CN113552438A - 一种变压器负载能力的预测方法 - Google Patents

一种变压器负载能力的预测方法 Download PDF

Info

Publication number
CN113552438A
CN113552438A CN202110971554.6A CN202110971554A CN113552438A CN 113552438 A CN113552438 A CN 113552438A CN 202110971554 A CN202110971554 A CN 202110971554A CN 113552438 A CN113552438 A CN 113552438A
Authority
CN
China
Prior art keywords
transformer
load capacity
predicting
temperature value
hot spot
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
CN202110971554.6A
Other languages
English (en)
Other versions
CN113552438B (zh
Inventor
张卫东
侯军
于文牮
姚晓林
徐海林
许春华
叶俭
江丽
洪福
吕彬
刘腾
李毅
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.)
State Grid Corp of China SGCC
Weihai Power Supply Co of State Grid Shandong Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Weihai Power Supply Co of State Grid Shandong Electric Power Co Ltd
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 State Grid Corp of China SGCC, Weihai Power Supply Co of State Grid Shandong Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202110971554.6A priority Critical patent/CN113552438B/zh
Publication of CN113552438A publication Critical patent/CN113552438A/zh
Application granted granted Critical
Publication of CN113552438B publication Critical patent/CN113552438B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • 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
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • 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

Abstract

本发明提供了一种变压器负载能力的预测方法，包括步骤：S100、利用有限元仿真软件建立三维变压器模型；S200、输入环境参数X、通过SVM算法对步骤S100中建立的三维电力变压器模型进行计算，并获得热点温度值Y；S500、根据热点温度值Y，判断该变压器在对应环境参数X条件下的带负荷能力。本发明能够对变压器负载能力进行精确预测，同时避免变压器热点温度负载能力造成的影响。

Description

一种变压器负载能力的预测方法
技术领域
本发明涉及电力变压器能力预测技术领域，特别涉及一种变压器负载能力的预测方法。
背景技术
鉴于变压器结构的复杂性和材料参数的非线性，采用经验公式和热路模型难以准确描述变压器的热特性，国内外研究学者于20世纪90年代提出了将智能算法应用于变压器负载能力预测。在此之前，人工智能算法已被广泛应用于变压器故障诊断识别，而采用人工智能算法预测变压器负载能力的优势在于直接建立变压器热点温度与负载电流和环境温度之间的关系，在训练样本的学习过程中直接考虑了变压器结构、材料参数的非线性和环境温度随时间变化等因素，减少了引入经验系数和热路参数带来的计算误差。
近年来，国内研究学者亦将人工智能算法应用于变压器故障诊断分类和负载能力预测中，研究了神经网络、支持向量机、模糊系统和Kalman滤波算法等方法在变压器负载能力预测中的应用，取得了丰硕的研究成果。
纵观国内外学者的研究成果可以发现，智能学习算法在变压器负载能力预测中体现了较为明显的适用性和优越性，基于各种智能学习算法的负载能力预测模型层出不穷，但不容忽视的一点是预测模型的精确性极大程度依赖于预测模型的拓扑结构、输入参数的选取和训练样本集数据的可靠性，而且单纯利用人工智能算法进行预测，与实际建模有较大差距，尤其是无法排除热点温度过高对负载能力造成的影响。
发明内容
本发明的目的是提供简便易行的一种变压器负载能力的预测方法，能够对变压器负载能力进行精确预测，同时避免变压器热点温度负载能力造成的影响。
为实现上述目的，本发明所采用的技术方案是：
一种变压器负载能力的预测方法，包括步骤：
S100、利用有限元仿真软件建立三维变压器模型；
S200、输入环境参数X、通过SVM算法对步骤S100中建立的三维电力变压器模型进行计算，并获得热点温度值Y；
S500、根据热点温度值Y，判断该变压器在对应环境参数X条件下的带负荷能力。
较优地，在步骤S200中包括步骤：
S210、输入环境参数X的数量为N个，分别为X1、X2、…XN,并通过SVM算法计算出对应的热点温度值Y分别为Y1、Y2、…YN；
S220、根据数据序列{(X1，Y1)，(X2，Y2)…(XN，YN)}预测环境参数X与热点温度值Y之间的映射关系，并通过该映射关系中获得回归函数f(X)；
在步骤S200之后还包括步骤：
S300、对回归函数f(X)进行优化计算，f(X)＝Y＝wX+b,其中w为特征权重向量，b为偏置项。
较优地，在步骤S300中还包括引入损失函数ε解决回归问题，
Figure BDA0003225965990000021
Figure BDA0003225965990000022
其中Q为优化目标的极值，k为常系数，C是错误惩罚因子，ξi和ζi为松弛因子，ε为损失函数。
较优地，Yi-wkXi-b≤ε+ξi。
较优地，wkXi+b-Yi＝ε+ζi。
较优地，ξi，ζi≥0。
较优地，在步骤S200之后还包括步骤:
S400、对S200中所计算的热点温度值Y的可靠性进行判断。
较优地，步骤S400中包括：
S410、将N个输入环境参数X分为训练集和测试集，设所述训练集中包括的环境参数分别为X1、X2、…XM,并记录步骤S200终于分别根据X1、X2、…XM计算出的热点温度值Y1、Y2、…YM；
S420、通过实际测量的方式获得分别与X1、X2、…XM所对应的变压器真实温度值Z1、Z2、…ZM；
S430、根据Y1、Y2、…YM和Z1、Z2、…ZM拟合出预测曲线；
S430、从所述测试集中选取环境参数Xe,并将步骤S200中计算出的与环境参数Xe对应的热点温度值Ye与步骤S430中拟合出的曲线相对比，若误差小于5℃，则判断计算结果可靠。
较优地，在步骤S100建立三维变压器模型的过程中忽略变压器中的结构件；
和/或，将绕组等效成圆筒形；
和/或，设铁芯完全对称；
和/或，设结构件材料认为均匀、各向同性。
较优地，在步骤S200中输入的环境参数X包括：变压器运行时的负载率和环境温度和变压器所采用绝缘油的动力粘度、密度、传热系数和恒压温度。
本发明的通过采用在S200、输入环境参数X、通过SVM算法对步骤S100中建立的三维电力变压器模型进行计算，并获得热点温度值Y的技术方案，能够对变压器负载能力进行精确预测，同时避免变压器热点温度负载能力造成的影响。
附图说明
图1为本发明变压器负载能力的预测方法的方法流程图；
图2为三维变压器模型图；
图3为预测曲线图。
具体实施方式
为了使本发明的目的、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发明的变压器负载能力的预测方法进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例一
如图1所示，一种变压器负载能力的预测方法，包括步骤：
S100、利用有限元仿真软件建立三维变压器模型；
S200、输入环境参数X、通过SVM算法对步骤S100中建立的三维电力变压器模型进行计算，并获得热点温度值Y；
S500、根据热点温度值Y，判断该变压器在对应环境参数X条件下的带负荷能力。
采用这样的技术方案，能够对变压器负载能力进行精确预测，同时避免变压器热点温度负载能力造成的影响。
实施例二
在步骤S100建立三维变压器模型可如图2所示，在建立三维变压器模型的过程中可以忽略变压器中的结构件，同时将绕组等效成圆筒形，并且设铁芯完全对称，设结构件材料认为均匀、各向同性。需要说明的是，在步骤S200中输入的环境参数X包括：变压器运行时的负载率和环境温度和变压器所采用绝缘油的动力粘度、密度、传热系数和恒压温度六个参数值。
实施例三
较优地，在步骤S200中包括步骤：
S210、输入环境参数X的数量为N个，分别为X1、X2、…XN,并通过SVM算法计算出对应的热点温度值Y分别为Y1、Y2、…YN，其中N为大于1的整数
S220、根据数据序列{(X1，Y1)，(X2，Y2)…(XN，YN)}预测环境参数X与热点温度值Y之间的映射关系，并通过该映射关系中获得回归函数f(X)；
此时在步骤S200之后还包括步骤：
S300、对回归函数f(X)进行优化计算，f(X)＝Y＝wX+b,其中w为特征权重向量，b为偏置项。
通过对回归函数f(X)进行优化计算，能够调整特征权重向量w和偏置项b的值进而保证能够根据环境参数X计算出其所对应的热点温度值Y的精确性。
实施例四
较优地，在步骤S300中还包括引入损失函数ε解决回归问题，
Figure BDA0003225965990000041
Figure BDA0003225965990000042
其中Q为优化目标的极值，k为常系数，C是错误惩罚因子，ξi和ζi为松弛因子，ε为损失函数。其中，Yi-wkXi-b≤ε+ξi，wkXi+b-Yi＝ε+ζi，ξi，ζi≥0。
这样可以对其他影响回归函数f(X)计算的因素进行整合，保证回归函数f(X)进行优化计算的精确性，进而能够使对热点温度值Y的计算更加精确可靠。
实施例五
在步骤S200之后还包括步骤:S400、对S200中所计算的热点温度值Y的可靠性进行判断。
具体地，步骤S400中包括：
S410、将N个输入环境参数X分为训练集和测试集，设所述训练集中包括的环境参数分别为X1、X2、…XM,并记录步骤S200终于分别根据X1、X2、…XM计算出的热点温度值Y1、Y2、…YM；其中热点温度值M为大于1的整数，在实际工作中M/N＝70％，也就是说在N个输入环境参数X中选取70％作为训练集。
S420、通过实际测量的方式获得分别与X1、X2、…XM所对应的变压器真实温度值Z1、Z2、…ZM；
S430、根据Y1、Y2、…YM和Z1、Z2、…ZM拟合出预测曲线(如图3所示)；
S430、从所述测试集中选取环境参数Xe,并将步骤S200中计算出的与环境参数Xe对应的热点温度值Ye与步骤S430中拟合出的曲线相对比，若误差小于5℃，则判断计算结果可靠。
采用这样的技术方案能够验证本发明对变压器负载能力的预测是否可靠。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本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，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种变压器负载能力的预测方法，其特征在于：
包括步骤：
S100、利用有限元仿真软件建立三维变压器模型；
S200、输入环境参数X、通过SVM算法对步骤S100中建立的三维电力变压器模型进行计算，并获得热点温度值Y；
S500、根据热点温度值Y，判断该变压器在对应环境参数X条件下的带负荷能力。
2.根据权利要求1所述的变压器负载能力的预测方法，其特征在于：
在步骤S200中包括步骤：
S210、输入环境参数X的数量为N个，分别为X1、X2、…XN,并通过SVM算法计算出对应的热点温度值Y分别为Y1、Y2、…YN；
S220、根据数据序列{(X1，Y1)，(X2，Y2)…(XN，YN)}预测环境参数X与热点温度值Y之间的映射关系，并通过该映射关系中获得回归函数f(X)；
在步骤S200之后还包括步骤：
S300、对回归函数f(X)进行优化计算，f(X)＝Y＝wX+b,其中w为特征权重向量，b为偏置项。
3.根据权利要求2所述的变压器负载能力的预测方法，其特征在于：
在步骤S300中还包括引入损失函数ε解决回归问题，
Figure FDA0003225965980000011
Figure FDA0003225965980000012
其中Q为优化目标的极值，k为常系数，C是错误惩罚因子，ξi和ζi为松弛因子，ε为损失函数。
4.根据权利要求3所述的变压器负载能力的预测方法，其特征在于：
Yi-wkXi-b≤ε+ξi。
5.根据权利要求3所述的变压器负载能力的预测方法，其特征在于：
wkXi+b-Yi＝ε+ζi。
6.根据权利要求3所述的变压器负载能力的预测方法，其特征在于：
ξi，ζi≥0。
7.根据权利要求2所述的变压器负载能力的预测方法，其特征在于：
在步骤S200之后还包括步骤:
S400、对S200中所计算的热点温度值Y的可靠性进行判断。
8.根据权利要求7所述的变压器负载能力的预测方法，其特征在于：
步骤S400中包括：
S410、将N个输入环境参数X分为训练集和测试集，设所述训练集中包括的环境参数分别为X1、X2、…XM,并记录步骤S200终于分别根据X1、X2、…XM计算出的热点温度值Y1、Y2、…YM；
S420、通过实际测量的方式获得分别与X1、X2、…XM所对应的变压器真实温度值Z1、Z2、…ZM；
S430、根据Y1、Y2、…YM和Z1、Z2、…ZM拟合出预测曲线；
S430、从所述测试集中选取环境参数Xe,并将步骤S200中计算出的与环境参数Xe对应的热点温度值Ye与步骤S430中拟合出的曲线相对比，若误差小于5℃，则判断计算结果可靠。
9.根据权利要求1至7任意一项所述的变压器负载能力的预测方法，其特征在于：
在步骤S100建立三维变压器模型的过程中忽略变压器中的结构件；
和/或，将绕组等效成圆筒形；
和/或，设铁芯完全对称；
和/或，设结构件材料认为均匀、各向同性。
10.根据权利要求1至7任意一项所述的变压器负载能力的预测方法，其特征在于：
在步骤S200中输入的环境参数X包括：变压器运行时的负载率和环境温度和变压器所采用绝缘油的动力粘度、密度、传热系数和恒压温度。
CN202110971554.6A 2021-08-24 2021-08-24 一种变压器负载能力的预测方法 Active CN113552438B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110971554.6A CN113552438B (zh) 2021-08-24 2021-08-24 一种变压器负载能力的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110971554.6A CN113552438B (zh) 2021-08-24 2021-08-24 一种变压器负载能力的预测方法

Publications (2)

Publication Number Publication Date
CN113552438A true CN113552438A (zh) 2021-10-26
CN113552438B CN113552438B (zh) 2024-04-05

Family

ID=78105983

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110971554.6A Active CN113552438B (zh) 2021-08-24 2021-08-24 一种变压器负载能力的预测方法

Country Status (1)

Country Link
CN (1) CN113552438B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101227100B1 (ko) * 2011-09-06 2013-01-29 한국전력공사 변압기용 냉각기 제어장치
WO2015027127A1 (en) * 2013-08-23 2015-02-26 Abb Inc. Oil-immersed transformed thermal monitoring and prediction system
JP2017049674A (ja) * 2015-08-31 2017-03-09 富士通株式会社 予測性能曲線推定プログラム、予測性能曲線推定装置および予測性能曲線推定方法
CN106874534A (zh) * 2016-12-28 2017-06-20 国网内蒙古东部电力有限公司检修分公司 一种变压器过载能力评估方法
CN107843791A (zh) * 2017-11-06 2018-03-27 西安交通大学 一种基于温升特性的变压器负荷能力评估方法
KR20200003318A (ko) * 2018-06-20 2020-01-09 한양대학교 산학협력단 전기차 충전전력을 고려한 배전 변전소 변압기의 열화 및 잔여수명 예측 방법 및 그 시스템
CN110991011A (zh) * 2019-11-14 2020-04-10 广东电网有限责任公司 一种变压器实时热点温度预测方法
AU2020101854A4 (en) * 2020-08-17 2020-09-24 China Communications Construction Co., Ltd. A method for predicting concrete durability based on data mining and artificial intelligence algorithm
CN111709136A (zh) * 2020-06-16 2020-09-25 国网山东省电力公司威海供电公司 一种计算在不同外界环境温度下电力变压器绝缘老化程度的方法
CN112115628A (zh) * 2020-08-18 2020-12-22 河海大学 基于油浸式变压器温度场分布计算的热点温度检测方法
CN113238131A (zh) * 2021-07-13 2021-08-10 北方夜视科技(南京)研究院有限公司 基于深度学习的绝缘子电晕放电状态评估方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101227100B1 (ko) * 2011-09-06 2013-01-29 한국전력공사 변압기용 냉각기 제어장치
WO2015027127A1 (en) * 2013-08-23 2015-02-26 Abb Inc. Oil-immersed transformed thermal monitoring and prediction system
JP2017049674A (ja) * 2015-08-31 2017-03-09 富士通株式会社 予測性能曲線推定プログラム、予測性能曲線推定装置および予測性能曲線推定方法
CN106874534A (zh) * 2016-12-28 2017-06-20 国网内蒙古东部电力有限公司检修分公司 一种变压器过载能力评估方法
CN107843791A (zh) * 2017-11-06 2018-03-27 西安交通大学 一种基于温升特性的变压器负荷能力评估方法
KR20200003318A (ko) * 2018-06-20 2020-01-09 한양대학교 산학협력단 전기차 충전전력을 고려한 배전 변전소 변압기의 열화 및 잔여수명 예측 방법 및 그 시스템
CN110991011A (zh) * 2019-11-14 2020-04-10 广东电网有限责任公司 一种变压器实时热点温度预测方法
CN111709136A (zh) * 2020-06-16 2020-09-25 国网山东省电力公司威海供电公司 一种计算在不同外界环境温度下电力变压器绝缘老化程度的方法
AU2020101854A4 (en) * 2020-08-17 2020-09-24 China Communications Construction Co., Ltd. A method for predicting concrete durability based on data mining and artificial intelligence algorithm
CN112115628A (zh) * 2020-08-18 2020-12-22 河海大学 基于油浸式变压器温度场分布计算的热点温度检测方法
CN113238131A (zh) * 2021-07-13 2021-08-10 北方夜视科技(南京)研究院有限公司 基于深度学习的绝缘子电晕放电状态评估方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
YIBO JIN 等: "Research of Accurate Digital Integrator for Rogowski Coil Current Transformer", 《 2019 IEEE 2ND INTERNATIONAL CONFERENCE ON ELECTRONICS AND COMMUNICATION ENGINEERING (ICECE)》, 9 April 2020 (2020-04-09), pages 249 - 255 *
冯政松 等: "谐波电流下干式变压器温升及带负载能力的研究", 《电力系统及其自动化学报》, vol. 29, no. 12, 31 December 2017 (2017-12-31), pages 69 - 75 *
冯政松 等: "谐波电流下干式变压器温升及带负载能力的研究", 《电力系统及其自动化学报》, vol. 29, no. 12, pages 69 - 75 *
陈伟根 等: "基于遗传优化支持向量机的变压器绕组热点温度预测模型", 《电工技术学报》, vol. 29, no. 1, 31 January 2014 (2014-01-31), pages 44 - 49 *
陈伟根 等: "基于遗传优化支持向量机的变压器绕组热点温度预测模型", 《电工技术学报》, vol. 29, no. 1, pages 44 - 49 *

Also Published As

Publication number Publication date
CN113552438B (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
CN110991011B (zh) 一种变压器实时热点温度预测方法
CN110276140B (zh) 对电磁铁响应时间的预测方法
CN111461922A (zh) 一种基于极限学习机的变压器热点温度实时预测方法
CN115221798B (zh) 一种电池热过程时空建模预测方法、系统、设备及介质
CN108120521A (zh) 变压器绕组热点温度预测方法及终端设备
CN107392352A (zh) 一种基于融合极限学习机的电池未来温度预测方法及系统
CN108121215A (zh) 基于全回路重构仿真的工业控制回路性能评价方法及装置
KR20210120059A (ko) 모의전지 구축 방법 및 모의전지 구축 장치
CN111898856B (zh) 基于极限学习机的物理-数据融合楼宇的分析方法
CN108717505A (zh) 一种基于k-rvfl的固化热过程时空建模方法
CN115186555A (zh) 基于数字孪生的干燥设备实况仿真方法及相关设备
CN117195747B (zh) 一种磁性材料烘干用均匀热分布优化方法
CN113552438A (zh) 一种变压器负载能力的预测方法
CN105760571A (zh) 电热变模温注塑模具加热系统设计方法
Revati et al. Facilitating energy-efficient operation of smart building using data-driven approaches
CN106067075B (zh) 一种建筑用能负荷预测模型建立、负荷预测方法及其装置
CN110298385A (zh) 一种基于*信息与增量svdd在线早期故障检测方法
CN113466710B (zh) 含新能源受端电网中储能电池的soc与soh协同估算方法
CN106202918B (zh) 一种高炉铁水硅含量在线估计方法及系统
Wen et al. Development and validation of online parameter estimation for HVAC systems
CN113361586A (zh) 一种基于神经网络的功率器件在线老化检测方法及系统
Pandiyan et al. Physics-Informed Neural Network Model for Flexibility Modeling of Electric Water Heaters
CN105243178B (zh) 量化循环流化床锅炉给煤热量释放时间系统及方法
CN117313794A (zh) 基于boa-lstm算法的变压器顶层油温预测方法
Abdufattokhov et al. Predictive and probabilistic modelling using machine learning for building indoor climate control

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