时刻的室外空气温度、T-1时刻的室外温度、T时刻的太阳辐射量、T-1时刻的太阳辐射量、T时刻的相对湿度、T时刻的室外风速、T-1时刻的空调冷负荷、T-2时刻的空调冷负荷、T-3时刻的空调冷负荷和T-4时刻的空调冷负荷,利用灰色关联度分析法分析所述输入变量与T时刻空调冷负荷(输出变量)的相关性,剔除相关性较低的变量,将相关性较高的变量作为输入变量,具体的,剔除关联度低于0.8的输入变量,保留剩余输入变量;
利用灰色关联度分析法对输入变量和输出变量之间的关联度进行计算,具体是:
1)确定比较对象(评价对象)和参考数列(评价标准),设评价对象有m个,评价指标有n个,参考数列为x0={x0(k)|k=1,2,...,n},比较数列为xi={xi(k)|k=1,2,...,n};
2)确定各指标值对应的权重,可用层次分析法等确定各指标对应的权重w=[w1,w2,...,wn],其中wk(k=1,2,...,n)为第k个评价指标对应的权重;
3)计算灰色关联系数。
为比较数列xi对参考数列x0在第k个指标上的关联系数,其中ρ∈[0,1]为分辨系数;
4)计算灰色加权关联度,灰色加权关联度的计算公式为:
式中:ri为第i个评价对象对理想对象的灰色加权关联度。
关联度计算结果如表1所示:
结合前述以及上表的分析结果,剔除T时刻的室外风速、T-3时刻的空调冷负荷和T-4时刻的空调冷负荷这三个输入变量,选取T时刻的相对湿度、T-2时刻的空调冷负荷、T-1时刻的空调冷负荷、T时刻的室外空气温度、T-1时刻的室外空气温度、T时刻的太阳辐射强度和T-1时刻的太阳辐射强度七个变量作为SA-BP神经网络预测模型的输入变量,以T时刻的空调冷负荷作为输出变量。
步骤2,根据保留的输入变量的个数以及输出变量T时刻空调冷负荷确定BP神经网络的结构;
由BP定理知:给定任意ε>0和任意L2函数f:[0 1]n→Rm,存在一个三层BP网络,它可在任意ε平方误差精度内逼近f。
BP神经网络的结构包括输入层、隐藏层和输出层三层,以此作为预测器;本发明采用三层BP神经网络,BP神经网络结构的主要因素是输入层、隐藏层和输出层神经元数量,这三个数量决定了BP神经网络的结构;通常,输入层和输出层中的神经元数量分别等于输入变量和输出变量的数量,故输入层神经元数为7,输出层神经元数为1;
BP神经网络的隐藏层中最合适的神经元数量位于一个区间内,该区间的计算通常为:
H=(I+O)1/2+Z
其中,I、O和H分别表示输入层、输出层和隐藏层中的神经元数量,H是一个常数,取区间[1,10]中的值,在相同的参数和迭代次数下,隐藏层神经元数量与均方训练误差之间的关系如图2所示,可见,当隐藏层神经元数量为12时,BP神经网络的均方误差最小,所以隐藏层神经元数量为12。
步骤3,利用模拟退火算法优化BP神经网络;
模拟退火算法是源于对热力学中退火过程的模拟,在某一给定初温下,通过缓慢下降温度参数,使算法能够在多项式时间内给出一个近似最优解,具体为:
(1)随机挑选一个单元k,并给它一个随机的位移,求出***因此而产生的能量变化ΔEk;
(2)若ΔEk≤0,该位移可采纳,而变化后的***状态可作为下次变化的起点;
若ΔEk>0,位移后的状态可采纳的概率为
式中T为温度,然后从(0,1)区间均匀分布的随机数中挑选一个数R,若R<Pk,则将变化后的状态作为下次的起点;否则,将变化前的状态作为下次的起点;
(3)转第(1)步继续执行,直到达到平衡状态为止。
将BP神经网络权值和阈值的调整看作模拟退火算法中寻找不同粒子的过程;而每一个BP神经网络状态下所对应的误差则对应模拟退火算法中每一个粒子所具有的能量大小。
模拟退火算法优化BP神经网络的具体步骤为:
步骤31:设置模拟退火算法的初始温度、终止温度、温度下降方式和随机扰动机制;
步骤32:设置BP神经网络的初始权值和初始阈值,对BP神经网络进行梯度下降训练直至收敛,得到一系列权值和阈值作为模拟退火算法的初始解向量;
步骤33:给出随机扰动,随着温度下降更新权值和阈值;
步骤34:判断温度是否下降到终止温度,如果下降到终止温度,则终止训练过程,将更新后的权值和阈值作为BP神经网络的权值和阈值;否则,执行步骤33以获得更好的权值和阈值。
步骤4,利用优化后的BP神经网络进行负荷预测,得到最终的预测值。
用800组训练数据训练BP神经网络后,再用86组测试数据来测试已经训练好的SA-BP神经网络,得到预测值;以RMSPE均方根误差作为三种预测模型的误差评价指标,其与未处理的模型对比结果如表2所示,其中模型1为BP神经网络模型,模型2为未剔除关联度低的输入数据的SA-BP模型,模型3为剔除了关联度低的输入数据的SA-BP模型;
式中,yi为真实值,yi^为预测值,y为空调冷负荷真实值的平均值,计算结果如下表所示:
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (4)
1.基于模拟退火算法优化BP神经网络的空调冷负荷预测方法,其特征在于,包括以下步骤:
步骤1:选取影响T时刻空调冷负荷的输入变量,所述输入变量包括T时刻的室外空气温度以及T时刻之前的室外空气温度、T时刻的太阳辐射量以及T时刻之前的太阳辐射量、T时刻的相对湿度、T时刻的室外风速和T时刻之前的空调冷负荷,利用关联度分析法分析所述输入变量与T时刻空调冷负荷的相关性,剔除关联度低于0.8的输入变量,保留剩余输入变量;
步骤2:根据步骤1中保留的输入变量的个数以及T时刻空调冷负荷建立BP神经网络;
所述BP神经网络的结构包括输入层、隐藏层和输出层,其中,根据保留的输入变量的个数以及T时刻空调冷负荷确定BP神经网络的输入层神经元个数I和输出层神经元个数O,根据输入层神经元个数I和输出层神经元个数O确定隐藏层神经元个数H;
隐藏层神经元个数H通过以下公式确定:
H=(I+O)1/2+Z
步骤3:利用模拟退火算法优化步骤2建立的BP神经网络;
步骤4:利用步骤3中优化后的BP神经网络进行负荷预测,得到预测值。
2.根据权利要求1所述的基于模拟退火算法优化BP神经网络的空调冷负荷预测方法,其特征在于,所述步骤1中,采用灰色关联度分析法分析所述输入变量与T时刻空调冷负荷的相关性。
3.根据权利要求1所述的基于模拟退火算法优化BP神经网络的空调冷负荷预测方法,其特征在于,所述步骤3具体包括:
步骤31:设置模拟退火算法的初始温度、终止温度、温度下降方式和随机扰动机制;
步骤32:设置BP神经网络的初始权值和初始阈值,对BP神经网络进行梯度下降训练直至收敛,得到一系列权值和阈值作为模拟退火算法的初始解向量;
步骤33:给出随机扰动,随着温度下降更新权值和阈值;
步骤34:判断温度是否下降到终止温度,如果下降到终止温度,则终止训练过程,将更新后的权值和阈值作为BP神经网络的权值和阈值;否则,执行步骤33。
4.根据权利要求1至3任一项所述的基于模拟退火算法优化BP神经网络的空调冷负荷预测方法,其特征在于,所述步骤1中,所述输入变量包括T时刻的室外空气温度、T-1时刻的室外温度、T时刻的太阳辐射量、T-1时刻的太阳辐射量、T时刻的相对湿度、T时刻的室外风速、T-1时刻的空调冷负荷、T-2时刻的空调冷负荷、T-3时刻的空调冷负荷和T-4时刻的空调冷负荷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010414114.6A CN111598224B (zh) | 2020-05-15 | 2020-05-15 | 基于模拟退火算法优化bp神经网络的空调冷负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010414114.6A CN111598224B (zh) | 2020-05-15 | 2020-05-15 | 基于模拟退火算法优化bp神经网络的空调冷负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111598224A CN111598224A (zh) | 2020-08-28 |
CN111598224B true CN111598224B (zh) | 2023-05-02 |
Family
ID=72192214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010414114.6A Active CN111598224B (zh) | 2020-05-15 | 2020-05-15 | 基于模拟退火算法优化bp神经网络的空调冷负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111598224B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949937A (zh) * | 2021-03-29 | 2021-06-11 | 西安建筑科技大学 | 一种bp神经网络的光伏发电量预测***和方法 |
CN113177675B (zh) * | 2021-05-28 | 2023-05-23 | 西安建筑科技大学 | 一种基于天牛群算法优化神经网络的空调冷负荷预测方法 |
CN113269365B (zh) * | 2021-06-02 | 2023-06-16 | 西安建筑科技大学 | 一种基于麻雀优化算法的短期空调负荷预测方法及*** |
CN113435665A (zh) * | 2021-07-19 | 2021-09-24 | 西安建筑科技大学 | 一种面向功能分区的商场冷负荷预测方法及*** |
CN113757852B (zh) * | 2021-08-27 | 2022-10-14 | 华中科技大学 | 基于数字孪生技术的多联机空调机组控制方法及控制*** |
CN116822713B (zh) * | 2023-05-29 | 2023-12-22 | 大唐黑龙江发电有限公司哈尔滨第一热电厂 | 用于提升负荷承载范围的煤粉锅炉优化方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103912966A (zh) * | 2014-03-31 | 2014-07-09 | 武汉科技大学 | 一种地源热泵制冷***优化控制方法 |
CN104700153A (zh) * | 2014-12-05 | 2015-06-10 | 江南大学 | 基于模拟退火优化BP神经网络的pH值预测方法 |
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN110441374A (zh) * | 2019-08-08 | 2019-11-12 | 南京邮电大学 | 一种基于sa-bp神经网络的溶氧传感器补偿方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10217060B2 (en) * | 2016-06-09 | 2019-02-26 | The Regents Of The University Of California | Capacity augmentation of 3G cellular networks: a deep learning approach |
-
2020
- 2020-05-15 CN CN202010414114.6A patent/CN111598224B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103912966A (zh) * | 2014-03-31 | 2014-07-09 | 武汉科技大学 | 一种地源热泵制冷***优化控制方法 |
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN104700153A (zh) * | 2014-12-05 | 2015-06-10 | 江南大学 | 基于模拟退火优化BP神经网络的pH值预测方法 |
CN110441374A (zh) * | 2019-08-08 | 2019-11-12 | 南京邮电大学 | 一种基于sa-bp神经网络的溶氧传感器补偿方法 |
Non-Patent Citations (2)
Title |
---|
基于PSO-BP算法的动态空调负荷预测建模;王小纯等;《装备制造技术》(第05期);全文 * |
基于模拟退火优化BP神经网络的pH值预测;尤丽华等;《传感技术学报》(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111598224A (zh) | 2020-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111598224B (zh) | 基于模拟退火算法优化bp神经网络的空调冷负荷预测方法 | |
CN107704875A (zh) | 基于改进ihcmac神经网络的建筑负荷预测方法和装置 | |
CN104484715A (zh) | 一种基于神经网络和微粒群优化算法的建筑能耗预测方法 | |
CN109325624A (zh) | 一种基于深度学习的月度电力需求预测方法 | |
CN110826791A (zh) | 一种基于长短时记忆神经网络的混合风功率预测方法 | |
CN105631532A (zh) | 一种基于模糊决策的神经网络模型电力***负荷预测方法 | |
CN115310727B (zh) | 一种基于迁移学习的建筑冷热电负荷预测方法及*** | |
CN113947182B (zh) | 基于双阶段堆叠图卷积网络的交通流预测模型构建方法 | |
CN112418495A (zh) | 一种基于天牛须优化算法和神经网络的建筑能耗预测方法 | |
CN114298377A (zh) | 一种基于改进极限学习机的光伏发电预测方法 | |
CN113705922A (zh) | 一种改进的超短期风电功率预测算法及模型建立方法 | |
CN116757057A (zh) | 基于pso-ga-lstm模型的空气质量预测方法 | |
CN113762387A (zh) | 一种基于混合模型预测的数据中心站多元负荷预测方法 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及*** | |
CN116169670A (zh) | 一种基于改进神经网络的短期非居民负荷预测方法及*** | |
CN112307672A (zh) | 基于布谷鸟算法优化的bp神经网络短期风功率预测方法 | |
CN116345555A (zh) | 一种基于cnn-isca-lstm模型的短期光伏发电功率预测方法 | |
CN113159395A (zh) | 一种基于深度学习的污水处理厂进水流量预测方法及*** | |
CN113095477A (zh) | 基于de-bp神经网络的风电功率预测方法 | |
CN110276478B (zh) | 基于分段蚁群算法优化svm的短期风电功率预测方法 | |
CN115796327A (zh) | 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法 | |
CN116681154A (zh) | 一种基于emd-ao-delm的光伏功率计算方法 | |
CN116522747A (zh) | 一种两阶段优化的挤压铸造工艺参数优化设计方法 | |
CN113177675B (zh) | 一种基于天牛群算法优化神经网络的空调冷负荷预测方法 | |
CN114202106A (zh) | 一种基于深度学习的空调***负荷预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |