CN116050262B - 一种压缩空气储能电站的安全状态评估方法、装置和系统 - Google Patents

一种压缩空气储能电站的安全状态评估方法、装置和系统 Download PDF

Info

Publication number
CN116050262B
CN116050262B CN202310007384.9A CN202310007384A CN116050262B CN 116050262 B CN116050262 B CN 116050262B CN 202310007384 A CN202310007384 A CN 202310007384A CN 116050262 B CN116050262 B CN 116050262B
Authority
CN
China
Prior art keywords
power station
state
energy storage
operation key
compressed air
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
Application number
CN202310007384.9A
Other languages
English (en)
Other versions
CN116050262A (zh
Inventor
袁照威
李峻
陈永安
张春琳
纪文栋
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.)
China Energy Construction Digital Technology Group Co ltd
Original Assignee
China Energy Construction Digital Technology Group 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 China Energy Construction Digital Technology Group Co ltd filed Critical China Energy Construction Digital Technology Group Co ltd
Priority to CN202310007384.9A priority Critical patent/CN116050262B/zh
Publication of CN116050262A publication Critical patent/CN116050262A/zh
Application granted granted Critical
Publication of CN116050262B publication Critical patent/CN116050262B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种压缩空气储能电站的安全状态评估方法、装置和系统，包括：获取压缩空气储能电站的运行过程中的历史运行关键参数；将历史运行关键参数通过电站运行状态类型条件进行识别，并分类，分别建立不同状态类型的训练数据集；根据训练数据集分别构建不同状态下的安全状态评估模型；获取当前时刻电站的运行关键参数，利用电站运行状态识别模型识别确认当前时刻电站的运行状态，输入到相应的安全状态评估模型中，获取当前时刻电站的运行的安全状态评估值。该方法分析过程简单、精度高，解决了运行人员识别不及时、不准确的问题；同时能够及时发现电站的运行的故障，防止事故发生，及时规避风险，降低事故发生率，提升整个电站的运行效率。

Description

一种压缩空气储能电站的安全状态评估方法、装置和系统
技术领域
本发明涉及储能技术领域，特别涉及一种压缩空气储能电站的安全状态评估方法、装置和系统。
背景技术
双碳背景下，储能是构建新型电力系统的关键支撑。不同储能技术在功率规模、储能密度、循环效率、响应时间等不同，压缩空气储能作为一种新型储能技术，具有容量大、安全性高、使用寿命长、建设成本低的特点，在调峰、调频、削峰填谷等辅助服务上有着广泛的应用，能够有效提升新能源的利用率，减少弃风弃光现象。但压缩空气储能电站在长时间运行后，其关键设备如压缩机、膨胀机、换热器、储气罐等出现疲劳现象，导致设备出现腐蚀、结垢、漏气等故障，这些故障势必影响电站的安全稳定运行。由于整个电站系统结构较为复杂，运行人员很难轻易地判别电站的故障位置及原因。同时，当前也尚未出现相关的压缩空气电站状态智能判别的方法。
为此，围绕压缩空气储能电站的安全状态评估成为压缩空气储能技术发展过程中亟待解决的问题。
发明内容
本发明公开了一种压缩空气储能电站的安全状态评估方法、装置和系统，以解决现有技术的上述以及其他潜在问题中任一问题。
为达到上述目的，本发明的技术方案是：一种压缩空气储能电站的安全状态评估方法，所述安全状态评估方法具体包括以下步骤：
S1)获取压缩空气储能电站运行过程中的历史运行关键参数；
S2)将历史运行关键参数通过电站运行状态类型条件进行识别并分类，分别建立不同状态类型的训练数据集；
S3)根据不同状态类型的训练数据集，分别构建不同状态下的安全状态评估模型；
S4)实时获取压缩空气储能电站运行过程中的当前运行关键参数，并根据识别电站运行状态类型条件进行识别，再输入到相应的安全状态评估模型中，获取当前时刻电站的运行安全状态评估值。
进一步地，所述S1)还包括预处理步骤：采用平滑滤波方法对获取的历史运行关键参数进行去噪处理。
进一步地，所述历史运行关键参数和所述当前运行关键参数均为：输入温度、输出温度、输入压力、输出压力和输入工质流量。
进一步地，所述平滑滤波方法采用五点三次平滑滤波，具体为取历史数据中相邻5个数据点，拟合一条3次曲线，然后采用3次曲线上响应位置的数据值作为滤波后的结果，其求解方式采用最小二乘法。
进一步地，所述S2)中的状态类型包含储能状态、释能状态和平衡状态；
所述储能状态为电站正在执行储存能量的过程，将电站的低品位电能转换为势能储存至储气库；
所述释能状态为电站正在执行能量释放的过程，将低品位的势能转换为高品位的电能；
所述平衡状态为待机状态。
进一步地，所述S2)中电站运行状态类型条件是：
当输入/输出工质流量值在设计值范围内时，则该运行关键参数为压缩空气储能电站的储能/释能状态数据；
当输入/输出工质流量值低于设计值的20％时，则该运行关键参数为压缩空气储能电站的平衡状态数据。
进一步地，所述S3)中的安全状态评估模型采用深度学习方法建立；所述深度学习方法采用深度信念神经网络；所述深度信念神经网络包括多层无监督的受限玻尔兹曼机和BP神经网络算法组成；所述深度信念神经网络包含正向传播和反向传播；
其中，所述正向传播为根据输入层和隐含层之间的能量函数，计算输入层和隐含层之间的概率函数，并得到可视层和隐含层之间的概率函数；根据概率函数得到隐含层的结果，结合隐含层的结果通过激活函数得到输出层结果，即安全状态标签，再将输出层结果与训练集实际输出结果对比，得到误差函数；正向传播过程中的参数包括可视层与隐含层的权值矩阵以及偏置；
其中，所述反向传播过程根据误差函数采用梯度下降算法对权值矩阵及偏置进行修正，得到最优权值矩阵以及偏置参数，最后根据最优参数建立全局优化的电站的安全状态评估模型。
本发明的另一目的是提供一种压缩空气储能电站的安全状态评估装置，所述装置包括：
第一获取模块，用于获取压缩空气储能电站的运行过程中的历史运行关键参数；
第二获取模块，用于实时获取压缩空气储能电站的运行过程中的当前运行关键参数；
状态识别模块，用于通过识别电站运行状态类型条件对历史运行关键参数和当前运行关键参数进行识别；
训练数据集建立模块，用于根据识别分类后的历史运行关键参数建立不同状态类型的训练数据集；
安全状态评估模块，用于利用安全状态评估模型对获取的当前运行关键参数进行评估，获取当前时刻电站的运行的安全状态评估值。
进一步地，所述装置还包括预处理模块，所述预处理模块采用平滑滤波方法对获取的历史运行关键参数进行去噪处理。
本发明还提供一种压缩空气储能电站的安全状态评估系统，包括：显示器；处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：执行上述的压缩空气储能电站的安全状态评估方法的步骤。
本发明的有益效果：由于采用上述技术方案，本发明的方法具有分析过程简单、精度高，解决了运行人员识别不及时、不准确的问题；同时能够及时发现电站的运行的故障，防止事故发生，及时规避风险，降低事故发生率，提升整个电站的运行效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种压缩空气储能电站的安全状态评估方法的流程示意图；
图2为本发明实施例提供的图1中模型训练具体流程示意图。
图3为本发明一种压缩空气储能电站的安全状态评估装置的结果示意图。
具体实施方式
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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明一种压缩空气储能电站的安全状态评估方法，所述安全状态评估方法具体包括以下步骤：
S1)获取压缩空气储能电站运行过程中的历史运行关键参数；
S2)将历史运行关键参数通过识别电站运行状态类型条件进行识别，并分类，分别建立不同状态类型的训练数据集；
S3)根据不同状态类型的训练数据集，分别构建不同状态下的安全状态评估模型；
S4)实时获取压缩空气储能电站运行过程中的当前运行关键参数，并根据识别电站运行状态类型条件进行识别，再输入到相应的安全状态评估模型中，获取当前时刻电站的运行安全状态评估值。
所述S1)还包括预处理步骤：采用平滑滤波方法对获取的历史运行关键参数进行去噪处理。
所述历史运行关键参数和所述当前运行关键参数均为：输入温度、输出温度、输入压力、输出压力和输入工质流量。
所述平滑滤波方法采用五点三次平滑滤波，具体为取历史数据中相邻5个数据点，拟合一条3次曲线，然后采用3次曲线上响应位置的数据值作为滤波后的结果，其求解方式采用最小二乘法。
所述S2)中的状态类型包含储能状态、释能状态和平衡状态；
所述储能状态为电站正在执行储存能量的过程，将电站的低品位电能转换为势能储存至储气库；
所述释能状态为电站正在执行能量释放的过程，将低品位的势能转换为高品位的电能；
所述平衡状态为待机状态。
所述电站运行状态类型条件是：
当输入/输出工质流量值在设计值范围内时，则该历史运行关键参数或当前运行关键参数为压缩空气储能电站的储能/释能状态数据；
当输入/输出工质流量值低于设计值的20％时，则该历史运行关键参数或当前运行关键参数为压缩空气储能电站的平衡状态数据。
所述S3)中的安全状态评估模型采用深度学习方法建立；所述深度学习方法采用深度信念神经网络；所述深度信念神经网络包括多层无监督的受限玻尔兹曼机和BP神经网络算法组成；所述深度信念神经网络包含正向传播和反向传播；
其中，所述正向传播为根据输入层和隐含层之间的能量函数，计算输入层和隐含层之间的概率函数，并得到可视层和隐含层之间的概率函数；根据概率函数得到隐含层的结果，结合隐含层的结果通过激活函数得到输出层结果，即安全状态标签，再将输出层结果与训练集实际输出结果对比，得到误差函数；正向传播过程中的参数包括可视层与隐含层的权值矩阵以及偏置；
其中，所述反向传播过程根据误差函数采用梯度下降算法对权值矩阵及偏置进行修正，得到最优权值矩阵以及偏置参数，最后根据最优参数建立全局优化的电站的安全状态评估模型。
一种压缩空气储能电站的安全状态评估装置，所述装置包括：
第一获取模块，用于获取压缩空气储能电站的运行过程中的历史运行关键参数；
第二获取模块，用于实时获取压缩空气储能电站的运行过程中的当前运行关键参数；
状态识别模块，用于通过识别电站运行状态类型条件对历史运行关键参数和当前运行关键参数进行识别；
训练数据集建立模块，用于根据识别分类后的历史运行关键参数建立不同状态类型的训练数据集；
安全状态评估模块，用于利用安全状态评估模型对获取的当前运行关键参数进行评估，获取当前时刻电站的运行的安全状态评估值；
其中，安全状态评估模块根建立不同状态类型的训练数据集建不同状态下的安全状态评估模型。
所述装置还包括预处理模块，所述预处理模块采用平滑滤波方法对获取的历史运行关键参数进行去噪处理。
本发明一种压缩空气储能电站的安全状态评估系统，包括：显示器；处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：执行上述的压缩空气储能电站的安全状态评估方法的步骤。
实施例：
如图1和图2所示，一种压缩空气储能电站的安全状态评估方法，具体包括以下步骤：
根据压缩空气储能电站的运行过程，确定压缩空气储能电站的运行关键参数，并采集历史运行关键参数；
采用平滑滤波方法对采集的历史运行关键参数进行预处理；
采用识别电站运行状态类型条件识别运行关键参数为压缩空气储能电站处于储能状态、释能状态还是平衡状态；
根据预处理后的历史数据建立储能、释能、平衡3种状态下的训练数据集，并构建不同状态下的安全状态评估模型；
获取当前时刻电站的运行关键参数，输入电站的运行状态识别模型，根据识别电站运行状态类型条件进行识别运行关键参数的类型，并输入到相应的安全状态评估模型中，判断电站是否出现故障。
结合图2模型的训练过程流程图，说明如下：
所述压缩空气储能电站包括储能子系统、释能子系统、换热子系统和储气子系统。
所述储能子系统包括一级或多级压缩机、级间换热器和冷却器；
所述释能子系统包括膨胀机和回热换热器；
所述换热子系统包括高温储罐、低温储罐；
所述储气子系统为储气罐或地下洞穴。所述电站的运行关键参数主要包括温度、压力和工质流量，具体包括储能子系统、释能子系统、换热子系统和储气子系统的输入温度、输出温度、输入压力、输出压力、输入工质流量。根据确定的电站的运行关键参数，采集运行历史数据，采样时长至少一个月。
所述平滑滤波方法主要采用五点三次平滑滤波，具体而言就是取历史数据中相邻5个数据点，拟合一条3次曲线，然后采用3次曲线上响应位置的数据值作为滤波后的结果，其求解方式采用最小二乘法。采用平滑滤波方法对采集的历史数据进行去噪处理，得到高质量历史数据。
所述压缩空气储能电站的运行状态主要包含储能状态、释能状态和平衡状态；所述储能状态是电站正在执行储存能量的过程，将电站将低品位电能转换为势能储存至储气库；所述释能状态是电站正在执行能量释放的过程，将低品位的势能转换为高品位的电能；所述平衡状态是除储能和释能状态外的状态，是一种待机状态。所述电站运行状态类型条件是：
当输入/输出工质流量值在设计值范围内时，则该历史运行关键参数或当前运行关键参数为压缩空气储能电站的储能/释能状态数据；
当输入/输出工质流量值低于设计值的20％时，则该历史运行关键参数或当前运行关键参数为压缩空气储能电站的平衡状态数据。
根据所述预处理后的历史运行数据，输入到电站运行状态识别模型中，得到储能、释能和平衡3种状态下的训练数据集。所述安全状态评估模型主要采用深度学习方法建立，所属深度学习方法主要采用深度信念神经网络，所述深度信念神经网络包括多层无监督的受限玻尔兹曼机RBM和BP神经网络算法组成，包括可视层、隐含层、输出层。其输入主要包括系统输入温度、输出温度、输入压力、输出压力、输入工质流量，输出为各子系统的安全状态标签，安全为1，故障为0。其模型建立过程包括预训练和微调2个过程。
所述训练过程主要为RBM的训练，建立可见层和隐含层之间的能量函数：
根据能量函数，计算可视层和隐含层之间的联合概率函数p(v,h)，并建立每个条件概率分布p(h|v)和p(v|h)。当可视层或隐含层确定时，可视层和隐含层的激活函数分别为：
RBM训练过程学习参数主要为wij、bi和cj，训练过程中采用对比散度算法更新参数，各参数的更新规则为：
Δw＝ε(Edata(vihj)-Erecon(vihj))，
Δc＝ε(Edata(hj)-Erecon(hj))，
Δb＝ε(Edata(vi)-Erecon(vi))，
根据上述更新规则，更新参数wij、bi和cj。式中，v为可视层节点，h为隐含层节点，w为可视层与隐含层的权值矩阵，b和c分别为可视层与隐含层的偏置。
所述微调过程就是在DBN网络的最后设置一层BP网络，接收RBM的输出特征向量作为它的输入特征向量，通过BP算法对上述参数进行微调，建立全局优化的电站安全状态评估模型。
根据储能、释能和平衡3种状态下的训练数据集及深度信念神经网络建立方法，分别构建3种状态下的智能安全状态评估模型。
获取当前时刻电站的输入温度、输出温度、输入压力、输出压力、输入工质流量，首先输入到电站运行状态识别模型，判断当前时刻电站的运行状态，并输入到相应的安全状态评估模型中，获取当前时刻电站运行的安全状态评估值。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (5)

1.一种压缩空气储能电站的安全状态评估方法，其特征在于，所述安全状态评估方法具体包括以下步骤：
S1)获取压缩空气储能电站运行过程中的历史运行关键参数，采用平滑滤波方法对获取的历史运行关键参数进行去噪处理；
所述历史运行关键参数和当前运行关键参数均为：输入温度、输出温度、输入压力、输出压力和输入工质流量；
S2)将历史运行关键参数通过电站运行状态类型条件进行识别并分类，分别建立不同状态类型的训练数据集；
所述S2)中的状态类型包含储能状态、释能状态和平衡状态；
所述储能状态为电站正在执行储存能量的过程，将电站的低品位电能转换为势能储存至储气库；
所述释能状态为电站正在执行能量释放的过程，将低品位的势能转换为高品位的电能；
所述平衡状态为待机状态；
所述电站运行状态类型条件是：
当输入/输出工质流量值在设计值范围内时，则该历史运行关键参数或当前运行关键参数为压缩空气储能电站的储能/释能状态数据；
当输入/输出工质流量值低于设计值的20％时，则该历史运行关键参数或当前运行关键参数为压缩空气储能电站的平衡状态数据；
S3)根据不同状态类型的训练数据集，分别构建不同状态下的安全状态评估模型；
所述安全状态评估模型采用深度学习方法建立；所述深度学习方法采用深度信念神经网络；所述深度信念神经网络包括多层无监督的受限玻尔兹曼机和BP神经网络算法组成；所述深度信念神经网络包含正向传播和反向传播；
其中，所述正向传播为根据输入层和隐含层之间的能量函数，计算输入层和隐含层之间的概率函数，并得到可视层和隐含层之间的概率函数；根据概率函数得到隐含层的结果，结合隐含层的结果通过激活函数得到输出层结果，即安全状态标签，再将输出层结果与训练集实际输出结果对比，得到误差函数；正向传播过程中的参数包括可视层与隐含层的权值矩阵以及偏置；
其中，所述反向传播过程根据误差函数采用梯度下降算法对权值矩阵及偏置进行修正，得到最优权值矩阵以及偏置参数，最后根据最优参数建立全局优化的电站的安全状态评估模型；
S4)实时获取压缩空气储能电站运行过程中的当前运行关键参数，并根据电站运行状态类型条件进行识别，再输入到相应的安全状态评估模型中，获取当前时刻电站的运行安全状态评估值。
2.根据权利要求1所述的安全状态评估方法，其特征在于，所述平滑滤波方法采用五点三次平滑滤波，具体为取历史数据中相邻5个数据点，拟合一条3次曲线，然后采用3次曲线上响应位置的数据值作为滤波后的结果，其求解方式采用最小二乘法。
3.一种实现如权利要求1或2所述的压缩空气储能电站的安全状态评估方法的评估装置，其特征在于，所述装置包括：
第一获取模块，用于获取压缩空气储能电站的运行过程中的历史运行关键参数；
第二获取模块，用于实时获取压缩空气储能电站的运行过程中的当前运行关键参数；
状态识别模块，用于通过电站运行状态类型条件对历史运行关键参数和当前运行关键参数进行识别；
训练数据集建立模块，用于根据识别分类后的历史运行关键参数建立不同状态类型的训练数据集；
安全状态评估模块，用于利用安全状态评估模型对获取的当前运行关键参数进行评估，获取当前时刻电站的运行的安全状态评估值。
4.根据权利要求3所述的装置，其特征在于，所述装置还包括预处理模块，所述预处理模块采用平滑滤波方法对获取的历史运行关键参数进行去噪处理。
5.一种压缩空气储能电站的安全状态评估系统，其特征在于，包括：显示器；处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：执行根据权利要求1-2任一项所述的压缩空气储能电站的安全状态评估方法的步骤。
CN202310007384.9A 2023-01-04 2023-01-04 一种压缩空气储能电站的安全状态评估方法、装置和系统 Active CN116050262B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310007384.9A CN116050262B (zh) 2023-01-04 2023-01-04 一种压缩空气储能电站的安全状态评估方法、装置和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310007384.9A CN116050262B (zh) 2023-01-04 2023-01-04 一种压缩空气储能电站的安全状态评估方法、装置和系统

Publications (2)

Publication Number Publication Date
CN116050262A CN116050262A (zh) 2023-05-02
CN116050262B true CN116050262B (zh) 2023-11-14

Family

ID=86124984

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310007384.9A Active CN116050262B (zh) 2023-01-04 2023-01-04 一种压缩空气储能电站的安全状态评估方法、装置和系统

Country Status (1)

Country Link
CN (1) CN116050262B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116738865B (zh) * 2023-08-11 2023-12-19 深圳市金威源科技股份有限公司 一种基于物联网的储能电源评估方法及系统
CN118154050B (zh) * 2024-05-11 2024-08-13 国网安徽省电力有限公司巢湖市供电公司 一种基于压缩空气储能设备的性能评估方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110297141A (zh) * 2019-07-01 2019-10-01 武汉大学 基于多层评估模型的故障定位方法及系统
CN111522290A (zh) * 2020-04-24 2020-08-11 大唐环境产业集团股份有限公司 一种基于深度学习方法的脱硝控制方法和系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109933881A (zh) * 2019-03-06 2019-06-25 武汉大学 一种基于优化深度信念网络的电力电子电路故障诊断方法
US20220390137A1 (en) * 2021-05-28 2022-12-08 Johnson Controls Tyco IP Holdings LLP Building control system with predictive control of carbon emissions using marginal operating emissions rate

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110297141A (zh) * 2019-07-01 2019-10-01 武汉大学 基于多层评估模型的故障定位方法及系统
CN111522290A (zh) * 2020-04-24 2020-08-11 大唐环境产业集团股份有限公司 一种基于深度学习方法的脱硝控制方法和系统

Also Published As

Publication number Publication date
CN116050262A (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
CN116050262B (zh) 一种压缩空气储能电站的安全状态评估方法、装置和系统
CN111337768B (zh) 变压器油中溶解气体的深度并行故障诊断方法及系统
US11409347B2 (en) Method, system and storage medium for predicting power load probability density based on deep learning
CN110929918B (zh) 一种基于CNN和LightGBM的10kV馈线故障预测方法
CN110807550B (zh) 基于神经网络的配变重过载识别预警方法及终端设备
CN111639430A (zh) 一种数字孪生驱动的天然气管道泄漏识别系统
CN106483947A (zh) 基于大数据的配电网运行状态评估和预警方法
CN114372417A (zh) 基于充电网的电动汽车电池健康状态和剩余寿命评估方法
US11436494B1 (en) Optimal power flow computation method based on multi-task deep learning
CN116245033B (zh) 人工智能驱动的电力系统分析方法及智能软件平台
CN117408162B (zh) 基于数字孪生的电网故障控制方法
CN113343581B (zh) 基于图马尔可夫神经网络的变压器故障的诊断方法
CN118114101B (zh) 燃料电池故障诊断方法及系统
CN117394529A (zh) 基于scada的主配网合环倒供电控制条件辅助决策方法及系统
CN110852522B (zh) 一种短期电力负荷预测方法及系统
CN116308304A (zh) 基于元学习概念漂移检测的新能源智慧运维方法及系统
CN112070395A (zh) 能源互联网可靠性评估体系、模型建立方法和评估方法
CN116664098A (zh) 一种光伏电站的异常检测方法及系统
CN117434441A (zh) 一种发电机组励磁系统故障诊断方法及其系统
CN110930024A (zh) 一种基于贝叶斯网络的深海应急态势智能分析系统及方法
Wang et al. A multi-scale fuel cell degradation prediction method based on isometric convolution block and long short-term memory networks
Shan et al. Root Cause Analysis of Failures for Power Communication Network Based on CNN
CN113205204A (zh) 一种基于贝叶斯网络的配电网停运节点预测方法
CN113128130A (zh) 一种判断直流配电系统稳定性的实时监测方法及装置
CN111027017A (zh) 一种配电网管理状态综合评价系统

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
GR01 Patent grant
GR01 Patent grant