CN113048807A - 一种空冷机组背压异常检测方法 - Google Patents
一种空冷机组背压异常检测方法 Download PDFInfo
- Publication number
- CN113048807A CN113048807A CN202110275448.4A CN202110275448A CN113048807A CN 113048807 A CN113048807 A CN 113048807A CN 202110275448 A CN202110275448 A CN 202110275448A CN 113048807 A CN113048807 A CN 113048807A
- Authority
- CN
- China
- Prior art keywords
- backpressure
- unit
- air cooling
- cooling unit
- back pressure
- 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
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F28—HEAT EXCHANGE IN GENERAL
- F28B—STEAM OR VAPOUR CONDENSERS
- F28B11/00—Controlling arrangements with features specially adapted for condensers
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种空冷机组背压异常检测方法,结合工况划分与OPTICS聚类算法对影响空冷机组背压的关键特征变量的历史运行数据进行同步聚类,选取供电煤耗率最低的一类样本作为机组背压异常检测的决策样本;采用k‑最近邻概率密度估计方法,估计决策样本中机组背压的概率密度分布,确定空冷机组背压在各工况下的正常阈值区间;采用门控循环单元算法构建空冷机组背压预测模型;结合滑动窗口检测技术,判断背压的预测值是否在正常阈值区间之内,实现机组背压的异常检测。本发明提出的空冷机组背压异常检测方法可提供准确的机组背压异常预警信息,辅助实现空冷机组冷端的节能优化运行。
Description
技术领域
本发明属于煤电机组节能优化技术领域,尤其是涉及一种空冷机组背压异常检测方法。
背景技术
空冷机组的背压决定了机组热力循环的终参数,会直接影响热力循环的效率,进而影响机组的供电煤耗率。虽然降低背压可使汽轮机的理想比焓降增大,发出的功率增加,但空冷机组背压的降低主要依靠增大空冷岛风机的出力实现的,因此,确定合适的机组背压,需要在机组发电功率增量与空冷风机耗电增量之间寻求平衡。同时,空冷机组背压会受排汽流量、迎面风速、环境温度等多个边界条件的影响,在正常运行时会有一定的波动。因此,若能合理地确定机组最佳背压的运行区间,准确地预测背压的变化,及时地检测出背压的异常,则有助于进一步挖掘机组的节能潜力与节能空间。需要说明的是,本发明涉及到的机组背压异常是指背压偏离正常阈值区间(即最佳背压区间)时造成的能耗升高的现象。
现阶段我国学者对机组最佳背压确定和背压异常检测的研究,主要依赖变工况计算法和热力学仿真法。其中,热力学分析法、等效热降法等变工况计算法以及借助Ebsilon热力学仿真软件确定最佳真空的研究已取得了一定的研究成果。但是这些方法在计算时,大都针对某个或某几个典型工况,且需要做一些简化假设,受模型准确性的影响,计算得到的最佳背压是理论值,在工程应用上受到一定的限制。
受新能源发电的影响,现役大部分煤电机组都需承担调峰任务,负荷频繁变动,运行参数也会相应地波动且偏离设计值,导致机组能耗增加。因此,在新形势下,对机组背压异常检测的研究需要关注涌现出的新问题,具体表现在:空冷机组背压会受机组负荷、环境温度、风速等边界条件的影响,背压的正常阈值应随着工况的不同而有所变化。同时,通过对背压变化趋势的准确预测,提前下达操作指令调整,可有效减少因背压变化引起的能耗升高。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种空冷机组背压异常检测方法。
本发明解决其技术问题所采用的技术方案是:构造一种空冷机组背压异常检测方法,包括以下步骤:
步骤1、影响空冷机组背压的关键特征变量的采集、分析及存储:对影响空冷机组背压的关键特征变量的历史运行数据进行同步采集,包括机组负荷、机组背压、环境温度、迎面风速、排汽温度、排汽流量、空冷风机频率等,建立历史数据库;
步骤2、空冷机组背压异常检测的决策样本的确定:采用OPTICS(ordering pointsto identify the clustering structure)聚类方法对采集到的关键特征变量的历史数据进行多指标同步聚类,选取供电煤耗率最低的一类样本作为机组背压异常检测的决策样本;
步骤3、空冷机组背压的正常阈值区间的确定:采用k-最近邻(k-NearestNeighbor,kNN)概率密度估计方法,估计决策样本中机组背压的概率密度分布,并通过设置一定的置信度,确定空冷机组背压的正常阈值区间;
步骤4、空冷机组背压预测模型的构建:采用门控循环单元(gated recurrentunit,GRU)算法构建机组的背压预测模型,以预测空冷机组背压在未来时间段内的数值及变化趋势;
步骤5、空冷机组背压的异常检测:采用滑动窗口检测方法,统计窗口内预测得到的机组背压的平均值,检测其是否超过正常阈值区间,当其超出正常阈值区间时,则认为背压异常,并提供预警信息;
上述方法中,所述步骤1中的机组负荷、机组背压、环境温度、迎面风速、排汽温度、排汽流量、空冷风机频率参数每分钟采集并存储一次。
上述方法中,步骤2具体包括以下步骤:
步骤201、根据环境温度、迎面风速及机组负荷,对历史运行数据进行工况划分;
步骤202、基于OPTICS聚类算法,对影响机组背压的关键特征变量的历史运行数据进行多指标同步聚类;
步骤203、以供电煤耗率最小为目标,分别选取各工况下的聚类簇作为机组背压异常检测的决策样本。
进一步地,所述步骤202中基于OPTICS聚类算法,对影响机组背压的关键特征变量的历史运行数据进行多指标同步聚类包括以下步骤:
步骤A、设X=[x1,x2,…,xn]T,X是影响机组背压的关键特征变量的历史运行数据向量,设置领域半径ε和最少点数阈值MinPts;其中,x1~xn表示采集到的影响机组背压的关键特征变量,包括:排汽温度、排汽流量、空冷风机频率和机组背压;
步骤B、创建核心对象的有序集合P和数据输出序列Q;
步骤C、判断xk是否核心对象,并计算其邻域点的可达距离和核心距离,将集合P按可达距离的升序排列;
步骤D:输出带有核心距离和可达距离的数据输出序列Q;
步骤E:根据得到的数据输出序列Q,设置合适的半径β,将历史运行数据向量X聚为三类。
上述方法中,步骤3具体包括以下步骤:
步骤301、采用kNN方法,估计决策样本中机组背压的概率密度分布;
步骤302、分别设置置信度θ=75%和θ=95%,求取对应的背压值作为机组背压的正常阈值区间;
进一步地,所述步骤301中采用kNN方法,估计决策样本中机组背压的概率密度分布中,概率密度估计公式为:其中,N是待估计的样本数,D是待估计的数据维度,CD是单位范围的体积,是估计点x到其第k个领近样本的距离。
上述方法中,步骤4具体包括以下步骤:
步骤401、选取机组负荷、环境温度、迎面风速、排汽温度、排汽流量和空冷风机频率这些关键特征变量作为机组背压预测模型的输入变量;
步骤402、采用GRU算法构建背压预测模型,预测机组背压在未来时间段的数值及变化趋势。
进一步地,所述步骤402采用GRU算法构建背压预测模型,包括:
步骤A、将输入环境温度、迎面风速、排汽温度、排汽流量和空冷风机频率等关键特征变量归一化处理,将各个变量映射到区间[0,1]内;
步骤B、由公式(1)~(4)构建GRU内部单元中更新门zt,重置门rt:
zt=σ(Wzxt+Uzht-1) (1)
rt=σ(Wrxt+Urht-1) (2)
其中,σ代表sigmoid激活函数,输出0和1之间的数值,xt是当前输入向量,ht-1是上一时刻单元的输入状态,Wz、Uz、Wr和Ur表示对应门的权重系数矩阵,Wh和Uh分别表示待更新的权重系数矩阵,表示待更新的单元状态,ht是当前隐藏层输出向量;
上述方法中,步骤5具体包括以下步骤:
步骤501、从起始时刻i向前选取长度为n的机组背压预测值的时间序列;
步骤502、统计并计算窗口内背压的平均值;
步骤503、判断窗口数据的平均值是否在对应工况下的背压的正常阈值区间内,若其超过正常阈值区间,则判定为背压异常,反之亦然。
本发明的有益效果:
本发明的空冷机组背压异常检测方法基于历史运行数据,结合工况划分与OPTICS聚类算法对影响空冷机组背压的关键特征变量的历史运行数据进行同步聚类,选取供电煤耗率最低的一类样本作为机组背压异常检测的决策样本;采用k-最近邻概率密度估计方法,估计决策样本中机组背压的概率密度分布,确定空冷机组背压在各工况下的正常阈值区间;采用门控循环单元构建机组背压预测模型;结合滑动窗口检测技术,判断背压预测值是否在正常阈值区间之内,实现机组背压的异常检测。本发明提出的机组背压异常检测方法可提供准确的空冷机组背压异常预警,辅助实现空冷机组冷端的节能优化运行。
附图说明
图1为本发明提供的一种空冷机组背压异常检测方法流程示意图。
图2为本发明提供的一种空冷机组背压异常检测的决策样本确定流程图。
图3为本发明提供的一种空冷机组背压正常阈值区间的确定流程图。
图4为本发明提供的一种空冷机组背压预测模型构建流程图。
图5为本发明提供的一种空冷机组背压异常检测过程流程图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具
体实施方式。
图1是空冷机组背压异常检测方法总流程图。空冷机组背压异常检测方法包括下列步骤:
步骤1、影响空冷机组背压的关键特征变量的采集、分析及存储:对影响空冷机组背压的关键特征变量的历史运行数据进行同步采集,包括机组负荷、机组背压、环境温度、迎面风速、排汽温度、排汽流量、空冷风机频率等,建立历史数据库;
本发明采集机组负荷、机组背压、环境温度、迎面风速、排汽温度、排汽流量和空冷风机频率等信号,是通过OPC通讯方式从分散控制系统(distributed control system,DCS)或PI数据库引入到数据采集和分析系统中。在能够满足分析需要并尽可能节省存储空间的前提下,机组负荷、机组背压、环境温度、迎面风速、排汽温度、排汽流量和空冷风机频率等信号的数值每分钟采集并存储一个值。
步骤2、空冷机组背压异常检测的决策样本的确定:采用OPTICS(ordering pointsto identify the clustering structure)聚类方法对采集到的关键特征变量的历史数据进行多指标同步聚类,选取供电煤耗率最低的一类样本作为机组背压异常检测的决策样本;
本发明中,利用了历史可比条件下数据的相似性,采用OPTICS聚类算法确定背压异常检测的决策样本。同时,考虑到实际操作时的可复现性,选取的决策样本是机组供电煤耗率相对较低的值,但并不一定是最低值。但随着机组运行数据的不断更新,决策样本会呈现一个自我学习逐渐趋优的过程。因此,该方法具有快速、自适应性、高度复现性和可动态调整优化等特点,适用于空冷机组在不同工况和边界条件下运行时,背压异常检测决策样本的确定。
图2是空冷机组背压异常检测的决策样本确定流程图,所述步骤2包括:
步骤201、根据环境温度、迎面风速及机组负荷,对历史运行数据进行工况划分;
步骤202、基于OPTICS聚类算法,对影响机组背压的关键特征变量的历史数据进行多指标同步聚类;
步骤203、以供电煤耗率最小为目标,选取各工况下聚类簇作为机组背压异常检测的决策样本。
本发明中,所述步骤202包括:
步骤A、设X=[x1,x2,…,xn]T,X是影响机组背压的关键特征变量的历史运行数据向量,设置领域半径ε和最少点数阈值MinPts;其中,x1~xn表示采集到的影响机组背压的关键特征变量,包括:排汽温度、排汽流量、空冷风机频率和机组背压;T表示对向量X的转置。
步骤B、创建核心对象的有序集合P和数据输出序列Q;
步骤C、判断xk是否核心对象,并计算其邻域点的可达距离和核心距离,将集合P按可达距离的升序排列;
步骤D:输出带有核心距离和可达距离的数据输出序列Q;
步骤E:根据得到的数据输出序列Q,设置合适的半径β,将数据集X聚为三类。
步骤3、空冷机组背压的正常阈值区间的确定:采用k-最近邻(k-NearestNeighbor,kNN)概率密度估计方法,估计决策样本中机组背压的概率密度分布,并通过设置一定的置信度,确定空冷机组背压的正常阈值区间;
本发明中,考虑到空冷机组运行工况的复杂性以及运行边界条件的随机性和波动性,将背压的正常阈值确定为一个区间而不是一个单独的值,避免因为工况或参数正常波动引起的误判。
图3是空冷机组背压正常阈值区间的确定流程图,所述步骤3包括:
步骤301、采用kNN方法,估计决策样本中机组背压的概率密度分布;
步骤302、分别设置信度θ=75%和θ=95%,求取对应的背压值作为机组背压的正常阈值区间;
本发明中所述步骤301中采用kNN方法,估计决策样本中机组背压的概率密度分布中,概率密度估计公式为:其中,N是待估计的样本数,D是待估计的数据维度,CD是单位范围的体积,是估计点x到其第k个领近样本的距离。
步骤4、空冷机组背压预测模型的构建:采用门控循环单元(gated recurrentunit,GRU)算法构建机组的背压预测模型,以预测空冷机组背压在未来时间段内的数值。
本发明中,采用GRU算法构建机组背压的预测模型,GRU算法与长短期记忆神经网络(long short-term memory,LSTM)都是具有时间递推功能的循环神经网络。GRU是LSTM的一种变体,它将LSTM中的输入门和遗忘门合成一个更新门,在保证预测结果的精度的同时,减少了预测模型的训练参数。
图4是空冷机组背压预测模型构建流程图,所述步骤4包括:
步骤401、选取机组负荷、环境温度、迎面风速、排汽温度、排汽流量和空冷风机频率这些关键特征变量作为机组背压预测模型的输入变量;
步骤402、采用GRU算法构建背压预测模型,预测机组背压在未来时间段的数值及变化趋势。
本发明中,所述步骤402包括:
步骤A、将输入环境温度、迎面风速、排汽温度、排汽流量和空冷风机频率等关键特征变量归一化处理,将各个变量映射到区间[0,1]内;
步骤B、由公式(1)~(4)构建GRU内部单元中更新门zt,重置门rt:
zt=σ(Wzxt+Uzht-1) (1)
rt=σ(Wrxt+Urht-1) (2)
其中,σ代表sigmoid激活函数,输出0和1之间的数值,xt是当前输入向量,Wh和Uh分别表示待更新的权重系数矩阵,ht-1是上一时刻单元的输入状态,Wz、Uz、Wr和Ur表示对应门的权重系数矩阵,表示待更新的单元状态,ht是当前隐藏层输出向量;
步骤5、空冷机组背压的异常检测:采用滑动窗口检测方法,统计窗口内预测得到的机组背压的平均值,检测其是否超过正常阈值区间,当其超出正常阈值区间时,则认为背压异常,并提供预警信息;
本发明中,采用滑动窗口检测技术,通过判断窗口时间内预测背压的平均值是否在背压正常阈值区间内,实现机组背压的异常检测,消除了由于不确定因素和模型预测误差对异常检测的影响,提高了背压异常检测结果的准确性与可靠性。
图5是空冷机组背压异常检测过程流程图流程图,所述步骤5包括:
步骤501、从起始时刻i向前选取长度为n的机组背压预测值的时间序列;
步骤502、统计并计算窗口内背压的平均值;
步骤503、判断窗口数据的平均值是否在对应工况下的背压的正常阈值区间内,若其超过正常阈值区间,则判定为背压异常,反之亦然。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,
上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,
这些均属于本发明的保护之内。
本技术方案在北方某600MW亚临界空冷机组实施,该机组采用直接空冷形式,空冷岛散热单元设计为8排7列,共配置56台风机。从机组SIS(Supervision InformationSystem)中选取2020年4月、8月和12月的春、夏、冬3个季节各一个月的历史运行数据,数据取样间隔为1min。根据环境温度、迎面风速及机组负荷划分了540种工况;结合OPTICS聚类算法与kNN概率密度估计方法,确定了机组在各工况下背压的基准区间;构建了基于GRU的真空预测模型,分析结果可为该机组提供有效的背压异常预警信息,可辅助实现空冷机组冷端的节能优化运行。
Claims (10)
1.一种空冷机组背压异常检测方法,其特征在于,基于历史运行数据,结合工况划分与OPTICS聚类算法对影响空冷机组背压的关键特征变量的历史运行数据进行同步聚类,选取供电煤耗率最低的一类样本作为机组背压异常检测的决策样本;采用k-最近邻概率密度估计方法,估计决策样本中机组背压的概率密度分布,确定空冷机组背压在各工况下的正常阈值区间;采用门控循环单元构建机组背压预测模型;结合滑动窗口检测技术,判断背压预测值是否在正常阈值区间之内,实现机组背压的异常检测。
2.根据权利要求1所述的空冷机组背压异常检测方法,其特征在于包括以下步骤:
步骤1、影响空冷机组背压的关键特征变量的采集、分析及存储:对影响空冷机组背压的关键特征变量的历史运行数据进行同步采集,包括机组负荷、机组背压、环境温度、迎面风速、排汽温度、排汽流量、空冷风机频率,建立历史数据库;
步骤2、空冷机组背压异常检测的决策样本的确定:采用OPTICS聚类方法对采集到的关键特征变量的历史数据进行多指标同步聚类,选取供电煤耗率最低的一类样本作为机组背压异常检测的决策样本;
步骤3、空冷机组背压的正常阈值区间的确定:采用k-最近邻概率密度估计方法,估计决策样本中机组背压的概率密度分布,并通过设置一定的置信度,确定空冷机组背压的正常阈值区间;
步骤4、空冷机组背压预测模型的构建:采用门控循环单元算法构建机组的背压预测模型,以预测空冷机组背压在未来时间段内的数值及变化趋势;
步骤5、空冷机组背压的异常检测:采用滑动窗口检测方法,统计窗口内预测得到的机组背压的平均值,检测其是否超过正常阈值区间,当其超出正常阈值区间时,则认为背压异常,并提供预警信息。
3.根据权利要求2所述的空冷机组背压异常检测方法,其特征在于:所述步骤1中的机组负荷、机组背压、环境温度、迎面风速、排汽温度、排汽流量、空冷风机频率参数每分钟采集并存储一次。
4.根据权利要求2所述的空冷机组背压异常检测方法,其特征在于:所述步骤2具体包括以下步骤:
步骤201、根据环境温度、迎面风速及机组负荷,对历史运行数据进行工况划分;
步骤202、基于OPTICS聚类算法,对影响机组背压的关键特征变量的历史运行数据进行多指标同步聚类;
步骤203、以供电煤耗率最小为目标,分别选取各工况下的聚类簇作为机组背压异常检测的决策样本。
5.根据权利要求4所述的空冷机组背压异常检测方法,其特征在于:所述步骤202中基于OPTICS聚类算法,对影响机组背压的关键特征变量的历史运行数据进行多指标同步聚类包括以下步骤:
步骤A、设X=[x1,x2,…,xn]T,X是影响机组背压的关键特征变量的历史运行数据向量,设置领域半径ε和最少点数阈值MinPts;其中,x1~xn表示采集到的影响机组背压的关键特征变量,包括:排汽温度、排汽流量、空冷风机频率和机组背压;T表示对向量X的转置;
步骤B、创建核心对象的有序集合P和数据输出序列Q;
步骤C、判断xk是否核心对象,并计算其邻域点的可达距离和核心距离,将集合P按可达距离的升序排列;
步骤D:输出带有核心距离和可达距离的数据输出序列Q;
步骤E:根据得到的数据输出序列Q,设置合适的半径β,将历史运行数据向量X聚为三类。
6.根据权利要求2所述的空冷机组背压异常检测方法,其特征在于:步骤3具体包括以下步骤:
步骤301、采用kNN方法,估计决策样本中机组背压的概率密度分布;
步骤302、分别设置置信度θ=75%和θ=95%,求取对应的背压值作为机组背压的正常阈值区间。
8.根据权利要求2所述的空冷机组背压异常检测方法,其特征在于:步骤4具体包括以下步骤:
步骤401、选取机组负荷、环境温度、迎面风速、排汽温度、排汽流量和空冷风机频率这些关键特征变量作为机组背压预测模型的输入变量;
步骤402、采用GRU算法构建背压预测模型,预测机组背压在未来时间段的数值及变化趋势。
9.根据权利要求8所述的空冷机组背压异常检测方法,其特征在于:所述步骤402采用GRU算法构建背压预测模型,包括:
步骤A、将输入环境温度、迎面风速、排汽温度、排汽流量和空冷风机频率等关键特征变量归一化处理,将各个变量映射到区间[0,1]内;
步骤B、由公式(1)~(4)构建GRU内部单元中更新门zt,重置门rt:
zt=σ(Wzxt+Uzht-1) (1)
rt=σ(Wrxt+Urht-1) (2)
其中,σ代表sigmoid激活函数,输出0和1之间的数值,xt是当前输入向量,ht-1是上一时刻单元的输入状态,Wz、Uz、Wr和Ur表示对应门的权重系数矩阵,Wh和Uh分别表示待更新的权重系数矩阵,表示待更新的单元状态,ht是当前隐藏层输出向量;
10.根据权利要求2所述的空冷机组背压异常检测方法,其特征在于:步骤5具体包括以下步骤:
步骤501、从起始时刻i向前选取长度为n的机组背压预测值的时间序列;
步骤502、统计并计算窗口内背压的平均值;
步骤503、判断窗口数据的平均值是否在对应工况下的背压的正常阈值区间内,若其超过正常阈值区间,则判定为背压异常,反之亦然。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110275448.4A CN113048807B (zh) | 2021-03-15 | 2021-03-15 | 一种空冷机组背压异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110275448.4A CN113048807B (zh) | 2021-03-15 | 2021-03-15 | 一种空冷机组背压异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113048807A true CN113048807A (zh) | 2021-06-29 |
CN113048807B CN113048807B (zh) | 2022-07-26 |
Family
ID=76512136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110275448.4A Active CN113048807B (zh) | 2021-03-15 | 2021-03-15 | 一种空冷机组背压异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113048807B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113379944A (zh) * | 2021-06-30 | 2021-09-10 | 润电能源科学技术有限公司 | 一种火电机组汽轮机性能预警方法及相关装置 |
CN113486302A (zh) * | 2021-07-12 | 2021-10-08 | 浙江网商银行股份有限公司 | 数据处理方法及装置 |
CN116990619A (zh) * | 2023-09-25 | 2023-11-03 | 华夏天信智能物联股份有限公司 | 一种矿井变频一体机的智能监测方法 |
CN117150407A (zh) * | 2023-09-04 | 2023-12-01 | 国网上海市电力公司 | 一种工业碳排放数据的异常检测方法 |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809134A (zh) * | 2014-01-27 | 2015-07-29 | 国际商业机器公司 | 检测数据序列中的异常子序列的方法和设备 |
JP2016062610A (ja) * | 2014-09-16 | 2016-04-25 | 株式会社リコー | 特徴モデル生成方法及び特徴モデル生成装置 |
US20160342903A1 (en) * | 2015-05-21 | 2016-11-24 | Software Ag Usa, Inc. | Systems and/or methods for dynamic anomaly detection in machine sensor data |
CN107578124A (zh) * | 2017-08-28 | 2018-01-12 | 国网山东省电力公司电力科学研究院 | 基于多层改进gru神经网络的短期电力负荷预测方法 |
CN108388922A (zh) * | 2018-03-08 | 2018-08-10 | 云南电网有限责任公司电力科学研究院 | 一种用于火电机组主辅设备状态异常的识别方法及系统 |
CN108445865A (zh) * | 2018-03-08 | 2018-08-24 | 云南电网有限责任公司电力科学研究院 | 一种用于火电机组主辅设备动态报警的方法及系统 |
CN109376848A (zh) * | 2018-09-01 | 2019-02-22 | 哈尔滨工程大学 | 一种简化的门控单元神经网络 |
CN109614576A (zh) * | 2018-12-11 | 2019-04-12 | 福建工程学院 | 基于多维高斯分布与趋势分段的变压器异常检测方法 |
CN109711620A (zh) * | 2018-12-26 | 2019-05-03 | 浙江大学 | 一种基于gru神经网络和迁移学习的短期电力负荷预测方法 |
CN110060237A (zh) * | 2019-03-29 | 2019-07-26 | 腾讯科技(深圳)有限公司 | 一种故障检测方法、装置、设备及系统 |
CN110110160A (zh) * | 2017-12-29 | 2019-08-09 | 阿里巴巴集团控股有限公司 | 确定数据异常的方法及装置 |
CN110378371A (zh) * | 2019-06-11 | 2019-10-25 | 广东工业大学 | 一种基于平均近邻距离异常因子的能耗异常检测方法 |
US20190379589A1 (en) * | 2018-06-12 | 2019-12-12 | Ciena Corporation | Pattern detection in time-series data |
CN110647980A (zh) * | 2019-09-18 | 2020-01-03 | 成都理工大学 | 一种基于gru神经网络的时间序列预测方法 |
US20200053591A1 (en) * | 2018-08-10 | 2020-02-13 | Verizon Patent And Licensing Inc. | Systems and methods for wireless low latency traffic scheduler |
CN110909037A (zh) * | 2019-10-09 | 2020-03-24 | 中国人民解放军战略支援部队信息工程大学 | 一种频繁轨迹模式的挖掘方法及装置 |
CN110909046A (zh) * | 2019-12-02 | 2020-03-24 | 上海舵敏智能科技有限公司 | 时间序列的异常检测方法及装置、电子设备、存储介质 |
CN110929927A (zh) * | 2019-11-18 | 2020-03-27 | 国网甘肃省电力公司 | 一种应用配电网全域大数据的人工智能预测模型构方法 |
CN110990461A (zh) * | 2019-12-12 | 2020-04-10 | 国家电网有限公司大数据中心 | 大数据分析模型算法选型方法、装置、电子设备及介质 |
US10743809B1 (en) * | 2019-09-20 | 2020-08-18 | CeriBell, Inc. | Systems and methods for seizure prediction and detection |
CN111930547A (zh) * | 2020-07-31 | 2020-11-13 | 中国工商银行股份有限公司 | 一种故障定位方法、装置及存储介质 |
US20200387797A1 (en) * | 2018-06-12 | 2020-12-10 | Ciena Corporation | Unsupervised outlier detection in time-series data |
-
2021
- 2021-03-15 CN CN202110275448.4A patent/CN113048807B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809134A (zh) * | 2014-01-27 | 2015-07-29 | 国际商业机器公司 | 检测数据序列中的异常子序列的方法和设备 |
JP2016062610A (ja) * | 2014-09-16 | 2016-04-25 | 株式会社リコー | 特徴モデル生成方法及び特徴モデル生成装置 |
US20160342903A1 (en) * | 2015-05-21 | 2016-11-24 | Software Ag Usa, Inc. | Systems and/or methods for dynamic anomaly detection in machine sensor data |
CN107578124A (zh) * | 2017-08-28 | 2018-01-12 | 国网山东省电力公司电力科学研究院 | 基于多层改进gru神经网络的短期电力负荷预测方法 |
CN110110160A (zh) * | 2017-12-29 | 2019-08-09 | 阿里巴巴集团控股有限公司 | 确定数据异常的方法及装置 |
CN108445865A (zh) * | 2018-03-08 | 2018-08-24 | 云南电网有限责任公司电力科学研究院 | 一种用于火电机组主辅设备动态报警的方法及系统 |
CN108388922A (zh) * | 2018-03-08 | 2018-08-10 | 云南电网有限责任公司电力科学研究院 | 一种用于火电机组主辅设备状态异常的识别方法及系统 |
US20200387797A1 (en) * | 2018-06-12 | 2020-12-10 | Ciena Corporation | Unsupervised outlier detection in time-series data |
US20190379589A1 (en) * | 2018-06-12 | 2019-12-12 | Ciena Corporation | Pattern detection in time-series data |
US20200053591A1 (en) * | 2018-08-10 | 2020-02-13 | Verizon Patent And Licensing Inc. | Systems and methods for wireless low latency traffic scheduler |
CN109376848A (zh) * | 2018-09-01 | 2019-02-22 | 哈尔滨工程大学 | 一种简化的门控单元神经网络 |
CN109614576A (zh) * | 2018-12-11 | 2019-04-12 | 福建工程学院 | 基于多维高斯分布与趋势分段的变压器异常检测方法 |
CN109711620A (zh) * | 2018-12-26 | 2019-05-03 | 浙江大学 | 一种基于gru神经网络和迁移学习的短期电力负荷预测方法 |
CN110060237A (zh) * | 2019-03-29 | 2019-07-26 | 腾讯科技(深圳)有限公司 | 一种故障检测方法、装置、设备及系统 |
CN110378371A (zh) * | 2019-06-11 | 2019-10-25 | 广东工业大学 | 一种基于平均近邻距离异常因子的能耗异常检测方法 |
CN110647980A (zh) * | 2019-09-18 | 2020-01-03 | 成都理工大学 | 一种基于gru神经网络的时间序列预测方法 |
US10743809B1 (en) * | 2019-09-20 | 2020-08-18 | CeriBell, Inc. | Systems and methods for seizure prediction and detection |
CN110909037A (zh) * | 2019-10-09 | 2020-03-24 | 中国人民解放军战略支援部队信息工程大学 | 一种频繁轨迹模式的挖掘方法及装置 |
CN110929927A (zh) * | 2019-11-18 | 2020-03-27 | 国网甘肃省电力公司 | 一种应用配电网全域大数据的人工智能预测模型构方法 |
CN110909046A (zh) * | 2019-12-02 | 2020-03-24 | 上海舵敏智能科技有限公司 | 时间序列的异常检测方法及装置、电子设备、存储介质 |
CN110990461A (zh) * | 2019-12-12 | 2020-04-10 | 国家电网有限公司大数据中心 | 大数据分析模型算法选型方法、装置、电子设备及介质 |
CN111930547A (zh) * | 2020-07-31 | 2020-11-13 | 中国工商银行股份有限公司 | 一种故障定位方法、装置及存储介质 |
Non-Patent Citations (10)
Title |
---|
仇媛: "基于神经网络的时间序列数据异常检测方法的研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 * |
侯明星等: "基于分布式压缩感知的无线传感器网络异常数据处理", 《计算机科学》 * |
孙栓柱等: "一种基于贝叶斯后验的异常值在线检测及置信度评估算法", 《中国科学技术大学学报》 * |
张强: "基于OPTICS的变电设备状态监测异常数据过滤算法", 《电力信息与通信技术》 * |
徐婧: "基于数据挖掘的汽轮机组冷端优化", 《中国电机工程学报》 * |
徐婧: "基于数据挖掘的煤电机组能效特征指标及其基准值的研究", 《中国电机工程学报》 * |
温晓芳: "基于k近邻的密度聚类算法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
蒋方纯: "基于可控的置信机器学习方法研究", 《中国优秀博硕士学位论文全文数据库(博士) 工程科技Ⅱ辑》 * |
谢静岚: "直接空冷机组凝汽器最佳真空的研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 * |
谭建豪: "密度分布函数在聚类算法中的应用", 《控制理论与应用》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113379944A (zh) * | 2021-06-30 | 2021-09-10 | 润电能源科学技术有限公司 | 一种火电机组汽轮机性能预警方法及相关装置 |
CN113486302A (zh) * | 2021-07-12 | 2021-10-08 | 浙江网商银行股份有限公司 | 数据处理方法及装置 |
CN117150407A (zh) * | 2023-09-04 | 2023-12-01 | 国网上海市电力公司 | 一种工业碳排放数据的异常检测方法 |
CN116990619A (zh) * | 2023-09-25 | 2023-11-03 | 华夏天信智能物联股份有限公司 | 一种矿井变频一体机的智能监测方法 |
CN116990619B (zh) * | 2023-09-25 | 2023-12-26 | 华夏天信智能物联股份有限公司 | 一种矿井变频一体机的智能监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113048807B (zh) | 2022-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113048807B (zh) | 一种空冷机组背压异常检测方法 | |
CN111237134B (zh) | 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法 | |
CN107944622B (zh) | 基于连续时段聚类的风电功率预测方法 | |
CN117354171B (zh) | 基于物联网平台的平台健康状况预警方法及系统 | |
CN112749840B (zh) | 一种火电机组能效特征指标基准值的获取方法 | |
CN113313139A (zh) | 基于机组动态特性的风电功率预测不确定性量化方法 | |
CN112700085B (zh) | 基于关联规则的复杂系统稳态运行参数优化方法、系统和介质 | |
CN112836920A (zh) | 煤电机组能效状态评价方法、装置及煤电机组系统 | |
CN114219181A (zh) | 基于迁移学习的风电功率概率预测方法 | |
CN116629428A (zh) | 一种基于特征选择和SSA-BiLSTM的建筑能耗预测方法 | |
CN112288157A (zh) | 一种基于模糊聚类与深度强化学习的风电场功率预测方法 | |
CN115713162A (zh) | 一种分布式低碳能源站健康状态预警预测方法 | |
TW202119298A (zh) | 結合因子隱藏式馬可夫模型(fhmm)與發電量預測之太陽能板發電系統異常診斷分析裝置與方法 | |
CN118157127A (zh) | 基于lstm-mm模型的多天气光伏发电功率预测数字孪生系统 | |
CN114611764A (zh) | 一种特定区域内企业工业用水异常监测预警方法 | |
CN118031369A (zh) | 用于中央空调的模块化节能控制的方法及系统 | |
CN113297805A (zh) | 一种风电功率爬坡事件间接预测方法 | |
CN117515802A (zh) | 计及空调运行状态的定频中央空调日前负荷预测方法 | |
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 | |
CN116780575A (zh) | 基于数据预测的风电场支撑一次调频控制方法 | |
Yong et al. | Short-term building load forecasting based on similar day selection and LSTM network | |
Zheng et al. | Short-term wind power forecasting based on two-stage feature selection | |
CN112711913A (zh) | 基于粒度支持向量机的冷热电短期负荷预测系统及方法 | |
CN116757337B (zh) | 一种基于人工智能的房建施工进度预测系统 | |
Liu et al. | Short-term PV power prediction model based on weather feature clustering and Adaboost-GA-BP |
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 |