• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基站油機油耗精細化管理應用研究

    2024-03-25 03:56:39趙自強王法明李秋偉劉帥
    互聯(lián)網(wǎng)周刊 2024年3期
    關鍵詞:神經(jīng)網(wǎng)絡

    趙自強 王法明 李秋偉 劉帥

    摘要:本文主要研究如何利用BP神經(jīng)網(wǎng)絡建立油機效率預測模型,將油機的品牌型號、使用年限、基站電流、發(fā)電時間作為神經(jīng)網(wǎng)絡的4個輸入,將油機效率作為神經(jīng)網(wǎng)絡的輸出,實現(xiàn)了多影響因素的油機效率預測,有利于維護人員精細化管理。

    關鍵詞:基站維護;油機油耗;神經(jīng)網(wǎng)絡

    1. 神經(jīng)網(wǎng)絡技術

    隨著人工智能的快速發(fā)展,越來越多領域使用機器學習建立預測模型。潘顯民等人將BP神經(jīng)網(wǎng)絡模型應用到教師的智能推薦中[1]。張比鵬等人將BP神經(jīng)網(wǎng)絡應用到集裝箱制造的綠色評價體系中[2]。楊天劍等人利用神經(jīng)網(wǎng)絡方法預測基站全年的能耗[3]。郭超等人采用圖神經(jīng)網(wǎng)絡的方法對無線網(wǎng)絡基站的流量進行預測[4]。

    BP神經(jīng)網(wǎng)絡是一種反向傳播神經(jīng)網(wǎng)絡,由輸入層、隱含層和輸出層組成[5],其原理是通過學習樣本數(shù)據(jù),不斷調整神經(jīng)網(wǎng)絡的權重和偏置,使得神經(jīng)網(wǎng)絡的輸出盡可能接近目標輸出。BP神經(jīng)網(wǎng)絡的核心算法是反向傳播算法,通過計算輸出層和目標輸出之間的誤差,反向傳播到隱含層和輸入層,不斷調整神經(jīng)網(wǎng)絡的權重和偏置,使得誤差逐漸減小。

    BP神經(jīng)網(wǎng)絡的學習過程分為兩個階段,即正向傳播階段和反向傳播階段。在正向傳播階段,輸入數(shù)據(jù)經(jīng)過隱含層和輸出層的計算,得到神經(jīng)網(wǎng)絡的輸出。在反向傳播階段,根據(jù)目標輸出與實際輸出之間的誤差,計算出每個神經(jīng)元的梯度,并使用梯度下降算法更新神經(jīng)網(wǎng)絡的權重和偏置[6]。

    BP神經(jīng)網(wǎng)絡具有較好的泛化能力和適應性[7],可以用于分類、回歸、聚類等任務。其優(yōu)點包括:能夠自適應學習,可以處理非線性問題;能夠自動調整權重和偏置,具有較好的魯棒性;能夠處理大規(guī)模數(shù)據(jù),具有較好的泛化能力。三層BP神經(jīng)網(wǎng)絡示意圖如圖1所示。

    1.1 BP神經(jīng)網(wǎng)絡模型構建

    BP神經(jīng)網(wǎng)絡模型與傳統(tǒng)的統(tǒng)計學回歸方法相比,具有較好的非線性預測能力。本文構建一個5層的神經(jīng)網(wǎng)絡模型,其中隱含層節(jié)點個數(shù)分別為256、512、128,激活函數(shù)為Sigmoid函數(shù)式(1),由于輸出位油機效率,loss采用MSE來進行評估,反向傳播使用Adam梯度下降法。

    (1)

    算法流程圖如圖2所示。

    1.2 模型參數(shù)設置

    本文將基站電流、油機品牌型號、油機使用年限、發(fā)電時長4個參數(shù)輸入神經(jīng)網(wǎng)絡,輸出參數(shù)為油機效率,神經(jīng)網(wǎng)絡模型的參數(shù)設置如表1所示。

    網(wǎng)絡的結構框架圖如圖3所示。loss收斂過程如圖4所示。

    2. 訓練數(shù)據(jù)集

    本文按照以下方案進行數(shù)據(jù)采集。

    基站范圍:選取的負載范圍在10~250A范圍內(nèi)的通信基站。

    油機選?。哼x取日常使用較多的8KW、10KW、15KW、18KW油機。

    按不同區(qū)縣,分別選取不同的基站進行發(fā)電測試,分別得出結果進行匯總。

    測試步驟:(1)發(fā)電前將油機油箱加滿。在油機發(fā)電輸出端加裝電表。(2)開始發(fā)電,同時檢查確認基站直流負載大小。(3)模擬停電情況下發(fā)電,記錄完整發(fā)電記錄,包括記錄發(fā)電的起始時間,計算發(fā)電時長和發(fā)電機油耗。(4)發(fā)電完畢,油機油箱再次加滿,計算耗油量。

    本實驗共采集數(shù)據(jù)88條,包括基站名稱、基站電流、油機品牌型號、油機使用年限、發(fā)電時長、每升油發(fā)電量等指標,其中油機品牌型號作為離散數(shù)據(jù)在數(shù)據(jù)集導入后要進行預處理,采用One Hot Encoder進行編碼。數(shù)據(jù)集中66條作為訓練數(shù)據(jù),22條作為測試數(shù)據(jù)。部分訓練數(shù)據(jù)集如表2所示。

    3. 結果與應用

    3.1 實驗結果

    本文輸出為油機每升油發(fā)電量,采用的模型性能指標為MSE。測試數(shù)據(jù)的預測值與真實值部分數(shù)據(jù)如表3所示。

    測試集測試完成后,測試結果如表4所示。

    從測試結果來看,本文中的BP神經(jīng)網(wǎng)絡模型擬合效果較好,能夠反映基站電流、油機品牌型號、使用年限、發(fā)電時長等因素對油機效率的影響。

    3.2 模型應用

    本文中的模型訓練使用Pytorch框架,訓練完成后,輸出模型文件,通過Python的FastApi框架構建油機效率預測API,編寫微信小程序,在基站停電時,運維人員使用微信小程序輸入停電基站的工作電流,然后微信小程序調用效率預測API,獲取油機使用推薦列表。小程序界面如圖5所示。

    運維人員通過使用該小程序能夠選擇當前條件下單位油耗發(fā)電量最高的油機,能夠節(jié)省耗油量,達到節(jié)省發(fā)電成本的目的。

    結語

    本文建立的預測油機效率的BP神經(jīng)網(wǎng)絡模型使用基站電流、油機品牌、油機使用年限、發(fā)電時長4個因素預測油機油耗效率。根據(jù)本模型可開發(fā)油機效率預測軟件,基站出現(xiàn)停電時,運維人員能夠選擇最優(yōu)油機進行發(fā)電,減少油量消耗,節(jié)約能源。結合本模型與各基站日常電流、停電情況、運維負責區(qū)域等因素,可實現(xiàn)現(xiàn)有油機最佳分配,同時對新油機的采購也可以起到指導作用。

    參考文獻:

    [1]潘顯民,黃俏,李佩林.基于BP神經(jīng)網(wǎng)絡的城鄉(xiāng)教師智能推薦系統(tǒng)[J].湖南科技學院學報,2023,44(5):14-19.

    [2]張比鵬,韓聰,王靖涵.基于BP神經(jīng)網(wǎng)絡的集裝箱制造過程綠色度評價研究[J].機械工程與自動化,2023(6):55-57.

    [3]楊天劍,張靜.基于人工神經(jīng)網(wǎng)絡方法的通信基站能耗標桿建立與分析[J].北京郵電大學學報(社會科學版),2015,17(6):58-63.

    [4]郭超,陳佳,汪悅.基于圖卷積神經(jīng)網(wǎng)絡的無線基站流量預測研究[J].郵電設計技術,2023(6):36-40.

    [5]曾慶揚,丁楚衡,谷戰(zhàn)英,等.基于BP神經(jīng)網(wǎng)絡的油茶產(chǎn)量預測模型構建[J].經(jīng)濟林研究,2022,40(3):87-95.

    [6]姚精明.基于BP神經(jīng)網(wǎng)絡的邊緣緩存內(nèi)容熱度預測[C]//中國通信學會.2019全國邊緣計算學術研討會論文集.中網(wǎng)數(shù)據(jù)(北京)股份有限公司,2019:6.

    [7]高磊.神經(jīng)網(wǎng)絡與線性回歸的電力負荷預測[J].云南電力技術,2016,44(1):53-57.

    作者簡介:趙自強,本科,工程師,研究方向:設備環(huán)境。

    猜你喜歡
    神經(jīng)網(wǎng)絡
    BP神經(jīng)網(wǎng)絡在路標識別上的應用研究
    神經(jīng)網(wǎng)絡抑制無線通信干擾探究
    電子制作(2019年19期)2019-11-23 08:42:00
    基于Alexnet神經(jīng)網(wǎng)絡的物體識別研究
    電子制作(2019年12期)2019-07-16 08:45:28
    基于BP神經(jīng)網(wǎng)絡的旋轉血泵生理控制
    基于Q-Learning算法和神經(jīng)網(wǎng)絡的飛艇控制
    基于神經(jīng)網(wǎng)絡的拉矯機控制模型建立
    重型機械(2016年1期)2016-03-01 03:42:04
    復數(shù)神經(jīng)網(wǎng)絡在基于WiFi的室內(nèi)LBS應用
    基于支持向量機回歸和RBF神經(jīng)網(wǎng)絡的PID整定
    基于神經(jīng)網(wǎng)絡分數(shù)階控制的逆變電源
    基于GA-BP神經(jīng)網(wǎng)絡的光伏陣列MPPT研究
    電測與儀表(2014年2期)2014-04-04 09:04:04
    乐东| 海南省| 溧阳市| 衢州市| 永和县| 密山市| 汉中市| 平果县| 巧家县| 闻喜县| 十堰市| 灵川县| 神农架林区| 精河县| 扎鲁特旗| 清丰县| 高密市| 桓仁| 晋州市| 金寨县| 张家界市| 曲阜市| 星子县| 自治县| 米脂县| 河北省| 阿荣旗| 锦州市| 高青县| 海城市| 潞城市| 兰坪| 河西区| 松原市| 历史| 庆阳市| 湄潭县| 藁城市| 松溪县| 衢州市| 武汉市|