一種基于動態(tài)條件玻爾茲曼機的太陽能預測方法
【專利摘要】本發(fā)明公開了一種基于動態(tài)條件玻爾茲曼機的太陽能預測方法,包括如下步驟:獲取條件玻爾茲曼機的參數(shù);建立動態(tài)條件玻爾茲曼機的模型;對動態(tài)條件玻爾茲曼機進行訓練,獲取訓練好的動態(tài)條件玻爾茲曼機模型的參數(shù);采用訓練好的動態(tài)條件玻爾茲曼機參數(shù)以及樣本向量,經(jīng)過吉布斯采樣獲取太陽能預測值;由于所采用的條件波爾茲曼機模型可以有效動態(tài)捕捉基于時間序列的數(shù)據(jù)的變化,因此采用該模型可以學習到太陽能數(shù)據(jù)的變化規(guī)律,具有提高實時預測準確率的效果,另一方面,采樣數(shù)據(jù)挖掘的方法實時獲取最相似樣本作為輸入樣本,具有進一步提高實時預測準確度效果。
【專利說明】
一種基于動態(tài)條件玻爾茲曼機的太陽能預測方法
技術領域
[0001] 本發(fā)明屬于機器學習領域,更具體地,涉及一種基于動態(tài)條件玻爾茲曼機的太陽 能預測方法。
【背景技術】
[0002] 由于太陽能發(fā)電、風力發(fā)電所產(chǎn)生的新能源具有不穩(wěn)定性和動態(tài)變化的特點,負 載與新能源不匹配的問題成為存儲系統(tǒng)利用新能源的瓶頸;現(xiàn)有技術通過預測新能源發(fā)電 量,根據(jù)能源動態(tài)變化的趨勢對應地調(diào)整數(shù)據(jù)中心的作業(yè)調(diào)度和能耗安排,提高新能源的 利用率,減少對電網(wǎng)供電的依賴。
[0003] 現(xiàn)有的新能源預測方法包括物理模型預測、統(tǒng)計模型預測和人工智能預測等;物 理模型預測方法對長期預測(3-10天)具有良好的效果,但對超短期預測(0-4小時)效果欠 佳;統(tǒng)計學模型預測方法的短期預測效果較好;但因其沒有學習能力不適于進行長期預測; 人工智能預測方法適用于短期和長期預測,包括多元線性回歸算法、人工神經(jīng)網(wǎng)絡(ANN)算 法、支持向量機(SVM)算法,但在天氣驟變情況下,這類方法預測誤差較大。
【發(fā)明內(nèi)容】
[0004] 針對現(xiàn)有技術的以上缺陷或改進需求,本發(fā)明提供了一種基于動態(tài)條件玻爾茲曼 機的太陽能預測方法,其目的在于提高太陽能預測準確率。
[0005] 為實現(xiàn)上述目的,按照本發(fā)明的一個方面,提供了一種基于動態(tài)條件玻爾茲曼機 的太陽能預測方法,包括如下步驟:
[0006] (1)建立條件玻爾茲曼機的參數(shù),包括輸入層向量,隱藏層向量,輸出層向量,隱藏 層與輸出層的連接權值,輸入向量指向輸出向量的鏈接權值,輸入向量與隱藏層向量的連 接權值;
[0007] (2)根據(jù)所述動態(tài)條件玻爾茲曼機的參數(shù),建立動態(tài)條件玻爾茲曼機的模型;
[0008] (3)對動態(tài)條件玻爾茲曼機的模型進行訓練,獲取訓練好的動態(tài)條件玻爾茲曼機 模型的參數(shù);
[0009] (4)采用訓練好的動態(tài)條件玻爾茲曼機模型的參數(shù)以及與當天輸出向量最接近的 樣本向量,經(jīng)過吉布斯采樣處理獲取太陽能預測值。
[0010] 優(yōu)選地,上述太陽能預測方法,其動態(tài)條件玻爾茲曼機的模型的函數(shù) ModelT=n= Dyn^mcCRBMt^t
[0011] 其中,u是指輸入層向量,h是指隱藏層向量,V是指輸出層向量,Wt,是指隱藏層與 輸出層在T = n時刻的無向連接權值,和二是指輸入層與輸出層在T = n時刻的有向連接權 值,是指輸入層與隱藏層在T = n時刻的有向連接權值,心"是輸出層在T = n時刻的偏差 值,bL是隱藏層在T = n時刻的偏差值;
[0012] 在上述動態(tài)條件玻爾茲曼機中,輸入層與輸出層的節(jié)點數(shù)目隨著時間動態(tài)變化, 輸入層向量U與輸出層向量V的維度動態(tài)變化,而這兩個向量的維度之和是固定的。
[0013] 優(yōu)選地,上述太陽能預測方法,其步驟(3)中,采用隨機梯度下降法或?qū)Ρ壬⒍人?法對動態(tài)條件玻爾茲曼機進行訓練,獲取訓練好的動態(tài)條件玻爾茲曼機模型的參數(shù) 卜凡,的:,。
[0014] 優(yōu)選地,上述太陽能預測方法,其步驟(4)采用訓練好的動態(tài)條件玻爾茲曼機,進 行太陽能預測;
[0015] 在輸入向量中輸入(t-1)個歷史數(shù)據(jù),采用數(shù)據(jù)挖掘方法獲取與輸出向量最接近 的k個樣本向量,并獲取這k個樣本向量的均值;將該均值作為輸出層的輸入變量,經(jīng)過吉布 斯采樣獲取預測值# ?,其中,k的取值范圍為[5,20]。
[0016] 優(yōu)選地,上述太陽能預測方法,其步驟(3)具體如下:
[0017] (3-1)隨機初始化動態(tài)條件玻爾茲曼機的參數(shù);
[0018] (3-2)采用對比散度算法更新隱藏層與輸出層的連接權值A Wvh,更新法則為:A fvh〇c<v ? h>data~<v ? h>recon;
[0019] (3-3)根據(jù)下式更新隱藏層靜態(tài)偏差值貧i和輸出層靜態(tài)偏差值每
[0020] K+氣;
[0021] bkn ^bj^+Kb'T__a _
[0022] 其中,從L 嘆 >" - < 辦 ? A&n 嘆 v - < v . , .,
[0023] (3-4)根據(jù)下式更新輸入層與輸出層的有向連接權值~二,以及輸入層與隱藏層 的有向連接權值拉1":
[0024] bZ"=bZ"+Ab!Z"
[0025] H+Abt-"
[0026] 其中AC,,是輸入向量和輸出向量的連接權值矩陣的更新法則,A6)t,是輸入向量和隱 藏權值的連接權值矩陣的更新法則;A私0c M(< v v >_?),辦i x "(< A ;
[0027] (3-5)獲取各向量的訓練誤差,并判斷各向量的訓練誤差是否滿足各自精度要求, 若否,則重復步驟(3-2)~(3-4);若是,則結束訓練。
[0028] 優(yōu)選地,上述太陽能預測方法,其步驟(4)具體如下:
[0029] (4-1)根據(jù)當前的時間點t,確定輸入層節(jié)點數(shù)與輸出層的節(jié)點數(shù);
[0030] (4-2)根據(jù)所述輸入層與輸出層的節(jié)點數(shù),采用KNN(K-Nearest Neighbor)算法獲 取與當天輸出向量最接近的k個樣本向量v(k) ;v(k)=KNN(u,D,k);
[0031] (4-3)獲取所述k個樣本向量的均值,并在所述均值上加入噪音,獲得輸出層的激 活概率的初始化值p( v);
[0032] 其中,p(v) =mean(v(k) )+a*rand() ;rand()是指隨機函數(shù),mean()是指求均值函 數(shù),a是噪音因子;
[0033] (4-4)將前(t-1)個數(shù)據(jù)作為輸入向量u,初始化輸入向量u;根據(jù)初始化后的輸入 向量u以及步驟(3)訓練得到的模型參數(shù)和獲取隱藏層的動態(tài)偏差值buh,以及輸出 層的動態(tài)偏差值buv;
[0034] buh =hllh+u*b^".
[0035] H
[0036] 其中,是指輸入層與隱藏層在T = n時刻的有向連接權值是指輸入層與輸 出層在T = n時刻的有向連接權值;
[0037] (4-5)進行N次吉布斯采樣,迭代更新輸出層的激活概率p(v)與隱藏層的激活概率 P(h);其中,N為正整數(shù);
[0038] (4-6)通過均場采樣對輸出層向量進行去噪處理,獲得太陽能預測值 y(v') = "(/〇'妙'二,十/,;-〃+&av。
[0039] 優(yōu)選地,上述太陽能預測方法,其步驟(4-5)具體如下:
[0040] (4-5-1)從輸入層和輸出層向隱藏層傳播,計算隱藏層多個節(jié)點的激活概率;其 中,隱藏層節(jié)點的激活概率其中,向量的每個單元分別對應一 個節(jié)點;
[0041 ] (4-5-2)根據(jù)s(h) =Activation(p(h)),概率性地激活隱藏層的部分節(jié)點;
[0042] 如果隨機的參數(shù)大于p(h),則對應的節(jié)點為1,為激活狀態(tài);否則為0,處于非激活 狀態(tài);其中,Activation()是指激活函數(shù),s(h)的取值為0或者1;取值為0表示非激活狀態(tài), 取值為1表示激活狀態(tài);
[0043] ( 4 - 5 - 3 )從隱藏層向輸出層傳播,獲取輸出層的激活概率采樣值 p(y) = s(h)1 Wh +b;=ft+buv '
[0044] (4-5-4)判斷采樣的次數(shù)是否超過預設定的閾值,若否,則重復步驟(4-5-1)~(4- 5-3);若是,則結束吉布斯采樣。
[0045] 總體而言,通過本發(fā)明所構思的以上技術方案與現(xiàn)有技術相比,能夠取得下列有 益效果:
[0046] (1)本發(fā)明提供的基于動態(tài)條件玻爾茲曼機的太陽能預測方法,由于所采用的條 件波爾茲曼機可以有效動態(tài)捕捉基于時間序列的數(shù)據(jù)的變化,因此采用該模型可以學習到 太陽能數(shù)據(jù)的變化規(guī)律,具有提高實時預測準確率效果;
[0047] (2)本發(fā)明提供的基于動態(tài)條件玻爾茲曼機的太陽能預測方法,采用KNN算法找出 最接近當天輸出向量的k個樣本向量,將數(shù)據(jù)挖掘的方法引進到條件玻爾茲曼機,可以實時 獲取最相似樣本作為輸入樣本,具有進一步提高實時預測準確度效果。
【附圖說明】
[0048] 圖1是本發(fā)明實施例提供的條件玻爾茲曼機模型示意圖;
[0049] 圖2是本發(fā)明實施例提供的基于動態(tài)條件玻爾茲曼機的太陽能預測方法的流程示 意圖;
[0050] 圖3是本發(fā)明實施例提供的動態(tài)條件玻爾茲曼機模型示意圖之一;
[0051] 圖4是本發(fā)明實施例建立的動態(tài)條件玻爾茲曼預測模型示意圖之二。
【具體實施方式】
[0052]為了使本發(fā)明的目的、技術方案及優(yōu)點更加清楚明白,以下結合附圖及實施例,對 本發(fā)明進行進一步詳細說明。應當理解,此處所描述的具體實施例僅僅用以解釋本發(fā)明,并 不用于限定本發(fā)明。此外,下面所描述的本發(fā)明各個實施方式中所涉及到的技術特征只要 彼此之間未構成沖突就可以相互組合。
[0053]圖1所示,是實施例中用于太陽能預測的條件玻爾茲曼機,由于太陽能發(fā)電數(shù)據(jù)是 時間序列數(shù)據(jù),所以輸出向量是一維向量,輸入向量由多個一維向量組成。
[0054] 圖2所示,是實施例提供的動態(tài)條件玻爾茲曼機的模型示意圖之一,將其中涉及的 相關參數(shù)解釋如下:h是指隱藏層的隱藏向量;v是指輸入向量;u是指輸出向量;A Wvh是指輸 入層與隱藏層之間的無向連接權值;A buv是指輸入向量與輸出向量之間的有向連接權值; A buh是指輸入向量與隱藏向量之間的有向連接權值。
[0055] 實施例所提供的基于動態(tài)條件玻爾茲曼機的太陽能預測方法,其流程如圖2所示, 包括以下步驟:
[0056] (1)建立條件玻爾茲曼機的參數(shù),包括輸入層向量u,隱藏層向量h,輸出層向量v; 上述向量的維度固定;隱藏層與輸出層的連接權值A Wvh是無向連接,輸入向量指向輸出向 量的鏈接權值A buv是有向連接,輸入向量與隱藏層向量的連接權值A buh是有向鏈接;
[0057] (2)建立動態(tài)條件玻爾茲曼機,其函數(shù)為:
[0058] ModelT_n= DynamicCRBM(^,^^'^b;h",b^,,);
[0059] 其中,u是指輸入層向量,h是指隱藏層向量,v是指輸出層向量,是指隱藏層與 輸出層在T = n時刻的無向連接權值,盡是指輸入層與輸出層在T = n時刻的有向連接權 值,b="是指輸入層與隱藏層在T = n時刻的有向連接權值,是輸出層在T = n時刻的偏差 值,b》="是隱藏層在T = n時刻的偏差值;
[0060] 如圖3所示,當t = 7時,輸入向量的節(jié)點數(shù)為6個,輸出向量的節(jié)點數(shù)為18個;當t = 8時,輸入向量的節(jié)點數(shù)為7個,輸出向量的節(jié)點數(shù)為17個;輸入向量與輸出向量的節(jié)點個數(shù) 之和固定為24個;
[0061] (3)采用隨機梯度下降法或?qū)Ρ壬⒍人惴▽討B(tài)條件玻爾茲曼機進行訓練,獲取 模型的參數(shù)沒二{〇: ,bH" ,bU :;
[0062] (4)采用訓練好的動態(tài)條件玻爾茲曼機,進行太陽能預測;
[0063] 在輸入向量中輸入(t-1)個歷史數(shù)據(jù);然后采用KNN數(shù)據(jù)挖掘方法獲取與當天輸出 向量最接近的k個樣本向量,進而算出k個樣本的均值,在所述均值上加入噪音,獲得輸出層 的激活概率的初始化值;迭代更新輸出層的激活概率,根據(jù)該激活概率去概率性的激活輸 出層部分節(jié)點;根據(jù)輸入向量與動態(tài)玻爾茲曼機模型,獲取輸出層向量;通過均場采樣對輸 出層向量進行去噪處理,獲得太陽能預測值;實施例中,k的取值范圍是[5,20]。
[0064] 如圖4所示,在t = h的時刻,輸入向量是當天從第1小時的發(fā)電量到第(n-1)小時發(fā) 電量的實際數(shù)據(jù);而輸出層輸入的數(shù)據(jù)是k個最接近當天天氣的樣本向量的均值,通過多次 吉布斯采樣獲取預測值G。
[0065]實施例中,步驟(3)包括以下子步驟:
[0066] (3-1)隨機初始化動態(tài)條件玻爾茲曼機的參數(shù);
[0067] (3-2)獲取隱藏層與可視層的連接權值,根據(jù)下式采用對比散度的方法來更新權 值 AWuh:
[0068] Affvh〇c<vh>data-<v ? h>recon
[0069] (3-3)根據(jù)下式獲取隱藏層偏差值A bh和輸出層的偏差值A bv;
[0070] A bh00 <h>data~<h> recon
[0071 ] A bv00 <V>data-<V> recon
[0072] (3-4)獲取輸出向量和隱藏層的動態(tài)偏差值,其中A buv是輸入向量和輸出向量的 連接權值矩陣的更新法則,A buh是輸入向量和隱藏權值的連接權值矩陣的更新法則;
[0073] A bUV〇cu(<V>data-<V> recon )
[0074] A buh〇cu( <h>data_<h> recon )
[0075] (3-5)判斷訓練誤差是否滿足精度要求,若否,則重復步驟(3-2)~(3-4);若是,則 結束;
[0076] 實施例中,步驟(4)如圖4所示意的,包括以下子步驟:
[0077] (4-1)根據(jù)當前的時間點t,確定輸入層和輸出層的節(jié)點數(shù)目;
[0078] 首先要判斷t是否大于T;若以1小時為單位粒度,T = 24;如果以0.5小時為單位粒 度,則T = 48;實施例中,T = 24,代表一天24小時,輸入層的每個輸入節(jié)點代表一個小時;
[0079] (4-2)利用下式的KNN算法找出最接近當天輸出向量的k個樣本向量v(k)=KNN(u, D,k)
[0080] 本步驟所采用的KNN算法是簡單易行的數(shù)據(jù)挖掘方法,具有計算開銷小的特點;
[0081] (4-3)獲取k個最相近的樣本的均值,并根據(jù)下式加入噪音p(v)以增加隨機性,使 之與實際工況更匹配;
[0082] p(v) =mean(v(k) )+a*rand();
[0083] 其中,rand()是隨機函數(shù),mean()是求均值函數(shù),a是噪音因子,v(k)表示k個樣本 向量;
[0084] (4-4)將前(t-1)個實際數(shù)據(jù)作為輸入,初始化輸入向量u,再根據(jù)步驟(3)訓練好 的參數(shù)計算隱藏層的動態(tài)偏差值b uh和輸出層的動態(tài)偏差值buv;
[0085]
[0086] ,
[0087] 其中,u是指輸入向量,是指輸入層與隱藏層在T = n時刻的有向連接權值,掉;! 是輸入層和輸出層在T = n時刻的有向連接權值;
[0088] (4-5)進行N次(N>0)吉布斯采樣,獲得輸出層和隱藏層的激活概率;
[0089] ( 4 - 6 )通過均場采樣對輸出層向量進行去噪處理,獲得預測值 _=姻電碟為。
[0090]實施例中,步驟(4-5)包括以下子步驟:
[0091] (4-5-1)從輸入層和輸出層向隱藏層傳播,根據(jù)下式獲取隱藏層多個節(jié)點的激活 概率P(h):
[0092] p(h、、= P(v)rW;X+bHh
[0093] (4-5-2)激活隱藏層的所有節(jié)點,如果隨機的參數(shù)大于p(h),那么對應的節(jié)點為1, 否則為0,隱藏層的節(jié)點激活公式如下所示:
[0094] s(h) =Activation(p(h))
[0095]其中,ActivationO是激活函數(shù),s(h)的取值為0或者1;值為0表示非激活狀態(tài),取 值為1表示激活狀態(tài);
[0096] (4-5-3)從隱藏層向輸出層傳播,獲取輸出層節(jié)點的激活概率,根據(jù)下式獲取輸出 層向量的激活概率P (v):
[0097] p{ V) = s{h)' lV;tn + h) =), + b!!V
[0098] (4-5-4)判定采樣的次數(shù)是否超過預設定的閾值,若否,則重復步驟(4-5-1)~(4-5-3);若是,則結束采樣。
[0099] 實施例提供的上述基于動態(tài)條件玻爾茲曼機的太陽能預測方法,一方面,其動態(tài) 模型指的是向量維度是隨著時間移動而變化的,如圖3所示,輸入層向量u與輸出層向量v的 維度是動態(tài)變化的,而這兩個向量的維度之和是固定的;由于所采用的條件波爾茲曼機可 以有效動態(tài)捕捉基于時間序列的數(shù)據(jù)的變化,模型可以學習到太陽能數(shù)據(jù)的變化規(guī)律,具 有提高實時預測準確率效果;
[0100] 另一方面,由于將數(shù)據(jù)挖掘的方法引進到條件玻爾茲曼機,如圖4所示,采用KNN算 法獲取最接近當天輸出向量的k個樣本向量,可實時找到最相似樣本作為輸入樣本,具有進 一步提高實時預測準確度效果。
[0101] 本領域的技術人員容易理解,以上所述僅為本發(fā)明的較佳實施例而已,并不用以 限制本發(fā)明,凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進等,均應包含 在本發(fā)明的保護范圍之內(nèi)。
【主權項】
1. 一種基于動態(tài)條件玻爾茲曼機的太陽能預測方法,其特征在于,包括如下步驟: (1) 獲取動態(tài)條件玻爾茲曼機的參數(shù),包括輸入層向量,隱藏層向量,輸出層向量,隱藏 層與輸出層的連接權值,輸入向量指向輸出向量的鏈接權值,輸入向量與隱藏層向量的連 接權值; (2) 根據(jù)所述動態(tài)條件玻爾茲曼機的參數(shù),建立動態(tài)條件玻爾茲曼機的模型; (3) 對動態(tài)條件玻爾茲曼機的模型進行訓練,獲取訓練好的動態(tài)條件玻爾茲曼機模型 的參數(shù); (4) 采用訓練好的動態(tài)條件玻爾茲曼機模型的參數(shù)以及與當天輸出向量最接近的樣本 向量,經(jīng)過吉布斯采樣處理及均場采樣去噪處理獲取太陽能預測值。2. 如權利要求1所述的太陽能預測方法,其特征在于,所述動態(tài)條件玻爾茲曼機的模型 的函數(shù)其中,u是指輸入層向量,h是指隱藏層向量,V是指輸出層向量,是指隱藏層與輸出 層在T = η時刻的無向連接權值,是指輸入層與輸出層在T = n時刻的有向連接權值,bft" 是指輸入層與隱藏層在T = η時刻的有向連接權值,是輸出層在T = η時刻的偏差值,碌# 是隱藏層在Τ = η時刻的偏差值。3. 如權利要求2所述的太陽能預測方法,其特征在于,所述步驟(3)中,采用隨機梯度下 降法或?qū)Ρ壬⒍人惴▽討B(tài)條件玻爾茲曼機進行訓練,獲取訓練好的動態(tài)條件玻爾茲曼機 模型的參4. 如權利要求3所述的太陽能預測方法,其特征在于,所述步驟(3)具體如下: (3-1)隨機初始化動態(tài)條件玻爾茲曼機的參數(shù); (3-2)采用對比散度算法更新隱藏層與輸出層的連接權值Δ Wvh,更新法則為:Δ Wvha < V · h>data~<v · h>recon; (3-3)根據(jù)下式更新隱藏層靜態(tài)偏差值硌"和輸出層靜態(tài)偏差值(3-4)根據(jù)下式更新輸入層與輸出層的有向連接權值盡Iii,以及輸入層與隱藏層的有 向連接權值bt,:其中AC?是輸入向量和輸出向量的連接權值矩陣的更新法則,Mt,是輸入向量和隱藏權 ?(< V >dam, - <v >ma}rt) ^τ?" ^u(<h >data - < h >remn) \ (3-5)獲取各向量的訓練誤差,并判斷各向量的訓練誤差是否滿足各自精度要求,若 否,則重復步驟(3-2)~(3-4);若是,則結束訓練。5. 如權利要求1所述的太陽能預測方法,其特征在于,所述步驟(4)具體如下: (4-1)根據(jù)當前的時間點t,確定輸入層節(jié)點數(shù)與輸出層的節(jié)點數(shù); (4-2)根據(jù)所述輸入層與輸出層的節(jié)點數(shù),采用KNN算法獲取與當天輸出向量最接近的 k個樣本向量v(k); (4-3)獲取所述k個樣本向量的均值,并在所述均值上加入噪音,獲得輸出層的激活概 率的初始化值P(v); 其中,P(v) =mean(v(k) )+a*rand() ;rand()是指隨機函數(shù),mean()是指求均值函數(shù),α 是噪音因子; (4-4)將前(t-Ι)個數(shù)據(jù)作為輸入向量u,初始化輸入向量u;根據(jù)初始化后的輸入向量u 以及步驟(3)訓練得到的模型參,獲取隱藏層的動態(tài)偏差值buh,以及輸出層的 動態(tài)偏差值buv;其中,扣!"是指輸入層與隱藏層在T = n時刻的有向連接權值;是指輸入層與輸出層 在T = η時刻的有向連接權值; (4-5)進行N次吉布斯采樣,迭代更新輸出層的激活概率p(V)與隱藏層的激活概率ρ (h);其中,N為正整數(shù); (44)通過均場采樣對輸出層向量進行去噪處理,獲得太陽能預測值6.如權利要求5所述的太陽能預測方法,其特征在于,所述步驟(4-5)具體如下: (4-5-1)從輸入層和綸屮層向隱藏層傳墦.i+算隱藏層多個節(jié)點的激活概率;其中,隱 藏層節(jié)點的激活概2(4-5-2)根據(jù)8〇1)=4(31:;^31:;[〇11化〇1)),激活隱藏層的部分節(jié)點; (4-5-3)從隱藏層向輸出層傳播,獲取輸出層的激活概率采樣 (4-5-4)判斷采樣的次數(shù)是否超過預設定的閾值,若否,則重復步驟(4-5-1)~(4-5-3);若是,則結束吉布斯采樣。
【文檔編號】G06N99/00GK105894114SQ201610197318
【公開日】2016年8月24日
【申請日】2016年3月31日
【發(fā)明人】萬繼光, 劉麗瓊, 瞿曉陽, 譚志虎, 謝長生, 張鈺彪, 張和泉, 李大平
【申請人】華中科技大學