CN110874616A - 基于lstm网络与马尔科夫链修正误差的变压器运行预测方法 - Google Patents

基于lstm网络与马尔科夫链修正误差的变压器运行预测方法 Download PDF

Info

Publication number
CN110874616A
CN110874616A CN201911127018.7A CN201911127018A CN110874616A CN 110874616 A CN110874616 A CN 110874616A CN 201911127018 A CN201911127018 A CN 201911127018A CN 110874616 A CN110874616 A CN 110874616A
Authority
CN
China
Prior art keywords
representing
lstm network
state
lstm
calculating
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
CN201911127018.7A
Other languages
English (en)
Inventor
郭晓昌
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.)
Su Wen Electric Energy Polytron Technologies Inc
Original Assignee
Su Wen Electric Energy Polytron Technologies Inc
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 Su Wen Electric Energy Polytron Technologies Inc filed Critical Su Wen Electric Energy Polytron Technologies Inc
Priority to CN201911127018.7A priority Critical patent/CN110874616A/zh
Publication of CN110874616A publication Critical patent/CN110874616A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于LSTM网络与马尔科夫链修正误差的变压器运行预测方法，该方法包括以下步骤：1)采集电力系统环境的原始数据，选取训练集和测试集。2)对油中溶解气体体积分数利用三角形和半梯形组合的隶属度函数得到对应于不同状态的分布函数。3)将训练集中运行工况、检修记录和油中气体的体积分数作为LSTM网络输入参数4)采用反向传播算法的训练方法对LSTM网络模型进行训练，获取预测模型参数。5)利用LSTM预测模型参数对测试集中变压器进行状态预测。6)根据马尔科夫状态转移矩阵计算下一时刻的残差值所有可能落入的区间中值，进而计算对应区间内的预测修正值。

Description

基于LSTM网络与马尔科夫链修正误差的变压器运行预测方法
技术领域
本发明涉及电力技术领域，特别是涉及一种基于LSTM网络与马尔科夫链修正误差的电力变压器运行预测方法。
背景技术
电力变压器是电力系统的关键设备之一，其运行状态关乎电网能否可靠供电。变压器在运行使用过程中，由于老化、故障会使绕组温度变高，利用设备已有的历史状态信息，分析变压器运行状态变化过程，预警其潜在故障风险，有助于企业基于信息平台数据资源实现设备安全管控与经济效益。RNN(recurrent neural network)虽然能够有效处理时间序列数据，但仍存在以下两个问题：(1)RNN存在梯度消失和梯度爆炸问题，无法有效处理时间维度过长的时间序列数据；(2)RNN模型的训练过程中需要预先设定延迟窗口的长度，但是这一参数的最优值难以获取。
LSTM(Long Short-Term Memory)神经网络在RNN的基础上，在各隐藏层神经单元中加入记忆单元，实现时间序列上的记忆信息可控。每次序列数据在隐藏层各单元之间传递时会通过遗忘门、输入门、输出门等可控门，从而控制时序数据中之前数据和当前数据的记忆和遗忘程度，从而使神经网络具有长期记忆功能。通过这种方式，LSTM神经网络有效改善了RNN网络梯度消失、长期记忆力不足等缺点，能够有效地利用长距离的时序数据。利用马尔科夫链求解具有马氏性的随机过程状态，能够大大简化状态求解过程。具有马氏性的随机系统已在工程领域内开展应用研究，诸如设备可靠性评估，负荷预测等领域。本发明将马尔科夫链模型应用于修正LSTM模型的预测结果。
发明内容
本发明所要解决的技术问题是：为了克服现有技术中的不足，本发明提供一种基于LSTM网络与马尔科夫链修正误差的电力变压器运行预测方法，弥补现有方法的不足，提高变压器运行预测的精准度。
本发明解决其技术问题所要采用的技术方案是：一种基于LSTM网络与马尔科夫链修正误差的变压器运行预测方法，包括以下步骤：
S1：根据电力监控系统采集到的历史数据，选取搜集整理的N例确认存在故障的变压器作为训练集和M例油色谱在线监测装置出现报警后跟踪观察的变压器作为测试集，由训练集和测试集组成LSTM模型的样本库；M和N的值根据实际情况进行确定。
S2：采用离差标准化方法对油色谱中特征气体体积分进行归一化处理，降低油色谱中特征气体体积分数数据分散性对模型的影响；
S3：将训练集中运行工况、检修记录和油中特征气体的体积分数作为LSTM网络输入参数；
S4：采用反向传播算法对LSTM网络模型进行训练，提取训练集油中特征气体体积分数及运行时间与所预测变压器状态之间的特征联系，获取LSTM网络模型参数；
S5：利用LSTM预测模型参数对测试集中变压器进行状态预测；
S6：将S5中状态预测结果作为输入，根据马尔科夫状态转移矩阵计算下一时刻的残差值所有可能落入的区间中值，进而计算对应区间内的预测修正值。
进一步，步骤2中采用离差标准化方法对特征气体体积分进行归一化处理，公式为：
Figure BDA0002277166830000031
其中，xmax为样本库数据的最大值，xmin为样本库数据的最小值。
优选的，所述油中溶解特征气体为CO、CO2、C2H2总烃、H2、CH4、C2H4和C2H6中一种或多种。为了保证预测的准确性可以选取多种特征气体进行监测。
进一步，步骤S4中对LSTM网络模型采用反向传播算法进行训练，具体方法如下：
S4.1：前向计算每个神经元输出值。
对于给定的时间序列k＝(k1，k2，k3，…，kn)，根据RNN模型应用公式(2)和公式(3)可计算出隐藏层h＝(h1，h2，h3，…，hn)和输出序列y＝(y1，y2，y3，…，yn)，
ht＝g(Wkhkt+Whhht-1+bh) (2)
yt＝Whyht+by (3)
其中，ht表示在序列t时模型的隐藏状态。Wkh表示t时刻输入层状态k的权重系数矩阵，Whh表示t-1时刻隐藏层状态h的权重系数矩阵，Why表示输出层的权重系数矩阵，bh表示隐藏层h的偏置向量，by表示输出y的偏置向量，g表示激活函数。
S4.2：反向计算每个神经元的误差项。LSTM误差项反向传播包括：沿时间反向传播和将误差项向上一层传播。
其中，LSTM网络的神经元细胞结构用计算公式可表示为：
ft＝σ(Wf·ht-1+Wf·kt+bf) (4)
it＝σ(Wi·ht-1+Wi·kt+bi) (5)
ot＝σ(Wo·ht-1+Wo·kt+bo) (6)
公式中ft表示遗忘门状态结算结果，it表示输入门状态结算结果，ot表示输出门状态结算结果；Wf表示遗忘门权重系数矩阵，Wi表示输入门权重系数矩阵，Wo表示输出门权重系数矩阵；bf表示遗忘门偏执系数，bi表示输入门偏执系数，bo表示输出门偏执系数；σ表示输出层激活函数，ht-1表示在序列t-1时模型的隐藏状态，kt表示t时刻输入参数；角标f、i、o分别表示遗忘门、输入门和输出门。
S4.3：根据相应误差项，计算每个权重的梯度。
LSTM网络最终的输出由输出门和单元状态共同确定：
ct＝ft°ct-1+it°(Wc·ht-1+Wc·kt+bc) (7)
ht＝ot°tanh(ct) (8)
公式中ct表示t时刻的单元状态，ct-1表示t-1时刻的单元状态，Wc为输入单元状态权重矩阵，°表示按元素相乘，tanh()表示双曲激活函数，bc表示输入单元状态偏置项。
根据LSTM网络模型训练结果，前向计算每个神经元的输出值，计算每个LSTM细胞的误差，根据误差计算每个权重梯度，根据梯度优化算法更新权重。
进一步，步骤S6具体为应用基于MC修正误差公式：
Figure BDA0002277166830000041
ei＝(siu+sid)/2 (10)
其中，Vci为第i个区间内运行状态的修正值，Vp为初步运行状态预测值，siu和sid分别为区间i的上限和下限，ei为区间i的中值。
本发明的有益效果是：本发明提供的一种基于LSTM网络与马尔科夫链修正误差的电力变压器运行预测方法，采用电力变压器状态性能指标中特征气体体积分数为基础，综合技术指标参数中运行工况、检修记录、运行时间，建立基于LSTM网络的电力变压器状态预测模型。通过基于MC修正误差公式精确预测电力变压器运行状态。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1是本发明最佳实施例的预测流程示意图。
图2是本发明基于LSTM和马尔科夫修正变压器状态预测架构。
具体实施方式
现在结合附图对本发明作详细的说明。此图为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
如图1和图2所示，本发明的一种基于LSTM网络与马尔科夫链修正误差的电力变压器运行预测方法，包括以下步骤：
S1：根据电力监控系统采集到的历史数据，本实施例中N取值为258，M取值为165，即选取搜集整理的258例确认存在故障的变压器作为训练集和165例油色谱在线监测装置出现报警后跟踪观察的变压器作为测试集，由训练集和测试集组成LSTM模型的样本库；
S2：为降低油色谱中特征气体体积分数数据分散性对模型的影响，采用离差标准化方法对特征气体体积分进行归一化处理。油中溶解特征气体为CO、CO2、C2H2总烃、H2、CH4、C2H4和C2H6中一种或多种。
对参数归一化处理：
Figure BDA0002277166830000051
其中，xmax为样本库数据的最大值，xmin为样本库数据的最小值。
S3：将训练集中运行工况、检修记录和油中气体的体积分数作为LSTM网络输入参数；
S4：采用反向传播算法对LSTM网络模型进行训练，具体方法如下：
S4.1：前向计算每个神经元输出值；
对于给定的时间序列k＝(k1，k2，k3，…，kn)，根据RNN模型应用公式(2)和公式(3)可计算出隐藏层h＝(h1，h2，h3，…，hn)和输出序列y＝(y1，y2，y3，…，yn)，
ht＝g(Wkhkt+Whhht-1+bh) (2)
yt＝Whyht+by (3)
其中，ht表示在序列t时模型的隐藏状态。Wkh表示t时刻输入层状态k的权重系数矩阵，Whh表示t-1时刻隐藏层状态h的权重系数矩阵，Why表示输出层的权重系数矩阵，bh表示隐藏层h的偏置向量，by表示输出y的偏置向量，g表示激活函数。
S4.2：反向计算每个神经元的误差项。LSTM误差项反向传播包括：沿时间反向传播；将误差项向上一层传播。
其中，LSTM网络的神经元细胞结构用计算公式可表示为：
ft＝σ(Wf·ht-1+Wf·kt+bf) (4)
it＝σ(Wi·ht-1+Wi·kt+bi) (5)
ot＝σ(Wo·ht-1+Wo·kt+bo) (6)
公式中ft表示遗忘门状态结算结果，it表示输入门状态结算结果，ot表示输出门状态结算结果；Wf表示遗忘门权重系数矩阵，Wi表示输入门权重系数矩阵，Wo表示输出门权重系数矩阵；bf表示遗忘门偏执系数，bi表示输入门偏执系数，bo表示输出门偏执系数；σ表示输出层激活函数，ht-1表示在序列t-1时模型的隐藏状态，kt表示t时刻输入参数；角标f、i、o分别表示遗忘门、输入门和输出门。
S4.3：根据相应误差项，计算每个权重的梯度。
LSTM网络最终的输出由输出门和单元状态共同确定：
ct＝ft°ct-1+it°(Wc·ht-1+Wc·kt+bc) (7)
ht＝ot°tanh(ct) (8)
公式中ct表示t时刻的单元状态，ct-1表示t-1时刻的单元状态，Wc为输入单元状态权重矩阵，°表示按元素相乘，tanh()表示双曲激活函数。
S5：利用LSTM预测模型参数对测试集中变压器进行状态预测；
S6：将S5中状态预测结果作为输入，根据马尔科夫状态转移矩阵计算下一时刻的残差值所有可能落入的区间中值，进而计算对应区间内的预测修正值。
应用基于MC修正误差公式：
Figure BDA0002277166830000071
ei＝(siu+sid)/2 (10)
其中，Vci为第i个区间内运行状态的修正值，Vp为初步运行状态预测值，siu和sid分别为区间i的上限和下限，ei为区间i的中值。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关的工作人员完全可以在不偏离本发明的范围内，进行多样的变更以及修改。本项发明的技术范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (7)

1.一种基于LSTM网络与马尔科夫链修正误差的变压器运行预测方法，其特征在于：包括以下步骤：
S1：根据电力监控系统采集到的历史数据，选取搜集整理的N例确认存在故障的变压器作为训练集和M例油色谱在线监测装置出现报警后跟踪观察的变压器作为测试集，由训练集和测试集组成LSTM模型的样本库；
S2：采用离差标准化方法对油色谱中特征气体体积分进行归一化处理，降低油色谱中特征气体体积分数数据分散性对模型的影响；
S3：将训练集中运行工况、检修记录和油中特征气体的体积分数作为LSTM网络输入参数；
S4：采用反向传播算法对LSTM网络模型进行训练，提取训练集油中特征气体体积分数及运行时间与所预测变压器状态之间的特征联系，获取LSTM网络模型参数；
S5：利用LSTM预测模型参数对测试集中变压器进行状态预测；
S6：将S5中状态预测结果作为输入，根据马尔科夫状态转移矩阵计算下一时刻的残差值所有能落入的区间中值，进而计算对应区间内的预测修正值。
2.如权利要求1所述的基于LSTM网络与马尔科夫链修正误差的变压器运行预测方法，其特征在于：步骤2中采用离差标准化方法对特征气体体积分进行归一化处理，公式为：
Figure FDA0002277166820000011
其中，xmax为样本库数据的最大值，xmin为样本库数据的最小值。
3.如权利要求1所述的基于LSTM网络与马尔科夫链修正误差的变压器运行预测方法，其特征在于：所述油中溶解特征气体为CO、CO2、C2H2总烃、H2、CH4、C2H4和C2H6中一种或多种。
4.如权利要求1所述的基于LSTM网络与马尔科夫链修正误差的变压器运行预测方法，其特征在于：步骤S4中对LSTM网络模型采用反向传播算法进行训练，具体方法如下：
S4.1：前向计算每个神经元输出值；
S4.2：反向计算每个神经元的误差项；LSTM误差项反向传播包括沿时间反向传播和将误差项向上一层传播；
S4.3：根据相应误差项，计算每个权重的梯度。
5.如权利要求4所述的基于LSTM网络与马尔科夫链修正误差的变压器运行预测方法，其特征在于：步骤S4中，
对于给定的时间序列k＝(k1,k2,k3,…,kn)，根据RNN模型应用公式(2)和公式(3)计算出隐藏层h＝(h1,h2,h3,…,hn)和输出序列y＝(y1,y2,y3,…,yn)，
ht＝g(Wkhkt+Whhht-1+bh) (2)
yt＝Whyht+by (3)
其中，ht表示在序列t时模型的隐藏状态；Wkh表示t时刻输入层状态k的权重系数矩阵，Whh表示t-1时刻隐藏层状态h的权重系数矩阵，Why表示输出层的权重系数矩阵，bh表示隐藏层h的偏置向量，by表示输出y的偏置向量，g表示激活函数；
其中，LSTM网络的神经元细胞结构用计算公式可表示为：
ft＝σ(Wf·ht-1+Wf·kt+bf) (4)
it＝σ(Wi·ht-1+Wi·kt+bi) (5)
ot＝σ(Wo·ht-1+Wo·kt+bo) (6)
公式中ft表示遗忘门状态结算结果，it表示输入门状态结算结果，ot表示输出门状态结算结果；Wf表示遗忘门权重系数矩阵，Wi表示输入门权重系数矩阵，Wo表示输出门权重系数矩阵；bf表示遗忘门偏执系数，bi表示输入门偏执系数，bo表示输出门偏执系数；σ表示输出层激活函数，ht-1表示在序列t-1时模型的隐藏状态，kt表示t时刻输入参数；角标f、i、o分别表示遗忘门、输入门和输出门；
LSTM网络最终的输出由输出门和单元状态共同确定：
Figure FDA0002277166820000031
Figure FDA0002277166820000032
公式中ct表示t时刻的单元状态，ct-1表示t-1时刻的单元状态，Wc为输入单元状态权重矩阵，
Figure FDA0002277166820000033
表示按元素相乘，tanh()表示双曲激活函数，bc表示输入单元状态偏置项；
根据LSTM网络模型训练结果，前向计算每个神经元的输出值，计算每个LSTM细胞的误差，根据误差计算每个权重梯度，根据梯度优化算法更新权重。
6.如权利要求5所述的基于LSTM网络与马尔科夫链修正误差的变压器运行预测方法，其特征在于：根据LSTM网络模型训练结果，前向计算每个神经元的输出值，计算每个LSTM细胞的误差，根据误差计算每个权重梯度，根据梯度优化算法更新权重。
7.如权利要求1所述的基于LSTM网络与马尔科夫链修正误差的变压器运行预测方法，其特征在于：步骤S6具体如下：
应用基于MC修正误差公式：
Figure FDA0002277166820000034
ei＝(siu+sid)/2 (10)
其中，Vci为第i个区间内运行状态的修正值，Vp为初步运行状态预测值，siu和sid分别为区间i的上限和下限，ei为区间i的中值。
CN201911127018.7A 2019-11-18 2019-11-18 基于lstm网络与马尔科夫链修正误差的变压器运行预测方法 Pending CN110874616A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911127018.7A CN110874616A (zh) 2019-11-18 2019-11-18 基于lstm网络与马尔科夫链修正误差的变压器运行预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911127018.7A CN110874616A (zh) 2019-11-18 2019-11-18 基于lstm网络与马尔科夫链修正误差的变压器运行预测方法

Publications (1)

Publication Number Publication Date
CN110874616A true CN110874616A (zh) 2020-03-10

Family

ID=69718013

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911127018.7A Pending CN110874616A (zh) 2019-11-18 2019-11-18 基于lstm网络与马尔科夫链修正误差的变压器运行预测方法

Country Status (1)

Country Link
CN (1) CN110874616A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111765075A (zh) * 2020-05-20 2020-10-13 天津市天锻压力机有限公司 一种锻造液压机泵源故障预测方法及系统
CN112182954A (zh) * 2020-09-08 2021-01-05 上海大学 一种基于lstm的流体仿真数据预测模型
CN113011103A (zh) * 2021-04-06 2021-06-22 南京机电职业技术学院 一种多维信息融合的电力变压器寿命预测模型
CN113505926A (zh) * 2021-07-14 2021-10-15 同济大学 一种基于阻抗预测模型自更新的燃料电池故障预测方法
CN114189047A (zh) * 2021-12-02 2022-03-15 南京邮电大学 面向有源配电网状态估计的虚假数据检测与修正方法
CN116343946A (zh) * 2023-03-30 2023-06-27 重庆大学 基于神经网络的水污染决策方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030191728A1 (en) * 2002-03-27 2003-10-09 Kulkarni Bhaskar Dattatray Performance of artificial neural network models in the presence of instrumental noise and measurement errors
CN104636823A (zh) * 2015-01-23 2015-05-20 中国农业大学 一种风电功率预测方法
CN108830487A (zh) * 2018-06-21 2018-11-16 王芊霖 基于长短时神经网络的电力负荷预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030191728A1 (en) * 2002-03-27 2003-10-09 Kulkarni Bhaskar Dattatray Performance of artificial neural network models in the presence of instrumental noise and measurement errors
CN104636823A (zh) * 2015-01-23 2015-05-20 中国农业大学 一种风电功率预测方法
CN108830487A (zh) * 2018-06-21 2018-11-16 王芊霖 基于长短时神经网络的电力负荷预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
代杰杰 等: "采用 LSTM 网络的电力变压器运行状态预测方法研究" *
代杰杰 等: "采用 LSTM 网络的电力变压器运行状态预测方法研究", 高电压技术, vol. 44, no. 44, pages 1099 - 1106 *
段俊东 等: "基于马尔科夫链误差修正的光伏发电预测" *
段俊东 等: "基于马尔科夫链误差修正的光伏发电预测", 河南理工大学学报(自然科学版), vol. 35, no. 35, pages 112 - 117 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111765075A (zh) * 2020-05-20 2020-10-13 天津市天锻压力机有限公司 一种锻造液压机泵源故障预测方法及系统
CN112182954A (zh) * 2020-09-08 2021-01-05 上海大学 一种基于lstm的流体仿真数据预测模型
CN112182954B (zh) * 2020-09-08 2023-05-23 上海大学 一种基于lstm的流体仿真数据预测模型
CN113011103A (zh) * 2021-04-06 2021-06-22 南京机电职业技术学院 一种多维信息融合的电力变压器寿命预测模型
CN113505926A (zh) * 2021-07-14 2021-10-15 同济大学 一种基于阻抗预测模型自更新的燃料电池故障预测方法
CN113505926B (zh) * 2021-07-14 2022-10-25 同济大学 一种基于阻抗预测模型自更新的燃料电池故障预测方法
CN114189047A (zh) * 2021-12-02 2022-03-15 南京邮电大学 面向有源配电网状态估计的虚假数据检测与修正方法
CN114189047B (zh) * 2021-12-02 2023-07-18 南京邮电大学 面向有源配电网状态估计的虚假数据检测与修正方法
CN116343946A (zh) * 2023-03-30 2023-06-27 重庆大学 基于神经网络的水污染决策方法及系统

Similar Documents

Publication Publication Date Title
CN110874616A (zh) 基于lstm网络与马尔科夫链修正误差的变压器运行预测方法
CN110705692B (zh) 一种时空注意力网络的非线性动态工业过程产品预测方法
CN112926273B (zh) 一种多元退化设备剩余寿命预测方法
CN112734028B (zh) 一种变压器油中溶解气体浓度预测模型建模方法
CN110766212A (zh) 用于历史数据缺失电场的超短期光伏功率预测方法
CN112836833B (zh) 航天测控数传综合设备健康状态评估方法
US9430734B2 (en) Method and system for validating energy measurement in a high pressure gas distribution network
CN114325395B (zh) 一种电池状态的确定方法及装置
CN111030889B (zh) 一种基于gru模型的网络流量预测方法
CN113516310B (zh) 一种变压器故障预警方法及系统
CN106446506A (zh) 一种多方法组合的小卫星状态自主智能预测方法
Xiao et al. Remaining useful life prediction based on intentional noise injection and feature reconstruction
CN112257935B (zh) 一种基于lstm—rbf神经网络模型的航空安全预测方法
CN104503420A (zh) 一种基于新型fde-elm和时延efsm的非线性过程工业故障预测方法
Zhang et al. A remaining useful life prediction method in the early stage of stochastic degradation process
Biggio et al. Dynaformer: A deep learning model for ageing-aware battery discharge prediction
CN112150304A (zh) 电网运行状态轨迹稳定性预判方法、系统及存储介质
CN112287596A (zh) 一种基于聚类和lstm的发动机剩余寿命预测方法
CN116451514A (zh) 桥梁结构状态评估方法、装置以及电子设备
Tang et al. Prediction of bearing performance degradation with bottleneck feature based on LSTM network
CN116930609A (zh) 一种基于ResNet-LSTM模型的电能计量误差分析方法
Lin et al. Remaining useful life prediction in prognostics using multi-scale sequence and Long Short-Term Memory network⋆
Wang et al. A flexible RUL prediction method based on poly-cell LSTM with applications to lithium battery data
CN114880767B (zh) 一种基于注意力机制Dense-GRU网络的航空发动机剩余使用寿命预测方法
CN116305985A (zh) 一种基于多传感器数据融合的局部智能通风方法

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