CN112785088A - 一种基于dcae-lstm短期日负荷曲线预测方法 - Google Patents

一种基于dcae-lstm短期日负荷曲线预测方法 Download PDF

Info

Publication number
CN112785088A
CN112785088A CN202110212361.2A CN202110212361A CN112785088A CN 112785088 A CN112785088 A CN 112785088A CN 202110212361 A CN202110212361 A CN 202110212361A CN 112785088 A CN112785088 A CN 112785088A
Authority
CN
China
Prior art keywords
load
short
data
prediction
dcae
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.)
Granted
Application number
CN202110212361.2A
Other languages
English (en)
Other versions
CN112785088B (zh
Inventor
李军怀
丁东
张阔
王怀军
曹霆
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.)
Xian University of Technology
Original Assignee
Xian University of Technology
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 Xian University of Technology filed Critical Xian University of Technology
Priority to CN202110212361.2A priority Critical patent/CN112785088B/zh
Publication of CN112785088A publication Critical patent/CN112785088A/zh
Application granted granted Critical
Publication of CN112785088B publication Critical patent/CN112785088B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (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DCAE‑LSTM短期日负荷曲线预测方法，具体按照以下步骤实施：步骤1、构建电力负荷带有高噪声的数据集；步骤2、构造卷积去噪自编码器(DCAE)；步骤3、构造基于长短期记忆网络(LSTM)的负荷预测网络；步骤4、将DCAE与基于LSTM的负荷预测网络结合，组成混合深度神经网络；步骤5、将步骤1中带有高噪声的数据集输入步骤4中的混合深度神经网络实现短期日负荷曲线的预测。结合了DCAE的去噪能力和LSTM的预测能力，使得可以不必事先建立主观模型，而直接根据观测数据序列本身的客观规律进行预测，避免了数据采集噪声因素，提高预测的精度和可信度。

Description

一种基于DCAE-LSTM短期日负荷曲线预测方法
技术领域
本发明属于数据预测优化技术领域，涉及一种基于DCAE-LSTM短期日负荷曲线预测方法。
背景技术
预测电力系统短期负荷，必须搜集所研究区域的大量真实的历史负荷数据。由于设备本身可能存在的问题，或者采集的数据在传输过程中受到其他信号干扰，又或者电力系统误操作等等都会使得采集到的负荷数据有一部分和实际的负荷数据有差别。严重时，还会有一些数据缺失、负荷数据上下波动超出正常范围的情况。这些数据也就是所谓的不良数据和坏数据。神经网络对历史负荷数据非常敏感。不良数据会使神经网络的训练和预测受到干扰。所以直接使用未经处理的负荷数据进行网络的模拟训练并预测，会出现大量问题。例如，坏数据会影响神经网络的训练，使神经网络的训练误差达不到要求的范围，或导致网络训练过程不收敛。即使神经网络训练达到了预先设定的误差标准，不良数据作为正常数据进入训练好的网络，也会影响预测的正确性，给预测带来较大的偏差。这些误差忽略了模型的鲁棒性。当外部因素影响过大，采集数据噪声过多，预测结果就会不准确。这种现象不仅在特征工程中很难发现，而且无法自动去除数据中的噪声。
发明内容
本发明的目的是提供一种基于DCAE-LSTM短期日负荷曲线预测方法，具有将噪声引入负荷数据进行模型训练，对缺陷检查，提高网络鲁棒性的特点。
本发明所采用的技术方案是，一种基于DCAE-LSTM短期日负荷曲线预测方法，具体按照以下步骤实施：
步骤1、构建电力负荷带有高噪声的数据集；
步骤2、构造卷积去噪自编码器(DCAE)；
步骤3、构造基于长短期记忆网络(LSTM)的负荷预测网络；
步骤4、将DCAE与基于LSTM的负荷预测网络结合，组成混合深度神经网络；
步骤5、将步骤1中带有高噪声的数据集输入步骤4中的混合深度神经网络实现短期日负荷曲线的预测。
步骤1具体按照以下步骤实施：
步骤1.1、利用最大最小归一化算法公式对初始负荷数据进行归一化处理构建标准数据集；
Figure BDA0002952788490000021
其中，xmin代表初始负荷数据的最小值，xmax代表初始负荷数据最大值；
步骤1.2、构建高噪声的数据集
将标准数据集x*划分为训练集，验证集和测试集；并向训练集加入高斯噪声，构成含噪声的新数据集；
Figure BDA0002952788490000022
其中，θ为负荷高斯分布的噪声，
Figure BDA0002952788490000023
为加入噪声后的训练数据。
步骤2具体按照以下步骤实施：
将卷积神经网络(CNN)引入去噪自编码器(DAE)，使用卷积层代替DAE的全连接层，得到DCAE，DCAE中每个神经元由卷积神经元组成。
步骤2中，利用损失函数
Figure BDA0002952788490000031
式中：n为样本的总数，yi为实际值；
Figure BDA0002952788490000032
为通过模型计算后得到的i时刻负荷值，预测日负荷48点曲线；
若为k个卷积核，每个卷积核由参数wk和bk组成，用hk表示卷积层，则：
Figure BDA0002952788490000033
得到hk进行特征重构，进而得到下式：
Figure BDA0002952788490000035
将输入的样本和最终利用特征重构得出的结果进行欧几里得距离比较，得到完整的卷积去噪自编码器
Figure BDA0002952788490000034
其中，x1为负荷预测的原始数据，yi为通过模型计算得到的数据，训练好的DCAE分为编码器(encoding)和解码器(decoding)两部分。
步骤3具体按照以下步骤实施：
步骤3.1、将第N天数据输入DCAE的encoding，得到第N天经过降维和自动去噪的负荷数据；
步骤3.2、构建负荷预测的LSTM，该网络由三层LSTM组成，网络中的神经元都由输入门，输出门，和遗忘门构成；
步骤3.3、将步骤3.1得到的数据作为负荷预测的LSTM的输入，第N+1天的负荷数据作为输出。
步骤4中，将训练好的DCAE的编码器，与负荷预测的LSTM结合，组成高噪声下的混合深度神经网络。
本发明的有益效果是：
本发明模型利用去噪的思想，引入DAE去除数据噪声。在DAE的基础上，提出了增强特征提取的卷积去噪自编码器。DCAE在网络结构上使用卷积层代替DAE的全连接层。DCAE-LSTM模型使用DCAE对输入的历史荷载序列数据进行编码和去噪，同时DCAE降低数据的维度提供较小维度的潜在表示。对编码后的数据，使用多层LSTM网络进行建模，完成负荷预测。结合了DCAE的去噪能力和LSTM的学习能力，使得可以不必事先建立主观模型，而直接根据观测数据序列本身的客观规律进行预测，避免了数据采集噪声因素，提高预测的精度和可信度。结果表明，所提方法在抗干扰，提升预测精度和时效性方面具有优势。
附图说明
图1是本发明基于DCAE-LSTM短期日负荷曲线预测方法的去噪自编码器DAE结构图；
图2是本发明基于DCAE-LSTM短期日负荷曲线预测方法的LSTM的循环结构及单元结构图；
图3是本发明基于DCAE-LSTM短期日负荷曲线预测方法的模型结构图；
图4是本发明基于DCAE-LSTM短期日负荷曲线预测方法的DCAE-LSTM混合深度神经网络结构示意图；
图5是本发明基于DCAE-LSTM短期日负荷曲线预测方法的DCAE-LSTM混合深度神经网络算法流程图；
图6是不同算法的预测效果比较结果图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
如图5所示，一种基于DCAE-LSTM短期日负荷曲线预测方法，具体按照以下步骤实施：
步骤1、构建电力负荷带有高噪声的数据集；
步骤2、构造卷积去噪自编码器；
步骤3、构造基于长短期记忆网络的负荷预测网络；
步骤4、将卷积去噪自编码器与基于长短期记忆网络的负荷预测网络结合，组成混合深度神经网络；
步骤5、将步骤1中带有高噪声的数据集输入步骤4中的混合深度神经网络实现短期日负荷曲线的预测。
步骤1具体按照以下步骤实施：
步骤1.1、利用最大最小归一化算法公式对初始负荷数据进行归一化处理构建标准数据集；
Figure BDA0002952788490000051
其中，xmin代表初始负荷数据的最小值，xmax代表初始负荷数据最大值；
步骤1.2、构建高噪声的数据集
将标准数据集x*划分为训练集，验证集和测试集；并向训练集加入高斯噪声，构成含噪声的新数据集；
Figure BDA0002952788490000061
其中，θ为负荷高斯分布的噪声，
Figure BDA0002952788490000062
为加入噪声后的训练数据。
步骤2具体按照以下步骤实施：
如图1所示，将卷积神经网络引入去噪自编码器，使用卷积层代替去噪自编码器的全连接层，得到卷积去噪自编码器，卷积去噪自编码器中每个神经元由卷积神经元组成。
步骤2中，利用损失函数
Figure BDA0002952788490000063
式中：n为样本的总数，yi为实际值；
Figure BDA0002952788490000064
为通过模型计算后得到的i时刻负荷值，预测日负荷48点曲线；
若为k个卷积核，每个卷积核由参数wk和bk组成，用hk表示卷积层，则：
Figure BDA0002952788490000065
得到hk进行特征重构，进而得到下式：
Figure BDA0002952788490000066
将输入的样本和最终利用特征重构得出的结果进行欧几里得距离比较，得到完整的卷积去噪自编码器
Figure BDA0002952788490000067
其中，xi为负荷预测的原始数据，yi为通过模型计算得到的数据，训练好的卷积去噪自编码器分为编码器和解码器两部分。
如图2所示，步骤3具体按照以下步骤实施：
步骤3.1、将第N天数据输入卷积去噪自编码器的编码器，得到第N天经过降维和自动去噪的负荷数据；
步骤3.2、构建负荷预测的长短期记忆网络，该网络由三层长短期记忆网络组成，网络中的神经元都由输入门，输出门，和遗忘门构成；
步骤3.3、将步骤3.1得到的数据作为负荷预测的长短期记忆网络的输入，第N+1天的负荷数据作为输出。
如图3所示，步骤4中，将训练好的卷积去噪自编码器的编码器，与负荷预测的长短期记忆网络结合，组成高噪声下的混合深度神经网络。
在数据所受干扰噪声为0.3时，本方法和其他算法预测结果的对比如图6所示。
本发明算法如下：
Figure BDA0002952788490000071
Figure BDA0002952788490000081
本发明的优点在于：
本发明模型利用去噪的思想，引入DAE去除数据噪声。在DAE的基础上，提出了增强特征提取的卷积去噪自编码器。DCAE在网络结构上使用卷积层代替DAE的全连接层。DCAE-LSTM模型使用DCAE对输入的历史荷载序列数据进行编码和去噪，同时DCAE降低数据的维度提供较小维度的潜在表示。对编码后的数据，使用多层LSTM网络进行建模，完成负荷预测。
结合了DCAE的去噪能力和LSTM的预测能力，使得可以不必事先建立主观模型，而直接根据观测数据序列本身的客观规律进行预测，避免了数据采集噪声因素，提高预测的精度和可信度。结果表明，所提方法在抗干扰，提升预测精度和时效性方面具有优势。

Claims (6)

1.一种基于DCAE-LSTM短期日负荷曲线预测方法，其特征在于，具体按照以下步骤实施：
步骤1、构建电力负荷带有高噪声的数据集；
步骤2、构造卷积去噪自编码器；
步骤3、构造基于长短期记忆网络的负荷预测网络；
步骤4、将卷积去噪自编码器与基于长短期记忆网络的负荷预测网络结合，组成混合深度神经网络；
步骤5、将步骤1中带有高噪声的数据集输入步骤4中的混合深度神经网络实现短期日负荷曲线的预测。
2.根据权利要求1所述的一种基于DCAE-LSTM短期日负荷曲线预测方法，其特征在于，所述步骤1具体按照以下步骤实施：
步骤1.1、利用最大最小归一化算法公式对初始负荷数据进行归一化处理构建标准数据集；
Figure FDA0002952788480000011
其中，xmin代表初始负荷数据的最小值，xmax代表初始负荷数据最大值；
步骤1.2、构建高噪声的数据集
将标准数据集x*划分为训练集，验证集和测试集；并向训练集加入高斯噪声，构成含噪声的新数据集；
Figure FDA0002952788480000012
其中，θ为负荷高斯分布的噪声，
Figure FDA0002952788480000021
为加入噪声后的训练数据。
3.根据权利要求1所述的一种基于DCAE-LSTM短期日负荷曲线预测方法，其特征在于，所述步骤2具体按照以下步骤实施：
将卷积神经网络引入去噪自编码器，使用卷积层代替去噪自编码器的全连接层，得到卷积去噪自编码器，卷积去噪自编码器中每个神经元由卷积神经元组成。
4.根据权利要求1所述的一种基于DCAE-LSTM短期日负荷曲线预测方法，其特征在于，所述步骤2中，利用损失函数
Figure FDA0002952788480000022
式中：n为样本的总数，yi为实际值；
Figure FDA0002952788480000023
为通过模型计算后得到的i时刻负荷值，预测日负荷48点曲线；
若为k个卷积核，每个卷积核由参数wk和bk组成，用hk表示卷积层，则：
Figure FDA0002952788480000024
得到hk进行特征重构，进而得到下式：
Figure FDA0002952788480000025
将输入的样本和最终利用特征重构得出的结果进行欧几里得距离比较，得到完整的卷积去噪自编码器
Figure FDA0002952788480000026
其中，xi为负荷预测的原始数据，yi为通过模型计算得到的数据，训练好的卷积去噪自编码器分为编码器和解码器两部分。
5.根据权利要求1所述的一种基于DCAE-LSTM短期日负荷曲线预测方法，其特征在于，所述步骤3具体按照以下步骤实施：
步骤3.1、将第N天数据输入卷积去噪自编码器的编码器，得到第N天经过降维和自动去噪的负荷数据；
步骤3.2、构建负荷预测的长短期记忆网络，该网络由三层长短期记忆网络组成，网络中的神经元都由输入门，输出门，和遗忘门构成；
步骤3.3、将步骤3.1得到的数据作为负荷预测的长短期记忆网络的输入，第N+1天的负荷数据作为输出。
6.根据权利要求1所述的一种基于DCAE-LSTM短期日负荷曲线预测方法，其特征在于，所述步骤4中，将训练好的卷积去噪自编码器的编码器，与负荷预测的长短期记忆网络结合，组成高噪声下的混合深度神经网络。
CN202110212361.2A 2021-02-25 2021-02-25 一种基于dcae-lstm短期日负荷曲线预测方法 Active CN112785088B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110212361.2A CN112785088B (zh) 2021-02-25 2021-02-25 一种基于dcae-lstm短期日负荷曲线预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110212361.2A CN112785088B (zh) 2021-02-25 2021-02-25 一种基于dcae-lstm短期日负荷曲线预测方法

Publications (2)

Publication Number Publication Date
CN112785088A true CN112785088A (zh) 2021-05-11
CN112785088B CN112785088B (zh) 2023-06-30

Family

ID=75761847

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110212361.2A Active CN112785088B (zh) 2021-02-25 2021-02-25 一种基于dcae-lstm短期日负荷曲线预测方法

Country Status (1)

Country Link
CN (1) CN112785088B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113674014A (zh) * 2021-07-07 2021-11-19 湖南大学 一种配电线路日线损率预测方法和系统
CN114418886A (zh) * 2022-01-19 2022-04-29 电子科技大学 一种基于深度卷积自编码器的鲁棒性去噪方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106600050A (zh) * 2016-12-10 2017-04-26 国网辽宁省电力有限公司锦州供电公司 一种基于bp神经网络的超短期负荷预测方法
CN109948845A (zh) * 2019-03-15 2019-06-28 国网江苏省电力有限公司经济技术研究院 一种配电网负荷长短期记忆神经网络预测方法
WO2020063689A1 (zh) * 2018-09-25 2020-04-02 新智数字科技有限公司 一种电力系统热负荷预测的方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106600050A (zh) * 2016-12-10 2017-04-26 国网辽宁省电力有限公司锦州供电公司 一种基于bp神经网络的超短期负荷预测方法
WO2020063689A1 (zh) * 2018-09-25 2020-04-02 新智数字科技有限公司 一种电力系统热负荷预测的方法和装置
CN109948845A (zh) * 2019-03-15 2019-06-28 国网江苏省电力有限公司经济技术研究院 一种配电网负荷长短期记忆神经网络预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
TIANTIAN LI ET AL.: "Short-term load forecasting using optimized LSTM networks based on EMD", HTTPS://ARXIV.ORG/ABS/1809.10108 *
WANG DE-YI ET AL.: "Short-term load forecasting based on chaotic characteristic of loads and least squares support vector machines", POWER SYSTEM TECHNOLOGY, vol. 32, no. 7 *
苏舟等: "电力负荷数据预处理研究及应用", 电网与清洁能源, vol. 33, no. 5, pages 40 - 43 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113674014A (zh) * 2021-07-07 2021-11-19 湖南大学 一种配电线路日线损率预测方法和系统
CN113674014B (zh) * 2021-07-07 2023-10-20 湖南大学 一种配电线路日线损率预测方法和系统
CN114418886A (zh) * 2022-01-19 2022-04-29 电子科技大学 一种基于深度卷积自编码器的鲁棒性去噪方法

Also Published As

Publication number Publication date
CN112785088B (zh) 2023-06-30

Similar Documents

Publication Publication Date Title
CN110633792B (zh) 端到端基于卷积循环神经网络的轴承健康指标构建方法
CN108304623B (zh) 一种基于堆栈降噪自动编码器的概率潮流在线计算方法
CN108398268B (zh) 一种轴承性能退化评估方法
CN112785088B (zh) 一种基于dcae-lstm短期日负荷曲线预测方法
CN111967688A (zh) 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法
CN111428201B (zh) 基于经验模态分解和前馈神经网络对时序数据的预测方法
CN111507046B (zh) 一种电动闸阀剩余使用寿命预测方法及系统
CN114363195A (zh) 面向时间和频谱残差卷积网络的网络流量预测预警方法
CN113052271A (zh) 基于深度神经网络的生物发酵数据预测方法
CN115689055A (zh) 一种短期太阳辐照度预测方法及装置
CN111080001A (zh) 一种应用于风电场风速的深度神经网络预测方法
CN117371543A (zh) 一种基于时序扩散概率模型的增强软测量方法
CN116960978A (zh) 基于风速-功率组合分解重构的海上风电功率预测方法
CN117131022B (zh) 一种电力信息系统的异构数据迁移方法
CN116738297B (zh) 一种基于深度自编码的糖尿病分型方法和系统
CN116127398B (zh) 一种基于机理模型与多源数据融合的液压泵故障诊断方法
CN111863153A (zh) 一种基于数据挖掘的废水中悬浮固体总量的预测方法
CN116559728A (zh) 基于小波变换-多层感知机的输电线路故障诊断方法
CN115809725A (zh) 一种多因素短期电量预测方法及装置
CN116911419A (zh) 一种基于趋势相关性特征学习的长时序预测方法
CN115345192A (zh) 一种变工况和复杂噪音环境下滚动轴承的故障诊断方法
CN114218980A (zh) 滚动轴承剩余寿命预测方法
CN114168822A (zh) 一种时间序列数据聚类模型建立及时间序列数据聚类方法
CN113029993A (zh) 一种基于注意力机制的紫外光谱快速总氮在线检测方法
CN114048762B (zh) 双注意力引导的旋转机械健康评估方法

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