CN107563451A - 一种泵站稳态工况下运行状态识别方法 - Google Patents

一种泵站稳态工况下运行状态识别方法 Download PDF

Info

Publication number
CN107563451A
CN107563451A CN201710842178.4A CN201710842178A CN107563451A CN 107563451 A CN107563451 A CN 107563451A CN 201710842178 A CN201710842178 A CN 201710842178A CN 107563451 A CN107563451 A CN 107563451A
Authority
CN
China
Prior art keywords
pumping station
pumping plant
pumping
state
classification
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
Application number
CN201710842178.4A
Other languages
English (en)
Inventor
李臣明
杨耀
洪建�
高红民
蔺硕
王家伟
张振
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University HHU
Original Assignee
Hohai University HHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hohai University HHU filed Critical Hohai University HHU
Priority to CN201710842178.4A priority Critical patent/CN107563451A/zh
Publication of CN107563451A publication Critical patent/CN107563451A/zh
Pending legal-status Critical Current

Links

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种泵站稳态工况下运行状态识别方法，包括以下步骤：S1：获取泵站系统数据，并对其进行降维处理；S2：确定泵站稳态运行状态种类以及泵站状态评价指标，建立分类样本数据集和测试数据集；S3：根据泵站运行状态特点，确定支持向量机分类器数目、层次；S4：基于分类样本数据集，建立多级支持向量机泵站运行状态分类模型；S5：调整已建立的支持向量机泵站运行状态分类模型的影响因子，获得较优分类模型；S6：将测试数据集输入支持向量机泵站运行状态分类模型，得到识别结果。本发明具有训练时间短、识别准确度高、鲁棒性较强的特点，可以很好的应用于泵站系统状态的识别，为泵站运行提供更多的保证，具有较好的运用前景。

Description

一种泵站稳态工况下运行状态识别方法
技术领域
本发明涉及泵站状态识别技术领域，特别是涉及一种泵站稳态工况下运行状态识别方法。
背景技术
泵站在抗洪，灌溉，供水和改善生态环境等方面发挥极为重要的作用。目前，关于大型调水工程优化调度研究，往往侧重于工程运行成本，而忽略机组维修成本等其他涉及到工程运行指标。如果单纯强调经济目标，可能造成更大损失，比如，考虑时段电价成本和供水总量的优化调度，在可能采取更为频繁的机组启、停，或更为频繁的叶片调节等运行工况变化，这些动态调整和复杂工况会恶化机组运行条件，增加部件耗损、缩短机组使用寿命、降低可靠性、增加故障率，进而增加了维修成本。针对泵站特点，泵站是一种随机、缓变/瞬变、多模态、多要素耦合、非线性相关大型系统，对于这个复杂线性系统来说，安全运行是调度运行过程中首先要考虑的问题，因为从泵站整体出发，及时判断泵站运行安全状态对泵站后期系统运行、维护、管理以及科学合理调度至关重要。请写一下，现有技术中的运行状态识别方法存在哪些不足？并且这些不足必须是本发明所能解决的。
处理状态识别问题的方法有很多，已经有层次分析法、参量模型构建、模糊技术、专家系统、遗传算法等方法，都在机械、电气等方面有较好的识别结果。但是这些方法往往存在一些缺点，层次分析法在解决识别问题时，学习能力较差，几乎不能为决策提供新方案，而且指标过多时，权重很难确定；当系统的模型未知或者非常复杂时，参量模型参数计算过于复杂，参量模型构建非常困难不再适用；模糊技术在状态评估识别领域运用极为广泛，但模糊技术在样本学习上存在巨大缺陷，当指标集过大时往往出现超模糊现象分辨率很差，对指标权重矢量的确定主观性较强。
深度学习通过建立深度神经网络，模拟人脑的机制进行解释并分析一系列数据，是目前机器学习研究中一个热点的领域。在解决识别问题上效率较高，目前出现的激活函数以及硬件技术的提高使得模型学习速率较高，可塑性较强，在识别问题上对于指标集的变化，度学习只需要调整参数，就能改变模型，这使得它具有很强的灵活性和成长性。然而深度学习模型训练成本高，需要大量高质量数据集的训练才能达到满意的程度，而且训练过程中容易出现过拟合情况，在训练集表现交好，而在测试集表示不为理想。
支持向量机是在有限样本统计学习理论上衍生而来学习方法，并且克服了合理的网络结构难以确定等问题，在解决样本有限、维度高、非线性等学习问题方面效果显著，很大程度的提高了方法的泛化能力。SVM的决策函数只由少数的支持向量所确定，而计算的复杂性取决于支持向量的数目，如此便降低了对样本数量的要求，避免了“维度灾难”，同时剔除了冗余样本，鲁棒性较强；惩罚因子的设置，摆脱了依赖大量高质量历史数据的困境，并且不再依赖于人工的经验和主观判断，对于新环境，学习能力也较为出色。
然而处理多分类问题，传统支持向量机多分类方法多是直接计算出用于多分类的分类函数，该方法计算量很大、求解过程复杂、花费时间精力多大，实现起来困难，在解决实际问题中不适用。
发明内容
发明目的：本发明的目的是提供一种泵站稳态工况下运行状态识别方法，该方法是一种基于决策树的支持向量机多分类方法，与传统的支持向量机多分类方法相比，基于决策树的方法是在树结构从根结点向叶子结点寻找目标，并非依据传统层次结构将所有数据集用来分类。因此分类任务较以前有所减少，计算量减轻，模型中参数也较少，从而训练速度快，并且提高了分类效率。
技术方案：本发明所述的泵站稳态工况下运行状态识别方法，包括以下步骤：
S1：获取泵站系统数据，并对其进行降维处理；
S2：确定泵站稳态运行状态种类以及泵站状态评价指标，建立分类样本数据集和测试数据集；
S3：根据泵站运行状态特点，确定支持向量机分类器数目、层次；
S4：基于分类样本数据集，建立多级支持向量机泵站运行状态分类模型；
S5：调整已建立的支持向量机泵站运行状态分类模型的影响因子，获得较优分类模型；
S6：将测试数据集输入支持向量机泵站运行状态分类模型，得到识别结果。
进一步，所述步骤S5中的影响因子包括惩罚因子C和核函数g；
进一步，所述步骤S1中的降维处理是采用主成分分析法对数据降低维度，通过降维提取出多维特征数据，具体步骤如下：
S1.1：分别将获取的泵站系统数据进行标准化处理，使泵站系统数据的均值为0，方差为1；
S1.2：根据标准化结果计算协方差矩阵R；
S1.3：求解矩阵R的特征方程，将获得的特征值λi(i＝1,2,…,p)按从大到小排列，再依次求出这些特征值对应的特征向量，其中p为特征根的数目；
S1.4：依次计算每个特征值的贡献率及累计贡献率；
S1.5：选取累计贡献率达到给定值α的m个特征值所对应的成分作为主成分，并将选取的m个主成分所对应的标准化处理后的m项样本数据组成新的数据集。
进一步，所述步骤S3中，支持向量机分类器的数目等于步骤S2中所确定的泵站稳态运行状态种类的数目减1。
进一步，所述步骤S4中，支持向量机泵站运行状态分类模型的级数与步骤 S3中确定的支持向量机分类器数目相等。
进一步，所述步骤S4中，支持向量机泵站运行状态分类模型结合决策树模型来建立，具体为：设分类模型需划分的泵站稳态运行状态类别总数为K，对分类样本构造一棵二叉树，每一种泵站稳态运行状态类别对应二叉树的一个叶节点，一个子支持向量机分类器对应每个度为2的非叶节点，那么二叉树共有2K-1个节点，叶节点的个数为K，子支持向量机分类器的数目为K-1。
有益效果：本发明公开了一种泵站稳态工况下运行状态识别方法，结合决策树模型形成基于多级支持向量机的泵站运行状态判别模型，并利用处理后的数据对多级支持向量机进行训练，具有训练时间短、识别准确度高、鲁棒性较强的特点，可以很好的应用于泵站系统状态的识别，为泵站运行提供更多的保证，具有较好的运用前景。
附图说明
图1为本发明具体实施方式中前10个主成分贡献率对比图；
图2为本发明具体实施方式中基于多级支持向量机的状态识别基本原理图；
图3为本发明具体实施方式中第一级分类结果图；
图4为本发明具体实施方式中第二级分类结果图；
图5为本发明具体实施方式中第三级分类结果图；
图6为本发明具体实施方式中多级支持向量机分类器分类结果图。
具体实施方式
下面结合具体实施方式和附图，对本发明的技术方案做进一步的介绍。
本具体实施方式公开了一种泵站稳态工况下运行状态识别方法，包括以下步骤：
S1：获取泵站系统数据，并对其进行降维处理；降维处理是采用主成分分析法对数据降低维度，通过降维提取出多维特征数据，具体包括S1.1-S1.5这五个步骤：
S1.1：分别将获取的泵站系统数据进行标准化处理，使泵站系统数据均值为 0，方差为1；
S1.2：根据标准化结果计算协方差矩阵R；
S1.3：求解矩阵R的特征方程，将获得的特征值λi(i＝1,2,…,p)按从大到小排列，再依次求出这些特征值对应的特征向量，其中p为特征根的数目；
S1.4：依次计算每个特征值的贡献率及累计贡献率；
S1.5：选取累计贡献率达到给定值α的m个特征值所对应的成分作为主成分，并将选取的m个主成分所对应的标准化处理后的m项样本数据组成新的数据集；
本具体实施方式中采用南水北调洪泽湖泵站运行中的历史数据，数据包括稳态工况下的扬程，流量，轴功率，效率，转速，叶片角度，电机输入功率，泵壳温度，定转子温度等上百项量测量。对各样本数据进行PCA处理，作为SVM的输入。首先对原来的N个量测量的样本级标准化，根据标准化求出其方差矩阵R，以及特征向量和特征值，根据给定α的值和贡献率确定主成分。图1为前10个主成分贡献率对比图，可见第一主成分贡献率达到0.7866，我们给定α＝0.95，经过计算β7＝0.9567≥0.95。选择前7个即扬程，流量，轴功率，效率，转速，叶片角度，电机输入功率为输入量作为新的样本，作为SVM的输入。yi为处理过后的特征数据(i＝1,2,3...7)，这样组成了一个7维的特性向量 Y＝[y1,y2,y3,y4,y5,y6,y7]T。
S2：确定泵站稳态运行状态种类以及泵站状态评价指标，建立分类样本数据集和测试数据集。将泵站运行状态划分为优、良、中、差四类。选取50组数据作为状态分类样本数据，其中25组为优，15组为良，5组为差(洪泽站年开机时间较短，故障数据缺乏，根据泵站运行特性曲线，模拟出5组故障数据)；采用另外26组历史数据作为测试数据，其中7组为优秀，7组为良好，6组为中等， 6组为差。
S3：根据泵站运行状态特点，确定支持向量机分类器数目、层次。支持向量机分类器的数目等于步骤S2中所确定的泵站稳态运行状态种类的数目减1。因此，根据泵站运行状态种类，确定支持向量机分类器数目为3，分类器分为三层 (级)SVM1、SVM2、SVM3。
S4：基于分类样本数据集，建立多级支持向量机泵站运行状态分类模型。支持向量机泵站运行状态分类模型的级数与步骤S3中确定的支持向量机分类器数目相等。支持向量机泵站运行状态分类模型结合决策树模型来建立，具体为：设分类模型需划分的泵站稳态运行状态类别总数为K，对分类样本构造一棵二叉树，每一种泵站稳态运行状态类别对应二叉树的一个叶节点，一个子支持向量机分类器对应每个度为2的非叶节点，那么二叉树共有2K-1个节点，叶节点的个数为K，子支持向量机分类器的数目为K-1。按如下方式训练各级模型：第一级支持向量机(SVM1)进行训练和分类时，将系统运行状态为良好、中等、差三个级别看作一大类标记为-1，运行状态为优的视为一类标记为1，训练第一级模型时将样本数据全部输入，良、中、差标记为-1，优标记为1进行模型训练；第二级支持向量机(SVM2)进行训练和分类时，将系统运行中等、差两个级别看作一类标记为-1，运行为良好标记为1，将样本里面状态为中等、差的标记为-1，良好样本标记为1全部输入进行第二级模型训练；第三级支持向量机(SVM3)进行训练和分类时，最后一级系统运行级别为差标记为-1，运行状态中等标记为1，将样本状态为中等标记为1，样本中状态为差的标记为-1全部输入进行最后一级模型训练，从而完成三级支持向量机模型训练。如图2为基于多级支持向量机的状态识别基本原理。
S5：调整已建立的支持向量机泵站运行状态分类模型的影响因子，获得较优分类模型。影响因子包括惩罚因子C和核函数g。
S6：将26组测试数据集输入支持向量机泵站运行状态分类模型，得到识别结果。将测试数据输入第一级分类器，所得分类结果如图3所示。对26个测试样本一一编号为1到26，图中横坐标是测试样本的编号，而纵坐标数值代表类别，对于第一级分类将26个样本分为两类，+1代表优，-1代表良中差。图中蓝色叉线代表这26个样本真实的状态类别，而红色圈线表示实验样本经过第一级的支持向量机识别后，这26个测试样本的实验来结果。结果显示，第一级分类器分类结果有7个测试样本是优状态，剩下19个样本为良中差三种类型样本，第一级分类实验，只是将工作状态为优的样本从26个样本中区分出来，剩下包含良中差的19个样本要第二级，第三级分类器继续对这些样本进行区分。然而两条线相对比，发现第一级支持向量机有3个样本出现错误，即第一级分类精度为百88.4615％。后面第二级将泵站运行状态为良(+1)与中差(-1)从19个样本中区分开，第三级对泵站运行状态为中等(+1)与差(-1)的区分开，第二级与第三级具体识别过程与第一级相类似，相应的分类结果如图4、图5所示。最后对这26个测试样本进行分类结果归纳，如图6所示，这26个测试样本的实际结果对比发现，多级支持向量分类器达到的分类精度为百分之84.6154。从而说明本发明方法的有效性。

Claims (6)

1.一种泵站稳态工况下运行状态识别方法，其特征在于：包括以下步骤：
S1：获取泵站系统数据，并对其进行降维处理；
S2：确定泵站稳态运行状态种类以及泵站状态评价指标，建立分类样本数据集和测试数据集；
S3：根据泵站运行状态特点，确定支持向量机分类器数目、层次；
S4：基于分类样本数据集，建立多级支持向量机泵站运行状态分类模型；
S5：调整已建立的支持向量机泵站运行状态分类模型的影响因子，获得较优分类模型；
S6：将测试数据集输入支持向量机泵站运行状态分类模型，得到识别结果。
2.根据权利要求1所述的泵站稳态工况下运行状态识别方法，其特征在于：所述步骤S5中的影响因子包括惩罚因子C和核函数g。
3.根据权利要求1所述的泵站稳态工况下运行状态识别方法，其特征在于：所述步骤S1中的降维处理是采用主成分分析法对数据降低维度，通过降维提取出多维特征数据，具体步骤如下：
S1.1：分别将获取的泵站系统数据进行标准化处理，使泵站系统数据的均值为0，方差为1；
S1.2：根据标准化结果计算协方差矩阵R；
S1.3：求解矩阵R的特征方程，将获得的特征值λi(i＝1,2,…,p)按从大到小排列，再依次求出这些特征值对应的特征向量，其中p为特征根的数目；
S1.4：依次计算每个特征值的贡献率及累计贡献率；
S1.5：选取累计贡献率达到给定值α的m个特征值所对应的成分作为主成分，并将选取的m个主成分所对应的标准化处理后的m项样本数据组成新的数据集。
4.根据权利要求1所述的泵站稳态工况下运行状态识别方法，其特征在于：所述步骤S3中，支持向量机分类器的数目等于步骤S2中所确定的泵站稳态运行状态种类的数目减1。
5.根据权利要求1所述的泵站稳态工况下运行状态识别方法，其特征在于：所述步骤S4中，支持向量机泵站运行状态分类模型的级数与步骤S3中确定的支持向量机分类器数目相等。
6.根据权利要求1所述的泵站稳态工况下运行状态识别方法，其特征在于：所述步骤S4中，支持向量机泵站运行状态分类模型结合决策树模型来建立，具体为：设分类模型需划分的泵站稳态运行状态类别总数为K，对分类样本构造一棵二叉树，每一种泵站稳态运行状态类别对应二叉树的一个叶节点，一个子支持向量机分类器对应每个度为2的非叶节点，那么二叉树共有2K-1个节点，叶节点的个数为K，子支持向量机分类器的数目为K-1。
CN201710842178.4A 2017-09-18 2017-09-18 一种泵站稳态工况下运行状态识别方法 Pending CN107563451A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710842178.4A CN107563451A (zh) 2017-09-18 2017-09-18 一种泵站稳态工况下运行状态识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710842178.4A CN107563451A (zh) 2017-09-18 2017-09-18 一种泵站稳态工况下运行状态识别方法

Publications (1)

Publication Number Publication Date
CN107563451A true CN107563451A (zh) 2018-01-09

Family

ID=60981175

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710842178.4A Pending CN107563451A (zh) 2017-09-18 2017-09-18 一种泵站稳态工况下运行状态识别方法

Country Status (1)

Country Link
CN (1) CN107563451A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108916076A (zh) * 2018-07-13 2018-11-30 扬州大学 一种基于多参数的大中型低扬程立式水泵机组状态评价方法
CN110414768A (zh) * 2019-05-29 2019-11-05 中电科卫星导航运营服务有限公司 一种基于仪器电流数据的大数据分析方法
CN111652479A (zh) * 2020-05-19 2020-09-11 三峡大学 一种针对电力系统动态安全评估的数据驱动方法
CN112696344A (zh) * 2020-12-23 2021-04-23 上海熊猫机械(集团)有限公司 一种供水加压泵站的智能控制方法
CN113885310A (zh) * 2020-07-01 2022-01-04 东北大学 一种用于真空干泵测试的智能控制系统
WO2023115875A1 (zh) * 2021-12-24 2023-06-29 深圳前海微众银行股份有限公司 硬件设备维护方法、装置及电子设备
CN116401604A (zh) * 2019-05-13 2023-07-07 北京绪水互联科技有限公司 进行冷头状态分类检测和寿命预测的方法
CN118391207A (zh) * 2024-06-28 2024-07-26 成都天奥集团有限公司 一种风机齿轮箱健康监测方法、装置、存储介质及设备

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101329734A (zh) * 2008-07-31 2008-12-24 重庆大学 基于k-l变换和ls-svm的车牌字符识别方法
CN102704054A (zh) * 2012-05-29 2012-10-03 河海大学常州校区 基于时间序列挖掘的梳棉机智能匀整系统
CN103471849A (zh) * 2013-09-25 2013-12-25 东华大学 基于双重组合模式的多层相关向量机的轴承故障诊断系统
CN104036112A (zh) * 2014-04-24 2014-09-10 河海大学 一种基于支持向量机与专家系统的故障诊断方法
CN104462846A (zh) * 2014-12-22 2015-03-25 山东鲁能软件技术有限公司 一种基于支持向量机的设备故障智能诊断方法
CN105141255A (zh) * 2015-08-12 2015-12-09 河海大学常州校区 一种光伏阵列故障诊断方法
CN105136454A (zh) * 2015-10-15 2015-12-09 上海电机学院 一种风电机组齿轮箱故障识别方法
CN105550426A (zh) * 2015-12-08 2016-05-04 东北大学 一种基于样本分割的多尺度二叉树高炉故障诊断方法
CN105760839A (zh) * 2016-02-22 2016-07-13 重庆大学 基于多特征流形学习与支持向量机的轴承故障诊断方法
CN106600140A (zh) * 2016-12-07 2017-04-26 河海大学常州校区 基于改进支持向量机的燃气管道故障预测预警系统及方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101329734A (zh) * 2008-07-31 2008-12-24 重庆大学 基于k-l变换和ls-svm的车牌字符识别方法
CN102704054A (zh) * 2012-05-29 2012-10-03 河海大学常州校区 基于时间序列挖掘的梳棉机智能匀整系统
CN103471849A (zh) * 2013-09-25 2013-12-25 东华大学 基于双重组合模式的多层相关向量机的轴承故障诊断系统
CN104036112A (zh) * 2014-04-24 2014-09-10 河海大学 一种基于支持向量机与专家系统的故障诊断方法
CN104462846A (zh) * 2014-12-22 2015-03-25 山东鲁能软件技术有限公司 一种基于支持向量机的设备故障智能诊断方法
CN105141255A (zh) * 2015-08-12 2015-12-09 河海大学常州校区 一种光伏阵列故障诊断方法
CN105136454A (zh) * 2015-10-15 2015-12-09 上海电机学院 一种风电机组齿轮箱故障识别方法
CN105550426A (zh) * 2015-12-08 2016-05-04 东北大学 一种基于样本分割的多尺度二叉树高炉故障诊断方法
CN105760839A (zh) * 2016-02-22 2016-07-13 重庆大学 基于多特征流形学习与支持向量机的轴承故障诊断方法
CN106600140A (zh) * 2016-12-07 2017-04-26 河海大学常州校区 基于改进支持向量机的燃气管道故障预测预警系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
洪建等: "《基于支持向量机决策树的泵站稳态工况运行下状态识别》", 《水资源与水工程学报》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108916076B (zh) * 2018-07-13 2019-10-18 扬州大学 一种基于多参数的大中型低扬程立式水泵机组状态评价方法
CN108916076A (zh) * 2018-07-13 2018-11-30 扬州大学 一种基于多参数的大中型低扬程立式水泵机组状态评价方法
CN116401604A (zh) * 2019-05-13 2023-07-07 北京绪水互联科技有限公司 进行冷头状态分类检测和寿命预测的方法
CN116401604B (zh) * 2019-05-13 2024-05-28 北京绪水互联科技有限公司 进行冷头状态分类检测和寿命预测的方法
CN110414768A (zh) * 2019-05-29 2019-11-05 中电科卫星导航运营服务有限公司 一种基于仪器电流数据的大数据分析方法
CN110414768B (zh) * 2019-05-29 2021-12-07 中电科卫星导航运营服务有限公司 一种基于仪器电流数据的大数据分析方法
CN111652479A (zh) * 2020-05-19 2020-09-11 三峡大学 一种针对电力系统动态安全评估的数据驱动方法
CN113885310A (zh) * 2020-07-01 2022-01-04 东北大学 一种用于真空干泵测试的智能控制系统
CN113885310B (zh) * 2020-07-01 2023-03-28 东北大学 一种用于真空干泵测试的智能控制系统
CN112696344B (zh) * 2020-12-23 2022-09-02 上海熊猫机械(集团)有限公司 一种供水加压泵站的智能控制方法
CN112696344A (zh) * 2020-12-23 2021-04-23 上海熊猫机械(集团)有限公司 一种供水加压泵站的智能控制方法
WO2023115875A1 (zh) * 2021-12-24 2023-06-29 深圳前海微众银行股份有限公司 硬件设备维护方法、装置及电子设备
CN118391207A (zh) * 2024-06-28 2024-07-26 成都天奥集团有限公司 一种风机齿轮箱健康监测方法、装置、存储介质及设备

Similar Documents

Publication Publication Date Title
CN107563451A (zh) 一种泵站稳态工况下运行状态识别方法
CN102074955B (zh) 基于知识发现技术的电力系统稳定评估及控制方法
CN112383052B (zh) 基于电力物联网的电网故障修复方法和装置
CN110245783B (zh) 一种基于c-均值聚类模糊粗糙集的短期负荷预测方法
CN114066071B (zh) 一种基于能耗的电力参数优化方法、终端设备及存储介质
CN109492748B (zh) 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法
CN107545360A (zh) 一种基于决策树的风控智能规则导出方法及系统
CN107527212A (zh) 企业信用动态评分系统及方法
CN104318268B (zh) 一种基于局部距离度量学习的多交易账户识别方法
CN111460001B (zh) 一种配电网理论线损率评估方法及系统
CN113344288B (zh) 梯级水电站群水位预测方法、装置及计算机可读存储介质
CN102750286A (zh) 一种处理缺失数据的新型决策树分类器方法
CN107153845A (zh) 一种基于机器学习的自适应并网光伏系统的孤岛检测法
CN107844917A (zh) 一种基于大数据的企业生命周期分析方法和系统
CN109472453A (zh) 基于全局最优模糊核聚类模型的电力用户信用评价方法
Araghinejad et al. Application of data-driven models in drought forecasting
CN109066651B (zh) 风电-负荷场景的极限传输功率的计算方法
CN112288157A (zh) 一种基于模糊聚类与深度强化学习的风电场功率预测方法
Wang et al. Big data analytics for price forecasting in smart grids
CN114298579A (zh) 一种基于数据挖掘的有源配电网故障风险预警方法及系统
CN113762591A (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN112801356A (zh) 一种基于ma-lssvm的电力负荷预测方法
CN112085335A (zh) 一种用于配电网故障预测的改进随机森林算法
CN115081483B (zh) 基于特征选择和gwo-bp的水轮发电机转子故障诊断方法
CN116565877A (zh) 基于谱聚类分析的电压自动分区控制方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180109

RJ01 Rejection of invention patent application after publication