CN115795999B - 一种长期服役抽水蓄能机组性能异常预警方法 - Google Patents
一种长期服役抽水蓄能机组性能异常预警方法 Download PDFInfo
- Publication number
- CN115795999B CN115795999B CN202211316182.4A CN202211316182A CN115795999B CN 115795999 B CN115795999 B CN 115795999B CN 202211316182 A CN202211316182 A CN 202211316182A CN 115795999 B CN115795999 B CN 115795999B
- Authority
- CN
- China
- Prior art keywords
- unit
- value
- storage unit
- health
- pumped storage
- 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.)
- Active
Links
Classifications
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/20—Hydro energy
Abstract
本发明属于水电机组运行维护工程技术领域,具体公开了一种长期服役抽水蓄能机组性能异常预警方法,该方法包括以下步骤:获取并分析抽水蓄能机组运行初期不同工况下的状态监测数据,确定机组的标准健康状态;根据机组的标准健康状态,选取有功功率和工作水头作为反映机组运行状态的敏感特征参数,建立并验证基于分箱最近邻法的回归健康模型,获得机组标准健康模型;获取机组实时在线监测数据中的运行工况数据,将其输入机组标准健康模型,计算当前工况下的健康值;将健康值和实测值比较,获得偏差,并进行阈值校验,若发生超限,则生成对应报警事件。实际预测结果表明,该方法能获得很好的计算精度,具有很好的应用前景。
Description
技术领域
本发明属于水电机组运行维护技术领域,具体涉及一种长期服役抽水蓄能机组性能异常预警方法。
背景技术
抽水蓄能机组各设备随着累积运行时间的增加,不断劣化。如何有效地确定机组的真实状态,以便及时发现机组异常,合理安排检修,是抽水蓄能机组由计划检修向状态检修转变的重要课题。
目前抽水蓄能机组故障诊断技术还不能满足现场需求,其主要原因就是抽水蓄能机组故障的复杂性和故障样本的匮乏。随着电站状态监测系统不断完善,机组运行正常时的状态数据越来越多。如何充分利用现有状态监测数据,挖掘出机组可用的信息至关重要。为及早发现机组异常,需对机组劣化趋势进行提前预警,尽可能减少事故发生的机率。
发明内容
针对现有技术中的上述不足,本发明的目的在于提供一种长期服役抽水蓄能机组性能异常预警方法。该方法可以有效地应用于抽水蓄能机组异常状态预警,为机组状态分析提供了一种新的方法。
为了达到上述发明目的,本发明采用的技术方案为:
提供一种长期服役抽水蓄能机组性能异常预警方法,该方法包括以下步骤:
S1、获取并分析抽水蓄能机组运行初期不同工况下的状态监测数据,确定机组的标准健康状态;
S2、根据机组的标准健康状态,选取有功功率和工作水头作为反映机组运行状态的敏感特征参数,建立基于分箱最近邻法的回归模型,获得机组标准健康模型;
S3、获取机组实时在线监测数据中的运行工况数据,将其输入机组标准健康模型,计算当前工况下的健康值;
S4、将健康值和实测值比较,获得偏差,并进行阈值校验,若发生超限,则生成对应报警事件。
进一步地,步骤S2中,建立分箱最近邻法的回归模型包括以下步骤:
S2-1、根据公式:
获取两个对象之间的相似性Sst;其中:dst是对象s和t之间的马氏距离,xs和xt是对象s和t的特征向量,S-1是训练集协方差矩阵的逆矩阵;
S2-2、根据公式:
获取预测响应ys;其中:yt和wt分别是第t个邻居的响应和权重,总和超过k个邻居;Sst是对象s和t之间的相似性,并且总和再次运行在k个最近的邻居上;
S2-3、根据公式:
获取bin宽度其中:m=1,2,…,10,α为bin阈值;用于定义bin阈值的最佳指数α在[0.1,2]范围内采用圆形搜索算法进行搜索。
进一步地,圆形搜索算法具体包括以下步骤:
S1、将搜索代理在搜索空间的上限值(UB)和下限值(LB)之间初始化,如下式所示:
Xt=LB+r×(UB-LB)
式中:Xt为搜索个体,另有N个;B和LB分别为变量的上、下限值;r为0到1之间均匀分布的随机数;
S2、计算所有搜索个体的适应度函数f(Xt):
将分别输入到分箱最近邻法模型,根据公式:
获取每个位置的代价函数值Ji;其中:m为采集数据的个数;yi为实际输出的第i个真实值;为分箱最近邻法模型输出的第i个回归值;
S3、令f(Xc)=minf(Xt),Xc=Xt;
S4、输入常数值c(c∈[0,1]),令Iter=0,Maxiter=500;
S5、如果Iter小于Maxiter,进入S6;否则,进入S9;
S6、更新搜索位置;
根据以下公式分别计算w、a、p:
w=w×rand-w
式中:rand是介于0和1之间的随机数,Iter代表迭代计数器,Maxiter代表最大迭代次数,随着迭代次数的增加,变量w从-π变为0;变量a从π变为0;变量p从1变为0;
根据以下公式计算θ:
式中:角度θ从-π到0之间变化;c是介于0和1之间的常数,代表最大迭代次数的百分比;
根据评估的最佳位置Xc更新搜索Xt的位置,如下式所示:
Xt=Xc+(Xc-Xt)×tan(θ)
如果更新的搜索位置超出边界,则设置搜索位置等于边界;
S7、计算f(Xt):
如果f(Xt)<f(Xc),令f(Xc)=f(Xt),Xc=Xt,进入S8;否则,直接进入S8;
S8、Iter=Iter+1,进入S5;
S9、输出f(Xc)和Xc。
本发明的有益效果为:
本发明提出了基于分箱最近邻法和圆形搜索法的长期服役抽水蓄能机组性能异常预警方法,引入圆形搜索法的寻优功能对分箱最近邻法的参数进行优化,使模型具有一定的有效性和泛化性,并以某抽蓄机组运行数据为例,对不同负荷、不同水头下机组振动进行了分析,并通过振动实测值与模型预测目标值对比,实现对机组运行状态的评估,为机组运行优化及故障预警提供了参考依据。实际预测结果表明,该方法能获得很好的计算精度,具有很好的应用前景。
附图说明
图1为本发明实施例提供的机组运行功率数据示意图;
图2为本发明实施例提供的机组运行工作水头数据示意图;
图3为本发明实施例提供的机组上机架X向水平振动示意图;
图4为本发明实施例提供的抽水蓄能机组振动-功率-水头三维曲面图;
图5为本发明实施例提供的测试样本的计算结果示意图;
图6为本发明实施例提供的测试样本的绝对误差示意图;
图7为本发明实施例提供的测试样本的相对误差示意图;
图8为本发明实施例提供的机组健康值与实测值对比示意图;
图9为本发明实施例提供的机组偏离度与预警示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
实施例
1分箱最近邻法
分箱最近邻法根据多数投票标准通过可变数量的k个邻居来预测目标响应。主要思想是考虑与目标具有最大和可比相似性的所有那些邻居进行预测。为了选择最相似的邻居,预先定义了相似区间(即bin),并根据它们与目标的相似性将邻居分布到这些区间中。所有落入具有最大相似性的bin的邻居都被考虑用于预测。
在本发明中,两个对象之间的相似性计算如下:
式中:dst是对象s和t之间的马氏距离,xs和xt是对象s和t的特征向量,S-1是训练集协方差矩阵的逆矩阵。计算k个邻居的加权平均值,获得预测响应ys,其中权重作为相似性的函数计算,如下:
式中:yt和wt分别是第t个邻居的响应和权重,总和超过k个邻居。Sst是对象s和t之间的相似性,并且总和再次运行在k个最近的邻居上。
分箱最近邻法首先如下定义的相似性度量的分箱过程。
相似度箱是通过优化一个参数α,它定义了bin宽度:
式中:m=1,2,…,10,α为bin阈值。
在本发明中,用于定义bin阈值的最佳指数α在[0.1,2]范围内采用圆形搜索算法方法进行搜索。
2圆形搜索算法
该算法的具体过程是:
(1)初始化。
这一步在圆形搜索法中很重要,其中每个搜索位置的整个维度应该是同样随机化的。然后,搜索代理在搜索空间的上限值(UB)和下限值(LB)之间初始化,如下式所示:
Xt=LB+r×(UB-LB)
式中:Xt为搜索个体,另有N个。UB和LB分别为变量的上、下限值;r为0到1之间均匀分布的随机数。
(2)计算所有搜索个体的适应度函数f(Xt)。
将分别输入到分箱最近邻法模型,利用下式计算每个位置的代价函数值Ji。
式中:m为采集数据的个数;yi为实际输出的第i个真实值;为分箱最近邻法模型输出的第i个回归值。
(3)令f(Xc)=minf(Xt),Xc=Xt。
(4)输入常数值c(c∈[0,1]),令Iter=0,Maxiter=500。
(5)如果Iter小于Maxiter,进入第(6)步。否则,进入第(9)步。
(6)更新搜索位置。
利用以下公式分别计算w、a、p。
w=w×rand-w
式中:rand是介于0和1之间的随机数,Iter代表迭代计数器,Maxiter代表最大迭代次数,随着迭代次数的增加,变量w从-π变为0。变量a从π变为0。变量p从1变为0。
利用以下公式计算θ。
式中:角度θ在圆形搜索法中起着重要作用,角度θ从-π到0之间变化。c是介于0和1之间的常数,代表最大迭代次数的百分比。
根据评估的最佳位置Xc更新搜索Xt的位置,如下式所示:
Xt=Xc+(Xc-Xt)×tan(θ)
如果更新的搜索位置超出边界,则设置搜索位置等于边界。
(7)计算f(Xt)。
如果f(Xt)<f(Xc),令f(Xc)=f(Xt),Xc=Xt。进入第(8)步
否则,直接进入第(8)步。
(8)Iter=Iter+1,进入第(5)步。
(9)输出f(Xc)和Xc。
以某抽水蓄能电站一台机组在2008年9月22日~2011年12月15日的实测状态监测数据为样本进行研究,验证本申请提供的基于分箱最近邻法和圆形搜索法的长期服役抽水蓄能机组异常状态预警方法的有效性。选取该机组的上机架X向水平振动数据作为研究对象。图1-3给出了2008年9月22日20:49~2008年9月28日16:38机组上机架X向水平振动及对应运行工况的实测数据,从图中可以看出,由于抽水蓄能机组结构复杂、工况转换频繁,使得其振动参数时间序列非常复杂,难以从图中准确地分析其实际运行状态。
通过分析可以发现,抽水蓄能机组抽水/发电工况、有功功率、工作水头对机组振动参数有重要影响,由于机组工作水头及运行工况的不断转换,使得机组振动变化及其复杂,不能从振动数据中直接获取机组的真实状态。为实时获取抽水蓄能机组的真实运行状态,需要对其建立健康状态模型。考虑到抽水蓄能机组功率、工作水头对机组振动特性的重要影响,以及分箱最近邻法回归模型对散乱数据良好的拟合性能,本发明基于分箱最近邻法回归模型,建立如图4的抽水蓄能机组振动-功率-工作水头三维曲面模型,获得机组健康状态下功率(P)、水头(H)和振动参数(v)之间的映射关系v=f(P,H)。引入圆形搜索法的寻优功能对分箱最近邻法的参数进行优化,使模型具有一定的有效性和泛化性。
本发明采用机组运行初期,运行状态良好无故障数据,建立机组健康状态下振动标准模型。在2008年9月22日~2009年10月22日1000组数据中,抽取800组能覆盖机组可能的工作水头和有功功率变化区间的健康标准数据建立分箱最近邻法健康模型,将剩下的200组数据作为测试样本进行模型验证。经分析可以看出,基于分箱最近邻法回归模型的机组上机架X向水平振动健康标准模型计算值和实测值几乎完全吻合,计算平均相对误差为0.91%。图5给出了基于分箱最近邻法回归模型的200个测试样本的计算结果。图6-7给出了测试样本的绝对误差和相对误差,可以清楚地看出,绝大部分样本误差在0附近,健康模型具有很高精度。
将机组运行2年后的机组状态监测中的功率、水头等实时在线数据(2011年5月27日~2011年12月12日)代入机组健康模型v(t)=f(P(t),H(t)),计算当前工况下的状态参数健康标准值v(t),并和实测值比较,如图8所示。
从图中可以看出,机组经过2年运行后,机组振动状态参数开始退化,实测值和健康值之间的偏差越来越大。从图9可以进一步看出,振动偏离度持续波动上升,从2011年11月20日开始,出现显著上升,已超过30%,如果预警线设为30%,即产生相关报警,第一时间定位设备上机架X向水平振动异常,提醒现场工程师关注相关事件。
本发明提出了基于分箱最近邻法和圆形搜索法的长期服役抽水蓄能机组性能异常预警方法,引入圆形搜索法的寻优功能对分箱最近邻法的参数进行优化,使模型具有一定的有效性和泛化性,并以某抽蓄机组运行数据为例,对不同负荷、不同水头下机组振动进行了分析,并通过振动实测值与模型预测目标值对比,实现对机组运行状态的评估,为机组运行优化及故障预警提供了参考依据。实际预测结果表明,该方法能获得很好的计算精度,具有很好的应用前景。
于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (2)
1.一种长期服役抽水蓄能机组性能异常预警方法,其特征在于,包括以下步骤:
S1、获取并分析抽水蓄能机组运行初期不同工况下的状态监测数据,确定机组的标准健康状态;
S2、根据机组的标准健康状态,选取有功功率和工作水头作为反映机组运行状态的敏感特征参数,建立基于分箱最近邻法的回归模型,获得机组标准健康模型;
S3、获取机组实时在线监测数据中的运行工况数据,将其输入机组标准健康模型,计算当前工况下的健康值;
S4、将健康值和实测值比较,获得偏差,并进行阈值校验,若发生超限,则生成对应报警事件;
步骤S2中,建立分箱最近邻法的回归模型包括以下步骤:
S2-1、根据公式:
获取两个对象之间的相似性Sst;其中:dst是对象s和t之间的马氏距离,xs和xt是对象s和t的特征向量,S-1是训练集协方差矩阵的逆矩阵;
S2-2、根据公式:
获取预测响应ys;其中:yt和wt分别是第t个邻居的响应和权重,总和超过k个邻居;Sst是对象s和t之间的相似性,并且总和再次运行在k个最近的邻居上;
S2-3、根据公式:
获取bin宽度其中:m=1,2,…,10,α为bin阈值;用于定义bin阈值的最佳指数α在[0.1,2]范围内采用圆形搜索算法进行搜索。
2.根据权利要求1所述的长期服役抽水蓄能机组性能异常预警方法,其特征在于,所述圆形搜索算法具体包括以下步骤:
S1、将搜索代理在搜索空间的上限值UB和下限值LB之间初始化,如下式所示:
Xt=LB+r×(UB-LB)
式中:Xt为搜索个体,另有N个;UB和LB分别为变量的上、下限值;r为0到1之间均匀分布的随机数;
S2、计算所有搜索个体的适应度函数f(Xt):
将分别输入到分箱最近邻法模型,根据公式:
获取每个位置的代价函数值Ji;其中:m为采集数据的个数;yi为实际输出的第i个真实值;为分箱最近邻法模型输出的第i个回归值;
S3、令f(Xc)=minf(Xt),Xc=Xt;
S4、输入常数值c,c∈[0,1],令Iter=0,Maxiter=500;
S5、如果Iter小于Maxiter,进入S6;否则,进入S9;
S6、更新搜索位置;
根据以下公式分别计算w、a、p:
w=w×rand-w
式中:rand是介于0和1之间的随机数,Iter代表迭代计数器,Maxiter代表最大迭代次数,随着迭代次数的增加,变量w从-π变为0;变量a从π变为0;变量p从1变为0;
根据以下公式计算θ:
式中:角度θ从-π到0之间变化;c是介于0和1之间的常数,代表最大迭代次数的百分比;
根据评估的最佳位置Xc更新搜索Xt的位置,如下式所示:
Xt=Xc+(Xc-Xt)×tan(θ)
如果更新的搜索位置超出边界,则设置搜索位置等于边界;
S7、计算f(Xt):
如果f(Xt)<f(Xc),令f(Xc)=f(Xt),Xc=Xt,进入S8;否则,直接进入S8;
S8、Iter=Iter+1,进入S5;
S9、输出f(Xc)和Xc。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211316182.4A CN115795999B (zh) | 2022-10-26 | 2022-10-26 | 一种长期服役抽水蓄能机组性能异常预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211316182.4A CN115795999B (zh) | 2022-10-26 | 2022-10-26 | 一种长期服役抽水蓄能机组性能异常预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115795999A CN115795999A (zh) | 2023-03-14 |
CN115795999B true CN115795999B (zh) | 2023-08-01 |
Family
ID=85433793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211316182.4A Active CN115795999B (zh) | 2022-10-26 | 2022-10-26 | 一种长期服役抽水蓄能机组性能异常预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115795999B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104102773A (zh) * | 2014-07-05 | 2014-10-15 | 山东鲁能软件技术有限公司 | 一种设备故障预警及状态监测方法 |
CN106093613A (zh) * | 2016-05-25 | 2016-11-09 | 广东蓄能发电有限公司 | 抽水蓄能机组设备可靠性分析平台及其方法 |
CN113610188A (zh) * | 2021-08-20 | 2021-11-05 | 中国铁道科学研究院集团有限公司 | 弓网接触力非区段异常识别方法及装置 |
CN114971024A (zh) * | 2022-05-27 | 2022-08-30 | 上海发电设备成套设计研究院有限责任公司 | 风机状态预测方法及装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942625A (zh) * | 2014-04-23 | 2014-07-23 | 天津大学 | 基于foa-grnn的水电站厂坝结构振动响应预测方法 |
CN108375476B (zh) * | 2018-03-09 | 2020-02-14 | 中国水利水电科学研究院 | 一种水电机组健康评估方法 |
CN108875841A (zh) * | 2018-06-29 | 2018-11-23 | 国家电网有限公司 | 一种抽蓄机组振动趋势预测方法 |
CN112798949A (zh) * | 2020-10-22 | 2021-05-14 | 国家电网有限公司 | 一种抽水蓄能机组发电机温度预警方法和系统 |
CN114118812A (zh) * | 2021-11-29 | 2022-03-01 | 湖南五凌电力科技有限公司 | 基于改进模糊均值聚类的水电站能效分析评价方法及装置 |
CN115081304A (zh) * | 2022-02-21 | 2022-09-20 | 中国船舶重工集团公司第七一九研究所 | 抽水蓄能机组轴系健康性能趋势区间预测的方法及装置 |
CN114880917A (zh) * | 2022-02-21 | 2022-08-09 | 中国船舶重工集团公司第七一九研究所 | 抽水蓄能机组健康状态模型构建及性能趋势预测的方法及装置 |
CN114757380B (zh) * | 2022-04-29 | 2024-02-20 | 西安热工研究院有限公司 | 一种火电厂故障预警系统、方法、电子设备及存储介质 |
-
2022
- 2022-10-26 CN CN202211316182.4A patent/CN115795999B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104102773A (zh) * | 2014-07-05 | 2014-10-15 | 山东鲁能软件技术有限公司 | 一种设备故障预警及状态监测方法 |
CN106093613A (zh) * | 2016-05-25 | 2016-11-09 | 广东蓄能发电有限公司 | 抽水蓄能机组设备可靠性分析平台及其方法 |
CN113610188A (zh) * | 2021-08-20 | 2021-11-05 | 中国铁道科学研究院集团有限公司 | 弓网接触力非区段异常识别方法及装置 |
CN114971024A (zh) * | 2022-05-27 | 2022-08-30 | 上海发电设备成套设计研究院有限责任公司 | 风机状态预测方法及装置 |
Non-Patent Citations (2)
Title |
---|
Distributed Energy Resources and the Application of AI, IoT, and Blockchain in Smart Grids;Nallapaneni Manoj Kumar et al.;《Energies》;第13卷(第21期);第5-27页 * |
某抽水蓄能机组振动趋势预测研究;王青华等;《水电与抽水蓄能》;第7卷(第3期);第42-46页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115795999A (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11740619B2 (en) | Malfunction early-warning method for production logistics delivery equipment | |
CN109298697B (zh) | 基于动态基线模型的火电厂系统各部件工作状态评估方法 | |
CN111222549B (zh) | 一种基于深度神经网络的无人机故障预测方法 | |
JP2021064370A (ja) | デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム | |
CN106779200A (zh) | 基于在历史数据中进行相似搜索的风电机组状态预测方法 | |
US11840998B2 (en) | Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning | |
US7953577B2 (en) | Method and apparatus for improved fault detection in power generation equipment | |
CN109992895B (zh) | 一种设备性能退化趋势提取及预测方法 | |
CN110006552B (zh) | 一种机组设备温度异常检测方法 | |
CN112746934B (zh) | 一种自联想神经网络诊断风机故障方法 | |
Chen et al. | A health index construction framework for prognostics based on feature fusion and constrained optimization | |
Barbieri et al. | Sensor-based degradation prediction and prognostics for remaining useful life estimation: Validation on experimental data of electric motors | |
CN111382494A (zh) | 用于检测工业机器的感知数据中的异常的系统及方法 | |
Yu et al. | Pump remaining useful life prediction based on multi-source fusion and monotonicity-constrained particle filtering | |
CN116187552A (zh) | 异常检测方法、计算设备及计算机存储介质 | |
CN113539382B (zh) | 一种亚磷酸二甲酯关键工艺参数的预警定位方法及系统 | |
CN115795999B (zh) | 一种长期服役抽水蓄能机组性能异常预警方法 | |
KR102108975B1 (ko) | 함정설비의 상태기반 정비 지원 장치 및 방법 | |
CN112633583A (zh) | 发电机组振动预测方法、装置、计算机设备和存储介质 | |
Fu et al. | Trimming outliers using trees: winning solution of the large-scale energy anomaly detection (LEAD) competition | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN112257224A (zh) | 汽轮发电机状态检修方法、系统以及终端 | |
CN113632025A (zh) | 用于评估工业环境中的能量消耗的方法、系统和计算机程序产品 | |
CN115392056A (zh) | 一种高压架空输电线路运行状态监测及预警方法及装置 | |
CN113887571A (zh) | 改进svr算法的电子设备故障预测方法 |
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 |