CN114428803A - 空压站运行优化方法、系统、存储介质及终端 - Google Patents

空压站运行优化方法、系统、存储介质及终端 Download PDF

Info

Publication number
CN114428803A
CN114428803A CN202011184656.5A CN202011184656A CN114428803A CN 114428803 A CN114428803 A CN 114428803A CN 202011184656 A CN202011184656 A CN 202011184656A CN 114428803 A CN114428803 A CN 114428803A
Authority
CN
China
Prior art keywords
real
data
air
compression station
air compression
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
CN202011184656.5A
Other languages
English (en)
Other versions
CN114428803B (zh
Inventor
侯志昌
李德伟
杨国瑞
曾诚
丁红信
何然然
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.)
Hansen Intelligent Technology Shanghai Co ltd
Shanghai Bidi Data Technology Co ltd
Shanghai Puhao Energy Saving And Environmental Protection Technology Co ltd
Original Assignee
Hansen Intelligent Technology Shanghai Co ltd
Shanghai Bidi Data Technology Co ltd
Shanghai Puhao Energy Saving And Environmental Protection Technology 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 Hansen Intelligent Technology Shanghai Co ltd, Shanghai Bidi Data Technology Co ltd, Shanghai Puhao Energy Saving And Environmental Protection Technology Co ltd filed Critical Hansen Intelligent Technology Shanghai Co ltd
Priority to CN202011184656.5A priority Critical patent/CN114428803B/zh
Publication of CN114428803A publication Critical patent/CN114428803A/zh
Application granted granted Critical
Publication of CN114428803B publication Critical patent/CN114428803B/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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/258—Data format conversion from or to a database
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • 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
    • G06N3/08—Learning methods
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供一种空压站运行优化方法、系统、存储介质及终端；所述方法包括以下步骤：获取空压站运行现场的实时数据；对实时数据进行周期性分析，以实现将实时数据的周期性从时序流中独立出来；搭建运行控制回归模型，以基于周期性分析和运行控制回归模型，实现对空压站的运行控制；本发明通过对空压站运行现场实时采集的数据进行建模，并根据模型对用户的后续用气量进行估计及根据用户流量的大小对空压站的输出流量进行分析，同时结合空压机的性能参数以及实时采集到的空压站运行状态，计算出每个空压机的设定压力，最终实现对存在放散的空压机的实时最优控制，减少空压机因放散带来的能源浪费，达到了有效节能的效果。

Description

空压站运行优化方法、系统、存储介质及终端
技术领域
本发明属于控制工程技术领域，特别是涉及一种空压站运行优化方法、系统、存储介质及终端。
背景技术
如今在工业生产中，数据资源也逐渐成为一类重要的生产要素，随着科技的不断发展，更多的智能设备加入了工业生产中，也产生了海量数据，飞速增长的数据量对多源、高维、广分布、多模态的数据采集、存储及应用都提出了全新的挑战，大数据思维也就应运而生，它并不仅仅局限于基于传统逻辑推理的数学建模研究方法，而是更多地融入了分类、聚类、关联分析、差异比较、深度学习等先进的数据统计和分析方法，从数据集之间隐藏的关联性着手来解决问题。
在工业生产过程中，空压机会产生不必要的气体放散，造成能源的浪费，因此，如何减少工业生产中空压机不必要的气体放散，以达到节能的效果，成为本领域技术人员亟待解决的技术问题。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种空压站运行优化方法、系统、存储介质及终端，用于解决现有工业生产过程中，空压机因不必要的气体放散带来的能源浪费的问题。
为实现上述目的及其他相关目的，本发明提供一种空压站运行优化方法，包括以下步骤：获取所述空压站运行现场的实时数据；对所述实时数据进行周期性分析，以实现将所述实时数据的周期性从时序流中独立出来；搭建运行控制回归模型，以基于所述周期性分析和所述运行控制回归模型，实现对所述空压站的运行控制。
于本发明的一实施例中，还包括：对所述实时数据进行预处理；对所述实时数据进行预处理包括以下步骤：对所述实时数据进行缺失数据补齐处理；对所述实时数据进行平滑去噪处理；对所述实时数据进行数值转换处理。
于本发明的一实施例中，对所述实时数据进行周期性分析，以实现将所述实时数据的周期性从时序流中独立出来包括以下步骤：对所述实时数据进行周期寻找，获取所述实时数据的固有周期；以所述固有周期为基础，对所述实时数据进行周期分离，以实现将所述实时数据的周期性从时序流中独立出来。
于本发明的一实施例中，所述空压站内包括多个空压机；基于所述周期性分析和所述运行控制回归模型，实现对所述空压站的运行控制包括以下步骤：根据所述周期性分析，从所述实时数据中选取目标数据；构建不同所述空压机与不同用户之间的关联关系，获取第一关联数据；构建不同所述空压机之间的关联关系，获取第二关联数据；将所述目标数据、所述第一关联数据及所述第二关联数据输入至所述运行控制回归模型，预测后续所述用户的用气量；根据所述用气量获取对应每一所述空压机的产气量，以根据所述产气量，实现控制所述空压机，进而实现对所述空压站的运行控制。
于本发明的一实施例中，根据所述用气量获取对应每一所述空压机的产气量，以根据所述产气量，实现控制所述空压机包括以下步骤：根据所述用气量初步预测对应每一所述空压机的输出流量；利用所述实时数据，修正所述输出流量，以获取所述产气量；根据空压机输出流量与空压机控制压力之间的对应关系及所述产气量，计算得到所述空压机的控制压力，以根据所述控制压力，实现对所述空压机的控制。
于本发明的一实施例中，所述运行控制回归模型采用基于深度学习的卷积神经网络模型；所述运行控制回归模型包括：卷积网络、输入层、隐藏层及输出层；其中，所述卷积网络包括至少一卷积层和至少一池化层，所述卷积层和所述池化层交替设置，且所述卷积网络的第一层为所述卷积层，所述卷积网络的最后一层为所述池化层；所述卷积网络的输出端与所述输入层的输入端连接，所述输入层的输出端与所述隐藏层的输入端连接，所述隐藏层的输出端与所述输出层连接。
于本发明的一实施例中，还包括：对所述运行控制回归模型进行训练，以基于训练好的运行控制回归模型，实现对所述空压站的运行控制；所述运行控制回归模型采用ReLU激活函数和使用L2范数正则化的损失函数，并采用Adam算法对所述运行控制回归模型进行训练。
本发明提供一种空压站运行优化系统，包括：数据获取模块、周期性分析模块及模型搭建模块；所述数据获取模块用于获取所述空压站运行现场的实时数据；所述周期性分析模块用于对所述实时数据进行周期性分析，以实现将所述实时数据的周期性从时序流中独立出来；所述模型搭建模块用于搭建运行控制回归模型，以基于所述周期性分析和所述运行控制回归模型，实现对所述空压站的运行控制。
本发明提供一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的空压站运行优化方法。
本发明提供一种终端，包括：处理器及存储器；所述存储器用于存储计算机程序；所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行上述的空压站运行优化方法。
如上所述，本发明所述的空压站运行优化方法、系统、存储介质及终端，具有以下有益效果：
与现有技术相比，本发明针对空压机的控制问题，提出了一套完善可行的基于数据驱动的控制优化策略，通过对空压站运行现场实时采集的数据进行建模，并根据模型对用户的后续用气量进行估计及根据用户流量的大小对空压站的输出流量进行分析，同时结合空压机的性能参数以及实时采集到的空压站运行状态，计算出空压站内的每个空压机的设定压力，在这个设定压力的基础上，最终实现对存在放散的空压机的实时最优控制，减少空压机因放散带来的能源浪费，达到了有效节能的效果。
附图说明
图1显示为本发明的空压站运行优化方法于一实施例中的流程图。
图2显示为本发明的对实时数据进行预处理于一实施例中的流程图。
图3显示为本发明的对实时数据进行周期性分析于一实施例中的流程图。
图4显示为本发明的运行控制回归模型于一实施例中的结构示意图。
图5显示为本发明的基于周期性分析和运行控制回归模型，实现对空压站的运行控制于一实施例中的流程图。
图6显示为本发明的宝钢湛江的管道网络于一实施例中的结构示意图。
图7显示为本发明的运行控制回归模型的输入二维核基底于一实施例中的结构示意图。
图8显示为本发明的根据用气量获取对应每一空压机的产气量，以根据产气量，实现控制空压机于一实施例中的流程图。
图9显示为本发明的空压站运行优化系统于一实施例中的结构示意图。
图10显示为本发明的终端于一实施例中的结构示意图。
图11显示为本发明的空压站运行优化方法应用于一实施例中的实际操作界面图。
标号说明
91 数据获取模块
92 周期性分析模块
93 模型搭建模块
11 处理器
12 存储器
S1～S3 步骤
SA1～SA3 步骤
S21～S22 步骤
S31～S35 步骤
S351～S353 步骤
具体实施方式
以下通过特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
本发明的空压站运行优化方法、系统、存储介质及终端，与现有技术相比，本发明针对空压机的控制问题，提出了一套完善可行的基于数据驱动的控制优化策略，通过对空压站运行现场实时采集的数据进行建模，并根据模型对用户的后续用气量进行估计及根据用户流量的大小对空压站的输出流量进行分析，同时结合空压机的性能参数以及实时采集到的空压站运行状态，计算出空压站内的每个空压机的设定压力，在这个设定压力的基础上，最终实现对存在放散的空压机的实时最优控制，减少空压机因放散带来的能源浪费，达到了有效节能的效果。
如图1所示，于一实施例中，本发明的空压站运行优化方法(也可称为空压站运行控制方法，实质上是提供了一种对空压站内空压机的控制方案)包括以下步骤：
步骤S1、获取所述空压站运行现场的实时数据。
具体地，在空压站工作过程中，空压站运行现场的各种传感器会采集该实时数据，并将该数据保存在数据库中，以便从该数据库中获取该实时数据。
需要说明的是，采用SQL Server作为该数据库；该实时数据都是实时采集获取的，通过SQL Server进行数据交互；其中，通过传感器获得的所有空压站、管网和用户信号都存储在数据库中，空压机优化程序从数据库中读取这些数据用于控制信号的计算，同时，经过后续计算的输出的控制信号除了下发到空压站以外，所有控制信号也在该数据库予以备份。
需要说明的是，该实时数据包括两部分，一部分是指用户数据，即气体使用侧的相关信息，包括但并不限于用户需求的流量变化数据和用户需求的压力变化数据；另一部分是指空压机数据，即气体产出侧的数据信息，包括但并不限于所述空压机的流量变化数据和所述空压机的压力变化数据。
进一步地，气体使用侧的数据类型相对简单，包含“时间列”、“用户名”及“气流量”等数据；气体产出侧的数据类型较多，包括“时间列”、“空压机编号”、“气流量”、“空压机进气阀开度”、“空压机卸放阀开度”、“空压机系统压力”、“空压机三级排气压力”、“空压机油压”、“空压机一级振动”、“空压机二级振动”、“空压机三级振动”、“空压机油温”、“空压机电机负载端轴承温度”、“空压机电机非负载端温度”、“空压机电机R相绕阻温度”、“空压机三级进气温度”及“空压机电机电流”等类型的数据，这些数据都是通过管道、设备的传感器测量获得的。
步骤S2、对所述实时数据进行周期性分析，以实现将所述实时数据的周期性从时序流中独立出来。
需要说明的是，通过传感器采集的数据存在一定的干扰现象，会导致数据存在缺失和噪声问题，从而产生数据缺失或尖刺数据的现象；同时，不同数据源采集的数据还存在一定的单位不统一现象。
进一步地，在该实时数据中，数据缺失主要源于两个方面，一个是由于设备断电维护、传感器受到环境干扰等问题，在数据采集端出现了数据缺失的情况，这类数据缺失主要集中在空压机相关的数据中，但是总体的缺失量并不多；另一个是在数据的传输、导入的过程中，由于存储格式、时间标签等问题，从而产生数据缺失问题，这类数据缺失主要发生在用户侧，主要原因是用户的不同用户的数据采集时间、频率不统一，导致数据在存储到数据库中，需要对数据进行时间戳对齐，从而在标准化的存储过程中会出现数据缺失问题。
如图2所示，于一实施例中，在对所述实时数据进行周期性分析之前，还包括对所述实时数据进行预处理，以解决该实时数据存在缺失、噪声及单位不统一的问题。
具体地，对所述实时数据进行预处理包括以下步骤：
步骤SA1、对所述实时数据进行缺失数据补齐处理。
具体地，在缺失数据补全方面，采用滑动窗口法，结合历史数据统计对缺失数据进行修正。
需要说明的是，滑动窗口(Sliding window)是一种常用的时间序列缺失数据补齐的方法，该方法限制了参与缺失数据补齐的输入数据区间范围，剔除了其他序列切片中噪声的影响，为了提升数据修复的可靠性，通过利用分钟、小时和天这三个单位量级宽度的滑动窗口，再结合历史统计数据，实现了对缺失补齐量的合理修正。
步骤SA2、对所述实时数据进行平滑去噪处理。
需要说明的是，由于采集到的该实时数据存在一定的毛刺、抖动现象，所以，还需要对该实时数据进行数据平滑处理；常用的数据平滑有均值平滑、指数平滑和高斯平滑。
优选地，考虑到高斯平滑不会产生数据的丢失，即数值的总量不会改变，这样保证了数据的完整性，且高斯平滑可以保留数据的节点波动特征，所以，选取高斯平滑的方法；具体地，采用分钟和小时两类宽度的高斯窗口，将毛刺数据在不同的数据宽度上进行平滑处理，从而提高了平滑处理结果的可靠性。
步骤SA3、对所述实时数据进行数值转换处理。
具体地，该数值转换处理包括单位转换和时间戳转换。
需要说明的是，单位转换比较常规，就是指根据不同数据库表内的数据单位，进行单位格式的统一；以宝钢湛江为例，空压机的流量采用的是标准单位，为N*m3/min，而数据库中则根据日常使用习惯，使用公斤作为产气量的单位，而流量的评估周期也是小时，即数据库中的单位是kg*g*m3/h，这里的g是重力加速度；这里的单位转换会对这些数据都进行单位的统一；具体地，采用标准单位制。
需要说明的是，时间戳转换是指当数据采样的频率不一样的时候，需要将数据的频率统一，这样才能用于数据分析；例如用户数据的采样频率通常为1min一次，而空压机的采样频率大约为6s一次，两者并不统一，所以，就需要进行时间戳转换；具体地，将空压机1min内的10次采样数据做一个均值滤波，即可和用户的采样频率统一起来，并用于后续的周期性分析。
优选地，步骤SA1至步骤SA3按照顺序执行，即先对该实时数据进行缺失数据补齐处理，获取第一数据；然后对该第一数据进行平滑去噪处理，获取第二数据；最后再对该第二数据进行数值转换处理，获取最终的数据。需要说明的是，该步骤S2中对实时数据的周期性分析，即指对该最终的数据的周期性分析。
需要说明的是，周期性分析是模型搭建的基础，现有的数据都存在时序特征，而周期性是时序特征的核心；周期性分析就是把各类数据的周期性从时序流中独立出来，这样既可以对周期性单独分析，又可以对剥离周期性的数据进行关联分析。
进一步地，无论是空压机的流量变化、压力变化，还是用户需求的流量、压力变化，本质上都是时间序列，即它们都随着时间的推进不断变化，时间序列分析的关键就在于其周期性分析；在做外部影响因素与实时数据的关联分析之前，首先需要剥离它们自身的周期循环变化；而周期性变化本身，又需要独立出来建立变化模型。
于一实施例中，将该周期性分析分为两个部分：第一是寻找固有周期(内循环周期)，第二是将周期数据独立出来。
如图3所示，于一实施例中，对所述实时数据进行周期性分析，以实现将所述实时数据的周期性从时序流中独立出来包括以下步骤：
步骤S21、对所述实时数据进行周期寻找，获取所述实时数据的固有周期。
需要说明的是，寻找固有周期，即将最小周期分离出来，在时间序列较短的时候处理较为简单，但在复杂数据层面，就需要专门的数学方法了。
优选地，采用自相关函数ACF(autocorrelation function)和偏相关函数PACF(partial autocorrelation function)对不同时间跨度的序列进行周期寻找，以获取该固有周期。
需要说明的是，自相关函数ACF描述的是时间序列观测值与其过去的观测值之间的线性相关性，而偏相关函数PACF描述的是在给定中间观测值的条件下，时间序列观测值预期过去的观测值之间的线性相关性；这两者的区别在于，偏相关函数中不考虑两个数据中间时刻数据的影响，而自相关函数会包含这一影响；对于用户数据变化来说，由于用户数据的时间序列是跟随用户习惯和生产计划等周期性变化，所以这里选用PACF来寻找序列周期；而对空压机流量、压力变化问题中，由于设定压力和流量等关联存在一定滞后性，所以需要将滞后项引入周期分离算法中，这里采用ACF来寻找时间序列的周期；具体地，这两类函数的定义如下：
给定时间序列Xt，其长度为N，其样本自协方差rk和样本自相关系数pk分别定义如下：
Figure BDA0002751081970000071
Figure BDA0002751081970000072
其中，k＝0，1，2，…，N-1。
偏自相关函数通过解下式方程得到：
Figure BDA0002751081970000081
其中，fkn(n＝1，2，…，k)就是时间序列的偏自相关函数。
步骤S22、以所述固有周期为基础，对所述实时数据进行周期分离，以实现将所述实时数据的周期性从时序流中独立出来。
优选地，在周期分离阶段，采用STL(Seasonal and Trend decomposition usingLoess)分解法，仅分离数据的周期性而保留数据的趋势性和余项特征。
需要说明的是，STL是以鲁棒局部加权回归作为平滑方法的时间序列分解方法，其中Loess(locally weighted scatterplot smoothing)为局部多项式回归拟合，是进行平滑的常用方法，它结合了传统线性回归的简洁性和非线性回归的灵活性；当要估计某个响应变量值时，先从其预测变量附近取一个数据子集，然后对该子集进行线性回归或二次回归，回归时采用加权最小二乘法，即越靠近估计点的值其权重越大，最后利用得到的局部回归模型来估计响应变量的值，用这种方法进行逐点运算得到整条拟合曲线。
以用户的用气量为例，因为昼夜24小时循环，每周七天工作日和休息日的循环，用户的用气也遵循这样的循环规律，通过STL分解，可以得到每个用户的周期特征，这些周期特征可以用作运行控制回归模型的输入；比如，通过STL分解得知用户有着24小时的循环，那么今天的早上九点和前一天的早上九点的用气量有着相似性，那么通过前一天同一时刻的用气量来推断今天同一时刻的用气量就非常合理。
步骤S3、搭建运行控制回归模型，以基于所述周期性分析和所述运行控制回归模型，实现对所述空压站的运行控制。
于一实施例中，所述运行控制回归模型采用基于深度学习的卷积神经网络模型(CNN)。
如图4所示，所述运行控制回归模型包括卷积网络、输入层(Input Layer)、隐藏层(Hidden Layers)及输出层(Output Layer)；其中，所述卷积网络包括至少一卷积层(Convolution)和至少一池化层(Pooling)，所述卷积层和所述池化层交替设置，且所述卷积网络的第一层为所述卷积层，所述卷积网络的最后一层为所述池化层；所述卷积网络的输出端与所述输入层的输入端连接，所述输入层的输出端与所述隐藏层的输入端连接，所述隐藏层的输出端与所述输出层连接。
于一实施例中，还包括对所述运行控制回归模型进行训练，以基于训练好的运行控制回归模型，实现对所述空压站的运行控制。
需要说明的是，在训练过程中，将所有历史数据输入到该运行控制回归模型，该运行控制回归模型会扫描每一层的数据，在卷积层提取特征，在池化层收束特征，在每个神经元中，采用ReLU激活函数，损失函数中，除了历史和估计值之差以外，加入L2作为正则化函数，借以避免过拟合现象，在最小化损失函数的过程中，采用Adam算法，同时往方差和均值两个方面追求最优超参数。
如图5所示，于一实施例中，所述空压站内包括多个空压机；基于所述周期性分析和所述运行控制回归模型，实现对所述空压站的运行控制包括以下步骤：
步骤S31、根据所述周期性分析，从所述实时数据中选取目标数据。
具体地，根据该周期性分析，确定了该实时数据的固有周期，并对该实时数据进行了周期分离，以实现从该实时数据中选取用于后续预测用户用气量的目标数据；诸如，该实时数据的固有周期为24小时，那么为预测今天某一时刻的用气量，可选取前一天同一时刻的用气量作为该目标数据。
步骤S32、构建不同所述空压机与不同用户之间的关联关系，获取第一关联数据。
需要说明的是，设定压力和用户流量、管道压力存在关联性，最直接的关联就是，用户用气增加，空压机的输出气增加，设定压力也相应提升，不过因为用户位置和空压站位置之间存在一定的距离关系，每个用户的用气量变化对不同的空压站影响不同；具体地，为探寻这类关联，采用时间序列关联分析方法，通过皮尔森关联系数分配不同关联权重，在离散问题中，皮尔森系数的公式可以写成：
Figure BDA0002751081970000091
其中，X表示外部因素数据；Xi表示第i个采样节点的外部影响数据X的取值；
Figure BDA0002751081970000092
表示所有X的平均值；Y表示目标数据，Yi表示第i个采样节点的目标数据Y的取值；
Figure BDA0002751081970000093
表示所有Y的平均值；n表示数据长度。
需要说明的是，该皮尔森系数r的取值在-1到1之间；其中，1代表两者完全一致；-1代表两者完全相反；0代表两者毫无关联；r大于0.75或者小于-0.75，代表两者存在强关联(负强关联也是强关联的一种)；该皮尔森系数用作了该运行控制回归模型的输入参数。
步骤S33、构建不同所述空压机之间的关联关系，获取第二关联数据。
需要说明的是，在不同空压站之间的数据关联问题上，对空压机的压力变化建立马尔科夫链，建立关联模型。
需要说明的是，在机器学习算法中，马尔科夫链(Markov chain)是个很重要的概念，马尔科夫链(Markov chain)，又称离散时间马尔科夫链(discrete-time Markovchain)，为状态空间中经过从一个状态到另一个状态的转换的随机过程，在马尔科夫链的每一步，控制系统根据概率分布，可以从一个状态变到另一个状态，也可以保持当前状态，状态的改变叫做转移，与不同的状态改变相关的概率叫做转移概率；于本实施例中，将多个逸散、升压、降压等状态作为马尔科夫链状态变化单元，利用历史数据训练出状态转移矩阵，将不同空压机的状态转移相关联起来，计算所得到的状态转移关系，被用作该运行控制回归模型输入的另一个重要组成部分。
需要说明的是，步骤S32、步骤S33的执行步骤没有一定的先后顺序，只要保证最终能够获取该第一关联数据和该第二关联数据即可，而先获取哪一个数据，或者是同时获取这两个数据，不作为限制本发明的条件。
步骤S34、将所述目标数据、所述第一关联数据及所述第二关联数据输入至所述运行控制回归模型，预测后续所述用户的用气量。
需要说明的是，将步骤S32中的第一关联数据和步骤S33中的第二关联数据作为两个全新的输入维度，输入至该运行控制回归模型中，实现了输入维度的扩展，更多维度的输入数据增加了该运行控制回归模型的鲁棒性，从而提升了其输出数据的准确性。
进一步地，预测的对象，用气量，有两个特征，一是预测对象的集群性，二是预测对象的时间序列连续性。
集群性，即预测对象相互之间有所关联；如图6所示，以宝钢湛江为例，从图6中可以看出，用气用户是分布在管网的各个节点上，并且整个管网通过几条主干道互相连接，形成了一个大的环网，所以，虽然用户本身的用气量是相互独立的，但是因为环网管道的气压平衡，最终不同用户之间的用气量是相互影响的，所以在建立运行控制回归模型的时候，需要将用户之间的集群效应考虑进来，作为一个重要特征输入，同时，空压站也是通过大的环网相互连通的，所以考虑用户的集群效应对处理空压站的集群效应有着巨大的帮助。
时间序列连续性，即用户的用气量本身是一个连续时间序列，不会产生突变，同时，由于人类活动的客观原因，用气量也存在周期性和趋势性，所以在进行运行控制回归模型学习的时候，用户用气的整个时间序列变化是另一个重要的特征。
优选地，在运行控制回归模型的输入端，为了最大化地利用预测对象的集群性与时间序列性这两个特征，将用户ID和时间作为一组二维核基底。
如图7所示，横坐标表示时间，纵坐标表示用户ID；图中每个网格的颜色深度代表用户的历史用气量，在数据卷积的过程中，采用纵向长度的卷积核可以提高数据在集群性方面的特征识别能力，采用横向长度的卷积核可以提高数据在时间序列方面的特征识别能力。
需要说明的是，除了集群性和时间序列特征以外，该运行控制回归模型在输入层的信息可以分为自然属性和交叉属性两大类；其中，自然属性包含温度、用户历史数据、管道压力、管道流量、空压机状态等直接从传感器获得的信息；交叉属性包括数据建模模块获得的空间关联和时间关联信息，这里的每一类信息都作为一个新维度，时间和用户构成一个平面基底，每一个新维度都代表一个新层，多个维度层层叠加，形成了整个运行控制回归模型的输入网络，运行控制回归模型的输出，就是下一个时间段用户的用气量。
步骤S35、根据所述用气量获取对应每一所述空压机的产气量，以根据所述产气量，实现控制所述空压机，进而实现对所述空压站的运行控制。
如图8所示，于一实施例中，根据所述用气量获取对应每一所述空压机的产气量，以根据所述产气量，实现控制所述空压机包括以下步骤：
步骤S351、根据所述用气量初步预测对应每一所述空压机的输出流量。
优选地，依据皮尔森关联系数，计算得到每一台空压机的输出流量，并将这个流量值作为一个基准。
具体地，以1号空压站为例，首先对1号空压站的流量以及所有用户的用气量数据进行归一化处理，接着对1号空压站，与所有用户都计算皮尔森相关系数，记作P＝[p1,p2,p3,…pn]T，式中，p1表示1号空压站和用户1之间的皮尔森系数，n为用户总数，然后，根据所有的历史数据，训练关系式：
Qbase＝A×P×U；
其中，Qbase表示历史数据中的1号空压机流量；U表示历史用户用气量数据；A表示关联系数矩阵，采用最小二乘法训练计算得到；在对历史数据训练之后，可以得到关联系数矩阵A；空压站用气预测阶段，在新的用户用气采样数据U’过来以后，可以通过计算得到空压站的产气量Q’base，公式如下：
Q′base＝A×P×U′；
这样，空压站输出流量的初步预测就完成了。
步骤S352、利用所述实时数据，修正所述输出流量，以获取所述产气量。
具体地，空压站输出量的精准预测值Q的计算公式如下：
Q＝(1-k)×Qbase+k×Qt-1；
其中，k表示权重系数；t-1表示上一个采样周期；Q包含了两个部分，一个是初步预测，另一个是前一个采样周期通过传感器获得的精准产气量。
需要说明的是，权重系数k在每一次迭代过程中都会更新，计算公式如下：
Figure BDA0002751081970000121
需要说明的是，该公式的理论依据是，空压站的产气量本身也是一个时间序列，不会产生突变，所以采用权重系数，利用上一个时刻采样获得的精准产气量来对预测值进行结果修正，有着重要的参考意义，修正权重系数，可以采用上一个采样周期的精准产气量来计算得到。
这样，就得到一个较为准确的空压站产气量估计值(产气量)了。
步骤S353、根据空压机输出流量与空压机控制压力之间的对应关系及所述产气量，计算得到所述空压机的控制压力(控制信号)，以根据所述控制压力，实现对所述空压机的控制。
具体地，根据空压机的性能手册标注即可计算得到对应的控制压力，在这个控制压力的基础上，对存在放散的空压机，实行梯度降压的实时控制方法，减少因放散带来的能源浪费。
如图11所示，将该空压站运行优化方法应用于宝钢湛江钢厂这一具体的实际应用场景中，用于实现对宝钢湛江钢厂的能效管理。
需要说明的是，本发明所述的空压站运行优化方法的保护范围不限于本实施例列举的步骤执行顺序，凡是根据本发明的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本发明的保护范围内。
如图9所示，于一实施例中，本发明的空压站运行优化系统包括数据获取模块91、周期性分析模块92及模型搭建模块93。
所述数据获取模块91用于获取所述空压站运行现场的实时数据。
所述周期性分析模块92用于对所述实时数据进行周期性分析，以实现将所述实时数据的周期性从时序流中独立出来。
所述模型搭建模块93用于搭建运行控制回归模型，以基于所述周期性分析和所述运行控制回归模型，实现对所述空压站的运行控制。
需要说明的是，所述数据获取模块91、所述周期性分析模块92及所述模型搭建模块93的结构及原理与上述空压站运行优化方法中的步骤一一对应，故在此不再赘述。
需要说明的是，应理解以上系统的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，x模块可以为单独设立的处理元件，也可以集成在上述系统的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述系统的存储器中，由上述系统的某一个处理元件调用并执行以上x模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个数字信号处理器(Digital Singnal Processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(Central Processing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
本发明的存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述的空压站运行优化方法。所述存储介质包括：ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
如图10所示，本发明的终端包括处理器11及存储器12。
所述存储器11用于存储计算机程序；优选地，所述存储器12包括：ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
所述处理器11与所述存储器12相连，用于执行所述存储器12存储的计算机程序，以使所述终端执行上述的空压站运行优化方法。
优选地，所述处理器11可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
需要说明的是，本发明的空压站运行优化系统可以实现本发明的空压站运行优化方法，但本发明的空压站运行优化方法的实现装置包括但不限于本实施例列举的空压站运行优化系统的结构，凡是根据本发明的原理所做的现有技术的结构变形和替换，都包括在本发明的保护范围内。
综上所述，本发明的空压站运行优化方法、系统、存储介质及终端，与现有技术相比，本发明针对空压机的控制问题，提出了一套完善可行的基于数据驱动的控制优化策略，通过对空压站运行现场实时采集的数据进行建模，并根据模型对用户的后续用气量进行估计及根据用户流量的大小对空压站的输出流量进行分析，同时结合空压机的性能参数以及实时采集到的空压站运行状态，计算出空压站内的每个空压机的设定压力，在这个设定压力的基础上，最终实现对存在放散的空压机的实时最优控制，减少空压机因放散带来的能源浪费，达到了有效节能的效果；所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种空压站运行优化方法，其特征在于，包括以下步骤：
获取所述空压站运行现场的实时数据；
对所述实时数据进行周期性分析，以实现将所述实时数据的周期性从时序流中独立出来；
搭建运行控制回归模型，以基于所述周期性分析和所述运行控制回归模型，实现对所述空压站的运行控制。
2.根据权利要求1所述的空压站运行优化方法，其特征在于，还包括：对所述实时数据进行预处理；对所述实时数据进行预处理包括以下步骤：
对所述实时数据进行缺失数据补齐处理；
对所述实时数据进行平滑去噪处理；
对所述实时数据进行数值转换处理。
3.根据权利要求1所述的空压站运行优化方法，其特征在于，对所述实时数据进行周期性分析，以实现将所述实时数据的周期性从时序流中独立出来包括以下步骤：
对所述实时数据进行周期寻找，获取所述实时数据的固有周期；
以所述固有周期为基础，对所述实时数据进行周期分离，以实现将所述实时数据的周期性从时序流中独立出来。
4.根据权利要求1所述的空压站运行优化方法，其特征在于，所述空压站内包括多个空压机；基于所述周期性分析和所述运行控制回归模型，实现对所述空压站的运行控制包括以下步骤：
根据所述周期性分析，从所述实时数据中选取目标数据；
构建不同所述空压机与不同用户之间的关联关系，获取第一关联数据；
构建不同所述空压机之间的关联关系，获取第二关联数据；
将所述目标数据、所述第一关联数据及所述第二关联数据输入至所述运行控制回归模型，预测后续所述用户的用气量；
根据所述用气量获取对应每一所述空压机的产气量，以根据所述产气量，实现控制所述空压机，进而实现对所述空压站的运行控制。
5.根据权利要求4所述的空压站运行优化方法，其特征在于，根据所述用气量获取对应每一所述空压机的产气量，以根据所述产气量，实现控制所述空压机包括以下步骤：
根据所述用气量初步预测对应每一所述空压机的输出流量；
利用所述实时数据，修正所述输出流量，以获取所述产气量；
根据空压机输出流量与空压机控制压力之间的对应关系及所述产气量，计算得到所述空压机的控制压力，以根据所述控制压力，实现对所述空压机的控制。
6.根据权利要求1所述的空压站运行优化方法，其特征在于，所述运行控制回归模型采用基于深度学习的卷积神经网络模型；所述运行控制回归模型包括：卷积网络、输入层、隐藏层及输出层；其中，
所述卷积网络包括至少一卷积层和至少一池化层，所述卷积层和所述池化层交替设置，且所述卷积网络的第一层为所述卷积层，所述卷积网络的最后一层为所述池化层；
所述卷积网络的输出端与所述输入层的输入端连接，所述输入层的输出端与所述隐藏层的输入端连接，所述隐藏层的输出端与所述输出层连接。
7.根据权利要求1所述的空压站运行优化方法，其特征在于，还包括：对所述运行控制回归模型进行训练，以基于训练好的运行控制回归模型，实现对所述空压站的运行控制；所述运行控制回归模型采用ReLU激活函数和使用L2范数正则化的损失函数，并采用Adam算法对所述运行控制回归模型进行训练。
8.一种空压站运行优化系统，其特征在于，包括：数据获取模块、周期性分析模块及模型搭建模块；
所述数据获取模块用于获取所述空压站运行现场的实时数据；
所述周期性分析模块用于对所述实时数据进行周期性分析，以实现将所述实时数据的周期性从时序流中独立出来；
所述模型搭建模块用于搭建运行控制回归模型，以基于所述周期性分析和所述运行控制回归模型，实现对所述空压站的运行控制。
9.一种存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7中任一项所述的空压站运行优化方法。
10.一种终端，其特征在于，包括：处理器及存储器；
所述存储器用于存储计算机程序；
所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行权利要求1至7中任一项所述的空压站运行优化方法。
CN202011184656.5A 2020-10-29 2020-10-29 空压站运行优化方法、系统、存储介质及终端 Active CN114428803B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011184656.5A CN114428803B (zh) 2020-10-29 2020-10-29 空压站运行优化方法、系统、存储介质及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011184656.5A CN114428803B (zh) 2020-10-29 2020-10-29 空压站运行优化方法、系统、存储介质及终端

Publications (2)

Publication Number Publication Date
CN114428803A true CN114428803A (zh) 2022-05-03
CN114428803B CN114428803B (zh) 2023-05-26

Family

ID=81309415

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011184656.5A Active CN114428803B (zh) 2020-10-29 2020-10-29 空压站运行优化方法、系统、存储介质及终端

Country Status (1)

Country Link
CN (1) CN114428803B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115234480A (zh) * 2022-09-23 2022-10-25 蘑菇物联技术（深圳）有限公司 空压站的控制的方法、计算设备和计算机可读存储介质
CN115343967A (zh) * 2022-10-19 2022-11-15 蘑菇物联技术（深圳）有限公司 用于对空压站进行仿真控制的方法、设备和介质
CN116792306A (zh) * 2023-07-19 2023-09-22 广州瑞鑫智能制造有限公司 一种数字能源空压站的变频调速系统及其方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107133142A (zh) * 2017-04-18 2017-09-05 浙江大学 一种基于关联分析的监控数据智能采样方法
CN109587713A (zh) * 2018-12-05 2019-04-05 广州数锐智能科技有限公司 一种基于arima模型的网络指标预测方法、装置及存储介质
CN110454372A (zh) * 2019-08-19 2019-11-15 蘑菇物联技术（深圳）有限公司 一种空压站预测性控制的方法
CN111159473A (zh) * 2019-12-25 2020-05-15 天津中科智能识别产业技术研究院有限公司 一种基于深度学习与马尔科夫链的连接的推荐方法
CN111242348A (zh) * 2019-12-30 2020-06-05 安徽先兆科技有限公司 基于时间序列的电气安全监测方法和系统
CN111563028A (zh) * 2020-05-15 2020-08-21 周毅 一种基于时序数据分析的数据中心任务规模预测方法
CN111652427A (zh) * 2020-05-29 2020-09-11 航科院中宇（北京）新技术发展有限公司 一种基于数据挖掘分析的航班到达时刻预测方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107133142A (zh) * 2017-04-18 2017-09-05 浙江大学 一种基于关联分析的监控数据智能采样方法
CN109587713A (zh) * 2018-12-05 2019-04-05 广州数锐智能科技有限公司 一种基于arima模型的网络指标预测方法、装置及存储介质
CN110454372A (zh) * 2019-08-19 2019-11-15 蘑菇物联技术（深圳）有限公司 一种空压站预测性控制的方法
CN111159473A (zh) * 2019-12-25 2020-05-15 天津中科智能识别产业技术研究院有限公司 一种基于深度学习与马尔科夫链的连接的推荐方法
CN111242348A (zh) * 2019-12-30 2020-06-05 安徽先兆科技有限公司 基于时间序列的电气安全监测方法和系统
CN111563028A (zh) * 2020-05-15 2020-08-21 周毅 一种基于时序数据分析的数据中心任务规模预测方法
CN111652427A (zh) * 2020-05-29 2020-09-11 航科院中宇（北京）新技术发展有限公司 一种基于数据挖掘分析的航班到达时刻预测方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
KUNPEN ZHANG等, 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 *
左志宏等: "基于时间序列分解与支持向量回归的短期电力能耗预测研究", 《信息系统工程》 *
韩少剑等: "基于深度学习的混合动力汽车预测能量管理", 《中国公路学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115234480A (zh) * 2022-09-23 2022-10-25 蘑菇物联技术（深圳）有限公司 空压站的控制的方法、计算设备和计算机可读存储介质
CN115234480B (zh) * 2022-09-23 2022-12-27 蘑菇物联技术（深圳）有限公司 空压站的控制的方法、计算设备和计算机可读存储介质
CN115343967A (zh) * 2022-10-19 2022-11-15 蘑菇物联技术（深圳）有限公司 用于对空压站进行仿真控制的方法、设备和介质
CN116792306A (zh) * 2023-07-19 2023-09-22 广州瑞鑫智能制造有限公司 一种数字能源空压站的变频调速系统及其方法
CN116792306B (zh) * 2023-07-19 2023-11-17 广州瑞鑫智能制造有限公司 一种数字能源空压站的变频调速系统及其方法

Also Published As

Publication number Publication date
CN114428803B (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
CN111161535B (zh) 基于注意力机制的图神经网络交通流量预测方法及系统
CN114428803B (zh) 空压站运行优化方法、系统、存储介质及终端
CN112187554B (zh) 一种基于蒙特卡洛树搜索的运维系统故障定位方法和系统
CN111581454A (zh) 基于深度图压缩算法的并行查询表现预测系统及方法
CN114282443B (zh) 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法
Yang et al. A novel general-purpose hybrid model for time series forecasting
Ringsquandl et al. Semantic-guided feature selection for industrial automation systems
CN114218872B (zh) 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法
Zhang et al. Adaptive spatio-temporal graph convolutional neural network for remaining useful life estimation
CN114944053A (zh) 一种基于时空超图神经网络的交通流预测方法
CN113449919A (zh) 一种基于特征和趋势感知的用电量预测方法及系统
Chen et al. Integrating virtual sample generation with input-training neural network for solving small sample size problems: application to purified terephthalic acid solvent system
Xing et al. Research of a novel combined deterministic and probabilistic forecasting system for air pollutant concentration
CN103279679A (zh) 一种基于链式可重写窗口的数据流在线预测方法
CN113793227A (zh) 一种用于社交网络事件的类人智能感知与预测方法
CN115965160B (zh) 一种数据中心能耗预测方法、装置、存储介质及电子设备
CN116578858A (zh) 基于图神经网络的空压机故障预测与健康度评价方法及系统
CN116502774A (zh) 一种基于时间序列分解和勒让德投影的时间序列预测方法
CN116011655A (zh) 基于两阶段智能特征工程的负荷超短期预测方法及系统
CN114943328A (zh) 基于bp神经网络非线性组合的sarima-gru时序预测模型
Wang et al. Research on traffic speed prediction based on wavelet transform and ARIMA-GRU hybrid model
CN118036667A (zh) 一种多源异构流数据预测方法
Mukhtar et al. Deep Learning With Processing Algorithms for Forecasting Tourist Arrivals
Zhou et al. A High-Dimensional Timing Data Cleaning Algorithm for Wireless Sensor Networks.
CN115237976A (zh) 基于tcn-a模型的查询负载预测算法及模型

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