CN113011673A - 一种冷却塔水位的监测预警方法及装置 - Google Patents
一种冷却塔水位的监测预警方法及装置 Download PDFInfo
- Publication number
- CN113011673A CN113011673A CN202110348823.3A CN202110348823A CN113011673A CN 113011673 A CN113011673 A CN 113011673A CN 202110348823 A CN202110348823 A CN 202110348823A CN 113011673 A CN113011673 A CN 113011673A
- Authority
- CN
- China
- Prior art keywords
- water replenishing
- historical
- replenishing flow
- time period
- flow
- 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
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 391
- 238000001816 cooling Methods 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000012544 monitoring process Methods 0.000 title claims abstract description 30
- 239000013589 supplement Substances 0.000 claims abstract description 54
- 238000013210 evaluation model Methods 0.000 claims abstract description 34
- 230000002159 abnormal effect Effects 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 56
- 238000013528 artificial neural network Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 16
- 239000002356 single layer Substances 0.000 claims description 8
- 230000001502 supplementing effect Effects 0.000 claims description 7
- 230000002457 bidirectional effect Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 abstract description 4
- 239000010410 layer Substances 0.000 description 9
- 239000002184 metal Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000002918 waste heat Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000498 cooling water Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000002826 coolant Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
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
- G06N3/044—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种冷却塔水位的监测预警方法、装置、计算机可读存储介质及电子设备，该方法包括：获取历史天气数据和历史补水流量数据；基于历史天气数据和历史补水流量数据，训练得到冷却塔补水流量评估模型；基于获取的当前时段前预设时长的天气数据、获取的当前时段前预设时长内的补水流量数据和冷却塔补水流量评估模型，确定当前时段对应的补水流量参考值；基于获取的当前时段补水流量实际值和当前时段对应的补水流量参考值，控制冷却塔水位预警信息的生成。本发明从补水流量监测的角度，提出了一种冷却塔水位监测预警方法，当出现补水流量异常时进行预警，避免冷却塔内水位出现异常，有效提高冷却塔的运行稳定性，降低运营维护成本。
Description
技术领域
本发明涉及能源领域，尤其涉及一种冷却塔水位的监测预警方法及装置。
背景技术
冷却塔是工业上用来散发系统产生的废热以保证系统正常运行的散热装置，它的工作原理是用水作为循环冷却剂，冷却水吸收系统废热后在塔体内部与空气进行热交换，从而将系统废热传输给空气并散入大气中。冷却塔水位保持在合理范围内是保证冷却塔正常运行的关键环节之一。由于负荷变化及天气状况差异，冷却塔内的水分损失速率通常存在较大波动，因此需要及时掌握冷却塔水位情况并进行冷却塔水位控制。
目前常用浮球装置对冷却塔水位进行控制，当水位降至设定值下限时，自动打开补水阀门进行补水；当水位达到设定值上限时，自动关闭补水阀门。但随着使用时间的增加，浮球装置极易出现故障，水位低时不补水，水位高时不关补水阀门，致使冷却塔水位过低或水位过高甚至满溢，影响系统的稳定运行。
发明内容
本发明提供了一种冷却塔水位的监测预警方法、装置、计算机可读存储介质及电子设备，可以及时根据冷却塔补水流量控制冷却塔水位预警信息的生成。
第一方面，本发明提供了一种冷却塔水位的监测预警方法，包括：
获取历史天气数据和历史补水流量数据；
基于所述历史天气数据和所述历史补水流量数据训练得到基于神经网络的冷却塔补水流量评估模型；
获取当前时段前预设时长的天气数据和当前时段前预设时长内的补水流量数据；
基于所述当前时段前预设时长的天气数据、当前时段前预设时长内的补水流量数据和所述冷却塔补水流量评估模型，确定当前时段对应的补水流量参考值；
获取当前时段补水流量实际值；
基于获取的当前时段补水流量实际值和所述当前时段对应的补水流量参考值，控制冷却塔水位预警信息的生成。
优选地，
所述获取历史补水流量数据，包括：
获取原始历史补水流量数据；
按照单位时间段，划分每个历史日的所述原始历史补水流量数据，获取历史日的各单位时间段分别对应的原始补水流量数据集合；
基于预设补水流量异常阈值对所述原始补水流量数据集合进行异常值处理，将所有异常值删除，并用插值法对各单位时间段补水流量数据中的缺失值、删除后的空值进行填充，获取所述历史补水流量数据。
优选地，
所述获取历史天气数据，包括：
获取冷却塔所在地的原始历史天气数据；
将所述原始历史天气数据中的非数值型特征转换为数值型特征，获取处理后原始历史天气数据；
对所述处理后原始历史天气数据进行归一化处理，获取历史天气数据。
优选地，
所述基于所述历史天气数据和所述历史补水流量数据，训练得到基于神经网络的冷却塔补水流量评估模型，包括：
基于所述历史天气数据和所述历史补水流量数据中的历史时段前预设时长内的补水流量数据，获得历史时段补水流量参考值；
基于所述历史时段补水流量参考值和所述历史补水流量中的历史时段补水流量实际值，训练得到基于神经网络的冷却塔补水流量评估模型。
优选地，
所述基于所述历史天气数据和所述历史补水流量数据中的历史时段前预设时长内的补水流量数据，获得历史时段补水流量参考值，包括：
将所述历史天气数据中的历史时段前预设时长内的天气数据输入双向长短期记忆网络，得到编码后的历史天气数据向量；将所述历史补水流量数据中的历史时段前预设时长内的补水流量数据输入单层全连接神经网络，得到编码后的历史时段补水流量向量；
将所述编码后的历史天气数据向量、所述编码后的历史时段补水流量向量和所述历史天气数据中的历史时段天气数据分别输入单层全连接神经网络，得到二次编码后的历史天气数据向量、二次编码后的历史时段补水流量向量以及编码后的历史时段天气数据向量；
对所述二次编码后的历史天气数据向量、所述二次编码后的历史时段补水流量向量以及所述编码后的历史时段天气数据向量进行拼接，获得综合特征向量；
将所述综合特征向量输入多层全连接神经网络，获得历史时段补水流量参考值。
优选地，
所述基于获取的当前时段补水流量实际值和所述当前时段对应的补水流量参考值，控制冷却塔水位预警信息的生成，包括：
基于各单位时间段分别对应的补水流量偏差动态阈值，确定当前时段补水流量阈值；
若所述当前时段补水流量实际值和所述当前时段对应的补水流量参考值的差值不符合所述当前时段补水流量阈值，则生成冷却塔水位预警信息。
优选地，
在所述基于补水流量偏差动态阈值，确定当前时段补水流量阈值前，所述方法还包括：
将各单位时间段内所有训练数据，输入冷却塔补水流量评估模型，获取各单位时间段分别对应的补水流量参考值集合；
基于各单位时间段分别对应的补水流量参考值集合和补水流量实际值的差值，得到各单位时间段分别对应的补水流量偏差值集合；
基于各单位时间段分别对应的补水流量偏差值集合，获取各单位时间段分别对应的补水流量偏差值有序集合；
基于预设系数和各单位时间段分别对应的补水流量偏差值有序集合，获取各单位时间段分别对应的补水流量偏差动态阈值。
第二方面，本发明提供了一种冷却塔水位的监测预警装置，包括：
史数据获取模块：获取历史天气数据和历史补水流量数据；
评估模型建立模块：用于基于所述历史天气数据和所述历史补水流量数据，训练得到基于神经网络的冷却塔补水流量评估模型；
第一数据获取模块：用于获取当前时段前预设时长的天气数据和当前时段前预设时长内的补水流量数据；
参考值确定模块：用于基于所述当前时段前预设时长的天气数据、当前时段前预设时长内的补水流量数据和所述冷却塔补水流量评估模型，确定当前时段对应的补水流量参考值；
第二数据获取模块：用于获取当前时段补水流量实际值；
预警处理模块：用于基于获取的当前时段补水流量实际值和所述当前时段对应的补水流量参考值，控制冷却塔水位预警信息的生成。
第三方面，本发明提供了一种计算机可读存储介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述电子设备执行如第一方面中任一所述的方法。
第四方面，本发明提供了一种电子设备，包括处理器以及存储有执行指令的存储器，当所述处理器执行所述存储器存储的所述执行指令时，所述处理器执行如第一方面中任一所述的方法。
本发明提供了一种冷却塔水位的监测预警方法、装置、计算机可读存储介质及电子设备，该方法通过获取历史天气数据和历史补水流量数据，然后基于历史天气数据和历史补水流量数据，训练得到基于神经网络的冷却塔补水流量评估模型，进一步获取当前时段前预设时长的天气数据和当前时段前预设时长内的补水流量数据，并基于当前时段前预设时长的天气数据、当前时段前预设时长内的补水流量数据和冷却塔补水流量评估模型，确定当前时段对应的补水流量参考值，再获取当前时段补水流量实际值，并基于获取的当前时段补水流量实际值和当前时段对应的补水流量参考值，控制冷却塔水位预警信息的生成。本发明从补水流量监测的角度，对冷却塔的水位进行了监测预警，当出现补水流量异常时及时进行预警，避免冷却塔内水位过高或过低，有效提高冷却塔的运行稳定性，降低运营维护成本。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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为本发明实施例中提供的一种冷却塔水位的监测预警方法的流程示意图；
图2为本发明实施例中提供的一种冷却塔水位的监测预警方法中第一种步骤101的流程示意图；
图3为本发明实施例中提供的一种冷却塔水位的监测预警方法中第二种步骤101的流程示意图；
图4为本发明实施例中提供的一种冷却塔水位的监测预警方法中步骤102的流程示意图；
图5为本发明实施例中提供的一种冷却塔水位的监测预警方法中步骤1021的流程示意图
图6为本发明实施例中提供的一种冷却塔水位的监测预警方法中步骤106的流程示意图；
图7为本发明实施例中提供的一种冷却塔水位的监测预警方法中步骤106之前的流程示意图；
图8为本发明实施例中提供的一种冷却塔水位的监测预警装置的结构示意图；
图9为本发明实施例中提供的一种电子设备的结构示意图。
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，下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例提供一种冷却塔水位的监测预警方法，该方法包括：
步骤101，获取历史天气数据和历史补水流量数据；
步骤102，基于所述历史天气数据和所述历史补水流量数据，训练得到基于神经网络的冷却塔补水流量评估模型；
步骤103，获取当前时段前预设时长的天气数据和当前时段前预设时长内的补水流量数据；
步骤104，基于所述当前时段前预设时长的天气数据、当前时段前预设时长内的补水流量数据和所述冷却塔补水流量评估模型，确定当前时段对应的补水流量参考值；
步骤105，获取当前时段补水流量实际值；
步骤106，基于获取的当前时段补水流量实际值和所述当前时段对应的补水流量参考值，控制冷却塔水位预警信息的生成。
本发明提供的一种冷却塔水位的监测预警方法先获取历史天气数据和历史补水流量数据，其中，历史天气数据包括历史时段以及历史时段前预设时长内的天气数据，历史补水流量数据包括冷却塔在历史时段补水流量实际值以及历史时段前预设时长内的补水流量数据。其中需要说明的是，历史时段是指当前时段以前的某一时段，在一种可能的情况中，历史时段与当前时段可以为不同天中的相同时段；其中，某一时段对应的补水流量数值通常是取补水管处的液体流量计间隔此时段的前后两次表计读数的差值，在获取历史数据时，历史时段的时长可以设置为任意值，但是需要大于冷却塔液体流量计返回表计数据的最小周期，为了保证效果准确，需要设置为5分钟以上，按照历史时段的时长可以将一整天划分为多个时段，其中任一时段都可以作为历史时段，而历史时段前预设时长，可以为任意时长，例如，48小时、一周或一个月等等。基于历史天气数据和历史补水流量数据，训练得到基于神经网络的冷却塔补水流量评估模型。进一步获取当前时段前预设时长的天气数据和当前时段前预设时长内的补水流量数据，以基于当前时段前预设时长的天气数据、当前时段前预设时长内的补水流量数据和冷却塔补水流量评估模型，确定当前时段对应的补水流量参考值。再获取当前时段补水流量实际值，然后基于获取的当前时段补水流量实际值和当前时段对应的补水流量参考值，控制冷却塔水位预警信息的生成。例如，如果当前时段补水流量实际值和当前时段对应的补水流量参考值差值不符合当前时段补水流量的阈值，则生成冷却塔的预警信息。本发明从补水流量监测的角度，对冷却塔的水位进行了监测预警，当出现补水流量异常时及时进行预警，避免冷却塔内水位过高或过低，有效提高冷却塔的运行稳定性，降低运营维护成本。
如图2所示，在本发明一个实施例中，所述步骤101中所述获取历史补水流量数据，包括：
步骤1011，获取原始历史补水流量数据；
步骤1012，按照单位时间段，划分每个历史日的所述原始历史补水流量数据，获取历史日的各单位时间段分别对应的原始补水流量数据集合；
步骤1013，基于预设补水流量异常阈值对所述原始补水流量数据集合进行异常值处理，将所有异常值删除，并用插值法对各单位时间段补水流量数据中的缺失值、删除后的空值进行填充，获取所述历史补水流量数据。
在上述实施例中，获取的原始历史补水流量数据，可以是现有的补水流量记录数据中的部分或者全部。然后按照单位时间段，划分每个历史日的原始历史补水流量数据，获取历史日的各单位时间段分别对应的原始补水流量数据集合，其中单位时间段的时长可以任意设置，如10min，30min或1h，其中单位时间段可以与上述提及的历史时段或当前时段的时长相同。对历史日的原始历史补水流量数据进行划分后，将历史日相同单位时间段分别对应的原始补水流量数据放置在一个集合里，从而组成历史日的各单位时间段分别对应的原始补水流量数据集合。基于预设补水流量异常阈值对所述原始补水流量数据集合进行异常值处理，将所有异常值删除，并用插值法对各单位时间段补水流量数据中的缺失值、删除后的空值进行填充，获取所述历史补水流量数据。在一种可能的情况中，将每个原始补水流量数据集合中的数据按照从小到大的顺序排列，根据补水流量异常阈值αt，将各时段补水流量中数值最大的一部分数据标记为异常值，例如值αt＝2％，则将各时段补水流量数据中排在后2％的最大数值标记为异常值，删除所有异常值，并用插值法对各单位时间段补水流量数据中缺失值、删除后的空值进行填充。
如图3所示，在本发明一个实施例中，所述步骤101中获取历史天气数据，包括：
步骤1014，获取冷却塔所在地的原始历史天气数据；
步骤1015，将所述原始历史天气数据中的非数值型特征转换为数值型特征，获取处理后原始历史天气数据；
步骤1016，对所述处理后原始历史天气数据进行归一化处理，获取历史天气数据。
在上述实施例中，获取冷却塔所在地的原始历史天气数据，包括获取天气数据中的“温度”、“湿度”、“天气状况”、“气压”、“风级”、“风向”、“风速”、“降水概率”、“紫外线强度”等方面的数据，以及“年”、“月”、“日”等日期信息。在一种可能的实现方式中，将原始历史天气数据根据单位时间段进行划分，对于缺失天气数据的单位时间段，填充为其相邻最近单位时间段对应的天气数据，若其前后单位时间段的天气数据均不为空，则用位于其之前的最近单位时间段的天气数据进行填充。为了便于特征计算，需将原始历史天气数据中的非数值型特征转化为数值形式，因此将所述原始历史天气数据中的非数值型特征转换为数值型特征，获取处理后原始历史天气数据。比如“天气状况”包含12类天气，可将12类天气映射到[1,12]区间内的整数上，也可以将每种天气转换为长度为12的向量。为了避免不同维度的特征值由于取值范围差异而影响数据分析的效果，需通过数据归一化将每一维度的特征值(以向量形式表示的特征除外)映射到均值为0、标准差为1的标准正态分布中，以获取历史天气数据，其中数据归一化公式如下所示：
对于某一维特征，其中μ表示某一单位时间段对应的所有原始历史天气数据的均值，σ表示某一单位时间段对应的所有原始历史天气数据的标准差，X表示某一单位时间段对应的某一原始历史天气数据的实际特征值，X*表示某一单位时间段对应的该原始历史天气数据归一化后的特征值。
如图4所示，在本发明一个实施例中，所述步骤102所述基于所述历史天气数据和所述历史补水流量数据，训练得到基于神经网络的冷却塔补水流量评估模型，包括：
步骤1021，基于所述历史天气数据和所述历史补水流量数据中的历史时段前预设时长内的补水流量数据，获得历史时段补水流量参考值；
步骤1022，基于所述历史时段补水流量参考值和所述历史补水流量中的历史时段补水流量实际值，训练得到基于神经网络的冷却塔补水流量评估模型。
在上述实施例中，为了获取到准确的冷却补水流量评估模型，获取历史天气数据和历史补水流量数据，其中历史补水流量数据包括历史时段前预设时长内的补水流量数据和历史时段补水流量实际值，利用历史天气数据和历史补水流量数据中的历史时段前预设时长内的补水流量数据，获取历史时段补水流量参考值，该历史时段补水流量参考值为神经网络输出层的输出预测结果，将该预测结果与真实结果进行比较，并调整神经网络的参数，从而获取到满足预设精度的冷却塔补水流量评估模型。
如图5所示，在本发明一个实施例中，所述步骤1021基于所述历史天气数据和所述历史补水流量数据中的历史时段前预设时长内的补水流量数据，获得历史时段补水流量参考值，包括：
步骤10211，将所述历史天气数据中的历史时段前预设时长内的天气数据输入双向长短期记忆网络，得到编码后的历史天气数据向量；将所述历史补水流量数据中的历史时段前预设时长内的补水流量数据输入单层全连接神经网络，得到编码后的历史时段补水流量向量；
步骤10212，将所述编码后的历史天气数据向量、所述编码后的历史时段补水流量向量和所述历史天气数据中的历史时段天气数据分别输入单层全连接神经网络，得到二次编码后的历史天气数据向量、二次编码后的历史时段补水流量向量以及编码后的历史时段天气数据向量；
步骤10213，对所述二次编码后的历史天气数据向量、所述二次编码后的历史时段补水流量向量以及所述编码后的历史时段天气数据向量进行拼接，获得综合特征向量；
步骤10214，将所述综合特征向量输入多层全连接神经网络，获得历史时段补水流量参考值。
在上述实施例中，将历史时段前预设时长内的天气数据输入双向长短时记忆网络，得到编码后的历史天气数据向量
公式如下所示：
其中，d1表示BiLSTM隐藏单元的数量，Sh表示历史时段前预设时长内的天气数据，
表示编码后的历史天气数据向量。将历史时段前预设时长内的补水流量数据输入单层全连接神经网络，得到编码后的历史时段补水流量向量
公式如下所示：
其中，d2表示全连接神经网络输出层单元的数量，
和
分别表示全连接神经网络的权重矩阵和偏置向量，xh表示历史时段前预设时长内的补水流量数据，
表示编码后的历史时段补水流量向量。relu为激活函数，其公式如下所示：
relu(z)＝max(0，z)。
将编码后的历史天气数据向量、编码后的历史时段补水流量向量和所述历史天气数据中历史时段的天气数据分别输入单层全连接神经网络，获取二次编码后的历史天气数据向量
二次编码后的历史时段补水流量向量
以及编码后的历史时段天气数据向量
公式如下所示：
其中，d3、d4和d5表示各全连接神经网络输出层单元的数量，
和
分别表示各全连接神经网络的权重矩阵和偏置向量，sc表示历史时段的天气数据。对二次编码后的历史天气数据向量、所述二次编码后的历史时段补水流量向量以及所述编码后的历史时段天气数据向量进行拼接，获得综合特征向量，
公式如下：
将综合特征向量输入多层全连接神经网络，获得历史时段补水流量参考值
公式如下：
其中，
和
分别表示第一层和第二层全连接神经网络的权重矩阵和偏置向量，
知
分别表示输出层的权重向量和偏置值。以上为模型整体架构。在模型中的全连接层之后，可以添加dropout层来防止过拟合。除去用于计算历史时段补水流量参考值
的输出层之外，其他的全连接层激活函数可以替换为sigmoid函数或tanh函数：
具体的，基于所述历史时段补水流量参考值和历史时段补水流量实际值，确定冷却塔补水流量评估模型，是通过最小化如下损失函数，对模型进行训练，公式如下：
其中，k表示历史时段历史补水流量数据数量，yi表示第i个历史时段历史补水流量数据对应的历史时段补水流量实际值，
表示补水流量评估模型计算所得的第i个历史时段历史补水流量数据对应的历史时段补水流量参考值。
如图6所示，在本发明一个实施例中，所述步骤106基于获取的当前时段补水流量实际值和所述当前时段对应的补水流量参考值，控制冷却塔水位预警信息的生成，包括：
步骤1061，基于各单位时间段对应的补水流量偏差动态阈值，确定当前时段补水流量阈值；
步骤1062，若所述当前时段补水流量实际值和所述当前时段对应的补水流量参考值的差值不符合所述当前时段补水流量阈值，则生成冷却塔水位预警信息。
在上述实施例中，基于各单位时间段对应的补水流量偏差动态阈值，确定当前时段补水流量阈值，不同的单位时段的补水流量的统计属性不同，而且不同日期的同一时段的补水流量也会产生变化，因此补水流量偏差阈值也是基于时段动态更新的，比如凌晨2点的补水流量通常在0到1个单位流量之间，下午2点的补水流量则可能在8到15个单位流量之间，若在这两个时段，冷却塔补水流量评估模型给出的补水流量参考值和补水流量实际值的偏差均为3，则对于两个时段来说同样大小的偏差所产生的影响是不同的。若所述当前时段补水流量实际值和所述当前时段对应的补水流量参考值的差值不符合所述当前时段补水流量动态阈值，则生成冷却塔水位预警信息。在一种可能的情况下，当前时段补水流量动态阈值为一个限值，则比较当前时段补水流量实际值和所述当前时段对应的补水流量参考值的差值与当前时段补水流量动态阈值的大小，如果超过当前时段补水流量动态阈值规定的范围，就生成预警信息；在另一种可能的情况下，当前时段补水流量动态阈值为两个限值，即上限值和下限值，则比较当前时段补水流量实际值和所述当前时段对应的补水流量参考值的差值是否在上限值和下限值之间，若在上限值和下限值之间，即符合当前时段补水流量动态阈值，若超过上限值或低于下限值，即不符合当前时段补水流量动态阈值，当超过上限值时可以发出流量过大的预警信息，若低于下限值可以发出流量过小的预警信息。
如图7所示，在本发明一个实施例中，在所述步骤1061基于补水流量偏差动态阈值，确定当前时段补水流量阈值前，所述方法还包括：
步骤1063，将各单位时间段内所有训练数据，输入冷却塔补水流量评估模型，获取各单位时间段分别对应的补水流量参考值集合；
步骤1064，基于各单位时间段分别对应的补水流量参考值集合和补水流量实际值的差值，得到各单位时间段分别对应的补水流量偏差值集合；
步骤1065，基于各单位时间段分别对应的补水流量偏差值集合，获取各单位时间段分别对应的补水流量偏差值有序集合；
步骤1066，基于设定的流量波动系数和各单位时间段分别对应的补水流量偏差值有序集合，获取各单位时间段分别对应的补水流量偏差动态阈值。
在上述实施例中，确定各单位时间段分别对应的补水流量参考值集合，是需要将属于各单位时间段内所有的的训练数据即历史天气数据和历史补水流量数据
输入冷却塔补水流量评估模型，得到各单位时间段分别对应的补水流量参考值集台
然后计算各单位时间段对应的补水流量参考值集合与补水流量实际值的差值，得到各单位时间段的补水流量偏差值集合
公式如下：
其中，
为某一单位时间段的第n个补水流量实际值，
为某一单位时间段的第n个补水流量参考值和实际值的偏差。基于各单位时间段分别对应的补水流量偏差值集合，获取各单位时间段分别对应的补水流量偏差值有序集合，具体的，可以将补水流量偏差值集合从小到大进行排序，得到补水流量偏差值有序集合
基于设定的流量波动系数和各单位时间段分别对应的补水流量偏差值有序集合，获取各单位时间段分别对应的补水流量偏差动态阈值，例如设定的流量波动系数θ∈(0％，30％)，取补水流量偏差值有序集合
中位于θ位置的元素
和位于(1-θ)位置的元素
来确定t时段的流量偏差下限预警阈值
和流量偏差上限预警阈值
公式如下：
上述步骤可计算每个时段的补水流量动态偏差阈值，随着日期的推移，不断将获得的新历史数据添加到补水流量偏差阈值的计算中，动态更新补水流量动态偏差阈值。对于时段t，当补水流量参考值和真实值的偏差et小于流量偏差下限预警阈值
时，发出流量过小预警；当et大于流量偏差上限预警阈值
时，发出流量过大预警。流量波动系数θ可以按需调整，θ越大，对流量偏差的容忍度越小，较小的流量偏差便可触发预警；θ越小，对流量偏差的容忍度越大，较大的流量偏差才会触发预警。
基于与上述方法相同的发明构思，如图8所示，本发明实施例提供了一种冷却塔水位的监测预警装置，包括：
历史数据获取模块801：获取历史天气数据和历史补水流量数据；
评估模型建立模块802：用于基于所述历史天气数据和所述历史补水流量数据，训练得到基于神经网络的冷却塔补水流量评估模型；
第一数据获取模块803：用于获取当前时段前预设时长的天气数据和当前时段前预设时长内的补水流量数据；
参考值确定模块804：用于基于所述当前时段前预设时长的天气数据、当前时段前预设时长内的补水流量数据和所述冷却塔补水流量评估模型，确定当前时段对应的补水流量参考值；
第二数据获取模块805：用于获取当前时段补水流量实际值；
预警处理模块806：用于基于获取的当前时段补水流量实际值和所述当前时段对应的补水流量参考值，控制冷却塔水位预警信息的生成。
图9是本发明实施例提供的一种电子设备的结构示意图。在硬件层面，该电子设备包括处理器901以及存储有执行指令的存储器902，可选地还包括内部总线903及网络接口904。其中，存储器902可能包含内存9021，例如高速随机存取存储器(Random-AccessMemory，RAM)，也可能还包括非易失性存储器9022(non-volatile memory)，例如至少1个磁盘存储器等；处理器901、网络接口904和存储器902可以通过内部总线903相互连接，该内部总线903可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture，扩展工业标准结构)总线等；内部总线903可以分为地址总线、数据总线、控制总线等，为便于表示，图9中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。当然，该电子设备还可能包括其他业务所需要的硬件。当处理器901执行存储器902存储的执行指令时，处理器901执行本发明任意一个实施例中的方法，并至少用于执行如图1至图7所示的方法。
在一种可能实现的方式中，处理器从非易失性存储器中读取对应的执行指令到内存中然后运行，也可从其它设备上获取相应的执行指令，以在逻辑层面上形成一种冷却塔水位的监测预警方法。处理器执行存储器所存放的执行指令，以通过执行的执行指令实现本发明任一实施例中提供的一种冷却塔水位的监测预警方法。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本发明实施例还提供了一种计算机可读存储介质，包括执行指令，当电子设备的处理器执行执行指令时，所述处理器执行本发明任意一个实施例中提供的方法。该电子设备具体可以是如图9所示的电子设备；执行指令是一种冷却塔水位的监测预警方法。
本领域内的技术人员应明白，本发明的实施例可提供为方法或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例，或软件和硬件相结合的形式。
本发明中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者冷却塔不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者冷却塔所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者冷却塔中还存在另外的相同要素。
以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。
Claims (10)
1.一种冷却塔水位的监测预警方法，其特征在于，包括：
获取历史天气数据和历史补水流量数据；
基于所述历史天气数据和所述历史补水流量数据，训练得到基于神经网络的冷却塔补水流量评估模型；
获取当前时段前预设时长的天气数据和当前时段前预设时长内的补水流量数据；
基于所述当前时段前预设时长的天气数据、当前时段前预设时长内的补水流量数据和所述冷却塔补水流量评估模型，确定当前时段对应的补水流量参考值；
获取当前时段补水流量实际值；
基于获取的当前时段补水流量实际值和所述当前时段对应的补水流量参考值，控制冷却塔水位预警信息的生成。
2.根据权利要求1所述的方法，其特征在于，所述获取历史补水流量数据，包括：
获取原始历史补水流量数据；
按照单位时间段，划分每个历史日的所述原始历史补水流量数据，获取历史日的各单位时间段分别对应的原始补水流量数据集合；
基于预设补水流量异常阈值对所述原始补水流量数据集合进行异常值处理，将所有异常值删除，并用插值法对各单位时间段补水流量数据中的缺失值、删除后的空值进行填充，获取历史补水流量数据。
3.根据权利要求1所述的方法，其特征在于，所述获取历史天气数据，包括：
获取冷却塔所在地的原始历史天气数据；
将所述原始历史天气数据中的非数值型特征转换为数值型特征，获取处理后原始历史天气数据；
对所述处理后原始历史天气数据进行归一化处理，获取历史天气数据。
4.根据权利要求1所述的方法，其特征在于，所述基于所述历史天气数据和所述历史补水流量数据，训练得到基于神经网络的冷却塔补水流量评估模型，包括：
基于所述历史天气数据和所述历史补水流量数据中的历史时段前预设时长内的补水流量数据，获得历史时段补水流量参考值；
基于所述历史时段补水流量参考值和所述历史补水流量中的历史时段补水流量实际值，训练得到基于神经网络的冷却塔补水流量评估模型。
5.根据权利要求4所述的方法，其特征在于，所述基于所述历史天气数据和所述历史补水流量数据中的历史时段前预设时长内的补水流量数据，获得历史时段补水流量参考值，包括：
将所述历史天气数据中的历史时段前预设时长内的天气数据输入双向长短期记忆网络，得到编码后的历史天气数据向量；将所述历史补水流量数据中的历史时段前预设时长内的补水流量数据输入单层全连接神经网络，得到编码后的历史时段补水流量向量；
将所述编码后的历史天气数据向量、所述编码后的历史时段补水流量向量和所述历史天气数据中的历史时段天气数据分别输入单层全连接神经网络，得到二次编码后的历史天气数据向量、二次编码后的历史时段补水流量向量以及编码后的历史时段天气数据向量；
对所述二次编码后的历史天气数据向量、所述二次编码后的历史时段补水流量向量以及所述编码后的历史时段天气数据向量进行拼接，获得综合特征向量；
将所述综合特征向量输入多层全连接神经网络，获得历史时段补水流量参考值。
6.根据权利要求1所述的方法，其特征在于，所述基于获取的当前时段补水流量实际值和所述当前时段对应的补水流量参考值，控制冷却塔水位预警信息的生成，包括：
基于各单位时间段分别对应的补水流量偏差动态阈值，确定当前时段补水流量阈值；
若所述当前时段补水流量实际值和所述当前时段对应的补水流量参考值的差值不符合所述当前时段补水流量阈值，则生成冷却塔水位预警信息。
7.根据权利要求6所述的方法，其特征在于，在所述基于补水流量偏差动态阈值，确定当前时段补水流量阈值前，所述方法还包括：
将各单位时间段内所有训练数据，输入冷却塔补水流量评估模型，获取各单位时间段分别对应的补水流量参考值集合；
基于各单位时间段分别对应的补水流量参考值集合和补水流量实际值的差值，得到各单位时间段分别对应的补水流量偏差值集合；
基于各单位时间段分别对应的补水流量偏差值集合，获取各单位时间段分别对应的补水流量偏差值有序集合；
基于设定的流量波动系数和各单位时间段分别对应的补水流量偏差值有序集合，获取各单位时间段分别对应的补水流量偏差动态阈值。
8.一种冷却塔水位的监测预警装置，其特征在于，包括：
历史数据获取模块：获取历史天气数据和历史补水流量数据；
评估模型建立模块：用于基于所述历史天气数据和所述历史补水流量数据，训练得到基于神经网络的冷却塔补水流量评估模型；
第一数据获取模块：用于获取当前时段前预设时长的天气数据和当前时段前预设时长内的补水流量数据；
参考值确定模块：用于基于所述当前时段前预设时长的天气数据、当前时段前预设时长内的补水流量数据和所述冷却塔补水流量评估模型，确定当前时段对应的补水流量参考值；
第二数据获取模块：用于获取当前时段补水流量实际值；
预警处理模块：用于基于获取的当前时段补水流量实际值和所述当前时段对应的补水流量参考值，控制冷却塔水位预警信息的生成。
9.一种计算机可读介质，包括计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一所述的方法的步骤。
10.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任一所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110348823.3A CN113011673B (zh) | 2021-03-31 | 2021-03-31 | 一种冷却塔水位的监测预警方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110348823.3A CN113011673B (zh) | 2021-03-31 | 2021-03-31 | 一种冷却塔水位的监测预警方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113011673A true CN113011673A (zh) | 2021-06-22 |
| CN113011673B CN113011673B (zh) | 2024-07-12 |
Family
ID=76387533
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110348823.3A Active CN113011673B (zh) | 2021-03-31 | 2021-03-31 | 一种冷却塔水位的监测预警方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113011673B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113310407A (zh) * | 2021-07-02 | 2021-08-27 | 四川华能宝兴河水电有限责任公司 | 一种高坝大库水电站泄洪闸门动态监测方法 |
| CN113551297A (zh) * | 2021-07-27 | 2021-10-26 | 工大科雅（天津）能源科技有限公司 | 热网异常补水监测方法及热网监测终端 |
| CN114073447A (zh) * | 2021-07-15 | 2022-02-22 | 浙江绍兴苏泊尔生活电器有限公司 | 清洁基站的控制方法、清洁基站和清洁系统 |
| CN116206427A (zh) * | 2023-05-06 | 2023-06-02 | 安徽智寰科技有限公司 | 一种基于通用指标自适应阈值的分级报警方法 |
| CN118071117A (zh) * | 2024-04-18 | 2024-05-24 | 中建安装集团有限公司 | 一种基于不停航状态设备切换数据智能监管系统及方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108681848A (zh) * | 2018-08-25 | 2018-10-19 | 黄河水利委员会黄河水利科学研究院 | 一种“三位一体”小型水库或淤地坝汛期预警方法 |
| CN208351311U (zh) * | 2018-06-07 | 2019-01-08 | 上海申铁杰能信息科技有限公司 | 一种主管网冷却设备监控系统 |
| CN109327334A (zh) * | 2018-09-30 | 2019-02-12 | 山东中创软件商用中间件股份有限公司 | 一种针对于设备性能的告警方法、装置及设备 |
| CN109814510A (zh) * | 2019-01-31 | 2019-05-28 | 中冶华天工程技术有限公司 | 基于来水预测的污水处理提升泵优化调度控制方法 |
| CN110195619A (zh) * | 2019-05-30 | 2019-09-03 | 中国水利水电科学研究院 | 火电机组调节系统、方法及装置 |
| CN111160620A (zh) * | 2019-12-06 | 2020-05-15 | 江苏方天电力技术有限公司 | 一种基于端到端记忆网络的短期风电功率预测方法 |
| CN111275185A (zh) * | 2020-01-16 | 2020-06-12 | 珠海格力电器股份有限公司 | 一种能源使用状态预警方法、装置、设备和存储介质 |
| CN111382020A (zh) * | 2020-03-06 | 2020-07-07 | 中国工商银行股份有限公司 | 交易流量监控方法及系统 |
| CN111768310A (zh) * | 2020-06-11 | 2020-10-13 | 中国水利水电科学研究院 | 一种水库补水潜力的预测方法、装置及电子设备 |
| CN112036668A (zh) * | 2020-09-30 | 2020-12-04 | 北京百度网讯科技有限公司 | 用水量预测方法、装置、电子设备以及计算机可读介质 |
| CN112101790A (zh) * | 2020-09-16 | 2020-12-18 | 清华大学合肥公共安全研究院 | 一种水体监测视频及数据联动预警方法及系统 |
| CN112183830A (zh) * | 2020-09-16 | 2021-01-05 | 新奥数能科技有限公司 | 一种冷冻水温度的预测方法及装置 |
| CN112462651A (zh) * | 2020-11-18 | 2021-03-09 | 贵州电网有限责任公司 | 一种考虑前池水位的小水电功率预测方法及预测系统 |
-
2021
- 2021-03-31 CN CN202110348823.3A patent/CN113011673B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN208351311U (zh) * | 2018-06-07 | 2019-01-08 | 上海申铁杰能信息科技有限公司 | 一种主管网冷却设备监控系统 |
| CN108681848A (zh) * | 2018-08-25 | 2018-10-19 | 黄河水利委员会黄河水利科学研究院 | 一种“三位一体”小型水库或淤地坝汛期预警方法 |
| CN109327334A (zh) * | 2018-09-30 | 2019-02-12 | 山东中创软件商用中间件股份有限公司 | 一种针对于设备性能的告警方法、装置及设备 |
| CN109814510A (zh) * | 2019-01-31 | 2019-05-28 | 中冶华天工程技术有限公司 | 基于来水预测的污水处理提升泵优化调度控制方法 |
| CN110195619A (zh) * | 2019-05-30 | 2019-09-03 | 中国水利水电科学研究院 | 火电机组调节系统、方法及装置 |
| CN111160620A (zh) * | 2019-12-06 | 2020-05-15 | 江苏方天电力技术有限公司 | 一种基于端到端记忆网络的短期风电功率预测方法 |
| CN111275185A (zh) * | 2020-01-16 | 2020-06-12 | 珠海格力电器股份有限公司 | 一种能源使用状态预警方法、装置、设备和存储介质 |
| CN111382020A (zh) * | 2020-03-06 | 2020-07-07 | 中国工商银行股份有限公司 | 交易流量监控方法及系统 |
| CN111768310A (zh) * | 2020-06-11 | 2020-10-13 | 中国水利水电科学研究院 | 一种水库补水潜力的预测方法、装置及电子设备 |
| CN112101790A (zh) * | 2020-09-16 | 2020-12-18 | 清华大学合肥公共安全研究院 | 一种水体监测视频及数据联动预警方法及系统 |
| CN112183830A (zh) * | 2020-09-16 | 2021-01-05 | 新奥数能科技有限公司 | 一种冷冻水温度的预测方法及装置 |
| CN112036668A (zh) * | 2020-09-30 | 2020-12-04 | 北京百度网讯科技有限公司 | 用水量预测方法、装置、电子设备以及计算机可读介质 |
| CN112462651A (zh) * | 2020-11-18 | 2021-03-09 | 贵州电网有限责任公司 | 一种考虑前池水位的小水电功率预测方法及预测系统 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113310407A (zh) * | 2021-07-02 | 2021-08-27 | 四川华能宝兴河水电有限责任公司 | 一种高坝大库水电站泄洪闸门动态监测方法 |
| CN114073447A (zh) * | 2021-07-15 | 2022-02-22 | 浙江绍兴苏泊尔生活电器有限公司 | 清洁基站的控制方法、清洁基站和清洁系统 |
| CN113551297A (zh) * | 2021-07-27 | 2021-10-26 | 工大科雅（天津）能源科技有限公司 | 热网异常补水监测方法及热网监测终端 |
| CN116206427A (zh) * | 2023-05-06 | 2023-06-02 | 安徽智寰科技有限公司 | 一种基于通用指标自适应阈值的分级报警方法 |
| CN116206427B (zh) * | 2023-05-06 | 2023-06-30 | 安徽智寰科技有限公司 | 一种基于通用指标自适应阈值的分级报警方法 |
| CN118071117A (zh) * | 2024-04-18 | 2024-05-24 | 中建安装集团有限公司 | 一种基于不停航状态设备切换数据智能监管系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113011673B (zh) | 2024-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113011673A (zh) | 一种冷却塔水位的监测预警方法及装置 | |
| JP7242101B2 (ja) | 融合ニューラルネットワークモデルに基づくエンジンサージング故障の予測システム及び方法 | |
| CN109886477B (zh) | 水污染的预测方法、装置及电子设备 | |
| CN112884199B (zh) | 水电站设备故障预测方法、装置、计算机设备和存储介质 | |
| WO2019214455A1 (zh) | 一种数据序列预测方法及计算设备 | |
| CN113657668A (zh) | 基于lstm网络的电力负荷预测方法及系统 | |
| CN113409167B (zh) | 一种水质异常分析方法及装置 | |
| CN113284000B (zh) | 用户用电数据异常检测方法、装置、计算机设备 | |
| CN113507118B (zh) | 一种风电功率预测方法及系统 | |
| CN110688620A (zh) | 一种短期负荷预测方法及装置 | |
| CN112988538B (zh) | 人工智能开发平台监控告警数据预测方法、装置及介质 | |
| CN114065653A (zh) | 电力负荷预测模型的构建方法与电力负荷预测方法 | |
| CN113743673A (zh) | 一种台风期间的电力负荷预测方法 | |
| CN114330934A (zh) | 一种模型参数自适应的gru新能源短期发电功率预测方法 | |
| CN117543544A (zh) | 一种负荷预测方法、装置、设备及存储介质 | |
| CN113295399B (zh) | 换流阀元件状态评估方法、装置、电子设备和存储介质 | |
| CN111783883A (zh) | 一种异常数据的检测方法及装置 | |
| CN113469237B (zh) | 用户意图识别方法、装置、电子设备及存储介质 | |
| CN114784795A (zh) | 风电功率预测方法、装置、电子设备及存储介质 | |
| CN114049014A (zh) | 海上风电机组运行状态评估方法、装置及系统 | |
| CN114330705A (zh) | 光伏发电量的预测方法、装置、电子设备和存储介质 | |
| CN113112085A (zh) | 一种基于bp神经网络的新能源场站发电负荷预测方法 | |
| CN113994276A (zh) | 用于验证能量系统的系统参数的方法、用于运行能量系统的方法以及用于能量系统的能量管理系统 | |
| CN112215383A (zh) | 一种分布式光伏发电功率预测方法和系统 | |
| CN117217822B (zh) | 电力交易指数预测的方法、装置、终端设备及存储介质 |
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 |