CN111237646A - 一种供水管网漏损的自动识别和定位方法 - Google Patents
一种供水管网漏损的自动识别和定位方法 Download PDFInfo
- Publication number
- CN111237646A CN111237646A CN202010095660.8A CN202010095660A CN111237646A CN 111237646 A CN111237646 A CN 111237646A CN 202010095660 A CN202010095660 A CN 202010095660A CN 111237646 A CN111237646 A CN 111237646A
- Authority
- CN
- China
- Prior art keywords
- leakage
- test
- thresh
- water supply
- precision
- 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.)
- Granted
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
- F17D5/02—Preventing, monitoring, or locating loss
- F17D5/06—Preventing, monitoring, or locating loss using electric or acoustic means
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明涉及一种供水管网漏损的自动识别和定位方法,属于供水管网漏损监测技术领域。本发明方法用传感器采集独立计量的供水管网中有限管段的物理状态,同时记录管段的漏损状态以及管段所在位置,建立、训练和测试深度神经网络,通过分析少数几个传感器的数据,识别复杂管网的漏损状态,并具体定位到出现漏损的水管管段。本发明方法步骤具体,经过精度测试的方法,结果稳定可靠,因此本发明方法的可实施性强。使用本发明方法对供水管网进行监测,可以使用有限的少数几个传感器实现对整个供水管网漏损的识别以及定位,监测成本低,监测精度高,而且可以大大加速供水管网漏损的抢修,降低漏损导致的水资源损失、资源浪费和水质污染。
Description
技术领域
本发明涉及一种供水管网漏损的自动识别和定位方法,属于供水管网漏损监测技术领域。
背景技术
城镇供水管网的漏损是一个普遍存在且重要的问题,引起了社会的广泛关注。供水管网的漏损,有时很难被识别和定位,导致维修时间的延迟,进而造成大量的水资源的损失,增加了供水需求的压力。管网的漏损,可能影响供水的水质,还会导致管内压力的释放,造成能源的浪费。在环境和能源危机日益严重的背景下,供水管网的漏损识别和定位是具有重大意义的,有助于节约水资源和能源,减少经济损失,维持居民稳定供水。城镇水务管网错综复杂,且存在传感器分布密度低、传感器数据包含噪音和误差等问题,导致管网的漏损反映在传感器数据的变化不明显。目前,基于传统的传感器数据统计分析的水务管网监测技术,难以有效地识别漏损的发生,更不能精确地定位漏损的位置。
中国发明专利申请CN110594597A水务管网DMA漏损分析系统,公开了一种以独立计量区域DMA为分析的对象的水务管网漏损分析系统。然而,该发明存在四个问题:第一,该发明没有提出漏损定位的方法。第二,该发明提到可以通过管网壁厚的变化与历史记录的比较来判定漏损的可能,却没有提供具体的实施步骤来解释如何判定漏损。第三,该发明没有提出降低数据噪音和误差的方法。第四,该发明没有进行漏损识别精度的测试。
发明内容
本发明目的是提出一种供水管网漏损的自动识别和定位方法,建立、训练和测试一个深度神经网络,用于分析少数几个传感器的数据,来实现管网漏损的识别以及定位,以加速供水管网漏损的抢修,降低漏损导致的水资源损失、资源浪费和水质污染。
本发明提出的供水管网漏损的自动识别和定位方法,包括以下步骤:
(1)设定独立计量的供水管网中共有N个被监测管段,在其中的n个管段上安装传感器,0≤n<N,从水务管理中心获取N个被监测管段的位置信息G,并在独立计量的供水管网的所有入水口、出水口分别安装一个传感器;
(2)训练和测试数据采集:在时间段K内,以采样频率t,用步骤(1)的传感器对供水管网的物理状态进行采集,同时记录被监测管段的漏损状态,得到数据集D=(X,Y),其中X为由所有传感器采集的数据组成的数据组,Y为所有被监测管段漏损状态组成的数据组,将管段漏损状态记Y为1,管段非漏损状态记Y为0;
(3)对步骤(2)中传感器数据组X进行预处理,包括以下步骤:
(3-1)从传感器数据组X中移除漏损状态Y为1时的传感器数据,得到供水管网在无漏损状态下的传感器数据组Xa,把Xa中被移除的部分用符号来填充,使Xa的长度与X的长度一致,设定一个时间周期Q,将无漏损状态传感器数据组Xa均分为组,得到无漏损周期性数据组其中j为的组号,j=1,2,...,K/Q:
得到基准周期性传感器数据组Xc,其中i=1,2,...,Q×t;
Xj=[X(1+Q×t×(j-1)),...,X(Q×t×j)],其中j为Xj的组号,j=1,2,...,K/Q
其中i=1,2,...,Q×t;
(3-3)对差值传感器数据组Xd进行滑窗平均降噪处理,获得预处理传感器数据组Xe和预处理数据集De=(Xe,Y)
其中,R是人为设定的滑窗大小,k=1,2,...,K×t;
(5)设计一个深度神经网络M,包括一个输入层、C个隐含层和一个输出层,其中,深度神经网络M的输入为步骤(3)中获得的预处理数据集Xe,深度神经网络M的输出为被监测管段的预测漏损状态训练后获得深度神经网络Mt;
(7)设定一个测试精度阈值Athresh,将步骤(6)的测试精度A和精度阈值Athresh进行比较,若A大于或者等于Athresh,则判定深度神经网络Mt测试合格,进行步骤(10),若测试精度A小于精度阈值Athresh,则进行步骤(8);
(8)增加步骤(5)中的隐含层层数C,重复步骤(5)-步骤(6),将步骤(6)中获得的测试精度A和精度阈值Athresh进行比较,若测试精度A大于或者等于精度阈值Athresh,则判定深度神经网络Mt测试合格,进行步骤(10),若测试精度A小于精度阈值Athresh,则设定一个隐含层层数的阈值Cthresh,对隐含层层数C进行判断,若隐含层层数C小于或等于Cthresh,重复本步骤,若隐含层层数C大于Cthresh,则进入步骤(9);
(9)延长步骤(2)中的采集时间段K,重复步骤(2)-步骤(6),将步骤(6)中获得的测试精度A和精度阈值Athresh进行比较,若测试精度A大于或者等于精度阈值Athresh,则判定深度神经网络Mt测试合格,进行步骤(10),若测试精度A小于精度阈值Athresh,重复本步骤,直到测试精度A大于或者等于精度阈值Athresh;
(10)在独立计量的供水管网运行时,从所有传感器采集新传感器数据组对新传感器数据组按照步骤(3)进行预处理,获得新预处理传感器数据组将输入至测试合格的深度神经网络Mt,Mt输出新管段预测漏损状态从中提取漏损状态为1的管段,并根据步骤(1)的管段位置信息G获得漏损管段的定位信息将漏损管段的定位信息发送给水务管理中心,实现独立计量的水务管网的漏损识别和定位。
本发明提出的供水管网漏损的自动识别和定位方法,其优点是:
本发明的供水管网漏损识别和定位方法,用传感器采集独立计量的供水管网中有限管段的物理状态,同时记录管段的漏损状态以及管段所在位置,建立、训练和测试一个人工神经网络,通过分析少数几个传感器的数据,来识别复杂管网的漏损状态,并具体定位到出现漏损的水管管段,传感器数据用于漏损识别和定位前接受预处理,以降低传感器数据中噪音和误差的影响。本发明方法可以随着持续应用,进行自我拓展,以提升精度和适应新数据。本发明方法步骤具体,经过精度测试的方法,结果稳定可靠,因此本发明方法的可实施性强。使用本发明方法对供水管网进行监测,可以使用有限的少数几个传感器实现对整个供水管网漏损的识别以及定位,监测成本低,监测精度高,而且可以大大加速供水管网漏损的抢修,降低漏损导致的水资源损失、资源浪费和水质污染。
附图说明
图1是本发明方法的流程框图。
图2是本发明供水管网的漏损识别和定位方法中涉及的供水管网结构示意图。
图3是本发明方法中涉及的神经网络示意图。
具体实施方法
本发明提出的供水管网漏损的自动识别和定位方法,其流程框图如图1所示,包括以下步骤:
(1)设定独立计量的供水管网中共有N个被监测管段,在其中的n个管段上安装传感器,0≤n<N,从水务管理中心获取N个被监测管段的位置信息G,并在独立计量的供水管网的所有入水口、出水口分别安装一个传感器,供水管网的结构如图2所示;
(2)训练和测试数据采集:在时间段K内(例如100个星期),以采样频率t(例如4个数据/小时),用步骤(1)的传感器对供水管网的物理状态(如流量或压力)进行采集,同时记录被监测管段的漏损状态,得到数据集D=(X,Y),其中X为由所有传感器采集的数据组成的数据组,Y为所有被监测管段漏损状态组成的数据组,将管段漏损状态记Y为1,管段非漏损状态记Y为0;
(3)对步骤(2)中传感器数据组X进行预处理,以突出漏损对传感器数据的影响和去噪音,包括以下步骤:
(3-1)从传感器数据组X中移除漏损状态Y为1时的传感器数据,得到供水管网在无漏损状态下的传感器数据组Xa,把Xa中被移除的部分用符号(例如NULL)来填充,使Xa的长度与X的长度一致,设定一个时间周期Q(如一个星期或一个月),将无漏损状态传感器数据组Xa均分为组,得到无漏损周期性数据组其中j为的组号,j=1,2,...,K/Q:
得到基准周期性传感器数据组Xc,其中i=1,2,...,Q×t;
Xj=[X(1+Q×t×(j-1)),...,X(Q×t×j)],其中j为Xj的组号,j=1,2,...,K/Q
其中i=1,2,...,Q×t;
(3-3)对差值传感器数据组Xd进行滑窗平均降噪处理,获得预处理传感器数据组Xe和预处理数据集De=(Xe,Y)
其中,R是人为设定的滑窗大小,如取值为5,k=1,2,...,K×t;
(5)设计一个深度神经网络M,如图3所示,包括一个输入层、C个隐含层(在本实例中,C为30)和一个输出层,其中,深度神经网络M的输入为步骤(3)中获得的预处理数据集Xe,深度神经网络M的输出为被监测管段的预测漏损状态深度神经网络的层数和每一层的参数由人为设定,采用训练算法:Backpropagation和StochasticGradient Descent算法和训练集Dtrain对深度神经网络模型参数进行求解,Backpropagation和StochasticGradient Descent算法迭代中的训练轮次和批数大小由人为设定,训练后获得深度神经网络Mt;
(7)设定一个测试精度阈值Athresh(例如精度阈值Athresh的取值为0.9),将步骤(6)的测试精度A和精度阈值Athresh进行比较,若A大于或者等于Athresh,则判定深度神经网络Mt测试合格,在本实施例中,测试精度A达到0.95,进行步骤(10),若测试精度A小于精度阈值Athresh,则进行步骤(8);
(8)增加步骤(5)中的隐含层层数C,C的增加的幅度由人为设定,如50%,重复步骤(5)-步骤(6),将步骤(6)中获得的测试精度A和精度阈值Athresh进行比较,若测试精度A大于或者等于精度阈值Athresh,则判定深度神经网络Mt测试合格,进行步骤(10),若测试精度A小于精度阈值Athresh,则设定一个隐含层层数的阈值Cthresh,对隐含层层数C进行判断,若隐含层层数C小于或等于Cthresh,重复本步骤,若隐含层层数C大于Cthresh,则进入步骤(9);
(9)延长步骤(2)中的采集时间段K,K的延长的幅度由人为设定,如10%,重复步骤(2)-步骤(6),将步骤(6)中获得的测试精度A和精度阈值Athresh进行比较,若测试精度A大于或者等于精度阈值Athresh,则判定深度神经网络Mt测试合格,进行步骤(10),若测试精度A小于精度阈值Athresh,重复本步骤,直到测试精度A大于或者等于精度阈值Athresh;
(10)在独立计量的供水管网运行时,从所有传感器采集新传感器数据组对新传感器数据组按照步骤(3)进行预处理,获得新预处理传感器数据组将输入至测试合格的深度神经网络Mt,Mt输出新管段预测漏损状态从中提取漏损状态为1的管段,并根据步骤(1)的管段位置信息G获得漏损管段的定位信息将漏损管段的定位信息发送给水务管理中心,实现独立计量的水务管网的漏损识别和定位。
为了提高供水管网的检测精度,可以在本发明的最后步骤结束后,进一步将最后的和添加到步骤(4)中的训练集数据Dtrain中,重复步骤(5),获得拓展深度神经网络Mextend,实现深度神经网络的自我拓展,拓展深度神经网络Mextend随着最后的和的数据量的增长自动提升精度和适应新的数据。
本发明的一个实施例中,独立计量的供水管网的结构如图2所示,设定其中共有10个被监测管段,在其中的0个管段上安装传感器,并在独立计量的供水管网的所有入水口、出水口分别安装一个传感器。
Claims (1)
1.一种供水管网漏损的自动识别和定位方法,其特征在于该方法包括以下步骤:
(1)设定独立计量的供水管网中共有N个被监测管段,在其中的n个管段上安装传感器,0≤n<N,从水务管理中心获取N个被监测管段的位置信息G,并在独立计量的供水管网的所有入水口、出水口分别安装一个传感器;
(2)训练和测试数据采集:在时间段K内,以采样频率t,用步骤(1)的传感器对供水管网的物理状态进行采集,同时记录被监测管段的漏损状态,得到数据集D=(X,Y),其中X为由所有传感器采集的数据组成的数据组,Y为所有被监测管段漏损状态组成的数据组,将管段漏损状态记Y为1,管段非漏损状态记Y为0;
(3)对步骤(2)中传感器数据组X进行预处理,包括以下步骤:
(3-1)从传感器数据组X中移除漏损状态Y为1时的传感器数据,得到供水管网在无漏损状态下的传感器数据组Xa,把Xa中被移除的部分用符号来填充,使Xa的长度与X的长度一致,设定一个时间周期Q,将无漏损状态传感器数据组Xa均分为组,得到无漏损周期性数据组其中j为的组号,j=1,2,…,K/Q:
得到基准周期性传感器数据组Xc,其中i=1,2,…,Q×t;
Xj=[X(1+Q×t×(j-1)),...,X(Q×t×j)],其中j为Xj的组号,j=1,2,…,K/Q
其中i=1,2,…,Q×t;
(3-3)对差值传感器数据组Xd进行滑窗平均降噪处理,获得预处理传感器数据组Xe和预处理数据集De=(Xe,Y)
其中,R是人为设定的滑窗大小,k=1,2,…,K×t;
(5)设计一个深度神经网络M,包括一个输入层、C个隐含层和一个输出层,其中,深度神经网络M的输入为步骤(3)中获得的预处理数据集Xe,深度神经网络M的输出为被监测管段的预测漏损状态训练后获得深度神经网络Mt;
(7)设定一个测试精度阈值Athresh,将步骤(6)的测试精度A和精度阈值Athresh进行比较,若A大于或者等于Athresh,则判定深度神经网络Mt测试合格,进行步骤(10),若测试精度A小于精度阈值Athresh,则进行步骤(8);
(8)增加步骤(5)中的隐含层层数C,重复步骤(5)-步骤(6),将步骤(6)中获得的测试精度A和精度阈值Athresh进行比较,若测试精度A大于或者等于精度阈值Athresh,则判定深度神经网络Mt测试合格,进行步骤(10),若测试精度A小于精度阈值Athresh,则设定一个隐含层层数的阈值Cthresh,对隐含层层数C进行判断,若隐含层层数C小于或等于Cthresh,重复本步骤,若隐含层层数C大于Cthresh,则进入步骤(9);
(9)延长步骤(2)中的采集时间段K,重复步骤(2)-步骤(6),将步骤(6)中获得的测试精度A和精度阈值Athresh进行比较,若测试精度A大于或者等于精度阈值Athresh,则判定深度神经网络Mt测试合格,进行步骤(10),若测试精度A小于精度阈值Athresh,重复本步骤,直到测试精度A大于或者等于精度阈值Athresh;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010095660.8A CN111237646B (zh) | 2020-02-17 | 2020-02-17 | 一种供水管网漏损的自动识别和定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010095660.8A CN111237646B (zh) | 2020-02-17 | 2020-02-17 | 一种供水管网漏损的自动识别和定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111237646A true CN111237646A (zh) | 2020-06-05 |
CN111237646B CN111237646B (zh) | 2021-03-02 |
Family
ID=70874989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010095660.8A Active CN111237646B (zh) | 2020-02-17 | 2020-02-17 | 一种供水管网漏损的自动识别和定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111237646B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112610903A (zh) * | 2020-12-10 | 2021-04-06 | 合肥学院 | 一种基于深度神经网络模型的给水管网泄漏定位方法 |
CN112836758A (zh) * | 2021-02-08 | 2021-05-25 | 浙江工业大学 | 基于双层循环神经网络的独立计量区域管网漏损检测方法 |
CN113739082A (zh) * | 2021-09-14 | 2021-12-03 | 杭州莱宸科技有限公司 | 一种基于多区域联合评估的供水管网漏损监测方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101509604A (zh) * | 2009-03-20 | 2009-08-19 | 武汉大学 | 一种金属管内堆积物的检测和评定方法及装置 |
CN101598263A (zh) * | 2009-07-10 | 2009-12-09 | 东北大学 | 便携式管道泄漏检测方法及装置 |
WO2011127546A1 (pt) * | 2010-04-15 | 2011-10-20 | Asel-Tech Tecnologia E Automação Ltda. | Sistema integrado com a tecnologia acústica, balanço de massa e rede neural para detecção, localização e quantificação de vazamentos em dutos |
WO2013040667A1 (pt) * | 2011-09-19 | 2013-03-28 | Universidade Estadual De Campinas . Unicamp | Sistema e método de detecção de vazamento de gás, método de determinação da magnitude e da localização de vazamento de gás por meio de redes neurais e o uso em tubulação rígida e/ou flexível |
CN104061445A (zh) * | 2014-07-09 | 2014-09-24 | 中国石油大学(华东) | 一种基于神经网络的管道泄漏检测方法 |
CN106015951A (zh) * | 2016-07-07 | 2016-10-12 | 北京信息科技大学 | 一种适应多种状态变化的输气管道泄漏检测系统及方法 |
CN107120535A (zh) * | 2017-06-06 | 2017-09-01 | 北京市燃气集团有限责任公司 | 基于北斗定位的埋地燃气管道泄漏点的声发射定位方法 |
CN109034546A (zh) * | 2018-06-06 | 2018-12-18 | 北京市燃气集团有限责任公司 | 一种城镇燃气埋地管道腐蚀风险的智能预测方法 |
CN109242049A (zh) * | 2018-11-21 | 2019-01-18 | 安徽建筑大学 | 基于卷积神经网络的给水管网多点漏损定位方法及其装置 |
CN109359698A (zh) * | 2018-10-30 | 2019-02-19 | 清华大学 | 基于长短时记忆神经网络模型的漏损识别方法 |
CN110513603A (zh) * | 2019-08-13 | 2019-11-29 | 常州大学 | 一种基于逆瞬态分析法的非金属管道泄漏定位方法 |
-
2020
- 2020-02-17 CN CN202010095660.8A patent/CN111237646B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101509604A (zh) * | 2009-03-20 | 2009-08-19 | 武汉大学 | 一种金属管内堆积物的检测和评定方法及装置 |
CN101598263A (zh) * | 2009-07-10 | 2009-12-09 | 东北大学 | 便携式管道泄漏检测方法及装置 |
WO2011127546A1 (pt) * | 2010-04-15 | 2011-10-20 | Asel-Tech Tecnologia E Automação Ltda. | Sistema integrado com a tecnologia acústica, balanço de massa e rede neural para detecção, localização e quantificação de vazamentos em dutos |
WO2013040667A1 (pt) * | 2011-09-19 | 2013-03-28 | Universidade Estadual De Campinas . Unicamp | Sistema e método de detecção de vazamento de gás, método de determinação da magnitude e da localização de vazamento de gás por meio de redes neurais e o uso em tubulação rígida e/ou flexível |
CN104061445A (zh) * | 2014-07-09 | 2014-09-24 | 中国石油大学(华东) | 一种基于神经网络的管道泄漏检测方法 |
CN106015951A (zh) * | 2016-07-07 | 2016-10-12 | 北京信息科技大学 | 一种适应多种状态变化的输气管道泄漏检测系统及方法 |
CN107120535A (zh) * | 2017-06-06 | 2017-09-01 | 北京市燃气集团有限责任公司 | 基于北斗定位的埋地燃气管道泄漏点的声发射定位方法 |
CN109034546A (zh) * | 2018-06-06 | 2018-12-18 | 北京市燃气集团有限责任公司 | 一种城镇燃气埋地管道腐蚀风险的智能预测方法 |
CN109359698A (zh) * | 2018-10-30 | 2019-02-19 | 清华大学 | 基于长短时记忆神经网络模型的漏损识别方法 |
CN109242049A (zh) * | 2018-11-21 | 2019-01-18 | 安徽建筑大学 | 基于卷积神经网络的给水管网多点漏损定位方法及其装置 |
CN110513603A (zh) * | 2019-08-13 | 2019-11-29 | 常州大学 | 一种基于逆瞬态分析法的非金属管道泄漏定位方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112610903A (zh) * | 2020-12-10 | 2021-04-06 | 合肥学院 | 一种基于深度神经网络模型的给水管网泄漏定位方法 |
CN112836758A (zh) * | 2021-02-08 | 2021-05-25 | 浙江工业大学 | 基于双层循环神经网络的独立计量区域管网漏损检测方法 |
CN112836758B (zh) * | 2021-02-08 | 2024-03-01 | 浙江工业大学 | 基于双层循环神经网络的独立计量区域管网漏损检测方法 |
CN113739082A (zh) * | 2021-09-14 | 2021-12-03 | 杭州莱宸科技有限公司 | 一种基于多区域联合评估的供水管网漏损监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111237646B (zh) | 2021-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111237646B (zh) | 一种供水管网漏损的自动识别和定位方法 | |
CN106570790B (zh) | 一种计及风速数据分段特性的风电场出力数据修复方法 | |
CN111898831B (zh) | 一种实时洪水概率预报实用化方法 | |
CN109800915A (zh) | 一种基于缺失数据集的交通流量预测方法 | |
CN110879927A (zh) | 一种用于海目标检测的海杂波幅度统计分布现场建模方法 | |
CN109145114A (zh) | 基于Kleinberg在线状态机的社交网络事件检测方法 | |
CN108683658B (zh) | 基于多rbm网络构建基准模型的工控网络流量异常识别方法 | |
CN108734359B (zh) | 一种风电功率预测数据预处理方法 | |
CN114819374A (zh) | 区域新能源超短期功率预测方法及系统 | |
CN114596700A (zh) | 一种基于门架数据的高速公路路段实时流量估计方法 | |
CN108089097B (zh) | 智能在线式配电网接地故障定位方法 | |
CN115828121A (zh) | 基于邻接dbscan融合时变多图卷积网络的交通流预测方法 | |
CN117708550B (zh) | 一种电力大数据自动化数据分析及模型构建方法 | |
CN105224733B (zh) | 风电功率弃风数据特征识别的方法 | |
CN117708625B (zh) | 一种乏数据背景下大坝监测历史数据填补方法 | |
CN114330120A (zh) | 一种基于深度神经网络预测24小时pm2.5浓度的方法 | |
CN116128690B (zh) | 一种碳排放量成本值计算方法、装置、设备及介质 | |
CN116862132A (zh) | 基于大数据的资源调度方法 | |
CN111178679A (zh) | 一种基于聚类算法和网络搜索的相位识别方法 | |
CN115545240A (zh) | 一种低压配电网台区异常线损诊断方法、系统、设备及介质 | |
CN110657355A (zh) | 一种热力管线泄漏检测方法 | |
CN116205631A (zh) | 基于蜻蜓算法的vmd-ceemd风电机组齿轮箱振动故障解析方法 | |
CN112097125B (zh) | 一种基于自适应校核的供水管网爆管侦测及定位方法 | |
CN114492507A (zh) | 一种数模协同驱动下的轴承剩余寿命预测方法 | |
CN109670243B (zh) | 一种基于勒贝格空间模型的寿命预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |