CN112213660A - 一种预测ups系统中电力电子器件剩余寿命的方法 - Google Patents
一种预测ups系统中电力电子器件剩余寿命的方法 Download PDFInfo
- Publication number
- CN112213660A CN112213660A CN202010863202.4A CN202010863202A CN112213660A CN 112213660 A CN112213660 A CN 112213660A CN 202010863202 A CN202010863202 A CN 202010863202A CN 112213660 A CN112213660 A CN 112213660A
- Authority
- CN
- China
- Prior art keywords
- support vector
- vector machine
- igbt
- particle
- training
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000002245 particle Substances 0.000 claims abstract description 49
- 238000012706 support-vector machine Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 238000013507 mapping Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/40—Testing power supplies
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R27/00—Arrangements for measuring resistance, reactance, impedance, or electric characteristics derived therefrom
- G01R27/02—Measuring real or complex resistance, reactance, impedance, or other two-pole characteristics derived therefrom, e.g. time constant
- G01R27/08—Measuring resistance by measuring both voltage and current
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/26—Testing of individual semiconductor devices
- G01R31/2607—Circuits therefor
- G01R31/2608—Circuits therefor for testing bipolar transistors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种预测UPS系统中电力电子器件剩余寿命的方法,所述方法包括以下步骤:从IGBT开始工作时刻计时,测量IGBT两端的电压和流过IGBT的电流,并计算出导通电阻,将工作时间和对应的导通电阻保存起来,作为训练样本和测试样本;利用训练样本训练支持向量机,采用粒子群算法进行参数寻优,根据所求的最佳参数重新训练支持向量机,获得最优的支持向量机模型回归模型,并利用训练样本和测试样本对优化的支持向量机进行训练和测试;将计算出的导通电阻输入经优化和训练好的支持向量机回归模型来预测IGBT已工作的时间,获得所预测的IGBT剩余寿命。本发明简单易行、精确度高,是一种能够有效预测IGBT剩余寿命的方法。
Description
技术领域
本发明属于UPS系统技术领域,特别涉及一种预测UPS系统中电力电子器件剩余寿命的方法。
背景技术
不间断电源(UPS)系统,诞生于20世纪80年代。由于可以保证电能质量和电网稳定运行,以及严重负荷情况下的系统稳定性,UPS系统得到了越来越多的关注和重视。顾名思义,UPS系统是能够向重要负荷提供的电能的枢纽,也就是说,UPS系统的功能设计将会直接影响供电质量以及负荷运行的稳定性和可靠性,即使UPS系统发生轻微故障,也可能造成严重后果,带来巨大的经济损失。
以事后维护和有计划的预防维护为代表的传统维护方法耗费资源,而且效率低下,已逐渐被PHM技术淘汰。PHM(Prognostics and Health Management)即故障预测与健康管理技术起源于上世纪末,为了以更经济有效的方式满足信息化战争对武器装备作战效能和快捷、精确、持续保障的要求。经过20年的发展已日趋成熟,应用越来越广泛,PHM能够对未来健康状态进行预测,变被动式的维护活动为先导性的维护保障活动,PHM首先需要采集系统的信息,如系统的运行状态信息,环境信息,通过信息处理技术、借助推理算法来检测和评估系统的健康状态。
为此,针对UPS系统中电力电子器件,需要提供一种预测UPS系统中电力电子器件的剩余寿命的方法,实现对UPS系统中存在的电力电子器件IGBT剩余寿命进行预测,从而做出相应的维护决策。
发明内容
为了解决现有技术存在的问题,本发明提供了一种预测UPS系统中电力电子器件剩余寿命的方法,提供一种简单易行、准确度高、能够有效实现电力电子器件剩余寿命预测方法。
为了实现上述目的,本发明是通过如下的技术方案来实现:
本发明实施例提供了一种预测UPS系统中电力电子器件剩余寿命的方法,所述方法包括以下步骤:
从IGBT开始工作时刻计时,每当IGBT工作一定的时间,测量IGBT两端的电压和流过IGBT的电流,并计算出导通电阻,将工作时间和对应的导通电阻保存起来,作为训练样本和测试样本;
利用训练样本训练支持向量机,采用粒子群算法进行参数寻优,根据所求的最佳参数重新训练支持向量机,获得最优的支持向量机模型回归模型,并利用训练样本和测试样本对优化的支持向量机进行训练和测试;
将计算出的导通电阻输入经优化和训练好的支持向量机回归模型来预测IGBT已工作的时间,获得所预测的IGBT剩余寿命。
所述导通电阻为导通期间的一段时间内的电压变化量与电流变化量之比。
所述利用训练样本训练支持向量机,采用粒子群算法进行参数寻优,根据所求的最佳参数重新训练支持向量机,获得最优的支持向量机模型回归模型,并利用训练样本和测试样本对优化的支持向量机进行训练和测试包括:
初始化粒子群每个粒子的速度;
计算每个粒子的适应度;
确定每个粒子的个体极值点和全局最优极值点;
更新每个粒子的位置和速度;
判断迭代次数是否达到最大值,若达到设置的最大迭代次数,则最后一次迭代的全局最优值中的值就是所求的,否则返回确定每个粒子的个体极值点和全局最优极值点,继续迭代计算;
选择最优的参数用于支持向量机。
计算每个粒子的适应度采用如下公式实现:
式中:f(xi)是支持向量机回归模型的输出,yi是实测输出量。
所述确定每个粒子的个体极值点和全局最优极值点,使每个粒子的适应度与个体极值和全局极值比较,如果它的适用度优于个体极值,则用当前值替换个体极值;如果它的适用度优于全局极值,则用当前值替换全局极值。
更新每个粒子的位置和速度可根据式(3)更新每个粒子的速度和位置,具体如下:
式中:k为当前迭代次数;d为具体的维数;ω为惯性权重,反应粒子上一代速度对当前代速度的影响;c1、c2为加速因子,分别代表粒子向个体极值和全局极值靠近过程的调整权重;ξ和η是[0,1]上均匀分布的随机数,用来保证群体的多样性。
所述将计算出的导通电阻输入经优化和训练好的支持向量机回归模型来预测IGBT已工作的时间,获得所预测的IGBT剩余寿命包括:
设定给定训练样本集;
将原始空间映射到高维特征空间的非线性映射,在高维空间中用下述线性函数进行拟合;
引入松弛因子,通过最小化目标函数来确定回归系数向量和阈值;
用来平衡回归函数f的平坦程度和偏差大于ε样本点的个数;
基于约束条件求得线性回归函数,线性回归函数中采用高斯核函数。
本发明的有益效果:本发明提供的一种UPS系统中电力电子器件剩余寿命预测方法,本发明简单易行,准确度高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见的,下面描述中的附图仅仅是本发明的一些实施例,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它的附图。
图1为本发明实施例中的预测UPS系统中电力电子器件剩余寿命的方法流程图;
图2是本发明实施例中的粒子群算法优化过程的方法流程图;
图3是本发明实施例中的预测曲线示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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它实施例,都属于本发明保护的范围。
图1示出了本发明实施例中的预测UPS系统中电力电子器件剩余寿命的方法流程图,包括以下步骤:
S101、从IGBT开始工作时刻计时,每当IGBT工作一定的时间,测量IGBT两端的电压和流过IGBT的电流,并计算出导通电阻;
具体的,从IGBT开始工作时刻计时,每当IGBT工作一定的时间,分别测量IGBT两端的电压和流过IGBT的电流,进而计算出导通电阻,将工作时间和对应的导通电阻保存起来。
在导通阶段,分别测量IGBT两端的电压和流过IGBT的电流,二者在导通期间的一段时间内的变化量之比即为其导通电阻,如下式(1):
其中:Ron为导通电阻,ΔuIGBT为导通期间的一端时间内的电压变化量,ΔiIGBT为导通期间的一端时间内的电流变化量。
S102、将工作时间和对应的导通电阻保存起来,作为训练样本和测试样本;
每当IGBT工作一定的时间就会产生一个导通电阻,比如时间间隔可以以分、小时等为单位,比如可以是5分、10分、30分、1小时、5小时、10小时、30小时、50小时等等为一个时间间隔,其可以产生若干个导通电阻,这些导通电阻可以作为训练样本和测试样本。
S103、利用训练样本训练支持向量机,采用粒子群算法进行参数寻优,根据所求的最佳参数重新训练支持向量机;S104、获得最优的支持向量机模型回归模型,并利用训练样本和测试样本对优化的支持向量机进行训练和测试;
S103至S104中利用训练样本训练支持向量机,采用粒子群算法进行参数寻优,根据所求的最佳参数重新训练支持向量机,获得最优的支持向量机模型回归模型,并利用训练样本和测试样本对优化的支持向量机进行训练和测试。
用Xi=(Xi1,Xi2)表示一组参数,向量X中的两个参数分别表示为支持向量的惩罚参数和高斯核函数的参数。粒子群算法优化过程如附图2所示,具体步骤如下:
S201、初始化粒子群每个粒子的速度;
S202、计算每个粒子的适应度;
这里计算每个粒子的适应度采用如下公式实现:
式中:f(xi)是支持向量机回归模型的输出,yi是实测输出量。
S203、确定每个粒子的个体极值点和全局最优极值点;
这里确定每个粒子的个体极值点和全局最优极值点,使每个粒子的适应度与个体极值和全局极值比较,如果它的适用度优于个体极值,则用当前值替换个体极值;如果它的适用度优于全局极值,则用当前值替换全局极值;
S204、更新每个粒子的位置和速度;
这里更新每个粒子的位置和速度可根据式(3)更新每个粒子的速度和位置,具体如下:
式中:k为当前迭代次数;d为具体的维数;ω为惯性权重,反应粒子上一代速度对当前代速度的影响;c1、c2为加速因子,分别代表粒子向个体极值和全局极值靠近过程的调整权重;ξ和η是[0,1]上均匀分布的随机数,用来保证群体的多样性。
S205、判断迭代次数是否达到最大值,若达到设置的最大迭代次数,则最后一次迭代的全局最优值中的值就是所求的;否则返回S203,算法继续迭代;
S206、选择最优的参数用于支持向量机。
S105、将计算出的导通电阻输入经优化和训练好的支持向量机回归模型来预测IGBT已工作的时间,获得所预测的IGBT剩余寿命。
利用实测的IGBT两端的电压和流过IGBT的电流计算出导通电阻,将计算出的导通电阻输入经优化和训练好的支持向量机回归模型来预测IGBT已经工作的时间,进而预测其剩余寿命。
这里设定给定训练样本集为
(x1,y1)…(xi,yi),i=1,2,…,n (4)
式中:xi∈Rl为样本输入;l为输入空间的维数;yi∈R为样本输出。
式中:w为回归系数向量,b为阈值。
约束条件:
式中:常数C>0为惩罚变量,用来平衡回归函数f的平坦程度和偏差大于ε样本点的个数。
引入Lagrange函数得到优化问题对偶形式
约束条件:
由此,可求得线性回归函数可表示为:
本发明中选择高斯(RBF)核函数
式中:δ是核函数参数。
利用实测的IGBT两端的电压和流过IGBT的电流计算出导通电阻,将计算出的导通电阻输入经优化和训练好的支持向量机回归模型,根据式(10)预测预测IGBT已工作的时间,进而预测其剩余寿命。
假设IGBT的总寿命为500小时,导通电阻由初始值0.225欧姆增加到0.27欧姆时认为失效。从初始时刻开始,每隔33小时(kR每隔0.066)进行一次特征参数提取实验,一共16组实验数据。将选择表1中测量值的第0~10点作为训练样本,预测第11~15点的值,预测曲线如图3所示。由图3可以看出:本发明可以准确地对IGBT已工作时间进行预测,进而预测出其剩余寿命。
表1
以上显示和描述了本发明的基本原理和主要特征和本发明的优点,对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (7)
1.一种预测UPS系统中电力电子器件剩余寿命的方法,其特征在于,所述方法包括以下步骤:
从IGBT开始工作时刻计时,每当IGBT工作一定的时间,测量IGBT两端的电压和流过IGBT的电流,并计算出导通电阻,将工作时间和对应的导通电阻保存起来,作为训练样本和测试样本;
利用训练样本训练支持向量机,采用粒子群算法进行参数寻优,根据所求的最佳参数重新训练支持向量机,获得最优的支持向量机模型回归模型,并利用训练样本和测试样本对优化的支持向量机进行训练和测试;
将计算出的导通电阻输入经优化和训练好的支持向量机回归模型来预测IGBT已工作的时间,获得所预测的IGBT剩余寿命。
2.如权利要求1所述的预测UPS系统中电力电子器件剩余寿命的方法,其特征在于,所述导通电阻为导通期间的一段时间内的电压变化量与电流变化量之比。
3.如权利要求1所述的预测UPS系统中电力电子器件剩余寿命的方法,其特征在于,所述利用训练样本训练支持向量机,采用粒子群算法进行参数寻优,根据所求的最佳参数重新训练支持向量机,获得最优的支持向量机模型回归模型,并利用训练样本和测试样本对优化的支持向量机进行训练和测试包括:
初始化粒子群每个粒子的速度;
计算每个粒子的适应度;
确定每个粒子的个体极值点和全局最优极值点;
更新每个粒子的位置和速度;
判断迭代次数是否达到最大值,若达到设置的最大迭代次数,则最后一次迭代的全局最优值中的值就是所求的,否则返回确定每个粒子的个体极值点和全局最优极值点,继续迭代计算;
选择最优的参数用于支持向量机。
5.如权利要求4所述的预测UPS系统中电力电子器件剩余寿命的方法,其特征在于,所述确定每个粒子的个体极值点和全局最优极值点,使每个粒子的适应度与个体极值和全局极值比较,如果它的适用度优于个体极值,则用当前值替换个体极值;如果它的适用度优于全局极值,则用当前值替换全局极值。
7.如权利要求1至6任一项所述的预测UPS系统中电力电子器件剩余寿命的方法,其特征在于,所述将计算出的导通电阻输入经优化和训练好的支持向量机回归模型来预测IGBT已工作的时间,获得所预测的IGBT剩余寿命包括:
设定给定训练样本集;
将原始空间映射到高维特征空间的非线性映射,在高维空间中用下述线性函数进行拟合;
引入松弛因子,通过最小化目标函数来确定回归系数向量和阈值;
用来平衡回归函数f的平坦程度和偏差大于ε样本点的个数;
基于约束条件求得线性回归函数,线性回归函数中采用高斯核函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010863202.4A CN112213660A (zh) | 2020-08-25 | 2020-08-25 | 一种预测ups系统中电力电子器件剩余寿命的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010863202.4A CN112213660A (zh) | 2020-08-25 | 2020-08-25 | 一种预测ups系统中电力电子器件剩余寿命的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112213660A true CN112213660A (zh) | 2021-01-12 |
Family
ID=74058636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010863202.4A Pending CN112213660A (zh) | 2020-08-25 | 2020-08-25 | 一种预测ups系统中电力电子器件剩余寿命的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112213660A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113239654A (zh) * | 2021-05-21 | 2021-08-10 | 电子科技大学 | 基于fig和ipso算法的igbt剩余寿命预测方法 |
CN113589172A (zh) * | 2021-08-12 | 2021-11-02 | 国网江苏省电力有限公司常州供电分公司 | 一种电网元器件的寿命预估方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104978459A (zh) * | 2015-07-08 | 2015-10-14 | 电子科技大学 | 一种igbt剩余寿命预测方法 |
CN106971045A (zh) * | 2017-04-06 | 2017-07-21 | 安徽大学 | 一种超级电容器动态建模方法 |
CN108445371A (zh) * | 2018-01-18 | 2018-08-24 | 国网浙江省电力公司舟山供电公司 | 绝缘栅双极型晶体管使用寿命预分拣方法 |
DE102018110291A1 (de) * | 2018-04-27 | 2019-10-31 | Gottfried Wilhelm Leibniz Universität Hannover | Verfahren zur Bestimmung der Alterung und zum Abschalten oder Funktionseinschränken eines Bipolartransistors sowie Vorrichtung mit einem Bipolartransistor |
CN110855173A (zh) * | 2019-11-28 | 2020-02-28 | 广西电网有限责任公司南宁供电局 | 一种基于预测模型的ups系统逆变器的控制方法 |
CN110852509A (zh) * | 2019-11-11 | 2020-02-28 | 北京昊鹏智能技术有限公司 | Igbt模块的故障预测方法、装置及存储介质 |
-
2020
- 2020-08-25 CN CN202010863202.4A patent/CN112213660A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104978459A (zh) * | 2015-07-08 | 2015-10-14 | 电子科技大学 | 一种igbt剩余寿命预测方法 |
CN106971045A (zh) * | 2017-04-06 | 2017-07-21 | 安徽大学 | 一种超级电容器动态建模方法 |
CN108445371A (zh) * | 2018-01-18 | 2018-08-24 | 国网浙江省电力公司舟山供电公司 | 绝缘栅双极型晶体管使用寿命预分拣方法 |
DE102018110291A1 (de) * | 2018-04-27 | 2019-10-31 | Gottfried Wilhelm Leibniz Universität Hannover | Verfahren zur Bestimmung der Alterung und zum Abschalten oder Funktionseinschränken eines Bipolartransistors sowie Vorrichtung mit einem Bipolartransistor |
CN110852509A (zh) * | 2019-11-11 | 2020-02-28 | 北京昊鹏智能技术有限公司 | Igbt模块的故障预测方法、装置及存储介质 |
CN110855173A (zh) * | 2019-11-28 | 2020-02-28 | 广西电网有限责任公司南宁供电局 | 一种基于预测模型的ups系统逆变器的控制方法 |
Non-Patent Citations (2)
Title |
---|
任磊等: "电力电子电路功率器件故障特征参数提取技术综述", 《中国电机工程学报》 * |
边少聪等: "基于PSO-BP神经网络模型的IGBT老化预测", 《浙江电力》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113239654A (zh) * | 2021-05-21 | 2021-08-10 | 电子科技大学 | 基于fig和ipso算法的igbt剩余寿命预测方法 |
CN113239654B (zh) * | 2021-05-21 | 2022-03-25 | 电子科技大学 | 基于fig和ipso算法的igbt剩余寿命预测方法 |
CN113589172A (zh) * | 2021-08-12 | 2021-11-02 | 国网江苏省电力有限公司常州供电分公司 | 一种电网元器件的寿命预估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109426892A (zh) | 用于功率电网中的分配负荷预报的系统和方法 | |
JP4886322B2 (ja) | 風力発電出力予測方法、風力発電出力予測装置およびプログラム | |
CN112487702A (zh) | 一种锂离子电池剩余使用寿命预测方法 | |
CN103218675A (zh) | 一种基于聚类和滑动窗口的短期负荷预测方法 | |
CN103679282B (zh) | 风电功率爬坡的预测方法 | |
JP2013074695A (ja) | 太陽光発電予測装置、太陽光発電予測方法及び太陽光発電予測プログラム | |
CN112213660A (zh) | 一种预测ups系统中电力电子器件剩余寿命的方法 | |
CN113589189B (zh) | 基于充放电数据特征的锂电池健康状况预测方法及装置 | |
CN113255973A (zh) | 电力负荷预测方法、装置、计算机设备和存储介质 | |
CN109344967B (zh) | 一种基于人工神经网络的智能电表生命周期预测方法 | |
CN110991722A (zh) | 一种电力负荷预测方法 | |
CN108573323A (zh) | 一种能源互联网用户用电量预测方法及系统 | |
CN113240193A (zh) | 一种基于变分模态分解和人工蜂群优化的短期电力负荷预测方法 | |
CN105574586A (zh) | 基于mpso-bp网络的通用飞机航材需求预测方法 | |
CN112334785A (zh) | 状态推定方法以及状态推定装置 | |
Qi et al. | Short-term reliability assessment of generating systems considering demand response reliability | |
CN106779147B (zh) | 一种基于自适应层次时间序列聚类的用电负荷预测方法 | |
CN103440428A (zh) | 风电功率组合预测模型的自适应动态权重确定方法 | |
CN109858668B (zh) | 一种雷电气候下电力负荷区域协调预测方法 | |
Ma et al. | A novel dynamic integration approach for multiple load forecasts based on Q‐learning algorithm | |
CN112507613B (zh) | 一种秒级超短期光伏功率预测方法 | |
WO2024023211A1 (en) | A method for characterizing the evolution of state of health of a device with duration of operation | |
Chu et al. | Parameter identification and SOC estimation of lithium-ion batteries based on AGCOA-ASRCKF | |
CN115629576B (zh) | 非侵入式柔性负荷聚合特性辨识与优化方法、装置及设备 | |
Moslemi et al. | A machine learning based demand charge management solution |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210112 |
|
RJ01 | Rejection of invention patent application after publication |