CN115713162A - 一种分布式低碳能源站健康状态预警预测方法 - Google Patents
一种分布式低碳能源站健康状态预警预测方法 Download PDFInfo
- Publication number
- CN115713162A CN115713162A CN202211493072.5A CN202211493072A CN115713162A CN 115713162 A CN115713162 A CN 115713162A CN 202211493072 A CN202211493072 A CN 202211493072A CN 115713162 A CN115713162 A CN 115713162A
- Authority
- CN
- China
- Prior art keywords
- state
- state quantity
- carbon energy
- energy station
- distributed low
- 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
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000036541 health Effects 0.000 title claims abstract description 27
- 230000002159 abnormal effect Effects 0.000 claims abstract description 45
- 230000008859 change Effects 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000007637 random forest analysis Methods 0.000 claims abstract description 8
- 210000002569 neuron Anatomy 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 25
- 239000002245 particle Substances 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 21
- 238000012546 transfer Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims 3
- 230000005856 abnormality Effects 0.000 claims 1
- 238000012937 correction Methods 0.000 claims 1
- 238000012216 screening Methods 0.000 claims 1
- 230000003862 health status Effects 0.000 description 8
- 238000010438 heat treatment Methods 0.000 description 7
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种分布式低碳能源站健康状态预警预测方法，包含分析分布式低碳能源站状态信息，采集分布式低碳能源站状态量数据；运用孤立森林算法对采集的状态量进行检测，筛选出异常的状态量数据；运用随机森林算法对异常的状态量数据进行修正；计算状态变化量，并结合现行状态量，确定分布式低碳能源站的运行状态分类方法；采集分布式低碳能源站的状态变化量、状态量以及运行状态，对广义回归神经网络PSO‑GRNN模型进行训练；根据分布式低碳能源站新生成的状态变化量和状态量，不断修正广义回归神经网络PSO‑GRNN模型。本发明提供的分布式低碳能源站健康状态预警预测方法，有助于对分布式低碳能源站健康状态未来运行状态进行预测，具有良好应用前景。
Description
技术领域
本发明属于能源系统领域，具体涉及一种分布式低碳能源站健康状态预警预测方法。
背景技术
随着“双碳”目标的快速推进，节能减排和低碳高效的理念深入人心。在高效能源利用和低碳环境保护的双重作用之下，能实现能源低碳高效利用的分布式低碳能源站逐渐成为大家的研究重点。对分布式低碳能源站的健康运行状态进行精确的把握，能对分布式低碳能源站的运行起到积极指导作用。
在健康状态预警预测方面，CN115372852A中提出基于前馈神经网络的蓄电池健康状态预测方法，其通过获取老化特性参数，包括环境温度、开路电压等，进而预测蓄电池的健康状态。CN115153447A中提出了健康状态预测系统，通过对多特征的相关模块，以达到健康状态预测的目的。CN115343621A中考虑数据驱动的作用，提出了一种动力电池的健康状态预测方法。其通过对现有电动力汽车的数据进行处理，确定历史健康数据值与健康特征，达到预测健康的目的。CN114332613A中提出基于遥感影像的农地健康状态预测方法，其通过卫星遥感的支撑，对农地的健康状态进行预测。现有研究多以特定设备为对象，健康状态预测大多以锂电池的健康运行状态为主，对于分布式低碳能源站的健康状态鲜有研究。现有的预测预警方法不能准确的预测，缺乏科学有效的结果。
发明内容
为了解决分布式低碳能源站健康状态预警预测的问题，本发明提供了一种分布式低碳能源站健康状态预警预测方法。
本发明提供的分布式能源低碳站健康状态预警预测方法，包含以下步骤：
步骤S1：分析分布式低碳能源站状态信息，采集分布式低碳能源站状态量数据；
步骤S2：运用孤立森林算法对采集的状态量进行检测，筛选出异常的状态量数据；
步骤S3：运用随机森林算法对异常的状态量数据进行修正；
步骤S4：计算状态变化量，并结合现行状态量，确定分布式低碳能源站的运行状态分类方法；
步骤S5：采集分布式低碳能源站的状态变化量、状态量以及运行状态，对广义回归神经网络PSO-GRNN模型进行训练；
步骤S6：根据分布式低碳能源站新生成的状态变化量和状态量，不断修正广义回归神经网络PSO-GRNN模型。
可选的，步骤S1中所述分布式低碳能源站的状态量包括电网电压、电网频率、气网气压和热网温度。
可选的，步骤S2包含构建孤立森林，对全部状态量数据进行找寻树，求得最终的孤立森林深度、状态量数据的平均深度，再对树的深度进行标准化处理，检索测试数据，计算步骤有：
E(h(x))→0,s(x,a)→1； (3)
E(h(x))→a-1,s(x,a)→0；
E(h(x))→c(a),s(x,a)→0.5
公式1中，a表示状态量的数量；c(a)表示二叉树将搜索完成后的平均路径；ξ表示欧拉常数；
公式2和3中，x表示待检测的状态量的数据值；h(x)表示状态量x在每棵上平均深度；E(h(x))表示对某一特定值的路径长度期望；s(x,a)表示状态量x的异常指数；s(x,a)趋于1则状态量x为异常数据，s(x,a)趋于0则状态量x为正常数据，s(x,a)趋于0.5则状态量x为无明显异常数据。
可选的，步骤S3具体包含：
(1)将异常状态量作为决策属性，将其他无异常状态量作为特性属性；
(2)从全体状态量样本中运用Bagging方法进行抽取样本，每次取出M个数据作为子数据集，将其作为训练集；
(3)进行K次抽取并训练，可获得K个模型；
(4)K个模型分别对异常状态量进行预测，得到K个预测值，进而对K个预测值取绝对平均值，即可得到异常状态量的修正数据。
可选的，步骤S4中对所述状态变化量进行标准化处理的公式为：
式中，d表示状态变化量，Uk表示k时刻的状态量的数值，Uk+1表示k+1时刻的状态量的数值，U0表示状态量的额定值。
可选的，步骤S4中分布式低碳能源站的运行状态分类方法为：
现行状态量Uk+1和状态变化量d都均为正常值，则能源站将保持正常状态运行；现行状态量Uk+1为正常值、状态变化量d为异常值，则能源站将进入临界状态运行；现行状态量Uk+1和状态变化量d都均为异常值，则能源站将进入紧急状态运行。
可选的，步骤S5中广义回归神经网络的网络结构包括输入层、模式层、求和层、输出层；
(1)输入层：输入分布式低碳能源站的测试状态量样本，其神经元的个数为8个，包含k0时刻电网电压、电网频率、热网温度、气网气压4个状态量，以及4个状态量分别对应的、k0-1时刻与k0时刻之间的状态变化量；
(2)模式层：模式层的神经元个数与状态量训练样本组数保证一致，为M个；各神经元对应不同训练样本，其传递函数为：：
式中：pn为模式层第n个神经元的传递函数；X为网络输入变量；Xm为第m个训练样本；其径向基函数为高斯函数，δ表示高斯函数标准差，决定其基函数形状，在进行训练学习之前设定，δ为超参数，通过PSO选优算法进行超参数优化；
(3)求和层：该层神经元数目个数样本为5个，求和层分为两个部分，第一个节点输出为模式层的和，其他节点为上一层的输出的加权和；
第一个节点：
其他节点：
公式8和9式中，S1为第一个神经元节点的传递函数；N为模式层共有N个神经元；gi为模式层第i个神经元的输出；Sj为求和层第j个神经元的神经元传递函数；yij表示为模式层第i个神经元对应的第j个元素；
(4)输出层：输出层包含4个神经元，输出量分别为k0+1时刻的电网电压、电网频率、热网温度、气网气压；
通过预测k0+1时刻的四个状态量，求得k0时刻到k0+1时刻时间的状态变化量，根据所述运行状态分类方法，确定k0+1时刻的分布式低碳能源站的运行状态。
可选的，步骤S5中进一步包含采用粒子群算法求解的最优解。
与现有技术相比，本发明提出的分布式低碳能源站健康状态预警预测方法具有以下优点或有益效果：
本发明采用孤立森林算法对异常状态量数据进行检测，排除其他因素对分布式低碳能源站状态量的影响；本发明在检测出异常状态量数据后，运用随机森林算法对异常的数据进行修正；本发明在修正分布式低碳能源站的状态量后，计算状态变化量、并结合现行状态量，确定分布式低碳能源站的运行状态。本发明提供的分布式低碳能源站健康状态预警预测方法，有助于对分布式低碳能源站健康状态未来运行状态进行预测，具有良好应用前景。
附图说明
图1为本发明提供的分布式低碳能源站健康状态预警预测方法流程图；
图2为本发明所述分布式低碳能源站运行状态判断流程图。
具体实施方式
以下结合附图，通过详细说明较佳的具体实施例对本发明作进一步介绍。
图1为本发明提供的分布式低碳能源站健康状态预警预测方法流程图，如图1所示，本发明提出的分布式低碳能源站健康状态预警预测方法，采用孤立森林算法对采集的状态量进行检测，筛选出异常的状态量数据；采用随机森林算法对异常的状态量数据进行修正；计算状态变化量，并结合现行状态量，确定分布式低碳能源站的运行状态分类方法；采集分布式低碳能源站的状态变化量、状态量以及运行状态，对广义回归神经网络PSO-GRNN模型进行训练；根据分布式低碳能源站新生成的状态变化量和状态量，不断修正广义回归神经网络PSO-GRNN模型。本发明所述分布式低碳能源站的健康状态评估方法具体步骤如下。
步骤S1：分析分布式低碳能源站状态信息，采集分布式低碳能源站状态量数据。
分布式低碳能源站建设的主要目的是为了在满足用户侧供能需求同时，提高能源的利用效率；其物理架构上可看作单一能源系统在接入分布式可再生能源站和多元化负荷后，集成了实现系统安全可靠运行的一系列设备所形成的整体。
分布式低碳能源站的系统主要包括供电系统、供气系统和供热系统，则分布式低碳能源站的主要状态量包括电网电压、电网频率、气网气压和热网温度，这些状态量可通过分布式低碳能源站的向量测量单元、压力变送器、温度传感器以及电压互感器等设备测量得到。
步骤S2：运用孤立森林算法对采集的状态量进行检测，筛选出异常的状态量数据。
在综合能源系统中，由于环境复杂、传感器工作环境恶劣、通信线路受干扰、多重信号复杂等问题，会导致状态量数据超过误差允许范围，成为失真数据，也可能由于严重故障，造成数据的严重缺失。分布式低碳能源站的状态量数据将决定能源站的后续运行状态，因此，需要检测出异常的状态量数据。本发明采用孤立森林算法对分布式低碳能源站的电网电压、电网频率、气网气压和热网温度等状态量数据进行检测，筛选出异常的状态量数据。
通常情况下，异常的状态量数据相对较少，并且异常状态量数据的属性与正常状态量数据有所区别，需要通过多次数据分离将异常的状态量数据筛选出来，具体过程如下：
(1)从训练数据集中选择t个数据作为树节点，将其作为子样本；
(2)选取阈值，在此范围内进行随机切割；
(3)以切割点为基准，形成超平面，可将数据分为两个子空间；
(4)循环(2)、(3)步，直到分割到最小成分或次数达到log2t，最后可构建出孤立森林。
根据构建的孤立森林，对全部状态量数据进行找寻树，可求得最终的孤立森林深度，求得状态量数据的平均深度，再对树的深度进行标准化处理，检索测试数据，具体计算步骤有：
E(h(x))→0,s(x,a)→1； (3)
E(h(x))→a-1,s(x,a)→0；
E(h(x))→c(a),s(x,a)→0.5
公式1中，a表示状态量的数量；c(a)表示二叉树将搜索完成后的平均路径；ξ表示欧拉常数；
公式2和3中，x表示待检测的状态量的数据值；h(x)表示状态量x在每棵上平均深度；E(h(x))表示对某一特定值的路径长度期望；s(x,a)表示状态量x的异常指数；s(x,a)趋于1则状态量x为异常数据，s(x,a)趋于0则状态量x为正常数据，s(x,a)趋于0.5则状态量x为无明显异常数据。
步骤S3：运用随机森林算法对异常的状态量数据进行修正。
随机森林算法具有很好的非线性数据处理能力，并且具有很好的抗干扰特性。本发明运用随机森林算法对异常数据进行修正。分布式低碳能源站的状态量主要是非标称属性，主要过程如下：
(1)将异常状态量作为决策属性，将其他无异常状态量作为特性属性；
(2)从全体状态量样本中运用Bagging方法进行抽取样本，每次取出M个数据作为子数据集，将其作为训练集；
(3)进行K次抽取并训练，可获得K个模型；
(4)K个模型分别对异常状态量进行预测，得到K个预测值，进而对K个预测值取绝对平均值，即可得到异常状态量的修正数据。
步骤S4：计算状态变化量，并结合现行状态量，确定分布式低碳能源站的运行状态分类方法。
所述状态变化量表示分布式低碳能源站的状态量在前一个时间点的数值与后一个时间点的数值之间的变化量，为方便后续运算与训练，对所述状态变化量进行标准化处理，具体公式为：
式中，d表示状态变化量，Uk表示k时刻的状态量的数值，Uk+1表示k+1时刻的状态量的数值，U0表示状态量的额定值。
状态变化量d与现行状态量Uk+1，与分布式低碳能源站后续的运行状态存在关联关系。图2为本发明所述分布式低碳能源站运行状态判断流程图。如图2所示，现行状态量Uk+1和状态变化量d都均为正常值，则能源站将保持正常状态运行；现行状态量Uk+1为正常值、状态变化量d为异常值，则能源站将进入临界状态运行；现行状态量Uk+1和状态变化量d都均为异常值，则能源站将进入紧急状态运行。
步骤S5：采集分布式低碳能源站的状态变化量、状态量以及运行状态，对广义回归神经网络PSO-GRNN模型进行训练。
广义回归神经网络是径向基神经网络的一种，是一个向前传播的神经网络，并不需要反向传播，其主要网络结构包括输入层、模式层、求和层、输出层。
(1)输入层：输入分布式低碳能源站的测试状态量样本，其神经元的个数为8个，即k0时刻电网电压、电网频率、热网温度、气网气压4个状态量，以及4个状态量分别对应的、k0-1时刻与k0时刻之间的状态变化量。
(2)模式层：模式层的神经元个数与状态量训练样本组数保证一致，即为M个。各神经元对应不同训练样本，其传递函数为：
式中：pn为模式层第n个神经元的传递函数；X为网络输入变量；Xm为第m个训练样本；其径向基函数为高斯函数，δ表示高斯函数标准差，能决定其基函数形状，需要在进行训练学习之前设定，其为超参数，本发明通过PSO选优算法进行超参数优化。
本发明采用粒子群算法求解δ的最优解。粒子群算法初始化为一群随机粒子，粒子群算法关注于粒子的两个属性：位置和速度。每个粒子在空间中单独搜寻，它们记得自己找到的过最优解，也知道整个粒子群当前找到的最优解。下一步要去哪，取决于粒子当前的方向、自己找到过的最优解的方向、整个粒子群当前最优解的方向。结合本发明，δ是影响预测模型精度的超参数，因此，将δ设置为粒子的位置，将其预测结果与实际值的偏差设为粒子的适应度，通过多次迭代后，即可找到最优的δ值。粒子群算法的主要步骤为：
1、初始化规模为N的粒子群，每个粒子的速度和位置随机；
2、计算每个粒子的适应值；
3、若某个粒子当前的适应值比之前记录的该粒子最优解更好，则更新该粒子最优解；
4、若某个粒子当前的适应值比之前记录的全局最优解更好，则更新全局最优解；
5、粒子更新自己的速度和位置，直到迭代结束。更新速度和位置的计算公式为：
v′＝v+c1×rand()×(pbest-μ)+c2×rand()×(gbest-μ) (6)
μ'＝μ+v' (7)
公式6和7中：v表示粒子的当前速度；v′表示粒子更新的速度；rand()表示介于(0,1)之间的随机数；μ表示粒子的当前位置；μ'表示粒子更新的位置；c1和c2表示学习因子；pbest表示个体最优值；gbest表示全局最优值。
(3)求和层：该层神经元数目个数样本为输出量维度加1个，本发明为5个，求和层分为两个部分，第一个节点输出为模式层的和，其他节点为上一层的输出的加权和。
第一个节点：
其他节点：
公式8和9式中，S1为第一个神经元节点的传递函数；N为模式层共有N个神经元；gi为模式层第i个神经元的输出；Sj为求和层第j个神经元的神经元传递函数；yij表示为模式层第i个神经元对应的第j个元素。
(4)输出层：输出层包含4个神经元，输出量分别为k0+1时刻的电网电压、电网频率、热网温度、气网气压。
通过预测k0+1时刻的四个状态量，并可求得k0时刻到k0+1时刻时间的状态变化量，从而根据图2的判定关系，确定k0+1时刻的分布式低碳能源站的运行状态。
步骤S6：根据分布式低碳能源站新生成的状态变化量和状态量，不断修正广义回归神经网络PSO-GRNN模型。
由于外部客观因素在不断改变，需要对广义回归神经网络不断修正，以获得更准确的模型。可利用通过最新的状态变化量和状态量数据对模型进行不断修正。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。
Claims (8)
1.一种分布式低碳能源站的健康状态预警预测方法，其特征在于，包含以下步骤：
步骤S1：分析分布式低碳能源站状态信息，采集分布式低碳能源站状态量数据；
步骤S2：运用孤立森林算法对采集的状态量进行检测，筛选出异常的状态量数据；
步骤S3：运用随机森林算法对异常的状态量数据进行修正；
步骤S4：计算状态变化量，并结合现行状态量，确定分布式低碳能源站的运行状态分类方法；
步骤S5：采集分布式低碳能源站的状态变化量、状态量以及运行状态，对广义回归神经网络PSO-GRNN模型进行训练；
步骤S6：根据分布式低碳能源站新生成的状态变化量和状态量，不断修正广义回归神经网络PSO-GRNN模型。
2.如权利要求1所述的分布式低碳能源站的健康状态预警预测方法，其特征在于，步骤S1中所述分布式低碳能源站的状态量包括电网电压、电网频率、气网气压和热网温度。
3.如权利要求2所述的分布式低碳能源站的健康状态预警预测方法，其特征在于，步骤S2包含构建孤立森林，对全部状态量数据进行找寻树，求得最终的孤立森林深度、状态量数据的平均深度，再对树的深度进行标准化处理，检索测试数据，计算步骤有：
公式1中，a表示状态量的数量；c(a)表示二叉树将搜索完成后的平均路径；ξ表示欧拉常数；
公式2和3中，x表示待检测的状态量的数据值；h(x)表示状态量x在每棵上平均深度；E(h(x))表示对某一特定值的路径长度期望；s(x,a)表示状态量x的异常指数；s(x,a)趋于1则状态量x为异常数据，s(x,a)趋于0则状态量x为正常数据，s(x,a)趋于0.5则状态量x为无明显异常数据。
4.如权利要求3所述的分布式低碳能源站的健康状态预警预测方法，其特征在于，步骤S3具体包含：
(1)将异常状态量作为决策属性，将其他无异常状态量作为特性属性；
(2)从全体状态量样本中运用Bagging方法进行抽取样本，每次取出M个数据作为子数据集，将其作为训练集；
(3)进行K次抽取并训练，可获得K个模型；
(4)K个模型分别对异常状态量进行预测，得到K个预测值，进而对K个预测值取绝对平均值，即可得到异常状态量的修正数据。
5.如权利要求4所述的分布式低碳能源站的健康状态预警预测方法，其特征在于，步骤S4中对所述状态变化量进行标准化处理的公式为：
式中，d表示状态变化量，Uk表示k时刻的状态量的数值，Uk+1表示k+1时刻的状态量的数值，U0表示状态量的额定值。
6.如权利要求5所述的分布式低碳能源站的健康状态预警预测方法，其特征在于，步骤S4中分布式低碳能源站的运行状态分类方法为：
现行状态量Uk+1和状态变化量d都均为正常值，则能源站将保持正常状态运行；现行状态量Uk+1为正常值、状态变化量d为异常值，则能源站将进入临界状态运行；现行状态量Uk+1和状态变化量d都均为异常值，则能源站将进入紧急状态运行。
7.如权利要求6所述的分布式低碳能源站的健康状态预警预测方法，其特征在于，步骤S5中广义回归神经网络的网络结构包括输入层、模式层、求和层、输出层；
(1)输入层：输入分布式低碳能源站的测试状态量样本，其神经元的个数为8个，包含k0时刻电网电压、电网频率、热网温度、气网气压4个状态量，以及4个状态量分别对应的、k0-1时刻与k0时刻之间的状态变化量；
(2)模式层：模式层的神经元个数与状态量训练样本组数保证一致，为M个；各神经元对应不同训练样本，其传递函数为：
式中：pn为模式层第n个神经元的传递函数；X为网络输入变量；Xm为第m个训练样本；其径向基函数为高斯函数，δ表示高斯函数标准差，决定其基函数形状，在进行训练学习之前设定；δ为超参数，通过PSO选优算法进行超参数优化；
(3)求和层：该层神经元数目个数样本为5个，求和层分为两个部分，第一个节点输出为模式层的和，其他节点为上一层的输出的加权和；
第一个节点：
其他节点：
公式8和9式中，S1为第一个神经元节点的传递函数；N为模式层共有N个神经元；gi为模式层第i个神经元的输出；Sj为求和层第j个神经元的神经元传递函数；yij表示为模式层第i个神经元对应的第j个元素；(4)输出层：输出层包含4个神经元，输出量分别为k0+1时刻的电网电压、电网频率、热网温度、气网气压；
通过预测k0+1时刻的四个状态量，求得k0时刻到k0+1时刻时间的状态变化量，根据所述运行状态分类方法，确定k0+1时刻的分布式低碳能源站的运行状态。
8.如权利要求7所述的分布式低碳能源站的健康状态预警预测方法，其特征在于，步骤S5中进一步包含采用粒子群算法求解δ的最优解。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211493072.5A CN115713162A (zh) | 2022-11-25 | 2022-11-25 | 一种分布式低碳能源站健康状态预警预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211493072.5A CN115713162A (zh) | 2022-11-25 | 2022-11-25 | 一种分布式低碳能源站健康状态预警预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115713162A true CN115713162A (zh) | 2023-02-24 |
Family
ID=85234820
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211493072.5A Pending CN115713162A (zh) | 2022-11-25 | 2022-11-25 | 一种分布式低碳能源站健康状态预警预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115713162A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116719861A (zh) * | 2023-06-27 | 2023-09-08 | 哈尔滨源芯智能科技发展有限公司 | 一种基于大数据的多源数据交互管理系统及方法 |
| CN117540328A (zh) * | 2024-01-09 | 2024-02-09 | 山西众诚安信安全科技有限公司 | 一种煤矿噪声高精度测量过程中噪声处理方法 |
-
2022
- 2022-11-25 CN CN202211493072.5A patent/CN115713162A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116719861A (zh) * | 2023-06-27 | 2023-09-08 | 哈尔滨源芯智能科技发展有限公司 | 一种基于大数据的多源数据交互管理系统及方法 |
| CN116719861B (zh) * | 2023-06-27 | 2025-01-10 | 北京奥普杰特科技发展有限责任公司 | 一种基于大数据的多源数据交互管理系统及方法 |
| CN117540328A (zh) * | 2024-01-09 | 2024-02-09 | 山西众诚安信安全科技有限公司 | 一种煤矿噪声高精度测量过程中噪声处理方法 |
| CN117540328B (zh) * | 2024-01-09 | 2024-04-02 | 山西众诚安信安全科技有限公司 | 一种煤矿噪声高精度测量过程中噪声处理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110221225B (zh) | 一种航天器锂离子电池循环寿命预测方法 | |
| CN112633317A (zh) | 基于注意力机制的cnn-lstm风机故障预测方法及系统 | |
| CN107817404B (zh) | 一种便携式计量自动化终端故障诊断装置及其诊断方法 | |
| CN109829543A (zh) | 一种基于集成学习的数据流在线异常检测方法 | |
| CN106022954B (zh) | 基于灰色关联度的多重bp神经网络负荷预测方法 | |
| CN114169445A (zh) | 基于cae和gan混合网络的日前光伏功率预测方法、装置与系统 | |
| CN106777984A (zh) | 一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法 | |
| CN115713162A (zh) | 一种分布式低碳能源站健康状态预警预测方法 | |
| CN114545274A (zh) | 一种锂电池剩余寿命预测方法 | |
| CN116885691B (zh) | 一种风电功率爬坡事件间接预测方法 | |
| CN114581699A (zh) | 考虑多源信息时基于深度学习模型的变压器状态评估方法 | |
| CN118336705A (zh) | 一种短期负荷区间预测方法 | |
| CN115358347A (zh) | 一种针对不同子系统下智能电表的剩余寿命预测方法 | |
| 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 | |
| Li et al. | Hybrid model for wind power estimation based on BIGRU network and error discrimination‐correction | |
| CN119129772A (zh) | 一种基于组合机器学习模型的河流断面水质预测方法 | |
| CN119128699A (zh) | 一种新能源设备故障监测分析方法 | |
| CN119047516A (zh) | 一种基于SSA-VMD和CNN-BiLSTM的混合深度学习预测模型的构建方法及其应用 | |
| CN118157127A (zh) | 基于lstm-mm模型的多天气光伏发电功率预测数字孪生系统 | |
| CN107977727B (zh) | 一种基于社会发展和气候因素预测光缆网阻断概率的方法 | |
| Basia et al. | Comparison of data driven algorithms for SoH estimation of Lithium-ion batteries | |
| Gao et al. | Fault detection of electric vehicle charging piles based on extreme learning machine algorithm | |
| Ren et al. | A study of wind speed prediction based on particle swarm algorithm to optimize the parameters of sparse least squares support vector | |
| CN207516464U (zh) | 一种便携式计量自动化终端故障诊断装置 | |
| Leksono et al. | Development of Non-Intrusive Load Monitoring of Electricity Load Classification with Low-Frequency Sampling Based on Support Vector Machine |
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 |