CN111340284A - 一种基于长短时记忆网络的水车室水位智能预测方法 - Google Patents

一种基于长短时记忆网络的水车室水位智能预测方法 Download PDF

Info

Publication number
CN111340284A
CN111340284A CN202010112473.6A CN202010112473A CN111340284A CN 111340284 A CN111340284 A CN 111340284A CN 202010112473 A CN202010112473 A CN 202010112473A CN 111340284 A CN111340284 A CN 111340284A
Authority
CN
China
Prior art keywords
water level
waterwheel
data
long
memory network
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
CN202010112473.6A
Other languages
English (en)
Inventor
徐滔伶
李振东
田若朝
江杰
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.)
Guodian Dadu River Zhentouba Power Generation Co ltd
Chengdu Dahui Wulian Technology Co ltd
Original Assignee
Guodian Dadu River Zhentouba Power Generation Co ltd
Chengdu Dahui Wulian Technology Co ltd
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 Guodian Dadu River Zhentouba Power Generation Co ltd, Chengdu Dahui Wulian Technology Co ltd filed Critical Guodian Dadu River Zhentouba Power Generation Co ltd
Priority to CN202010112473.6A priority Critical patent/CN111340284A/zh
Publication of CN111340284A publication Critical patent/CN111340284A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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"
    • 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
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

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

Abstract

本发明公开了一种基于长短时记忆网络的水车室水位智能预测方法，涉及水利发电技术领域。该方法包括以下步骤：S1、获取水车室周围各测点的时序检测数据作为原始数据；S2、对所述原始数据进行预处理；S3、构建双层LSTM模型；S4、根据预处理后的原始数据训练LSTM模型；S5、利用训练好的LSTM模型对未来多个时刻的水车室水位值进行连续预测，获得未来多个时刻的水车室水位值。该方法通过长短时记忆网络从大量测点数据中学习到时序上的特征，进而构建水车室水位预测模型，通过该模型，能够高效、相对准确的获得未来多个时刻的水车室水位值，为避免水淹水车室这类事故提供了强有力的技术支撑，从而提升水电厂的检修工作的合理性和有效性。

Description

一种基于长短时记忆网络的水车室水位智能预测方法
技术领域
本发明涉及水利发电技术领域，具体而言，涉及一种基于长短时记忆网络的水车室水位智能预测方法。
背景技术
国内外水轮发电机在运行的过程中，水车室的安全运行都是至关重要的，对其最大的威胁便是水淹水车室的事故，引起此类事故的原因主要是包括顶盖水位上涨过快、顶盖泵效率降低、真空破坏阀故障等。
传统的水车室监测手段为实时状态监测，不能对水车室水位进行预测，获取到的信息比较有限，不能有效的反应出运行中的隐患和问题，更无法对运行的劣化趋势进行判断。
传统的水车室监测手段通过设置水位超高启动事故停机的方式减少损失，但不能根本上提前预警和感知顶盖水位的异常变化，一旦遇到传感器故障或异常的时候，就无法正常的测量水位的上升情况并进行水位的预警。
另外传统的顶盖水位的监测方式缺少对水车室内设备运行状况的即时评判分析依据，更没有水位预警的相关手段，主要是凭借对阶段性运行数据分析发现异常，无法及时对多方面对顶盖水位上涨因素进行量化分析。
目前国内没有对顶盖水位预测或预警领域有着相关的研究与发明，都是基于传统方法进行对水车的顶盖水位进行检测，而传统的方式一旦出现轻微异常引起的漏水量未能及时发觉，便会产生水淹水车室的隐患，轻则机组事故停机，重则水淹水车室，造成水导油槽进水设备损坏，带来巨大的经济损失。
发明内容
本发明在于提供一种基于长短时记忆网络的水车室水位智能预测方法，其能够缓解上述问题。
为了缓解上述的问题，本发明采取的技术方案如下：
本发明提供了一种基于长短时记忆网络的水车室水位智能预测方法，包括以下步骤：
S1、获取水车室周围各测点的时序检测数据作为原始数据；
S2、对所述原始数据进行预处理；
S3、构建双层LSTM模型；
S4、根据预处理后的原始数据训练LSTM模型；
S5、利用训练好的LSTM模型对未来多个时刻的水车室水位值进行连续预测，获得未来多个时刻的水车室水位值。
本技术方案的技术效果是：通过长短时记忆网络从大量测点数据中学习到时序上的特征，进而构建水车室水位预测模型，通过该模型，能够高效、相对准确的获得未来多个时刻的水车室水位值，为避免水淹水车室这类事故提供了强有力的技术支撑，从而提升水电厂的检修工作的合理性和有效性。
进一步地，所述步骤S1中，原始数据从水电厂的监测系统中获取。
本技术方案的技术效果是：数据获取途径方便，不用额外布置测点监测传感器等器件。
更进一步地，所述原始数据是由水电机组工况机理分析过程和数据之间相关性分析过程中筛选出来的。
本技术方案的技术效果是：通过分析后能够更好的确保原始数据的可靠性，继而能够训练出更好的LSTM模型。
更进一步地，所述原始数据共有九种，且分别为机组顶盖水位、机组有功功率、机组X轴振动幅度、机组Y轴振动幅度、机组Z轴振动幅度、尾水水位、大坝上游水位、主轴密封水水压力、主轴密封水水管流量，该九种原始数据均为秒级数据。
进一步地，所述步骤S2中，预处理包括数据平滑处理以及标准化处理。
本技术方案的技术效果是：通过平滑处理能够消除噪声数据的影响，通过标准化处理能够消除量纲的影响。
更进一步地，所述平滑处理所采用的算法为采用基于最小二乘原理的多项式平滑算法，所述标准化处理所采用的转换函数为离差标准化函数。
本技术方案的技术效果是：多项式平滑算法的能够很好的起到滤波作用，由于少数很高或者很低的点会对整个曲线造成向上或向下的突刺，使用平滑算法就能使其得到一个新相对平稳的曲线，这样就能反映出数据实际的趋势；离差标准化函数能够很好的消除量纲的影响使其整个数据集单位标准化，便于模型的训练和测试。
进一步地，所述步骤S3中，所述LSTM模型包括输入层、第一层LSTM层、第二层LSTM层以及全连接层。
更进一步地，所述LSTM模型的超参数包括输入向量的维度、单元数、输出向量的维度以及间隔时间，其单元数为200，输入向量的维度为9维，输出向量的维度为1维。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举本发明实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是本实施例所述基于长短时记忆网络的水车室水位智能预测方法流程图；
图2为本实施例提供的SG数据平滑处理示例图；
图3为本实施例提供的SG数据平滑处理过后的对比图；
图4为本实施例提供的数据标准化和训练数据样例图；
图5为本实施例提供的双层LSTM模型结构图；
图6为本实施例提供的预测模型结构图；
图7为本实施例提供的LSTM结构示意图；
图8为实施例中LSTM正向传播图；
图9为本实施例提供的训练过程中LOSS变化图；
图10为本实施例提供的水车室水位预测结果示意图；
图11为本实施例提供的预测模型的系统示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参照图1，以某水电站的4号水轮机数据为例(简称4F),本实施例提供了一种基于长短时记忆网络的水车室水位智能预测方法，包括以下步骤：
S1、获取水车室周围各测点的时序检测数据作为原始数据。
在本实施例中，从水电厂的监测系统的数据中心采集了大约4GB的原始数据。原始数据是由水电机组工况机理分析过程和数据之间相关性分析过程中筛选出来的，共有九种，且分别为机组顶盖水位、机组有功功率、机组X轴振动幅度、机组Y轴振动幅度、机组Z轴振动幅度、尾水水位、大坝上游水位、主轴密封水水压力、主轴密封水水管流量，该九种原始数据均为秒级数据。
S2、为了减少噪声数据以及量纲对模型最终预测效果的影响，对原始数据进行预处理，包括数据平滑处理以及标准化处理，具体如下：
首先对采集到的原始数据进行空值填充，采用平均数填充的方式即空缺项周围取上下3个测点的数据取其平均数作为空值的填充值，进一步为避免一些噪声数据的影响采用SG滤波算法对数据进行平滑处理，通过取数据点xi附近固定个数的点拟合为一个多项式，多项式在xi的值就为一个光滑数值gi。用nl表示xi左边点的个数，用nr表示xi右边点的个数，yi(x)表示相对于点xi的一个K次的多项式，并且用最小二乘法去拟合nl+nr+1个点因此有多项式为：
Figure BDA0002390499730000041
其中，x为要拟合点的横坐标，Δx为横坐标点之间的几何距离，ak为拟合系数。
在本实施例中，平滑窗口宽度为5，其平滑处理过程如图2所示，对窗口内的数据点利用将gi展开式进行k-1次的拟合：
g(i)＝a0+a1i1+a2i2+…+ak-1ik-1
为了yi(x)更好的拟合，使用最小二乘法去拟合残差值，并使其下列公式达到最优：
Figure BDA0002390499730000051
在本实施例中，i取值为0，±1，±2，即i依次取-2，-1，0，1，2，pi为样本观察值，对每个原始数据不断的移动窗口，达到降噪平滑的效果。如图3所示，为SG数据平滑处理过后的对比图，其中加黑的线条表示平滑处理过后的数据样本，比原数据要平滑许多的同时也过滤掉了许多的噪声。
最后为消除量纲的影响，采用离差标准化，对原始数据的线性变换，使结果映射到[0，1]区间，对序列x1，x2，...，xn进行标准化的转换函数为：
Figure BDA0002390499730000052
则得到新序列y1，y2，...，yn∈[0，1],这样就保证了数据无量纲。图4为数据标准化和训练数据样例图，展示了将数据映射到[0，1]之间的结果，其中上半部分原始数据被标准化到[0,1]之间从而消除了量纲的影响，而图中的下半部分为利用python数据处理工具包将原始数据构建为监督数据，具体结构为每一时刻的训练数据为上一时刻的值为x＝varn(t-1)，下一时刻的值为训练数据的真实标签值即y＝varn(t)，n为[1-9]分别对应的特征量。
S3、构建双层LSTM模型。
在本实施例中，在构建LSTM模型之前确定数据的输入维度，并且需要将输入数据构造为监督训练数据集和测试数据。在前述步骤S1中采集到的数据中输入到网络的变量为前一时刻的9个特征，输出的变量为当前时刻t顶盖水位数据即构造为一次的输入序列形如以下形式：
Figure BDA0002390499730000053
上式col为每一列索引，而1就表示为顶盖水位。然后网络输入的维度就为输入变量的维度(此处为9维)也就是输入变量的特征数，输出变量的维度就是指预测变量的特征数(此处为1维)。本模型设置为两层堆叠的LSTM网络，其中LSTM单元数为128。时间间隔步数根据构造的训练子序列而得到。根据数据维度和设置的超参数去构建长短时记忆网络预测模型包括输入层、第一层LSTM层、第二层LSTM层以及全连接层，如图6和图5所示。
在本实施例中，输入层的输入维度为(None,8,9)，在训练的过程中由于考虑到硬件的负荷问题，即采用通用的批量训练的技巧将之前的num的数据分层若干个批次输入到网络中进行训练，None表示一次输入网络的数据量的大小称为一个批量的大小(batch_size)，本方案设置为256大小，8表示时间步长nhours，即利用过去8秒的水位数据和9个特征量nfeatares作为输入数据。
第一层LSTM输入维度即为输入层的维度大小，8同样表示时间步长，该层设置神经元大小为200，其中一个批量大小为统一的256，除此之外此层的激活函数为tanh。
第二层LSTM激活函数为tanh，该层连接第一层的LSTM层输入维度一样为第一层LSTM输出层的维度，200为该层的神经元个数，输出为(None,200)，对接输出层。
输出层为全连接层，将200维的输入数据映射为预测为水位数据即预测下一时刻的水位数值。
在本实施例中，LSTM的具体结构如图7所示，在本实施例中，步骤S3构建LSTM网络单元结构为传统的RNN网络的结构变体，主要为了防止在反向传播当中梯度消失和梯度爆炸，LSTM主要由三种门结构组成分别是遗忘门、输入门和输出门，具体的正向传播的公式如下：
遗忘门：
ft=σ(Wf[ht-1，xt]+bf)
其中σ对应激活函数，本模型采用tanh作为激活函数。
输入门：
it＝σ(Wi[ht-1，xt]+bi)
同样σ对应激活函数，本模型采用tanh作为激活函数。
在LSTM中关键就是细胞状态更新，由前一时刻的隐藏层状态Ct-1去更新下一个时刻的隐藏层状态，同时存储数据的长期记忆，公式如下：
Figure BDA0002390499730000061
以上公式就由遗忘门、输出门共同以及输出门输出的候选状态
Figure BDA0002390499730000062
共同的决定整网络中的隐藏层状态。
输出门：
ot＝σ(Wo[ht-1，xt]+bo)
ht＝otσ(Ct)
最终的输出是由输出门结合隐藏层状态去输出模型想要的数据，以上的Wf，Wt，Wo分别对应网络中的权重矩阵，bf，bt，bo分别对应网络中的偏置项。[hc-1，xr]表示将两个向量纵向拼接在一起，hi-1表示水位的隐藏信息，xt表示输入的特征数据，其展开图如图8所示。
S4、根据预处理后的原始数据训练LSTM模型。
在本实施例中，训练LSTM模型分为两个阶段，正向传播和反向传播阶段。在正向传播的过程目的是为了给出模型的一个预测值，而在反向传播阶段利用模型给出的预测值与真实值的误差来更新网络中的权重。根据上述模型结构中时间步长为8，对LSTM层的训练进行说明。
正向传播由如下公式所确定：
ht=ocσ(Ct)
yt＝σ(Wa·ht)
最终的预测值yt，由t时刻的隐藏层状态ht经过全连接层过后得到，即Wc的权重更新仅包含在最后一个时间步骤。反向传播目的就是去通过定义的损失函数去反向求导得到每一个时间步骤的梯度值，从而去更新相应的参数的过程。对前面所述正向传播中的参数Wf，Wi，Wo，Wd进行更新。本模型定义的损失函数为真实水位与预测水位之间的平方差：
Figure BDA0002390499730000071
根据上面的损失函数，本实施示例以更新Wf的过程为例那么则在最后的时间步骤k的
Figure BDA0002390499730000072
和
Figure BDA0002390499730000073
由以下公式得出:
Figure BDA0002390499730000074
Figure BDA0002390499730000075
接着由
Figure BDA0002390499730000076
反向推导
Figure BDA0002390499730000077
其中
Figure BDA0002390499730000078
的梯度由本层的输出梯度误差决定，即：
Figure BDA0002390499730000079
而
Figure BDA00023904997300000710
的反向梯度由上一层
Figure BDA00023904997300000711
的梯度误差和本层从ht传回来的梯度误差两部分决定，即：
Figure BDA00023904997300000712
得到
Figure BDA00023904997300000713
和
Figure BDA00023904997300000714
之后，分别计算Wf，Wi，Wo，bf，bi，bo的梯度，例如求Wf的梯度为：
Figure BDA00023904997300000715
同样的类似得到：
Figure BDA0002390499730000081
Figure BDA0002390499730000082
上述的反向传播过程中本模型采用损失函数为加入L2正则的均方误差函数如下：
Figure BDA0002390499730000083
其中N代表样本数量，θ为模型参数,λ＝0.001。然后以上公式采用Adam算法进行优化，使得L(θ)不断减少直到收敛，训练过程中loss变化图如图9所示，图11为训练好的预测模型的系统示意图。
S5、利用训练好的LSTM模型对未来多个时刻的水车室水位值进行连续预测，获得未来多个时刻的水车室水位值。
在本实施例中，对水车室水位值进行预测时，令batch_size＝1200也即是将输入的维度中256改为1200，输入维度就变为[1200,8,9]，输出维度为1，这样就能得到未来20分钟的水位预测值，图10就准确的展示了未来20分钟左右的水位变化情况以及对应的值，图11展示了本模型方案集成在电站的在线监测系统中的部分系统缩影。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于长短时记忆网络的水车室水位智能预测方法，其特征在于，包括以下步骤：
S1、获取水车室周围各测点的时序检测数据作为原始数据；
S2、对所述原始数据进行预处理；
S3、构建双层LSTM模型；
S4、根据预处理后的原始数据训练LSTM模型；
S5、利用训练好的LSTM模型对未来多个时刻的水车室水位值进行连续预测，获得未来多个时刻的水车室水位值。
2.根据权利要求1所述基于长短时记忆网络的水车室水位智能预测方法，其特征在于，所述步骤S1中，原始数据从水电厂的监测系统中获取。
3.根据权利要求2所述基于长短时记忆网络的水车室水位智能预测方法，其特征在于，所述原始数据是由水电机组工况机理分析过程和数据之间相关性分析过程中筛选出来的。
4.根据权利要求3所述基于长短时记忆网络的水车室水位智能预测方法，其特征在于，所述原始数据共有九种，且分别为机组顶盖水位、机组有功功率、机组X轴振动幅度、机组Y轴振动幅度、机组Z轴振动幅度、尾水水位、大坝上游水位、主轴密封水水压力、主轴密封水水管流量，该九种原始数据均为秒级数据。
5.根据权利要求1所述基于长短时记忆网络的水车室水位智能预测方法，其特征在于，所述步骤S2中，预处理包括数据平滑处理以及标准化处理。
6.根据权利要求5所述基于长短时记忆网络的水车室水位智能预测方法，其特征在于，所述平滑处理所采用的算法为采用基于最小二乘原理的多项式平滑算法，所述标准化处理所采用的转换函数为离差标准化函数。
7.根据权利要求1所述基于长短时记忆网络的水车室水位智能预测方法，其特征在于，所述步骤S3中，所述LSTM模型包括输入层、第一层LSTM层、第二层LSTM层以及全连接层。
8.根据权利要求7所述基于长短时记忆网络的水车室水位智能预测方法，其特征在于，所述LSTM模型的超参数包括输入向量的维度、单元数、输出向量的维度以及间隔时间，其单元数为200，输入向量的维度为9维，输出向量的维度为1维。
CN202010112473.6A 2020-02-24 2020-02-24 一种基于长短时记忆网络的水车室水位智能预测方法 Pending CN111340284A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010112473.6A CN111340284A (zh) 2020-02-24 2020-02-24 一种基于长短时记忆网络的水车室水位智能预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010112473.6A CN111340284A (zh) 2020-02-24 2020-02-24 一种基于长短时记忆网络的水车室水位智能预测方法

Publications (1)

Publication Number Publication Date
CN111340284A true CN111340284A (zh) 2020-06-26

Family

ID=71183691

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010112473.6A Pending CN111340284A (zh) 2020-02-24 2020-02-24 一种基于长短时记忆网络的水车室水位智能预测方法

Country Status (1)

Country Link
CN (1) CN111340284A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111737640A (zh) * 2020-08-17 2020-10-02 深圳江行联加智能科技有限公司 水位预测方法、装置及计算机可读存储介质
CN111736636A (zh) * 2020-07-10 2020-10-02 国电大渡河枕头坝发电有限公司 一种基于知识图谱的水淹水车室预警方法及系统
CN112990598A (zh) * 2021-03-31 2021-06-18 浙江禹贡信息科技有限公司 一种水库水位时间序列预测方法与系统
CN113566929A (zh) * 2021-09-27 2021-10-29 山东西王食品有限公司 基于lstm的油罐液面超声测量方法、系统、终端及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107729716A (zh) * 2017-11-27 2018-02-23 西安建筑科技大学 一种基于长短时记忆神经网络的煤矿突水预测方法
CN108764539A (zh) * 2018-05-15 2018-11-06 中国长江电力股份有限公司 一种梯级电站的上下游水位预测方法
KR101951595B1 (ko) * 2018-05-18 2019-02-22 한양대학교 산학협력단 모듈형 순환 신경망 구조 기반 차량 경로 예측 시스템 및 방법
CN110502000A (zh) * 2019-09-19 2019-11-26 贵州电网有限责任公司 一种小水电关键设备安全预警及故障诊断系统及方法
CN110533163A (zh) * 2019-08-02 2019-12-03 中国石油集团长城钻探工程有限公司 基于长短时记忆神经网络的压裂砂堵预警方法
CN110552832A (zh) * 2019-08-13 2019-12-10 大唐水电科学技术研究院有限公司 水轮机组故障诊断及健康状态评估方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107729716A (zh) * 2017-11-27 2018-02-23 西安建筑科技大学 一种基于长短时记忆神经网络的煤矿突水预测方法
CN108764539A (zh) * 2018-05-15 2018-11-06 中国长江电力股份有限公司 一种梯级电站的上下游水位预测方法
KR101951595B1 (ko) * 2018-05-18 2019-02-22 한양대학교 산학협력단 모듈형 순환 신경망 구조 기반 차량 경로 예측 시스템 및 방법
CN110533163A (zh) * 2019-08-02 2019-12-03 中国石油集团长城钻探工程有限公司 基于长短时记忆神经网络的压裂砂堵预警方法
CN110552832A (zh) * 2019-08-13 2019-12-10 大唐水电科学技术研究院有限公司 水轮机组故障诊断及健康状态评估方法
CN110502000A (zh) * 2019-09-19 2019-11-26 贵州电网有限责任公司 一种小水电关键设备安全预警及故障诊断系统及方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111736636A (zh) * 2020-07-10 2020-10-02 国电大渡河枕头坝发电有限公司 一种基于知识图谱的水淹水车室预警方法及系统
CN111737640A (zh) * 2020-08-17 2020-10-02 深圳江行联加智能科技有限公司 水位预测方法、装置及计算机可读存储介质
CN111737640B (zh) * 2020-08-17 2021-08-27 深圳江行联加智能科技有限公司 水位预测方法、装置及计算机可读存储介质
CN112990598A (zh) * 2021-03-31 2021-06-18 浙江禹贡信息科技有限公司 一种水库水位时间序列预测方法与系统
CN113566929A (zh) * 2021-09-27 2021-10-29 山东西王食品有限公司 基于lstm的油罐液面超声测量方法、系统、终端及存储介质

Similar Documents

Publication Publication Date Title
CN111340284A (zh) 一种基于长短时记忆网络的水车室水位智能预测方法
CN110410282B (zh) 基于som-mqe和sfcm的风电机组健康状态在线监测及故障诊断方法
US20230023931A1 (en) Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning
CN109842373B (zh) 基于时空分布特性的光伏阵列故障诊断方法及装置
CN109297689B (zh) 一种引入权重因子的大型水力机械智能诊断方法
CN112016251B (zh) 一种核动力装置故障的诊断方法及系统
CN112132394B (zh) 一种电厂循环水泵预测性状态评估方法及系统
CN109740727A (zh) 一种基于神经网络的水轮机转轴状态监测方法和系统
CN111367253B (zh) 基于局部自适应标准化的化工系统多工况故障检测方法
CN112947672A (zh) 一种光伏电池最大功率点跟踪方法及装置
Zhang et al. A new deep convolutional domain adaptation network for bearing fault diagnosis under different working conditions
CN114186475B (zh) 一种基于Attention-MGRU的回转支承寿命预测方法
Dao et al. Fault diagnosis of hydro-turbine via the incorporation of bayesian algorithm optimized CNN-LSTM neural network
CN117096871A (zh) 一种基于时空分布的风电功率概率密度的预测方法
CN115791174B (zh) 一种滚动轴承异常诊断方法、系统、电子设备及存储介质
Zheng et al. Rotating machinery fault prediction method based on Bi-LSTM and attention mechanism
CN105279553A (zh) 一种高加给水系统故障程度识别方法
Zou et al. Fault diagnosis of shield machine based on SOM-BP neural network fusion
Ristić et al. A short overview on Industry 4.0 in maintenance of hydropower plants
He et al. An adaptive interval forecast CNN model for fault detection method
Jiang et al. Research on State Trend Prediction of Hydraulic Turbine Units Based on Mult-dimensional and Multi-condition Data
Ou et al. Fault Prediction Model of Wind Power Pitch System Based on BP Neural Network
CN117491793B (zh) 一种氢电耦合系统综合性能测试方法、装置及介质
Bao et al. Application of genetic-algorithm improved BP neural network in automated deformation monitoring
Xuefeng et al. Study on Multi-Sensor Parameter Warning Based on Gaussian Mixed Model and Nonlinear State Estimation Technique

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
CB03 Change of inventor or designer information

Inventor after: Xu Taoling

Inventor after: Li Zhendong

Inventor after: Tian Ruochao

Inventor after: Yu Jie

Inventor before: Xu Taoling

Inventor before: Li Zhendong

Inventor before: Tian Ruochao

Inventor before: Jiang Jie

CB03 Change of inventor or designer information
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: No.1, 3rd floor, No.7 Tianyun Road, Chengdu hi tech Zone, China (Sichuan) pilot Free Trade Zone, Chengdu, Sichuan 610041

Applicant after: CHENGDU DAHUI WULIAN TECHNOLOGY Co.,Ltd.

Applicant after: Guoneng Dadu River Zhentouba Power Generation Co.,Ltd.

Address before: No.1, 3rd floor, No.7 Tianyun Road, Chengdu hi tech Zone, China (Sichuan) pilot Free Trade Zone, Chengdu, Sichuan 610041

Applicant before: CHENGDU DAHUI WULIAN TECHNOLOGY Co.,Ltd.

Applicant before: GUODIAN DADU RIVER ZHENTOUBA POWER GENERATION Co.,Ltd.

CB02 Change of applicant information
RJ01 Rejection of invention patent application after publication

Application publication date: 20200626

RJ01 Rejection of invention patent application after publication