基于图卷积神经网络和Transformer的时空短期风速预测方法及系统

    公开(公告)号:CN115392595B

    公开(公告)日:2022-12-27

    申请号:CN202211341900.3

    申请日:2022-10-31

    Abstract: 本发明公开了一种基于图卷积神经网络和Transformer的时空短期风速预测方法及系统,该方法包括:获取相邻多风场的气象数据,并对数据进行预处理;根据相邻多风场的历史风速测量值,构建复数邻接矩阵;将预处理后的气象数据输入风速预测模型,以复数邻接矩阵作为图卷积神经网络所需的邻接矩阵,使用两层图卷积神经网络对预处理后的相邻多风场的气象数据进行特征提取;然后将得到的时空特征输入到Transformer网络中,得到风速的预测值。本发明可以有效地提升预测的精确性,准确的预测结果能够有效提高风能资源的利用率,降低风功率波动对电网稳定性的影响,从而实现风电场的经济、高效运行。

    基于多尺度融合GRU网络的汽车电池SOC多步预测方法与系统

    公开(公告)号:CN117630683A

    公开(公告)日:2024-03-01

    申请号:CN202410106018.3

    申请日:2024-01-25

    Abstract: 本发明公开了基于多尺度融合GRU网络的汽车电池SOC多步预测方法与系统,方法包括:S1、将每种传感器检测项视为一个变量,采集实车传感器的综合数据,将其转换为标准正态分布;选择与SOC高度相关的变量构建滑动窗口;将滑动窗口80%的数据作为训练集,20%数据作为验证集;S2、将基于多尺度融合GRU网络模型参数初始化,同时设定若干关键的超参数,对训练集执行离线训练生成SOC多步预测结果;本发明采用上述基于多尺度融合GRU网络的汽车电池SOC多步预测方法与系统,能更好地在历史数据中捕获短期和长期的依赖,从而更准确地预测电池在多样化和不稳定环境中的行为,在真实世界应用中实现更高的准确度和可靠性。

    基于图卷积神经网络和Transformer的时空短期风速预测方法及系统

    公开(公告)号:CN115392595A

    公开(公告)日:2022-11-25

    申请号:CN202211341900.3

    申请日:2022-10-31

    Abstract: 本发明公开了一种基于图卷积神经网络和Transformer的时空短期风速预测方法及系统,该方法包括:获取相邻多风场的气象数据,并对数据进行预处理;根据相邻多风场的历史风速测量值,构建复数邻接矩阵;将预处理后的气象数据输入风速预测模型,以复数邻接矩阵作为图卷积神经网络所需的邻接矩阵,使用两层图卷积神经网络对预处理后的相邻多风场的气象数据进行特征提取;然后将得到的时空特征输入到Transformer网络中,得到风速的预测值。本发明可以有效地提升预测的精确性,准确的预测结果能够有效提高风能资源的利用率,降低风功率波动对电网稳定性的影响,从而实现风电场的经济、高效运行。

    利用全固废胶凝材料的飞灰制粒方法和充填集料

    公开(公告)号:CN110698157A

    公开(公告)日:2020-01-17

    申请号:CN201911011424.7

    申请日:2019-10-23

    Abstract: 本发明公开了利用全固废胶凝材料的飞灰制粒方法和充填集料。所述飞灰制粒方法包括以下步骤:由一定比例的固体废弃物制备胶凝材料;将飞灰和所述胶凝材料分别从制粒装置的第一侧和第二侧加入所述制粒装置,并混合均匀;从所述制粒装置的第三侧喷洒入水,直至形成重量浓度为70~85%的料浆;在所述第三侧添加减水剂重量浓度为0%-1%的水雾至形成飞灰颗粒。本发明的飞灰制粒方法协同处理了工业固体废弃物和垃圾焚烧飞灰,实现了以废治废,方法步骤简单易操作,能耗低,所用的设备简单,成本低,环保无污染。

    一种基于Rete推理网络的复合推理方法

    公开(公告)号:CN107808194A

    公开(公告)日:2018-03-16

    申请号:CN201711014391.2

    申请日:2017-10-26

    CPC classification number: G06N5/048 G06N5/047

    Abstract: 本发明公开了一种基于Rete推理网络的复合推理方法,所述方法包括如下步骤:步骤S1:根据问题的描述,提取事实的隶属度;步骤S2:构建Rete推理网络,将所有规则和事实输入到Rete的推理过程中,Rete的推理包括根据规则集合生成Rete推理网络,将事实逐个输入到Rete推理网络进行规则匹配;步骤S3:在Rete推理过程中对节点的两个输入进行模糊集合运算。本发明的复合推理方法是一种面向基础教育问答的模糊知识推理方法,能够同时处理确定规则和模糊规则,在精度允许的条件下,可以大大提高匹配效率,解决大规模规则快速推理计算,有效的提高匹配效率和精确率。

    一种基于大语言模型先验知识的推理状态控制方法及装置

    公开(公告)号:CN118446322B

    公开(公告)日:2025-02-11

    申请号:CN202410851175.7

    申请日:2024-06-28

    Abstract: 本发明涉及数据处理技术领域,特别是指一种基于大语言模型先验知识的推理状态控制方法及装置,该方法应用于自动驾驶离散化导航问题、集装箱堆叠问题、货物码放问题和自然语言文本下的文字数值计算问题,方法包括:获取无人系统决策推理的样本数据集;使用样本数据集、以及由ATE因果效应估计算法与交叉熵组成的损失函数,对初始的大语言模型进行训练;获取长程行动决策问题,构建因果概率树,确定剪枝和展开方向的优化问题,进而将长程行动决策问题切分为多个短程行动决策问题;使用训练好的大语言决策推理模型对多个短程行动决策问题进行求解,进而完成行动。采用本发明,可以解决大语言模型在长程推理任务中因果幻觉的问题,提高了推理的准确性。

    基于多尺度融合GRU网络的汽车电池SOC多步预测方法与系统

    公开(公告)号:CN117630683B

    公开(公告)日:2024-03-29

    申请号:CN202410106018.3

    申请日:2024-01-25

    Abstract: 本发明公开了基于多尺度融合GRU网络的汽车电池SOC多步预测方法与系统,方法包括:S1、将每种传感器检测项视为一个变量,采集实车传感器的综合数据,将其转换为标准正态分布;选择与SOC高度相关的变量构建滑动窗口;将滑动窗口80%的数据作为训练集,20%数据作为验证集;S2、将基于多尺度融合GRU网络模型参数初始化,同时设定若干关键的超参数,对训练集执行离线训练生成SOC多步预测结果;本发明采用上述基于多尺度融合GRU网络的汽车电池SOC多步预测方法与系统,能更好地在历史数据中捕获短期和长期的依赖,从而更准确地预测电池在多样化和不稳定环境中的行为,在真实世界应用中实现更高的准确度和可靠性。

    一种基于大语言模型先验知识的推理状态控制方法及装置

    公开(公告)号:CN118446322A

    公开(公告)日:2024-08-06

    申请号:CN202410851175.7

    申请日:2024-06-28

    Abstract: 本发明涉及数据处理技术领域,特别是指一种基于大语言模型先验知识的推理状态控制方法及装置,该方法应用于自动驾驶离散化导航问题、集装箱堆叠问题、货物码放问题和自然语言文本下的文字数值计算问题,方法包括:获取无人系统决策推理的样本数据集;使用样本数据集、以及由ATE因果效应估计算法与交叉熵组成的损失函数,对初始的大语言模型进行训练;获取长程行动决策问题,构建因果概率树,确定剪枝和展开方向的优化问题,进而将长程行动决策问题切分为多个短程行动决策问题;使用训练好的大语言决策推理模型对多个短程行动决策问题进行求解,进而完成行动。采用本发明,可以解决大语言模型在长程推理任务中因果幻觉的问题,提高了推理的准确性。

Patent Agency Ranking