CN103246762A - 一种电力推进系统仿真可信度的综合评估方法 - Google Patents
一种电力推进系统仿真可信度的综合评估方法 Download PDFInfo
- Publication number
- CN103246762A CN103246762A CN2013101221492A CN201310122149A CN103246762A CN 103246762 A CN103246762 A CN 103246762A CN 2013101221492 A CN2013101221492 A CN 2013101221492A CN 201310122149 A CN201310122149 A CN 201310122149A CN 103246762 A CN103246762 A CN 103246762A
- Authority
- CN
- China
- Prior art keywords
- index
- weight
- subsystem
- output
- comprehensive
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及的是电力推进系统和仿真评估领域,特别是涉及一种电力推进系统仿真可信度的综合评估方法。本发明包括:将电力推进系统分解为子系统;对仿真系统各准则下的子系统进行分解,直至最小单元;获取指标以及子系统相对于上一层节点的权重;获取子系统的指标的可信度;得到子系统的可信度;得到整个电力推进系统仿真的可信度综合评估结果。本发明能够增强所建立仿真系统输出结果的正确性,降低开发和应用仿真系统所带来的风险;有效帮助了开发人员及时发现仿真系统在设计过程中的不足,并进行相应修正;能够有效缩短仿真系统的开发周期、降低开发成本,能够有效预防仿真系统实际应用时的重大事故发生。
Description
技术领域
本发明涉及的是电力推进系统和仿真评估领域,特别是涉及一种电力推进系统仿真可信度的综合评估方法。
背景技术
近年来,仿真技术作为最先进的科学技术,以其经济性好、安全性高和操作性强等优点,被广泛应用于各个研究领域,同时也带来了巨大的经济效益。仿真技术也被称之为除了理论研究与实物分析之外的又一种解剖现实世界的新方法,成为正确认识客观世界的又一技术手段。因此,采用仿真技术对实际系统进行研究,不但可以有效降低科研成本、缩短研发周期,还能够加快改善实际系统性能的步伐。
尽管仿真技术的应用有较多优越性,但也存在一定的风险。仿真技术是以相似理论为基础,对真实事物或虚拟事物进行构造和试验分析的。因此所建立的仿真系统也不可能完全模拟真实事物本身。仿真系统是否具有真实可信度、所得的仿真输出结果能否可用,与系统开发全研发周期中依据仿真输出结果所展开的一系列实施步骤密切相关。因此,对实际系统的仿真进行可信度评估是必要而迫切的。
通过对仿真系统进行可信度分析,不但可以使所建立的仿真系统与仿真输出结果的正确性得到增强,降低应用和开发仿真系统所带来的一系列风险,而且还能够帮助开发人员发现仿真系统在设计过程中存在的不足,并及时进行修正。通过对实际系统的仿真进行可信度评估,不仅可以有效缩短仿真系统的开发周期、降低系统开发成本,还能够较好的预防重大事故发生。也就是说,只有保证了仿真系统和仿真输出结果满足一定范围的可信度,对实际系统所进行的一系列仿真活动才具有实际的意义和价值、所得的仿真系统和仿真输出结果才具有可用性。
目前,国内外都没有关于电力推进系统可信度评估方面的专利,与之最接近的是可信性分析。国外仅有几项关于实际设备的可信性分析的专利,均是采用对设备参数测试分析的方式进行可信性预测;而本发明则是针对仿真系统进行可信度分析。国内仅有一项可信性评测的专利,即基于事件注入的计算机网络可信性评测装置,它是一种基于事件注入的计算机网络可信性评测装置,它的可信性评测是依靠造成目标系统故障的事件模型库、目标系统服务能力下降的事件模型库、系统脆弱点库,通过系统软件集测试数据加密存储、数据分析和输出功能,为目标计算机网络的可信性测评提供数据。而本发明则是采用层次分析和BP神经网络对仿真结果的每项指标可信度进行综合,得出的可信度分析结果,两者完全不同。
发明内容
本发明的目的在于提供一种电力推进系统仿真可信度的综合评估方法。
本发明的目的是这样实现的:
本发明包括如下步骤:
(1)按照系统级到单元级的顺序,将电力推进系统分解为子系统;
(2)自顶向下、逐层对仿真系统各准则下的子系统进行分解,直至最小单元;
(3)获取指标以及子系统相对于上一层节点的权重;
(4)获取子系统的指标的可信度;
(5)根据指标的可信度和权重得到子系统的可信度;
(6)由子系统逐层向上,综合子系统的权重得到整个电力推进系统仿真的可信度综合评估结果。
获取指标以及子系统相对于上一层节点的权重的步骤包括:
(1)设置初始参数ω和θ,其中ω为初始权重.θ为临界值;
(2)将需要计算权重子系统的实测数据样本加入BP神经网络,获取输出值yj:其中xi为该节点的输入,i=1…m;ωij为从i到j的联接权,i=1…m,j=1…n,初始权重随机设为[0,1];θj为临界值;
(3)按已知输出数据与输出值之差dj-yj调整权系数ω,调整量为:□ωij=ηδjxj,其中η为比例系数,即学习率,范围为[0.01-0.1],连续提高η值,直到达到设定的训练速度为止;xj为隐节点的网络输入、输出节点为隐节点的输出,j=1…n;dj为已知的输出数据;δj是一个与输出偏差相关的值,对于输出节点:δj=ηj(1-yj)(dj-yj)对于隐层节点:各层神经元的权值调整后为:ωij(t)=ωij(t-1)+□ωij,其中t为学习次数;
(4)进行迭代,调整所有ω值,直到输出误差小于设定允许值,完成BP神经网络训练;
(5)对各神经元之间的权重进行分析处理,其中相关显著性系数
相关指数
绝对影响系数
其中,i为神经网络输入单元,i=1…m;j为神经网络输出单元,j=1…n;k为神经网络的隐含单元,k=1…P;ωki为输入层神经元i和隐含层神经元k之间的权系数;ωjk为输出层神经元j和隐含层神经元k之同的权系数;
(6)求绝对影响系数Sij,即为所求子系统中下一层节点相对于上一层节点的客观权重;
(7)将客观的指标权重转换成指标权重比值;
(8)提取子系统的主观指标权重比值;
(9)对客观指标权重比值和主观指标权重比值求期望,获取综合权重比值;
(10)将综合权重比值排列成判断矩阵,其中Cij为i指标相对于j指标的综合权重比值:
(11)根据平均随机一致性指标RI值获取判断矩阵的一致性指标CI:其中λmax为最大特征值,n为判断矩阵的阶数;随机一致性比率:如果满足一致性则执行步骤13,如果不满足一致性则返回步骤10重新排列,其中RI满足:
(12)计算每个指标的综合权重:
对构造的判断矩阵A做列归一化处理:
求取列归一化后的判断矩阵的各行元素之和:
对Wi进行归一化处理:
本发明方法的有益效果在于:
本发明能够增强所建立仿真系统输出结果的正确性,降低开发和应用仿真系统所带来的风险;有效帮助了开发人员及时发现仿真系统在设计过程中的不足,并进行相应修正;能够有效缩短仿真系统的开发周期、降低开发成本,能够有效预防仿真系统实际应用时的重大事故发生。
附图说明
图1是随机误差的正态分布图;
图2是中压电力推进系统仿真的评价指标体系示意图。
具体实施方式
下面结合附图对本发明作进一步描述:
结合图2,以中压电力推进系统仿真可信度综合评估框图为例,仿真系统的可信度综合评估过程分为以下几个方面:
采用VV&A(校核、验证与确认)技术作为仿真系统可信度评估原则,确保整个仿真系统可信度综合评估过程都是以VV&A技术为基础完成的;根据电力推进系统本身的特点,按照系统级到单元级的顺序,将复杂系统分解为若干个子系统后再进行分析;针对仿真系统的用户需求和影响系统仿真可信度的因素,并通过电力推进领域的相关专家意见,依据电力推进系统仿真的建立过程为评价准则,自顶向下、逐层对仿真系统各准则下的子系统进行分解,直至最小单元;采用多个BP神经网络对实际测量数据进行学习和训练得到各个指标或子系统之间的多组客观权重;采用FDAHP(模糊动态层次分析法)对多组客观权重进行分析计算,得到评价指标体系的最终权重;针对影响仿真系统指标的每个可信度因素,根据其输入数据的形式和采集数据的方式,选择不同的定性分析和定量分析方法进行可信度评估。将各指标的评估结果与权重综合起来,由下而上,层层计算,最终得到整个仿真系统的可信度评估结果,形成电力推进系统仿真可信度综合评估报告。
一、在权重计算中所用的两种主要算法为BP神经网络和AH,具体计算方法如下
1、设置初始参数ω和θ,ω为初始权重.θ为临界值,均随机设为较小的数。
2、将需要计算权重子系统的多组实测数据样本加到网络上,利用下式算出它们的输出值yj
式中:xi为该节点的输入(i=1…m);ωij为从i到j的联接权(i=1…m,j=1…n),初始权重随机设为[0,1]较小的数;θj为临界值;yj为实际算出的输出数据。
3、按已知输出数据与上面算出的输出数据之差(dj-yj)调整权系数ω,调整量为:
ωij=ηδjxj (2)
式中:η为比例系数,即学习率,在计算中设置为一较小的数[0,1],在网络训练中以不引起振荡和能保证较好的精度为前提,逐步提高η值,直到认为达到满意的训练速度为止;xj为在隐节点为网络输入,在输出节点则为下层(隐)节点的输出(j=1…n);dj为已知的输出数据(学习样本称训练数据);δj是一个与输出偏差相关的值,对于输出节点来说有:
δj=ηj(1-yj)(dj-yj) (3)
对于隐层节点来说,由于它的输出无法进行比较.所以经过反向推算有:
其中k指要把上层(输出层)节点取遍,误差δj是从输出层反向逐层计算的。
各层神经元的权值调整后为:
ωij(t)=ωij(t-1)+□ωij (5)
式中:t为学习次数。
4、使用这个算法进行迭代,每一轮将各ω值调整一遍.这样一直迭代下去,直到输出误差小于设定允许值,完成该BP神经网络训练。
5、对各神经元之间的权重加以分析处理,为此利用以下几项指标来描述输入因素和输出因素之间的关系。
①相关显著性系数
②相关指数
③绝对影响系数
上述公式中:
i为神经网络输入单元,i=1…m;j为神经网络输出单元,j=1…n;k为神经网络的隐含单元,k=1…P;ωki为输入层神经元i和隐含层神经元k之间的权系数;ωjk为输出层神经元j和隐含层神经元k之同的权系数。
6、通过上面三个相关系数求出的绝对影响系数Sij,即为所求子系统中下一层节点相对于上一层节点的客观权重。
7、通过改变BP神经网络和隐含节点的方式得到多组子系统客观权重。
8、将客观的指标权重转换成指标权重比值;
9、通过咨询专家,得到该子系统的主观指标权重比值;
10、对客观指标权重比值和主观的指标权重比值求期望,获取综合权重比值;
11、将综合权重比值排列成判断矩阵(Cij为i指标相对于j指标的综合权重比值):
12、根据平均随机一致性指标RI值获取判断矩阵的一致性指标CI:其中λmax为最大特征值,n为判断矩阵的阶数;随机一致性比率:如果满足一致性则执行步骤13,如果不满足一致性则返回步骤11重新排列,其中RI满足:
13、计算每个指标的综合权重:
对所构造的判断矩阵A做列归一化处理:
求取列归一化后的判断矩阵的各行元素之和:
对Wi进行归一化处理:
指标可信度评估方法,针对不同的指标和子系统数据类型,选取的步骤如下:
(1)对一个系统中所有指标的数据类型进行分类;
(2)对于不可以量化、只能模糊给出评价的指标,可以采用模糊综合评判法;
(3)对于输出连续波形图像的数据类型,可以采用倒频谱分析法;
(4)对于可提供数据的指标多,但是单一指标数据少的情况,可以采用相似度分析;
(5)对于可以提供大量重复试验数据的指标,可以采用误差分析法;
(6)对于一些不能准确划分的指标,可以采用两种或多种方法相结合进行可信度评估。
三、在指标评估中所采用的算法为,定量评估采用了相似度法和误差分析法,定性评估采用了模糊综合评判和倒频谱分析,大致计算过程如下:
1、相似度法
为了分析仿真系统和所研究的实际系统之间的相似单元数目以及相似程度,常采用(15)式来计算二者之间的相似程度。
式中,yf表示仿真系统的输出值,ys表示与仿真系统相对应的实际系统输出值。q(ui)的取值范围为{0,1}。q(ui)=0表示仿真系统与所研究的实际系统之间相互独立,没有相似单元。q(ui)=1表示仿真系统与所研究的实际系统完全相似。然而在实际生活中,不存在完全相似的两个系统。也即q(ui)的取值只能接近于1,不可能等于1。q(ui)越小,说明仿真系统与所研究的实际系统的相似程度越低;反之则越高。
设仿真系统A是由k个元素所组成的系统,所研究的实际系统B是由m个元素所组成的系统,系统A、B之间具有n个相似元素,构成n个相似元。假设系统间的各相似元大小为q(ui),且各个相似元相对于系统的权重大小为βi。则仿真系统与所研究的实际系统之间的相似度大小为:
在计算系统的相似度大小时,假设所研究的实际系统是由许多特征所组成的模糊集合,各个特征的隶属度为1,仿真系统与所研究的实际系统之间的各个特征都具有相似现象,即k=m=n。
因此,式(14)可简化为:
对式(15)作等式变换,得:
由于βi是归一化的,则:
式(17)等式右边的式子表示所研究的实际系统与仿真系统之间的加权海明距离。利用模糊数学领域中的贴近度概念,可知:
由式(18)可知,仿真系统与所研究的实际系统之间的相似度与加权海明距离互补。也就是说,如果两系统间的贴近度越小,则二者之间的相似度越大;反之则越小。从某种意义上说,研究系统间的相似度大小可以确定被研究系统的可信度大小。
2、误差分析法
误差分析法是通过比较仿真系统与实际系统之间的测量数据,对误差进行数据分析。本文中采用的是±3δ判断法,它能够准确科学的分析误差;±3δ判断法是在相同条件下,仿真系统进行多次测量得到的值X1,X2……Xn,如果某个测量值Xi与标准平均值的误差Ui满足
|Ui|=|Xi-X|>3δ (21)
则认为测量值Xi含有很大误差,δ是标准误差,是一组随机测量误差,而随机误差的规律又服从于正态分布,如图1所示。
正态分布曲线的计算公式如下:
式中,π为圆周率,e为自然对数的底(常数),δ为标准误差,X为测量值,Y为标准值。
Y与X的关系仅与δ有关系,δ值越小,曲线中部越高,曲线越陡,说明测量值越密集,随机误差就小,仿真系统可信度就高;δ值越大,曲线越平缓,说明测量值越分散,随机误差就越大,仿真系统的可信度就低。
这里可以把x轴以上的图形面积视为100%,在±δ范围内的面积占68.26%,说明在这种条件下,测量100次,大约有68次的检验误差值落在±δ范围内,约有32次的测量值超出±δ范围,仿真系统的可信度为68%左右。在±2δ范围内的面积占95.44%,说明在这种条件下,每进行22次测量,大约有1次的测量值超出±2δ范围,仿真系统的可信度为95%左右。在±3δ范围内的面积占99.73%,说明每测量370次,约有1次的测量值超出±3δ范围,仿真系统的可信度为99%以上。
3、模糊综合评判法
模糊综合评判法是综合考虑影响系统可信度的所有因素后,利用模糊评判矩阵的方法,对系统进行整体评价,下面以二级模糊综合评判为例:
设因素集为U={U1,U2,…,Um},依据评价体系的建立准则将因素集中的元素分为t个子集,即Ui={Ui1,Ui2,…,Uit},其中Ui中有t个元素。
设所建立因素集的评判集为V={V1,V2,…,Vn},其中子因素集Ui的评判集为Vi={Vi1,Vi2,…,Vin}。
对子因素集Ui中的t个元素进行单级模糊综合评判。设其权重向量为Ai=(Ai1,Ai2,…,Ait),所给的模糊评判矩阵为Ri,则子因素集Ui最终所得的评判结果为:
将上述所得子因素集Ui的评判结果记为U中子集的模糊评判矩阵,即R=Bi。设U中各因素集的权重向量为A=(a1,a2,…,am),则最终所得的二级模糊综合评判结果为:
4、倒频谱分析法
倒频谱分析法是“功率谱密度对数的功率谱密度”,即由振动信号进行时域分析和傅立叶变换后转换成频率函数或功率谱密度函数,如果频谱图上呈现出复杂的周期信号难以分辨时,再对周期结构的信号进行一次傅立叶积分变换,使周期结构的信号成谱线形式。第二次傅立叶变换的平方根就是倒功率谱。倒功率谱的开方就是倒频谱。
本文中采用的是复倒频谱,设时间信号x(t)的傅立叶变换为X(f),则复倒频谱为:
Ce(q)=F-1|lgX(f)| (25)
接下来,对仿真系统的随机信号进行谱分析,将随机信号看成为T→∞的周期信号,那么ω就是无穷小ω→dω,则有:
若设
则将式(25)代入式(24)得
即,傅立叶变换后的随机信号变成了连续频率值的正弦信号之和。
再对实际系统的信号进行谱变换,将x(t)表示为以频率为横坐标,以振幅为纵坐标,即为功率谱图,每个分量距离为f,即为谐波,各次谐波的能量为功率谱。进行傅立叶变换,对于一个振动信号当以x(t)经截断采样后,得到一个离散度信号x(nΔ),n=1,2,3....,N-1;记为:x(t)=x(nΔ)则其频谱为:
若定义:Xk=hXΔ(kh),则有
称Xk为xn的离散谱。
最后将仿真系统离散信号的频率谱与实际系统信号的频率谱进行比较分析,得出仿真系统定性的可信度分析结果。
Claims (3)
1.一种电力推进系统仿真可信度的综合评估方法,其特征在于,包括如下步骤:
(1)按照系统级到单元级的顺序,将电力推进系统分解为子系统;
(2)自顶向下、逐层对仿真系统各准则下的子系统进行分解,直至最小单元;
(3)获取指标以及子系统相对于上一层节点的权重;
(4)获取子系统的指标的可信度;
(5)根据指标的可信度和权重得到子系统的可信度;
(6)由子系统逐层向上,综合子系统的权重得到整个电力推进系统仿真的可信度综合评估结果。
2.根据权利要求1所述的一种电力推进系统仿真可信度的综合评估方法,其特征在于,所述的获取指标以及子系统相对于上一层节点的权重的步骤包括:
(1)设置初始参数ω和θ,其中ω为初始权重.θ为临界值;
(2)将需要计算权重子系统的实测数据样本加入BP神经网络,获取输出值yj:其中xi为该节点的输入,i=1…m;ωij为从i到j的联接权,i=1…m,j=1…n,初始权重随机设为[0,1];θj为临界值;
(3)按已知输出数据与输出值之差dj-yj调整权系数ω,调整量为:□ωij=ηδjxj,其中η为比例系数,即学习率,范围为[0.01-0.1],连续提高η值,直到达到设定的训练速度为止;xj为隐节点的网络输入、输出节点为隐节点的输出,j=1…n;dj为已知的输出数据;δj是一个与输出偏差相关的值,对于输出节点:δj=ηj(1-yj)(dj-yj)对于隐层节点:各层神经元的权值调整后为:ωij(t)=ωij(t-1)+□ωij,其中t为学习次数;
(4)进行迭代,调整所有ω值,直到输出误差小于设定允许值,完成BP神经网络训练;
(5)对各神经元之间的权重进行分析处理,其中相关显著性系数
相关指数
绝对影响系数
其中,i为神经网络输入单元,i=1…m;j为神经网络输出单元,j=1…n;k为神经网络的隐含单元,k=1…P;ωki为输入层神经元i和隐含层神经元k之间的权系数;ωjk为输出层神经元j和隐含层神经元k之同的权系数;
(6)求绝对影响系数Sij,即为所求子系统中下一层节点相对于上一层节点的客观权重;
(7)将客观的指标权重转换成指标权重比值;
(8)提取子系统的主观指标权重比值;
(9)对客观指标权重比值和主观指标权重比值求期望,获取综合权重比值;
(10)将综合权重比值排列成判断矩阵,其中Cij为i指标相对于j指标的综合权重比值:
(11)根据平均随机一致性指标RI值获取判断矩阵的一致性指标CI:其中λmax为最大特征值,n为判断矩阵的阶数;随机一致性比率:如果满足一致性则执行步骤13,如果不满足一致性则返回步骤10重新排列,其中RI满足:
(12)计算每个指标的综合权重:
对构造的判断矩阵A做列归一化处理:
求取列归一化后的判断矩阵的各行元素之和:
对Wi进行归一化处理:
3.根据权利要求1所述的一种电力推进系统仿真可信度的综合评估方法,其特征在于,所述的指标可信度评估方法,针对不同的指标和子系统数据类型,选取的步骤如下:
(1)对一个系统中所有指标的数据类型进行分类;
(2)对于不可以量化、只能模糊给出评价的指标,可以采用模糊综合评判法;
(3)对于输出连续波形图像的数据类型,可以采用倒频谱分析法;
(4)对于可提供数据的指标多,但是单一指标数据少的情况,可以采用相似度分析;
(5)对于可以提供大量重复试验数据的指标,可以采用误差分析法;
(6)对于一些不能准确划分的指标,可以采用两种或多种方法相结合进行可信度评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013101221492A CN103246762A (zh) | 2013-04-10 | 2013-04-10 | 一种电力推进系统仿真可信度的综合评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013101221492A CN103246762A (zh) | 2013-04-10 | 2013-04-10 | 一种电力推进系统仿真可信度的综合评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103246762A true CN103246762A (zh) | 2013-08-14 |
Family
ID=48926280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013101221492A Pending CN103246762A (zh) | 2013-04-10 | 2013-04-10 | 一种电力推进系统仿真可信度的综合评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103246762A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104835103A (zh) * | 2015-05-11 | 2015-08-12 | 大连理工大学 | 基于神经网络和模糊综合评价的移动网络健康评价方法 |
CN105260786A (zh) * | 2015-09-08 | 2016-01-20 | 哈尔滨工程大学 | 一种电力推进系统仿真可信度评估模型综合优化方法 |
CN105930644A (zh) * | 2016-04-15 | 2016-09-07 | 哈尔滨工业大学 | 基于虚拟试验系统与实际系统的虚实比对分析方法 |
CN105976127A (zh) * | 2016-05-24 | 2016-09-28 | 哈尔滨工程大学 | 综合电力推进系统风险评估方法及装置 |
CN106960065A (zh) * | 2016-01-11 | 2017-07-18 | 北京仿真中心 | 一种复杂仿真系统可信度的鲁棒评估方法及系统 |
CN107065834A (zh) * | 2017-05-25 | 2017-08-18 | 东北大学 | 湿法冶金过程中浓密机的故障诊断方法 |
CN108683564A (zh) * | 2018-05-21 | 2018-10-19 | 中国科学院信息工程研究所 | 一种基于多维决策属性的网络仿真系统可信度评估方法 |
CN109245944A (zh) * | 2018-10-22 | 2019-01-18 | 西南石油大学 | 网络安全评估方法及系统 |
CN110795889A (zh) * | 2019-09-17 | 2020-02-14 | 张磊 | 基于深度学习对风力发电系统进行仿真的仿真确认方法 |
CN110826169A (zh) * | 2019-09-17 | 2020-02-21 | 张磊 | 基于深度学习对风力发电系统进行仿真的仿真校核方法 |
CN113255238A (zh) * | 2021-07-07 | 2021-08-13 | 南昌伐典热电科技有限责任公司 | 一种基于混合神经网络的燃气利用率预测方法和系统 |
CN113392536A (zh) * | 2021-06-30 | 2021-09-14 | 中国南方电网有限责任公司 | 电力通信网络仿真评估方法、装置、计算机设备和介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020084655A1 (en) * | 2000-12-29 | 2002-07-04 | Abb Research Ltd. | System, method and computer program product for enhancing commercial value of electrical power produced from a renewable energy power production facility |
CN101246569A (zh) * | 2008-02-28 | 2008-08-20 | 江苏省电力试验研究院有限公司 | 基于层次分析法和模糊算法的电网电能质量综合评价方法 |
-
2013
- 2013-04-10 CN CN2013101221492A patent/CN103246762A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020084655A1 (en) * | 2000-12-29 | 2002-07-04 | Abb Research Ltd. | System, method and computer program product for enhancing commercial value of electrical power produced from a renewable energy power production facility |
CN101246569A (zh) * | 2008-02-28 | 2008-08-20 | 江苏省电力试验研究院有限公司 | 基于层次分析法和模糊算法的电网电能质量综合评价方法 |
Non-Patent Citations (3)
Title |
---|
孙会君等: "应用人工神经网络确定评价指标的权重", 《山东科技大学学报》 * |
李莉红: "船舶电力推进系统仿真可信度评估研究", 《中国优秀硕士学位论文全文数据库-信息科技辑》 * |
李莉红: "船舶电力推进系统仿真可信度评估研究", 《中国优秀硕士学位论文全文数据库-信息科技辑》, no. 02, 15 February 2013 (2013-02-15), pages 15 - 74 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104835103A (zh) * | 2015-05-11 | 2015-08-12 | 大连理工大学 | 基于神经网络和模糊综合评价的移动网络健康评价方法 |
CN104835103B (zh) * | 2015-05-11 | 2018-04-27 | 大连理工大学 | 基于神经网络和模糊综合评价的移动网络健康评价方法 |
CN105260786A (zh) * | 2015-09-08 | 2016-01-20 | 哈尔滨工程大学 | 一种电力推进系统仿真可信度评估模型综合优化方法 |
CN105260786B (zh) * | 2015-09-08 | 2018-10-26 | 哈尔滨工程大学 | 一种电力推进系统仿真可信度评估模型综合优化方法 |
CN106960065A (zh) * | 2016-01-11 | 2017-07-18 | 北京仿真中心 | 一种复杂仿真系统可信度的鲁棒评估方法及系统 |
CN105930644A (zh) * | 2016-04-15 | 2016-09-07 | 哈尔滨工业大学 | 基于虚拟试验系统与实际系统的虚实比对分析方法 |
CN108388751A (zh) * | 2016-04-15 | 2018-08-10 | 哈尔滨工业大学 | 基于虚拟试验系统与实际系统的虚实比对分析方法 |
CN108388751B (zh) * | 2016-04-15 | 2022-04-29 | 哈尔滨工业大学 | 基于虚拟试验系统与实际系统的虚实比对分析方法 |
CN105976127B (zh) * | 2016-05-24 | 2020-12-08 | 哈尔滨工程大学 | 综合电力推进系统风险评估方法及装置 |
CN105976127A (zh) * | 2016-05-24 | 2016-09-28 | 哈尔滨工程大学 | 综合电力推进系统风险评估方法及装置 |
CN107065834A (zh) * | 2017-05-25 | 2017-08-18 | 东北大学 | 湿法冶金过程中浓密机的故障诊断方法 |
CN107065834B (zh) * | 2017-05-25 | 2019-01-22 | 东北大学 | 湿法冶金过程中浓密机的故障诊断方法 |
CN108683564B (zh) * | 2018-05-21 | 2020-05-22 | 中国科学院信息工程研究所 | 一种基于多维决策属性的网络仿真系统可信度评估方法 |
CN108683564A (zh) * | 2018-05-21 | 2018-10-19 | 中国科学院信息工程研究所 | 一种基于多维决策属性的网络仿真系统可信度评估方法 |
CN109245944A (zh) * | 2018-10-22 | 2019-01-18 | 西南石油大学 | 网络安全评估方法及系统 |
CN110795889A (zh) * | 2019-09-17 | 2020-02-14 | 张磊 | 基于深度学习对风力发电系统进行仿真的仿真确认方法 |
CN110826169A (zh) * | 2019-09-17 | 2020-02-21 | 张磊 | 基于深度学习对风力发电系统进行仿真的仿真校核方法 |
CN113392536A (zh) * | 2021-06-30 | 2021-09-14 | 中国南方电网有限责任公司 | 电力通信网络仿真评估方法、装置、计算机设备和介质 |
CN113392536B (zh) * | 2021-06-30 | 2024-01-30 | 中国南方电网有限责任公司 | 电力通信网络仿真评估方法、装置、计算机设备和介质 |
CN113255238A (zh) * | 2021-07-07 | 2021-08-13 | 南昌伐典热电科技有限责任公司 | 一种基于混合神经网络的燃气利用率预测方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103246762A (zh) | 一种电力推进系统仿真可信度的综合评估方法 | |
Lam et al. | Bayesian operational modal analysis and Markov chain Monte Carlo-based model updating of a factory building | |
CN113805064B (zh) | 基于深度学习的锂离子电池组健康状态预测方法 | |
CN112686464A (zh) | 短期风电功率预测方法及装置 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN109543737A (zh) | 一种基于fahp_fca组合赋权的信息系统健康度评估方法 | |
CN103294848B (zh) | 基于混合自回归滑动平均模型的卫星太阳能电池阵寿命预测方法 | |
CN107576920A (zh) | 一种基于模糊多属性评价的卫星电源健康度计算方法 | |
CN102467684A (zh) | 基于改进雷达图的综合性能评估系统和方法 | |
CN110542819A (zh) | 一种基于半监督dbnc的变压器故障类型诊断方法 | |
CN106407493A (zh) | 一种基于多维高斯云模型的岩爆等级评价方法 | |
CN107609671A (zh) | 一种基于综合因素评价模型的短期电力负荷预测方法 | |
US20220261655A1 (en) | Real-time prediction method for engine emission | |
CN104182816A (zh) | 基于Vague集和改进逼近理想解的电能质量综合评估方法及其应用 | |
CN103577676A (zh) | 污水处理工艺综合评价的灰色加权法 | |
CN111861238A (zh) | 高速公路桥梁工程风险评估方法、装置及计算机设备 | |
CN109711435A (zh) | 一种基于遗传算法的支持向量机在线电压稳定性监测方法 | |
CN103530819A (zh) | 并网型光伏电站发电系统的输出功率的测定方法及设备 | |
CN110889440A (zh) | 基于主成分分析和bp神经网络的岩爆等级预测方法及系统 | |
CN109670202A (zh) | 一种基于云模型的仿真可信度评估方法 | |
CN114139940A (zh) | 一种基于组合赋权-云模型的广义需求侧资源网荷互动水平评估方法 | |
CN117195505A (zh) | 一种用于电能表信息化评价校准模型的测评方法及系统 | |
CN104239598A (zh) | 一种面向动态系统模型验证的多元数据分析方法 | |
CN114266396A (zh) | 一种基于电网特征智能筛选的暂态稳定判别方法 | |
CN102830430B (zh) | 一种层位速度建模方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130814 |
|
WD01 | Invention patent application deemed withdrawn after publication |