CN115237091A - 一种机电装备故障溯源方法及系统 - Google Patents
一种机电装备故障溯源方法及系统 Download PDFInfo
- Publication number
- CN115237091A CN115237091A CN202210843174.9A CN202210843174A CN115237091A CN 115237091 A CN115237091 A CN 115237091A CN 202210843174 A CN202210843174 A CN 202210843174A CN 115237091 A CN115237091 A CN 115237091A
- Authority
- CN
- China
- Prior art keywords
- fault
- tracing
- network model
- node
- fault tracing
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
- G05B23/0213—Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Abstract
本发明公开了一种机电装备故障溯源方法及系统,根据机电装备的多源故障信息构建多源故障信息库;将装备的实时运行状态、故障内在传播机制、运行监测数据、运行相关的经验知识多源动态和统计故障信息有效地结合起来,以在实际工程中充分发挥两类故障溯源方法的优势,通过建立的集成故障溯源模型,帮助实现复杂机电装备故障溯源模型构建、模型参数更新与故障溯源结果输出,为故障检监测策略制定提供辅助意见,指导装备运维方进行合理的故障检测,提高装备状态重建效率。同时,故障溯源的工作对于反哺装备再设计也具有一定程度的意义,由此产生巨大的经济效益和社会效益。
Description
技术领域
本发明属于机械系统故障检测追溯领域,具体涉及一种机电装备故障溯源方法及系统。
背景技术
以海上风力发电机组等为代表的现代复杂机电装备应用场景日益丰富,应用规模日渐扩大,由于运行环境的持续作用及装备本身的性能退化等因素,故障不可避免。故障溯源技术是追寻装备故障原因,辅助故障检监测策略制定以及状态重建的有效技术手段,对于复杂机电系统的有效运行和维护至关重要。
故障溯源技术侧重于从系统整体角度分析各个部件之间的状态变化关系,求解当前故障传播和发展的根本原因。在过去的几十年里,针对现代复杂机电装备的故障溯源需求,研究界与工业界已经发展了几类故障溯源方法,其主要可以分为基于故障传播机理的方法和基于监测数据分析的方法两类。
基于故障传播机理的故障溯源方法,主要是基于对系统运行功能,通过不确定性的逻辑与数值推理,产生概率性排序结果。当前常用的技术如FTA(Fault Tree Analysis,故障树分析)、FMEA(Failure Mode and Effect Analysis,故障模式与影响分析)、BN(Bayesian Network,贝叶斯网络)、DUCG(Dynamical Uncertainty Causality Graph,不确定因果图),PN(Petri Net,Petri网)与GO法等,主要用于在实时运行和维护数据稀缺的情况下,基于历史故障规律、专家经验与相似产品经验等故障信息追溯故障原因。
由监测数据驱动的故障溯源方法主要是通过追踪异常监测参数和识别异常监测参数与具体故障之间的关系来追溯故障原因。SDG(Signed Directed Graph,符号有向图),BNN(Bayesian Neural Network,贝叶斯神经网络)与复杂网络等是具有代表性的故障溯源信息模型,主要用于实时运行数据较为丰富的故障溯源情景,因果关系挖掘、异常检测与故障识别是该类方法在故障溯源应用中的主要工作内容。
上述两种方法已经在工程和研究领域得到了广泛的应用与研究,在适当的故障信息基础条件下表现良好。然而,面向大型、新型复杂机电系统的故障溯源工作,由于内在故障传播机理与外在监测数据表征等故障先验知识的匮乏,这两种方法的应用不可避免地受到限制。亟需提出一种新型的复杂机电系统故障溯源方法。
发明内容
本发明的目的在于提供一种机电装备故障溯源方法及系统,以克服现有技术的不足。
一种机电装备故障溯源方法,包括以下步骤:
S1,根据机电装备的多源故障信息构建多源故障信息库;
S2,根据多源故障信息库中多源故障信息的故障传播机理构建多层次故障溯源网络模型;
S3,基于统计故障传播机理与实时监测数据分析更新故障溯源网络模型的参数;
S4,对多层次故障溯源网络模型中故障节点进行偏重度设置,计算更新参数后的故障溯源网络模型中的故障节点偏重度,以风险的思想,按照偏重度结合故障正向传播与反向追溯原则输出故障节点排序,偏重度数值最高的底层次故障节点被认为是当前的故障原因。
优选的,多源故障信息包括典型故障模式、故障模式间的经验关联、故障监测数据表征、历史统计的故障规律、专家经验、相似产品故障知识以及机电装备的物理运行机制。
优选的,根据多源故障信息构建多层次故障溯源网络模型,该故障溯源网络模型包括节点,连边与权重,其中权重包括节点权重与连边权重。
优选的,故障溯源网络模型的节点集为典型故障模式集,连边为故障模式之间的相互影响,模型的层次与规模由典型故障模式决定,权重为对应故障模式当前发生程度,连边权重为相应故障模式当前的相互影响。
优选的,构建多层次故障溯源网络模型:
将多层次故障溯源网络模型定义为一个三元组G:
G=<V,R,W>
其中,对于一个整体上具有个故障节点与L个层次的故障溯源网络模型,k=n1+…+ni-1+j,1≤k≤N,表示模型的节点集合;为故障溯源网络模型中第i层的j个节点,此节点在模型整体上标号为第k个节点;R表示模型的连边矩阵,该矩阵由0和1元素组成;Rij表示第i个节点与第j个节点之间的连边;
W={WV,WR},表示模型的权重集合;表示故障溯源网络模型的节点权重数组;表示第k个节点的权重;WR表示故障溯源网络模型的连边权重矩阵,定义如下式所示,表示第k个节点与第k_re个节点之间连边的权重。
优选的,通过LOF算法对数据点周围的数据密度进行异常因子数值排序来识别异常情况。
优选的,为每个数据点计算局部可达密度;然后基于局部可达密度数值为每个数据点计算离群因子;基于离群因子数值量化数据点的相对异常程度,离群因子的值越大,异常程度就越大。
优选的,离群因子计算:
reach_distk(p,o)=max{lk(o),l(o,p)},表示数据点p的第k阶可达距离,lk(o)表示数据点o的第k阶可达距离,l(o,p)表示数据点p与数据点o之间的距离;表示数据点p的k阶可达密度,|Nk(p)|表示数据点p的k阶可达数据点数量;表示数据点p的局部异常因子。
优选的,采用CRI对多层次故障溯源网络模型中的故障节点进行可能性排序,该值越大,相应的故障节点为故障点的可能性越高:
CRI的计算方式为:
一种机电装备故障溯源系统,包括
数据库模块,根据机电装备的多源故障信息构建存储多源故障信息库;
故障溯源模块,根据多源故障信息库中多源故障信息的故障传播机理构建多层次故障溯源网络模型;基于统计故障传播机理与实时监测数据分析更新故障溯源网络模型的参数;对多层次故障溯源网络模型中故障节点进行偏重度设置,计算更新参数后的故障溯源网络模型中的故障节点偏重度,以风险的思想,按照偏重度结合故障正向传播与反向追溯原则输出故障节点排序,偏重度数值最高的底层次故障节点被认为是当前的故障原因。
与现有技术相比,本发明具有以下有益的技术效果:
本发明一种机电装备故障溯源方法,根据机电装备的多源故障信息构建多源故障信息库;将装备的实时运行状态、故障内在传播机制、运行监测数据、运行相关的经验知识多源动态和统计故障信息有效地结合起来,以在实际工程中充分发挥两类故障溯源方法的优势,通过建立的集成故障溯源模型,帮助实现复杂机电装备故障溯源模型构建、模型参数更新与故障溯源结果输出,为故障检监测策略制定提供辅助意见,指导装备运维方进行合理的故障检测,提高装备状态重建效率。同时,故障溯源的工作对于反哺装备再设计也具有一定程度的意义,由此产生巨大的经济效益和社会效益。
本发明集成了多源故障信息,综合了基于故障传播机理与机理分析的故障溯源优势,扩展了单一类型故障溯源方法的应用场景,构建多层次故障溯源网络模型,能够应对复杂装备故障传播的不确定性与层次性问题;采用故障统计演化规律与即时的故障检测结果更新模型参数,相对基于故障传播机理的故障溯源方法能够更合理地反映故障追溯的时效性问题。
本发明在故障传播机理与外在监测数据分析集成方法可以为相近的研究领域,如装备的运行可靠性分析等提供借鉴;故障节点综合评定原则能够更好地辅助故障检监测策略;本发明方案合理,容易实现,能够综合基于故障传播机理与机理分析的故障溯源优势,更快速、准确地得到故障溯源结果。
附图说明
图1为本发明实施例中故障溯源方法流程图。
图2为本发明实施例中构建的多层次故障溯源网络模型示意图。
图3为本发明实施例中故障点可能性分析示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,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,都应当属于本发明保护的范围。
本发明一种机电装备故障溯源方法,立足于复杂机电装备故障溯源的实际需求,面向行业共性科学问题,以多源故障信息数据为基础,以实现复杂机电装备的快速、准确故障溯源为目标,以概率图模型为依据,采用数据分析的手段,以复杂机电装备典型故障模式及其相互间的影响关系、统计的故障演化规律与即时故障检测为支撑,为复杂机电装备故障溯源提供一种内在故障传播机理与外在监测数据集成分析下的故障溯源方法。
如图1所示,本发明一种机电装备故障溯源方法,帮助实现复杂机电装备故障溯源模型构建、模型参数更新与故障溯源结果输出,为故障监测策略制定提供辅助意见,指导装备运维方进行合理的故障检测,提高装备状态重建效率。同时,故障溯源的工作对于反哺装备再设计也具有一定程度的意义,由此产生巨大的经济效益和社会效益。
本发明一种机电装备故障溯源方法,包括以下步骤:
S1,根据机电装备的多源故障信息构建多源故障信息库;
多源故障信息包括典型故障模式、故障模式间的经验关联、故障监测数据表征、历史统计的故障规律、专家经验、相似产品故障知识以及机电装备的物理运行机制。
S2,根据多源故障信息库中多源故障信息的故障传播机理构建多层次故障溯源网络模型;
根据步骤S1中的多源故障信息,构建多层次故障溯源网络模型如图2所示,该故障溯源网络模型包括节点,连边与权重,其中权重包括节点权重与连边权重。该故障溯源网络模型的节点集为典型故障模式集,连边为故障模式之间的相互影响,模型的层次与规模由典型故障模式决定,权重为对应故障模式当前发生程度,连边权重为相应故障模式当前的相互影响。
具体包括以下步骤:
2.1)构建多层次故障溯源网络模型:
将多层次故障溯源网络模型定义为一个三元组G:
G=<V,R,W>
其中,对于一个整体上具有个故障节点与L个层次的故障溯源网络模型。k=n1+…+ni-1+j,1≤k≤N,表示模型的节点集合;为故障溯源网络模型中第i层的j个节点,此节点在模型整体上标号为第k个节点;R表示模型的连边矩阵,该矩阵由0和1元素组成,定义如下式;Rij表示第i个节点与第j个节点之间的连边;
W={WV,WR},表示模型的权重集合;表示故障溯源网络模型的节点权重数组;表示第k个节点的权重;WR表示故障溯源网络模型的连边权重矩阵,定义如下式所示,表示第k个节点与第k_re个节点之间连边的权重。
2.2)模型参数初始化:
模型参数初始化工作的主要对象是节点权重WV与连边权重WR,计算如下式。
其中,tk=RM(t0,Node_MTBFk),t0表示装备的绝对运行时间;RM(,)表示取余函数;Node_MTBF=[Node_MTBF1 Node_MTBF2…Node_MTBFN],表示对应故障的平均无故障维修时间数组;表示第k个节点对应故障模式发生的可能性;表示第k个节点的故障检测状态,当检测到故障时,否则,在模型的初始化阶段中,对于任意的1≤k≤N,pr{}表示条件概率。
S3,基于统计故障传播机理与实时监测数据分析更新故障溯源网络模型的参数;
具体的,根据统计的故障演化规律与即时的故障监测数据表征更新S2中的故障溯源网络模型参数,其中,故障演化规律由装备运行时间与维修干涉所决定,即时的故障监测表征由数据分析手段获取;
通过LOF(Local Outlier Factor,局部异常因子)算法对数据点周围的数据密度进行异常因子数值排序来识别异常情况。首先,为每个数据点计算局部可达密度;然后,基于局部可达密度数值为每个数据点计算离群因子;最后,基于离群因子数值量化数据点的相对异常程度。离群因子的值越大,异常程度就越大。计算离群因子的过程和方法:
reach_distk(p,o)=max{lk(o),l(o,p)},表示数据点p的第k阶可达距离,lk(o)表示数据点o的第k阶可达距离,l(o,p)表示数据点p与数据点o之间的距离;表示数据点p的k阶可达密度,|Nk(p)|表示数据点p的k阶可达数据点数量;表示数据点p的局部异常因子。
在计算得到数据点的局部异常因子数值后,需要添加异常判断准则进行数据点的异常判定,以下为本发明中用到的两条异常判定准则:
1)基于异常因子极值统计的思想,将设定比例的局部因子数值对应的数据点看作异常点;
2)考虑装备运行的稳定性要求,对相邻时间窗的局部异常因子标准差比值做限制,同样基于极值统计的思想,将设定比例的标准差比值对应下的数据点看作异常点。
对于以上两条异常判断准则,满足其一则视为满足了异常判定条件,即将该数据点视为异常点。
3.2)根据故障的统计演化规律与实时异常检测结果更新模型数值属性,更新的模型数值属性包括节点权重与连边权重两部分,更新算法如下。
其中,CDFk(tk)表示第k个节点在时刻tk下对应的失效概率密度累积数值
S4,对多层次故障溯源网络模型中故障节点进行偏重度设置,计算更新参数后的故障溯源网络模型中的故障节点偏重度,以风险的思想,按照偏重度结合故障正向传播与反向追溯原则输出故障节点排序,偏重度数值最高的底层次故障节点被认为是当前的故障原因。
4.1)计算模型故障溯源节点偏重度:
在经典的基于故障传播机理的故障溯源方法中,如FTA的正向逻辑可靠性计算和BN反向推理的后验概率计算,均可以用来识别故障源点。在此基础上,本发明设置两类偏重度数值以评估一个故障点作为故障源的可能性。本发明将这两类偏差值定义为NTB(NodeTracing Bias,节点追溯偏重度)和NPB(Node Propagation Bias)。具体定义与计算方式如下。
NTB是一种基本的故障溯源数值评价指数,用于对多层次故障溯源网络模型中的故障节点可能性进行排序。该值越大,相应的故障节点为故障点的可能性越高。
NTB的计算方式为:
NPB是另一种基本的故障溯源数值评价指数,用于对多层次故障溯源网络模型中的故障节点可能性进行排序,该值越大,相应的故障节点为故障点的可能性越高。
NPB的计算方式为
其中,NPBO=WV×(WRO+E);表示由WR推导得到的故障正向传播连边权重;表示由第i个节点指向第j个节点的连边权重数值;NPB={NPB1,NPB2,…,NPBL};表示NPB的第i个子集;表示NPBi中的第j个数值。
根据上述的节点偏重度对故障节点进行综合排序。
本发明考虑NTB与NPB在故障追溯决策中是同等重要的思想,因此,在NTB与NPB计算的基础上,提出了多层次故障溯源网络模型中故障节点可能性的综合排序原则与相应的数值指标CRI(Comprehensive Ranking Index,综合排序指标),如图3所示。
CRI是一种基于NTB与NPB的一种更高层次故障溯源数值评价指标,用于对多层次故障溯源网络模型中的故障节点进行可能性排序,该值越大,相应的故障节点为故障点的可能性越高。
CRI的计算方式为
CRI仅能用来衡量同一层级的故障节点可能性,即故障点可以在故障溯源多层次网络模型中被逐级识别,最低级别的故障节点被称为系统故障的故障原因。
本发明集成了多源故障信息,综合了基于故障传播机理与机理分析的故障溯源优势,扩展了单一类型故障溯源方法的应用场景;本发明构建了多层次故障溯源网络模型,能够应对复杂装备故障传播的不确定性与层次性问题;本发明采用了故障统计演化规律与即时的故障检测结果更新模型参数,相对基于故障传播机理的故障溯源方法能够更合理地反映故障追溯的时效性问题;本发明提出的内在故障传播机理与外在监测数据分析集成方法可以为相近的研究领域,如装备的运行可靠性分析等提供借鉴;本发明提出的故障节点综合评定原则能够更好地辅助故障检监测策略;本发明方案合理,容易实现,能够综合基于故障传播机理与机理分析的故障溯源优势,更快速、准确地得到故障溯源结果。
Claims (10)
1.一种机电装备故障溯源方法,其特征在于,包括以下步骤:
S1,根据机电装备的多源故障信息构建多源故障信息库;
S2,根据多源故障信息库中多源故障信息的故障传播机理构建多层次故障溯源网络模型;
S3,基于统计故障传播机理与实时监测数据分析更新故障溯源网络模型的参数;
S4,对多层次故障溯源网络模型中故障节点进行偏重度设置,计算更新参数后的故障溯源网络模型中的故障节点偏重度,以风险的思想,按照偏重度结合故障正向传播与反向追溯原则输出故障节点排序,偏重度数值最高的底层次故障节点被认为是当前的故障原因。
2.根据权利要求1所述的一种机电装备故障溯源方法,其特征在于,多源故障信息包括典型故障模式、故障模式间的经验关联、故障监测数据表征、历史统计的故障规律、专家经验、相似产品故障知识以及机电装备的物理运行机制。
3.根据权利要求1所述的一种机电装备故障溯源方法,其特征在于,根据多源故障信息构建多层次故障溯源网络模型,该故障溯源网络模型包括节点,连边与权重,其中权重包括节点权重与连边权重。
4.根据权利要求3所述的一种机电装备故障溯源方法,其特征在于,故障溯源网络模型的节点集为典型故障模式集,连边为故障模式之间的相互影响,模型的层次与规模由典型故障模式决定,权重为对应故障模式当前发生程度,连边权重为相应故障模式当前的相互影响。
5.根据权利要求1所述的一种机电装备故障溯源方法,其特征在于,构建多层次故障溯源网络模型:
将多层次故障溯源网络模型定义为一个三元组G:
G=<V,R,W>
其中,对于一个整体上具有个故障节点与L个层次的故障溯源网络模型,k=n1+…+ni-1+j,1≤k≤N,表示模型的节点集合;为故障溯源网络模型中第i层的j个节点,此节点在模型整体上标号为第k个节点;R表示模型的连边矩阵,该矩阵由0和1元素组成;Rij表示第i个节点与第j个节点之间的连边;
6.根据权利要求1所述的一种机电装备故障溯源方法,其特征在于,通过LOF算法对数据点周围的数据密度进行异常因子数值排序来识别异常情况。
7.根据权利要求6所述的一种机电装备故障溯源方法,其特征在于,为每个数据点计算局部可达密度;然后基于局部可达密度数值为每个数据点计算离群因子;基于离群因子数值量化数据点的相对异常程度,离群因子的值越大,异常程度就越大。
10.一种机电装备故障溯源系统,其特征在于,包括
数据库模块,根据机电装备的多源故障信息构建存储多源故障信息库;
故障溯源模块,根据多源故障信息库中多源故障信息的故障传播机理构建多层次故障溯源网络模型;基于统计故障传播机理与实时监测数据分析更新故障溯源网络模型的参数;对多层次故障溯源网络模型中故障节点进行偏重度设置,计算更新参数后的故障溯源网络模型中的故障节点偏重度,以风险的思想,按照偏重度结合故障正向传播与反向追溯原则输出故障节点排序,偏重度数值最高的底层次故障节点被认为是当前的故障原因。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210843174.9A CN115237091A (zh) | 2022-07-18 | 2022-07-18 | 一种机电装备故障溯源方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210843174.9A CN115237091A (zh) | 2022-07-18 | 2022-07-18 | 一种机电装备故障溯源方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115237091A true CN115237091A (zh) | 2022-10-25 |
Family
ID=83673334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210843174.9A Pending CN115237091A (zh) | 2022-07-18 | 2022-07-18 | 一种机电装备故障溯源方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115237091A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116305153A (zh) * | 2023-03-07 | 2023-06-23 | 北京交通大学 | 一种基于ducg的ctcs-3系统的安全评估方法 |
-
2022
- 2022-07-18 CN CN202210843174.9A patent/CN115237091A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116305153A (zh) * | 2023-03-07 | 2023-06-23 | 北京交通大学 | 一种基于ducg的ctcs-3系统的安全评估方法 |
CN116305153B (zh) * | 2023-03-07 | 2023-11-14 | 北京交通大学 | 一种基于ducg的ctcs-3系统的安全评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111237134B (zh) | 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法 | |
Kaur et al. | Soft computing approaches for prediction of software maintenance effort | |
JP5299267B2 (ja) | 診断装置 | |
CN106649479A (zh) | 一种基于概率图的变压器状态关联规则挖掘方法 | |
CN116505665B (zh) | 一种电网配电线路的故障监测方法及系统 | |
Duan et al. | Root cause analysis approach based on reverse cascading decomposition in QFD and fuzzy weight ARM for quality accidents | |
CN102662831B (zh) | 一种容错系统诊断策略优化方法 | |
Catal et al. | An artificial immune system approach for fault prediction in object-oriented software | |
CN114785666A (zh) | 一种网络故障排查方法与系统 | |
CN115822887A (zh) | 风电机组的性能评估与能效诊断方法及系统 | |
Shi et al. | Study of wind turbine fault diagnosis and early warning based on SCADA data | |
CN115237091A (zh) | 一种机电装备故障溯源方法及系统 | |
CN104021315A (zh) | 基于bp神经网络的电厂厂用电率计算方法 | |
Wang et al. | Tracking and predicting technological knowledge interactions between artificial intelligence and wind power: Multimethod patent analysis | |
Liu et al. | Research on the strategy of locating abnormal data in IOT management platform based on improved modified particle swarm optimization convolutional neural network algorithm | |
CN111144572B (zh) | 一种基于树形贝叶斯网络的配电网灾情推断方法及系统 | |
Wu et al. | Physics-informed ai surrogates for day-ahead wind power probabilistic forecasting with incomplete data for smart grid in smart cities | |
CN114385403A (zh) | 基于双层知识图谱架构的分布式协同故障诊断方法 | |
Gawali et al. | Fault prediction model in wind turbines using deep learning structure with enhanced optimisation algorithm | |
Shahzad | Artificial neural network for transient stability assessment: A review | |
Sharma et al. | Application of fuzzy methodology to build process reliability: a practical case | |
Ramsami et al. | Neural Network Frameworks for Electricity Forecasting in Mauritius and Rodrigues Islands | |
Sayar et al. | Real-time prediction of electricity distribution network status using artificial neural network model: A case study in Salihli (Manisa, Turkey) | |
Liu et al. | Ultra-short-term wind power forecasting based on stacking model | |
Samooni et al. | Investigating the Climatic Effect on Reliability Assessment of a Composite Power System Using a Bayesian Network Base on Minimal Cutset |
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 |