基于FDTD建模的采矿大数据应用研究

来源 :能源与环保 | 被引量 : 0次 | 上传用户:ss501love
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
大数据技术的发展为工业生产提供丰富的信息数据,可帮助煤矿企业生产、运营提供决策支持数据。提出一种基于基于有限差分时域方法,采用时间相关的波动方程,对采矿过程中电力使用进行动态模拟,核心在于对电力消耗和电力费用监测,基于大数据计算平台中通过初始随机波函数对TDSE进行数值求解,收敛于基态波函数。给出了不同约束电位参数的的能量和波函数的数值结果,并与其他数值方法的结果进行比较,结果表明,基于FDTD的方法可提供精确的能量和波函数,可在采矿工艺电力使用预测提供精确的数据支持。
其他文献
针对岩溶发育段隧道施工过程中岩溶分布的复杂和多变对施工安全带来的潜在威胁,利用高频脉冲电磁波遇到不同介质反射后的时间差原理,使用地质雷达法对贵州毕节阳山隧道岩溶发育段进行精细化探测。通过数据处理和分析,对前方岩溶空腔进行准确预警,并通过超前钻探和揭露验证,证明地质雷达在岩溶发育段是一种高效的探测方法,可以对探测区域前方岩溶、空腔等不良地质体进行有效预警,提供准确的地质资料,指导后续施工。得出了地质
短期电力负荷预测存在数据时间序列紊乱现象,导致预测短期电力负荷精确度低,为此提出用于短期电力负荷预测的时间序列数据深度挖掘模型.设计数据预处理电力数据仓库体系,获取
为有效处理电力变压器观测数据,提升电力变压器检修计划的针对性,提出了基于模糊C均值算法的电力变压器大数据的聚类分析方法。该方法使用主成分分析方法对电力变压器的观测参数进行压缩,得到4个主要参数,然后基于所确定的主要参数使用模糊C均值算法对观测数据进行无监督分类,对所得聚类进行解释从而确定检修的优先级。实验过程展示了使用该方法的具体操作步骤,表明了该方法具备提升电力变压器检修针对性的潜力。
为了准确预测不同用电设施的电力需求模式,设计了一种基于长短期记忆网络(LSTM)深度学习方法的自定义电力需求预测模型。利用混合数据抽样(MIDAS)方法对自回归分布滞后(ARDL)进行改进,提出了LSTM+MIDAS模型的电力需求预测方法。通过每天以5 min的频率收集住宅、市政厅、医院、工业等4类设施的用电数据,采用短期、长期、季节性预测3种方法进行了对比试验,通过测试验证了预测模型的误差率,分析了实际用电需求监测系统中电力模式的季节性波动规律,并预测各设施的用电需求。实验结果表明,利用所提出的LSTM