CN111612242A - 一种基于lstm深度学习模型的电机状态参数预测方法 - Google Patents

一种基于lstm深度学习模型的电机状态参数预测方法 Download PDF

Info

Publication number
CN111612242A
CN111612242A CN202010416597.3A CN202010416597A CN111612242A CN 111612242 A CN111612242 A CN 111612242A CN 202010416597 A CN202010416597 A CN 202010416597A CN 111612242 A CN111612242 A CN 111612242A
Authority
CN
China
Prior art keywords
data
deep learning
motor
training
learning model
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
CN202010416597.3A
Other languages
English (en)
Inventor
王军
严潇
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.)
Beijing Tiangong Smart Manufacturing Technology Co ltd
Original Assignee
Beijing Tiangong Smart Manufacturing 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 Beijing Tiangong Smart Manufacturing Technology Co ltd filed Critical Beijing Tiangong Smart Manufacturing Technology Co ltd
Priority to CN202010416597.3A priority Critical patent/CN111612242A/zh
Publication of CN111612242A publication Critical patent/CN111612242A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/045—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

本发明提供一种基于LSTM深度学习模型的电机状态参数预测方法，涉及数据处理技术领域。该基于LSTM深度学习模型的电机状态参数预测方法，包括有如下步骤：S1、从系统中获取数据，采集电机的过程量，S2、数据预处理阶段，S3、训练数据的生成，将数据按照训练集、测试集进行分隔，S4、搭建深度学习网络结构，建立神经网络模型，S5、训练模型，选择评价指标，S6、使用训练完成的模型接受新的数据做在线预测。该基于LSTM深度学习模型的电机状态参数预测方法，采用统计学的方法，进行了基于电机原始状态参数的新特征空间构建，使用LSTM作为模型，可以提高预测的精度。

Description

一种基于LSTM深度学习模型的电机状态参数预测方法
技术领域
本发明涉及数据处理技术领域，特别的为一种基于LSTM深度学习模型的电机状态参数预测方法。
背景技术
现有的技术问题主要是：对于电机状态参数的预测，主要方法有基于物理模型的方法，基于统计的方法，和基于深度学习的方法。目对于电机温度预测的场景，目前还没有人使用构建窗口内新统计特征方法去做。
发明内容
本发明提供的发明目的在于提供一种基于LSTM深度学习模型的电机状态参数预测方法，该解决上述背景技术中的问题。
为实现以上目的，本发明通过以下技术方案予以实现：一种基于LSTM深度学习模型的电机状态参数预测方法，其特征在于，包括有如下步骤：
S1、从数据采集系统中获取数据；
S2、数据预处理阶段，对数据进行归一化处理，由于原始数据包含了大量的短期波动数据，数据量巨大，所以在使用数据前需要进行特征工程，生成新的特征，将有用的信息提取；
S3、训练数据的生成，将数据按照训练集、测试集进行分隔，比例为7∶3；
S4、搭建深度学习网络结构，建立神经网络模型，最后经过激活函数后输出结果；
S5、训练模型，选择评价指标，使用MAE作为损失函数，Adam作为优化算法进行模型的训练；
S6、使用训练完成的模型接受新的数据做在线预测，使用测试属于与预测数据进行对比，计算两者之间的MAE，以评估预测效果。
进一步的，将根据S1中的操作步骤，从数据采集系统中获取采集电机的电流、电压、功率、扭矩、转速、壳体温度，6个参数，假设原始数据为m*n维数据，m代表数据条数，n代表数据维度，数据xm*n的的使用特征向量表示为
xm*n＝(x(1)，x(2)，x(3)，...，x(i)，...，x(n))
其中xi＝代表第i组数据，
xi＝(x1 (1)，x2 (2)，x3 (3)，...，x4 (i)，...，x5 (n))。
实际数据共约124466000条，特征6个，数据点间隔为6毫秒，时间跨度为30天，未包括设备关停时的数据。
进一步的，包括以下步骤：将根据S2中的操作步骤，需要将电机处于非平稳运行时的数据去除，在此基础上，需要预测1min后的电机参数，需要将电机的统计特征与该状态参数进行关联。
进一步的，将根据S2中的操作步骤，对原始数据中的电机状态参数进行滑动窗口统计分析，计算一段时间内，若原始特征为x(1)，x(2)，…，x(i)，..，x(n)。使用滑动窗口的方法，每隔一个时间窗长度T，获取该段时间内的特征x(i)的各个统计量，记为x(i)_mean、x(i)_std、x(i)_skew、x(i)_kurt、x(i)_med等，分别表示特征x(i)的对应的窗口内某一种统计值，若使用s个统计量作为构建新特征的方式，则新生成的特征数量为s*n个，本发明为每一个原始特征构建了6个新特征，分别是均值、标准差、偏度、峰读、中位数。此时s＝6，n＝6。数据维度为124466000*36。由于数据维度较多，为了进一步降维处理选择信息增益作为特征选择的方法，
某个随机变量的概率分布为，
P(X＝xi)＝pi，i＝1，2，...，n
则随机变量的熵定义为，
Figure BSA0000208972280000031
设有随机变量(X，Y)，其联合概率分布为
P(X＝xi，Y＝yj)＝pij，i＝1，2，...，n
条件熵H(Y|X)定义为，
Figure BSA0000208972280000032
信息增益表示为数据集X的经验熵H(X)与特征A作为条件下的条件熵H(X|A)只差，
g(X，A)＝H(X)-H(X|A)
在数据集X中，计算各个特征x(i)的信息增益，根据信息增益从大到小排列后，根据设定的阈值，选择前8个特征作为最终选择进入训练的特征，分别是：电流标准差、电流峰度、电流、功率、扭矩、壳体温度标准差、壳体温度中位数、扭矩标准差。
在使用数据前，需要将数据进行归一化，防止不同量纲的数据影响训练结果，
采用MinMax归一化方法，如下所示，
Figure BSA0000208972280000041
其中Xmin时该特征中的最小值，Xmax为该特征中的最大值，x对应该特征每一个值，x scaled为该值归一化后的结果。归一化使得所有数据能将所有数据放缩到-1到1的区间内且保留其变化情况。
进一步的，将根据S3中的操作步骤，分别使用训练集以及测试集构成新的时间序列数据，若原始数据维度为(m，K)，则新生成的数据维度为(m-t+1，t，K)，t为时间序列长度，将要预测的特征的均值作为此组时间序列数据标签。
进一步的，将根据S4中的操作步骤，每一个循环中有4个网络层，其中三个sigmoid层，一个tanh层。
本发明提供了一种基于LSTM深度学习模型的电机状态参数预测方法。具备以下有益效果：
(1)、该基于LSTM深度学习模型的电机状态参数预测方法，采用统计学的方法，进行了基于电机原始状态参数的新特征空间构建。
(2)、该基于LSTM深度学习模型的电机状态参数预测方法，使用LSTM作为模型，可以提高预测的精度。
具体实施方式
本发明提供一种技术方案：一种基于LSTM深度学习模型的电机状态参数预测方法，包括以下具体实施步骤：
S1、从SCADA系统中获取数据，包括数据维度，采集间隔，总共条数电机的过程量，从数据采集系统中获取采集电机的电流、电压、功率、扭矩、转速、壳体温度，6个参数，假设原始数据为m*n维数据，m代表数据条数，n代表数据维度，数据xm*n的的使用特征向量表示为
xm*n＝(x(1)，x(2)，x(3)，...，x(i)，...，x(n))
其中xi＝代表第i组数据，
xi＝(x1 (1)，x2 (2)，x3 (3)，...，x4 (i)，...，x5 (n))。
实际数据共约124466000条，特征6个，数据点间隔为6毫秒，时间跨度为30天，未包括设备关停时的数据。
S2、数据预处理阶段，对数据进行归一化处理，由于原始数据包含了大量的短期波动数据，数据量巨大，所以在使用数据前需要进行特征工程，生成新的特征，将有用的信息提取，需要将电机处于非平稳运行时的数据去除，在此基础上，需要预测1min后的电机参数，需要将电机的统计特征与该状态参数进行关联，具体步骤如下，对原始数据中的电机状态参数进行滑动窗口统计分析，计算一段时间内，若原始特征为x(1)，x(2)，…，x(i)，..，x(n)。使用滑动窗口的方法，每隔一个时间窗长度T，获取该段时间内的特征x(i)的各个统计量，记为x(i)_mean、x(i)_std、x(i)_skew、x(i)_kurt、x(i)_med等，分别表示特征x(i)的对应的窗口内某一种统计值，若使用s个统计量作为构建新特征的方式，则新生成的特征数量为s*n个，本发明为每一个原始特征构建了6个新特征，分别是均值、标准差、偏度、峰读、中位数。此时s＝6，n＝6。数据维度为124466000*36。由于数据维度较多，为了进一步降维处理选择信息增益作为特征选择的方法，
某个随机变量的概率分布为，
P(X＝xi)＝pi，i＝1，2，...，n
则随机变量的熵定义为，
Figure BSA0000208972280000061
设有随机变量(X，Y)，其联合概率分布为
P(X＝xi，Y＝yj)＝pij，i＝1，2，...，n
条件熵H(Y|X)定义为，
Figure BSA0000208972280000071
信息增益表示为数据集X的经验熵H(X)与特征A作为条件下的条件熵H(X|A)只差，
g(X，A)＝H(X)-H(X|A)
在数据集X中，计算各个特征x(i)的信息增益，选择前K个特征作为最终选择进入训练的特征，
在使用数据前，需要将数据进行归一化，防止不同量纲的数据影响训练结果，
采用MinMax归一化方法，如下所示，
Figure BSA0000208972280000072
其中Xmin时该特征中的最小值，Xmax为该特征中的最大值，x对应该特征每一个值，x scaled为该值归一化后的结果。归一化使得所有数据能将所有数据放缩到-1到1的区间内且保留其变化情况。
S3、训练数据的生成，将数据按照训练集、测试集进行分隔，比例为7∶3，分别使用训练集以及测试集构成新的时间序列数据，若原始数据维度为(m，K)，则新生成的数据维度为(m-t+1，t，K)，t为时间序列长度(本发明中是1分钟长度的数据)，将要预测的特征的均值作为此组时间序列数据标签。
S4、搭建深度学习网络结构，建立神经网络模型，包括一个LSTM层，一个Dropout层，一个全连接层，最后经过激活函数后输出结果，每一个循环中有4个网络层，其中三个sigmoid层，一个tanh层。
S5、训练模型，选择评价指标，使用MAE作为损失函数，Adam作为优化算法进行模型的训练。
S6、使用训练完成的模型接受新的数据做在线预测，使用测试属于与预测数据进行对比，计算两者之间的MAE，以评估预测效果。
以上所述的仅是本发明的优选实施方式，应当指出，对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (6)

1.一种基于LSTM深度学习模型的电机状态参数预测方法，其特征在于，包括有如下步骤：
S1、从数据采集系统中获取数据；
S2、数据预处理阶段，对数据进行归一化处理，由于原始数据包含了大量的短期波动数据，数据量巨大，所以在使用数据前需要进行特征工程，生成新的特征，将有用的信息提取；
S3、训练数据的生成，将数据按照训练集、测试集进行分隔，比例为7∶3；
S4、搭建深度学习网络结构，建立神经网络模型，最后经过激活函数后输出结果；
S5、训练模型，选择评价指标，使用MAE作为损失函数，Adam作为优化算法进行模型的训练；
S6、使用训练完成的模型接受新的数据做在线预测，使用测试属于与预测数据进行对比，计算两者之间的MAE，以评估预测效果。
2.根据权利要求1所述的一种基于LSTM深度学习模型的电机状态参数预测方法，其特征在于，包括以下步骤：将根据S1中的操作步骤，从数据采集系统中获取采集电机的电流、电压、功率、扭矩、转速、壳体温度，6个参数，假设原始数据为m*n维数据，m代表数据条数，n代表数据维度，数据xm*n的的使用特征向量表示为
xm*n＝(x(1)，x(2)，x(3)，...，x(i)，...，x(n))
其中xi＝代表第i组数据，
xi＝(x1 (1)，x2 (2)，x3 (3)，...，x4 (i)，...，x5 (n))。
实际数据共约124466000条，特征6个，数据点间隔为6毫秒，时间跨度为30天，未包括设备关停时的数据。
3.根据权利要求1所述的一种基于LSTM深度学习模型的电机状态参数预测方法，其特征在于，包括以下步骤：将根据S2中的操作步骤，需要将电机处于非平稳运行时的数据去除，在此基础上，需要预测1min后的电机参数，需要将电机的统计特征与该状态参数进行关联。
4.根据权利要求1所述的一种基于LSTM深度学习模型的电机状态参数预测方法，其特征在于，包括以下步骤：将根据S2中的操作步骤，对原始数据中的电机状态参数进行滑动窗口统计分析，计算一段时间内，若原始特征为x(1)，x(2)，…，x(i)，..，x(n)。使用滑动窗口的方法，每隔一个时间窗长度T，获取该段时间内的特征x(i)的各个统计量，记为x(i)_mean、x(i)_std、x(i)_skew、x(i)_kurt、x(i)_med等，分别表示特征x(i)的对应的窗口内某一种统计值，若使用s个统计量作为构建新特征的方式，则新生成的特征数量为s*n个，本发明为每一个原始特征构建了6个新特征，分别是均值、标准差、偏度、峰读、中位数。此时s＝6，n＝6。数据维度为124466000*36。由于数据维度较多，为了进一步降维处理选择信息增益作为特征选择的方法，
某个随机变量的概率分布为，
P(X＝xi)＝pi，i＝1，2，...，n
则随机变量的熵定义为，
Figure FSA0000208972270000031
设有随机变量(X，Y)，其联合概率分布为
P(X＝xi，Y＝yj)＝pij，i＝1，2，...，n
条件熵H(Y|X)定义为，
Figure FSA0000208972270000032
信息增益表示为数据集X的经验熵H(X)与特征A作为条件下的条件熵H(X|A)只差，
g(X，A)＝H(X)-H(X|A)
在数据集X中，计算各个特征x(i)的信息增益，根据信息增益从大到小排列后，根据设定的阈值，选择前8个特征作为最终选择进入训练的特征，分别是：电流标准差、电流峰度、电流、功率、扭矩、壳体温度标准差、壳体温度中位数、扭矩标准差。
在使用数据前，需要将数据进行归一化，防止不同量纲的数据影响训练结果，
采用MinMax归一化方法，如下所示，
Figure FSA0000208972270000041
其中Xmin时该特征中的最小值，Xmax为该特征中的最大值，x对应该特征每一个值，xscaled为该值归一化后的结果。归一化使得所有数据能将所有数据放缩到-1到1的区间内且保留其变化情况。
5.根据权利要求1所述的一种基于LSTM深度学习模型的电机状态参数预测方法，其特征在于，包括以下步骤：将根据S3中的操作步骤，分别使用训练集以及测试集构成新的时间序列数据，若原始数据维度为(m，K)，则新生成的数据维度为(m-t+1，t，K)，t为时间序列长度(本发明中是1分钟长度的数据)，将要预测的特征的均值作为此组时间序列数据标签。
6.根据权利要求1所述的一种基于LSTM深度学习模型的电机状态参数预测方法，其特征在于，包括以下步骤：将根据S4中的操作步骤，每一个循环中有4个网络层，其中三个sigmoid层，一个tanh层。
CN202010416597.3A 2020-05-15 2020-05-15 一种基于lstm深度学习模型的电机状态参数预测方法 Pending CN111612242A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010416597.3A CN111612242A (zh) 2020-05-15 2020-05-15 一种基于lstm深度学习模型的电机状态参数预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010416597.3A CN111612242A (zh) 2020-05-15 2020-05-15 一种基于lstm深度学习模型的电机状态参数预测方法

Publications (1)

Publication Number Publication Date
CN111612242A true CN111612242A (zh) 2020-09-01

Family

ID=72196863

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010416597.3A Pending CN111612242A (zh) 2020-05-15 2020-05-15 一种基于lstm深度学习模型的电机状态参数预测方法

Country Status (1)

Country Link
CN (1) CN111612242A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112247992A (zh) * 2020-11-02 2021-01-22 中国科学院深圳先进技术研究院 一种机器人前馈力矩补偿方法
TWI742970B (zh) * 2020-12-21 2021-10-11 財團法人工業技術研究院 潤滑油量調整系統及潤滑油量調整方法
CN114781552A (zh) * 2022-06-17 2022-07-22 深圳硅山技术有限公司 电机性能测试方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108710752A (zh) * 2018-05-17 2018-10-26 西南科技大学 一种基于灰色关联分析和bp神经网络的电机数据分析方法
US20190114511A1 (en) * 2017-10-16 2019-04-18 Illumina, Inc. Deep Learning-Based Techniques for Training Deep Convolutional Neural Networks
CN110266228A (zh) * 2019-07-05 2019-09-20 长安大学 基于bp神经网络的表面式永磁同步电机模型预测控制方法
CN110659755A (zh) * 2018-06-28 2020-01-07 比亚迪股份有限公司 用于预测电机温度的建模方法、装置和存储介质
CN110907066A (zh) * 2019-11-30 2020-03-24 华能如东八仙角海上风力发电有限责任公司 基于深度学习模型的风电机组齿轮箱轴承温度状态监测方法
CN111008485A (zh) * 2019-12-25 2020-04-14 中国石油大学(华东) 基于神经网络的三相交流异步电机多参数寿命预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190114511A1 (en) * 2017-10-16 2019-04-18 Illumina, Inc. Deep Learning-Based Techniques for Training Deep Convolutional Neural Networks
CN108710752A (zh) * 2018-05-17 2018-10-26 西南科技大学 一种基于灰色关联分析和bp神经网络的电机数据分析方法
CN110659755A (zh) * 2018-06-28 2020-01-07 比亚迪股份有限公司 用于预测电机温度的建模方法、装置和存储介质
CN110266228A (zh) * 2019-07-05 2019-09-20 长安大学 基于bp神经网络的表面式永磁同步电机模型预测控制方法
CN110907066A (zh) * 2019-11-30 2020-03-24 华能如东八仙角海上风力发电有限责任公司 基于深度学习模型的风电机组齿轮箱轴承温度状态监测方法
CN111008485A (zh) * 2019-12-25 2020-04-14 中国石油大学(华东) 基于神经网络的三相交流异步电机多参数寿命预测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112247992A (zh) * 2020-11-02 2021-01-22 中国科学院深圳先进技术研究院 一种机器人前馈力矩补偿方法
TWI742970B (zh) * 2020-12-21 2021-10-11 財團法人工業技術研究院 潤滑油量調整系統及潤滑油量調整方法
US11906939B2 (en) 2020-12-21 2024-02-20 Industrial Technology Research Institute Lubricating oil volume adjustment system and lubricating oil volume adjustment method
CN114781552A (zh) * 2022-06-17 2022-07-22 深圳硅山技术有限公司 电机性能测试方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN111612242A (zh) 一种基于lstm深度学习模型的电机状态参数预测方法
CN115018021B (zh) 基于图结构与异常注意力机制的机房异常检测方法及装置
CN112838946B (zh) 基于通信网故障智能感知与预警模型的构建方法
CN113344288B (zh) 梯级水电站群水位预测方法、装置及计算机可读存储介质
CN105117593A (zh) 基于小波变换和粒子群改进灰色模型的短期风速预测方法
CN114006370B (zh) 一种电力系统暂态稳定分析评估方法及系统
CN112115781A (zh) 基于对抗攻击样本和多视图聚类的无监督行人重识别方法
CN103020743B (zh) 风电场超短期风速预测方法
CN113804997B (zh) 基于双向WaveNet深度学习的电压暂降源定位方法
CN111881617A (zh) 数据处理方法、风力发电机组的性能评估方法及系统
CN114091615B (zh) 一种基于生成对抗网络的电能计量数据补全方法和系统
CN107358006A (zh) 一种基于主成分分析的Lorenz扰动风速预测方法
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
CN113361801A (zh) 基于gan网络和半监督回归的混合滚动短期负荷预测方法
CN113627685B (zh) 一种考虑风电上网负荷限制的风力发电机功率预测方法
CN113344243A (zh) 基于改进哈里斯鹰算法优化elm的风速预测方法及系统
CN115146718A (zh) 基于深度表示的风电机组异常检测方法
CN113762591B (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN111476402A (zh) 耦合气象信息与emd技术的风电发电能力预测方法
CN117154680A (zh) 一种基于非平稳Transformer模型的风电功率预测方法
CN110943473A (zh) 一种基于广域测量系统和聚类理论的发电机同调识别方法
CN113537573B (zh) 基于双重时空特征提取的风电功率运行趋势预测方法
CN113420733B (zh) 一种高效分布式大数据数据采集实现方法及系统
CN112529637B (zh) 基于情景感知的服务需求动态预测方法及系统
Lu et al. A dynamic soft-sensing method based on impulses response template and parameter estimation with modified DE optimization

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
DD01 Delivery of document by public notice

Addressee: BEIJING TIANGONG SMART MANUFACTURING TECHNOLOGY Co.,Ltd. Person in charge of patentsThe principal of patent

Document name: Deemed withdrawal notice

DD01 Delivery of document by public notice
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200901

WD01 Invention patent application deemed withdrawn after publication