CN113011089B - 一种基于深度学习的机采井系统效率优化方法与装置 - Google Patents
一种基于深度学习的机采井系统效率优化方法与装置 Download PDFInfo
- Publication number
- CN113011089B CN113011089B CN202110244279.8A CN202110244279A CN113011089B CN 113011089 B CN113011089 B CN 113011089B CN 202110244279 A CN202110244279 A CN 202110244279A CN 113011089 B CN113011089 B CN 113011089B
- Authority
- CN
- China
- Prior art keywords
- system efficiency
- data
- model
- production
- production well
- 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
Images
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield 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
-
- 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"
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
Abstract
本发明实施例提供一种基于深度学习的机采井系统效率优化方法与装置。本发明的基于大数据深度学习方法的机采井系统效率优化方法,融合生产数据、泵数据、电数据、温压数据等,作为系统效率优化的样本集。采用长短期记忆LSTM模型,构建系统效率阈值提取模型以及产液量预测模型。将系统效率进行区间划分,每个区间标记为一类,作为周期状态分类的标签,应用分类算法构建系统效率周期状态分类模型。结合系统效率阈值、产液量预测模型、周期状态分类模型,决定是否调整工作制度。另外,发明实施例还提供一种基于大数据深度学习的机采井系统效率优化装置,包括数据预处理模块、系统效率阈值提取模块、周期状态分类模块、产液量预测模块。本发明实施例提供的技术方案能够对机采井的系统效率进行优化,降低开采成本、提高经济效益。
Description
技术领域
本发明涉及一种基于深度学习的机采井系统效率优化方法,特别涉及一种基于深度学习的机采井系统效率优化方法与装置。
背景技术
目前,由于机采井抽油系统的能耗问题日趋严重,直接影响着原油的开采成本。为了实现机采井的正常生产,降低采油成本,采用节能设备并应用新技术、新方法来提高机采井的系统效率越来越引起人们的重视。应用大数据和深度学习方法从海量数据中高效挖掘有价值的信息,是优化系统效率的关键技术,能够在一定程度上降低开采成本,提高经济效益。
机采系统效率的提升牵扯因素众多,且目前的研究多偏重于机理、模型,研究点比较分散。机械采油设备在工作时,各设备之间不是孤立的而是紧密的联系在一起,形成一个系统共同工作,这时他们的特性必然相互影响,系统中各部分性能的优劣,以及它们配合是否恰当都将影响整个系统的工作效果,因此,抽油机井系统效率的研究不能孤立对某一设备进行分析。随着国内外各石油公司信息化建设的开展,石油数据也在石油行业中引起了重视。油田生产过程中数据采集多样,数据量大,涉及采油工艺的方方面面,相较于传统的数学分析过程,利用数据对采油工艺过程进行系统性的分析有着很大的优势,利用数据分析、挖掘的方法来解决油田生产中的问题也成为一条行之有效的途径。
传统的研究方法大多基于统计学方法、经验法以及公式方法进行测算,统计学分析方法精度受空间参数数据的密度和分布影响,并且受各参数之间的自相关和互相关结构影响严重,及时性和准确性并不能得到有效的保证。
基于上述研究所存在的问题,本发明以生产数据为主、融合多种结构化数据,提出了一种基于深度学习的机采井系统效率优化方法与装置。本发明采用长短期记忆模型LSTM,构建系统效率阈值提取模型,采用以10天的历史数据预测未来1天系统效率的方式,对模型进行训练。应用训练好的模型预测机采井每个周期下一时间节点的系统效率,若系统效率值低于平均系统效率时,则记录该系统效率值,经过多组测试,取平均值作为系统效率阈值。将系统效率进行区间划分,每个区间记为一类,作为周期状态分类数据的标签。使用不同的分类模型进行训练,根据模型效果进行对比分析,选择最优模型。在每一个周期中,应用构建的分类模型对机采井的周期状态进行分类。基于每口井的产液量历史数据,构建产液量预测模型,预测未来几天内的产液量,并结合当前机采井的原油密度、动液面、回压、套压、耗电量、生产时间,计算系统效率。如果系统效率值低于系统效率阈值,则发出系统预警。并结合当前机采井的周期状态,判断是否需要调整工作制度,并为下一吞吐周期生产参数调整或者新井投产提供决策支持。
发明内容
为了解决现有技术问题,本发明提供了一种基于深度学习的机采井系统效率优化方法与装置,本发明以生产数据为切入点,融合多种结构化数据,形成了基于大数据深度学习的机采井系统效率优化方法、系统效率阈值提取模型、周期状态分类模型、产液量预测模型。
以生产数据为主,将所有泵参数、生产参数、温压参数、电参数、有功功率数据进行多源数据融合,并对融合后的数据进行预处理,填补缺失值、修正异常值。基于机采井的动液面、日产液量、日产油量、系统效率的历史数据,采用长短期记忆网络LSTM进行模型训练,应用训练好的模型预测机采井每个周期下一时间节点的系统效率。采用以10天的历史数据预测未来1天系统效率的方式,构建系统效率阈值提取模型。若系统效率值低于平均系统效率时,则记录该系统效率值,经过多组测试,取平均值作为系统效率阈值。结合数据分布,将整体系统效率进行区间划分,每个区间记为一类,每一类作为相应数据记录的标签值。对机采井周期状态数据分别使用随机森林、SVM、Adaboost、GBDT、XGBoost机器学习模型以及神经网络MLP进行训练,构建周期状态分类模型。根据模型效果,进行对比分析,选择最优模型。在每一个周期中,应用构建好的模型对机采井的周期状态进行分类,分类结果作为是否调整工作制度的依据之一。基于每口井的产液量历史数据,构建LSTM时序预测模型,预测未来几天的产液量,并结合当前机采井的原油密度、动液面、回压、套压、耗电量、生产时间,并计算出系统效率。如果系统效率值低于系统效率阈值,则发出系统预警。结合周期状态是否处于低效状态,判断是否需要调整工作制度,并为下一吞吐周期生产参数调整或者新井投产提供决策支持。
本发明所采用的技术方案如下:
一种基于深度学习的机采井系统效率优化方法与装置,包括以下步骤:
A、将获取的各类机采井参数,进行多源数据融合,将融合后的数据作为系统效率优化的数据集totalDataSet;
B、在数据集totalDataSet中提取机采井动液面、日产液量、日产油量、系统效率的历史数据,构建系统效率阈值提取的训练样本shresholdDataSet,并采用时序模型训练,应用训练好的模型预测机采井中每一个周期下一时间节点的系统效率,系统效率值低于平均系统效率时,则记录该系统效率值,经过多组测试,取平均值作为系统效率阈值;
C、基于数据集totalDataSet,构建机采井周期状态分类训练数据stateDateSet;依据系统效率数据分布,将其进行区间划分,每个区间记为一类,每一类作为训练数据stateDateSet的标签值;将训练数据stateDateSet划分为训练集stateDateSetTrain和测试集stateDateSetTest,分别采用随机森林、SVM、Adaboost、GBDT、XGBoost机器学习模型以及神经网络MLP进行训练,构建周期状态分类模型,对结果进行对比分析,选择最优模型;在每一个周期中,应用构建好的模型对机采井的周期状态进行分类,将分类结果作为是否调整工作制度的依据之一;
D、基于机采井产液量历史数据,通过长短期记忆网络LSTM算法,以30天的产液量历史数据预测未来10天的产液量的方式,构建产液量预测模型,预测未来几天机采井的产液量,并结合当前油井的原油密度、动液面、回压、套压、耗电量、生产时间,计算出系统效率;系统效率值低于步骤B提取的系统效率阈值,则发出系统预警;结合步骤C得到的周期状态是否为低效状态,判断是否需要调整工作制度,并为下一吞吐周期生产参数调整或者新井投产提供决策支持。
步骤A中,所述的各类机采井参数是指:泵参数、生产参数、温压参数、电参数、有功功率。
步骤B中,所述的系统效率阈值提取是指:通过长短期记忆网络LSTM算法,以10天的历史数据预测未来1天的系统效率,构建系统效率阈值提取模型。
另一方面,本发明提供了一种基于大数据深度学习的机采井系统效率优化装置,包括以下模块:
数据预处理模块:将获取的各类参数,泵参数、生产参数、温压参数、电参数、有功功率,进行多源数据融合,对融合后的数据进行缺失值、异常值处理,作为系统效率优化的数据集totalDataSet;以30天的产液量历史数据预测未来10天的产液量的方式,构建产油量预测模型的训练样本;
系统效率阈值提取模块:提取机采井动液面、日产液量、日产油量、系统效率的历史数据,构建系统效率阈值提取的训练样本shresholdDataSet,采用长短期记忆网络LSTM进行模型训练,应用训练好的模型预测机采井中每个周期下一时间节点的系统效率;若系统效率值低于平均转周系统效率,则记录该系统效率值,经过多组测试,取平均值作为系统效率阈值;
机采井周期状态分类模块:基于数据集totalDataSet,构建机采井周期状态分类训练数据stateDateSet;结合数据分布,对系统效率进行区间划分,每个区间记为一类,每一类作为训练数据stateDateSet的标签值;将训练数据stateDateSet划分为训练集stateDateSetTrain和测试集stateDateSetTest,分别使用随机森林、SVM、Adaboost、GBDT、XGBoost机器学习模型以及神经网络MLP进行训练,构建周期状态分类模型;根据模型效果,进行对比分析,选择最优模型;在每一个周期中,应用构建好的模型对机采井的周期状态进行分类,将分类结果作为是否调整工作制度的依据之一;
机采井产液量预测模块:基于机采井历史产液量数据,构建LSTM时序预测模型,预测未来10天的产液量,根据当前机采井的原油密度、动液面、回压、套压、耗电量、生产时间,计算出系统效率;如果系统效率值低于系统效率阈值,则发出系统预警;结合周期状态是否处于低效状态,判断是否需要调整工作制度,并为下一吞吐周期生产参数调整或者新井投产提供决策支持。
本发明提供的技术方案以及基于大数据深度学习的机采井系统效率优化装置带来的有益效果是:
本发明基于大数据深度学习的机采井系统效率优化方法,以机采井生产数据为切入点,融合多种结构化数据。形成了基于大数据深度学习的机采井系统效率优化方法、系统效率阈值提取模型、周期状态分类模型、产液量预测模型,最终实现机采井的系统效率优化,降低了开采成本,提高了经济效益。
附图说明
为了更清楚的说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,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他的附图。
图1为本发明的一种基于大数据深度学习的机采井系统效率优化算法执行流程图。
图2为本发明实施例提供的基于大数据深度学习的机采井系统效率优化装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
实施例一
本实施例的基础在于,由于目前机采井抽油系统的能耗问题日趋严重,直接影响着原油的开采成本。借助于当前已有的大数据分析算法和工具,充分发挥机采井海量生产数据的作用,由模型驱动向数据驱动+模型驱动转换,在整体系统效率偏低的区域,应用大数据分析,探索出一套提高机采井系统效率的方法。应用大数据和深度学习方法从海量数据中高效挖掘有价值的信息,是系统效率优化的关键技术,能够在一定程度上降低采油能耗,提高经济效益。
因此,我们以机采井生产数据为主,将所有泵数据、生产数据、温压数据、电数据、有功功率进行多源数据融合,共计1024870条数据,并对数据集进行数据预处理,填补缺失值、修正异常值。
基于每口井的动液面、日产液量、日产油量、系统效率的历史数据,采用长短期记忆网络LSTM进行模型训练,应用训练好的模型预测机采井中每个周期下一时间节点的系统效率。在817井中,总计有4526个周期的预测值低于平均系统效率。对记录值取平均后为7%,即系统效率阈值为7%。
结合系统效率数据分布,将整体系统效率划分成不同类别。系统效率在(0,0.1]区间的为第1类,(0.1,0.15]的区间为第2类,(0.15,0.2]区间的为第3类,(0.2,0.3]区间的为第4类,(0.3-0.5]区间的为第5类。每一类作为每条周期状态数据的标签,形成周期状态分类数据集,将该数据集划分为训练集和测试集,训练集数据为458287条,测试集数据为196409条。分别应用随机森林、SVM、Adaboost、GBDT、XGBoost机器学习模型以及神经网络MLP进行训练,构建周期状态分类模型。根据模型的准确率进行对比分析,GBDT和XGBoost模型的准确率均已达到了100%,而其他模型均在90%以上。因此我们选择GBDT和XGBoost模型作为我们的机采井周期状态分类的优选模型,预测当前机采井的生产状态是否处于低效生产阶段。
基于机采井的历史产液量数据,构建LSTM时序模型,预测未来10天的产液量,并结合当前机采井的原油密度、动液面、回压、套压、耗电量、生产时间,计算系统效率。系统效率值低于系统效率阈值7%,则发出系统预警。根据周期状态是否处于低效状态,判断是否需要调整工作制度,并为下一吞吐周期生产参数调整或者新井投产提供决策支持。
Claims (4)
1.一种基于深度学习的机采井系统效率优化方法,包括以下步骤:
A、将获取的各类机采井参数,进行多源数据融合,将融合后的数据作为系统效率优化的数据集totalDataSet;
B、从数据集totalDataSet中提取机采井动液面、日产液量、日产油量、系统效率的历史数据,构建系统效率阈值提取的训练样本shresholdDataSet,并采用时序模型训练,应用训练好的模型预测机采井中每一个周期下一时间节点的系统效率,系统效率值低于平均系统效率时,则记录该系统效率值,经过多组测试,取平均值作为系统效率阈值;
C、基于数据集totalDataSet,构建机采井周期状态分类数据集stateDateSet;依据系统效率数据分布,将其进行区间划分,每个区间记为一类,每一类作为训练数据stateDateSet的标签值;将数据集stateDateSet划分为训练集stateDateSetTrain和测试集stateDateSetTest,分别采用随机森林、SVM、Adaboost、GBDT、XGBoost机器学习模型以及神经网络MLP进行训练,构建周期状态分类模型,对结果进行对比分析,选择最优模型;在每一个周期中,应用构建好的模型对机采井的周期状态进行分类,将分类结果作为是否调整工作制度的依据之一;
D、基于机采井产液量历史数据,通过长短期记忆网络LSTM算法,以30天的产液量历史数据预测未来10天的产液量的方式,构建产液量时序预测模型,预测未来几天机采井的产液量,并结合当前油井的原油密度、动液面、回压、套压、耗电量、生产时间,计算出系统效率;系统效率值低于步骤B提取的系统效率阈值,则发出系统预警;结合步骤C得到的周期状态是否为低效状态,判断是否需要调整工作制度,并为下一吞吐周期生产参数调整或者新井投产提供决策支持。
2.根据权利要求1所述的一种基于深度学习的机采井系统效率优化方法,其特征在于,步骤A中,所述的各类机采井参数是指:泵参数、生产参数、温压参数、电参数、有功功率。
3.根据权利要求1所述的一种基于深度学习的机采井系统效率优化方法,其特征在于,步骤B中,所述的系统效率阈值提取是指:采用长短期记忆网络LSTM算法,以10天的历史数据预测未来1天的系统效率,构建系统效率阈值提取模型。
4.一种基于大数据深度学习的机采井系统效率优化装置,包括以下模块:
数据预处理模块:将获取的各类参数,泵参数、生产参数、温压参数、电参数、有功功率,进行多源数据融合,对融合后的数据进行缺失值、异常值处理,作为系统效率优化的数据集totalDataSet;以30天的产液量历史数据预测未来10天的产液量的方式,构建产油量预测模型的训练样本;
系统效率阈值提取模块:提取机采井动液面、日产液量、日产油量、系统效率的历史数据,构建系统效率阈值提取的训练样本shresholdDataSet,采用长短期记忆网络LSTM进行模型训练,应用训练好的模型预测机采井中每个周期下一时间节点的系统效率;若系统效率值低于平均转周系统效率,则记录该系统效率值,经过多组测试,取平均值作为系统效率阈值;
机采井周期状态分类模块:基于数据集totalDataSet,构建机采井周期状态分类训练数据stateDateSet;结合数据分布,对系统效率进行区间划分,每个区间记为一类,每一类作为训练数据stateDateSet的标签值;将训练数据stateDateSet划分为训练集stateDateSetTrain和测试集stateDateSetTest,分别使用随机森林、SVM、Adaboost、GBDT、XGBoost机器学习模型以及神经网络MLP进行训练,构建周期状态分类模型;根据模型效果,进行对比分析,选择最优模型;在每一个周期中,应用构建好的模型对机采井的周期状态进行分类,将分类结果作为是否调整工作制度的依据之一;
机采井产液量预测模块:根据每口井的产液量历史数据,构建LSTM时序预测模型,预测未来10天的产液量,并结合当前机采井的原油密度、动液面、回压、套压、耗电量、生产时间,计算出系统效率;系统效率值低于系统效率阈值,则发出系统预警;结合周期状态是否处于低效状态,判断是否需要调整工作制度,并为下一吞吐周期生产参数调整或者新井投产提供决策支持。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110244279.8A CN113011089B (zh) | 2021-03-05 | 2021-03-05 | 一种基于深度学习的机采井系统效率优化方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110244279.8A CN113011089B (zh) | 2021-03-05 | 2021-03-05 | 一种基于深度学习的机采井系统效率优化方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113011089A CN113011089A (zh) | 2021-06-22 |
CN113011089B true CN113011089B (zh) | 2022-05-20 |
Family
ID=76406521
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110244279.8A Active CN113011089B (zh) | 2021-03-05 | 2021-03-05 | 一种基于深度学习的机采井系统效率优化方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113011089B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554106B (zh) * | 2021-07-28 | 2022-03-18 | 桂林电子科技大学 | 一种面向电力缺失数据的协同补全方法 |
CN113928964B (zh) * | 2021-09-30 | 2023-06-20 | 中铁第四勘察设计院集团有限公司 | 一种自动扶梯扶手带松紧程度检测方法 |
CN115906591B (zh) * | 2023-01-06 | 2023-08-08 | 中国石油大学(华东) | 一种基于XGBoost网络的油井动液面计算方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111985610A (zh) * | 2020-07-15 | 2020-11-24 | 中国石油大学(北京) | 一种基于时序数据的抽油机井泵效预测系统和方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11507677B2 (en) * | 2019-02-15 | 2022-11-22 | Microsoft Technology Licensing, Llc | Image classification modeling while maintaining data privacy compliance |
-
2021
- 2021-03-05 CN CN202110244279.8A patent/CN113011089B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111985610A (zh) * | 2020-07-15 | 2020-11-24 | 中国石油大学(北京) | 一种基于时序数据的抽油机井泵效预测系统和方法 |
Non-Patent Citations (3)
Title |
---|
基于SVM的机采井区块系统效率计算方法研究;姜民政等;《节能技术》;20170326(第02期);全文 * |
基于数据挖掘的油气开采决策支持技术;陈德春等;《油气地质与采收率》;20090325(第02期);全文 * |
抽油机井系统优化设计方法应用;张昊;《石油和化工节能》;20170120(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113011089A (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113011089B (zh) | 一种基于深度学习的机采井系统效率优化方法与装置 | |
CN108417033B (zh) | 基于多维因素的高速路交通事故分析预测方法 | |
CN105701596A (zh) | 一种基于大数据技术的配网抢修精益化方法以及管理系统 | |
CN105630885A (zh) | 一种用电异常检测方法及系统 | |
CN103103570B (zh) | 基于主元相似性测度的铝电解槽况诊断方法 | |
CN108197817A (zh) | 一种基于大数据的非侵入式负荷暂态监测的方法 | |
CN105550943A (zh) | 一种基于模糊综合评判的风电机组状态参数异常辨识方法 | |
CN112462736B (zh) | 一种基于数据分析的风电机组故障诊断方法 | |
CN108765004A (zh) | 一种基于数据挖掘识别用户窃电行为的方法 | |
CN113570200B (zh) | 一种基于多维信息的电网运行状态监测方法及系统 | |
CN112529341A (zh) | 一种基于朴素贝叶斯算法的钻井漏失机率预测方法 | |
CN114048436A (zh) | 一种预测企业财务数据模型构建方法及构建装置 | |
CN113569459A (zh) | 基于群体智能的液压支架性能退化定量评估方法及系统 | |
CN112085242B (zh) | 一种基于大数据深度学习方法的低阻层精准预测方法与装置 | |
CN112257937B (zh) | 一种基于大数据技术的配电网故障预测系统及方法 | |
KR102126954B1 (ko) | 스마트 재봉작업 측정 방법 및 이를 수행하기 위한 시스템 | |
CN112858901A (zh) | 实时监测刀具运行状态与寿命预测的系统及方法 | |
CN112508278A (zh) | 一种基于证据回归多模型的多联供系统负荷预测方法 | |
CN107590747A (zh) | 基于综合能源大数据分析的电网资产周转率计算方法 | |
CN116756505A (zh) | 一种基于大数据的光伏设备智能管理系统及方法 | |
CN116613815A (zh) | 一种风光荷联合预测方法 | |
CN106326677A (zh) | 一种pta装置醋酸消耗的软测量方法 | |
CN115423146A (zh) | 一种基于多因子最近邻抽样回归和支持向量机的自适应径流预报方法 | |
CN110659681B (zh) | 基于模式识别的时序数据预测系统及方法 | |
CN114154567A (zh) | 一种基于机器学习的风电场站运行数据异常识别方法 |
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 |