CN113468764A - 基于时间序列的海缆状态预测方法 - Google Patents
基于时间序列的海缆状态预测方法 Download PDFInfo
- Publication number
- CN113468764A CN113468764A CN202110831882.6A CN202110831882A CN113468764A CN 113468764 A CN113468764 A CN 113468764A CN 202110831882 A CN202110831882 A CN 202110831882A CN 113468764 A CN113468764 A CN 113468764A
- Authority
- CN
- China
- Prior art keywords
- submarine cable
- state
- variable
- prediction
- time
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 239000000126 substance Substances 0.000 claims description 22
- 238000012544 monitoring process Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000005096 rolling process Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 239000013307 optical fiber Substances 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract 2
- 238000011161 development Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000012774 insulation material Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于基于时间序列的海缆状态预测方法,属于人工智能领域,包含以下步骤:步骤1:建立海缆状态变量预测模型;步骤2:实现海缆状态单变量和多变量综合预测。本发明根据海缆工作理论分析和相关实验结果,利用海缆状态变量预测模型充分挖掘海缆的历史状态信息,实现了对海缆未来状态的预测,说明了利用人工智能方法进行海缆状态预测的适用性和有效性。
Description
技术领域
本发明涉及一种海上油田的海缆状态预测技术,特别涉及一种海缆状态时间序列预测方法,具体是指如何利用海缆的历史状态数据来预测海缆未来时间的状态参数的方法,属于海缆状态预测技术领域。
背景技术
我国海洋石油工业的高速发展离不开海上平台电力系统的支持。海底电缆作为海洋石油开发工程中不同设备间电力传输的关键媒介,在大型油气田群的开发中为整个油气田发挥了不可缺少的重要作用。因此,时刻监测海缆状态,对可能事故的发生做出预判,不仅关系到海上平台电力系统的稳定运行,更关系到整个油气田开发的有序运行。
一般情况下,应用海底电缆传输电能比同样长度的架空电缆要昂贵的多,但却比孤立的小型发电站要经济实惠的多。由于海缆铺设在海底,无法像陆地电缆进行常规的巡视检查,无法及时发现海缆出现的问题,作为海上电力平台能量传输的媒介,一旦出现事故,会影响整个海上油田的开发进程,更会造成巨大的损失。海缆运行和海底环境存在众多不确定性,岩石磨损导致绝缘层损坏、持续大电流以及短路故障等导致绝缘材料寿命缩短、潮汐波动和地壳变动等导致海缆移位、海洋微生物附着在海缆表面导致化学腐蚀、人为的锚害和捕鱼等造成海缆损害,这些故障发生的隐蔽性较强,难以及时发现加以维护,所以对海缆状态进行实时监测和预测,在故障发生前做出预判,可以提前采取措施进行维护,不仅可以有效的减少海上平台电力系统维护的成本,更可以保障海洋油田开采的安全生产和有序运行。但是由于人工预测成本高昂,而且对技术人员的技术要求很高,无法做到对海缆状态的准确预测。
从国内外发展现状来看,部分发达国家对水下电缆的研究已经成熟,针对海缆的研究多集中在海缆状态的监测,要实现海缆状态的实时监测,对硬件设备的要求较高,需要光纤应变主机、光纤测温主机、控制器、监控计算机等设备稳定的运行才能做到实时监测到海缆的状态。在大数据时代,针对海缆状态的监测可以融合机器学习,利用历史数据,充分挖掘其内部规律,对海缆未来状态进行预测,实现提前预警和维护。机器学习中关于预测算法的研究很多,比如回归算法(线性回归,逻辑回归,线性判别算法)、决策树、朴素贝叶斯、K最近邻算法、支持向量机、随机森林和Boosting等多个涉及预测的机器学习算法。但是针对海洋石油开采过程中的海底电缆状态预测的研究较少。[1]寇欣, 尹成群, 吕安强,等. 基于BOTDR监测数据的光纤复合海底电缆状态预测[J]. 电测与仪表, 2015, 52(003):48-53.使用基于加权最小二乘支持向量机的海缆BOTDR监测数据多步预测模型对海底电缆的状态进行预测。但是只能预测海缆未来6步的状态,由于涉及到多个模型,不可避免的引入了误差。LSTM神经网络是一种特殊的RNN(循环神经网络),可以很好地解决长时依赖问题。
发明内容
为了解决上述存在的问题,本发明提出一种基于时间序列的海缆状态预测方法。基于时间序列建立海缆状态变量预测模型,对海缆的历史状态数据进行处理,学习长的依赖关系,得到海缆状态变量的预测值。该方法将研究对象分为两个维度,首先针对海缆单个变量的状态趋势进行预测,然后针对海缆多变量状态实现海缆状态的综合预测。
本发明所提出的基于时间序列的海缆状态预测方法具体步骤如下:
1.基于时间序列的海缆状态预测方法,其特征在于,依次包括以下步骤:
(1)建立海缆状态变量预测模型;
(2)实现海缆状态预测。
2.如权利要求1所述基于时间序列的海缆状态预测方法,其特征在于,所述步骤(1)包含如下子步骤:
2.1定义海缆状态变量预测模型如下:
长短时记忆网络(LSTM)内部具有“门”机制,用来调节信息流,可用来实现时间序列下的海缆状态变量趋势预测。
定义1:
其中,表示输入门在时刻输入个变量的值;表示输入门在时刻输入个变量的权重系数;表示输入数据;表示输入门在时刻输入个变量的偏置系数;是激活函数,可以把值压缩到之间;时,表示单变量预测模型,时,表示多变量预测模型。
定义2:
定义3:
定义4:
定义5:
定义6:
2.2设置海缆状态变量预测模型参数:
设置神经网络层数为1、隐藏层节点个数为64;设置训练输入步长为4、预测步长为1;采用滚动预测方式预测未来12步,所需预测变量数量为6。
海缆单变量状态预测模型的神经网络输入输出节点个数都为1;海缆多变量状态预测模型的神经网络输入输出节点个数分别为6和6。
2.3训练海缆状态变量预测模型:
2.3.1数据预处理:
根据海缆状态变量预测模型所需的参数要求,对获取的海缆数据进行数据预处理,根据海缆种类、变量种类对数据进行分类和排序;对数据进行去噪,填补缺失值,修改非法值,归一化等处理。
2.3.2训练模型:
将步骤(2.3.1)处理的数据输入到LSTM模型中,重复多轮进行训练,确定学习率,直到模型的损失率最小,然后保存模型。损失函数MSE如下:
3.如权利要求2所述基于时间序列的海缆状态预测方法,其特征在于,所述步骤(2)包含如下子步骤:
针对海缆状态的六个变量进行预测,包括电压、电流、功率、光纤温度、缆芯温度、扰动能量。
3.1海缆单变量状态趋势预测:
获取海缆状态变量的4个最新的海缆单变量监测值,输入到海缆单变量状态预测模型,利用滚动预测的方式分别获得6个单变量后面12步的预测值并存入数据库。
3.2海缆多变量状态趋势综合预测:
获取4个最新的海缆6个状态变量的监测值,输入到多变量状态预测模型,利用滚动预测的方式得到海缆6个状态变量后面12步的预测值并存入数据库。设置海缆多变量状态预测函数,利用多变量预测值,获取海缆后面12步的状态预测分数并存入数据库。
与现有技术相比,本发明的有益效果
(1)本发明能够有效预测海底电缆的未来状态,并且不受硬件设备条件的限制;
(2)本发明通过建立海缆状态变量预测模型,可以有效利用海缆状态的历史数据,对海缆未来的状态变量进行预测,利用机器学习实现数据处理和状态预测大大降低了海缆维护的成本;
(3)本发明在具体实施过程中对海缆状态变量预测模型作出了相关的设置,为后续具有高精度的未来状态变量预测奠定了基础;
(4)本发明不需要大量的实验,就可以得到海底电缆状态变量预测模型,非常简单方便。
附图说明
图1为本发明流程图
图2为海底电缆单变量预测效果图
图3为海底电缆多变量综合预测效果图
具体实施方式
下面结合附图及实施案例,对本发明进行进一步详细说明,以使本发明的目的、技术方案及优点更加清楚明白。应当理解,此处所描述的具体实施案列仅用以解释本发明,不能理解为对本发明包括范围的限制,该领域的技术熟练人员可以依据上述本发明的内容做出一些非本质的改进和调整。
结合实例,本发明具体步骤如下:
1.基于时间序列的海缆状态预测方法,其特征在于,依次包括以下步骤:
(1)建立海缆状态变量预测模型;
(2)实现海缆状态预测。
2.如权利要求1所述基于时间序列的海缆状态预测方法,其特征在于,所述步骤(1)包含如下子步骤:
2.1定义海缆状态变量预测模型如下:
长短时记忆网络(LSTM)内部具有“门”机制,用来调节信息流,可用来实现时间序列下的海缆状态变量趋势预测。
定义1:
其中,表示输入门在时刻输入个变量的值;表示输入门在时刻输入个变量的权重系数;表示输入数据;表示输入门在时刻输入个变量的偏置系数;是激活函数,可以把值压缩到之间;时,表示单变量预测模型,时,表示多变量预测模型。
定义2:
定义3:
定义4:
定义5:
定义6:
2.2设置海缆状态变量预测模型参数:
设置神经网络层数为1、隐藏层节点个数为64;设置训练输入步长为4、预测步长为1;采用滚动预测方式预测未来12步,所需预测变量数量为6。
海缆单变量状态预测模型的神经网络输入输出节点个数都为1;海缆多变量状态预测模型的神经网络输入输出节点个数分别为6和6。
2.3训练海缆状态变量预测模型:
2.3.1数据预处理:
根据海缆状态变量预测模型所需的参数要求,对获取的海缆数据进行数据预处理,根据海缆种类、变量种类对数据进行分类和排序;对数据进行去噪,填补缺失值,修改非法值,归一化等处理。
2.3.2训练模型:
将步骤(2.3.1)处理的数据输入到LSTM模型中,重复多轮进行训练,确定学习率,直到模型的损失率最小,然后保存模型。损失函数MSE如下:
3.如权利要求2所述基于时间序列的海缆状态预测方法,其特征在于,所述步骤(2)包含如下子步骤:
针对海缆状态的六个变量进行预测,包括电压、电流、功率、光纤温度、缆芯温度、扰动能量。
3.1海缆单变量状态趋势预测:
(a)从数据库读取海缆最新4个时间点的6个变量的监测值,分别为电压、电流、功率、扰动等,得到形状为4*6的数据矩阵;
(b)对步骤(a)数据按变量类别进行分类处理并按时间排序,得到形状为6*4的数据;
(c)将步骤(b)获得的数据放入单变量预测模型进行滚动预测,得到6个变量的未来12步的预测值,形状为6*12;
(d)将步骤(c)得到的值按时间进行合并得到形状为12*6的数据,然后插入数据库的单变量预测表;
(e)从步骤(d)的单变量预测表中读取某个变量的12步预测值,进行绘图,如图2。
3.2海缆多变量状态趋势综合预测:
(a)利用步骤(3.1)获得形状为4*6的监测数据;
(b)将步骤(a)获得的数据放入多变量预测模型进行滚动预测,得到6个变量的未来12步的预测值,形状为12*6;
(c)将步骤(b)得到的预测数据代入到状态预测函数,得到未来12步的状态分数;
(d)将步骤(b)和(c)得到的数据插入数据库多变量预测表;
(e)从步骤(c)的多变量预测表中读取某个变量的12步预测值,进行绘图,如图3。
以上所述仅为本发明的状态预测实例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (3)
1.基于时间序列的海缆状态预测方法,其特征在于,依次包括以下步骤:
(1)建立海缆状态变量预测模型;
(2)实现海缆状态预测。
2.如权利要求1所述基于时间序列的海缆状态预测方法,其特征在于,所述步骤(1)包含如下子步骤:
2.1定义海缆状态变量预测模型如下:
长短时记忆网络(LSTM)内部具有“门”机制,用来调节信息流,可用来实现时间序列下的海缆状态变量趋势预测;
定义1:
其中,表示输入门在时刻输入个变量的值;表示输入门在时刻输入个变量的权重系数;表示输入数据;表示输入门在时刻输入个变量的偏置系数;是激活函数,可以把值压缩到之间;时,表示单变量预测模型,时,表示多变量预测模型;
定义2:
定义3:
定义4:
定义5:
定义6:
2.2设置海缆状态变量预测模型参数:
设置神经网络层数为1、隐藏层节点个数为64;设置训练输入步长为4、预测步长为1;采用滚动预测方式预测未来12步,所需预测变量数量为6;
海缆单变量状态预测模型的神经网络输入输出节点个数都为1;海缆多变量状态预测模型的神经网络输入输出节点个数分别为6和6;
2.3训练海缆状态变量预测模型:
2.3.1数据预处理:
根据海缆状态变量预测模型所需的参数要求,对获取的海缆数据进行数据预处理,根据海缆种类、变量种类对数据进行分类和排序;对数据进行去噪,填补缺失值,修改非法值,归一化等处理;
2.3.2训练模型:
将步骤(2.3.1)处理的数据输入到LSTM模型中,重复多轮进行训练,确定学习率,直到模型的损失率最小,然后保存模型;
损失函数MSE如下:
3.如权利要求2所述基于时间序列的海缆状态预测方法,其特征在于,所述步骤(2)包含如下子步骤:
针对海缆状态的六个变量进行预测,包括电压、电流、功率、光纤温度、缆芯温度、扰动能量;
3.1海缆单变量状态趋势预测:
获取海缆状态变量的4个最新的海缆单变量监测值,输入到海缆单变量状态预测模型,利用滚动预测的方式分别获得6个单变量后面12步的预测值并存入数据库;
3.2海缆多变量状态趋势综合预测:
获取4个最新的海缆6个状态变量的监测值,输入到多变量状态预测模型,利用滚动预测的方式得到海缆6个状态变量后面12步的预测值并存入数据库;设置海缆多变量状态预测函数,利用多变量预测值,获取海缆后面12步的状态预测分数并存入数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110831882.6A CN113468764A (zh) | 2021-07-22 | 2021-07-22 | 基于时间序列的海缆状态预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110831882.6A CN113468764A (zh) | 2021-07-22 | 2021-07-22 | 基于时间序列的海缆状态预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113468764A true CN113468764A (zh) | 2021-10-01 |
Family
ID=77881928
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110831882.6A Pending CN113468764A (zh) | 2021-07-22 | 2021-07-22 | 基于时间序列的海缆状态预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113468764A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116976530A (zh) * | 2023-09-25 | 2023-10-31 | 国网上海市电力公司 | 一种电缆设备状态预测方法、装置及存储介质 |
CN117011690A (zh) * | 2023-10-07 | 2023-11-07 | 广东电网有限责任公司阳江供电局 | 一种海缆隐患识别方法、装置、设备和介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107729652A (zh) * | 2017-10-17 | 2018-02-23 | 沈阳凯鹏电线电缆制造有限公司 | 高压电缆发热均匀度预测方法 |
CN112257967A (zh) * | 2020-12-21 | 2021-01-22 | 中国电力科学研究院有限公司 | 电缆的状态量预测的方法、用于确定电缆的运行状态的方法及装置 |
CN112989681A (zh) * | 2021-05-19 | 2021-06-18 | 广东电网有限责任公司湛江供电局 | 一种用于海底电缆路由区的海床冲淤预测分析系统和方法 |
CN113032939A (zh) * | 2021-04-15 | 2021-06-25 | 西南石油大学 | 一种基于热路模型分析的海底电缆埋深预测方法 |
-
2021
- 2021-07-22 CN CN202110831882.6A patent/CN113468764A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107729652A (zh) * | 2017-10-17 | 2018-02-23 | 沈阳凯鹏电线电缆制造有限公司 | 高压电缆发热均匀度预测方法 |
CN112257967A (zh) * | 2020-12-21 | 2021-01-22 | 中国电力科学研究院有限公司 | 电缆的状态量预测的方法、用于确定电缆的运行状态的方法及装置 |
CN113032939A (zh) * | 2021-04-15 | 2021-06-25 | 西南石油大学 | 一种基于热路模型分析的海底电缆埋深预测方法 |
CN112989681A (zh) * | 2021-05-19 | 2021-06-18 | 广东电网有限责任公司湛江供电局 | 一种用于海底电缆路由区的海床冲淤预测分析系统和方法 |
Non-Patent Citations (1)
Title |
---|
张亚宁;: "基于LSTM模型的短期负荷预测", 科技与创新, no. 12, 25 June 2018 (2018-06-25) * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116976530A (zh) * | 2023-09-25 | 2023-10-31 | 国网上海市电力公司 | 一种电缆设备状态预测方法、装置及存储介质 |
CN116976530B (zh) * | 2023-09-25 | 2023-12-08 | 国网上海市电力公司 | 一种电缆设备状态预测方法、装置及存储介质 |
CN117011690A (zh) * | 2023-10-07 | 2023-11-07 | 广东电网有限责任公司阳江供电局 | 一种海缆隐患识别方法、装置、设备和介质 |
CN117011690B (zh) * | 2023-10-07 | 2024-02-09 | 广东电网有限责任公司阳江供电局 | 一种海缆隐患识别方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111596604B (zh) | 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法 | |
CN113468764A (zh) | 基于时间序列的海缆状态预测方法 | |
CN112834211A (zh) | 一种风电机组传动系统故障预警方法 | |
CN102693450A (zh) | 一种基于遗传神经网络的曲轴疲劳寿命预测方法 | |
CN111720296B (zh) | 一种基于自编码器的汽动给水泵设备异常状态预警方法 | |
CN116629126A (zh) | 一种基于动态多头注意力机制的软测量建模方法 | |
Tang et al. | Prediction of bearing performance degradation with bottleneck feature based on LSTM network | |
CN112327701A (zh) | 面向非线性动态工业过程的慢特征网络监测方法 | |
CN112016835A (zh) | 配电网电缆线路监测方法、计算机设备和存储介质 | |
CN111832703A (zh) | 一种基于采样间隔感知长短期记忆网络的流程制造工业不规则采样动态序列建模方法 | |
Huang et al. | Prediction of solar photovoltaic power generation based on MLP and LSTM neural networks | |
Yang et al. | Condition prediction of submarine cable based on CNN-BiGRU integrating attention mechanism | |
Lu et al. | Industrial process data visualization based on a deep enhanced t-distributed stochastic neighbor embedding neural network | |
CN117313522A (zh) | 基于数模交互和联邦学习的油浸式变压器寿命预测方法 | |
CN117077052A (zh) | 一种基于工况识别的干式变压器异常检测方法 | |
Sarwar et al. | Time series method for machine performance prediction using condition monitoring data | |
CN114297795B (zh) | 一种基于PR-Trans的机械设备剩余寿命预测方法 | |
Vogt et al. | Multi-task distribution learning approach to anomaly detection of operational states of wind turbines | |
CN110826290B (zh) | 一种海上浮式系统安全预警方法 | |
Deng et al. | Grey relational analysis and fuzzy neural network method for predicting corrosion rate of marine pipeline | |
Li et al. | Prediction Model of Submarine Cable Burial Depth Trend Based on CNN-LSTM | |
Suo et al. | Corrosion prediction model of circulating water in refinery unit based on PCA-PSO-BP | |
Triviño et al. | Damage detection and localization at the jacket support of an offshore wind turbine using transformer models | |
Miao et al. | Corroded submarine pipeline degradation prediction based on theory-guided IMOSOA-EL model | |
CN114326395B (zh) | 一种基于工况判别的智能发电机组控制模型在线更新方法 |
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 |