CN114943277A - 一种综合能源系统运行工况识别与运行性能预测方法 - Google Patents

一种综合能源系统运行工况识别与运行性能预测方法 Download PDF

Info

Publication number
CN114943277A
CN114943277A CN202210402932.3A CN202210402932A CN114943277A CN 114943277 A CN114943277 A CN 114943277A CN 202210402932 A CN202210402932 A CN 202210402932A CN 114943277 A CN114943277 A CN 114943277A
Authority
CN
China
Prior art keywords
ies
learning
data
performance
operation condition
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
CN202210402932.3A
Other languages
English (en)
Inventor
张建华
姚祎
许洪华
刘慧丽
周冬旭
王永岳
马钎雄
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 Jiangsu Province Co Ltd Nanjing Power Supply Branch
North China Electric Power University
Original Assignee
State Grid Jiangsu Province Co Ltd Nanjing Power Supply Branch
North China Electric Power 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 State Grid Jiangsu Province Co Ltd Nanjing Power Supply Branch, North China Electric Power University filed Critical State Grid Jiangsu Province Co Ltd Nanjing Power Supply Branch
Priority to CN202210402932.3A priority Critical patent/CN114943277A/zh
Publication of CN114943277A publication Critical patent/CN114943277A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • 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
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于迁移学习(Transferlearning,TL)、深度学习(Deep learning,DL)和多任务学习(Multi task learning,MTL)的综合能源系统(Integrated energy system,IES)运行工况识别与性能预测方法，属于综合能源系统领域。针对IES运行工况识别与性能预测的问题，提出了一种基于TL、DL和MTL的IES运行工况识别与性能预测方法，利用基于相关性分析的特征提取方法和TL解决了缺乏用于在线训练的高质量数据的问题，TL主要采用联合分布适配(JointDistribution Adaptation，JDA)共同适配表征源域与目标域的边缘与条件分布，并将适配后的数据共享到多任务学习中；并利用多任务联合训练，建立基于GRU神经网络组的运行工况识别与性能预测的模型，该模型有效降低了模型参数规模及运算时间，并且具有较高的准确性和较好的泛化性能。

Description

一种综合能源系统运行工况识别与运行性能预测方法
技术领域
本发明所属的技术领域为综合能源系统领域，具体为一种基于迁移学习(Transfer learning,TL)、深度学习(Deep learning,DL)和多任务学习(Multi tasklearning,MTL)的综合能源系统(Integrated energy system,IES)运行工况识别与运行性能预测方法。
背景技术
近年来，综合能源系统(Integrated energy system,IES)逐渐成为能源领域的研究及应用热点。IES的发展在提高能源效率、减少碳排放和增加可再生能源的渗透三方面起到了巨大推动作用。但是，由于IES易受到新能源以及综合需求响应的不确定性的影响，其工况变化频繁。当IES不能随工况变化及时准确地调整控制系统的设定值时，常常会造成单个/互联IES控制性能下降，影响IES运行安全。因此，目前需要对IES进行运行工况识别和控制性能预测，进一步提高IES运行控制性能，实现能源的高效利用。
随着大数据技术和人工智能的日益发展，基于深度学习的数据驱动建模方法备受国内外学者的青睐，并被广泛应用到模式识别、预测等方面。当利用数据驱动方法研究运行工况识别及运行性能预测时，关键是需要具备完整的、高质量的数据。然而，在现实情况中常常出现由于传感器失效、网络通信中断等造成数据缺失的问题，因此在进行IES运行工况识别及运行性能预测时需要使用特征提取、迁移学习或者小样本学习等方法，来提高IES运行工况识别和运行性能预测的准确性。
迁移学习从相关领域中迁移标注数据或者知识结构，完成或改进目标领域中的任务，一方面提高了模型的初始性能，另一方面使得模型收敛得更好、更快；同样的，多任务学习通过使用来自其它相关学习任务的有用信息来缓解数据不足的问题，在数据稀缺的情况下，不仅可以获得更好的泛化性能，还能同时完成多个任务。门控循环单元(Gatedrecurrent unit,GRU)神经网络具有较强的提取时间特征的能力，可以提高IES运行工况识别及运行性能预测的精度和速度。
本发明针对综合能源系统运行工况识别与运行性能预测问题，提出了一种基于迁移学习、深度学习和多任务学习的综合能源系统运行工况识别与运行性能预测方法。在分别采集了IES及其仿真系统的数据，并进行数据预处理和特征提取后，通过基于JDA的迁移学习共同适配源域与目标域的边缘和条件分布，获得大量可用于在线训练的数据，提高了后续多任务学习阶段中模型的精度和收敛速度。利用多任务学习改善模型的泛化能力。随后，引入有监督的多任务联合训练以最优化联合性能指标为目标，高效地同时完成了IES运行工况识别和运行性能预测两项任务。
发明内容
本发明的目的是针对精度和效率要求日益增长的IES运行工况与运行性能预测问题，提出了一种基于迁移学习、深度学习和多任务学习的IES运行工况识别与运行性能预测方法；利用相关性分析对数据进行特征提取后，再通过基于JDA的迁移学习将源域和目标域的数据都利用了起来，解决了高质量数据不足的问题；利用包含运行工况识别模型和运行性能预测模型的多任务学习从输入数据中学习共享知识，防止两个模型过拟合，提高两个模型的泛化能力；最后，加入有监督的多任务联合训练环节，进一步提高了运行工况识别模型和运行性能预测模型的识别和预测精度。
本发明实现上述目的的技术方案是：通过数据预处理、基于相关性分析的特征提取以及基于JDA的迁移学习获取大量的高质量数据，在分别建立基于GRU神经网络组的运行工况识别模型和运行性能预测模型基础上，引入有监督的多任务联合训练环节，其主要步骤如下：
步骤(1)：分别采集IES及其仿真系统的数据，并进行数据预处理；
步骤(2)：将处理后的有关IES及其仿真系统的多源异构信息进行数据集成，并通过相关性分析的特征提取方法，分别获得与IES及其仿真系统运行工况密切相关的目标域数据集和源域数据集；
步骤(3)：利用基于JDA的迁移学习在降维过程中共同适配源域与目标域的边缘和条件分布；
步骤(4)：将适配后的数据和目标域数据一起共享至多任务学习中，同时进行IES运行工况识别和运行性能预测两个任务模型的训练，并计算相应的分类性能指标和预测性能指标；
步骤(5)：由步骤4)中的分类性能指标和预测性能指标组成联合性能指标，并通过有监督的多任务联合训练，最优化联合性能指标，从而同时实现IES运行工况识别和运行性能的预测。
进一步的，所述步骤(1)中，采集到的数据为IES及其仿真系统的知识、数据及图像等多源异构信息，对采集到的数据进行预处理，包括：补缺失值、平滑或删除离群点、纠正数据的不一致，实现数据清洗。
进一步的，所述步骤(2)中，利用相关性分析分别从集成后的IES及其仿真系统相关数据中提取与IES及其仿真系统运行工况密切相关的深层特征。
进一步的，所述步骤(3)中，联合分布适配(Joint Distribution Adaptation,JDA)通过经验最大均值差异(Empirical Maximum Mean Discrepancy,EMMD)来评价源域和目标域数据的分布差异，在降维过程中共同适配源域与目标域的边缘和条件分布，并利用主成分分析算法(Principal Component Analysis,PCA)进行数据重构。
进一步的，所述步骤(4)中，适配后的数据是通过步骤3)中的迁移学习补充的与IES运行工况密切相关的源域数据，多任务模型分别是：一种基于GRU神经网络组的运行工况识别模型和一种基于GRU神经网络组的运行性能预测模型，多个任务共同从输入数据中学习共享知识，共同优化运行工况识别模型和预测模型的性能，防止模型过拟合，提高运行工况识别模型和预测模型两个模型的泛化能力。
进一步的，所述步骤(5)中，提出的有监督的多任务联合训练算法采用了改进的反向传播BPTT(Back-propagation through time，BPTT)算法，以最优化联合性能指标为目标，反向更新两组GRU神经网络的网络参数，从而实现更高精度的IES运行工况智能识别与运行性能预测。
进一步的，基于迁移学习、深度学习和多任务学习的IES运行工况识别与性能预测方法中的联合性能指标为各个任务性能指标的线性加权，其中分类性能指标和预测性能指标均由单个样本在所有时刻的损失表示。
本发明的有益效果：提出一种针对IES运行工况识别与性能预测问题的新模型，通过相关性分析特征提取与IES及其仿真系统运行工况密切相关的深层特征，然后采用了一种基于JDA的迁移学习提高了后续多任务学习阶段中模型的精度和收敛速度，通过多任务学习提升了两个模型的泛化能力。最后，通过有监督的多任务联合训练进一步提高了运行工况识别和性能预测的精度和效率。
附图说明
图1是本发明所提出的一种基于迁移学习、深度学习和多任务学习的IES运行工况识别与运行性能预测方法的实施方案图；
图2是本发明所提出的GRU神经网络的内部结构图。
具体实施方式
下面结合附图对本发明的实施进行详细的说明，并给出具体的操作方式以及实施步骤：
一种基于迁移学习、深度学习和多任务学习的IES运行工况识别与性能预测方法，主要包括以下步骤：
步骤(1)：分别采集IES及其仿真系统的知识、数据及图像等多源异构信息，并对采集到的数据进行数据预处理，包括：补缺失值、平滑或删除离群点、纠正数据的不一致，实现数据清洗。
步骤(2)：通过相关性分析分别从IES及其仿真系统的数据中提取与IES及其仿真系统运行工况密切相关的深层特征，并分别获得目标域数据集和源域数据集的具体步骤如下：
步骤(2.1)：对数据预处理后的有关IES及其仿真系统的知识、数据及图像等多源异构信息进行数据集成，然后作为特征提取环节的输入数据，并通过相关性分析对数据进行特征提取。
步骤(2.2)：将从IES及其仿真系统中提取到的与运行工况密切相关的深层特征，分别划分为目标域数据集和源域数据集。
以上为基于相关性分析实现特征提取的主要步骤。进一步的，
步骤(3)：通过基于JDA的迁移学习共同适配源域与目标域的边缘和条件分布，获取大量高质量数据的具体步骤如下：
步骤(3.1)：分别构建边缘和条件分布适配的EMMD矩阵--M0和Mc，如下两式所示。
Figure BDA0003601019350000041
式中，Ds为源域，ns为源域样本的个数，Dt为目标域，nt为目标域样本个数。
Figure BDA0003601019350000042
式中，
Figure BDA0003601019350000043
为源域数据中属于类别c的样本集，y(xi)为xi的真实标签，且
Figure BDA0003601019350000044
为目标域数据中属于类别c的样本集，
Figure BDA0003601019350000045
为xj的伪标签，并且
Figure BDA0003601019350000046
分别为源域和目标域中来自类别c的样本个数，每个类别c∈(1,...,C)。
步骤(3.2)：通过构建下面的两个式子，来实现边缘分布Ps(xs)和Pt(xt)与条件分布Qs(xs|ys＝c)和Qt(xt|yt＝c)之间差异的缩小。
Figure BDA0003601019350000051
Figure BDA0003601019350000052
其中，X＝[x1,...,xn]∈Rm×n为输入矩阵，即源域和目标域合并起来的数据，有n＝nt+ns，A∈Rm×k为内嵌数据方差最大的正交变化矩阵，tr(·)为矩阵的迹。
步骤(3.3)：同时优化步骤(3.2)中的两个式子，以满足如下式所示的要求。
Figure BDA0003601019350000053
式中，H＝I-1/n 1为PCA求解过程中的中心矩阵。
步骤(3.4)：最后，将步骤(3.2)中的两个式子引入步骤(3.3)的式子中，并通过拉格朗日乘子法进行优化，从而将求解最优适应矩阵A的问题简化为求下面所述式子的k个最小特征向量。
Figure BDA0003601019350000054
式中，Φ＝diag(φ1,...,φk)为拉格朗日乘子，λ是正则化参数。
补充了用于后续多任务学习的源域数据Z＝ATX。
步骤(4)：将目标域数据和补充的源域数据同时输入到两组GRU神经网络，分别训练运行工况识别模型和运行性能预测模型，两个模型共同从输入的数据中学习共享知识，GRU神经网络结构图如图2所示。具体实施步骤如下：
步骤(4.1)：初始化两组GRU神经网络的网络权重和偏置。
步骤(4.2)：输入的数据同时对两组不同功能的GRU神经网络进行训练，两组神经网络共同从输入的数据中学习共享知识。
进一步的，GRU神经网络的前向传播公式为：
zt＝σ(Wzx,txt+Wzh,tht-1)
rt＝σ(Wrx,txt+Wrh,tht-1)
Figure BDA0003601019350000055
Figure BDA0003601019350000056
yt＝σ(Wo,t·ht)
式中，t时刻的更新门和重置门分别为zt和rt，xt为t时刻的输入，ht为t时刻隐藏层的输出，yt为t时刻输出层的输出，Wrx,t，Wrh,t，Wzx,t，Wzh,t，
Figure BDA0003601019350000067
Wo,t为可训练参数矩阵，
Figure BDA0003601019350000068
是t时刻的隐藏单元新信息的激活值，σ是sigmoid函数，tanh是tanh函数。
步骤(4.3)：得到训练结果，计算出分类性能指标和预测性能指标。
进一步的，运行工况识别任务的分类性能指标和运行性能预测任务的预测性能指标都用单个样本在所有时刻的损失表示，其表达式为：
Figure BDA0003601019350000061
Figure BDA0003601019350000062
式中，
Figure BDA0003601019350000063
为实际的运行工况输出结果，
Figure BDA0003601019350000064
表示第t时刻的识别结果，
Figure BDA0003601019350000065
为实际的运行性能输出结果，
Figure BDA0003601019350000066
表示第t时刻的预测结果。
步骤(5)：组成联合性能指标，然后通过有监督的多任务联合训练，完成IES运行工况识别和运行性能预测任务的具体实现步骤如下：
步骤(5.1)：计算联合性能指标，计算公式如下所示：
L＝λcLc+λrLr
式中，λc是分类性能指标的权重，λr是预测性能指标的权重。
步骤(5.2)：为了达到联合性能指标最优化的目的，通过BPTT算法分别反向更新用于分类和预测的两组GRU神经网络的参数，依次迭代直到联合性能指标收敛。
步骤(5.3)：获得高精度、高效率的IES运行工况识别和运行性能预测模型。
进一步的，及时识别出IES的运行工况，保障了IES的安全稳定运行，并为后续优化IES运行方式提供了基础；预测出的IES运行性能指标，能为之后动态调整控制回路被控参数的设定值，以提升IES运行优化水平提供了十分可靠的依据。
本发明申请人结合说明书附图对本发明的具体实施方式进行了描述，本行业的技术人员应当明白，上述具体实施和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (7)

1.一种基于迁移学习、深度学习和多任务学习的IES运行工况识别与性能预测方法，其特征在于：包括以下步骤：
步骤(1)：分别采集IES及其仿真系统的数据，并进行数据预处理；
步骤(2)：将处理后的有关IES及其仿真系统的多源异构信息进行数据集成，并通过相关性分析的特征提取方法，分别获得与IES及其仿真系统运行工况密切相关的目标域数据集和源域数据集；
步骤(3)：利用基于JDA的迁移学习在降维过程中共同适配源域与目标域的边缘和条件分布；
步骤(4)：将适配后的数据和目标域数据一起共享至多任务学习中，同时进行IES运行工况识别和运行性能预测两个任务模型的训练，并计算相应的分类性能指标和预测性能指标；
步骤(5)：由步骤4)中的分类性能指标和预测性能指标组成联合性能指标，并通过有监督的多任务联合训练，最优化联合性能指标，从而同时实现IES运行工况识别和运行性能的预测。
2.根据权利要求1所述的一种基于迁移学习、深度学习和多任务学习的IES运行工况识别与性能预测方法，其特征在于：所述步骤(1)中，采集到的数据为IES及其仿真系统的知识、数据及图像等多源异构信息，对采集到的数据进行预处理，包括：补缺失值、平滑或删除离群点、纠正数据的不一致，实现数据清洗。
3.根据权利要求1所述的一种基于迁移学习、深度学习和多任务学习的IES运行工况识别与性能预测方法，其特征在于：所述步骤(2)中，利用相关性分析分别从集成后的IES及其仿真系统相关数据中提取与IES及其仿真系统运行工况密切相关的深层特征。
4.根据权利要求1所述的一种基于迁移学习、深度学习和多任务学习的IES运行工况识别与性能预测方法，其特征在于：所述步骤(3)中，联合分布适配(Joint DistributionAdaptation,JDA)通过经验最大均值差异(Empirical Maximum Mean Discrepancy,EMMD)来评价源域和目标域数据的分布差异，在降维过程中共同适配源域与目标域的边缘和条件分布，并利用主成分分析算法(Principal Component Analysis,PCA)进行数据重构。
5.根据权利要求1所述的一种基于迁移学习、深度学习和多任务学习的IES运行工况识别与性能预测方法，其特征在于：适配后的数据是通过步骤3)中的迁移学习补充的与IES运行工况密切相关的源域数据，多任务模型分别是：一种基于GRU神经网络组的运行工况识别模型和一种基于GRU神经网络组的运行性能预测模型，多个任务共同从输入数据中学习共享知识，共同优化运行工况识别模型和预测模型的性能，防止模型过拟合，提高运行工况识别模型和预测模型两个模型的泛化能力。
6.根据权利要求1所述的一种基于迁移学习、深度学习和多任务学习的IES运行工况识别与性能预测方法，其特征在于：所述步骤(5)中，提出有监督的多任务联合训练算法采用了改进的反向传播BPTT(Back-propagation through time，BPTT)算法，以最优化联合性能指标为目标，反向更新两组GRU神经网络的网络参数，从而实现更高精度的IES运行工况智能识别与运行性能预测。
7.根据权利要求1所述的一种基于迁移学习、深度学习和多任务学习的IES运行工况识别与性能预测方法，其特征在于：联合性能指标为各个任务性能指标的线性加权，其中分类性能指标和预测性能指标均用单个样本在所有时刻的损失表示。
CN202210402932.3A 2022-04-18 2022-04-18 一种综合能源系统运行工况识别与运行性能预测方法 Pending CN114943277A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210402932.3A CN114943277A (zh) 2022-04-18 2022-04-18 一种综合能源系统运行工况识别与运行性能预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210402932.3A CN114943277A (zh) 2022-04-18 2022-04-18 一种综合能源系统运行工况识别与运行性能预测方法

Publications (1)

Publication Number Publication Date
CN114943277A true CN114943277A (zh) 2022-08-26

Family

ID=82907105

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210402932.3A Pending CN114943277A (zh) 2022-04-18 2022-04-18 一种综合能源系统运行工况识别与运行性能预测方法

Country Status (1)

Country Link
CN (1) CN114943277A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116628564A (zh) * 2023-04-20 2023-08-22 上海宇佑船舶科技有限公司 用于检测发电机状态的模型训练方法和系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116628564A (zh) * 2023-04-20 2023-08-22 上海宇佑船舶科技有限公司 用于检测发电机状态的模型训练方法和系统
CN116628564B (zh) * 2023-04-20 2024-03-12 上海宇佑船舶科技有限公司 用于检测发电机状态的模型训练方法和系统

Similar Documents

Publication Publication Date Title
CN109685252B (zh) 基于循环神经网络和多任务学习模型的建筑能耗预测方法
CN110580496A (zh) 一种基于熵最小化的深度迁移学习系统及方法
CN111047085B (zh) 一种基于元学习的混合动力车辆工况预测方法
CN113128113B (zh) 一种基于深度学习和迁移学习的贫乏信息建筑负荷预测方法
CN110751318A (zh) 一种基于ipso-lstm的超短期电力负荷预测方法
Zhu et al. Coke price prediction approach based on dense GRU and opposition-based learning salp swarm algorithm
CN114219181A (zh) 基于迁移学习的风电功率概率预测方法
CN111461463A (zh) 一种基于tcn-bp的短期负荷预测方法、系统及设备
CN113094822A (zh) 一种机械设备剩余寿命预测方法和系统
CN111198550A (zh) 基于案例推理的云端智能生产优化调度在线决策方法及系统
Ma et al. An estimating combination method for interval forecasting of electrical load time series
Liu et al. Model fusion and multiscale feature learning for fault diagnosis of industrial processes
CN113591368A (zh) 一种综合能源系统多能负荷预测方法及系统
CN116307211A (zh) 一种风电消纳能力预测及优化方法及系统
CN115828768A (zh) 一种数据驱动的配电网无功功率预测方法
CN114943277A (zh) 一种综合能源系统运行工况识别与运行性能预测方法
CN116975645A (zh) 一种基于vae-mrcnn的工业过程软测量建模方法
CN114596726A (zh) 基于可解释时空注意力机制的停车泊位预测方法
Jin et al. Soft sensor modeling for small data scenarios based on data enhancement and selective ensemble
CN117313795A (zh) 一种基于改进dbo-lstm的智慧楼宇能耗预测方法
CN116880201A (zh) 基于模糊神经网络的水网渠道状态控制系统
CN116565876A (zh) 一种鲁棒强化学习的配网潮流优化方法及计算机可读介质
CN113762591B (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN113300884B (zh) 一种基于gwo-svr的分步网络流量预测方法
Li et al. Knowledge distillation for energy consumption prediction in additive manufacturing

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