CN116485247A - 一种数据融合耗差分析方法、系统、设备及介质 - Google Patents
一种数据融合耗差分析方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN116485247A CN116485247A CN202310409633.7A CN202310409633A CN116485247A CN 116485247 A CN116485247 A CN 116485247A CN 202310409633 A CN202310409633 A CN 202310409633A CN 116485247 A CN116485247 A CN 116485247A
- Authority
- CN
- China
- Prior art keywords
- consumption
- matrix
- parameters
- unit
- consumption difference
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 40
- 230000004927 fusion Effects 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 78
- 238000004364 calculation method Methods 0.000 claims abstract description 31
- 239000011159 matrix material Substances 0.000 claims description 115
- 238000005259 measurement Methods 0.000 claims description 77
- 230000008859 change Effects 0.000 claims description 26
- 230000014509 gene expression Effects 0.000 claims description 23
- 239000013598 vector Substances 0.000 claims description 23
- 238000005265 energy consumption Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 19
- 239000003795 chemical substances by application Substances 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 12
- 230000004069 differentiation Effects 0.000 claims description 8
- 238000010977 unit operation Methods 0.000 claims description 5
- 238000002759 z-score normalization Methods 0.000 claims description 3
- 238000011282 treatment Methods 0.000 abstract description 6
- 238000005065 mining Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000002922 simulated annealing Methods 0.000 description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 238000000137 annealing Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Pure & Applied Mathematics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Quality & Reliability (AREA)
- Algebra (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Primary Health Care (AREA)
Abstract
本发明属于电站热力系统耗差分析技术领域，具体公开了一种数据融合耗差分析方法、系统、设备及介质；所述方法包括以下步骤：获取机组的待耗差分析运行状态下的n个运行参数测量值；基于获取的所述n个运行参数测量值，利用预构建的所述机组的Kriging代理模型进行耗差计算，获得所述待耗差分析运行状态下的耗差。本发明可在对测量值进行修正，充分挖掘真实测量数据信息的基础上，构建对应负荷下的Kriging代理模型；通过部署代理模型计算不同运行工况下的机组耗差，提高了数据获取的准确性；本发明避免了大量经验公式、未考虑参数和近似化处理带来的误差，拓展了模型的适用范围。
Description
技术领域
本发明属于电站热力系统耗差分析技术领域，特别涉及一种数据融合耗差分析方法、系统、设备及介质。
背景技术
在电站的运行过程中，能耗率集中体现了机组的整体运行水平；其中，汽轮发电机组分别以煤耗率和汽耗率作为能耗率指标。耗差分析是通过对机组的关键运行参数进行连续监督分析，并由测量值与可以体现机组当前最佳运行状况的基准值之间的差值计算各参数对能耗率的影响的方法，可定量反映机组当前运行状态并为机组快速调整至最佳工况提供参考；其中，建立各运行参数变化量对机组能耗的影响模型是耗差分析的必要前提。
目前，传统模型采用能耗关于各运行参数在基准值附近的全增量模型，通常需假设各运行参数之间相互独立，且函数连续可微；随后通过求解能耗率关于各参数的经验公式、热力学公式等表达式的偏导数，得到各参数单位变化所造成的能耗偏差；基于各运行参数在基准值附近小范围变化并忽略一阶以上小量的假定，与各运行参数相对于基准值的偏差对应相乘即可得到各参数单独造成的能耗偏差，求和后得到总的能耗偏差。上述现有方法中，其计算过程中需做出大量近似化处理，且建立过程大量依赖经验公式等包含各运行参数的复杂表达式，一些未在经验公式中包含但对能耗存在影响的运行参数则未加考虑，导致计算结果不够准确且在偏离基准值较远的工况误差较大；同时，传统模型在不同运行负荷下与不同电站之间采用的表达式不同，模型的灵活性与通用性较差。
另外，为了进行电站的运行状态判断，并确保运行的可靠性，需要精确的测量值提供支撑。传统的电站性能分析中，一般采用运行参数的测量值作为真值直接参与耗差分析；然而，电站实际运行时，运行参数的测量受到仪表精度及寿命、测量数据多次传输导致信号失真、测量操作是否符合规范等多重因素影响，测量值与真值之间存在难以避免的误差，导致测量值很难反映电站实际的运行状态。
发明内容
本发明的目的在于提供一种数据融合耗差分析方法、系统、设备及介质，以解决上述存在的一个或多个技术问题。本发明所提出的数据融合耗差分析方法，可在对测量值进行修正，充分挖掘真实测量数据信息的基础上，构建对应负荷下的Kriging代理模型；通过部署代理模型计算不同运行工况下的机组耗差，提高了数据获取的准确性；本发明避免了大量经验公式、未考虑参数和近似化处理带来的误差，拓展了模型的适用范围。
为达到上述目的，本发明采用以下技术方案：
本发明第一方面提供的一种数据融合耗差分析方法，包括以下步骤：
获取机组的待耗差分析运行状态下的n个运行参数测量值；其中，所述n个运行参数为预先选定的影响耗差分析结果的参数；
基于获取的所述n个运行参数测量值，利用预构建的所述机组的Kriging代理模型进行耗差计算，获得所述待耗差分析运行状态下的耗差；
其中，所述预构建的所述机组的Kriging代理模型的获取步骤包括：
改变所述机组的运行状态，获取所述n个运行参数的样本测量值，构建测量值矩阵及对应汽耗率向量并计算获得样本测量值耗差；其中，所述测量值矩阵的列数n表示运行参数的个数，行数m表示测量次数；
对所述测量值矩阵中的可修正参数进行优化修正，获得修正处理后的测量值矩阵；
基于修正处理后的测量值矩阵，获得偏差矩阵；将偏差矩阵进行归一化处理，获得归一化偏差矩阵；
基于所述归一化偏差矩阵以及所述样本测量值耗差，构建获得所述机组的Kriging代理模型。
本发明方法的进一步改进在于，所述改变所述机组的运行状态，获取所述n个运行参数的样本测量值，构建测量值矩阵及对应汽耗率向量并计算获得样本测量值耗差的步骤包括：
获取给定的机组运行负荷以及该机组运行负荷下的基准能耗；其中，选择汽耗率y作为能耗指标，基准汽耗表示为y0；
获取所述n个运行参数在所述给定的机组运行负荷下各自的基准值；
改变机组运行状态m次，测量运行参数值并构建测量值矩阵X＝[(x1)T,(x2)T,…,(xm)T]T及对应汽耗率向量y＝[y1,y2,…,ym]T，并计算获得耗差z＝[z1,z2,…,zm]T；
其中，式中，Di为第i次测量下汽轮机组的主汽流量，Ni为第i次测量下机组发出的电功率；计算耗差的表达式为z＝y-y0＝[y1-y0,y2-y0,…,ym-y0]T，xi为第i次测量的运行参数值向量。
本发明方法的进一步改进在于，所述对所述测量值矩阵中的可修正参数进行优化修正，获得修正处理后的测量值矩阵的步骤包括：
将各参数以选定平衡关系式关联，出现在平衡关系式、可找到平衡关系的参数为可修正参数，未出现在平衡关系式中、找不到平衡关系的参数是不可修正参数；基于可修正参数和不可修正参数，将测量值矩阵X分为可修正参数矩阵Xa和不可修正参数矩阵Xb；
通过对数据误差优化问题进行求解，将可修正参数矩阵Xa进行优化修正，获得修正后矩阵(Xa)*；
将修正后矩阵(Xa)*与不可修正参数矩阵Xb合并，获得m行n列的修正处理后的测量值矩阵X*；
其中，所述数据误差优化问题的表达式为，
式中，优化变量为/>对应的修正值，∑为/>的协方差矩阵，/>为测量不确定度；f为方程组约束向量；g为不等式组约束向量。
本发明方法的进一步改进在于，所述基于修正处理后的测量值矩阵，获得偏差矩阵的步骤中，
n个运行参数的m次修正测量值相对于基准值的偏差矩阵B表达式为，
B＝X*-X0；
式中，为n个运行参数的基准值矩阵，为n个运行参数的基准值向量，B的第j列记为bj＝[b1j,b2j,…,bmj]T。
本发明方法的进一步改进在于，所述将偏差矩阵进行归一化处理，获得归一化偏差矩阵的步骤中，
偏差矩阵B转化为归一化偏差矩阵C＝[c1,c2,…,cn]，元素cij表示第j个运行参数第i次测量对应的归一化偏差；其中，将偏差矩阵B的第j列归一化时，采用z-score标准化方法，表达式为，
式中，μj、σj分别为第j个运行参数m次偏差的均值、标准差。
本发明方法的进一步改进在于，所述基于所述归一化偏差矩阵以及所述样本测量值耗差，构建获得所述机组的Kriging代理模型的步骤包括：
设给定负荷下某一运行状态p的运行参数测量值为xp＝[xp1,xp2,…,xpn]，获取对应归一化偏差表示为cp＝[cp1,cp2,…,cpn]，待求耗差为zp，
式中，λ为权重系数向量，λi为第i次测量对应的权重系数；
权重系数λi可由下式求得：
式中，φ为拉格朗日乘数；ref表示第e、f两点耗差的半方差，对于ze＝z(ce1,ce2,…,cen)，zf＝z(cf1,cf2,…,cfn)，e∈[1,m]，f∈[1,m]∪[p]，当f∈[1,m]时，通过求得m2个ref的值，当f∈[p]时，ref的获取方法为，定义e，f两次状态的距离为，/>当f∈[1,m]时，通过def的计算表达式求得m2个def的值，获得m2个(def,ref)的数据对，将其按照距离d大小排序后分为k组，记为w1,w2,…,wk，计算每组的平均距离dw1,dw2,…,dwk和平均半方差rw1,rw2,…,rwk，根据每组的平均距离和平均半方差拟合d与r的关系，得到拟合函数关系式，r＝r(d)，当f∈[p]时，根据def的计算表达式求得def的值，将def的值代入拟合函数关系式分别求得r1p,r2p,…,rmp的值；基于r1p,r2p,…,rmp的值求得λ1,λ2,…,λm的值，再利用zp的计算表达式求得待求耗差zp的值，完成耗差关于n个运行参数的代理模型的建立。
本发明方法的进一步改进在于，在获得所述待耗差分析运行状态下的耗差之后，还包括：
在待耗差分析运行状态下对每个运行参数对应的归一化偏差分别独立施加一个小变化量，第j个参数对应的小变化量记为hpj，hpj/cpj≤0.01，对第j个参数施加变化量后的归一化偏差为分别将/>输入代理模型，求得对应的耗差/>
使用数值微分方法，计算待耗差分析运行状态下耗差对第j个运行参数归一化偏差的相对变化率，计算表达式为，
基于求得的相对变化率定量判断待耗差分析运行状态下各参数变化量对耗差变化的影响方向及快慢。
本发明第二方面提供的一种数据融合耗差分析系统，包括：
数据获取模块，用于获取机组的待耗差分析运行状态下的n个运行参数测量值；其中，所述n个运行参数为预先选定的影响耗差分析结果的参数；
耗差计算模块，用于基于获取的所述n个运行参数测量值，利用预构建的所述机组的Kriging代理模型进行耗差计算，获得所述待耗差分析运行状态下的耗差；
其中，所述预构建的所述机组的Kriging代理模型的获取步骤包括：
改变所述机组的运行状态，获取所述n个运行参数的样本测量值，构建测量值矩阵及对应汽耗率向量并计算获得样本测量值耗差；其中，所述测量值矩阵的列数n表示运行参数的个数，行数m表示测量次数；
对所述测量值矩阵中的可修正参数进行优化修正，获得修正处理后的测量值矩阵；
基于修正处理后的测量值矩阵，获得偏差矩阵；将偏差矩阵进行归一化处理，获得归一化偏差矩阵；
基于所述归一化偏差矩阵以及所述样本测量值耗差，构建获得所述机组的Kriging代理模型。
本发明第三方面提供的一种电子设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如本发明第一方面任一项所述的数据融合耗差分析方法。
本发明第四方面提供的一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现本发明第一方面任一项所述的数据融合耗差分析方法。
与现有技术相比，本发明具有以下有益效果：
本发明所提出的数据融合耗差分析方法，在对测量值进行修正及充分挖掘真实测量数据信息的基础上，构建对应负荷下的Kriging代理模型；通过部署的Kriging代理模型可计算不同运行工况下的机组耗差，提高了数据获取的准确性；本发明技术方案也避免了大量经验公式、未考虑参数和近似化处理带来的误差，拓展了模型的适用范围，可以进行快速、准确、灵活的耗差分析，为机组运行状态的调整方案提供更精准的参考。
本发明中，在获取各运行参数变化量对机组能耗的影响模型时，使用基于真实测量数据的代理模型取代传统的全增量计算模型，可增加纳入耗差分析的运行参数个数，并减少对于经验公式的依赖，有效避免了计算过程中做出的大量假设与近似处理，从而在全计算周期内提高了计算的精确性；Kriging代理模型在已知信息中插值获取未知信息的精度很高，比单纯的参数化模型更灵活，也克服了非参数化模型处理高维度数据时的局限性；因此，相比于传统模型在基准值附近小区间内取线性化的处理方式，本发明采用的Kriging代理模型在各运行参数的完整变化区间内—尤其当运行参数偏离基准值较远时具有更加精准的计算结果；在不同负荷下与不同电站间，传统耗差分析模型采用的经验公式不同，同一个耗差分析模型难以在不同机组负荷下以及不同电站间推广；本发明采用测量数据构建Kriging代理模型计算各运行参数变化量对机组能耗的影响，在不同负荷下以及不同电站间的计算流程完全相同，在预测耗差更加准确高效的同时具有更广泛的适用范围；
本发明中，与传统的全增量方法在基准值附近的有限长度区间内用区间整体的耗差随各运行变量的变化率代替局部变化率的处理方式相比，本发明通过数值微分直接求得待求运行状态下的局部变化率，能够考虑区间内部的非线性并更准确地定量反映各运行参数变化对于耗差的影响大小及方向，为调整运行参数至最优工况提供更精准的参考；
本发明的系统中，在进行耗差分析之前首先对测量数据进行修正，与传统直接采用测量值作为真值的系统相比，能够有效减少运行参数数据在测量、处理和传输过程中携带的误差，使耗差分析过程更加精确，从而更好地指导生产运行。
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，下面对实施例或现有技术描述中所需要使用的附图做简单的介绍；显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种数据融合耗差分析方法的流程示意图；
图2是本发明实施例中，基于代理模型的数据融合耗差分析方法的具体求解流程示意图；
图3是本发明实施例提供的一种数据融合耗差分析系统的示意图。
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。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面结合附图对本发明做进一步详细描述：
请参阅图1，本发明实施例提供的一种数据融合耗差分析方法，包括以下步骤：
步骤1，获取待耗差分析机组的运行状态p下的n个运行参数测量值xp＝[xp1,xp2,…,xpn]；示例性的，运行参数为设定的影响耗差分析结果的参数，如主蒸汽的温度、压力，各级抽汽的流量等；
步骤2，基于步骤1获取的n个运行参数测量值xp，利用所述待耗差分析机组的代理模型进行耗差计算，获得所述运行状态p下的耗差zp；
其中，步骤2中的所述待耗差分析机组的代理模型的获取步骤包括：
基于所述待耗差分析机组，多次改变机组运行状态，测量获取所述n个运行参数的样本测量值及对应汽耗率并计算获得耗差，获得测量值矩阵X，其列数n表示运行参数的个数即维度数，行数m表示测量次数；
对所述测量值矩阵X中的可修正参数进行优化修正，获得修正处理后的矩阵X*；
基于修正处理后的矩阵X*，获得n个运行参数的m次修正测量值相对于基准值的偏差矩阵B；将偏差矩阵B转化为归一化的偏差矩阵C＝[c1,c2,…,cn]，元素cij表示第j个运行参数第i次测量对应的归一化偏差；
基于归一化后的偏差矩阵与求得的耗差构建获得Kriging代理模型。
请参阅图2，本发明实施例提供的一种基于代理模型的数据融合耗差分析方法，包括以下步骤：
步骤1)，根据机组目前运行状况，给定机组运行负荷及该负荷下的基准能耗。
其中，选择汽耗率作为能耗指标，用y表示，其定义为汽轮发电机组发出1kW·h电力所消耗的蒸汽量，可由下式计算：
式中，D为汽轮机组主汽流量，N是机组发出的电功率；在给定负荷下的基准汽耗记为y0，对应耗差为y-y0。
步骤2)选定影响耗差的运行参数并确定各参数在步骤1)给定的机组负荷下对应的基准值。
其中，选定n个对耗差存在影响的运行参数，并分别记为x＝[x1,x2,…,xn]，并根据机组运行统计最佳值、试验优化值或者设计值等方案确定其基准值，分别记为
步骤3)多次改变机组运行状态，测量运行参数值及对应汽耗率，并计算耗差。
其中，改变机组运行状态并进行m组测量，第i次运行参数测量值记为xi＝[xi1,xi2,…,xin]，n个参数的m次测量值组成m行n列矩阵X＝[(x1)T,(x2)T,…,(xm)T]T，将对应运行状态下汽耗率的m组测量值记为y＝[y1,y2,...,ym]T，与m次测量对应的汽耗率偏差即耗差记为z＝y-y0＝[y1-y0,y2-y0,…,ym-y0]T＝[z1,z2,…,zm]T，矩阵X的列数n表示运行参数的个数即维度数，其行数m表示测量次数，即样本点的个数，矩阵每一行表示n个测点的一组测量值，xij表示第j个参数的第i次测量值。
步骤4)判断步骤2)中的运行参数是否符合数据修正条件，并将对应测量值分为可修正和不可修正两组。
其中，在电站运行的监测与控制等过程中，测量数据扮演着极其重要的角色；但是在实际测量中，由于多种原因，如测量仪表随着使用年限的增加精度越来越低；测量传感器由于长期工作在高温和高压的环境下，容易发生故障；电站信息系统庞大且复杂，测量数据在处理和传输需经过多个设备，容易造成信号失真等，导致测量数据与真值之间存在不可避免的误差。因此，在采用测量数据进行分析、计算等工作之前，必须先进行误差的去除，以更准确地了解电站的运行状况。
本发明实施例中，通过构建约束优化问题对测量数据进行修正，使得修正后的数据既满足系统和各个设备间的物理平衡关系，包括能量平衡和质量平衡，同时使修正量的总体水平最低，能够消除测量数据在测量、处理和传输过程中带有的误差，并更精确地指导生产运行。其中，在修正过程中需要将各参数以流量平衡、质量平衡等平衡关系式关联起来，出现在平衡关系式、可找到对应平衡关系的参数为可修正参数；未在平衡关系式中出现、找不到对应平衡关系的参数就是不可修正参数。将矩阵X中a个可修正的参数对应列组成矩阵Xa(m行a列)，其第i行记为矩阵X中b个不可修正的参数对应列组成矩阵Xb(m行b列)，其第i行记为/>
步骤5)采用优化方法，对步骤4)确定的可修正的运行参数对应测量值进行优化修正，得到参数修正值。
其中，基于数据误差仅包含均值为0的正态分布误差项的假设，并根据极大似然估计理论，可构建如下数据误差优化问题，表达式为，
其中，优化变量为/>对应的修正值，∑为/>的协方差矩阵，/>为测量不确定度，可基于实测数据由统计方法确定，或根据仪表标定精度等级确定；f为方程组约束向量，由系统设备自身及各设备之间的质量平衡方程和流量平衡方程等约束关系确定；g为不等式组约束向量，由各参数的运行范围等约束关系决定。
具体示例性的，对于上述优化问题，采用适当的优化算法来求解，此处以模拟退火算法为例表述该优化问题的求解流程：
模拟退火算法是基于Monte-Carlo迭代求解策略的一种随机寻优算法，其出发点是基于物理中固体物质的退火过程与一般组合优化问题之间的相似性。以表示公式(2)中的目标函数，使用模拟退火算法求解该优化问题的具体步骤如下：
①首先初始化模拟退火算法的状态参数，包括退火过程的初始温度T0与终止温度Te，温度更新函数中的冷却参数α，以及每个温度下的迭代次数L。在实际使用时需要针对不同情况对上述参数进行不同的设置和调整才能使算法的性能达到最佳；
②随机产生一个初始解作为当前解/>并计算对应的目标函数值
③对当前解施加随机扰动，在其邻域内产生一个新解/>并计算对应的目标函数值/>
④计算若ΔE＜0，则接受新解作为当前解；否则，按照Metropolis准则判断是否接受新解，即接受概率P按下式确定，
其中，T为当前温度。
⑤判断算法是否达到最大迭代次数L，若满足，进入步骤⑥，若不满足则返回步骤③；
⑥判断是否满足终止条件，若满足则输出最优解，若不满足则利用温度更新函数对温度进行更新并返回步骤③。合理的温度更新函数能够使算法在广泛的位置空间和多个邻域中进行搜索，以获得一个满意的最终解，此处以T＝αT为例，其中α为冷却参数，其取值区间一般为(0.5,0.99)。终止条件可设置为：当温度T下降到终止温度Te时，迭代终止；设定目标函数的期望值，当目标函数的当前值优于期望值时，迭代终止；当算法在当前温度陷入局部最优值并保持稳定，无法跳出局部极值时，迭代终止。优化算法结束后输出的最优解，即为修正后的测量值向量，记为修正后的矩阵Xa记为(Xa)*。
步骤6)使用步骤5)中的修正值计算相对于基准值的偏差，步骤4)中不能修正的测量值则直接用作真值计算相对于基准值的偏差。将修正后的矩阵(Xa)*与未修正的矩阵Xb合并为m行n列的矩阵X*，表示为，
X*＝[(Xa)*Xb]
由此，n个运行参数的m次修正测量值相对于基准值的偏差矩阵B为，
B＝X*-X0
式中，为n个运行参数的基准值矩阵，B的第j列记为
步骤7)对步骤6)求得的偏差进行归一化处理。
其中，不同类型测量值的单位不同，取值范围也相差较大，应当采用归一化方法进行处理，以便后续代理模型的建立。将第j个运行参数的测量值偏差归一化，对应于将偏差矩阵B的第j列归一化，采用z-score标准化方法，表达式为，
式中，μj、σj分别为第j个运行参数m次偏差即bj的均值和标准差，当测量次数m足够多时，μj应趋近于0，并可使用bj的均值和标准差代替总体的均值和标准差。
完成上述步骤后，B转化为归一化的偏差矩阵C＝[c1,c2,...,cn]，其元素cij表示第j个运行参数第i次测量对应的归一化偏差。
步骤8)基于步骤7)归一化后的偏差与步骤3)求得的耗差构建对应的Kriging代理模型。
其中，Kriging代理模型的基本思想为在给定范围内对区域化变量进行无偏最优估计，并融合了地理学第一定律，即离待求值越近的已知测量值对待求值的影响越大，当某个已知测量值离待求值足够远时认为其对于待求值无影响。
设给定负荷下某一运行状态p的运行参数测量值为xp＝[xp1,xp2,…,xpn]，按以上步骤求得对应归一化偏差为cp＝[cp1,cp2,…,cpn]，对应的待求耗差为zp，zp可由下式计算：
式中，λ为权重系数向量，λi为第i次测量对应的权重系数。
权重系数λi可由下式求得：
式中，φ为拉格朗日乘数，此处为常数，ref表示第e、f两点耗差的半方差；
对于ze＝z(ce1,ce2,…,cen)，zf＝z(cf1,cf2,…,cfn)，e∈[1,m]，f∈[1,m]∪[p]，其半方差为，
当f∈[1,m]时，通过公式(8)求得m2个ref的值；当f∈[p]时，由于zp为待求量未知，ref即r1p,r2p,…,rmp通过以下方法求得：
定义e，f两次状态的距离为，
当f∈[1,m]时，通过公式(9)求得m2个def的值，从而获得了m2个(def,ref)的数据对，将其按照距离d大小排序后分为k组，记为w1,w2,…,wk，计算每组的平均距离dw1,dw2,…,dwk和平均半方差rw1,rw2,…,rwk，并根据每组的平均距离和平均半方差拟合d与r的关系，得到如下函数关系式，
r＝r(d) (10)
公式(10)即距离-半方差的拟合函数需根据不同电站的实际数据确定其形式，可以选择的形式有球形模型、指数模型、高斯模型等；
下面给出球形模型的表达式：
式中，C0和C1是待求参数，a为变程，为地理学第一定律作用的最大距离，也即模型首次呈现水平状态对应的距离。
当f∈[p]时，由于cp＝[cp1,cp2,…,cpn]已知，可根据公式(9)计算求得def即d1p,d2p,…,dmp的值。将其带入公式(10)拟合函数关系式可分别求得r1p,r2p,…,rmp的值，随后代入公式(7)，可求得式中λ1,λ2,…,λm的值，进而代入公式(6)，求得待求耗差zp的值；至此，完成耗差关于n个运行参数的代理模型的建立。
步骤9)部署步骤8)得到的代理模型，进行待求运行状态下的耗差计算。
其中，将待求状态p下的n个运行参数xp代入上述步骤，即可得到该运行状态对应的耗差zp。
步骤10)通过数值微分获得步骤9)待求运行状态附近的耗差局部变化率，即各运行参数的变化对耗差的影响趋势。
其中，在待求状态p下对每个运行参数对应的归一化偏差分别独立施加一个小变化量，第j个参数对应的小变化量记为hpj。为准确反映耗差的局部变化趋势，hpj的取值不应过大，应控制hpj/cpj≤0.01，对第j个参数施加变化量后的归一化偏差为分别将/>输入代理模型，求得对应的耗差/>随后使用数值微分方法，计算运行状态p下耗差对第j个运行参数归一化偏差的相对变化率为，
可由公式(11)求得的相对变化率定量判断运行状态p下各参数变化量对耗差变化的影响方向及快慢，对于同类型的运行变量如不同测点的压力，公式(11)求得的相对变化率越高则该变量对于耗差的影响相对越高，调整机组运行状态时可被优先考虑。
综上所述，本发明实施例所提出的数据融合耗差分析方法，可在对测量值进行修正，充分挖掘真实测量数据信息的基础上，构建对应负荷下的Kriging代理模型；通过部署代理模型计算不同运行工况下的机组耗差，并能够计算待求运行状态附近的能耗局部变化率，提高了数据获取的准确性；同时，避免了大量经验公式、未考虑参数和近似化处理带来的误差，拓展了模型的适用范围，从而可以进行快速、准确、灵活的耗差分析，为机组运行状态的调整方案提供更精准的参考。
进一步具体解释性的，
首先，在获取各运行参数变化量对机组能耗的影响模型时，使用基于真实测量数据的代理模型取代传统的全增量计算模型，可增加纳入耗差分析的运行参数个数，并减少对于经验公式的依赖，有效避免了计算过程中做出的大量假设与近似处理，从而在全计算周期内提高了计算的精确性；
其次，Kriging代理模型在已知信息中插值获取未知信息的精度很高，比单纯的参数化模型更灵活，也克服了非参数化模型处理高维度数据时的局限性；因此，相比于传统模型在基准值附近小区间内取线性化的处理方式，本发明采用的Kriging代理模型在各运行参数的完整变化区间内—尤其当运行参数偏离基准值较远时具有更加精准的计算结果；
再次，在不同负荷下与不同电站间，传统耗差分析模型采用的经验公式不同，同一个耗差分析模型难以在不同机组负荷下以及不同电站间推广；本发明采用测量数据构建Kriging代理模型计算各运行参数变化量对机组能耗的影响，在不同负荷下以及不同电站间的计算流程完全相同，在预测耗差更加准确高效的同时具有更广泛的适用范围；
此外，与传统的全增量方法在基准值附近的有限长度区间内用区间整体的耗差随各运行变量的变化率代替局部变化率的处理方式相比，本发明通过数值微分直接求得待求运行状态下的局部变化率，能够考虑区间内部的非线性并更准确地定量反映各运行参数变化对于耗差的影响大小及方向，为调整运行参数至最优工况提供更精准的参考；
最后，本发明在进行耗差分析之前首先对测量数据进行修正，与传统上直接采用测量值作为真值的方法相比，能够有效减少运行参数数据在测量、处理和传输过程中携带的误差，使耗差分析过程更加精确，从而更好地指导生产运行。
下述为本发明的装置实施例，可以用于执行本发明方法实施例。对于装置实施例中未披露的细节，请参照本发明方法实施例。
请参阅图3，本发明实施例提供的一种数据融合耗差分析系统，包括：
数据获取模块，用于获取机组的待耗差分析运行状态下的n个运行参数测量值；其中，所述n个运行参数为预先选定的影响耗差分析结果的参数；
耗差计算模块，用于基于获取的所述n个运行参数测量值，利用预构建的所述机组的Kriging代理模型进行耗差计算，获得所述待耗差分析运行状态下的耗差；
其中，所述预构建的所述机组的Kriging代理模型的获取步骤包括：
改变所述机组的运行状态，获取所述n个运行参数的样本测量值，构建测量值矩阵及对应汽耗率向量并计算获得样本测量值耗差；其中，所述测量值矩阵的列数n表示运行参数的个数，行数m表示测量次数；
对所述测量值矩阵中的可修正参数进行优化修正，获得修正处理后的测量值矩阵；
基于修正处理后的测量值矩阵，获得偏差矩阵；将偏差矩阵进行归一化处理，获得归一化偏差矩阵；
基于所述归一化偏差矩阵以及所述样本测量值耗差，构建获得所述机组的Kriging代理模型。
本发明再一个实施例中，提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于数据融合耗差分析方法的操作。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关数据融合耗差分析方法的相应步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种数据融合耗差分析方法，其特征在于，包括以下步骤：
获取机组的待耗差分析运行状态下的n个运行参数测量值；其中，所述n个运行参数为预先选定的影响耗差分析结果的参数；
基于获取的所述n个运行参数测量值，利用预构建的所述机组的Kriging代理模型进行耗差计算，获得所述待耗差分析运行状态下的耗差；
其中，所述预构建的所述机组的Kriging代理模型的获取步骤包括：
改变所述机组的运行状态，获取所述n个运行参数的样本测量值，构建测量值矩阵及对应汽耗率向量并计算获得样本测量值耗差；其中，所述测量值矩阵的列数n表示运行参数的个数，行数m表示测量次数；
对所述测量值矩阵中的可修正参数进行优化修正，获得修正处理后的测量值矩阵；
基于修正处理后的测量值矩阵，获得偏差矩阵；将偏差矩阵进行归一化处理，获得归一化偏差矩阵；
基于所述归一化偏差矩阵以及所述样本测量值耗差，构建获得所述机组的Kriging代理模型。
2.根据权利要求1所述的一种数据融合耗差分析方法，其特征在于，所述改变所述机组的运行状态，获取所述n个运行参数的样本测量值，构建测量值矩阵及对应汽耗率向量并计算获得样本测量值耗差的步骤包括：
获取给定的机组运行负荷以及该机组运行负荷下的基准能耗；其中，选择汽耗率y作为能耗指标，基准汽耗表示为y0；
获取所述n个运行参数在所述给定的机组运行负荷下各自的基准值；
改变机组运行状态m次，测量运行参数值并构建测量值矩阵X＝[(x1)T,(x2)T,…,(xm)T]T及对应汽耗率向量y＝[y1,y2,…,ym]T，并计算获得耗差z＝[z1,z2,…,zm]T；
其中，式中，Di为第i次测量下汽轮机组的主汽流量，Ni为第i次测量下机组发出的电功率；计算耗差的表达式为z＝y-y0＝[y1-y0,y2-y0,…,ym-y0]T，xi为第i次测量的运行参数值向量。
3.根据权利要求2所述的一种数据融合耗差分析方法，其特征在于，所述对所述测量值矩阵中的可修正参数进行优化修正，获得修正处理后的测量值矩阵的步骤包括：
将各参数以选定平衡关系式关联，出现在平衡关系式、可找到平衡关系的参数为可修正参数，未出现在平衡关系式中、找不到平衡关系的参数是不可修正参数；基于可修正参数和不可修正参数，将测量值矩阵X分为可修正参数矩阵Xa和不可修正参数矩阵Xb；
通过对数据误差优化问题进行求解，将可修正参数矩阵Xa进行优化修正，获得修正后矩阵(Xa)*；
将修正后矩阵(Xa)*与不可修正参数矩阵Xb合并，获得m行n列的修正处理后的测量值矩阵X*；
其中，所述数据误差优化问题的表达式为，
式中，优化变量为/>对应的修正值，∑为/>的协方差矩阵，/>为测量不确定度；f为方程组约束向量；g为不等式组约束向量。
4.根据权利要求3所述的一种数据融合耗差分析方法，其特征在于，所述基于修正处理后的测量值矩阵，获得偏差矩阵的步骤中，
n个运行参数的m次修正测量值相对于基准值的偏差矩阵B表达式为，
B＝X*-X0；
式中，为n个运行参数的基准值矩阵，/>为n个运行参数的基准值向量，B的第j列记为bj＝[b1j,b2j,…,bmj]T。
5.根据权利要求4所述的一种数据融合耗差分析方法，其特征在于，所述将偏差矩阵进行归一化处理，获得归一化偏差矩阵的步骤中，
偏差矩阵B转化为归一化偏差矩阵C＝[c1,c2,…,cn]，元素cij表示第j个运行参数第i次测量对应的归一化偏差；其中，将偏差矩阵B的第j列归一化时，采用z-score标准化方法，表达式为，
式中，μj、σj分别为第j个运行参数m次偏差的均值、标准差。
6.根据权利要求5所述的一种数据融合耗差分析方法，其特征在于，所述基于所述归一化偏差矩阵以及所述样本测量值耗差，构建获得所述机组的Kriging代理模型的步骤包括：
设给定负荷下某一运行状态p的运行参数测量值为xp＝[xp1,xp2,…,xpn]，获取对应归一化偏差表示为cp＝[cp1,cp2,...,cpn]，待求耗差为zp，
式中，λ为权重系数向量，λi为第i次测量对应的权重系数；
权重系数λi可由下式求得：
式中，φ为拉格朗日乘数；ref表示第e、f两点耗差的半方差，对于ze＝z(ce1,ce2,…,cen)，zf＝z(cf1,cf2,…,cfn)，e∈[1,m]，f∈[1,m]∪[p]，当f∈[1,m]时，通过求得m2个ref的值，当f∈[p]时，ref的获取方法为，定义e，f两次状态的距离为，当f∈[1,m]时，通过def的计算表达式求得m2个def的值，获得m2个(def,ref)的数据对，将其按照距离d大小排序后分为k组，记为w1,w2,…,wk，计算每组的平均距离dw1,dw2,…,dwk和平均半方差rw1,rw2,…,rwk，根据每组的平均距离和平均半方差拟合d与r的关系，得到拟合函数关系式，r＝r(d)，当f∈[p]时，根据def的计算表达式求得def的值，将def的值代入拟合函数关系式分别求得r1p,r2p,…,rmp的值；基于r1p,r2p,…,rmp的值求得λ1,λ2,...,λm的值，再利用zp的计算表达式求得待求耗差zp的值，完成耗差关于n个运行参数的代理模型的建立。
7.根据权利要求6所述的一种数据融合耗差分析方法，其特征在于，在获得所述待耗差分析运行状态下的耗差之后，还包括：
在待耗差分析运行状态下对每个运行参数对应的归一化偏差分别独立施加一个小变化量，第j个参数对应的小变化量记为hpj，hpj/cpj≤0.01，对第j个参数施加变化量后的归一化偏差为分别将输入代理模型，求得对应的耗差/>
使用数值微分方法，计算待耗差分析运行状态下耗差对第j个运行参数归一化偏差的相对变化率，计算表达式为，
基于求得的相对变化率定量判断待耗差分析运行状态下各参数变化量对耗差变化的影响方向及快慢。
8.一种数据融合耗差分析系统，其特征在于，包括：
数据获取模块，用于获取机组的待耗差分析运行状态下的n个运行参数测量值；其中，所述n个运行参数为预先选定的影响耗差分析结果的参数；
耗差计算模块，用于基于获取的所述n个运行参数测量值，利用预构建的所述机组的Kriging代理模型进行耗差计算，获得所述待耗差分析运行状态下的耗差；
其中，所述预构建的所述机组的Kriging代理模型的获取步骤包括：
改变所述机组的运行状态，获取所述n个运行参数的样本测量值，构建测量值矩阵及对应汽耗率向量并计算获得样本测量值耗差；其中，所述测量值矩阵的列数n表示运行参数的个数，行数m表示测量次数；
对所述测量值矩阵中的可修正参数进行优化修正，获得修正处理后的测量值矩阵；
基于修正处理后的测量值矩阵，获得偏差矩阵；将偏差矩阵进行归一化处理，获得归一化偏差矩阵；
基于所述归一化偏差矩阵以及所述样本测量值耗差，构建获得所述机组的Kriging代理模型。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的数据融合耗差分析方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的数据融合耗差分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310409633.7A CN116485247A (zh) | 2023-04-17 | 2023-04-17 | 一种数据融合耗差分析方法、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310409633.7A CN116485247A (zh) | 2023-04-17 | 2023-04-17 | 一种数据融合耗差分析方法、系统、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116485247A true CN116485247A (zh) | 2023-07-25 |
Family
ID=87214942
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310409633.7A Pending CN116485247A (zh) | 2023-04-17 | 2023-04-17 | 一种数据融合耗差分析方法、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116485247A (zh) |
-
2023
- 2023-04-17 CN CN202310409633.7A patent/CN116485247A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6686151B2 (ja) | モデルパラメータ値推定装置及び推定方法、プログラム、プログラムを記録した記録媒体、モデルパラメータ値推定システム | |
| US8224468B2 (en) | Calibration certificate for virtual sensor network (VSN) | |
| US8036764B2 (en) | Virtual sensor network (VSN) system and method | |
| US10331810B2 (en) | Method for determining a model of an output quantity of a technical system | |
| CN109214708B (zh) | 基于交叉熵理论优化支持向量机的电力系统风险评估方法 | |
| TWI831893B (zh) | 用於高度共線響應空間中的規範性分析的方法、系統與電腦可讀取媒體 | |
| CN112904266A (zh) | 一种电能表寿命预测方法及装置 | |
| EP1882215A2 (en) | Analysis method | |
| CN115308558A (zh) | Cmos器件寿命预测方法、装置、电子设备及介质 | |
| CN111697560A (zh) | 一种基于lstm预测电力系统负荷的方法及系统 | |
| CN118170004A (zh) | 基于物联网的控制方法及系统 | |
| CN117930776A (zh) | 一种基于模型预测的白酒生产精准供汽预调控方法及系统 | |
| US20240077538A1 (en) | Method and Device for Initially Preparing an Aging State Model for Energy Storage Means Based on Active Learning Algorithms and Time-Discounted Information Evaluation | |
| CN116485247A (zh) | 一种数据融合耗差分析方法、系统、设备及介质 | |
| CN116384251A (zh) | 一种考虑风险规避的新能源发电功率组合预测方法及系统 | |
| CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及系统 | |
| CN112036672B (zh) | 一种基于迭代订正的新能源发电超短期功率预测方法及系统 | |
| CN109858699B (zh) | 水质定量模拟方法、装置、电子设备及存储介质 | |
| CN113408076A (zh) | 基于支持向量机模型的小样本机械剩余寿命预测方法 | |
| CN118568997B (zh) | 一种便携式激光光源线宽设计与评估方法及系统 | |
| AbouOmar et al. | Data-Driven Soft Sensors Based on Support Vector Regression and Gray Wolf Optimizer | |
| CN117077885A (zh) | 一种基于NGBoost的火电厂发电能力评估方法、系统及存储介质 | |
| CN118281878A (zh) | 电力系统潮流确定方法、装置、计算机设备和存储介质 | |
| Zhang et al. | Dynamic uncertainty evaluation of cylindricity error based on Bayesian deep neural network propagation method | |
| Vasios et al. | Data-driven Modeling of Thermostatically Controlled Loads |
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 |