排序方式: 共有6条查询结果,搜索用时 15 毫秒
1
1.
2.
作为新型基础设施的典型代表,数据中心算力布局是否科学适用已经成为决定全国和区域消费互联网经济和产业互联网经济高水平发展的重要因素.在新基建的风潮下,为防止和减轻数据中心的社会性基础设施属性带来的负面影响,需要从地域环境、产业行业、技术演进、国内国际和安全管理等多个维度,做好数据中心算力布局的顶层设计和统筹规划. 相似文献
3.
4.
负荷预测对于电力企业制定未来调度计划十分重要。为了进一步提高预测精度,充分挖掘负荷数据中时序特征的联系,提出一种卷积神经网络(Convolutional Neural Networks, CNN)、门控循环单元(Gate Recurrent Unit, GRU)和多元线性回归(Multiple Linear Regression, MLR)混合的多频组合电力负荷预测模型。该模型先对时间序列的负荷数据进行集合经验模态分解(Ensemble Empirical Mode Decomposition, EEMD),并将其重构为高低两种频率;同时在高频中引入影响因子较大的气象因素,使用CNN-GRU模型预测,低频部分使用多元线性回归进行预测;最后将各个模型得出的预测结果叠加,得到最终预测结果。仿真结果表明,相对于其它网络模型,提出的混合模型具有更高的预测精度,是一种有效的短期负荷预测方法。 相似文献
5.
拉脱力测试是稳定杆生产流程中很重要的一个环节,旨在测试稳定杆橡胶衬套有效粘接面积.该设备整体结构简单,主要由压力机、旋转油缸、不同型号的稳定杆模座以及工装挡板组成.鉴于该测试机工装挡板不足以满足日常生产要求,对该挡板进行改造设计.改造主要分为快速换型与安全性能优化两方面. 相似文献
6.
为了有效提高电力负荷预测精度,针对电力负荷非线性、非平稳性、时序性的特点,提出了一种卷积神经网络(convolutional neural networks,CNN)、双向门控循环单元(bidirectional gated recurrent unit,BiGRU)和多元线性回归(multiple linear regression,MLR)混合的多频组合短期电力负荷预测模型。该模型先利用关联度分析得到相似日,并将其负荷组成新的数据序列,同时使用变分模态分解(variational mode decomposition,VMD)将该数据序列进行分解,并重构成高低2种频率。对于高频分量,使用CNN-BiGRU模型进行预测;低频部分则使用MLR。最后将各个模型得出的预测结果叠加,得到最终预测结果。以2006年澳大利亚真实数据为例,进行短期电力负荷预测。仿真结果表明,相比于其他网络模型,该模型具有较高的预测精度和拟合能力,是一种有效的短期负荷预测方法。 相似文献
1