CN111428344B - 一种高速公路机电设备退化分析模型的构建方法 - Google Patents

一种高速公路机电设备退化分析模型的构建方法 Download PDF

Info

Publication number
CN111428344B
CN111428344B CN202010121709.2A CN202010121709A CN111428344B CN 111428344 B CN111428344 B CN 111428344B CN 202010121709 A CN202010121709 A CN 202010121709A CN 111428344 B CN111428344 B CN 111428344B
Authority
CN
China
Prior art keywords
level
factor
monitoring data
parameters
electromechanical equipment
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.)
Active
Application number
CN202010121709.2A
Other languages
English (en)
Other versions
CN111428344A (zh
Inventor
林杉
许宏科
刘冬伟
牛军
刘占文
赵威
陈天益
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.)
Changan University
Original Assignee
Changan University
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 Changan University filed Critical Changan University
Priority to CN202010121709.2A priority Critical patent/CN111428344B/zh
Publication of CN111428344A publication Critical patent/CN111428344A/zh
Application granted granted Critical
Publication of CN111428344B publication Critical patent/CN111428344B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

本发明提供了一种高速公路机电设备退化分析模型的构建方法，该方法按照以下步骤进行：步骤一，获取原始数据：步骤二，构造运行状态特征参数序列和健康状态监测数据序列：步骤三，筛选敏感参数：步骤四，构造外部因素影响累积效应参数序列：步骤五，筛选主要外部累积效应影响参数：步骤六，建立高速公路机电设备退化分析模型：采用变换后的健康状态监测数据、敏感参数和主要外部累积效应影响参数构造训练数据集。本方法相较于以往通过分析高速公路机电设备故障和维护数据，获取各类设备失效概率分布的方法，本方法可以更加准确地把握设备退化过程。

Description

一种高速公路机电设备退化分析模型的构建方法
技术领域
本发明属于公路交通机电设备领域，涉及高速公路机电设备养护管理，具体涉及一种高速公路机电设备退化分析模型的构建方法。
背景技术
高速公路机电设备的维护管理工作是保障机电系统稳定运行的重要环节。掌握机电设备在运行过程中的性能退化情况以及外部因素(如设备运行环境、维护状况)对设备退化的影响机理，对提高机电设备维护管理工作效率具有重要的支撑作用。
目前，在高速公路机电设备维护管理领域，设备的维护工作主要通过制定维护计划，按规范实施的模式开展。这种模式存在灵活性差、效率不高的问题。相关方法研究集中在设备剩余使用寿命的预测方法方面，主要是利用设备失效数据建立不同设备寿命概率分布模型，估计设备的寿命。此类方法精确度较低，实用性不强。其他相关领域，也有关于机电设备退化分析的方法研究。主要研究对象包括机械设备的旋转部件、电机以及电力储能设备等。相关方法利用对设备运行过程中某些参数的监测数据，描述设备退化过程，建立设备退化模型。这些方法未考虑外部因素对设备退化过程的影响。高速公路机电设备的健康状况受到其运行环境的制约以及维护状况的影响，外部因素对设备退化的影响不可忽略。因此，为了实现对高速公路机电设备退化的准确分析结果，需要综合考虑运行状态与退化之间的关系以及外部因素对退化的影响。
发明内容
针对上述现有技术的不足与缺陷，本发明的目的在于提供一种高速公路机电设备退化分析模型的构建方法，解决现有技术中退化分析预测结果不准确的技术问题。
为了解决上述技术问题，本发明采用如下技术方案予以实现：
一种高速公路机电设备退化分析模型的构建方法，该方法按照以下步骤进行：
步骤一，获取原始数据：
所述的原始数据包括同时期的高速公路机电设备的运行状态监测数据、健康状态监测数据、运行环境状况监测数据和历史维护数据；
所述的运行状态监测数据包括高速公路机电设备的电压、电流和功率因数；
所述的健康状态监测数据包括照明光通维持率、蓄电池容量或PLC读写速度；
所述的运行环境状况监测数据包括环境温度、环境湿度和高速公路机电设备的振动监测值；
所述的历史维护数据包括高速公路机电设备在同时期内的维护时间和维护工作等级；
步骤二，构造运行状态特征参数序列和健康状态监测数据序列：
设定单位时间间隔为t，多个单位时间间隔内的高速公路机电设备的运行状态特征参数集：[v_mean，v_std，c_mean，c_std，p_mean，p_std]，多个单位时间间隔内的运行状态特征参数集中的每一列数据形成运行状态特征参数序列；
其中：v表示电压，c表示电流，p表示功率因数，mean表示单位时间间隔t内采样值的均值，std表示单位时间间隔t内采样值的标准差；
取健康状态监测数据在时间间隔t内的采样值的均值作为设备健康指标参数HI，与运行状态特征参数序列对应相同的多个单位时间间隔内的高速公路机电设备的健康状态监测数据形成健康状态监测数据序列；
步骤三，筛选敏感参数：
采用灰关联熵算法，以运行状态特征参数序列作为比较序列，以健康状态监测数据序列作为参考序列，计算灰色关联度值R；
采用相关分析法，计算运行状态特征参数序列和健康状态监测数据序列的Pearson相关系数r；
按照y＝0.4|R|+0.6|r|计算加权平均值，并根据y对运行状态特征参数集中行向的六个参数进行降序排列，选择前三个参数作为敏感参数；
步骤四，构造外部因素影响累积效应参数序列：
设定运行环境状况监测数据的因素水平：
环境温度的1级因素水平为[15,18)℃，环境温度的2级因素水平为[18,21)℃，环境温度的3级因素水平为[21,24)℃，环境温度的4级因素水平为[24,27)℃，环境温度的5级因素水平为[27,30)℃；
环境湿度的1级因素水平为[65％,70％)，环境湿度的2级因素水平为[70％,75％)，环境湿度的3级因素水平为[75％,80％)，环境湿度的4级因素水平为[80％,85％)，环境湿度的5级因素水平为[85％,90％)；
振动监测值的1级因素水平为[7,8)Hz，振动监测值的2级因素水平为[8,9)Hz，振动监测值的3级因素水平为[9,10)Hz，振动监测值的4级因素水平为[10,11)Hz，振动监测值的5级因素水平为[11,12)Hz；
取每个时间点之前的时段内，各运行环境状况监测数据的因素水平值以各级因素水平出现频率为权值的加权和为参数T_ws，H_ws，V_ws；
取每个时间点之前的时段内，各运行环境状况监测数据的因素水平值变化序列的标准差为参数T_std，H_std，V_std；
取高速公路机电设备在每个时间点距离上一次维护的天数，为参数M_days，其中设定初始时刻设备即进行了一次维护；
取高速公路机电设备在每个时间点之前对设备进行过的维护工作的等级以频率为权值的加权和为参数M_ws；
与运行状态特征参数序列对应相同的多个单位时间间隔内的高速公路机电设备的外部因素影响累积效应参数集合为：
[T_ws，H_ws，V_ws，T_std，H_std，V_std，M_days，M_ws]；
多个单位时间间隔内的外部因素影响累积效应参数集合中的每一列数据形成外部因素影响累积效应参数序列；
其中：T是温度采样值，H是湿度采样值，V是振动频率采样值，ws表示加权和，std表示标准差；
步骤五，筛选主要外部累积效应影响参数：
采用相关分析法，计算外部因素影响累积效应参数序列和健康状态监测数据序列的Pearson相关系数r；并根据r值对外部因素影响累积效应参数集合中行向的八个参数进行降序排列。取前三个参数作为退化过程的主要外部累积效应影响参数；
步骤六，建立高速公路机电设备退化分析模型：
采用极大似然估计法选择Box-Cox算法中Box-Cox变换族的变换参数λ，采用Box-Cox算法对健康状态监测数据进行变换，获得变换后的健康状态监测数据；
采用变换后的健康状态监测数据、敏感参数和主要外部累积效应影响参数构造训练数据集，采用贝叶斯学习框架最小化正则误差，训练相关向量机模型，获得高速公路机电设备退化分析模型。
本发明与现有技术相比，具有如下技术效果：
(Ⅰ)本方法利用高速公路机电设备运行状态监测数据，对高速公路机电设备退化过程进行分析。相较于以往通过分析高速公路机电设备故障和维护数据，获取各类设备失效概率分布的方法，本方法可以更加准确地把握设备退化过程。
(Ⅱ)本方法考虑对高速公路机电设备退化过程密切相关的设备运行环境状态和维护状况两种影响因素，分析各因素对设备退化过程的影响机理。通过考虑这些因素对设备退化过程的影响，提高对设备退化过程描述的准确性。
(Ⅲ)本方法通过对高速公路机电设备状态监测数据的处理，提取设备运行状态特征，构造设备运行状态特征参数集。然后，根据特征参数集中个参数与设备健康指标参数的相关程度筛选设备退化敏感参数。有效地挖掘出设备运行状态监测数据中设备退化信息。
(Ⅳ)本方法考虑设备运行环境中各类因素对设备退化过程的影响机理，对各环境因素进行水平划分，并构造了表征各类环境因素对设备退化过程产生累积影响效应的参数。同时，结合高速公路机电设备分级维护的历史数据，构造了维护状况累积影响效应参数。相较于以往仅从设备运行状态监测数据中分析设备退化过程的方法，本方法进一步提高对设备退化过程描述的准确性。
(Ⅴ)本方法在采用相关向量机算法建立设备退化模型时，对设备健康指标参数进行Box-Cox的非线性变换处理，可以从数据处理角度增强模型的准确率。
附图说明
图1为UPS电源设备蓄电池组退化过程建模结果样例图。
以下结合实施例对本发明的具体内容作进一步详细解释说明。
具体实施方式
以下给出本发明的具体实施例，需要说明的是本发明并不局限于以下具体实施例，凡在本申请技术方案基础上做的等同变换均落入本发明的保护范围。
实施例1：
本实施例给出一种高速公路机电设备退化分析模型的构建方法，该方法按照以下步骤进行：
步骤一，获取原始数据：
所述的原始数据包括同时期的高速公路机电设备的运行状态监测数据、健康状态监测数据、运行环境状况监测数据和历史维护数据；
所述的运行状态监测数据包括高速公路机电设备的电压、电流和功率因数；
所述的健康状态监测数据包括照明光通维持率、蓄电池容量或PLC读写速度；
所述的运行环境状况监测数据包括环境温度、环境湿度和高速公路机电设备的振动监测值；
所述的历史维护数据包括高速公路机电设备在同时期内的维护时间和维护工作等级；
步骤二，构造运行状态特征参数序列和健康状态监测数据序列：
设定单位时间间隔为t，多个单位时间间隔内的高速公路机电设备的运行状态特征参数集：[v_mean，v_std，c_mean，c_std，p_mean，p_std]，多个单位时间间隔内的运行状态特征参数集中的每一列数据形成运行状态特征参数序列；
其中：v表示电压，c表示电流，p表示功率因数，mean表示单位时间间隔t内采样值的均值，std表示单位时间间隔t内采样值的标准差；
取健康状态监测数据在时间间隔t内的采样值的均值作为设备健康指标参数HI，与运行状态特征参数序列对应相同的多个单位时间间隔内的高速公路机电设备的健康状态监测数据形成健康状态监测数据序列；
步骤三，筛选敏感参数：
采用灰关联熵算法，以运行状态特征参数序列作为比较序列，以健康状态监测数据序列作为参考序列，计算灰色关联度值R；
采用相关分析法，计算运行状态特征参数序列和健康状态监测数据序列的Pearson相关系数r；
按照y＝0.4|R|+0.6|r|计算加权平均值，并根据y对运行状态特征参数集中行向的六个参数进行降序排列，选择前三个参数作为敏感参数；
步骤四，构造外部因素影响累积效应参数序列：
设定运行环境状况监测数据的因素水平：
环境温度的1级因素水平为[15,18)℃，环境温度的2级因素水平为[18,21)℃，环境温度的3级因素水平为[21,24)℃，环境温度的4级因素水平为[24,27)℃，环境温度的5级因素水平为[27,30)℃；
环境湿度的1级因素水平为[65％,70％)，环境湿度的2级因素水平为[70％,75％)，环境湿度的3级因素水平为[75％,80％)，环境湿度的4级因素水平为[80％,85％)，环境湿度的5级因素水平为[85％,90％)；
振动监测值的1级因素水平为[7,8)Hz，振动监测值的2级因素水平为[8,9)Hz，振动监测值的3级因素水平为[9,10)Hz，振动监测值的4级因素水平为[10,11)Hz，振动监测值的5级因素水平为[11,12)Hz；
取每个时间点之前的时段内，各运行环境状况监测数据的因素水平值以各级因素水平出现频率为权值的加权和为参数T_ws，H_ws，V_ws；
取每个时间点之前的时段内，各运行环境状况监测数据的因素水平值变化序列的标准差为参数T_std，H_std，V_std；
取高速公路机电设备在每个时间点距离上一次维护的天数，为参数M_days，其中设定初始时刻设备即进行了一次维护；
取高速公路机电设备在每个时间点之前对设备进行过的维护工作的等级以频率为权值的加权和为参数M_ws；
与运行状态特征参数序列对应相同的多个单位时间间隔内的高速公路机电设备的外部因素影响累积效应参数集合为：
[T_ws，H_ws，_ws，V_ws，T_std，H_std，V_std，M_days，M_ws]；
多个单位时间间隔内的外部因素影响累积效应参数集合中的每一列数据形成外部因素影响累积效应参数序列；
其中：T是温度采样值，H是湿度采样值，V是振动频率采样值，ws表示加权和，std表示标准差；
步骤五，筛选主要外部累积效应影响参数：
采用相关分析法，计算外部因素影响累积效应参数序列和健康状态监测数据序列的Pearson相关系数r；并根据r值对外部因素影响累积效应参数集合中行向的八个参数进行降序排列。取前三个参数作为退化过程的主要外部累积效应影响参数；
步骤六，建立高速公路机电设备退化分析模型：
采用极大似然估计法选择Box-Cox算法中Box-Cox变换族的变换参数λ，采用Box-Cox算法对健康状态监测数据进行变换，获得变换后的健康状态监测数据；
采用变换后的健康状态监测数据、敏感参数和主要外部累积效应影响参数构造训练数据集，采用贝叶斯学习框架最小化正则误差，训练相关向量机模型，获得高速公路机电设备退化分析模型。
应用例：
本应用例中的高速公路机电设备具体以UPS电源设备蓄电池组为例，按照如实施例1中所述的高速公路机电设备退化分析模型的构建方法获得高速公路机电设备退化分析模型。
其中：
步骤一中，UPS电源设备蓄电池组的运行状态监测数据样例见表1，运行环境状况监测数据样例见表2，历史维护数据样例见表3。
步骤二中，UPS电源设备蓄电池组的运行状态特征参数集样例如表4所示，UPS电源设备蓄电池组的健康状态监测数据序列样例如表5所示。
步骤三中，UPS电源设备蓄电池组的运行状态特征参数序列的灰色关联度值R和Pearson相关系数r如表6所示，对运行状态特征参数集中行向的六个参数进行降序排列结果如表7所示。
步骤四中，UPS电源设备蓄电池组的高速公路机电设备的外部因素影响累积效应参数集合样例如表8所示。
步骤五中，UPS电源设备蓄电池组的外部因素影响累积效应参数序列的Pearson相关系数r如表9所示。
步骤六中，RVM模型：
Figure BDA0002393171230000101
其中：
RVM模型即相关向量机模型；K(x,xi)为高斯核函数；x为敏感参数与外部因素累积影响效应参数构成的输入向量；xi为核函数在第i轮迭代的中心点；wi为模型权值；N为样本数；w0为偏差。
模型可视化结果样例如图1所示。
表1运行状态监测数据样例
采样时间点 输出电压(v) 输出电流(mA) 输出功率因数
1 3.974870912 -2.012528324 0.75
2 3.951716708 -2.013979362 0.73
… … … …
表2运行环境状况监测数据样例
采样时间点 温度(℃) 湿度(％) 振动(Hz)
1 21.9 72.7 10.6
2 21.8 73.1 8.8
… … … …
表3历史维护数据样例
序号 日期 维护级别
1 8月2日 2
2 9月3日 4
… … …
表4运行状态特征参数集样例
时间间隔序号 v_mean v_std c_mean c_std p_mean p_std
1 3.52982 0.05567 -1.81870 0.35229 0.74 0.11325
2 3.53732 0.05511 -1.81755 0.35423 0.76 0.13645
… … … … … … …
表5健康状态监测数据序列样例
序号 HI(Ahr)
1 1.85648
2 1.84632
… …
表6运行状态特征参数序列灰色关联度值R和Pearson相关系数r
参数名 v_mean v_std c_mean c_std p_mean p_std
R 0.92350 0.93714 0.80098 0.87546 0.78881 0.85951
r -0.61117 0.83858 0.68347 0.80103 0.70508 -0.74843
表7对运行状态特征参数集中行向的六个参数进行降序排列结果
v_mean v_std c_mean c_std p_mean p_std
y 0.736102 0.878004 0.730474 0.830802 0.738572 0.792862
排序 5 1 6 2 4 3
表8外部因素影响累积效应参数集合样例
序号 T_ws H_ws V_ws T_std H_std V_std M_days M_ws
1 2 3 4 1.265 0.907 2.576 30 3
2 3 2 3 1.129 0.974 3.545 25 4
… … … … … … … … …
表9外部因素影响累积效应参数序列的Pearson相关系数r
参数 T_ws H_ws V_ws T_std H_std V_std M_days M_ws
r 0.74325 0.62734 0.68347 0.80103 0.55768 0.67428 0.32758 0.53724

Claims (1)

1.一种高速公路机电设备退化分析模型的构建方法，其特征在于，该方法按照以下步骤进行：
步骤一，获取原始数据：
所述的原始数据包括同时期的高速公路机电设备的运行状态监测数据、健康状态监测数据、运行环境状况监测数据和历史维护数据；
所述的运行状态监测数据包括高速公路机电设备的电压、电流和功率因数；
所述的健康状态监测数据包括照明光通维持率、蓄电池容量或PLC读写速度；
所述的运行环境状况监测数据包括环境温度、环境湿度和高速公路机电设备的振动监测值；
所述的历史维护数据包括高速公路机电设备在同时期内的维护时间和维护工作等级；
步骤二，构造运行状态特征参数序列和健康状态监测数据序列：
设定单位时间间隔为t，多个单位时间间隔内的高速公路机电设备的运行状态特征参数集：[v_mean，v_std，c_mean，c_std，p_mean，p_std]，多个单位时间间隔内的运行状态特征参数集中的每一列数据形成运行状态特征参数序列；
其中：v表示电压，c表示电流，p表示功率因数，mean表示单位时间间隔t内采样值的均值，std表示单位时间间隔t内采样值的标准差；
取健康状态监测数据在时间间隔t内的采样值的均值作为设备健康指标参数HI，与运行状态特征参数序列对应相同的多个单位时间间隔内的高速公路机电设备的健康状态监测数据形成健康状态监测数据序列；
步骤三，筛选敏感参数：
采用灰关联熵算法，以运行状态特征参数序列作为比较序列，以健康状态监测数据序列作为参考序列，计算灰色关联度值R；
采用相关分析法，计算运行状态特征参数序列和健康状态监测数据序列的Pearson相关系数r；
按照y＝0.4|R|+0.6|r|计算加权平均值，并根据y对运行状态特征参数集中行向的六个参数进行降序排列，选择前三个参数作为敏感参数；
步骤四，构造外部因素影响累积效应参数序列：
设定运行环境状况监测数据的因素水平：
环境温度的1级因素水平为[15,18)℃，环境温度的2级因素水平为[18,21)℃，环境温度的3级因素水平为[21,24)℃，环境温度的4级因素水平为[24,27)℃，环境温度的5级因素水平为[27,30)℃；
环境湿度的1级因素水平为[65％,70％)，环境湿度的2级因素水平为[70％,75％)，环境湿度的3级因素水平为[75％,80％)，环境湿度的4级因素水平为[80％,85％)，环境湿度的5级因素水平为[85％,90％)；
振动监测值的1级因素水平为[7,8)Hz，振动监测值的2级因素水平为[8,9)Hz，振动监测值的3级因素水平为[9,10)Hz，振动监测值的4级因素水平为[10,11)Hz，振动监测值的5级因素水平为[11,12)Hz；
取每个时间点之前的时段内，各运行环境状况监测数据的因素水平值以各级因素水平出现频率为权值的加权和为参数T_ws，H_ws，V_ws；
取每个时间点之前的时段内，各运行环境状况监测数据的因素水平值变化序列的标准差为参数T_std，H_std，V_std；
取高速公路机电设备在每个时间点距离上一次维护的天数，为参数M_days，其中设定初始时刻设备即进行了一次维护；
取高速公路机电设备在每个时间点之前对设备进行过的维护工作的等级以频率为权值的加权和为参数M_ws；
与运行状态特征参数序列对应相同的多个单位时间间隔内的高速公路机电设备的外部因素影响累积效应参数集合为：
[T_ws，H_ws，V_ws，T_std，H_std，V_std，M_days，M_ws]；
多个单位时间间隔内的外部因素影响累积效应参数集合中的每一列数据形成外部因素影响累积效应参数序列；
其中：T是温度采样值，H是湿度采样值，V是振动频率采样值，ws表示加权和，std表示标准差；
步骤五，筛选主要外部累积效应影响参数：
采用相关分析法，计算外部因素影响累积效应参数序列和健康状态监测数据序列的Pearson相关系数r；并根据r值对外部因素影响累积效应参数集合中行向的八个参数进行降序排列，取前三个参数作为退化过程的主要外部累积效应影响参数；
步骤六，建立高速公路机电设备退化分析模型：
采用极大似然估计法选择Box-Cox算法中Box-Cox变换族的变换参数λ，采用Box-Cox算法对健康状态监测数据进行变换，获得变换后的健康状态监测数据；
采用变换后的健康状态监测数据、敏感参数和主要外部累积效应影响参数构造训练数据集，采用贝叶斯学习框架最小化正则误差，训练相关向量机模型，获得高速公路机电设备退化分析模型。
CN202010121709.2A 2020-02-26 2020-02-26 一种高速公路机电设备退化分析模型的构建方法 Active CN111428344B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010121709.2A CN111428344B (zh) 2020-02-26 2020-02-26 一种高速公路机电设备退化分析模型的构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010121709.2A CN111428344B (zh) 2020-02-26 2020-02-26 一种高速公路机电设备退化分析模型的构建方法

Publications (2)

Publication Number Publication Date
CN111428344A CN111428344A (zh) 2020-07-17
CN111428344B true CN111428344B (zh) 2023-06-16

Family

ID=71547274

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010121709.2A Active CN111428344B (zh) 2020-02-26 2020-02-26 一种高速公路机电设备退化分析模型的构建方法

Country Status (1)

Country Link
CN (1) CN111428344B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103699763A (zh) * 2014-01-20 2014-04-02 哈尔滨工业大学 基于最小二乘拟合的开关电源健康状态评估方法
WO2015176565A1 (zh) * 2014-05-22 2015-11-26 袁志贤 一种基于多维时间序列的电气设备故障预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108959676B (zh) * 2017-12-22 2019-09-20 北京航空航天大学 一种考虑有效冲击的退化建模与寿命预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103699763A (zh) * 2014-01-20 2014-04-02 哈尔滨工业大学 基于最小二乘拟合的开关电源健康状态评估方法
WO2015176565A1 (zh) * 2014-05-22 2015-11-26 袁志贤 一种基于多维时间序列的电气设备故障预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于GPR的SEPIC变换器故障预测方法;孙权;王友仁;姜媛媛;邵力为;;电力电子技术(第06期);全文 *

Also Published As

Publication number Publication date
CN111428344A (zh) 2020-07-17

Similar Documents

Publication Publication Date Title
CN110070226B (zh) 基于卷积神经网络与元学习的光伏功率预测方法及系统
CN111382542B (zh) 一种面向全寿命周期的公路机电设备寿命预测系统
CN106951695A (zh) 多工况下的机械设备剩余使用寿命计算方法及系统
CN111325403B (zh) 一种公路隧道机电设备剩余寿命预测方法
CN110852509A (zh) Igbt模块的故障预测方法、装置及存储介质
Jiao Application and prospect of artificial intelligence in smart grid
CN115438726A (zh) 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统
CN116307291B (zh) 一种基于小波分解的分布式光伏发电预测方法及预测终端
CN115796434A (zh) 一种用于配电网的管控方法、装置、电子设备及存储介质
CN112633556A (zh) 一种基于混合模型的短期电力负荷预测方法
CN111428344B (zh) 一种高速公路机电设备退化分析模型的构建方法
CN117113086A (zh) 一种储能机组负荷预测方法、系统、电子设备及介质
CN115169426B (zh) 一种基于相似性学习融合模型的异常检测方法及系统
Sun et al. Support vector machines with PSO algorithm for short-term load forecasting
CN116432077A (zh) 基于优化bp神经网络的智能站二次系统故障定位方法
CN111950752A (zh) 光伏电站发电量预测方法、装置、系统及其存储介质
CN113835964B (zh) 基于小样本学习的云数据中心服务器能耗预测方法
CN115564310A (zh) 一种基于卷积神经网络的新能源电力系统可靠性评估方法
CN115577856A (zh) 一种变电工程造价预测与结余控制方法及系统
CN115056829A (zh) 多车型连续学习的列车运动状态估计方法
CN113901622A (zh) 一种基于遗传算法优化的svm的配电网拓扑辨识方法
CN112560325A (zh) 换电业务的预测方法、系统、设备及存储介质
Yang et al. LRG-Net: Lightweight Residual Grid Network for Modeling Electrical Induction Motor Dynamics
CN115618752B (zh) 一种基于Autoformer模型的电力负荷控制方法及系统
CN114742258B (zh) 可迁移的居民家庭用电负荷场景预测方法

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