|
搜索
搜 索
高等教育領(lǐng)域數(shù)字化綜合服務(wù)平臺(tái)
大學(xué).jpg){kind=logo}
基于時(shí)空多尺度聯(lián)合學(xué)習(xí)模型的能源需求預(yù)測(cè)技術(shù)
本項(xiàng)目提出了將時(shí)間維度與空間維度相結(jié)合的多尺度綜合能源 需求分析與預(yù)測(cè)模型，設(shè)計(jì)并實(shí)現(xiàn)了一種面向智慧城市的綜合能源需 求分析與預(yù)測(cè)的方法，提升能源供應(yīng)規(guī)劃和營(yíng)銷策略的優(yōu)化與決策支 持。 項(xiàng)目特色： ? 面向綜合能源時(shí)空數(shù)據(jù)的需求分析和預(yù)測(cè)可以根據(jù)歷史數(shù)據(jù)， 結(jié)合地理區(qū)域的相互關(guān)系來(lái)預(yù)測(cè)給定時(shí)間范圍和空間位置的 能源需求。 ? 針對(duì)綜合能源的特性，項(xiàng)目提出了聯(lián)合學(xué)習(xí)和遷移學(xué)習(xí)的思想 對(duì)模型進(jìn)行訓(xùn)練。同時(shí)優(yōu)化不同區(qū)域中多種類型能源的聯(lián)合預(yù) 測(cè)模型，將已有模型的結(jié)果遷移到訓(xùn)練集數(shù)據(jù)不足的模型中， 提高能源用量預(yù)測(cè)的準(zhǔn)確率。 ? 面向智慧城市的綜合能源信息應(yīng)用服務(wù)場(chǎng)景，并利用 GIS 技術(shù) 實(shí)現(xiàn)配電網(wǎng)分析和用戶用電特性分析的可視化。
南開(kāi)大學(xué)
2021-04-13
.jpg){kind=logo}
火電機(jī)組深度調(diào)峰多模型智能預(yù)測(cè)控制系統(tǒng)
火電機(jī)組深度調(diào)峰改造是消納可再生能源的有效途徑，深度調(diào)峰就是在自動(dòng)控制的情況下將機(jī)組的負(fù)荷調(diào)節(jié)下限從原來(lái)的50%Pe下調(diào)至30%Pe，甚至更低?？刂齐y點(diǎn)在于：當(dāng)機(jī)組處在低負(fù)荷工況時(shí)，機(jī)組被控過(guò)程的動(dòng)態(tài)特性具有快速變化的特征，常規(guī)控制策略難于有效控制。 本項(xiàng)成果采用多模型智能預(yù)測(cè)控制技術(shù)，分別提出了適合于亞臨界和超（超）臨界機(jī)組深度調(diào)峰的多模型智能預(yù)測(cè)控制系統(tǒng)，實(shí)現(xiàn)了在低負(fù)荷或超低負(fù)荷工況下的平穩(wěn)控制。 本項(xiàng)成果已成功應(yīng)用于華能丹東、華能大連、華能營(yíng)口、華能井岡山、華能大壩、國(guó)投欽州、大唐當(dāng)途、中鋁銀星、國(guó)信射陽(yáng)港、國(guó)華籌光等電廠近30臺(tái)300MW亞臨界、600MW和1000MW超（超）臨界機(jī)組的深度調(diào)峰中。特別是，已成功將華能營(yíng)口電廠#4 600MW超超臨界機(jī)組的負(fù)荷深調(diào)到15%Pe，并實(shí)現(xiàn)了機(jī)組”干態(tài)/濕態(tài)”的一鍵轉(zhuǎn)換控制，達(dá)到了國(guó)內(nèi)外最先進(jìn)的深調(diào)水平。目前，在國(guó)內(nèi)已完成的機(jī)組深度調(diào)峰改造中，大部分均采用了本深調(diào)優(yōu)化控制技術(shù)，得到了廣大用戶的一致好評(píng)。
東南大學(xué)
2021-04-13
沙理工大學(xué).jpg){kind=logo}
基于Kriging模型的風(fēng)力機(jī)齒輪箱故障診斷方法
成果簡(jiǎn)介：本發(fā)明公開(kāi)了一種基于Kriging模型的風(fēng)力機(jī)齒輪箱故障診斷方法。本發(fā)明具有診斷結(jié)果快速準(zhǔn)確、非線性擬合效果好、使用靈活、計(jì)算量小的優(yōu)點(diǎn)，能夠?yàn)閷?shí)現(xiàn)風(fēng)力機(jī)齒輪箱故障在線診斷奠定基礎(chǔ)。市場(chǎng)預(yù)測(cè)：2015年全國(guó)（除臺(tái)灣地區(qū)外）新增安裝風(fēng)電機(jī)組16740臺(tái)，新增裝機(jī)容量30753MW，同比增長(zhǎng)32.6%；累計(jì)安裝風(fēng)電機(jī)組92981臺(tái)，累計(jì)裝機(jī)容量145362MW，同比增長(zhǎng)26.8%。同時(shí)，隨著風(fēng)電機(jī)組運(yùn)營(yíng)時(shí)間累積，
長(zhǎng)沙理工大學(xué)
2021-01-12
大學(xué).jpg){kind=logo}
多模態(tài)多特征融合的腦電信號(hào)分類與定位模型
北京工業(yè)大學(xué)
2021-04-14
.jpg){kind=logo}
一種基于離散廣義 Nash 匯流模型的河道洪水預(yù)報(bào)方法
本發(fā)明公開(kāi)了一種基于離散廣義 Nash 匯流模型的河道洪水預(yù)報(bào)方法，通過(guò)引入滯蓄曲線，簡(jiǎn)化廣義 Nash 匯流模型，并建立離散的廣義 Nash 匯流模型，基于該模型提出一種河道洪水預(yù)報(bào)方法，將河道下斷面出流過(guò)程表述為時(shí)段初、時(shí)段末入流量與當(dāng)前時(shí)刻及之前若干時(shí)刻出流量的線性組合，根據(jù)滯蓄曲線得出權(quán)重系數(shù)；本發(fā)明提供的這種基于離散廣義 Nash 匯流模型的河道洪水預(yù)報(bào)方法，由于融入了部分歷史有效信息，可提高預(yù)報(bào)精度，且簡(jiǎn)單直觀，便于在工程實(shí)踐中推廣應(yīng)用。
華中科技大學(xué)
2021-04-14
一種直線感應(yīng)電機(jī)多步長(zhǎng)模型預(yù)測(cè)控制方法
本發(fā)明公開(kāi)了一種直線感應(yīng)電機(jī)多步長(zhǎng)模型預(yù)測(cè)控制方法，包 括如下步驟：(1)采集直線感應(yīng)電機(jī)的狀態(tài)變量及角速度；(2)求解無(wú)約 束條件下的電機(jī)輸入電壓矢量最優(yōu)值；(3)判定最優(yōu)值是否滿足電壓約 束條件，若滿足，則進(jìn)入步驟(5)，否則進(jìn)入步驟(4)；(4)以滿足電壓約 束條件為目標(biāo)更新最優(yōu)值；(5)判定最優(yōu)值是否滿足電流約束條件，若 滿足，則進(jìn)入步驟(7)，否則進(jìn)入步驟(6)；(6)以滿足電流約束條件為目標(biāo)更新最優(yōu)值；(7)根據(jù)電機(jī)輸入電壓矢量最優(yōu)值計(jì)算三相橋臂的占空 比，將其送給逆變器調(diào)制電機(jī)工作狀態(tài)
華中科技大學(xué)
2021-04-14
州大學(xué).jpg){kind=logo}
基于模型預(yù)測(cè)的污水處理節(jié)能減排智能優(yōu)化系統(tǒng)
該技術(shù)通過(guò)自適應(yīng)模型參數(shù)校準(zhǔn)的方法，克服此項(xiàng)技術(shù)應(yīng)用的瓶頸。用戶的投資可以通過(guò)節(jié)省能源費(fèi)用的方式迅速得到回收。節(jié)省 20-30%的供氣能源；總氮去除率增加 30%，減少剩余污泥排放 10%，出水水質(zhì)更加穩(wěn)定，減少溫室氣體排放 10%，減少操作員工工作負(fù)荷 40%。
揚(yáng)州大學(xué)
2021-04-14
.jpg){kind=logo}
基于投影數(shù)字高程模型的正射影像鑲嵌線自動(dòng)提取方法
本發(fā)明公開(kāi)了一種基于投影數(shù)字高程模型的正射影像鑲嵌線自動(dòng)提取方法，包括步驟：步驟 1，獲 取單片正射影像的投影數(shù)字高程模型；步驟 2，確定待鑲嵌正射影像對(duì)；步驟 3，將待鑲嵌正射影像對(duì) 的投影數(shù)字高程模型按地理坐標(biāo)疊加獲得疊加圖像，將疊加圖像二值化得到二值疊加圖像；步驟 4，采 用圖像形態(tài)學(xué)方法提取二值疊加圖像的骨架線獲得骨架線網(wǎng)絡(luò)，采用 Dijkstra 算法在骨架線網(wǎng)絡(luò)中搜尋 最短路徑，即待鑲嵌影像對(duì)的鑲嵌線。本發(fā)明方法能自動(dòng)獲取高質(zhì)量的正
武漢大學(xué)
2021-04-14
一種基于靜態(tài)紋理模型聚集的動(dòng)態(tài)紋理識(shí)別方法
本發(fā)明公開(kāi)了一種基于靜態(tài)紋理模型聚集的動(dòng)態(tài)紋理識(shí)別方法，提出了識(shí)別動(dòng)態(tài)紋理并不需要對(duì)整 個(gè)復(fù)雜的運(yùn)動(dòng)過(guò)程建模，可以繞開(kāi)對(duì)運(yùn)動(dòng)模式進(jìn)行數(shù)學(xué)建模這一瓶頸，直接將動(dòng)態(tài)紋理視為若干幀靜態(tài) 紋理圖像的聚集，從而將其轉(zhuǎn)化為靜態(tài)紋理分類問(wèn)題，最后通過(guò)聚集靜態(tài)紋理模型識(shí)別動(dòng)態(tài)紋理。而關(guān) 于靜態(tài)紋理識(shí)別目前有很多成熟有效的算法。本發(fā)明利用現(xiàn)有的靜態(tài)紋理模型算法，將其拓展至動(dòng)態(tài)紋 理識(shí)別的應(yīng)用，建立基于靜態(tài)紋理模型聚集的動(dòng)態(tài)紋理識(shí)別框架，推動(dòng)了動(dòng)態(tài)紋理識(shí)別技術(shù)發(fā)展，實(shí)現(xiàn) 了高效快速識(shí)別動(dòng)態(tài)紋理。
武漢大學(xué)
2021-04-14
基于遙感影像的特征函數(shù)空間濾值回歸模型并行化方法
本發(fā)明公開(kāi)了一種基于遙感影像的特征函數(shù)空間濾值回歸模型并行化方法，本發(fā)明針對(duì)遙感影像數(shù) 據(jù)回歸建模過(guò)程中變量空間自相關(guān)性對(duì)模型的影響，提出采用特征函數(shù)空間濾值方法，通過(guò)將影像進(jìn)行 分塊，利用搭建的并行計(jì)算集群進(jìn)行分布式計(jì)算，最后將分塊計(jì)算的結(jié)果返回給主節(jié)點(diǎn)匯總，通過(guò)對(duì)比 串行和并行分別得到的回歸模型擬合評(píng)價(jià)參數(shù) MSE、RMSE、R2、Adj.R2 以及并行加速比 S，驗(yàn)證基于 遙感影像的特征函數(shù)空間濾值并行方法在空間統(tǒng)計(jì)回歸建模中能夠消除空間
武漢大學(xué)
2021-04-14