CN113378477A - 一种基于深度学习方法的锅炉过热器区域高低温预测方法 - Google Patents

一种基于深度学习方法的锅炉过热器区域高低温预测方法 Download PDF

Info

Publication number
CN113378477A
CN113378477A CN202110730704.4A CN202110730704A CN113378477A CN 113378477 A CN113378477 A CN 113378477A CN 202110730704 A CN202110730704 A CN 202110730704A CN 113378477 A CN113378477 A CN 113378477A
Authority
CN
China
Prior art keywords
different
matrix
low temperature
boiler superheater
temperature prediction
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
CN202110730704.4A
Other languages
English (en)
Other versions
CN113378477B (zh
Inventor
翟晨翰
陈旺虎
李婧
姚继龙
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.)
Northwest Normal University
Original Assignee
Northwest Normal University
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 Northwest Normal University filed Critical Northwest Normal University
Priority to CN202110730704.4A priority Critical patent/CN113378477B/zh
Publication of CN113378477A publication Critical patent/CN113378477A/zh
Application granted granted Critical
Publication of CN113378477B publication Critical patent/CN113378477B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于深度学习方法的锅炉过热器区域高低温预测方法，属于计算机技术领域，包括以下步骤：S1：采集数据；S2：构建成图；S3：构造特征矩阵；S4：计算RV系数；S5：确定图区域之间连接边权重；S6：输入区域连接图和区域特征矩阵，GCN模块提取不同区域空间特征，并按照时序进行组合；S7：输入GRU模块进行不同时间间隔和步长的温度预测；S8：选取评价指标最好的空间特征维数以及温度预测步长；S9：确定空间特征维数和预测步长，进行不同区域最高低温的预测；本发明采用目前流行的图神经网络技术以及时序数据的预测神经网络技术，提高不同时间间隔区域高低温预测的精度，较好完成过热器高低温预测的实际需求。

Description

一种基于深度学习方法的锅炉过热器区域高低温预测方法
技术领域
本发明属于计算机技术领域，具体涉及一种基于深度学习方法的锅炉过热器区域高低温预测方法。
背景技术
随着电力需求持续增加以及电力市场可再生能源蓬勃发展，电厂控制问题越来越重要。
过热器蒸汽温度是发电厂中要控制的关键变量之一，过高的高温会导致过热器蒸汽管道和高压涡轮机的入口受到物质损坏，较低的温度会降低工厂的效率，同时会增加低压涡轮机后部蒸汽的湿度，侵蚀涡轮叶片，因此，在发电厂中，对过热器高低温的控制变得越来越重要。
出于安全和节能的原因，过热器蒸汽必须严格控制在适当的温度范围内，大多数研究都认为，过热器蒸汽温度应控制在正常工作温度±5℃的范围内，由于过热器内部管道具有复杂的结构，过热器蒸汽温度会因为频繁造成的未知干扰而在一段时间内发生复杂的变化等原因，故过热器蒸汽温度的预测是一个非常困难且具有挑战的问题。
由于过热器蒸汽温度的非线性特点，目前的预测会采用一些机器学习和深度学习的方法，机器学习的方法有支持向量机(SVM)，随机森林(RF)，深度学习的方法有循环神经网络(RNN)，长短时记忆网络(LSTM)，门控循环单元(GRU)。
现有技术存在以下问题：由于锅炉过热器区域的温度会随时间的改变而改变，且不同的区域会有不同排列的空间关系，现有技术并不能很好的利用过热器区域温度的时间和空间依赖关系，故预测区域高低温存在较大误差，无法满足电厂锅炉过热器高低温预测的要求。
发明内容
为解决上述背景技术中提出的问题。本发明提供了一种基于深度学习方法的锅炉过热器区域高低温预测方法，具有不仅考虑过热器的时间依赖关系，而且考虑过热器的空间依赖关系，使预测区域高低温误差较小，能够较好满足电厂锅炉过热器高低温预测需求的特点。
为实现上述目的，本发明提供如下技术方案：一种基于深度学习方法的锅炉过热器区域高低温预测方法，包括以下步骤：
S1：采集锅炉过热器不同时刻的现场参数实际样本数据；
S2：根据锅炉过热器内部管和频的排列结构划分若干等大小区域，并将不同区域作为结点构建成图；
S3：数据预处理，统计不同区域的现场参数实际样本数据，并将不同时刻的区域现场参数实际样本数据构造图的特征矩阵：
G＝(V,E)；
S4：计算图不同区域特征矩阵之间的RV相关系数；
S5：根据不同区域特征矩阵之间的RV相关系数大小确定图区域之间连接边的权重；
S6：构造两层的GCN模块，第一层的激活函数为ReLU，将区域连接图和不同时刻区域现场参数实际样本数据的特征矩阵输入GCN模块，GCN模块提取不同区域的空间特征，并将不同时刻的空间特征按照时序进行组合；
S7：根据步骤S6的结果，输入GRU模块进行不同时间间隔和步长的温度预测；
S8：根据不同时间间隔的温度预测评价指标的表现，选取评价指标最好的空间特征维数以及温度预测步长；
S9：根据步骤S8的结果，确定空间特征维数和预测步长，进行不同区域最高低温的预测。
本发明中进一步的，所述步骤S1中，需采集的锅炉过热器现场参数实际样本数据包括喷水量和每根管温度。
本发明中进一步的，所述步骤S1中，采集锅炉过热器的现场参数实际样本数据的时刻是任意选取的，不同时刻间的时间间隔最小为10s。
本发明中进一步的，所述步骤S4中，图不同区域特征矩阵之间的RV相关系数的计算公式为：
Figure BDA0003139231530000021
其中，X，Y代表两个区域的特征矩阵，X`为X矩阵的伴随矩阵，Y`为Y矩阵的伴随矩阵。
本发明中进一步的，所述步骤S6中，GCN模块的时序组合公式为：
Figure BDA0003139231530000022
其中，区域的特征组成一个N×D维的矩阵X，然后各个区域之间的关系也会形成一个N×N维的矩阵A，也称为邻接矩阵，
Figure BDA0003139231530000023
为A+I，I是单位矩阵，
Figure BDA0003139231530000024
是
Figure BDA0003139231530000025
的度矩阵，H（l)第l层的特征，σ为非线性激活函数。
本发明中进一步的，所述步骤S7中，GRU模块的训练步骤为：
S71：确定网络的前向传播公式
rt＝σ(Wr·[ht-1，xt])
zt＝σ(Wz·[ht-1，xt])
Figure BDA0003139231530000026
Figure BDA0003139231530000027
yt＝σ(Wo·ht)
其中，[]表示两个向量相连，*表示矩阵的乘积；
S72：分隔参数
Wr＝Wrx+Wrh
Wz＝Wzx+Wzh
Figure BDA0003139231530000031
S73：输出层的输入
Figure BDA0003139231530000032
S74：输出层的输出
Figure BDA0003139231530000033
S75：写出网络传递的损失
单个样本某时刻的损失为：
Figure BDA0003139231530000034
单个样本的在所有时刻的损失为：
Figure BDA0003139231530000035
S76：采用后向误差传播算法来学习网络，求损失函数对各参数的偏导
Figure BDA0003139231530000036
Figure BDA0003139231530000037
Figure BDA0003139231530000038
Figure BDA0003139231530000039
Figure BDA00031392315300000310
Figure BDA00031392315300000311
Figure BDA00031392315300000312
其中，各中间参数为：
Figure BDA0003139231530000041
Figure BDA0003139231530000042
Figure BDA0003139231530000043
δt＝δh，t·zt·φ′
Figure BDA0003139231530000044
S77：算出对各参数的偏导之后，就可以更新参数，依次迭代知道损失收敛。
与现有技术相比，本发明的有益效果是：
本发明较现有技术而言，不仅考虑过热器的时间依赖关系，而且考虑过热器的空间依赖关系，通过观察锅炉过热器不同区域之间的空间关系，使用当今较流行的图神经网络技术，提取不同区域最高温的空间特征，并结合锅炉过热器最高温随时间的改变而改变的特点，利用门控循环单元预测不同时刻不同区域的高低温，误差较小，能够较好满足电厂锅炉过热器高低温预测的需求。
附图说明
图1为本发明基于深度学习方法的锅炉过热器区域高低温预测方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅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。
请参阅图1，本发明提供以下技术方案：一种基于深度学习方法的锅炉过热器区域高低温预测方法，包括以下步骤：
S1：采集锅炉过热器不同时刻的现场参数实际样本数据；
S2：根据锅炉过热器内部管和频的排列结构划分若干等大小区域，并将不同区域作为结点构建成图；
S3：数据预处理，统计不同区域的现场参数实际样本数据，并将不同时刻的区域现场参数实际样本数据构造图的特征矩阵：
G＝(V，E)；
S4：计算图不同区域特征矩阵之间的RV相关系数；
S5：根据不同区域特征矩阵之间的RV相关系数大小确定图区域之间连接边的权重；
S6：构造两层的GCN模块，第一层的激活函数为ReLU，将区域连接图和不同时刻区域现场参数实际样本数据的特征矩阵输入GCN模块，GCN模块提取不同区域的空间特征，并将不同时刻的空间特征按照时序进行组合；
S7：根据步骤S6的结果，输入GRU模块进行不同时间间隔和步长的温度预测；
S8：根据不同时间间隔的温度预测评价指标的表现，选取评价指标最好的空间特征维数以及温度预测步长；
S9：根据步骤S8的结果，确定空间特征维数和预测步长，进行不同区域最高低温的预测。
具体的，步骤S1中，需采集的锅炉过热器现场参数实际样本数据包括喷水量和每根管温度。
具体的，步骤S1中，采集锅炉过热器的现场参数实际样本数据的时刻是任意选取的，不同时刻间的时间间隔最小为10s。
具体的，步骤S4中，图不同区域特征矩阵之间的RV相关系数的计算公式为：
Figure BDA0003139231530000051
其中，X，Y代表两个区域的特征矩阵，X`为X矩阵的伴随矩阵，Y`为Y矩阵的伴随矩阵。
具体的，步骤S6中，GCN模块的时序组合公式为：
Figure BDA0003139231530000052
其中，区域的特征组成一个N×D维的矩阵X，然后各个区域之间的关系也会形成一个N×N维的矩阵A，也称为邻接矩阵，
Figure BDA0003139231530000053
为A+I，I是单位矩阵，
Figure BDA0003139231530000054
是
Figure BDA0003139231530000055
的度矩阵，H(l)是第l层的特征，σ为非线性激活函数。
具体的，步骤S7中，GRU模块的训练步骤为：
S71：确定网络的前向传播公式
rt＝σ(Wr·[ht-1，xt])
zt＝σ(Wz·[ht-1，xt])
Figure BDA0003139231530000056
Figure BDA0003139231530000057
yt＝σ(Wo·ht)
其中，[]表示两个向量相连，*表示矩阵的乘积；
S72：分隔参数
Wr＝Wrx+Wrh
Wz＝Wzx+Wzh
Figure BDA0003139231530000058
S73：输出层的输入
Figure BDA0003139231530000061
S74：输出层的输出
Figure BDA0003139231530000062
S75：写出网络传递的损失
单个样本某时刻的损失为：
Figure BDA0003139231530000063
单个样本的在所有时刻的损失为：
Figure BDA0003139231530000064
S76：采用后向误差传播算法来学习网络，求损失函数对各参数的偏导
Figure BDA0003139231530000065
Figure BDA0003139231530000066
Figure BDA0003139231530000067
Figure BDA0003139231530000068
Figure BDA0003139231530000069
Figure BDA00031392315300000610
Figure BDA00031392315300000611
其中，各中间参数为：
Figure BDA00031392315300000612
Figure BDA00031392315300000613
Figure BDA00031392315300000614
δt＝δh，t·zt·φ′
Figure BDA00031392315300000615
S77：算出对各参数的偏导之后，就可以更新参数，依次迭代知道损失收敛。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (6)

1.一种基于深度学习方法的锅炉过热器区域高低温预测方法，其特征在于，包括以下步骤：
S1：采集锅炉过热器不同时刻的现场参数实际样本数据；
S2：根据锅炉过热器内部管和频的排列结构划分若干等大小区域，并将不同区域作为结点构建成图；
S3：数据预处理，统计不同区域的现场参数实际样本数据，并将不同时刻的区域现场参数实际样本数据构造图的特征矩阵：
G＝(V，E)；
S4：计算图不同区域特征矩阵之间的RV相关系数；
S5：根据不同区域特征矩阵之间的RV相关系数大小确定图区域之间连接边的权重；
S6：构造两层的GCN模块，第一层的激活函数为ReLU，将区域连接图和不同时刻区域现场参数实际样本数据的特征矩阵输入GCN模块，GCN模块提取不同区域的空间特征，并将不同时刻的空间特征按照时序进行组合；
S7：根据步骤S6的结果，输入GRU模块进行不同时间间隔和步长的温度预测；
S8：根据不同时间间隔的温度预测评价指标的表现，选取评价指标最好的空间特征维数以及温度预测步长；
S9：根据步骤S8的结果，确定空间特征维数和预测步长，进行不同区域最高低温的预测。
2.根据权利要求1所述的一种基于深度学习方法的锅炉过热器区域高低温预测方法，其特征在于：所述步骤S1中，需采集的锅炉过热器现场参数实际样本数据包括喷水量和每根管温度。
3.根据权利要求1所述的一种基于深度学习方法的锅炉过热器区域高低温预测方法，其特征在于：所述步骤S1中，采集锅炉过热器的现场参数实际样本数据的时刻是任意选取的，不同时刻间的时间间隔最小为10s。
4.根据权利要求1所述的一种基于深度学习方法的锅炉过热器区域高低温预测方法，其特征在于：所述步骤S4中，图不同区域特征矩阵之间的RV相关系数的计算公式为：
Figure FDA0003139231520000011
其中，X，Y代表两个区域的特征矩阵，X`为X矩阵的伴随矩阵，Y`为Y矩阵的伴随矩阵。
5.根据权利要求1所述的一种基于深度学习方法的锅炉过热器区域高低温预测方法，其特征在于：所述步骤S6中，GCN模块的时序组合公式为：
Figure FDA0003139231520000012
其中，区域的特征组成一个N×D维的矩阵X，然后各个区域之间的关系也会形成一个N×N维的矩阵A，也称为邻接矩阵，
Figure FDA0003139231520000021
为A+I，I是单位矩阵，
Figure FDA0003139231520000022
是
Figure FDA0003139231520000023
的度矩阵，H(l)是第l层的特征，σ为非线性激活函数。
6.根据权利要求1所述的一种基于深度学习方法的锅炉过热器区域高低温预测方法，其特征在于：所述步骤S7中，GRU模块的训练步骤为：
S71：确定网络的前向传播公式
rt＝σ(Wr·[ht-1，xt])
zt＝σ(Wz·[ht-1，xt])
Figure FDA0003139231520000024
Figure FDA0003139231520000025
yt＝σ(Wo·ht)
其中，[]表示两个向量相连，*表示矩阵的乘积；
S72：分隔参数
Wr＝Wrx+Wrh
Wz＝Wzx+Wzh
Figure FDA0003139231520000026
S73：输出层的输入
Figure FDA0003139231520000027
S74：输出层的输出
Figure FDA0003139231520000028
S75：写出网络传递的损失
单个样本某时刻的损失为：
Figure FDA0003139231520000029
单个样本的在所有时刻的损失为：
Figure FDA00031392315200000210
S76：采用后向误差传播算法来学习网络，求损失函数对各参数的偏导
Figure FDA0003139231520000031
Figure FDA0003139231520000032
Figure FDA0003139231520000033
Figure FDA0003139231520000034
Figure FDA0003139231520000035
Figure FDA0003139231520000036
Figure FDA0003139231520000037
其中，各中间参数为：
Figure FDA0003139231520000038
Figure FDA0003139231520000039
Figure FDA00031392315200000310
δt＝δh，t·zt·φ′
Figure FDA00031392315200000311
S77：算出对各参数的偏导之后，就可以更新参数，依次迭代知道损失收敛。
CN202110730704.4A 2021-06-29 2021-06-29 一种基于深度学习方法的锅炉过热器区域高低温预测方法 Active CN113378477B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110730704.4A CN113378477B (zh) 2021-06-29 2021-06-29 一种基于深度学习方法的锅炉过热器区域高低温预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110730704.4A CN113378477B (zh) 2021-06-29 2021-06-29 一种基于深度学习方法的锅炉过热器区域高低温预测方法

Publications (2)

Publication Number Publication Date
CN113378477A true CN113378477A (zh) 2021-09-10
CN113378477B CN113378477B (zh) 2023-05-26

Family

ID=77579955

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110730704.4A Active CN113378477B (zh) 2021-06-29 2021-06-29 一种基于深度学习方法的锅炉过热器区域高低温预测方法

Country Status (1)

Country Link
CN (1) CN113378477B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114418071A (zh) * 2022-01-24 2022-04-29 中国光大银行股份有限公司 循环神经网络训练方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108021027A (zh) * 2017-11-21 2018-05-11 华北电力大学 一种超临界循环流化床机组输出功率预测系统及方法
CN110531797A (zh) * 2019-05-31 2019-12-03 华电国际电力股份有限公司技术服务分公司 基于神经网络的超超临界机组高温过热器壁温预测方法
CN111210633A (zh) * 2020-02-09 2020-05-29 北京工业大学 一种基于深度学习的短时交通流预测方法
CN111950191A (zh) * 2020-07-07 2020-11-17 湖南大学 基于混合深度神经网络的回转窑烧结温度预测方法
CN112365045A (zh) * 2020-11-09 2021-02-12 上海明华电力科技有限公司 一种基于大数据的主蒸汽温度智能预测方法
CN112396162A (zh) * 2020-11-15 2021-02-23 西安热工研究院有限公司 一种燃煤机组屛式过热器壁温预测神经网络模型

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108021027A (zh) * 2017-11-21 2018-05-11 华北电力大学 一种超临界循环流化床机组输出功率预测系统及方法
CN110531797A (zh) * 2019-05-31 2019-12-03 华电国际电力股份有限公司技术服务分公司 基于神经网络的超超临界机组高温过热器壁温预测方法
CN111210633A (zh) * 2020-02-09 2020-05-29 北京工业大学 一种基于深度学习的短时交通流预测方法
CN111950191A (zh) * 2020-07-07 2020-11-17 湖南大学 基于混合深度神经网络的回转窑烧结温度预测方法
CN112365045A (zh) * 2020-11-09 2021-02-12 上海明华电力科技有限公司 一种基于大数据的主蒸汽温度智能预测方法
CN112396162A (zh) * 2020-11-15 2021-02-23 西安热工研究院有限公司 一种燃煤机组屛式过热器壁温预测神经网络模型

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
IHIQ: "GCN+Attention在空间时序预测Spatio Temporal", 《HTTPS://ZHUANLAN.ZHIHU.COM/P/145733369》 *
J.JOSSE: "Testing the significance of the RV coefficie", 《COMPUTATIONAL STATISTICS AND DATA ANALYSIS COMPUTATIONAL STATISTICS AND DATA ANALYSIS 53 (2008) 》 *
WANGHU CHEN: "GCN and GRU based Intelligent Model for Temperature Prediction of Local Heating Surfaces", 《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》 *
刘维: "工程中的多变量控制系统", 《仪器仪表标准化与计量》 *
微笑SUN: "深度学习之GRU网络", 《网页公开：HTTPS://WWW.CNBLOGS.COM/JIANGXINYANG/P9376021.HTML》 *
王洪江;孙保民;田进步;: "电站锅炉故障诊断技术研究进展", 中国电力教育 *
王胜等: "基于改进的广义预测控制在火力发电锅炉主汽温中的应用", 《赤峰学院学报(自然科学版)》 *
蝈蝈: "何时能懂你的心——图卷积神经网络（GCN）", 《HTTPS://ZHUANLAN.ZHIHU.COM/P/71200936》 *
钱虹等: "约束预测控制在低氮燃烧机组过热蒸汽温度控制系统中的应用", 《中国电力》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114418071A (zh) * 2022-01-24 2022-04-29 中国光大银行股份有限公司 循环神经网络训练方法

Also Published As

Publication number Publication date
CN113378477B (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
Zhang et al. Evolutionary quantile regression gated recurrent unit network based on variational mode decomposition, improved whale optimization algorithm for probabilistic short-term wind speed prediction
CN109784480B (zh) 一种基于卷积神经网络的电力系统状态估计方法
Hajabdollahi et al. Soft computing based multi-objective optimization of steam cycle power plant using NSGA-II and ANN
CN110942194A (zh) 一种基于tcn的风电预测误差区间评估方法
CN113107626B (zh) 一种基于多变量lstm的联合循环发电机组负荷预测方法
CN111815033A (zh) 一种基于rcnn和气象时序特征的海上风电功率预测方法
CN111105097B (zh) 一种基于卷积神经网络的大坝变形预测系统和方法
CN111047078B (zh) 交通特征预测方法、系统及存储介质
CN112149879A (zh) 一种计及宏观波动性分类的新能源中长期电量预测方法
CN104113061B (zh) 一种含分布式电源的配电网三相潮流计算方法
Haque et al. A comparative analysis of deep neural networks for hourly temperature forecasting
CN112381282B (zh) 基于宽度学习系统的光伏发电功率预测方法
Tapia et al. Optimized micro-hydro power plants layout design using messy genetic algorithms
CN113469412B (zh) 一种综合能源系统实时运行策略优化方法及系统
CN115169724A (zh) 一种基于时空图卷积神经网络的径流预测方法
Prieto et al. Power plant condenser performance forecasting using a non-fully connected artificial neural network
Wu et al. Unrolled spatiotemporal graph convolutional network for distribution system state estimation and forecasting
CN113378477A (zh) 一种基于深度学习方法的锅炉过热器区域高低温预测方法
Ma et al. An estimating combination method for interval forecasting of electrical load time series
CN110889630B (zh) 一种主动配电网分布式状态估计方法
CN114792158A (zh) 基于时空融合图神经网络的多风电场短期功率预测方法
CN112865170A (zh) 一种基于场景概率的考虑风电出力相关性的负荷恢复优化方法
CN115755219A (zh) 基于stgcn的洪水预报误差实时校正方法及系统
Dong et al. Short-term load forecasting with distributed long short-term memory
CN109543748A (zh) 一种基于多模型融合的水果识别方法

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