CN114492191A - 基于dbn-svr的热力站设备剩余寿命评估方法 - Google Patents

基于dbn-svr的热力站设备剩余寿命评估方法 Download PDF

Info

Publication number
CN114492191A
CN114492191A CN202210092586.3A CN202210092586A CN114492191A CN 114492191 A CN114492191 A CN 114492191A CN 202210092586 A CN202210092586 A CN 202210092586A CN 114492191 A CN114492191 A CN 114492191A
Authority
CN
China
Prior art keywords
equipment
network
dbn
data
degradation
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
Application number
CN202210092586.3A
Other languages
English (en)
Inventor
时伟
穆佩红
刘成刚
谢金芳
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.)
Zhejiang Yingji Power Technology Co ltd
Original Assignee
Zhejiang Yingji Power 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 Zhejiang Yingji Power Technology Co ltd filed Critical Zhejiang Yingji Power Technology Co ltd
Priority to CN202210092586.3A priority Critical patent/CN114492191A/zh
Publication of CN114492191A publication Critical patent/CN114492191A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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
    • G06F2119/04—Ageing analysis or optimisation against ageing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)

Abstract

本发明属于智慧供热技术领域，具体涉及一种基于DBN‑SVR的热力站设备剩余寿命评估方法，其包括：构建热力站数字孪生模型；根据辨识修正后的热力站数字孪生模型结合热力站实测数据获取初始设备退化数据集；对初始设备退化数据集进行预处理后，并采用DBN网络进行特征提取获取设备退化特征数据集；将设备退化特征数据集作为SVR网络的输入数据，进行热力站设备剩余寿命训练和评估；以及对SVR网络模型参数进行寻优，获得最优参数下的热力站设备剩余寿命评估结果，实现了基于数字孪生模型建立寿命评估基础，且通过DBN‑SVR模型进行特征深度提取和设备寿命精确评估。

Description

基于DBN-SVR的热力站设备剩余寿命评估方法
技术领域
本发明属于智慧供热技术领域，具体涉及一种基于DBN-SVR的热力站设备剩余寿命评估方法。
背景技术
集中供热系统的热力站是供热网路与热用户的连接场所，它的作用是根据热网工况和不同的条件，采用不同的连接方式，将热网输送的热媒加以调节、转换，向热用户系统分配热量以满足用户需求，并根据需要，进行集中计量、检测供热热媒的参数和数量。国内一般对热力站设备的管理都有着一定的管理体系，但是在实际的企业生产过程中，大量的热力站设备由于长期工作、环境变化、频繁起停、设备性能退化等原因，可能会损伤设备的健康度，甚至出现在未到定期维护时间时，设备出现故障，这种现象可能会导致整个热力站出现问题，所以对于热力站设备的剩余使用寿命的评估是极其必要的。
寿命评估是指以机组经济地服役其全寿命为目标，在对设备状态进行检测和评估的基础上优化设备运行与维修管理的新技术，通过寿命评估可以优化热力站的资金投入，降低事故发生率，延长设备的服役寿命。
然而，现有设备剩余寿命评估技术一般是基于设备的时序数据集中的每个时序数据进行模型训练，由于数据量巨大，训练的耗时非常大，导致训练效率极低；若采用少量数据量，训练后的模型精准度极低，难以满足精确评估设备剩余寿命的要求；且热力站运行结构复杂，数据量较多，难以挖掘出有效的信息，造成数据特征提取和寿命评估的效果不佳，如何实现设备剩余寿命高精度评估成为典型的“卡脖子”问题。
因此，基于上述技术问题需要设计一种新的基于DBN-SVR的热力站设备剩余寿命评估方法。
发明内容
本发明的目的是提供一种基于DBN-SVR的热力站设备剩余寿命评估方法。
为了解决上述技术问题，本发明提供了一种基于DBN-SVR的热力站设备剩余寿命评估方法，包括：
构建热力站数字孪生模型；
根据辨识修正后的热力站数字孪生模型结合热力站实测数据获取初始设备退化数据集；
对初始设备退化数据集进行预处理后，并采用DBN网络进行特征提取获取设备退化特征数据集；
将设备退化特征数据集作为SVR网络的输入数据，进行热力站设备剩余寿命训练和评估；以及
对SVR网络模型参数进行寻优，获得最优参数下的热力站设备剩余寿命评估结果。
进一步，所述构建热力站数字孪生模型的方法为采用机理建模和数据辨识方法建立热力站数字孪生模型，包括：
构建热力站虚拟实体包括：几何模型、物理模型、行为模型和规则模型
进行热力站虚实数据连接，通过调用采集的实际运行数据驱动虚拟空间中的对应模型，与热力站虚拟设备形成的仿真数据建立映射关系，形成热力站作业策略；
对数字孪生模型进行辨识：采用自适应混沌树和种子算法对数字孪生模型进行辨识，包括：确认热力站设备各待辨识参数的取值范围、设置自适应混沌树和种子算法的运行参数、运行自适应混沌树和种子算法对数字孪生模型中的待辨识参数进行辨识，通过最小化目标函数，获得未知参数的估计值；
将辨识得到的参数输入至数字孪生模型获得辨识修正后的热力站数字孪生模型。
进一步，所述根据辨识修正后的热力站数字孪生模型结合热力站实测数据获取初始设备退化数据集的方法包括：基于辨识修正后的热力站数字孪生模型对热力站设备多阶段退化工况下的性能参数进行仿真，并将仿真计算结果结合热力站获得的历史设备实测数据，获取初始设备退化数据集，即：
基于辨识修正后的热力站数字孪生模型对热力站设备多阶段退化工况下的性能参数进行仿真，并将仿真计算结果结合热力站获得的历史设备实测数据，获取初始设备退化数据集；
基于辨识修正后的热力站数字孪生模型结合热力站设备的性能退化机理，对多阶段退化工况下的热力站设备运行状态进行模拟仿真，获得热力站全生命周期内设备的性能参数随运行时间增长的退化规律；
所述多阶段退化工况包括：退化初期、退化中期和退化后期；
将获得的仿真结果与热力站设备多阶段退化工况下的实测数据结合，采集历史性能指标退化数据，并将影响设备退化的性能参数提取作为初始设备退化数据集；
所述初始设备退化数据集包括：m维度的输入数据和1个维度的输出数据，均共有n组数据，将整个输入矩阵记为X，将整个输出矩阵记为Y；
Figure BDA0003489749660000031
Figure BDA0003489749660000041
其中，将获得的仿真结果与热力站设备多阶段退化工况下的实测数据结合包括：对热力站设备的各部位进行采样和相应的疲劳模拟仿真试验、蠕变断裂模拟仿真试验，以及通过外部测量、试验的非破坏性模拟仿真试验获得的数据、模拟热力站设备各种运行情况下的材质老化数据和在线监测设备使用的时间、温度、应力大小及其分布的状态、起停次数。
进一步，所述对初始设备退化数据集进行预处理后，并采用DBN网络进行特征提取获取设备退化特征数据集的方法包括：
对初始设备退化数据集进行预处理后，采用DBN网络进行特征提取获得设备退化特征数据集；
对初始设备退化数据集中的输入数据和输出数据进行归一化处理：
Figure BDA0003489749660000042
Figure BDA0003489749660000043
其中，Xp、Xp′分别为归一化处理之前、之后的第p个输入变量数组；Xp.min、Xp.max分别为Xp包含的所有元素中的最小值和最大值；Y、Y′分别为归一化处理之前、之后的输出矩阵；Ymin、Ymax分别为输出矩阵Y中元素的最小值和最大值；
设置DBN深度信念网络结构：由多个受限制玻尔曼机RBM组成的深层网络；RBM作为DBN网络结构单元，与每层DBN共享参数，包括：可见层v和隐含层h；可见层v为输入数据，隐含层h为一个特征提取器；
根据初始设备退化数据集中的训练数据集进行训练，获得热力站设备剩余寿命评估的深度特征，训练过程包括：
逐层无监督学习：先训练DBN网络中第一个RBM，通过输入的原始数据和初始化的第一个RBM参数，然后将第一个RBM的输出值作为第二个RBM的输入值，以此类推，逐层训练所有RBM层，获得多层DBN模型；
有监督微调：在逐层无监督学习的DBN模型训练完成后，在模型顶层连接一个预测器，通过带标签的训练数据集，先通过损失函数计算输出的设备剩余寿命评估结果yn与真实的设备剩余寿命评估结果yn′之间的误差，然后采用梯度下降优化方法根据误差来逐层对整个DBN网络的权值矩阵进行反向微调，降低误差；
所述损失函数表示为：
Figure BDA0003489749660000051
进一步，所述训练DBN网络中第一个RBM的方法包括：
根据可见层和隐含层初始化状态参数(v,h)、无标签的训练数据集和第一个RBM参数θ＝{Wij,ai,bj}，计算每个训练数据的能量值：
Figure BDA0003489749660000052
其中，Wij为可见层与隐含层之间的链接权重；ai、bj分别为可见层和隐含层的偏置值；
基于获得的能量值计算RBM系统联合分布：
Figure BDA0003489749660000053
其中，Z(θ)为归一化因子；
RBM关于观测数据v的边际分布：
Figure BDA0003489749660000054
优化参数：通过最大化对数似然函数计算参数θ*的值：
Figure BDA0003489749660000061
其中，v(m)为第m个训练样本的可见层单元的状态向量，m＝1,2，…，m,n×m；
输出参数：通过若干次迭代计算获得网络参数Wij，ai，bj，进而求得参数θ的值并确定深度信念网络的结构，对数据样本进行拟合处理，得到下一步预测所需的输入样本集，并在第一个RBM训练完成后将第一个隐含层的输出h1作为第二个RBM的输入，训练第二个RBM。
进一步，所述将设备退化特征数据集作为SVR网络的输入数据，进行热力站设备剩余寿命训练和评估的方法包括：
将通过DBN网络获得的设备退化特征数据集和设备剩余寿命评估真实值作为有标签数据，输入至SVR网络中进行训练获得热力站设备剩余寿命评估模型，通过所述热力站设备剩余寿命评估模型获得热力站设备剩余寿命评估值；
其中，SVR网络是通过设置回归函数
Figure BDA0003489749660000062
并用损耗函数ε进行参数优化，通过函数最小值寻找最佳参数值的回归函数；
其中，ai、ai *为不等式约束的拉格朗日乘子；K(x,xi)为SVR的核函数，采用RBF径向基核函数
Figure BDA0003489749660000063
σ为径向基函数的核心参数；b为偏移量；
损耗函数
Figure BDA0003489749660000064
其中，w为SVR回归机的对应权重系数；C表示惩罚因子；ξi、
Figure BDA0003489749660000065
表示松弛变量。
进一步，所述对SVR网络模型参数进行寻优，获得最优参数下的热力站设备剩余寿命评估结果的方法包括：
采用第一优化算法对SVR网络模型参数进行寻优；
所述第一优化算法包括：量子粒子群优化算法、遗传算法、粒子群优化算法、鲸鱼优化算法。
进一步，所述对SVR网络模型参数进行寻优的方法包括：
选定RBF核心参数σ和惩罚因子C作为SVR网络的优化参数；
采用量子粒子群优化算法对核心参数σ和惩罚因子C进行寻优，包括：
确定SVR网络基本参数，并对量子粒子群进行初始化，包括种群规模、粒子最初的位置和速度、搜索空间范围、最大迭代次数G、全局最优位置Pg、个体最优位置Pb，将粒子最初的位置作为个体最优位置；
将量子粒子群的参数向量映射为SVR网络的参数，构建SVR网络，将样本数据输入至网络中进行训练；其中，将核心参数σ和惩罚因子C编码成量子粒子群中每个个体的位置向量，待优化的参数对应这量子粒子群中的每个粒子，不同的个体代表不同的网络参数；
计算种群中每个粒子的适应度，并将该适应度值与上次迭代Pb进行比较，若当前值更优，则用当前值替代粒子最优适应度值Pb；否则Pb保持不变；其中，采用均方根误差RMSE作为目标函数，用来表示量子粒子群中粒子的适应度值；
将种群中所有粒子的适应度值进行比对，获得全局最优值Pg，将当前值与上次迭代值进行比较，若当前值更优，则用当前值替代上一次迭代的全局适应度值；否则，保持不变；
判断是否满足最大迭代次数或是否已获得最优的粒子适应度值，若满足，则输出全局最优值Pg；否则，更新粒子位置，并重新计算种群中每个粒子的适应度。
进一步，所述热力站设备剩余寿命评估方法还包括：
采用第二优化算法对DBN网络的初始参数进行寻优；所述第二优化算法至少包括GWO灰狼优化算法、遗传算法、粒子群优化算法。
进一步，采用GWO灰狼优化算法作为第二优化算法对DBN网络的初始参数进行寻优，则将DBN网络的权重和偏置作为灰狼的位置信息，根据灰狼对猎物的位置判断不断更新位置，直至达到停止迭代条件；其中，将均方误差MSE设置为适应度函数，计算适应度的值，并根据适应度值更新狼群的位置，选取适应度值最优的个体，以及当迭代次数达到最大时，将最优解作为DBN的初始网络参数值。
本发明的有益效果是，本发明通过构建热力站数字孪生模型；根据辨识修正后的热力站数字孪生模型获取初始设备退化数据集；对初始设备退化数据集进行预处理后，获取设备退化特征数据集；将设备退化特征数据集作为SVR网络的输入数据，进行热力站设备剩余寿命训练和评估；以及对SVR网络模型参数进行寻优，获得最优参数下的热力站设备剩余寿命评估结果，实现了基于数字孪生模型建立寿命评估基础，且通过DBN-SVR模型进行特征深度提取和设备寿命精确评估。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的基于DBN-SVR的热力站设备剩余寿命评估方法的流程图；
图2是本发明的基于DBN-SVR的热力站设备剩余寿命评估方法的原理示意图；
图3为本发明DBN训练方法流程图；
图4为本发明DBN深度信念网络模型图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
如图1-图4所示，本实施例提供了一种基于DBN-SVR的热力站设备剩余寿命评估方法，包括：构建热力站数字孪生模型；根据辨识修正后的热力站数字孪生模型结合热力站实测数据获取初始设备退化数据集；对初始设备退化数据集进行预处理后，并采用DBN网络进行特征提取获取设备退化特征数据集；将设备退化特征数据集作为SVR网络的输入数据，进行热力站设备剩余寿命训练和评估；以及对SVR网络模型参数进行寻优，获得最优参数下的热力站设备剩余寿命评估结果，实现了基于数字孪生模型建立寿命评估基础，且通过DBN-SVR模型进行特征深度提取和设备寿命精确评估。步骤S1、采用机理建模和数据辨识方法建立热力站数字孪生模型；步骤S2、基于辨识修正后的热力站数字孪生模型对热力站设备多阶段退化工况下的性能参数进行仿真，并将仿真计算结果结合热力站获得的历史设备实测数据，提取出初始设备退化数据集；步骤S3、对所述初始设备退化数据集进行预处理后，并采用DBN网络进行特征提取获得设备退化特征数据集；步骤S4、将所述设备退化特征数据集作为SVR网络的输入数据，进行热力站设备剩余寿命训练和评估；步骤S5、采用第一优化算法对SVR网络模型参数进行寻优，获得最优参数下的热力站设备剩余寿命评估结果。
在本实施例中，所述构建热力站数字孪生模型的方法为采用机理建模和数据辨识方法建立热力站数字孪生模型，包括：
构建热力站虚拟实体：包括几何模型、物理模型、行为模型和规则模型，形成具有不同生命周期、不同侧面的异构模型，通过将各类模型在功能和结构上进行虚实融合，形成热力站物理设备实体在虚拟空间的完整映射；首先通过构建热力站的三维几何模型，并导入可视化平台，添加设备物理属性；然后基于热力站热力学基本理论构建行为模型，建立具有交互功能和模拟真实操作环境的热力站虚拟仿真系统；最后建立虚拟实体的规则模型制定虚拟实体的控制策略；进行热力站虚实数据连接：首先布置热力站物理设备上的传感器检测点，通过物联网技术采集热力站物理设备的实际运行数据，以及在虚拟设备上设置对应检测点，采集相应位置的仿真数据；然后通过调用采集的实际运行数据驱动虚拟空间中的对应模型，与热力站虚拟设备形成的仿真数据建立映射关系，形成热力站作业策略；最后通过不断迭代和优化数据采集控制过程，实现物理实体与虚拟空间实时数据的连接与动态交互；对数字孪生模型进行辨识：采用自适应混沌树和种子算法对数字孪生模型进行辨识，包括：确认热力站设备各待辨识参数的取值范围；设置自适应混沌树和种子算法的运行参数；运行自适应混沌树和种子算法对数字孪生模型中的待辨识参数进行辨识，通过最小化目标函数，获得未知参数的估计值；将辨识得到的参数输入至数字孪生模型获得辨识后的数字孪生模型；其中，所述热力站物理设备包括：板式换热器，循环泵，一二次网除污器，补水泵，水箱，计量表，控制阀门等。
通过采用“结构机理建模+数据辨识修正”相结合的技术方法，利用数字孪生建模技术构建与热力站设备现实结构相互映射的机理仿真模型，实现物理实体与虚拟空间实时数据的连接与动态交互，同时采用自适应混沌树和种子算法对数字孪生模型进行辨识，最大程度减少理论值和实测值间的偏差，为后续的热力站设备剩余寿命评估建立基础。
在本实施例中，所述根据辨识修正后的热力站数字孪生模型结合热力站实测数据获取初始设备退化数据集的方法包括：S21、基于辨识修正后的热力站数字孪生模型结合热力站设备的性能退化机理，对多阶段退化工况下的热力站设备运行状态进行模拟仿真，获得热力站全生命周期内设备的性能参数随运行时间增长的退化规律；所述多阶段退化工况包括退化初期、退化中期和退化后期，设备在不同阶段的性能指标退化速率不同；S22、将获得的仿真结果与热力站设备多阶段退化工况下的实测数据结合，采集历史性能指标退化数据，并将影响设备退化的性能参数提取出来作为初始设备退化数据集；所述初始设备退化数据集包括m维度的输入数据和1个维度的输出数据，均共有n组数据，将整个输入矩阵记为X，将整个输出矩阵记为Y；
Figure BDA0003489749660000111
Figure BDA0003489749660000121
其中，将获得的仿真结果与热力站设备多阶段退化工况下的实测数据结合包括：对热力站设备的各部位进行采样和相应的疲劳模拟仿真试验、蠕变断裂模拟仿真试验，以及通过外部测量、试验的非破坏性模拟仿真试验获得的数据、模拟热力站设备各种运行情况下的材质老化数据和在线监测设备使用的时间、温度、应力大小及其分布的状态、起停次数。
基于辨识修正后的热力站数字孪生模型对热力站设备多阶段退化工况下的性能参数进行仿真，并将仿真计算结果结合热力站获得的历史设备实测数据，提取出初始设备退化数据集，能够对多阶段退化工况下的热力站设备运行状态进行模拟仿真，获得热力站全生命周期内设备的性能退化规律，进而将影响设备退化的性能参数提取出来作为初始设备退化数据集，提升数据集获取的准确性，且为后续进一步的特征提取建立初始样本数据。
在本实施例中，所述对初始设备退化数据集进行预处理后，并采用DBN网络进行特征提取获取设备退化特征数据集的方法包括：S31、对所述初始设备退化数据集进行预处理：为消除量纲不统一造成的数据处理过程中的精度损失，对初始设备退化数据集中的输入数据和输出数据进行归一化处理，表示为：
Figure BDA0003489749660000122
Figure BDA0003489749660000123
其中，Xp、Xp′分别为归一化处理之前、之后的第p个输入变量数组；Xp.min、Xp.max分别为Xp包含的所有元素中的最小值和最大值；Y、Y′分别为归一化处理之前、之后的输出矩阵；Ymin、Ymax分别为输出矩阵Y中元素的最小值和最大值；
S32、设置DBN深度信念网络结构：由多个受限制玻尔曼机RBM组成的深层网络；RBM作为DBN网络结构单元，与每层DBN共享参数，包括可见层v和隐含层h，可见层v相当于输入数据，隐含层h相当于一个特征提取器；
S33、利用所述初始设备退化数据集中的训练数据集进行训练，获得热力站设备剩余寿命评估的深度特征，训练过程包括：
S331、逐层无监督学习：先训练DBN网络中第一个RBM，通过输入的原始数据和初始化的第一个RBM参数，然后将第一个RBM的输出值作为第二个RBM的输入值，以此类推，逐层训练所有RBM层，获得多层DBN模型；
S332、有监督微调：在逐层无监督学习的DBN模型训练完成后，在模型顶层连接一个合适的预测器，通过带标签的训练数据集，先通过损失函数计算输出的设备剩余寿命评估结果yn与真实的设备剩余寿命评估结果yn′之间的误差，然后采用梯度下降优化方法根据误差来逐层对整个DBN网络的权值矩阵进行反向微调，降低误差；所述损失函数表示为：
Figure BDA0003489749660000131
本实施例中，所述S331中，训练DBN网络中第一个RBM，具体包括：给定可见层和隐含层初始化状态参数(v,h)、给定无标签的训练数据集和第一个RBM参数θ＝{Wij,ai,bj}，计算每个训练数据的能量值：
Figure BDA0003489749660000132
Wij表示可见层与隐含层之间的链接权重，ai、bj分别表示可见层和隐含层的偏置值；
基于获得的能量值计算RBM系统联合分布：
Figure BDA0003489749660000133
Z(θ)为归一化因子，RBM关于观测数据v的边际分布：
Figure BDA0003489749660000141
优化参数：通过最大化对数似然函数计算参数θ*的值：
Figure BDA0003489749660000142
v(m)表示第m个训练样本的可见层单元的状态向量，m＝1,2，…，m,n×m；
输出参数：通过多次迭代计算获得网络参数Wij，ai，bj，进而求得参数θ的值并确定深度信念网络的结构，对数据样本进行拟合处理，得到下一步预测所需的输入样本集，并在第一个RBM训练完成后将第一个隐含层的输出h1作为第二个RBM的输入，训练第二个RBM。
在训练模型之前要首先对模型参数进行初始化，包括输入节点数，网络层数，输出类别数，最大的迭代次数等。然后进入DBN的无监督预训练阶段，当预训练到达最大层数时此阶段结束。然后进行模型反向微调，一直到调整到最大迭代次数，至此整个DBN训练结束。对比这两个阶段可以看出，前者的参数调整只存在于相邻两层之间，而后者则是对整个模型中所有的层进行调整。
DBN训练涉及的两个阶段包括：
DBN前向训练：采用贪婪预训练算法，贪婪学习作用域只在相邻两层之间，其主要负责将可见层数据映射到隐层，而CD算法主要是实现将隐层数据重构回可见层，并利用误差进行内部的参数调整。通过这样逐层的RBM训练完成整个DBN的前向无监督训练。
DBN反向训练：前向训练主要是用来提取数据的特征，并得到了一个大范围的优化解集，也就是说前向训练并不能够得到高精度的最优解，这时就需要启用反向微调算法，将最优解从解集里面挑选出来。DBN的反向微调过程与BP的反向调整算法是一样的，常见算法有快速梯度下降和共轭梯度下降。可以看出DBN的反向调整与BP的反向调整十分相似，也是分为分类层梯度求导和隐层梯度求导两部分，通过误差的自顶向下传播，可以有效提高DBN模型的精度。一方面通过DBN深度置信网络对初始设备退化数据集进行深度特征提取，不需要人工参与，具有自动从输入数据提取特征的能力，相比于传统的浅层神经网络，能够提取样本深层次的抽象特征，更好描述样本数据间的内在关系，且达到了降维的效果，使后续热力站设备剩余寿命评估的运算复杂度降低，运算时间减少，评估精度具有明显改进作用；另一方面通过灰狼优化算法作为第二优化算法对DBN网络的初始参数进行寻优，动态地选择最优的参数，使DBN提取特征更能表征输入数据。
在本实施例中，所述将设备退化特征数据集作为SVR网络的输入数据，进行热力站设备剩余寿命训练和评估的方法包括：将通过DBN网络获得的设备退化特征数据集和设备剩余寿命评估真实值作为有标签数据，输入至SVR网络中进行训练获得热力站设备剩余寿命评估模型，通过所述热力站设备剩余寿命评估模型获得热力站设备剩余寿命评估值；
其中，SVR网络是通过设置回归函数
Figure BDA0003489749660000151
并用损耗函数ε进行参数优化，通过函数最小值寻找最佳参数值的回归函数；
其中，ai、ai *为不等式约束的拉格朗日乘子；K(x,xi)为SVR的核函数，采用RBF径向基核函数
Figure BDA0003489749660000152
σ为径向基函数的核心参数；b为偏移量；
损耗函数
Figure BDA0003489749660000153
其中，w为SVR回归机的对应权重系数；C表示惩罚因子；ξi、
Figure BDA0003489749660000154
表示松弛变量。
在本实施例中，所述对SVR网络模型参数进行寻优，获得最优参数下的热力站设备剩余寿命评估结果的方法包括：采用第一优化算法对SVR网络模型参数进行寻优；所述第一优化算法至少包括：量子粒子群优化算法、遗传算法、粒子群优化算法、鲸鱼优化算法。
在本实施例中，所述对SVR网络模型参数进行寻优的方法包括：S51、选定RBF核心参数σ和惩罚因子C作为SVR网络的优化参数；S52、采用量子粒子群优化算法对核心参数σ和惩罚因子C进行寻优；S521、确定SVR网络基本参数，并对量子粒子群进行初始化，包括种群规模、粒子最初的位置和速度、搜索空间范围、最大迭代次数G、全局最优位置Pg、个体最优位置Pb，将粒子最初的位置作为个体最优位置；S522、将量子粒子群的参数向量映射为SVR网络的参数，构建SVR网络，将样本数据输入至网络中进行训练；其中，将核心参数σ和惩罚因子C编码成量子粒子群中每个个体的位置向量，待优化的参数对应这量子粒子群中的每个粒子，不同的个体代表不同的网络参数；S523、计算种群中每个粒子的适应度，并将该适应度值与上次迭代Pb进行比较，若当前值更优，则用当前值替代粒子最优适应度值Pb；否则Pb保持不变；其中，采用均方根误差RMSE作为目标函数，用来表示量子粒子群中粒子的适应度值；S524、将种群中所有粒子的适应度值进行比对，获得全局最优值Pg，将当前值与上次迭代值进行比较，若当前值更优，则用当前值替代上一次迭代的全局适应度值；否则，保持不变；S525、判断是否满足最大迭代次数或是否已获得最优的粒子适应度值，若满足，则输出全局最优值Pg；否则，更新粒子位置，并重新计算种群中每个粒子的适应度(即，返回S523)。一方面通过建立DBN-SVR模型，将设备退化特征数据集作为SVR网络的输入数据，进行训练获得热力站设备剩余寿命评估模型，对热力站设备寿命评估具有较好的结果和泛化能力；另一方面通过量子粒子群优化算法作为第一优化算法对SVR网络模型参数进行寻优，在同一种适应度函数下，量子粒子群优化算法比传统的粒子群优化算法收敛速度更快，精度更高，全局寻优能力更强，进而保证热力站设备剩余寿命评估效果更好，准确率更高。
在本实施例中，所述热力站设备剩余寿命评估方法还包括：采用第二优化算法对DBN网络的初始参数进行寻优；所述第二优化算法至少包括GWO灰狼优化算法、遗传算法、粒子群优化算法。
在本实施例中，若采用GWO灰狼优化算法作为第二优化算法对DBN网络的初始参数进行寻优，则将DBN网络的权重和偏置作为灰狼的位置信息，根据灰狼对猎物的位置判断不断更新位置，直至达到停止迭代条件；其中，将均方误差MSE设置为适应度函数，计算适应度的值，并根据适应度值更新狼群的位置，选取适应度值最优的个体，以及当迭代次数达到最大时，将最优解作为DBN的初始网络参数值。灰狼优化算法(Grey wolf optimization,GWO)是一种新型的智能优化算法，它的优化过程是通过模拟自然中狼群狩猎的机制来实现。该算法将狼群划分为4个等级，按照等级从高到低的排序为α、β、δ、ω。其中α狼的职责是负责围捕猎物过程中的控制决策，β狼的职责是辅助α狼决策，领导等级更低的狼群并且有概率转化为α狼，δ狼的任务是帮助α和β狼完成猎物的围捕，ω狼在狼群的最底层并服从以上三个阶层的狼。α、β和δ狼直接追捕猎物，ω狼跟随前三等级的狼，对猎物进行跟踪和包围。在GWO算法中，猎物的位置就是问题的最优解。
狼群的适应度函数选用均方误差，适应度值越小代表当前狼群的位置越接近猎物的位置：
Figure BDA0003489749660000181
N表示样本总数；yi和
Figure BDA0003489749660000182
分别表示样本的真实值和预测值；
GWO算法的步骤如下所示：
(1)初始化狼群，随机生成n个狼群的位置X(i＝1,2,3…,n)；再对相关参数a、系数矢量C、收敛因子A的值进行初始化，并设定最大迭代次数T；
(2)计算各灰狼每个个体的适应度值，更新灰狼的位置，同时将各个灰狼个体的适应度值进行比较，找出适应度值最优的解、次优的解、第三优的解，它们分别对应Xα(α狼的位置)、Xβ(β狼的位置)、Xδ(δ狼的位置)；GWO算法在运行时，最优解的前三名会先确定下来，之后其他成员会被强制向位置最优的成员移动并更新自己的位置。(3)更新a、C、A的值；(4)判断是否达到迭代次数或MSE是否足够小，若t<T，则返回步骤(2)；(5)令t＝t+1；(6)否则，GWO寻优完毕，结束流程。
综上所述，本发明通过构建热力站数字孪生模型；根据辨识修正后的热力站数字孪生模型获取初始设备退化数据集；对初始设备退化数据集进行预处理后，获取设备退化特征数据集；将设备退化特征数据集作为SVR网络的输入数据，进行热力站设备剩余寿命训练和评估；以及对SVR网络模型参数进行寻优，获得最优参数下的热力站设备剩余寿命评估结果，实现了基于数字孪生模型建立寿命评估基础，且通过DBN-SVR模型进行特征深度提取和设备寿命精确评估。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (10)

1.一种基于DBN-SVR的热力站设备剩余寿命评估方法，其特征在于，包括：
构建热力站数字孪生模型；
根据辨识修正后的热力站数字孪生模型结合热力站实测数据获取初始设备退化数据集；
对初始设备退化数据集进行预处理后，并采用DBN网络进行特征提取获取设备退化特征数据集；
将设备退化特征数据集作为SVR网络的输入数据，进行热力站设备剩余寿命训练和评估；以及
对SVR网络模型参数进行寻优，获得最优参数下的热力站设备剩余寿命评估结果。
2.如权利要求1所述的热力站设备剩余寿命评估方法，其特征在于，
所述构建热力站数字孪生模型的方法为采用机理建模和数据辨识方法建立热力站数字孪生模型，包括：
构建热力站虚拟实体包括：几何模型、物理模型、行为模型和规则模型；
进行热力站虚实数据连接，通过调用采集的实际运行数据驱动虚拟空间中的对应模型，与热力站虚拟设备形成的仿真数据建立映射关系，形成热力站作业策略；
对数字孪生模型进行辨识：采用自适应混沌树和种子算法对数字孪生模型进行辨识，包括：确认热力站设备各待辨识参数的取值范围、设置自适应混沌树和种子算法的运行参数、运行自适应混沌树和种子算法对数字孪生模型中的待辨识参数进行辨识，通过最小化目标函数，获得未知参数的估计值；
将辨识得到的参数输入至数字孪生模型获得辨识修正后的热力站数字孪生模型。
3.如权利要求2所述的热力站设备剩余寿命评估方法，其特征在于，
所述根据辨识修正后的热力站数字孪生模型结合热力站实测数据获取初始设备退化数据集的方法包括：基于辨识修正后的热力站数字孪生模型对热力站设备多阶段退化工况下的性能参数进行仿真，并将仿真计算结果结合热力站获得的历史设备实测数据，获取初始设备退化数据集，即：
基于辨识修正后的热力站数字孪生模型结合热力站设备的性能退化机理，对多阶段退化工况下的热力站设备运行状态进行模拟仿真，获得热力站全生命周期内设备的性能参数随运行时间增长的退化规律；
所述多阶段退化工况包括：退化初期、退化中期和退化后期；
将获得的仿真结果与热力站设备多阶段退化工况下的实测数据结合，采集历史性能指标退化数据，并将影响设备退化的性能参数提取作为初始设备退化数据集；
所述初始设备退化数据集包括：m维度的输入数据和1个维度的输出数据，均共有n组数据，将整个输入矩阵记为X，将整个输出矩阵记为Y；
Figure FDA0003489749650000021
Figure FDA0003489749650000022
其中，将获得的仿真结果与热力站设备多阶段退化工况下的实测数据结合包括：对热力站设备的各部位进行采样和相应的疲劳模拟仿真试验、蠕变断裂模拟仿真试验，以及通过外部测量、试验的非破坏性模拟仿真试验获得的数据、模拟热力站设备各种运行情况下的材质老化数据和在线监测设备使用的时间、温度、应力大小及其分布的状态、起停次数。
4.如权利要求3所述的热力站设备剩余寿命评估方法，其特征在于，
所述对初始设备退化数据集进行预处理后，并采用DBN网络进行特征提取获取设备退化特征数据集的方法包括：
对初始设备退化数据集中的输入数据和输出数据进行归一化处理：
Figure FDA0003489749650000031
Figure FDA0003489749650000032
其中，Xp、Xp′分别为归一化处理之前、之后的第p个输入变量数组；Xp.min、Xp.max分别为Xp包含的所有元素中的最小值和最大值；Y、Y′分别为归一化处理之前、之后的输出矩阵；Ymin、Ymax分别为输出矩阵Y中元素的最小值和最大值；
设置DBN深度信念网络结构：由多个受限制玻尔曼机RBM组成的深层网络；RBM作为DBN网络结构单元，与每层DBN共享参数，包括：可见层v和隐含层h；可见层v为输入数据，隐含层h为一个特征提取器；
根据初始设备退化数据集中的训练数据集进行训练，获得热力站设备剩余寿命评估的深度特征，训练过程包括：
逐层无监督学习：先训练DBN网络中第一个RBM，通过输入的原始数据和初始化的第一个RBM参数，然后将第一个RBM的输出值作为第二个RBM的输入值，以此类推，逐层训练所有RBM层，获得多层DBN模型；
有监督微调：在逐层无监督学习的DBN模型训练完成后，在模型顶层连接一个预测器，通过带标签的训练数据集，先通过损失函数计算输出的设备剩余寿命评估结果yn与真实的设备剩余寿命评估结果yn′之间的误差，然后采用梯度下降优化方法根据误差来逐层对整个DBN网络的权值矩阵进行反向微调，降低误差；
所述损失函数表示为：
Figure FDA0003489749650000041
5.如权利要求4所述的热力站设备剩余寿命评估方法，其特征在于，
所述训练DBN网络中第一个RBM的方法包括：
根据可见层和隐含层初始化状态参数(v,h)、无标签的训练数据集和第一个RBM参数θ＝{Wij,ai,bj}，计算每个训练数据的能量值：
Figure FDA0003489749650000042
其中，Wij为可见层与隐含层之间的链接权重；ai、bj分别为可见层和隐含层的偏置值；
基于获得的能量值计算RBM系统联合分布：
Figure FDA0003489749650000043
其中，Z(θ)为归一化因子；
RBM关于观测数据v的边际分布：
Figure FDA0003489749650000044
优化参数：通过最大化对数似然函数计算参数θ*的值：
Figure FDA0003489749650000045
其中，v(m)为第m个训练样本的可见层单元的状态向量，m＝1,2，…，m,n×m；
输出参数：通过若干次迭代计算获得网络参数Wij，ai，bj，进而求得参数θ的值并确定深度信念网络的结构，对数据样本进行拟合处理，得到下一步预测所需的输入样本集，并在第一个RBM训练完成后将第一个隐含层的输出h1作为第二个RBM的输入，训练第二个RBM。
6.如权利要求5所述的热力站设备剩余寿命评估方法，其特征在于，
所述将设备退化特征数据集作为SVR网络的输入数据，进行热力站设备剩余寿命训练和评估的方法包括：
将通过DBN网络获得的设备退化特征数据集和设备剩余寿命评估真实值作为有标签数据，输入至SVR网络中进行训练获得热力站设备剩余寿命评估模型，通过所述热力站设备剩余寿命评估模型获得热力站设备剩余寿命评估值；
其中，SVR网络是通过设置回归函数
Figure FDA0003489749650000051
并用损耗函数ε进行参数优化，通过函数最小值寻找最佳参数值的回归函数；
其中，ai、ai *为不等式约束的拉格朗日乘子；K(x,xi)为SVR的核函数，采用RBF径向基核函数
Figure FDA0003489749650000052
σ为径向基函数的核心参数；b为偏移量；
损耗函数
Figure FDA0003489749650000053
其中，w为SVR回归机的对应权重系数；C表示惩罚因子；ξi、
Figure FDA0003489749650000054
表示松弛变量。
7.如权利要求6所述的热力站设备剩余寿命评估方法，其特征在于，
所述对SVR网络模型参数进行寻优，获得最优参数下的热力站设备剩余寿命评估结果的方法包括：
采用第一优化算法对SVR网络模型参数进行寻优；
所述第一优化算法包括：量子粒子群优化算法、遗传算法、粒子群优化算法、鲸鱼优化算法。
8.如权利要求7所述的热力站设备剩余寿命评估方法，其特征在于，
所述对SVR网络模型参数进行寻优的方法包括：
选定RBF核心参数σ和惩罚因子C作为SVR网络的优化参数；
采用量子粒子群优化算法对核心参数σ和惩罚因子C进行寻优，包括：
确定SVR网络基本参数，并对量子粒子群进行初始化，包括种群规模、粒子最初的位置和速度、搜索空间范围、最大迭代次数G、全局最优位置Pg、个体最优位置Pb，将粒子最初的位置作为个体最优位置；
将量子粒子群的参数向量映射为SVR网络的参数，构建SVR网络，将样本数据输入至网络中进行训练；其中，将核心参数σ和惩罚因子C编码成量子粒子群中每个个体的位置向量，待优化的参数对应量子粒子群中的每个粒子，不同的个体代表不同的网络参数；
计算种群中每个粒子的适应度，并将该适应度值与上次迭代Pb进行比较，若当前值更优，则用当前值替代粒子最优适应度值Pb；否则Pb保持不变；其中，采用均方根误差RMSE作为目标函数，用来表示量子粒子群中粒子的适应度值；
将种群中所有粒子的适应度值进行比对，获得全局最优值Pg，将当前值与上次迭代值进行比较，若当前值更优，则用当前值替代上一次迭代的全局适应度值；否则，保持不变；
判断是否满足最大迭代次数或是否已获得最优的粒子适应度值，若满足，则输出全局最优值Pg；否则，更新粒子位置，并重新计算种群中每个粒子的适应度。
9.如权利要求1所述的热力站设备剩余寿命评估方法，其特征在于，
所述热力站设备剩余寿命评估方法还包括：
采用第二优化算法对DBN网络的初始参数进行寻优；所述第二优化算法包括GWO灰狼优化算法、遗传算法、粒子群优化算法。
10.如权利要求9所述的热力站设备剩余寿命评估方法，其特征在于，
采用GWO灰狼优化算法作为第二优化算法对DBN网络的初始参数进行寻优，则将DBN网络的权重和偏置作为灰狼的位置信息，根据灰狼对猎物的位置判断不断更新位置，直至达到停止迭代条件；其中，将均方误差MSE设置为适应度函数，计算适应度的值，并根据适应度值更新狼群的位置，选取适应度值最优的个体，以及当迭代次数达到最大时，将最优解作为DBN的初始网络参数值。
CN202210092586.3A 2022-01-26 2022-01-26 基于dbn-svr的热力站设备剩余寿命评估方法 Pending CN114492191A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210092586.3A CN114492191A (zh) 2022-01-26 2022-01-26 基于dbn-svr的热力站设备剩余寿命评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210092586.3A CN114492191A (zh) 2022-01-26 2022-01-26 基于dbn-svr的热力站设备剩余寿命评估方法

Publications (1)

Publication Number Publication Date
CN114492191A true CN114492191A (zh) 2022-05-13

Family

ID=81474778

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210092586.3A Pending CN114492191A (zh) 2022-01-26 2022-01-26 基于dbn-svr的热力站设备剩余寿命评估方法

Country Status (1)

Country Link
CN (1) CN114492191A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115327420A (zh) * 2022-08-12 2022-11-11 哈尔滨工业大学 基于部分充电电压的退役电池余能快速准确估计方法及系统
CN116401974A (zh) * 2023-06-07 2023-07-07 北京华清睿智科技有限公司 基于多维的发动机的冷却性能评估方法、装置及设备
CN116663277A (zh) * 2023-05-22 2023-08-29 广州吉谷电器有限公司 基于煮水壶的使用周期延长方法及装置
CN117273404A (zh) * 2023-11-21 2023-12-22 江苏千桐科技有限公司 基于大数据分析的锅炉的自动排程方法
CN117875138A (zh) * 2024-03-12 2024-04-12 大连理工大学 一种机理与数据融合驱动的飞行器结构寿命预测方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115327420A (zh) * 2022-08-12 2022-11-11 哈尔滨工业大学 基于部分充电电压的退役电池余能快速准确估计方法及系统
CN116663277A (zh) * 2023-05-22 2023-08-29 广州吉谷电器有限公司 基于煮水壶的使用周期延长方法及装置
CN116663277B (zh) * 2023-05-22 2023-12-26 广州吉谷电器有限公司 基于煮水壶的使用周期延长方法及装置
CN116401974A (zh) * 2023-06-07 2023-07-07 北京华清睿智科技有限公司 基于多维的发动机的冷却性能评估方法、装置及设备
CN116401974B (zh) * 2023-06-07 2023-08-04 北京华清睿智科技有限公司 基于多维的发动机的冷却性能评估方法、装置及设备
CN117273404A (zh) * 2023-11-21 2023-12-22 江苏千桐科技有限公司 基于大数据分析的锅炉的自动排程方法
CN117273404B (zh) * 2023-11-21 2024-02-02 江苏千桐科技有限公司 基于大数据分析的锅炉的自动排程方法
CN117875138A (zh) * 2024-03-12 2024-04-12 大连理工大学 一种机理与数据融合驱动的飞行器结构寿命预测方法

Similar Documents

Publication Publication Date Title
CN114492191A (zh) 基于dbn-svr的热力站设备剩余寿命评估方法
CN109492822B (zh) 空气污染物浓度时空域关联预测方法
CN105488528B (zh) 基于改进自适应遗传算法的神经网络图像分类方法
CN113537600B (zh) 一种全过程耦合机器学习的中长期降水预报建模方法
CN112733997B (zh) 基于woa-lstm-mc的水文时间序列预测优化方法
CN103105246A (zh) 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法
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
CN114462718A (zh) 基于时间滑动窗口的cnn-gru风电功率预测方法
CN110197307B (zh) 一种结合注意力机制的区域型海表面温度预测方法
CN113762387B (zh) 一种基于混合模型预测的数据中心站多元负荷预测方法
CN111178585A (zh) 基于多算法模型融合的故障接报量预测方法
CN113537469B (zh) 一种基于LSTM网络和Attention机制的城市需水预测方法
CN113592144A (zh) 一种中长期径流概率预报方法及系统
CN115986728A (zh) 一种计及不确定性因素的电网态势预测方法与终端
Ma et al. An estimating combination method for interval forecasting of electrical load time series
CN115759415A (zh) 基于lstm-svr的用电需求预测方法
CN115099461A (zh) 基于双分支特征提取的太阳辐射预测方法及系统
CN115759389A (zh) 基于天气类型的相似日组合策略的日前光伏功率预测方法
CN114971090A (zh) 一种电供暖负荷预测方法、系统、设备和介质
CN108876038B (zh) 大数据、人工智能、超算协同的材料性能预测方法
CN108537581B (zh) 基于gmdh选择性组合的能源消费量时间序列预测方法及装置
CN112507613B (zh) 一种秒级超短期光伏功率预测方法
CN111400964B (zh) 一种故障发生时间预测方法及装置
CN112232570A (zh) 一种正向有功总电量预测方法、装置及可读存储介质
CN113033898A (zh) 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统

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