排序方式: 共有23条查询结果,搜索用时 5 毫秒
21.
优质数据集是实现高炉铁水硅含量准确预报的基础。针对铁水硅含量数据记录不均衡,特别是部分样本周期内存在多个硅含量值且波动较大,难以与输入变量进行合理关联等难题,提出了一种基于k-means++聚类算法的铁水硅含量数据优选方法。该方法首先利用k-means++的快速聚类能力,将样本分簇,用以表征不同的炉况;其次统计各簇硅含量频数直方图,由此确定高频区间;最后以高频区间为标准,遴选与样本关联的最佳硅含量值。以某钢铁厂2650 m3的高炉为例,分别建立基于多层感知器和LSTM的深度学习模型进行预测,结果表明,该优选方法处理的数据与传统均值法相比,均方误差可减少0.003,命中率提高10%以上,对铁水硅含量数据的预处理具有较好的指导意义。 相似文献
22.
23.
高比例分布式能源的大量接入显著增加了园区综合能源系统运行的不确定性。同时,园区能源系统运行需要兼顾绿色、经济运行目标,成为典型的双目标优化问题。为此,提出了一种基于代理模型加速的园区综合能源系统双目标滚动优化调度算法。首先,以基于三角分解空间搜索的双目标优化算法为基础,利用代理模型对待搜索空间是否有解进行快速预判,有效提高了空间搜索优化效率;其次,进一步将代理模型加速的双目标优化方法应用于模型预测控制框架,在日内运行中根据不断更新的预测信息滚动优化双目标运行策略,提高了对源荷不确定性的应对能力;最后,以某实际园区综合能源系统为例,验证了所提方法的可行性和有效性。 相似文献