CN113295399B - 换流阀元件状态评估方法、装置、电子设备和存储介质 - Google Patents

换流阀元件状态评估方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN113295399B
CN113295399B CN202110665963.3A CN202110665963A CN113295399B CN 113295399 B CN113295399 B CN 113295399B CN 202110665963 A CN202110665963 A CN 202110665963A CN 113295399 B CN113295399 B CN 113295399B
Authority
CN
China
Prior art keywords
valve element
converter valve
temperature
value
sample
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
Application number
CN202110665963.3A
Other languages
English (en)
Other versions
CN113295399A (zh
Inventor
赖皓
尹海涛
李靖翔
秦金峰
林展涛
刘羽超
石延辉
袁海
赵明
胡辉祥
雍育烨
杨洋
洪乐洲
熊双成
李双杰
颜志敏
雷庆山
肖志超
庞鹏
李宏昌
肖一鹏
吕圣琦
叶俊
陈俊宇
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.)
Guangzhou Bureau of Extra High Voltage Power Transmission Co
Original Assignee
Guangzhou Bureau of Extra High Voltage Power Transmission Co
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 Guangzhou Bureau of Extra High Voltage Power Transmission Co filed Critical Guangzhou Bureau of Extra High Voltage Power Transmission Co
Priority to CN202110665963.3A priority Critical patent/CN113295399B/zh
Publication of CN113295399A publication Critical patent/CN113295399A/zh
Application granted granted Critical
Publication of CN113295399B publication Critical patent/CN113295399B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/003—Machine valves
    • 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
    • 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
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/60—Arrangements for transfer of electric power between AC networks or generators via a high voltage DC link [HVCD]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本申请涉及一种换流阀元件状态评估方法、装置、电子设备和存储介质。所述方法包括：获取与换流阀元件的运行温度相关的状态监测数据，所述状态监测数据包括阀厅环境温度、冷却水进阀温度、冷却水出阀温度、冷却水流量、直流负荷中的至少一种；基于所述状态监测数据，预测所述换流阀元件的运行温度预测值，所述运行温度预测值为用于表征预测的所述换流阀元件在运行过程中的温度值；基于所述换流阀元件的运行温度预测值，确定所述换流阀元件的状态。采用本方法能够提高换流阀元件状态评估精度。

Description

换流阀元件状态评估方法、装置、电子设备和存储介质
技术领域
本申请涉及电力系统技术领域，特别是涉及一种换流阀元件状态评估方法、装置、电子设备和存储介质。
背景技术
换流阀是高压直流输电工程中的核心设备，其运行状态直接关系到整个高压直流输电系统运行的可靠性，进而影响到电网的安全稳定运行。换流阀在正常运行时，换流阀各部件(晶闸管、阻尼电路和电抗器等)会产生损耗，产生的大量热量需要通过自然对流与冷却水循环方式进行排放，因此配置了阀厅空调和换流阀冷却系统。由于内部故障、接触电阻增大等原因，换流阀元件产生损耗增大，远远大于冷却系统的散热能力，造成换流阀元件出现过热异常。
随着智能换流站建设工作不断推进，为了及时对换流阀元件出现过热异常的情况进行处理，换流站中配置了阀厅红外测温系统，当阀厅红外测温系统测得的换流阀元件温度超过阀厅红外测温系统设置的高温预警范围后，发出告警提醒运维人员进行检查及处理。此种方式在评估换流阀元件状态时存在较大误差。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高换流阀元件状态评估精度的换流阀元件状态评估方法、装置、电子设备和存储介质。
一种换流阀元件状态评估方法，所述方法包括：
获取与换流阀元件的运行温度相关的状态监测数据，所述状态监测数据包括阀厅环境温度、冷却水进阀温度、冷却水出阀温度、冷却水流量、直流负荷中的至少一种；
基于所述状态监测数据，预测所述换流阀元件的运行温度预测值，所述运行温度预测值为用于表征预测的所述换流阀元件在运行过程中的温度值；
基于所述换流阀元件的运行温度预测值，确定所述换流阀元件的状态。
在其中一个实施例中，所述基于所述状态监测数据，预测所述换流阀元件的运行温度预测值，包括：
将所述状态监测数据输入至预先训练的换流阀元件温度预测模型，预测所述换流阀元件的运行温度预测值。
在其中一个实施例中，所述换流阀元件温度预测模型的训练过程，包括：
获取样本数据集，所述样本数据集中包括换流阀元件的样本运行温度实测值和样本状态监测数据；
对所述样本数据集进行归一化处理，获得归一化处理之后的样本数据集；
将所述样本数据集输入至神经网络模型进行训练，获得所述换流阀元件温度预测模型。
在其中一个实施例中，所述对所述样本数据集进行归一化处理之前，包括：
去除所述样本数据集中的空值与超量程值。
在其中一个实施例中，所述将所述样本数据集输入至神经网络模型进行训练，获得所述换流阀元件温度预测模型，包括：
通过所述神经网络模型计算所述换流阀元件的运行温度计算值；
基于所述换流阀元件的运行温度计算值与所述换流阀元件的样本运行温度实测值，获得所述换流阀元件的运行温度计算值与所述换流阀元件的样本运行温度实测值之间的误差值；
在所述误差值不满足模型训练结束条件时，将所述误差值经所述神经元反向传播，更新权重和偏置，直至达到模型训练结束条件，获得所述换流阀元件温度预测模型。
在其中一个实施例中，所述将所述状态监测数据输入至预先训练的换流阀元件温度预测模型，获得所述换流阀元件的运行温度预测值之后，包括：
对所述换流阀元件的运行温度预测值进行反归一化处理。
在其中一个实施例中，所述基于所述换流阀元件的运行温度预测值，确定所述换流阀元件的状态，包括：
获取所述换流阀元件的运行温度实测值；
基于所述运行温度实测值与所述运行温度预测值，获得所述运行温度预测值与所述运行温度实测值的偏差率；
当所述偏差率满足预设温度偏差条件时，确定所述换流阀元件存在异常。
一种换流阀元件状态评估装置，所述装置包括：
状态监测数据获取模块，用于获取与换流阀元件的运行温度相关的状态监测数据，所述状态监测数据包括阀厅环境温度、冷却水进阀温度、冷却水出阀温度、冷却水流量、直流负荷中的至少一种；
温度预测值获取模块，用于基于所述状态监测数据，预测所述换流阀元件的运行温度预测值，所述运行温度预测值为用于表征预测的所述换流阀元件在运行过程中的温度值；
换流阀元件状态判断模块，用于基于所述换流阀元件的运行温度预测值，确定所述换流阀元件的状态。
一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
上述换流阀元件状态评估方法、装置、电子设备和存储介质，通过获取与换流阀元件的运行温度相关的状态监测数据，从而可以根据状态监测数据，预测换流阀元件的运行温度预测值，基于预测的运行温度预测值，确定换流阀元件的状态。通过上述方法可以提高换流阀元件状态评估精度。
附图说明
图1为一个实施例中换流阀元件状态评估方法的应用环境图；
图2为一个实施例中换流阀元件状态评估方法的流程示意图；
图3为一个实施例中换流阀元件状态评估方法中模型训练的流程示意图；
图4为另一个实施例中换流阀元件状态评估方法的流程示意图；
图5为一个实施例中换流阀元件状态评估装置的结构框图；
图6为一个实施例中电子设备的内部结构图；
图7为一个实施例中电子设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的换流阀元件状态评估方法，可以应用于如图1所示的应用环境中。该应用环境可以涉及到电子设备102和换流阀运行环境监测系统104，换流阀是高压直流输电工程中的核心设备，换流阀元件是指构成换流阀的元器件(如晶闸管、电抗器等)，换流阀元件在运行过程中，会产生损耗，因此会产生大量热量，为了换流阀元件的正常运行，换流阀元件运行过程中产生的热量需要进行排放，如可以通过自然对流(如配置阀厅空调)、冷却水循环方式(如配置换流阀冷却系统等)进行排放，为了实时监测换流阀元件的运行状态，可以在换流阀监测系统中安装状态监测设备1、状态监测设备2、状态监测设备3等多个状态监测设备，其中，可以采用状态监测设备1监测阀厅环境温度，可以采用状态监测设备2监测换流阀冷却系统的冷却水进阀温度，可以采用状态监测设备3监测换流阀冷却系统的冷却水出阀温度等，当各状态监测设备采集到相关数据后，可以通过标准化接口或者无线网络的方式将数据传输给电子设备102进行数据处理。其中，电子设备102可以为设置于本地的个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，电子设备102也可以为云服务器，服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在其中一个实施例中，电子设备102获取与换流阀元件的运行温度相关的状态监测数据，所述状态监测数据包括阀厅环境温度、冷却水进阀温度、冷却水出阀温度、冷却水流量、直流负荷中的至少一种；基于所述状态监测数据，预测所述换流阀元件的运行温度预测值，所述运行温度预测值为用于表征预测的所述换流阀元件在运行过程中的温度值；基于所述换流阀元件的运行温度预测值，确定所述换流阀元件的状态。
在一个实施例中，如图2所示，提供了一种换流阀元件状态评估方法，以该方法应用于图1中的电子设备为例进行说明，包括以下步骤：
步骤S202，获取与换流阀元件的运行温度相关的状态监测数据，所述状态监测数据包括阀厅环境温度、冷却水进阀温度、冷却水出阀温度、冷却水流量、直流负荷中的至少一种。
其中，换流阀元件的运行温度是指换流阀元件在运行过程中的温度，状态监测数据由状态监测设备测得，在换流阀元件在运行过程中，状态监测数据是与换流阀元件的运行温度相关的数据。
在其中一个实施例中，状态监测数据可以包括阀厅环境温度、冷却水进阀温度、冷却水出阀温度、冷却水流量、直流负荷中的至少一种。其中，阀厅环境温度会随着阀厅空调的温度变化而变化，冷却水进阀温度是指换流阀冷却系统的进水温度，冷却水出阀温度是指换流阀冷却系统的出水温度，冷却水流量是指进入换流阀冷却系统的水流量，直流负荷是指换流阀元件的负载，换流阀元件的运行温度与阀厅环境温度、冷却水进阀温度、冷却水出阀温度、冷却水流量、直流负荷等存在一定的关系，如，阀厅环境温度低，换流阀元件的运行温度也相应较低，冷却水进阀温度高，换流阀元件的运行温度也相应较高等。
步骤S204，基于所述状态监测数据，预测所述换流阀元件的运行温度预测值，所述运行温度预测值为用于表征预测的所述换流阀元件在运行过程中的温度值。
在其中一个实施例中，运行温度预测值是指预测的换流阀元件在运行过程中的温度值，通过获取状态监测数据，可以预测换流阀元件的运行温度预测值。
步骤S206，基于所述换流阀元件的运行温度预测值，确定所述换流阀元件的状态。
在其中一个实施例中，换流阀元件的状态可以为换流阀元件的过热状态、换流阀元件的正常状态等，其中，正常状态是指换流阀元件的温度处于正常范围内，通过换流阀元件的运行温度预测值，则可以确定换流阀元件的状态。
上述换流阀元件状态评估方法中，通过获取与换流阀元件的运行温度相关的状态监测数据，从而可以根据状态监测数据，预测换流阀元件的运行温度预测值，基于预测的运行温度预测值，确定换流阀元件的状态。通过上述方法可以提高换流阀元件状态评估精度。
在其中一个实施例中，所述基于所述状态监测数据，预测所述换流阀元件的运行温度预测值，包括：
将所述状态监测数据输入至预先训练的换流阀元件温度预测模型，预测所述换流阀元件的运行温度预测值。
其中，换流阀元件温度预测模型是预先训练好的模型，在使用时，可以直接运行该换流阀元件温度预测模型，导入状态监测数据即可对换流阀元件温度进行预测，获得换流阀元件的运行温度预测值。从而通过上述方法可以预测换流阀元件的温度预测值。
在其中一个实施例中，所述换流阀元件温度预测模型的训练过程，包括：
获取样本数据集，所述样本数据集中包括换流阀元件的样本运行温度实测值和样本状态监测数据；
对所述样本数据集进行归一化处理，获得归一化处理之后的样本数据集；
将所述样本数据集输入至神经网络模型进行训练，获得所述换流阀元件温度预测模型。
其中，样本数据集中的样本运行温度实测值、样本状态监测数据为采用各状态监测设备(如可以采集温度、水流量的传感器等)测得的一段时间内的数据，在获得样本数据集后，可以对样本数据集进行处理，如对样本数据集进行归一化处理，使得样本数据集中数据的范围再[-1，1]之间，进行归一化处理的公式可以为：
Figure BDA0003116819330000061
其中，X′表示归一化处理后得到的数据，X表示进行归一化处理的数据，Xmax表示进行归一化处理的数据在样本数据集中的最大值，Xmin表示进行归一化处理的数据在样本数据集中的最小值。
在其中一个实施例中，在对样本集进行处理之后，可以将样本数据集按照一定比例划分为训练数据集与测试数据集，例如，可以选择将80％的数据作为训练数据集，选择将20％的数据作为测试数据集。在训练阶段，将训练数据集输入至神经网络模型中进行训练，可以获得换流阀元件温度预测模型。在测试阶段，将测试数据集输入至换流阀元件温度预测模型，从而完成对换流阀元件温度预测模型的评估。从而通过上述方法可以获得换流阀元件温度预测模型。
在其中一个实施例中，神经网络模型可以为贝叶斯长短时记忆(LSTM)神经网络模型，其中，贝叶斯长短时记忆神经网络模型的网络结构由遗忘门ft、输入门it、更新门Ct和输出门Ot组成。
遗忘门ft：ft＝σ(ωf[ht-1，xt]+bf)
输入门it：it＝σ(ωi[ht-1，xt]+bi)
更新门Ct：
Figure BDA0003116819330000071
其中，/>
Figure BDA0003116819330000072
输出门Ot：Ot＝σ(ω0[ht-1，xt]+b0)，其中，ht＝Ot*tanh(Ct)
其中，ωf、ωi、ωc、ω0、bf、bi、bc、b0分别为对应门的权重和偏置，ht-1为上一时刻的输出，xt为此刻的输入，σ和tanh都为激活函数，分别为：
Figure BDA0003116819330000073
Figure BDA0003116819330000074
其中，贝叶斯长短使记忆神经网络模型采用概率密度分布来对权重和偏置进行采样，然后优化权重和偏置，公式为：
Figure BDA0003116819330000075
Figure BDA0003116819330000076
在其中一个实施例中，在采用贝叶斯LSTM神经网络模型进行模型训练时，涉及到的参数主要有：学习速率d，隐藏层神经元个数(hidden layer unit)，批处理大小(batch_size)，迭代次数(epoch)，优化器(Optimizer)，激活函数(Activation Function)，损失函数(loss function)，输入序列长度I，输出序列长度O。
在其中一个实施例中，学习速率α可以取0.01，隐藏层神经元个数为可以设置为256，批处理大小可以取32，迭代次数可以取300，优化器可以为Adma，激活函数可以取tanh，损失函数可以取MSE，输入序列长度可以为6，输出序列长度可以为1。
在其中一个实施例中，所述对所述样本数据集进行归一化处理之前，包括：
去除所述样本数据集中的空值与超量程值。
其中，在对样本数据集进行归一化处理之前，可以去除样本数据集中的空值与超量程值，空值是指获取到的传感器的测量值为空，超量程值是指获取到的测量值超过传感器测量量程，空值和超量程值是由于传感器测量异常造成的。从而通过去除空值和超量程值可以增加样本数据集中数据的精度。
在其中一个实施例中，所述将所述样本数据集输入至神经网络模型进行训练，获得所述换流阀元件温度预测模型，包括：
通过所述神经网络模型计算所述换流阀元件的运行温度计算值；
基于所述换流阀元件的运行温度计算值与所述换流阀元件的样本运行温度实测值，获得所述换流阀元件的运行温度计算值与所述换流阀元件的样本运行温度实测值之间的误差值；
在所述误差值不满足模型训练结束条件时，将所述误差值经神经元反向传播，更新权重和偏置，直至达到模型训练结束条件，获得所述换流阀元件温度预测模型。
在其中一个实施例中，如图3所示，为在进行模型训练时的贝叶斯LSTM神经网络模型的流程示意图，X1、X2...Xn为样本数据集，Y1、Y2...Yn为对应的输出，样本数据集经过输入层输入至隐藏层，其中，隐藏层中包括多个按照时间顺序连接的同样结构的贝叶斯LSTM神经网络单元，基于样本数据集中的样本状态监测数据，计算得到换流阀元件的运行温度计算值，基于换流阀元件的运行温度计算值与换流阀元件的样本运行温度实测值，可以获得换流阀元件的运行温度计算值与换流阀元件的样本运行温度实测值之间的误差值，其中，本实施例中的误差值为均方根误差MSE。
当误差值不满足模型训练结束条件时，将误差值经神经元反向传播，更新权重和偏置，直至达到模型训练结束条件，获得换流阀元件温度预测模型，其中，模型训练结束条件是指预先设定的可以使模型训练过程结束的条件，模型训练结束条件可以为设定的预期误差范围、设定的迭代次数等，例如，当误差值满足设定的预期误差范围，则达到模型训练条件，则可以获得换流阀元件温度预测模型，又如，当迭代次数到达设定的次数，则达到模型训练条件，则可以获得换流阀元件温度预测模型。通过上述方法可以获得换流阀元件温度预测模型。
在其中一个实施例中，在获得流阀元件温度预测模型之后，可以采用测试数据集评估神经网络模型，完成神经网络模型的评估。
在其中一个实施例中，所述将所述状态监测数据输入至预先训练的换流阀元件温度预测模型，获得所述换流阀元件的运行温度预测值之后，包括：
对所述换流阀元件的运行温度预测值进行反归一化处理。
其中，在获得换流阀元件的运行温度预测值之后，还需要对运行温度预测值进行反归一化处理，其中，进行反归一化处理的公式为：
Figure BDA0003116819330000091
其中，T′为运行温度预测值，T为进行反归一化处理后的运行温度预测值。
在其中一个实施例中，所述基于所述换流阀元件的运行温度预测值，确定所述换流阀元件的状态，包括：
获取所述换流阀元件的运行温度实测值；
基于所述运行温度实测值与所述运行温度预测值，获得所述运行温度预测值与所述运行温度实测值的偏差率；
当所述偏差率满足预设温度偏差条件时，确定所述换流阀元件存在异常。
在其中一个实施例中，换流阀元件的运行温度实测值是指换流阀元件在运行过程中，采用状态检测设备实际测得的换流阀元件运行温度，偏差率是指计算得到的运行温度实测值与运行温度预测值的偏差，预设温度偏差条件是指预先设定的偏差率所需满足的条件，例如，预设温度偏差条件可以为当计算得到的偏差率大于设定的数值时，确定满足预设温度偏差条件，预设温度偏差条件也可以为当计算得到的偏差率小于设定的数值时，确定满足预设温度偏差条件，设定的数值可以根据实际情况进行调整，在本实施例中，设定的数值可以为5％。
其中，偏差率的计算公式可以为：
Figure BDA0003116819330000101
其中，η表示偏差率，Tf表示运行温度实测值，T表示反归一化处理后的运行温度预测值。
在其中一个实施例中，设定的数值为5％，获取换流阀元件的运行温度实测值，基于运行温度实测值与运行温度预测值，获得运行温度预测值与运行温度实测值的偏差率，当偏差率大于5％时，确定换流阀元件存在异常(如过热异常)，提醒运维人员及时进行检查及处理。
在其中一个实施例中，如图4所示，为一个具体实施例中的换流阀元件状态评估方法的流程示意图：
其中，换流阀是高压直流输电工程中的核心设备，换流阀元件是指构成换流阀的元器件，为了实时监测换流阀元件的运行状态，可以安装状态监测设备1、状态监测设备2、状态监测设备3等多个状态监测设备采集与换流阀元件相关的数据，并通过标准化接口或者无线网络的方式将数据传输给电子设备102进行数据处理。
电子设备获取与换流阀元件的运行温度相关的状态监测数据后，可以对状态监测数据进行数据处理，从而预测换流阀元件的运行温度预测值，其中，状态监测数据包括阀厅环境温度、冷却水进阀温度、冷却水出阀温度、冷却水流量、直流负荷中的至少一种。
在其中一个实施例中，可以将状态监测数据输入至预先训练的换流阀元件温度预测模型，预测换流阀元件的运行温度预测值。
在其中一个实施例中，换流阀元件温度预测模型的训练过程为：获取样本数据集，样本数据集中包括换流阀元件的样本运行温度实测值和样本状态监测数据，其中，样本状态监测数据可以包括阀厅环境温度、冷却水进阀温度、冷却水出阀温度、冷却水流量、直流负荷，也可以只包括阀厅环境温度、冷却水进阀温度、冷却水出阀温度、冷却水流量、直流负荷中的任意一种或任意几种的组合，在本实施例中样本监测数据包括阀厅环境温度、冷却水进阀温度、冷却水出阀温度、冷却水流量、直流负荷。
在获得样本数据集后，可以对样本数据集进行处理，如去除样本数据集中的空值与超量程值，空值和超量程值是由于传感器测量异常造成的，从而通过去除空值和超量程值可以增加样本数据集中数据的精度，当去除样本数据集中的空值和超量程值之后，可以对样本数据集进行归一化处理，使得样本数据集中数据的范围再[-1，1]之间，在对样本集进行处理之后，可以将样本数据集按照一定比例划分为训练数据集与测试数据集，例如，可以选择将80％的数据作为训练数据集，选择将20％的数据作为测试数据集，将训练数据集输入至神经网络模型中进行训练，获得换流阀元件温度预测模型，
在其中一个实施例中，神经网络模型可以为贝叶斯长短时记忆(LSTM)神经网络模型，其中，贝叶斯LSTM神经网络模型的网络结构由遗忘门ft、输入门it、更新门Ct和输出门Ot组成。在采用贝叶斯LSTM神经网络模型进行模型训练时，涉及到的参数主要有：学习速率α，隐藏层神经元个数(hiddenlayer unit)，批处理大小(batch_size)，迭代次数(epoch)，优化器(Optimizer)，激活函数(Activation Function)，损失函数(loss function)，输入序列长度I，输出序列长度O。在其中一个实施例中，学习速率α可以取0.01，隐藏层神经元个数为可以设置为256，批处理大小可以取32，迭代次数可以取300，优化器可以为Adma，激活函数可以取tanh，损失函数可以取MSE，输入序列长度可以为6，输出序列长度可以为1。
样本数据集经过贝叶斯LSTM神经网络模型的输入层输入至隐藏层，隐藏层中包括多个按照时间顺序连接的同样结构的贝叶斯LSTM神经网络单元，基于样本数据集中的样本状态监测数据，计算得到换流阀元件的运行温度计算值，基于换流阀元件的运行温度计算值与换流阀元件的样本运行温度实测值，可以获得换流阀元件的运行温度计算值与换流阀元件的样本运行温度实测值之间的误差值，其中，本实施例中的误差为均方根误差MSE。当误差值不满足模型训练结束条件时，将误差值经神经元反向传播，更新权重和偏置，直至达到模型训练结束条件，获得换流阀元件温度预测模型，其中，模型训练结束条件是指预先设定的预期误差范围。在其中一个实施例中，在获得流阀元件温度预测模型之后，可以采用测试数据集评估神经网络模型，完成神经网络模型的评估。
在其中一个实施例中，将状态监测数据输入至预先训练的换流阀元件温度预测模型，预测换流阀元件的运行温度预测值，并对预测的运行温度预测值进行反归一化处理。
在其中一个实施例中，获取换流阀元件的运行温度实测值；基于运行温度实测值与运行温度预测值，获得运行温度预测值与运行温度实测值的偏差率；当偏差率满足预设温度偏差条件时，确定换流阀元件存在异常。换流阀元件的运行温度实测值是指换流阀元件在运行过程中，采用状态检测设备实际测得的换流阀元件运行温度，偏差率是指计算得到的运行温度实测值与运行温度预测值的偏差，预设温度偏差条件是指预先设定的偏差率所需满足的条件，例如，预设温度偏差条件可以为当计算得到的偏差率大于设定的数值时，确定满足预设温度偏差条件，预设温度偏差条件也可以为当计算得到的偏差率小于设定的数值时，确定满足预设温度偏差条件，设定的数值可以根据实际情况进行调整，在本实施例中，设定的数值可以为5％，获取换流阀元件的运行温度实测值，基于运行温度实测值与运行温度预测值，获得运行温度预测值与运行温度实测值的偏差率，当偏差率大于5％时，确定换流阀元件存在异常(如过热异常)，提醒运维人员及时进行检查及处理。
应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种换流阀元件状态评估装置，包括：状态监测数据获取模块、温度预测值获取模块和换流阀元件状态判断模块，其中：
状态监测数据获取模块502，用于获取与换流阀元件的运行温度相关的状态监测数据，所述状态监测数据包括阀厅环境温度、冷却水进阀温度、冷却水出阀温度、冷却水流量、直流负荷中的至少一种。
温度预测值获取模块504，用于基于所述状态监测数据，预测所述换流阀元件的运行温度预测值，所述运行温度预测值为用于表征预测的所述换流阀元件在运行过程中的温度值。
换流阀元件状态判断模块506，用于基于所述换流阀元件的运行温度预测值，确定所述换流阀元件的状态。
在其中一个实施例中，温度预测值获取模块，用于将所述状态监测数据输入至预先训练的换流阀元件温度预测模型，预测所述换流阀元件的运行温度预测值。
在其中一个实施例中，所述装置还包括：
换流阀元件温度预测模型训练模块，用于获取样本数据集，所述样本数据集中包括换流阀元件的样本运行温度实测值和样本状态监测数据；对所述样本数据集进行归一化处理，获得归一化处理之后的样本数据集；将所述样本数据集输入至神经网络模型进行训练，获得所述换流阀元件温度预测模型。
在其中一个实施例中，换流阀元件温度预测模型训练模块，用于去除所述样本数据集中的空值与超量程值。
在其中一个实施例中，换流阀元件温度预测模型训练模块，用于通过所述神经网络模型计算所述换流阀元件的运行温度计算值；基于所述换流阀元件的运行温度计算值与所述换流阀元件的样本运行温度实测值，获得所述换流阀元件的运行温度计算值与所述换流阀元件的样本运行温度实测值之间的误差值；在所述误差值不满足模型训练结束条件时，将所述误差值经所述神经元反向传播，更新权重和偏置，直至达到模型训练结束条件，获得所述换流阀元件温度预测模型。
在其中一个实施例中，换流阀元件状态判断模块，用于获取所述换流阀元件的运行温度实测值；基于所述运行温度实测值与所述运行温度预测值，获得所述运行温度预测值与所述运行温度实测值的偏差率；当所述偏差率满足预设温度偏差条件时，确定所述换流阀元件存在异常。
在其中一个实施例中，所述装置还包括：
反归一化处理模块，对所述换流阀元件的运行温度预测值进行反归一化处理。
关于换流阀元件状态评估装置的具体限定可以参见上文中对于换流阀元件状态评估方法的限定，在此不再赘述。上述换流阀元件状态评估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于电子设备中的处理器中，也可以以软件形式存储于电子设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种电子设备，该电子设备可以是服务器，其内部结构图可以如图6所示。该电子设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的数据库用于存储换流阀元件的状态监测数据。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种换流阀元件状态评估方法。
在一个实施例中，提供了一种电子设备，该电子设备可以是终端，其内部结构图可以如图7所示。该电子设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种换流阀元件状态评估方法。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该电子设备的输入装置可以是显示屏上覆盖的触摸层，也可以是电子设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图6、图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种电子设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述换流阀元件状态评估方法。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述换流阀元件状态评估方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种换流阀元件状态评估方法，其特征在于，所述方法包括：
获取与换流阀元件的运行温度相关的状态监测数据，所述状态监测数据包括阀厅环境温度、冷却水进阀温度、冷却水出阀温度、冷却水流量和直流负荷；
基于所述状态监测数据和预先训练的换流阀元件温度预测模型，预测所述换流阀元件的运行温度预测值，所述运行温度预测值为用于表征预测的所述换流阀元件在运行过程中的温度值；
获取所述换流阀元件的运行温度实测值；
基于所述运行温度实测值与所述运行温度预测值，获得所述运行温度预测值与所述运行温度实测值的偏差率；
当所述偏差率满足预设温度偏差条件时，确定所述换流阀元件存在异常；
所述换流阀元件温度预测模型的训练过程，包括：
获取样本数据集，所述样本数据集中包括换流阀元件的样本运行温度实测值和样本状态监测数据；
对所述样本数据集进行归一化处理，获得归一化处理之后的样本数据集；
将所述样本数据集输入至神经网络模型进行训练，通过所述神经网络模型计算所述换流阀元件的运行温度计算值；
基于所述换流阀元件的运行温度计算值与所述换流阀元件的样本运行温度实测值，获得所述换流阀元件的运行温度计算值与所述换流阀元件的样本运行温度实测值之间的误差值；
在所述误差值不满足模型训练结束条件时，将所述误差值经所述神经元反向传播，更新权重和偏置，直至达到模型训练结束条件，获得所述换流阀元件温度预测模型。
2.根据权利要求1所述的方法，其特征在于，所述基于所述状态监测数据和预先训练的换流阀元件温度预测模型，包括：
将所述状态监测数据输入至预先训练的换流阀元件温度预测模型，预测所述换流阀元件的运行温度预测值。
3.根据权利要求1所述的方法，其特征在于，所述对所述样本数据集进行归一化处理之前，包括：
去除所述样本数据集中的空值与超量程值。
4.根据权利要求2所述的方法，其特征在于，所述将所述状态监测数据输入至预先训练的换流阀元件温度预测模型，获得所述换流阀元件的运行温度预测值之后，包括：
对所述换流阀元件的运行温度预测值进行反归一化处理。
5.一种换流阀元件状态评估装置，其特征在于，所述装置包括：
状态监测数据获取模块，用于获取与换流阀元件的运行温度相关的状态监测数据，所述状态监测数据包括阀厅环境温度、冷却水进阀温度、冷却水出阀温度、冷却水流量和直流负荷；
温度预测值获取模块，用于基于所述状态监测数据和预先训练的换流阀元件温度预测模型，预测所述换流阀元件的运行温度预测值，所述运行温度预测值为用于表征预测的所述换流阀元件在运行过程中的温度值；
换流阀元件状态判断模块，用于获取所述换流阀元件的运行温度实测值；基于所述运行温度实测值与所述运行温度预测值，获得所述运行温度预测值与所述运行温度实测值的偏差率；当所述偏差率满足预设温度偏差条件时，确定所述换流阀元件存在异常；
换流阀元件温度预测模型训练模块，用于获取样本数据集，所述样本数据集中包括换流阀元件的样本运行温度实测值和样本状态监测数据；对所述样本数据集进行归一化处理，获得归一化处理之后的样本数据集；将所述样本数据集输入至神经网络模型进行训练，通过所述神经网络模型计算所述换流阀元件的运行温度计算值通过所述神经网络模型计算所述换流阀元件的运行温度计算值；基于所述换流阀元件的运行温度计算值与所述换流阀元件的样本运行温度实测值，获得所述换流阀元件的运行温度计算值与所述换流阀元件的样本运行温度实测值之间的误差值；在所述误差值不满足模型训练结束条件时，将所述误差值经所述神经元反向传播，更新权重和偏置，直至达到模型训练结束条件，获得所述换流阀元件温度预测模型。
6.根据权利要求5所述的装置，其特征在于，所述温度预测值获取模块，用于将所述状态监测数据输入至预先训练的换流阀元件温度预测模型，预测所述换流阀元件的运行温度预测值。
7.根据权利要求5所述的装置，其特征在于，所述换流阀元件温度预测模型训练模块，用于去除所述样本数据集中的空值与超量程值。
8.根据权利要求5所述的装置，其特征在于，所述装置还包括反归一化处理模块；
所述反归一化处理模块，用于对所述换流阀元件的运行温度预测值进行反归一化处理。
9.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
CN202110665963.3A 2021-06-16 2021-06-16 换流阀元件状态评估方法、装置、电子设备和存储介质 Active CN113295399B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110665963.3A CN113295399B (zh) 2021-06-16 2021-06-16 换流阀元件状态评估方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110665963.3A CN113295399B (zh) 2021-06-16 2021-06-16 换流阀元件状态评估方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN113295399A CN113295399A (zh) 2021-08-24
CN113295399B true CN113295399B (zh) 2023-05-30

Family

ID=77328455

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110665963.3A Active CN113295399B (zh) 2021-06-16 2021-06-16 换流阀元件状态评估方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN113295399B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113762391A (zh) * 2021-09-08 2021-12-07 中国南方电网有限责任公司超高压输电公司昆明局 冷却系统的状态检测方法、装置、计算机设备和存储介质
CN114460990B (zh) * 2022-01-24 2023-05-23 苏州纽克斯电源技术股份有限公司 一种植物生长环境的控制方法、装置、设备及存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101866334B1 (ko) * 2017-01-25 2018-06-11 김경호 온도 제어 시스템을 구비한 냉각기
WO2019129800A1 (en) * 2017-12-31 2019-07-04 Vito Nv Smart thermostatic radiator or convector valve for a heating system and control method
CN110646194A (zh) * 2019-08-29 2020-01-03 中国南方电网有限责任公司超高压输电公司广州局 一种换流阀冷却能力多维度分析预警方法及系统
CN110763929A (zh) * 2019-08-08 2020-02-07 浙江大学 一种换流站设备智能监测预警系统及方法
CN111272412A (zh) * 2020-03-23 2020-06-12 北京昊鹏智能技术有限公司 电控气动设备的故障检测方法、装置、设备和存储介质
CN111460610A (zh) * 2020-02-27 2020-07-28 中国南方电网有限责任公司超高压输电公司广州局 一种换流阀tvm板发热预测方法、系统、装置及介质
CN111507520A (zh) * 2020-04-15 2020-08-07 瑞纳智能设备股份有限公司 一种换热机组负荷的动态预测方法及系统
CN111650451A (zh) * 2020-04-28 2020-09-11 中国南方电网有限责任公司超高压输电公司广州局 一种换流变故障原因辨识方法及系统
CN112016754A (zh) * 2020-08-31 2020-12-01 哈电发电设备国家工程研究中心有限公司 基于神经网络的电站锅炉排烟温度超前预测系统及方法
CN112101519A (zh) * 2020-08-07 2020-12-18 中国南方电网有限责任公司超高压输电公司广州局 一种基于lstm的换流阀冷却裕度预测运维方法及系统
CN112164209A (zh) * 2020-08-20 2021-01-01 中国南方电网有限责任公司超高压输电公司广州局 一种换流站换流阀元件温度预测方法及系统
CN112257742A (zh) * 2020-09-07 2021-01-22 中国南方电网有限责任公司超高压输电公司广州局 一种换流阀入水温度预测修正方法及运维系统

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101866334B1 (ko) * 2017-01-25 2018-06-11 김경호 온도 제어 시스템을 구비한 냉각기
WO2019129800A1 (en) * 2017-12-31 2019-07-04 Vito Nv Smart thermostatic radiator or convector valve for a heating system and control method
CN110763929A (zh) * 2019-08-08 2020-02-07 浙江大学 一种换流站设备智能监测预警系统及方法
CN110646194A (zh) * 2019-08-29 2020-01-03 中国南方电网有限责任公司超高压输电公司广州局 一种换流阀冷却能力多维度分析预警方法及系统
CN111460610A (zh) * 2020-02-27 2020-07-28 中国南方电网有限责任公司超高压输电公司广州局 一种换流阀tvm板发热预测方法、系统、装置及介质
CN111272412A (zh) * 2020-03-23 2020-06-12 北京昊鹏智能技术有限公司 电控气动设备的故障检测方法、装置、设备和存储介质
CN111507520A (zh) * 2020-04-15 2020-08-07 瑞纳智能设备股份有限公司 一种换热机组负荷的动态预测方法及系统
CN111650451A (zh) * 2020-04-28 2020-09-11 中国南方电网有限责任公司超高压输电公司广州局 一种换流变故障原因辨识方法及系统
CN112101519A (zh) * 2020-08-07 2020-12-18 中国南方电网有限责任公司超高压输电公司广州局 一种基于lstm的换流阀冷却裕度预测运维方法及系统
CN112164209A (zh) * 2020-08-20 2021-01-01 中国南方电网有限责任公司超高压输电公司广州局 一种换流站换流阀元件温度预测方法及系统
CN112016754A (zh) * 2020-08-31 2020-12-01 哈电发电设备国家工程研究中心有限公司 基于神经网络的电站锅炉排烟温度超前预测系统及方法
CN112257742A (zh) * 2020-09-07 2021-01-22 中国南方电网有限责任公司超高压输电公司广州局 一种换流阀入水温度预测修正方法及运维系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"基于时序分析的阀冷进阀温度预测方法";张朝辉等;《计算机系统应用》;第30卷(第4期);第9-16页 *

Also Published As

Publication number Publication date
CN113295399A (zh) 2021-08-24

Similar Documents

Publication Publication Date Title
Zhang et al. An age-and state-dependent nonlinear prognostic model for degrading systems
Le Son et al. Remaining useful life estimation based on stochastic deterioration models: A comparative study
Elmahdy A new approach for Weibull modeling for reliability life data analysis
CN109472110A (zh) 一种基于lstm网络和arima模型的航空发动机剩余使用寿命预测方法
CN113295399B (zh) 换流阀元件状态评估方法、装置、电子设备和存储介质
Duan et al. An integrated framework for health measures prediction and optimal maintenance policy for mechanical systems using a proportional hazards model
CN113671381B (zh) 一种基于时间卷积网络的锂离子动力电池估算方法
Garg et al. A two-phase approach for reliability and maintainability analysis of an industrial system
CN113762391A (zh) 冷却系统的状态检测方法、装置、计算机设备和存储介质
CN115964668A (zh) 一种基于大数据的供热监控分析方法、装置、设备及介质
CN112884199A (zh) 水电站设备故障预测方法、装置、计算机设备和存储介质
Xu et al. RUL prediction of electronic controller based on multiscale characteristic analysis
Bai et al. Prognostics using an adaptive self-cognizant dynamic system approach
CN116522594A (zh) 基于卷积神经网络的时间自适应暂态稳定预测方法及装置
CN114254904B (zh) 一种风电机组机舱运行健康度评价方法及装置
CN114910756A (zh) 一种低压母线槽的绝缘性能评估方法及系统
CN114881157A (zh) 换流阀工作状态的检测方法、装置、设备和存储介质
CN112580254B (zh) 一种基于多级决策融合的换流变多维度分析和预警方法
CN114814707A (zh) 一种智能电表应力误差分析方法、设备、终端及可读介质
Jiang et al. Bayesian hierarchical uncertainty quantification by structural equation modeling
CN114363004A (zh) 风险评估方法、装置、计算机设备和存储介质
Abdolshah et al. A review of systems reliability analysis using fuzzy logic
Biçen et al. Intelligent condition monitoring platform combined with multi-agent approach for complex systems
Sankararaman Uncertainty Representation, Quantification, and Management in Prognostics
Zhang et al. Two‐stage nonparametric framework for missing data imputation, uncertainty quantification, and incorporation in system identification

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