CN108897936A - 一种基于pso-bp模型的污水源热泵机组故障诊断方法 - Google Patents
一种基于pso-bp模型的污水源热泵机组故障诊断方法 Download PDFInfo
- Publication number
- CN108897936A CN108897936A CN201810636336.5A CN201810636336A CN108897936A CN 108897936 A CN108897936 A CN 108897936A CN 201810636336 A CN201810636336 A CN 201810636336A CN 108897936 A CN108897936 A CN 108897936A
- Authority
- CN
- China
- Prior art keywords
- pso
- model
- heat pump
- pump unit
- source heat
- 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
- 238000000034 method Methods 0.000 title claims abstract description 21
- 239000010865 sewage Substances 0.000 title claims abstract description 19
- 238000003745 diagnosis Methods 0.000 claims abstract description 21
- 239000002245 particle Substances 0.000 claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000003062 neural network model Methods 0.000 claims abstract description 5
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 238000010977 unit operation Methods 0.000 claims abstract description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000009434 installation Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 235000000332 black box Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于PSO‑BP模型的污水源热泵机组故障诊断方法，包括：通过传感器采集到的污水源热泵机组运行的历史数据，获得无故障和故障运行的历史数据，对历史数据进行筛选和特征提取，构建BP神经网络模型，并通过粒子群算法(PSO)优化BP神经网络的权值和阈值。经过PSO优化后的BP神经网络克服了在网络结构较大时单纯的BP网络不仅计算时间长，而且很容易陷入局部最小值而得不到最优结果的缺点，从而大幅提升了故障诊断模型准确率，增加了市场应用前景的可能性。
Description
技术领域
本发明属于热泵系统中热泵机组故障诊断技术领域，特别涉及一种基于PSO-BP模型 的污水源热泵机组故障诊断方法。
背景技术
目前，现代社会的发展与经济的繁荣，与能源的发展变革息息相关。随着我国城市化进程的加速能耗呈急剧上扬趋势，为了节约能源，现在大力推广新型的能源替代矿石能源，而污水源热泵是近年来大力推广的一种清洁，绿色的能源替代品。
然而，随着热泵系统的逐步推广应用，由于受到热泵机组质量问题、运行控制系统部完备、缺乏系统优化设计、运行管理水平较低等因素的影响，使得一些热泵系统在运行过程中没有达到预期节能高效的效果。所以，在实际工程应用中，要高效节能运行，除了 有一个好的系统设计之外，一个能保证系统节能、经济运行的监控系统，也是非常重要的。
及时检测、诊断、预测及排除空调系统的故障可以节能降耗，帮助操作者及时做出正确决策，缩短故障修复时间，延长设备使用寿命，减少人员工作量，提高系统可用度以 及保证系统的最优运行。创造舒适、健康、卫生的室内环境，及时地排除或减少故障所带 来的后果离不开自动控制技术。据日本报道，采用机组设备的故障诊断技术后，可使每年 的维修费用减少25％～50％，故障停机时间减少75％。在我国如果将故障诊断这项技术推 广，每年可减少事故50％～70％，节约维修费用10％～30％，效益相当可观。据有关学者统 计，在热泵空调机组修复工作中，查找故障原因的时间占总排除故障时间的70％左右。 可见，有关这方面的研究工作有很大的必要性，而且具有巨大的社会和经济效益。
发明内容
本发明的目的在于提供一种基于PSO-BP模型的污水源热泵机组故障诊断方法，以解决上述问题。
为实现上述目的，本发明采用以下技术方案：
一种基于PSO-BP模型的污水源热泵机组故障诊断方法，包括以下步骤：
步骤1，通过传感器采集到的污水源热泵机组运行的历史数据，获得无故障和故障运 行的历史数据；
步骤2，对历史数据进行筛选和特征提取；
步骤3，根据筛选后的数据构建BP神经网络模型；
步骤4，通过粒子群算法PSO优化BP神经网络的权值和阈值；
步骤5，使用构建的PSO-BP模型来进行故障诊断，并对该模型是否可用于污水源热泵机组的故障诊断进行评价；若各故障的诊断正确率均达到90％及以上，则该模型可用 于机组的故障诊断。
进一步的，步骤1中传感器包括温度传感器和压力传感器；若干温度传感器和压力传 感器安装在热泵机组上。
进一步的，步骤2中，特征选择的原则为获取成本低和对热泵机组的故障敏感；获取 成本低为由温度传感器和压力传感器获得的特征；对冷水机组的故障敏感为故障能引起特 征的显著变化。
进一步的，步骤3中，构建BP模型包括以下过程：
1)确定BP模型结构：BP的结构包括三层，第一层为输入层；第二层为中间层；第 三层为输出层；
2)确定BP模型的参数：输入层节点数为12个，对应于12种故障特征向量；输出层节点数为4个，对应于4种诊断结果；中间层节点数参照kolmogorov定理确定为25个。
进一步的，使用PSO优化构建的BP模型来提高故障诊断速度和准确率包括以下过程：
1)初始化BP网络结构，确定粒子群体规模N，设置初始惯性权重Wmax和最终的惯性权重Wmin，学习因子c1和c2，网络训练的最大迭代次数itermax；
2)建立PSO中粒子与需要优化的参数映射关系；
3)计算适应度函数
4)更新个体极值与全局极值；
5)根据公式(1),(2)速度与位置更新；
v＝v*w+c1*rand()*(·pbest-x)+c2*rand()*(gbest-x) (1)
x＝x+v (2)
式中pbest:个体极值；gbest:全局极值；
c1、c2：认知系数，也称为学习因子；
v、x：每个粒子的速度和位置；
w：惯性权重，用于调整微粒群的全局搜索和局部探索能力；当w值较大时，全局 寻优能力强，主要应用于粒子群寻优的初始阶段，当w值较小时，局部寻优能力强，主要 应用于粒子群寻优的后期阶段；本文中w定为由大到小线性递减，公式为：
式中wmax为最大惯性权重；wmin为最小惯性权重；iter为当前迭代次数；itermax为算法 迭代的总次数；
6)算法终止输出最优网络。
与现有技术相比，本发明有以下技术效果：
本发明提出的利用人工神经网络方法建立黑箱模型，通过传感器采集到的热泵机组 存储的历史数据，获得无故障和故障运行的历史数据，构建BP神经网络模型，并通过粒子群算法(PSO)优化BP神经网络的权值和阈值。经过PSO优化后的BP神经网络克服 了在网络结构较大时单纯的BP网络不仅计算时间长，而且很容易陷入局部最小值而得不 到最优结果的缺点，从而大幅提升了故障诊断模型准确率，避免内了对热泵机组内部运行 机理的精确分析，能快速确定故障结果，省时省力；同时利用智能算法对神经网络进行优 化,从而提高了运行的效率和准确性。
附图说明
图1 BP神经网络结构图
图2 PSO算法优化BP神经网络的流程图；
图3 BP神经网络运行的迭代次数图。
图4 PSO-BP运行的迭代次数图
图5实验流程图
具体实施方式
下面对发明作进一步的详细说明，但并不作为对发明做任何限制的依据。
参照附图1所示，对本发明提出的基于BP神经网络三层结构模型的热泵机组故障诊 断方法的具体实施步骤如下：
步骤1：通过传感器采集到的污水源热泵机组运行的历史数据，获得无故障和故障运 行的历史数据；
步骤2：对历史数据进行筛选和特征提取；安装在现场的冷水机组的传感器包括温度、 压力传感器，即采集到的历史数据包括温度、压力等。其中温度压力传感器的安装成本低， 且故障能引起该特征的显著变化，综合考虑以温度压力信息为准。
步骤3：根据筛选后的数据构建BP神经网络模型；本发明采用了三层结构的网络模型；输入层节点数为12个，对应于12种故障特征向量。输出层节点数为4个，对应于4 种诊断结果，分别是正常运行状态、通过蒸发器的水流量减少、蒸发器结垢、冷凝器结垢。 中间层节点数参照kolmogorov定理确定为25个。
四种运行状况分别用三位二进制代码表示：
正常运行状态：0 0 0；
通过蒸发器的水流量减少：1 0 0；
蒸发器结垢：0 1 0；
冷凝器结垢：0 0 1；
同时也可进行两种故障同时发生的检测，如下：
通过蒸发器的水流量减少+蒸发器结垢：110；
通过蒸发器的水流量减少+冷凝器结垢：101；
蒸发器结垢+冷凝器结垢：011；
步骤4：通过粒子群算法(PSO)优化BP神经网络的权值和阈值；由于BP网络采用 误差反传算法，其实质是一个无约束的非线性最优化计算过程，在网络结构较大时不仅计 算时间长，而且很容易陷入局部最小值而得不到最优结果。因此本发明考虑通过PSO算法 来优化BP网络的权值和阈值来避免出现以上情况。
1)初始化BP网络结构，确定粒子群体规模N(本发明设定为20)，设置初始、最终 的惯性权重(本发明设定wmax＝0.9，wmin＝0.4)，学习因子(本发明设定c1＝c2＝2.01)， 网络训练的最大迭代次数(本发明设定为50次)。
2)建立PSO中粒子与需要优化的参数映射关系；
3)计算适应度函数
4)更新个体极值与全局极值；
5)根据公式(1),(2)速度与位置更新；
v＝v*w+c1*rand(·)*(pbest-x)+c2*rand()*(gbest-x) (1)
x＝x+v (2)
6)算法终止输出最优网络。
步骤5：使用构建的PSO-BP模型来进行故障诊断，并对该模型是否可用于污水源热泵机组的故障诊断进行评价；若各故障的诊断正确率均达到90％及以上，则该模型可用 于机组的故障诊断；而实验结果均在90％的准确率以上。
PSO算法的基本思想是，将BP网络中需要调整的权值和偏差组成的失量看成是一个 粒子，通过粒子之间的竞争与合作来完成网络训练过程。PSO初始化为一群随机粒子(随机解)，然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪两个极值来更新自己：一个是粒子本身目前所找到的最优解，称为个体极值；另一个是整个种群目前找到的最优解，即全局极值。在找到这两个最优值后，每个粒子来更新自己的速度和位置。
在符合计算适应度函数条件下，确认出最终的输出结 果；
由于算法进行的是回归计算，输出结果是非整数，在最终输出前用代码(MATLAB语言)
Y1(find(Y1<0.2))＝0；
Y1(find(Y1>＝0.8))＝1；
将输出阈值为小于0.2的视为0，大于0.8的视为1，将最终输出结果归结为0，1两种状态，而在(0.2，0.8)之间的值视为误测，计为非准确测量。
针对BP神经网络的算法本身局限性，本发明采用了PSO算法对BP神经网络进行了优化后训练迭代次数降低，诊断准确率提高(特别是在两种故障同时发生的时候，准确率有较大提升――见表3的21～25行数据诊断结果)。(具体见表3，图3，图4)
表1历史数据记录的故障类型；
表2将故障类型转化为二进制数据的故障种类矩阵；
表3BP与PSO-BP对实验结果的仿真精确度对比
表1故障类型
表2故障种类矩阵
表3 BP与PSO-BP对实验结果的仿真精确度对比
Claims (5)
1.一种基于PSO-BP模型的污水源热泵机组故障诊断方法，其特征在于，包括以下步骤：
步骤1，通过传感器采集到的污水源热泵机组运行的历史数据，获得无故障和故障运行的历史数据；
步骤2，对历史数据进行筛选和特征提取；
步骤3，根据筛选后的数据构建BP神经网络模型；
步骤4，通过粒子群算法PSO优化BP神经网络的权值和阈值；
步骤5，使用构建的PSO-BP模型来进行故障诊断，并对该模型是否可用于污水源热泵机组的故障诊断进行评价；若各故障的诊断正确率均达到90％及以上，则该模型可用于机组的故障诊断。
2.根据权利要求1所述的一种基于PSO-BP模型的污水源热泵机组故障诊断方法，其特征在于，步骤1中传感器包括温度传感器和压力传感器；若干温度传感器和压力传感器安装在热泵机组上。
3.根据权利要求1所述的一种基于PSO-BP模型的污水源热泵机组故障诊断方法，其特征在于，步骤2中，特征选择的原则为获取成本低和对热泵机组的故障敏感；获取成本低为由温度传感器和压力传感器获得的特征；对冷水机组的故障敏感为故障能引起特征的显著变化。
4.根据权利要求1所述的一种基于PSO-BP模型的污水源热泵机组故障诊断方法，其特征在于，步骤3中，构建BP模型包括以下过程：
1)确定BP模型结构：BP的结构包括三层，第一层为输入层；第二层为中间层；第三层为输出层；
2)确定BP模型的参数：输入层节点数为12个，对应于12种故障特征向量；输出层节点数为4个，对应于4种诊断结果；中间层节点数参照kolmogorov定理确定为25个。
5.根据权利要求1所述的一种基于PSO-BP模型的污水源热泵机组故障诊断方法，其特征在于，使用PSO优化构建的BP模型来提高故障诊断速度和准确率包括以下过程：
1)初始化BP网络结构，确定粒子群体规模N，设置初始惯性权重Wmax和最终的惯性权重Wmin，学习因子c1和c2，网络训练的最大迭代次数itermax；
2)建立PSO中粒子与需要优化的参数映射关系；
3)计算适应度函数
4)更新个体极值与全局极值；
5)根据公式(1),(2)速度与位置更新；
v＝v*w+c1*rand()*(pbest-x)+c2*rand()*(gbest-x) (1)
x＝x+v (2)
式中pbest:个体极值；gbest:全局极值；
c1、c2：认知系数，也称为学习因子；
v、x：每个粒子的速度和位置；
w：惯性权重，用于调整微粒群的全局搜索和局部探索能力；当w值较大时，全局寻优能力强，主要应用于粒子群寻优的初始阶段，当w值较小时，局部寻优能力强，主要应用于粒子群寻优的后期阶段；本文中w定为由大到小线性递减，公式为：
式中wmax为最大惯性权重；wmin为最小惯性权重；iter为当前迭代次数；itermax为算法迭代的总次数；
6)算法终止输出最优网络。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810636336.5A CN108897936A (zh) | 2018-06-20 | 2018-06-20 | 一种基于pso-bp模型的污水源热泵机组故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810636336.5A CN108897936A (zh) | 2018-06-20 | 2018-06-20 | 一种基于pso-bp模型的污水源热泵机组故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108897936A true CN108897936A (zh) | 2018-11-27 |
Family
ID=64345463
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810636336.5A Pending CN108897936A (zh) | 2018-06-20 | 2018-06-20 | 一种基于pso-bp模型的污水源热泵机组故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108897936A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109764570A (zh) * | 2018-12-29 | 2019-05-17 | 西安交通大学 | 一种基于神经元网络的跨临界二氧化碳热泵系统排气压力的控制方法 |
| CN110108509A (zh) * | 2019-04-28 | 2019-08-09 | 西安建筑科技大学 | 一种污水源热泵机组智能故障诊断方法 |
| CN112631261A (zh) * | 2021-02-08 | 2021-04-09 | 南京农业大学 | 一种大功率拖拉机远程故障诊断系统及方法 |
| CN112990258A (zh) * | 2021-02-01 | 2021-06-18 | 山东建筑大学 | 一种冷水机组故障诊断方法及系统 |
| CN113139606A (zh) * | 2021-04-27 | 2021-07-20 | 上海联创设计集团股份有限公司 | 基于人工智能算法的暖通风机故障检测方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008051222A1 (en) * | 2006-10-23 | 2008-05-02 | Carrier Corporation | Heating, ventilation, air conditioning and refrigeration system with multi-zone monitoring and diagnostics |
| CN101221213A (zh) * | 2008-01-25 | 2008-07-16 | 湖南大学 | 基于粒子群算法的模拟电路故障诊断神经网络方法 |
| CN106127298A (zh) * | 2016-06-16 | 2016-11-16 | 太原科技大学 | 一种基于自适应pso‑bp神经网络的液压泵故障诊断方法 |
-
2018
- 2018-06-20 CN CN201810636336.5A patent/CN108897936A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008051222A1 (en) * | 2006-10-23 | 2008-05-02 | Carrier Corporation | Heating, ventilation, air conditioning and refrigeration system with multi-zone monitoring and diagnostics |
| CN101221213A (zh) * | 2008-01-25 | 2008-07-16 | 湖南大学 | 基于粒子群算法的模拟电路故障诊断神经网络方法 |
| CN106127298A (zh) * | 2016-06-16 | 2016-11-16 | 太原科技大学 | 一种基于自适应pso‑bp神经网络的液压泵故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 王孟君: "基于PSO-BP优化算法的围岩参数智能反分析研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
| 陈轶等: "基于多传感器信号分析的故障诊断", 《组合机床与自动化加工技术》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109764570A (zh) * | 2018-12-29 | 2019-05-17 | 西安交通大学 | 一种基于神经元网络的跨临界二氧化碳热泵系统排气压力的控制方法 |
| CN110108509A (zh) * | 2019-04-28 | 2019-08-09 | 西安建筑科技大学 | 一种污水源热泵机组智能故障诊断方法 |
| CN112990258A (zh) * | 2021-02-01 | 2021-06-18 | 山东建筑大学 | 一种冷水机组故障诊断方法及系统 |
| CN112631261A (zh) * | 2021-02-08 | 2021-04-09 | 南京农业大学 | 一种大功率拖拉机远程故障诊断系统及方法 |
| CN113139606A (zh) * | 2021-04-27 | 2021-07-20 | 上海联创设计集团股份有限公司 | 基于人工智能算法的暖通风机故障检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108897936A (zh) | 一种基于pso-bp模型的污水源热泵机组故障诊断方法 | |
| CN108931387B (zh) | 提供准确诊断决策的基于多传感器信号分析的故障诊断方法 | |
| CN110579709B (zh) | 一种有轨电车用质子交换膜燃料电池故障诊断方法 | |
| CN108954680A (zh) | 一种基于运行数据的中央空调能耗预测方法 | |
| CN107578288B (zh) | 一种考虑用户用电模式差异的非侵入式负荷分解方法 | |
| CN101516099B (zh) | 一种传感器网络异常检测方法 | |
| CN107704875A (zh) | 基于改进ihcmac神经网络的建筑负荷预测方法和装置 | |
| CN109447236A (zh) | 一种混合动力汽车热管理系统的故障诊断方法 | |
| CN111199252A (zh) | 一种电力通信网络智能运维系统的故障诊断方法 | |
| CN110108509A (zh) | 一种污水源热泵机组智能故障诊断方法 | |
| CN115564114B (zh) | 一种基于图神经网络的空域碳排放短期预测方法及系统 | |
| CN112381181A (zh) | 一种建筑能耗异常的动态检测方法 | |
| CN114004374B (zh) | 一种基于玻尔兹曼机投票的空调机组传感器故障诊断方法 | |
| CN110263998B (zh) | 多源数值天气预报集合双层修正方法 | |
| CN104636800A (zh) | 基于最小二乘加权的冷冻站系统神经网络优化单元及其方法 | |
| CN102684223A (zh) | 以降低网损为目标的多约束条件下风电送出功率优化评估方法 | |
| CN101820676A (zh) | 传感器节点定位方法 | |
| CN104697704A (zh) | 冷水机组排气压力故障检测方法 | |
| CN106384300A (zh) | 基于大数据和模糊模型的建筑异常用能检测方法及系统 | |
| CN112307675B (zh) | 一种基于神经网络的温度敏感型负荷分离辨识方法及系统 | |
| CN105425583A (zh) | 基于协同训练lwpls的青霉素生产过程的控制方法 | |
| Aqlan et al. | Integrating artificial neural networks and cluster analysis to assess energy efficiency of buildings | |
| CN116629428A (zh) | 一种基于特征选择和SSA-BiLSTM的建筑能耗预测方法 | |
| 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 | |
| CN108446783A (zh) | 一种新风机运行功率的预测及监控方法 |
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: 20181127 |
|
| RJ01 | Rejection of invention patent application after publication |