CN111695248B - 一种抽水蓄能机组劣化状态趋势快速预警方法 - Google Patents
一种抽水蓄能机组劣化状态趋势快速预警方法 Download PDFInfo
- Publication number
- CN111695248B CN111695248B CN202010462999.7A CN202010462999A CN111695248B CN 111695248 B CN111695248 B CN 111695248B CN 202010462999 A CN202010462999 A CN 202010462999A CN 111695248 B CN111695248 B CN 111695248B
- Authority
- CN
- China
- Prior art keywords
- sequence
- state
- unit
- trend
- scale
- 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
Links
- 230000015556 catabolic process Effects 0.000 title claims abstract description 51
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 51
- 238000003860 storage Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000011161 development Methods 0.000 claims abstract description 25
- 238000005096 rolling process Methods 0.000 claims abstract description 22
- 230000007246 mechanism Effects 0.000 claims abstract description 16
- 230000002776 aggregation Effects 0.000 claims abstract description 12
- 238000004220 aggregation Methods 0.000 claims abstract description 12
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 12
- 238000012512 characterization method Methods 0.000 claims abstract description 11
- 230000006866 deterioration Effects 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 abstract 1
- 238000012423 maintenance Methods 0.000 description 11
- 238000009826 distribution Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000003449 preventive effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
本发明涉及电力系统水力发电机组领域,公开了一种抽水蓄能机组劣化状态趋势快速预警方法,包含如下步骤:1)对机组劣化状态表征参量序列进行快速集成经验模态分解,获取其多尺度序列集合;2)基于非线性散布熵理论,对多尺度序列进行自适应聚合,生成重构状态序列;3)构建融合灰色马尔科夫理论与滚动建模机制的嵌入式组合预测模型,完成对重构状态序列的高效准确预测;4)根据预设状态参量报警阈值与波动水平值,实现机组劣化状态发展趋势越限报警。本发明提出的方法能够满足抽水蓄能机组在不同工况下进行劣化状态趋势准确预测的需求,精确预警机组运行状态异常情景,确保机组安全稳定运行,提高电站整体效益。
Description
技术领域
本发明涉及电力系统水力发电机组领域,特别涉及一种抽水蓄能机组劣化状态趋势快速预警方法。
背景技术
伴随着经济和社会的快速发展,电力负荷迅速增长,峰谷差不断加大,电网对稳定性提出了更高的要求,调峰能力不足将成为制约电力系统发展的关键问题。抽水蓄能电站作为世界公认的运行灵活可靠的调峰电源,以其调峰填谷的独特运行特性,发挥着调节负荷、促进电力系统节能和维护电网安全稳定运行的功能,逐步成为电力系统有效的、不可或缺的调节手段。为保障抽水蓄能机组的安全稳定运行,提升电站的整体运营效率,研究合理有效的抽水蓄能机组劣化状态趋势快速预警方法已成为当前提高抽水蓄能机组智能维护水平的一项重要工作。
现有的抽水蓄能机组维护思想主要采用计划检修方式,即依据工程实际制定定期停机检修方案。以上措施主要依赖于人工经验,未充分考虑机组实时运行状态的影响,且不必要的停机会造成经济成本的极大耗费。因此,基于机组当前劣化状态分析的趋势预警方法可为解决上述问题提供一种新的思路。针对抽水蓄能机组劣化状态趋势预警,目前尚未系统深入地开展相关研究,缺乏科学完备的抽水蓄能机组劣化状态趋势预警理论体系,不能满足对机组实施预防性状态维护的功能需求。
发明内容
发明目的:针对现有技术中存在的问题,本发明提供了一种抽水蓄能机组劣化状态趋势快速预警方法,研究了合理有效的机组劣化状态趋势预警理论,可以满足对机组实施预防性状态维护。
技术方案:本发明提供了一种抽水蓄能机组劣化状态趋势快速预警方法,包括如下步骤:
步骤1:对机组劣化状态表征参量序列进行快速集成经验模态分解,获取其多尺度序列集合;
步骤2:基于非线性散布熵理论,对步骤1中分解所得多尺度序列进行自适应聚合,生成重构状态序列;
步骤3:构建融合灰色马尔科夫理论与滚动建模机制的嵌入式组合预测模型,完成对步骤2中重构状态序列的预测;
步骤4:根据预设状态参量报警阈值与波动水平值,实现机组劣化状态发展趋势越限报警。
进一步地,所述步骤1包括如下子步骤:
(1-1)依据相关分析等大数据分析理论方法,从机组多源异构数据集中筛选能够有效表征机组劣化状态的特征参量Mi;
(1-2)对机组劣化状态特征参量序列进行快速集成经验模态分解,获取其多尺度序列集合{IMF(Mi)1,IMF(Mi)2,…,IMF(Mi)n}。
进一步地,所述步骤2生成重构状态序列包括如下步骤:
(2-1)根据非线性散布熵理论,逐项计算多尺度序列集合中每个序列的散布熵数值
其中,c表示多尺度序列,ξ为嵌入维度,ω为时延,s为映射序列类别个数,表示每种模态/>的出现频率;
(2-2)基于计算所得各多尺度序列的散布熵数值,通过下式完成对多尺度序列的自适应聚合,生成重构状态序列{RIMF(Mi)1,RIMF(Mi)2,…,RIMF(Mi)m}:
其中,n表示多尺度序列个数,Hi、Hi+j分别表示第i个和第i+j个多尺度序列的散布熵数值,Hmax、Hmin分别表示各多尺度序列散布熵值中的最大值和最小值,i、j分别表示多尺度序列集合中的序列次序。
进一步地,所述步骤3包括如下子步骤:
(3-1)构建融合灰色马尔科夫理论与滚动建模机制的嵌入式组合预测模型,逐项预测重构状态序列集中每个序列的发展趋势值;
(3-2)逐项累加预测所得重构状态序列集中每个序列的发展趋势值,得到机组劣化状态发展趋势预测值
进一步地,所述融合灰色马尔科夫理论与滚动建模机制的嵌入式组合预测模型,采用灰色建模预测、马尔科夫修正、滚动循环建模的层进式预测体系。
进一步地,所述步骤4机组劣化状态发展趋势越限报警包括如下步骤:
(4-1)依据数值计算或专家经验,确定机组状态参量Mi报警阈值MiW及波动水平值α;
(4-2)自动判别条件:
若条件满足,则进行机组劣化状态发展趋势越限报警;
若条件不满足,则继续预测下一时段机组劣化状态发展趋势。
有益效果:
(1)本发明首次将劣化状态趋势预警的思想引入抽水蓄能机组维护决策的领域之中,综合考虑了机组实时状态的影响,克服了维护决策的制定过度依赖于人工经验的局限,一定程度上避免了不必要的停机造成的经济损失,填补了预防性状态维护思想在抽水蓄能机组维护领域尚无实际工程应用的空白,有效提升抽水蓄能机组及其各子系统相关功能的执行水平,确保电站安全、可靠、高效运行。
(2)本发明首次考虑采用快速集成经验模态分解方法完成对机组劣化状态表征参量序列的分解,并基于非线性散布熵理论实现对多尺度序列的自适应聚合重构,充分捕获机组劣化状态演变的内在规律,提升机组劣化状态趋势的可预测水平。
(3)本发明首次构建融合灰色马尔科夫理论与滚动建模机制的嵌入式组合预测模型,系统集成了灰色预测理论、马尔科夫随机方法和滚动循环建模机制,以重构状态序列为输入,通过灰色建模预测、马尔科夫修正和滚动循环建模的层进式执行流程,完成对重构状态序列的高效预测,进而得到准确的机组劣化状态发展趋势预测结果,显著提高了机组状态趋势的预测精度,攻克了难以有效实现机组状态预警的理论难题,为抽水蓄能机组实施智能状态维护提供可靠的理论指导与技术支持。
附图说明
图1为本发明提供的抽水蓄能机组劣化状态趋势快速预警方法的流程图;
图2为本发明实施例中的抽水蓄能机组劣化状态表征参量序列变化曲线;
图3为本发明实施例中的抽水蓄能机组劣化状态表征参量序列分解后所得多尺度序列集合曲线;
图4为本发明实施例中的多尺度序列集合中每个序列的散布熵数值分布结果;
图5为本发明实施例中的多尺度序列集合经自适应聚合后所得重构状态序列曲线;
图6为本发明提供的融合灰色马尔科夫理论与滚动建模机制的嵌入式组合预测模型结构图;
图7为本发明提供的滚动循环建模的原理图;
图8为本发明提供的融合灰色马尔科夫理论与滚动建模机制的嵌入式组合预测模型的计算流程图;
图9为本发明实施例中的各重构状态序列的发展趋势预测结果;
图10为本发明实施例中的抽水蓄能机组劣化状态发展趋势预测结果。
具体实施方式
下面结合附图对本发明进行详细的介绍。
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明以国内某电站抽水蓄能机组劣化状态趋势预警作为分析案例,图1所示为本发明提供的抽水蓄能机组劣化状态趋势快速预警方法的流程图,具体包括以下步骤:
步骤1:对机组劣化状态表征参量序列进行快速集成经验模态分解,获取其多尺度序列集合。
(1-1)依据相关分析等大数据分析理论方法,从机组多源异构数据集中筛选能够有效表征机组劣化状态的特征参量Mi。以国内某电站抽水蓄能机组劣化状态趋势预警作为分析案例,如图2所示为机组劣化状态表征参量序列原始变化曲线。
(1-2)对机组劣化状态特征参量序列进行快速集成经验模态分解,获取其多尺度序列集合{IMF(Mi)1,IMF(Mi)2,…,IMF(Mi)n}。由快速集成经验模态分解原理可知,原始参量序列可被分解为n个固有模态函数(IMFs)和一个残余分量r,即:
如图3所示为机组劣化状态表征参量序列经快速集成经验模态分解后所得多尺度序列集合曲线,可知原始参量序列被分解为7个IMFs和1个残余分量r。
步骤2:基于非线性散布熵理论,对分解所得多尺度序列进行自适应聚合,生成重构状态序列。
(2-1)根据非线性散布熵理论,逐项计算多尺度序列集合中每个序列的散布熵数值
其中,c表示多尺度序列,ξ为嵌入维度,ω为时延,s为映射序列类别个数,表示每种模态/>的出现频率。
如图4所示为多尺度序列IMF1~IMF7、r中每个序列的散布熵数值分布结果,可知其散布熵数值逐渐递减,直至减小为0,充分揭示了多尺度序列分布特征的内在属性。
(2-2)基于计算所得各多尺度序列的散布熵数值,通过下式完成对多尺度序列的自适应聚合,生成重构状态序列{RIMF(Mi)1,RIMF(Mi)2,…,RIMF(Mi)m}:
其中,n表示多尺度序列个数,Hi、Hi+j分别表示第i个和第i+j个多尺度序列的散布熵数值,Hmax、Hmin分别表示各多尺度序列散布熵值中的最大值和最小值,i、j分别表示多尺度序列集合中的序列次序。
由上式可知,依据非线性散布熵分布情况,多尺度序列集可被自适应聚合为四组,如表1所示:
表1多尺度序列集自适应聚合描述
组别 | 包含多尺度序列 | 散布熵分布范围 |
1 | IMF1 | [0.669,0.892] |
2 | IMF2~IMF3 | [0.442,0.665] |
3 | IMF4~IMF6 | [0.174,0.397] |
4 | IMF7,r | [0,0.159] |
根据表1对原始多尺度序列集进行自适应聚合,生产重构状态序列集{RIMF1,RIMF2,RIMF3,RIMF4}。
如图5所示为多尺度序列集合经自适应聚合后所得重构状态序列曲线,可知经自适应聚合后,原始多尺度序列集的复杂程度得到了显著降低。
步骤3:基于非线性散布熵理论,对分解所得多尺度序列进行自适应聚合,生成重构状态序列。
(3-1)构建融合灰色马尔科夫理论与滚动建模机制的嵌入式组合预测模型,逐项预测重构状态序列集中每个序列的发展趋势值
如图6所示为融合灰色马尔科夫理论与滚动建模机制的嵌入式组合预测模型结构图,可知其系统集成了灰色预测理论、马尔科夫随机方法和滚动循环建模机制,以重构状态序列为模型输入,输出状态序列发展趋势预测结果。
如图7所示为滚动循环建模的原理图,可知其通过滚动重构建模序列的模式,实现预测模型的循环重建过程。
如图8所示为融合灰色马尔科夫理论与滚动建模机制的嵌入式组合预测模型的计算流程图。以L=3,S=5代入以上流程进行计算,可逐一得到重构状态序列RIMF1~RIMF4的趋势预测结果。如图9所示为各重构状态序列的趋势预测结果曲线,可知预测结果能够良好拟合原始重构状态序列曲线的变化情况。
(3-2)逐项累加预测所得重构状态序列集中每个序列的发展趋势值,即:得到机组劣化状态发展趋势预测值/>
将重构状态序列RIMF1~RIMF4的趋势预测结果进行累加,可得机组劣化状态发展趋势预测结果。如图10所示为抽水蓄能机组劣化状态发展趋势预测结果曲线。由图示结果可知,最终预测曲线能够良好拟合原始原始劣化状态变化曲线,充分验证了上述状态趋势预测方法的有效性。
步骤4:根据预设状态参量报警阈值与波动水平值,实现机组劣化状态发展趋势越限报警。
(4-1)依据数值计算或专家经验等方法,确定机组状态参量Mi报警阈值MiW及波动水平值α。
(4-2)自动判别如下条件:
若条件满足,则进行机组劣化状态发展趋势越限报警。若条件不满足,则继续预测下一时段机组劣化状态发展趋势。
上述实施方式只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰,都应涵盖在本发明的保护范围之内。
Claims (3)
1.一种抽水蓄能机组劣化状态趋势快速预警方法,其特征在于,包括如下步骤:
步骤1:对机组劣化状态表征参量序列进行快速集成经验模态分解,获取其多尺度序列集合;
步骤2:基于非线性散布熵理论,对步骤1中分解所得多尺度序列进行自适应聚合,生成重构状态序列;
步骤3:构建融合灰色马尔科夫理论与滚动建模机制的嵌入式组合预测模型,完成对步骤2中重构状态序列的预测;所述融合灰色马尔科夫理论与滚动建模机制的嵌入式组合预测模型,采用灰色建模预测、马尔科夫修正、滚动循环建模的层进式预测体系;
(3-1)构建融合灰色马尔科夫理论与滚动建模机制的嵌入式组合预测模型,逐项预测重构状态序列集中每个序列的发展趋势值;具体包括如下步骤:
1)设定原始建模序列为d(1),d(2),...,d(n),初始化w=1;
2)设定滚动建模机制的步长为L,灰色模型系数为[aw,bw]T;
3)原始预测值为经过马尔科夫修正的状态系数S得到修正后的预测值为:/>状态系数S表示马尔科夫随机过程中的状态区间的个数;
利用上述的修正预测值替换原始建模值,判断w≥N/L,N为待预测趋势序列的长度,即待预测的数据点的个数,如果是则输出最终的预测值否则继续执行2)、3);
(3-2)逐项累加预测所得重构状态序列集中每个序列的发展趋势值,得到机组劣化状态发展趋势预测值
步骤4:根据预设状态参量报警阈值与波动水平值,实现机组劣化状态发展趋势越限报警;
(4-1)依据数值计算或专家经验,确定机组状态参量Mi报警阈值MiW及波动水平值α;
(4-2)自动判别条件:
若条件满足,则进行机组劣化状态发展趋势越限报警;
若条件不满足,则继续预测下一时段机组劣化状态发展趋势。
2.根据权利要求1所述的抽水蓄能机组劣化状态趋势快速预警方法,其特征在于,所述步骤1包括如下子步骤:
(1-1)依据相关分析等大数据分析理论方法,从机组多源异构数据集中筛选能够有效表征机组劣化状态的特征参量Mi;
(1-2)对机组劣化状态特征参量序列进行快速集成经验模态分解,获取其多尺度序列集合{IMF(Mi)1,IMF(Mi)2,…,IMF(Mi)n}。
3.根据权利要求1所述的抽水蓄能机组劣化状态趋势快速预警方法,其特征在于,所述步骤2生成重构状态序列包括如下步骤:
(2-1)根据非线性散布熵理论,逐项计算多尺度序列集合中每个序列的散布熵数值
其中,c表示多尺度序列,ξ为嵌入维度,ω为时延,s为映射序列类别个数,表示每种模态/>的出现频率;
(2-2)基于计算所得各多尺度序列的散布熵数值,通过下式完成对多尺度序列的自适应聚合,生成重构状态序列{RIMF(Mi)1,RIMF(Mi)2,…,RIMF(Mi)m}:
其中,n表示多尺度序列个数,Hi、Hi+j分别表示第i个和第i+j个多尺度序列的散布熵数值,Hmax、Hmin分别表示各多尺度序列散布熵值中的最大值和最小值,i、j分别表示多尺度序列集合中的序列次序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010462999.7A CN111695248B (zh) | 2020-05-27 | 2020-05-27 | 一种抽水蓄能机组劣化状态趋势快速预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010462999.7A CN111695248B (zh) | 2020-05-27 | 2020-05-27 | 一种抽水蓄能机组劣化状态趋势快速预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111695248A CN111695248A (zh) | 2020-09-22 |
CN111695248B true CN111695248B (zh) | 2024-01-05 |
Family
ID=72478536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010462999.7A Active CN111695248B (zh) | 2020-05-27 | 2020-05-27 | 一种抽水蓄能机组劣化状态趋势快速预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111695248B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113238530B (zh) * | 2021-04-25 | 2022-08-12 | 中国核电工程有限公司 | 监测系统显示功能设计方法及系统、验证方法、显示方法 |
CN114034997A (zh) * | 2021-11-10 | 2022-02-11 | 国网江苏省电力有限公司检修分公司 | 一种基于多参量的绝缘子劣化程度预测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106194180A (zh) * | 2016-08-08 | 2016-12-07 | 西安科技大学 | 基于滑窗与灰色马尔可夫链的采煤机调高轨迹预测方法 |
CN108875841A (zh) * | 2018-06-29 | 2018-11-23 | 国家电网有限公司 | 一种抽蓄机组振动趋势预测方法 |
CN109948833A (zh) * | 2019-02-25 | 2019-06-28 | 华中科技大学 | 一种基于长短期记忆网络的水电机组劣化趋势预测方法 |
CN110187280A (zh) * | 2019-05-20 | 2019-08-30 | 天津大学 | 一种基于灰色模型的锂电池剩余寿命概率预测的方法 |
-
2020
- 2020-05-27 CN CN202010462999.7A patent/CN111695248B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106194180A (zh) * | 2016-08-08 | 2016-12-07 | 西安科技大学 | 基于滑窗与灰色马尔可夫链的采煤机调高轨迹预测方法 |
CN108875841A (zh) * | 2018-06-29 | 2018-11-23 | 国家电网有限公司 | 一种抽蓄机组振动趋势预测方法 |
CN109948833A (zh) * | 2019-02-25 | 2019-06-28 | 华中科技大学 | 一种基于长短期记忆网络的水电机组劣化趋势预测方法 |
CN110187280A (zh) * | 2019-05-20 | 2019-08-30 | 天津大学 | 一种基于灰色模型的锂电池剩余寿命概率预测的方法 |
Non-Patent Citations (2)
Title |
---|
Wei Jiang et al.A hybrid degradation tendency measurement method for mechanical equipment based on moving window and Grey–Markov model.《Measurement Science and Technology》.2017,第1-14页. * |
Wei Jiang et al.Intelligent Deep Learning Method for Forecasting the Health Evolution Trend of Aero-Engine With Dispersion Entropy-Based Multi-Scale Series Aggregation and LSTM Neural Network.《IEEE Access》.2020,第8卷第34350-34361页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111695248A (zh) | 2020-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | A method integrating Taguchi, RSM and MOPSO to CNC machining parameters optimization for energy saving | |
CN111695248B (zh) | 一种抽水蓄能机组劣化状态趋势快速预警方法 | |
Xu et al. | Comparison between dynamic programming and genetic algorithm for hydro unit economic load dispatch | |
CN104636821B (zh) | 基于动态惯性权重粒子群的火电机组负荷优化分配方法 | |
CN108256697A (zh) | 一种用于电力系统短期负荷的预测方法 | |
CN108416691B (zh) | 一种能源替代环保潜力计算方法 | |
CN104537438B (zh) | 一种用电高峰的预测及监控方法 | |
CN110212584B (zh) | 一种风电与大规模电动汽车协调优化的调度方法 | |
CN106712037A (zh) | 一种考虑电动汽车充电特性和负荷波动极限的电力系统静态电压稳定性评估方法 | |
CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
Zheng et al. | Short-term load forecasting of power system based on neural network intelligent algorithm | |
CN110705099B (zh) | 一种检定风电场出力相关性的方法 | |
CN110212592B (zh) | 基于分段线性表达的火电机组负荷调节最大速率估计方法及系统 | |
CN115481781A (zh) | 电力系统联合规划方法及可读存储介质 | |
CN114386718A (zh) | 一种结合粒子群神经网络的风电场输出功率短时预测算法 | |
CN104200280A (zh) | 一种用于风电功率预测的方法及系统 | |
CN114154790A (zh) | 基于需量管理和柔性负荷的工业园区光储容量配置方法 | |
CN111984906B (zh) | 考虑光伏与负荷时序相关性的概率潮流快速计算方法 | |
CN109584099B (zh) | 电网调峰的水电站短期多目标发电计划编制方法及系统 | |
CN111900740B (zh) | 一种基于需求响应设备的电力系统调频方法和系统 | |
CN111582557A (zh) | 基于变差函数的风电爬坡事件多级预警方法 | |
CN109473998B (zh) | 一种应用于风电场出力平滑的储能配置方法 | |
CN115187145B (zh) | 考虑弃水风险的梯级水库日前调度期末库水位控制方法 | |
CN116523139B (zh) | 一种电力减碳量预测方法、装置及可存储介质 | |
Zhu et al. | Ultra short term wind power forecasting method based on projection pursuit algorithm |
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 |