CN116701919A - 一种陀螺式氢燃料发电机的优化监测方法及系统 - Google Patents
一种陀螺式氢燃料发电机的优化监测方法及系统 Download PDFInfo
- Publication number
- CN116701919A CN116701919A CN202310980617.3A CN202310980617A CN116701919A CN 116701919 A CN116701919 A CN 116701919A CN 202310980617 A CN202310980617 A CN 202310980617A CN 116701919 A CN116701919 A CN 116701919A
- Authority
- CN
- China
- Prior art keywords
- parameter
- hydrogen fuel
- feature
- target
- analysis
- 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.)
- Granted
Links
- 239000001257 hydrogen Substances 0.000 title claims abstract description 242
- 229910052739 hydrogen Inorganic materials 0.000 title claims abstract description 242
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 title claims abstract description 241
- 239000000446 fuel Substances 0.000 title claims abstract description 207
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012544 monitoring process Methods 0.000 title claims abstract description 41
- 238000005457 optimization Methods 0.000 title claims abstract description 33
- 238000004458 analytical method Methods 0.000 claims abstract description 143
- 239000011159 matrix material Substances 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000007621 cluster analysis Methods 0.000 claims abstract description 16
- 238000009826 distribution Methods 0.000 claims description 156
- 239000013598 vector Substances 0.000 claims description 65
- 238000011156 evaluation Methods 0.000 claims description 46
- 238000012360 testing method Methods 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 39
- 238000004364 calculation method Methods 0.000 claims description 28
- 238000006243 chemical reaction Methods 0.000 claims description 20
- 238000011056 performance test Methods 0.000 claims description 14
- 238000010183 spectrum analysis Methods 0.000 claims description 12
- 230000001105 regulatory effect Effects 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 9
- 230000006798 recombination Effects 0.000 claims description 7
- 238000005215 recombination Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 description 21
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000004138 cluster model Methods 0.000 description 5
- 239000007789 gas Substances 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 150000002431 hydrogen Chemical class 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Fuel Cell (AREA)
Abstract
本发明涉及数据处理领域，公开了一种陀螺式氢燃料发电机的优化监测方法及系统，用于提高陀螺式氢燃料发电机的性能和效率。方法包括：对多个分布特征数据进行特征聚类分析，生成多个聚类特征编码值；将多个聚类特征编码值输入预置的氢燃料供给分析模型进行氢燃料供给分析，得到多个氢燃料供给配比，并对多个氢燃料供给配比进行编码处理，得到多个第一编码值；将多个聚类特征编码值输入预置的气流控制分析模型进行气流控制分析，得到多个气流调节参数，并对多个气流调节参数进行编码处理，得到多个第二编码值；构建目标编码矩阵，并对目标编码矩阵进行氢燃料配比和气流调节优化监测，输出最佳性能控制方案。
Description
技术领域
本发明涉及数据处理领域，尤其涉及一种陀螺式氢燃料发电机的优化监测方法及系统。
背景技术
陀螺式氢燃料发电机作为一种新型的能源转换设备，具有高效、清洁、可再生等优点，在能源领域引起了广泛的关注和研究。为了实现陀螺式氢燃料发电机的最佳性能控制，优化监测方法成为了必要的研究方向。通过对发电机的性能参数进行测试、分析和优化，可以有效提高其发电效率、减少能源浪费，并确保其稳定运行。
现有方案主要集中在单一参数或少数几个参数的优化，缺乏系统化的方法来综合考虑多个参数之间的相互影响和优化关系，因此现有方案的准确率较低，进而导致陀螺式氢燃料发电机的性能不佳。
发明内容
本发明提供了一种陀螺式氢燃料发电机的优化监测方法及系统，用于提高陀螺式氢燃料发电机的性能和效率。
本发明第一方面提供了一种陀螺式氢燃料发电机的优化监测方法，所述陀螺式氢燃料发电机的优化监测方法包括：
对陀螺式氢燃料发电机进行发电机性能测试，并采集目标测试参数集，并对所述目标测试参数集进行参数分类，得到多个参数子集；
对所述多个参数子集进行参数变化分析，得到多个参数分布曲线，并对所述多个参数分布曲线进行分布特征运算，得到多个分布特征数据；
对所述多个分布特征数据进行特征聚类分析，生成多个聚类特征编码值；
将所述多个聚类特征编码值输入预置的氢燃料供给分析模型进行氢燃料供给分析，得到多个氢燃料供给配比，并对所述多个氢燃料供给配比进行编码处理，得到多个第一编码值；
将所述多个聚类特征编码值输入预置的气流控制分析模型进行气流控制分析，得到多个气流调节参数，并对所述多个气流调节参数进行编码处理，得到多个第二编码值；
构建所述多个第一编码值以及所述多个第二编码值对应的目标编码矩阵，并对所述目标编码矩阵进行氢燃料配比和气流调节优化监测，输出所述陀螺式氢燃料发电机的最佳性能控制方案。
结合第一方面，在本发明第一方面的第一实施方式中，所述对陀螺式氢燃料发电机进行发电机性能测试，并采集目标测试参数集，并对所述目标测试参数集进行参数分类，得到多个参数子集，包括：
对陀螺式氢燃料发电机进行发电机性能测试，并采集目标测试参数集；
定义多个参数关联规则，其中，所述多个参数关联规则包括：输出功率关联参数、电压稳定性关联参数以及效率关联参数，所述输出功率关联参数包括输出功率、负载电流以及负载电压，所述电压稳定性关联参数包括：输出电压波动幅度、输出电压峰峰值以及输出电压频谱分析结果，所述效率关联参数包括电池电流以及氢气消耗速率；
基于所述多个参数关联规则，对所述目标测试参数集进行参数分类匹配，得到多个参数子集。
结合第一方面，在本发明第一方面的第二实施方式中，所述对所述多个参数子集进行参数变化分析，得到多个参数分布曲线，并对所述多个参数分布曲线进行分布特征运算，得到多个分布特征数据，包括：
分别对所述多个参数子集进行参数预处理，得到每个参数子集对应的标准子集；
对所述标准子集进行参数变化趋势曲线构建，得到每个参数子集对应的参数分布曲线，其中，所述参数分布曲线包括：输出功率关联分布曲线、电压稳定性关联分布曲线以及效率关联分布曲线；
分别对每个参数子集对应的参数分布曲线进行分布特征运算，得到多个分布特征数据，其中，所述多个分布特征数据包括：均值、方差、偏度以及峰度。
结合第一方面，在本发明第一方面的第三实施方式中，所述对所述多个分布特征数据进行特征聚类分析，生成多个聚类特征编码值，包括：
分别将所述多个分布特征数据输入预置的目标聚类模型，并调用所述目标聚类模型的第一移动密度函数对所述多个分布特征数据进行聚类中心计算，得到多个第一聚类中心；
对所述多个分布特征数据与对应的第一聚类中心进行距离计算，得到多个目标距离数据，并对所述多个目标距离数据进行平均值计算，得到平均距离数据；
通过所述平均距离数据对所述第一移动密度函数的搜索半径参数进行调整，得到目标搜索半径参数，并将所述第一移动密度函数的初始搜索半径参数替换为所述目标搜索半径参数，得到目标移动密度函数；
通过所述目标移动密度函数对所述多个分布特征数据进行聚类中心计算，得到第二聚类中心；
根据所述第二聚类中心，对所述多个分布特征数据进行特征聚类，得到多个特征聚类结果；
对所述多个特征聚类结果进行特征值映射，生成多个聚类特征编码值。
结合第一方面，在本发明第一方面的第四实施方式中，所述将所述多个聚类特征编码值输入预置的氢燃料供给分析模型进行氢燃料供给分析，得到多个氢燃料供给配比，并对所述多个氢燃料供给配比进行编码处理，得到多个第一编码值，包括：
基于预设的第一权重系数，对所述多个聚类特征编码值进行向量转换，生成第一特征向量；
将所述第一特征向量输入预置的氢燃料供给分析模型，其中，所述氢燃料供给分析模型包括：第一双向门限循环网络、第二双向门限循环网络以及回归预测网络；
通过所述氢燃料供给分析模型对所述第一特征向量进行氢燃料供给配比分析和预测，得到多个氢燃料供给配比；
分别对所述多个氢燃料供给配比进行编码处理，得到多个第一编码值。
结合第一方面，在本发明第一方面的第五实施方式中，所述将所述多个聚类特征编码值输入预置的气流控制分析模型进行气流控制分析，得到多个气流调节参数，并对所述多个气流调节参数进行编码处理，得到多个第二编码值，包括：
基于预设的第二权重系数，对所述多个聚类特征编码值进行特征向量转换和权重系数设置，生成第二特征向量；
将所述第二特征向量输入预置的气流控制分析模型，其中，所述气流控制分析模型包括：第一长短时记忆网络、第二长短时记忆网络以及编解码网络；
通过所述气流控制分析模型对所述第二特征向量进行气流控制分析和预测，得到多个气流调节参数；
分别对所述多个气流调节参数进行编码处理，得到多个第二编码值。
结合第一方面，在本发明第一方面的第六实施方式中，所述构建所述多个第一编码值以及所述多个第二编码值对应的目标编码矩阵，并对所述目标编码矩阵进行氢燃料配比和气流调节优化监测，输出所述陀螺式氢燃料发电机的最佳性能控制方案，包括：
构建所述多个第一编码值以及所述多个第二编码值对应的目标编码矩阵；
对所述目标编码矩阵进行矩阵元素重组，生成多个候选性能控制方案；
对所述多个候选性能控制方案进行性能评价指标计算，得到对应的性能评价指标集合；
对所述性能评价指标集合进行排序，并将性能评价指标集合中性能评价指标最大时对应的候选性能控制方案作为氢燃料配比和气流调节最优方案，并输出所述陀螺式氢燃料发电机的最佳性能控制方案。
本发明第二方面提供了一种陀螺式氢燃料发电机的优化监测系统，所述陀螺式氢燃料发电机的优化监测系统包括：
采集模块，用于对陀螺式氢燃料发电机进行发电机性能测试，并采集目标测试参数集，并对所述目标测试参数集进行参数分类，得到多个参数子集；
运算模块，用于对所述多个参数子集进行参数变化分析，得到多个参数分布曲线，并对所述多个参数分布曲线进行分布特征运算，得到多个分布特征数据；
聚类模块，用于对所述多个分布特征数据进行特征聚类分析，生成多个聚类特征编码值；
第一分析模块，用于将所述多个聚类特征编码值输入预置的氢燃料供给分析模型进行氢燃料供给分析，得到多个氢燃料供给配比，并对所述多个氢燃料供给配比进行编码处理，得到多个第一编码值；
第二分析模块，用于将所述多个聚类特征编码值输入预置的气流控制分析模型进行气流控制分析，得到多个气流调节参数，并对所述多个气流调节参数进行编码处理，得到多个第二编码值；
输出模块，用于构建所述多个第一编码值以及所述多个第二编码值对应的目标编码矩阵，并对所述目标编码矩阵进行氢燃料配比和气流调节优化监测，输出所述陀螺式氢燃料发电机的最佳性能控制方案。
结合第二方面，在本发明第二方面的第一实施方式中，所述采集模块具体用于：
对陀螺式氢燃料发电机进行发电机性能测试，并采集目标测试参数集；
定义多个参数关联规则，其中，所述多个参数关联规则包括：输出功率关联参数、电压稳定性关联参数以及效率关联参数，所述输出功率关联参数包括输出功率、负载电流以及负载电压，所述电压稳定性关联参数包括：输出电压波动幅度、输出电压峰峰值以及输出电压频谱分析结果，所述效率关联参数包括电池电流以及氢气消耗速率；
基于所述多个参数关联规则，对所述目标测试参数集进行参数分类匹配，得到多个参数子集。
结合第二方面，在本发明第二方面的第二实施方式中，所述运算模块具体用于：
分别对所述多个参数子集进行参数预处理，得到每个参数子集对应的标准子集；
对所述标准子集进行参数变化趋势曲线构建，得到每个参数子集对应的参数分布曲线，其中，所述参数分布曲线包括：输出功率关联分布曲线、电压稳定性关联分布曲线以及效率关联分布曲线；
分别对每个参数子集对应的参数分布曲线进行分布特征运算，得到多个分布特征数据，其中，所述多个分布特征数据包括：均值、方差、偏度以及峰度。
结合第二方面，在本发明第二方面的第三实施方式中，所述聚类模块具体用于：
分别将所述多个分布特征数据输入预置的目标聚类模型，并调用所述目标聚类模型的第一移动密度函数对所述多个分布特征数据进行聚类中心计算，得到多个第一聚类中心；
对所述多个分布特征数据与对应的第一聚类中心进行距离计算，得到多个目标距离数据，并对所述多个目标距离数据进行平均值计算，得到平均距离数据；
通过所述平均距离数据对所述第一移动密度函数的搜索半径参数进行调整，得到目标搜索半径参数，并将所述第一移动密度函数的初始搜索半径参数替换为所述目标搜索半径参数，得到目标移动密度函数；
通过所述目标移动密度函数对所述多个分布特征数据进行聚类中心计算，得到第二聚类中心；
根据所述第二聚类中心，对所述多个分布特征数据进行特征聚类，得到多个特征聚类结果；
对所述多个特征聚类结果进行特征值映射，生成多个聚类特征编码值。
结合第二方面，在本发明第二方面的第四实施方式中，所述第一分析模块具体用于：
基于预设的第一权重系数，对所述多个聚类特征编码值进行向量转换，生成第一特征向量；
将所述第一特征向量输入预置的氢燃料供给分析模型，其中，所述氢燃料供给分析模型包括：第一双向门限循环网络、第二双向门限循环网络以及回归预测网络；
通过所述氢燃料供给分析模型对所述第一特征向量进行氢燃料供给配比分析和预测，得到多个氢燃料供给配比；
分别对所述多个氢燃料供给配比进行编码处理，得到多个第一编码值。
结合第二方面，在本发明第二方面的第五实施方式中，所述第二分析模块具体用于：
基于预设的第二权重系数，对所述多个聚类特征编码值进行特征向量转换和权重系数设置，生成第二特征向量；
将所述第二特征向量输入预置的气流控制分析模型，其中，所述气流控制分析模型包括：第一长短时记忆网络、第二长短时记忆网络以及编解码网络；
通过所述气流控制分析模型对所述第二特征向量进行气流控制分析和预测，得到多个气流调节参数；
分别对所述多个气流调节参数进行编码处理，得到多个第二编码值。
结合第二方面，在本发明第二方面的第六实施方式中，所述输出模块具体用于：
构建所述多个第一编码值以及所述多个第二编码值对应的目标编码矩阵；
对所述目标编码矩阵进行矩阵元素重组，生成多个候选性能控制方案；
对所述多个候选性能控制方案进行性能评价指标计算，得到对应的性能评价指标集合；
对所述性能评价指标集合进行排序，并将性能评价指标集合中性能评价指标最大时对应的候选性能控制方案作为氢燃料配比和气流调节最优方案，并输出所述陀螺式氢燃料发电机的最佳性能控制方案。
本发明提供的技术方案中，对多个分布特征数据进行特征聚类分析，生成多个聚类特征编码值；将多个聚类特征编码值输入预置的氢燃料供给分析模型进行氢燃料供给分析，得到多个氢燃料供给配比，并对多个氢燃料供给配比进行编码处理，得到多个第一编码值；将多个聚类特征编码值输入预置的气流控制分析模型进行气流控制分析，得到多个气流调节参数，并对多个气流调节参数进行编码处理，得到多个第二编码值；构建目标编码矩阵，并对目标编码矩阵进行氢燃料配比和气流调节优化监测，输出最佳性能控制方案，本发明通过对发电机性能进行测试、分析和优化，可以找到最佳的氢燃料配比和气流调节参数，从而提高发电机的效率。优化后的发电机可以更高效地转化氢燃料为电能，减少能源浪费。通过对多个参数子集的分析和优化，可以综合考虑不同参数之间的相互关系，找到最佳的参数组合，从而提升陀螺式氢燃料发电机的能源利用率。提高陀螺式氢燃料发电机的性能和效率。通过监测关键参数的分布特征，可以及时发现异常情况并采取相应的调整措施，确保发电机的正常运行。
附图说明
图1为本发明实施例中陀螺式氢燃料发电机的优化监测方法的一个实施例示意图；
图2为本发明实施例中分布特征运算的流程图；
图3为本发明实施例中特征聚类分析的流程图；
图4为本发明实施例中氢燃料供给分析的流程图；
图5为本发明实施例中陀螺式氢燃料发电机的优化监测系统的一个实施例示意图。
具体实施方式
本发明实施例提供了一种陀螺式氢燃料发电机的优化监测方法及系统，用于提高陀螺式氢燃料发电机的性能和效率。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”、“第三”、“第四”等（如果存在）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，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，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。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中陀螺式氢燃料发电机的优化监测方法的一个实施例包括：
S101、对陀螺式氢燃料发电机进行发电机性能测试，并采集目标测试参数集，并对目标测试参数集进行参数分类，得到多个参数子集；
可以理解的是，本发明的执行主体可以为陀螺式氢燃料发电机的优化监测系统，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，服务器进行陀螺式氢燃料发电机的发电机性能测试。在测试过程中，使用合适的测量设备和传感器，获取发电机的性能数据。测试的操作条件可以根据具体需要进行设置，例如不同的负载大小、燃料供给方式等。在测试过程中，采集目标测试参数集。这些参数包括但不限于输出功率、电压稳定性和效率等。假设服务器获得了以下目标测试参数集：输出功率：300W、负载电流：5A、负载电压：60V、输出电压波动幅度：1V、输出电压峰峰值：10V、输出电压频谱分析结果：包含频率分量的幅度和相位信息、电池电流：2A、氢气消耗速率：0.5L/min。定义多个参数关联规则。这些规则描述了不同参数之间的关系，用于进一步分析和分类。本实施例中，服务器定义以下参数关联规则：输出功率关联参数：包括输出功率、负载电流以及负载电压；电压稳定性关联参数：包括输出电压波动幅度、输出电压峰峰值以及输出电压频谱分析结果；效率关联参数：包括电池电流以及氢气消耗速率。根据这些参数关联规则，对目标测试参数集进行参数分类匹配，得到多个参数子集。例如，服务器将输出功率、负载电流和负载电压作为一个参数子集，将输出电压波动幅度、输出电压峰峰值和输出电压频谱分析结果作为另一个参数子集，将电池电流和氢气消耗速率作为第三个参数子集。通过参数分类匹配，服务器更好地理解和分析发电机性能的不同方面。不同的参数子集反映了发电机性能的不同特征，例如输出功率的稳定性、电压波动和效率等。
S102、对多个参数子集进行参数变化分析，得到多个参数分布曲线，并对多个参数分布曲线进行分布特征运算，得到多个分布特征数据；
具体的，服务器针对每个参数子集进行参数预处理，以获得标准子集。参数预处理可以包括数据清洗、缺失值处理、异常值处理等步骤，以确保数据的准确性和一致性。对每个标准子集进行参数变化趋势曲线的构建。可以使用合适的统计方法或数据可视化技术，绘制出每个参数子集随时间或其他自变量的变化趋势曲线。例如，对于输出功率关联参数子集，服务器绘制出输出功率随时间的变化趋势曲线。对于每个参数子集，服务器得到相应的参数分布曲线。输出功率关联参数子集对应的参数分布曲线表示输出功率的分布情况，电压稳定性关联参数子集对应的参数分布曲线表示电压稳定性的分布情况，效率关联参数子集对应的参数分布曲线表示效率的分布情况。在参数分布曲线的基础上，进行分布特征运算，得到多个分布特征数据。这些分布特征数据可以提供有关参数分布的统计信息。常见的分布特征包括均值、方差、偏度和峰度等。例如，假设服务器有一个参数子集是输出功率关联参数，包括输出功率的数值。服务器通过参数预处理得到了该参数子集的标准子集，然后根据标准子集绘制出输出功率随时间的变化趋势曲线。接着，服务器根据这个参数子集的参数分布曲线计算其分布特征数据。例如，计算输出功率的均值、方差、偏度和峰度等统计量，以描述输出功率的分布特征。通过对多个参数子集的参数变化分析和分布特征运算，服务器深入了解陀螺式氢燃料发电机的各个方面，包括输出功率、电压稳定性和效率等。这些分析结果可以为进一步优化陀螺式氢燃料发电机的性能提供指导和参考。对于其他的参数子集，如电压稳定性关联参数和效率关联参数，服务器同样可以按照上述方法进行处理。假设服务器有一个电压稳定性关联参数子集，其中包括输出电压的相关信息。服务器首先进行参数预处理，确保数据的准确性和一致性。服务器构建输出电压随时间变化的趋势曲线，以揭示电压稳定性的特征。服务器根据输出电压的参数分布曲线进行分布特征运算。服务器计算输出电压的均值、方差、偏度和峰度等统计量，以描述其分布特征。例如，均值可以表示输出电压的平均水平，方差可以反映电压的波动程度，偏度可以指示分布的偏斜程度，峰度可以描述分布的尖峰或扁平程度。其中，对于效率关联参数子集，服务器进行相同的步骤。假设参数子集包括电池电流和氢气消耗速率等信息。服务器对参数进行预处理，并构建电池电流和氢气消耗速率随时间变化的趋势曲线。根据参数分布曲线，计算分布特征数据，如均值、方差、偏度和峰度等，以描述电池电流和氢气消耗速率的分布特征。通过对多个参数子集进行参数变化分析和分布特征运算，服务器得到关于陀螺式氢燃料发电机性能的详细信息。
S103、对多个分布特征数据进行特征聚类分析，生成多个聚类特征编码值；
需要说明的是，服务器需要准备一个预置的目标聚类模型，该模型用于将多个分布特征数据进行聚类。每个分布特征数据代表一个样本，而特征则是由均值、方差、偏度和峰度等统计量组成。服务器将多个分布特征数据输入目标聚类模型，并利用该模型的第一移动密度函数来计算聚类中心。第一移动密度函数是一种聚类算法，可根据样本之间的密度和距离进行聚类。通过计算第一聚类中心，服务器得到聚类后的结果。服务器计算每个分布特征数据与对应的第一聚类中心之间的距离。这些距离数据反映了样本与聚类中心的相似度或差异度。服务器对这些距离数据进行平均值计算，得到平均距离数据。再服务器根据平均距离数据对第一移动密度函数的搜索半径参数进行调整，以获得目标搜索半径参数。搜索半径参数决定了聚类中心的范围，它的调整可以影响聚类结果的准确性和稳定性。服务器将目标搜索半径参数替换第一移动密度函数的初始搜索半径参数，从而得到目标移动密度函数。通过目标移动密度函数，服务器再次对多个分布特征数据进行聚类中心的计算，得到第二聚类中心。这些聚类中心将更准确地代表样本的特征。根据第二聚类中心，服务器对多个分布特征数据进行特征聚类，以得到更细致的聚类结果。这些特征聚类结果可以反映样本在特征空间中的相似性。服务器对多个特征聚类结果进行特征值映射，生成多个聚类特征编码值。特征值映射可以将原始的特征数据转换为更简洁、具有代表性的编码值。这些聚类特征编码值可以用于描述样本的特征类别或特征属性。例如，假设服务器有一组陀螺式氢燃料发电机的分布特征数据，包括输出功率的均值、方差、偏度和峰度。服务器使用目标聚类模型对这些数据进行聚类分析，并计算第一聚类中心，通过目标聚类模型计算得到第一聚类中心，表示输出功率特征的聚类中心。服务器计算每个输出功率数据与第一聚类中心的距离，并求取平均距离数据作为度量相似度的指标。根据平均距离数据，调整第一移动密度函数的搜索半径参数，得到目标搜索半径参数。使用目标搜索半径参数，服务器重新计算输出功率特征的聚类中心，即第二聚类中心。基于第二聚类中心，对输出功率特征数据进行特征聚类，得到不同输出功率特征的聚类结果。例如，服务器得到高输出功率聚类、中等输出功率聚类和低输出功率聚类等。服务器对聚类结果进行特征值映射，生成聚类特征编码值。例如，高输出功率聚类可以映射为编码值1，中等输出功率聚类可以映射为编码值2，低输出功率聚类可以映射为编码值3。本实施例中，服务器对陀螺式氢燃料发电机的多个分布特征数据进行特征聚类分析，生成多个聚类特征编码值。这些聚类特征编码值可以用于表示不同特征的聚类类别，从而更好地理解和分析陀螺式氢燃料发电机的性能特征。
S104、将多个聚类特征编码值输入预置的氢燃料供给分析模型进行氢燃料供给分析，得到多个氢燃料供给配比，并对多个氢燃料供给配比进行编码处理，得到多个第一编码值；
具体的，服务器准备一个预置的氢燃料供给分析模型，该模型用于对输入的特征向量进行分析和预测。该模型可以包括第一双向门限循环网络、第二双向门限循环网络以及回归预测网络等组件。服务器将多个聚类特征编码值作为输入，输入预置的氢燃料供给分析模型中。在输入之前，服务器根据预设的第一权重系数对聚类特征编码值进行向量转换，生成第一特征向量。这个转换可以帮助调整特征的重要性，使得特征在分析中起到适当的作用。服务器将第一特征向量输入氢燃料供给分析模型。该模型会对特征向量进行分析和预测，并生成多个氢燃料供给配比的结果。氢燃料供给配比反映了不同氢燃料成分在供给中的比例和贡献。接着，服务器对多个氢燃料供给配比进行编码处理。编码处理是将数值型数据转换为离散的编码表示。这可以通过一些编码方法实现，如独热编码、二进制编码等。编码后，服务器得到多个第一编码值，用于表示每个氢燃料供给配比的类别或属性。例如，假设服务器使用陀螺式氢燃料发电机的分布特征数据进行聚类，并得到了多个聚类特征编码值。这些编码值包括输出功率关联特征编码值、电压稳定性关联特征编码值和效率关联特征编码值。服务器将这些特征编码值输入氢燃料供给分析模型进行分析和预测。通过氢燃料供给分析模型，服务器得到了每个特征编码值对应的氢燃料供给配比。例如，输出功率关联特征编码值对应的氢燃料供给配比为60%的甲烷、30%的氢气和10%的氧气。其中，电压稳定性关联特征编码值对应的氢燃料供给配比为40%的甲烷、50%的氢气和10%的氧气。服务器对每个氢燃料供给配比进行编码处理，以得到多个第一编码值。例如，服务器使用独热编码对每个配比进行编码，将其转换为离散的编码表示。假设服务器有三个氢燃料供给配比：配比A、配比B和配比C。使用独热编码，服务器将配比A编码为[1,0,0]，配比B编码为[0,1,0]，配比C编码为[0,0,1]。这样，每个配比都被转换为一个编码向量，其中只有对应的位置为1，其他位置为0。本实施例中，服务器成功实现了对多个聚类特征编码值的处理和分析。服务器首先使用预置的氢燃料供给分析模型，将聚类特征编码值输入模型进行分析和预测，得到多个氢燃料供给配比。通过编码处理将这些配比转换为多个第一编码值，以表示每个配比的类别或属性。
S105、将多个聚类特征编码值输入预置的气流控制分析模型进行气流控制分析，得到多个气流调节参数，并对多个气流调节参数进行编码处理，得到多个第二编码值；
具体的，服务器服务器需要准备一个预置的气流控制分析模型，该模型用于对聚类特征编码值进行气流控制分析。每个聚类特征编码值代表一个样本，而编码值的特征向量是由多个聚类特征编码值和相应的权重系数组成。服务器将多个聚类特征编码值输入气流控制分析模型，并进行特征向量转换和权重系数设置，以生成第二特征向量。特征向量转换可以包括对编码值进行向量拼接、降维或其他特征转换方法。权重系数设置则用于调整不同特征编码值在特征向量中的重要性。将第二特征向量输入预置的气流控制分析模型中，该模型可以包括第一长短时记忆网络、第二长短时记忆网络和编解码网络等。这些网络结构用于对特征向量进行分析和预测，从而得到多个气流调节参数。这些气流调节参数可以包括调节阀门开度、气流速度、压力等。针对每个气流调节参数，服务器进行编码处理，以生成多个第二编码值。编码处理可以根据具体需求选择合适的方法，如独热编码、二进制编码或其他编码方式。每个第二编码值代表了相应气流调节参数的类别或属性。例如，假设服务器有三个聚类特征编码值：编码值A、编码值B和编码值C。通过特征向量转换和权重系数设置，服务器生成了第二特征向量[0.4,0.3,0.6]。将该特征向量输入气流控制分析模型，经过分析和预测，得到了三个气流调节参数：参数X、参数Y和参数Z。针对参数X，服务器进行编码处理，例如使用独热编码，将其编码为[1,0,0]。对参数Y和参数Z也进行相同的处理，分别得到[0,1,0]和[0,0,1]的编码值。本实施例中，服务器成功实现了将多个聚类特征编码值输入气流控制分析模型进行分析和预测，并对得到的气流调节参数进行编码处理，生成了多个第二编码值。这些编码值可以用于表示不同气流调节参数的类别或属性。
S106、构建多个第一编码值以及多个第二编码值对应的目标编码矩阵，并对目标编码矩阵进行氢燃料配比和气流调节优化监测，输出陀螺式氢燃料发电机的最佳性能控制方案。
具体的，服务器需要构建目标编码矩阵。这个矩阵是由多个第一编码值和第二编码值按照一定的规则组合而成的。每个编码值对应一个性能控制方案，而目标编码矩阵中的每个元素表示一个方案的特定组合。服务器对目标编码矩阵进行矩阵元素重组。这意味着服务器对矩阵中的元素进行重新排列，以生成多个候选性能控制方案。通过对编码值的组合进行不同的排列和组织，服务器得到多个不同的候选方案。随后，服务器对这些候选性能控制方案进行性能评价指标的计算。性能评价指标可以是根据陀螺式氢燃料发电机的要求和特定目标确定的指标，例如输出功率、能效、稳定性等。对于每个候选方案，服务器计算其对应的性能评价指标，并得到一个性能评价指标集合。在得到性能评价指标集合后，服务器对其进行排序。通过比较各个方案的性能评价指标，服务器确定哪个方案在各个指标上表现最佳。将性能评价指标集合中性能评价指标最大的候选方案作为氢燃料配比和气流调节的最优方案。输出所得到的最佳性能控制方案。这个方案代表了陀螺式氢燃料发电机在当前条件下的最佳配置和调节策略，可用于优化其性能和控制操作。例如，假设服务器有两个第一编码值和三个第二编码值，服务器将它们组合成一个2x3的目标编码矩阵。对这个矩阵进行重组，生成多个候选性能控制方案。针对每个候选方案，服务器计算其性能评价指标，比如输出功率和稳定性等。通过对这些指标进行排序，服务器确定哪个方案在各个指标上表现最佳，从而得到陀螺式氢燃料发电机的最佳性能控制方案。
本发明实施例中，对多个分布特征数据进行特征聚类分析，生成多个聚类特征编码值；将多个聚类特征编码值输入预置的氢燃料供给分析模型进行氢燃料供给分析，得到多个氢燃料供给配比，并对多个氢燃料供给配比进行编码处理，得到多个第一编码值；将多个聚类特征编码值输入预置的气流控制分析模型进行气流控制分析，得到多个气流调节参数，并对多个气流调节参数进行编码处理，得到多个第二编码值；构建目标编码矩阵，并对目标编码矩阵进行氢燃料配比和气流调节优化监测，输出最佳性能控制方案，本发明通过对发电机性能进行测试、分析和优化，可以找到最佳的氢燃料配比和气流调节参数，从而提高发电机的效率。优化后的发电机可以更高效地转化氢燃料为电能，减少能源浪费。通过对多个参数子集的分析和优化，可以综合考虑不同参数之间的相互关系，找到最佳的参数组合，从而提升陀螺式氢燃料发电机的能源利用率。提高陀螺式氢燃料发电机的性能和效率。通过监测关键参数的分布特征，可以及时发现异常情况并采取相应的调整措施，确保发电机的正常运行。
在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：
（1）对陀螺式氢燃料发电机进行发电机性能测试，并采集目标测试参数集；
（2）定义多个参数关联规则，其中，多个参数关联规则包括：输出功率关联参数、电压稳定性关联参数以及效率关联参数，输出功率关联参数包括输出功率、负载电流以及负载电压，电压稳定性关联参数包括：输出电压波动幅度、输出电压峰峰值以及输出电压频谱分析结果，效率关联参数包括电池电流以及氢气消耗速率；
（3）基于多个参数关联规则，对目标测试参数集进行参数分类匹配，得到多个参数子集。
具体的，服务器为了对陀螺式氢燃料发电机进行性能测试并采集目标测试参数集，服务器需要定义多个参数关联规则。这些规则包括输出功率关联参数、电压稳定性关联参数以及效率关联参数，用于描述不同参数之间的关系和相互影响。服务器考虑输出功率关联参数。它包括输出功率、负载电流以及负载电压。这些参数之间存在着紧密的关联，输出功率是由负载电流和负载电压共同决定的。通过测量和采集这些参数的数值，服务器获取发电机的输出功率以及负载的电流和电压值。其次，服务器关注电压稳定性关联参数。这包括输出电压波动幅度、输出电压峰峰值以及输出电压频谱分析结果。这些参数用于评估发电机输出电压的稳定性和波动情况。通过对输出电压进行测量和分析，服务器得到波动幅度的大小、电压峰峰值的范围以及频谱分析的结果，从而了解发电机的电压稳定性。服务器考虑效率关联参数。这包括电池电流以及氢气消耗速率。电池电流用于衡量电池的工作状态和能量消耗情况，而氢气消耗速率则表示氢气的利用效率和消耗程度。通过对电池电流和氢气消耗速率进行测量和监测，服务器评估发电机的能效和氢气利用效率。基于以上的参数关联规则，服务器对采集到的目标测试参数集进行参数分类匹配，将相互关联的参数归类到各个参数子集中。例如，输出功率、负载电流和负载电压属于输出功率关联参数子集；输出电压波动幅度、输出电压峰峰值和输出电压频谱分析结果属于电压稳定性关联参数子集；电池电流和氢气消耗速率属于效率关联参数子集。通过参数子集的划分，服务器更好地理解和分析发电机的性能特征。这为后续的性能评估、故障诊断和优化改进提供了基础。
在一具体实施例中，如图2所示，执行步骤S102的过程可以具体包括如下步骤：
S201、分别对多个参数子集进行参数预处理，得到每个参数子集对应的标准子集；
S202、对标准子集进行参数变化趋势曲线构建，得到每个参数子集对应的参数分布曲线，其中，参数分布曲线包括：输出功率关联分布曲线、电压稳定性关联分布曲线以及效率关联分布曲线；
S203、分别对每个参数子集对应的参数分布曲线进行分布特征运算，得到多个分布特征数据，其中，多个分布特征数据包括：均值、方差、偏度以及峰度。
具体的，服务器对每个参数子集进行数据清洗，包括去除异常值、缺失值处理和数据平滑等操作。这些步骤有助于确保数据的质量和准确性。接着，对清洗后的数据进行归一化处理，将各个参数子集的数据范围统一到相同的标准范围内，以便后续的比较和分析。在得到标准子集后，服务器对每个参数子集构建参数变化趋势曲线。这可以通过将时间作为横轴，参数值作为纵轴，绘制折线图或曲线图来实现。通过观察曲线的形状和变化趋势，服务器了解参数随时间的变化情况，从而发现潜在的规律和趋势。进一步地，服务器根据标准子集构建参数分布曲线，分别得到输出功率关联分布曲线、电压稳定性关联分布曲线以及效率关联分布曲线。这可以通过绘制概率密度图或直方图来展示参数的分布情况。通过观察曲线的形状、峰值和分布范围，服务器获取关于参数分布的重要信息。针对每个参数子集对应的参数分布曲线，服务器进行分布特征运算，计算多个分布特征数据，如均值、方差、偏度以及峰度等。均值表示数据集的中心位置，方差反映数据的离散程度，偏度描述数据分布的偏斜情况，峰度反映数据分布的峰态。通过这些分布特征数据，服务器从统计学角度量化和描述参数子集的分布特征，进一步分析其特点和规律。例如，假设服务器对陀螺式氢燃料发电机进行性能测试，其中输出功率关联参数子集包括输出功率的变化数据，电压稳定性关联参数子集包括输出电压波动幅度的变化数据，效率关联参数子集包括电池电流的变化数据。服务器首先对每个参数子集进行数据清洗和归一化处理，得到标准子集。针对每个标准子集，服务器绘制参数变化趋势曲线，观察输出功率、输出电压波动幅度和电池电流随时间的变化情况。服务器构建输出功率关联分布曲线、电压稳定性关联分布曲线和效率关联分布曲线。通过绘制概率密度图或直方图，服务器观察到输出功率、电压稳定性和效率参数在各个取值范围内的分布情况。进一步地，服务器计算每个参数子集的分布特征数据，例如计算输出功率的均值、方差、偏度和峰度等。假设服务器得到了输出功率关联分布曲线的分布特征数据，其中输出功率的均值为50kW，方差为10kW2，偏度为0.5，峰度为2。这些统计量提供了关于输出功率分布的重要信息。均值为50kW表示输出功率的中心位置，方差为10kW2表示输出功率的离散程度，偏度为0.5表示输出功率分布稍微向右偏斜，峰度为2表示输出功率分布相对于正态分布具有较高的峰态。其中，服务器对电压稳定性关联分布曲线和效率关联分布曲线进行分布特征运算。通过分析这些分布特征数据，服务器深入了解电压稳定性和效率参数的分布情况以及其统计特性。
在一具体实施例中，如图3所示，执行步骤S103的过程可以具体包括如下步骤：
S301、分别将多个分布特征数据输入预置的目标聚类模型，并调用目标聚类模型的第一移动密度函数对多个分布特征数据进行聚类中心计算，得到多个第一聚类中心；
S302、对多个分布特征数据与对应的第一聚类中心进行距离计算，得到多个目标距离数据，并对多个目标距离数据进行平均值计算，得到平均距离数据；
S303、通过平均距离数据对第一移动密度函数的搜索半径参数进行调整，得到目标搜索半径参数，并将第一移动密度函数的初始搜索半径参数替换为目标搜索半径参数，得到目标移动密度函数；
S304、通过目标移动密度函数对多个分布特征数据进行聚类中心计算，得到第二聚类中心；
S305、根据第二聚类中心，对多个分布特征数据进行特征聚类，得到多个特征聚类结果；
S306、对多个特征聚类结果进行特征值映射，生成多个聚类特征编码值。
具体的，服务器服务器需要准备一个预置的目标聚类模型，该模型用于将多个分布特征数据进行聚类。每个分布特征数据代表一个样本，而特征则是由均值、方差、偏度和峰度等统计量组成。服务器将多个分布特征数据输入目标聚类模型，并利用该模型的第一移动密度函数来计算聚类中心。第一移动密度函数是一种聚类算法，可根据样本之间的密度和距离进行聚类。通过计算第一聚类中心，服务器得到聚类后的结果。服务器计算每个分布特征数据与对应的第一聚类中心之间的距离。这些距离数据反映了样本与聚类中心的相似度或差异度。服务器对这些距离数据进行平均值计算，得到平均距离数据。服务器根据平均距离数据对第一移动密度函数的搜索半径参数进行调整，以获得目标搜索半径参数。搜索半径参数决定了聚类中心的范围，它的调整可以影响聚类结果的准确性和稳定性。服务器将目标搜索半径参数替换第一移动密度函数的初始搜索半径参数，从而得到目标移动密度函数。通过目标移动密度函数，服务器再次对多个分布特征数据进行聚类中心的计算，得到第二聚类中心。这些聚类中心将更准确地代表样本的特征。根据第二聚类中心，服务器对多个分布特征数据进行特征聚类，以得到更细致的聚类结果。这些特征聚类结果可以反映样本在特征空间中的相似性。服务器对多个特征聚类结果进行特征值映射，生成多个聚类特征编码值。特征值映射可以将原始的特征数据转换为更简洁、具有代表性的编码值。这些聚类特征编码值可以用于描述样本的特征类别或特征属性。例如，假设服务器针对陀螺式氢燃料发电机的多个参数子集进行聚类分析。其中一个参数子集包括输出功率的均值、方差、偏度和峰度。服务器使用目标聚类模型对这个参数子集进行聚类，并计算第一聚类中心。计算每个样本与第一聚类中心之间的距离，并计算平均距离数据。根据平均距离数据，服务器调整第一移动密度函数的搜索半径参数，并得到目标搜索半径参数。使用目标搜索半径参数，服务器重新计算参数子集的聚类中心，得到第二聚类中心。基于第二聚类中心，服务器对参数子集进行特征聚类，将具有相似输出功率分布特征的样本归为一类。例如，某些样本的输出功率呈正态分布，而其他样本的输出功率呈偏态分布。服务器对特征聚类结果进行特征值映射，生成聚类特征编码值。这些编码值可以用于表示不同特征分布类别，例如"正态分布"、"偏态分布"等。这样，服务器就得到了对陀螺式氢燃料发电机不同参数子集的聚类特征编码值，为进一步的性能分析和优化提供了基础。
在一具体实施例中，如图4所示，执行步骤S104的过程可以具体包括如下步骤：
S401、基于预设的第一权重系数，对多个聚类特征编码值进行向量转换，生成第一特征向量；
S402、将第一特征向量输入预置的氢燃料供给分析模型，其中，氢燃料供给分析模型包括：第一双向门限循环网络、第二双向门限循环网络以及回归预测网络；
S403、通过氢燃料供给分析模型对第一特征向量进行氢燃料供给配比分析和预测，得到多个氢燃料供给配比；
S404、分别对多个氢燃料供给配比进行编码处理，得到多个第一编码值。
具体的，服务器基于预设的第一权重系数，服务器对多个聚类特征编码值进行向量转换，生成第一特征向量。这个过程涉及将每个聚类特征编码值与对应的权重系数相乘，然后将结果进行求和，得到第一特征向量。服务器将第一特征向量输入预置的氢燃料供给分析模型进行分析。这个分析模型包括第一双向门限循环网络、第二双向门限循环网络以及回归预测网络。这些网络结构能够学习和捕捉输入特征向量与氢燃料供给配比之间的复杂关系。通过氢燃料供给分析模型，服务器对第一特征向量进行氢燃料供给配比的分析和预测。模型会根据输入的特征向量，学习和推断出最佳的氢燃料供给配比方案。这些配比方案可以是针对不同工况或需求的最优化配置，以实现最佳的氢燃料利用效率和性能表现。针对得到的多个氢燃料供给配比，服务器对每个配比进行编码处理，得到多个第一编码值。编码处理可以采用不同的方法，例如独热编码或二进制编码，将每个氢燃料供给配比转化为对应的编码表示。这些编码值可以方便地表示和比较不同的氢燃料供给配比方案。例如，假设服务器有三个聚类特征编码值，分别表示氢燃料的流量、压力和温度。服务器使用预设的第一权重系数对这三个编码值进行向量转换，生成第一特征向量。将第一特征向量输入氢燃料供给分析模型进行分析和预测，得到三个不同的氢燃料供给配比。对这三个配比进行编码处理，得到对应的第一编码值，以表示不同的氢燃料供给配比方案。这些第一编码值可以用于进一步的分析和决策过程。例如，服务器将它们作为输入用于优化算法，以寻找最佳的氢燃料供给配比方案。优化算法可以考虑多个因素，如能源效率、成本、环境影响等，从而找到一个平衡的解决方案。
在一具体实施例中，执行步骤S105的过程可以具体包括如下步骤：
（1）基于预设的第二权重系数，对多个聚类特征编码值进行特征向量转换和权重系数设置，生成第二特征向量；
（2）将第二特征向量输入预置的气流控制分析模型，其中，气流控制分析模型包括：第一长短时记忆网络、第二长短时记忆网络以及编解码网络；
（3）通过气流控制分析模型对第二特征向量进行气流控制分析和预测，得到多个气流调节参数；
（4）分别对多个气流调节参数进行编码处理，得到多个第二编码值。
具体的，基于预设的第二权重系数，服务器实现对多个聚类特征编码值的特征向量转换和权重系数设置，从而生成第二特征向量。这个过程涉及到将每个特征编码值与对应的权重系数相乘，然后将它们进行加权求和，得到新的特征向量。例如，假设服务器有三个聚类特征编码值：编码值1、编码值2和编码值3，对应的权重系数分别为权重1、权重2和权重3。服务器将它们分别乘以对应的权重系数，并将结果相加，得到第二特征向量。具体计算如下：第二特征向量=(编码值1*权重1)+(编码值2*权重2)+(编码值3*权重3)。一旦服务器获得了第二特征向量，服务器将其输入预置的气流控制分析模型中。气流控制分析模型通常由多个神经网络组成，其中包括第一长短时记忆网络、第二长短时记忆网络和编解码网络。这些网络通过学习历史数据和模式，能够对输入的特征向量进行分析和预测。通过气流控制分析模型对第二特征向量进行气流控制分析和预测后，服务器得到多个气流调节参数。这些参数可能包括气流速度、气流压力、气体流量等，它们对于实现有效的气流控制非常重要。进一步地，服务器对这些气流调节参数进行编码处理，以生成多个第二编码值。编码处理的目的是将参数转化为具有一定规则和格式的编码表示形式，便于后续的处理和应用。编码可以采用不同的方法，例如独热编码、二进制编码等，具体选择取决于应用的需求和数据的特征。总结起来，基于预设的第二权重系数，服务器通过特征向量转换和权重系数设置生成第二特征向量。服务器将第二特征向量输入气流控制分析模型进行气流分析和预测，得到多个气流调节参数。服务器对这些气流调节参数进行编码处理，得到多个第二编码值。这样的方法能够提取特征、预测气流控制参数，并将其编码为更加方便处理和应用的形式。
在一具体实施例中，执行步骤S106的过程可以具体包括如下步骤：
（1）构建多个第一编码值以及多个第二编码值对应的目标编码矩阵；
（2）对目标编码矩阵进行矩阵元素重组，生成多个候选性能控制方案；
（3）对多个候选性能控制方案进行性能评价指标计算，得到对应的性能评价指标集合；
（4）对性能评价指标集合进行排序，并将性能评价指标集合中性能评价指标最大时对应的候选性能控制方案作为氢燃料配比和气流调节最优方案，并输出陀螺式氢燃料发电机的最佳性能控制方案。
具体的，服务器需要构建多个第一编码值和多个第二编码值对应的目标编码矩阵。这可以通过将这些编码值按照一定的规则组织成一个矩阵来实现。例如，可以将第一编码值作为矩阵的行，第二编码值作为矩阵的列，然后在相应的位置填入对应的值。服务器对目标编码矩阵进行矩阵元素重组，生成多个候选性能控制方案。通过调整矩阵的行和列顺序，或对矩阵的元素进行组合和重排，服务器创建不同的候选方案。针对每个候选方案，服务器进行性能评价指标计算，得到对应的性能评价指标集合。这些指标可以包括陀螺式氢燃料发电机的输出功率、电压稳定性、效率等方面的性能指标。通过计算和评估每个候选方案，服务器得到一个与每个方案相关的性能评价指标集合。接着，服务器对性能评价指标集合进行排序，并选择性能评价指标最大的候选方案作为氢燃料配比和气流调节的最优方案。使用适当的排序规则或优化算法，服务器对性能评价指标集合进行排序。通过选择具有最高性能评价指标的候选方案，服务器确定最佳的氢燃料配比和气流调节方案。输出陀螺式氢燃料发电机的最佳性能控制方案，包括氢燃料配比和气流调节的最优值。这个方案应该是在评价指标集合中具有最高性能评价指标的候选方案。通过输出陀螺式氢燃料发电机的最佳性能控制方案，服务器获得优化后的氢燃料配比和气流调节参数，从而实现最佳的性能控制。这个最佳方案可以用于优化陀螺式氢燃料发电机的运行，以提高其输出功率、电压稳定性和效率等关键性能指标。例如，假设服务器有一个陀螺式氢燃料发电机，服务器已经通过之前的步骤得到了多个候选性能控制方案。每个方案都包括不同的氢燃料配比和气流调节参数。服务器对这些候选方案进行性能评价指标的计算，如输出功率、电压稳定性和效率等。假设服务器得到了三个候选方案，分别为方案A、方案B和方案C。经过计算和评估，服务器获得了它们对应的性能评价指标集合。在这个例子中，服务器假设方案A在输出功率和效率方面得分最高，方案B在电压稳定性方面得分最高，而方案C在三个指标中得分相对较低。根据排序和评估的结果，服务器确定性能评价指标最高的方案，即方案A。因此，服务器将方案A作为陀螺式氢燃料发电机的最佳性能控制方案。根据方案A，服务器确定最优的氢燃料配比和气流调节参数，以实现陀螺式氢燃料发电机的最佳性能。
上面对本发明实施例中陀螺式氢燃料发电机的优化监测方法进行了描述，下面对本发明实施例中陀螺式氢燃料发电机的优化监测系统进行描述，请参阅图5，本发明实施例中陀螺式氢燃料发电机的优化监测系统一个实施例包括：
采集模块501，用于对陀螺式氢燃料发电机进行发电机性能测试，并采集目标测试参数集，并对所述目标测试参数集进行参数分类，得到多个参数子集；
运算模块502，用于对所述多个参数子集进行参数变化分析，得到多个参数分布曲线，并对所述多个参数分布曲线进行分布特征运算，得到多个分布特征数据；
聚类模块503，用于对所述多个分布特征数据进行特征聚类分析，生成多个聚类特征编码值；
第一分析模块504，用于将所述多个聚类特征编码值输入预置的氢燃料供给分析模型进行氢燃料供给分析，得到多个氢燃料供给配比，并对所述多个氢燃料供给配比进行编码处理，得到多个第一编码值；
第二分析模块505，用于将所述多个聚类特征编码值输入预置的气流控制分析模型进行气流控制分析，得到多个气流调节参数，并对所述多个气流调节参数进行编码处理，得到多个第二编码值；
输出模块506，用于构建所述多个第一编码值以及所述多个第二编码值对应的目标编码矩阵，并对所述目标编码矩阵进行氢燃料配比和气流调节优化监测，输出所述陀螺式氢燃料发电机的最佳性能控制方案。
可选的，所述采集模块501具体用于：
对陀螺式氢燃料发电机进行发电机性能测试，并采集目标测试参数集；
定义多个参数关联规则，其中，所述多个参数关联规则包括：输出功率关联参数、电压稳定性关联参数以及效率关联参数，所述输出功率关联参数包括输出功率、负载电流以及负载电压，所述电压稳定性关联参数包括：输出电压波动幅度、输出电压峰峰值以及输出电压频谱分析结果，所述效率关联参数包括电池电流以及氢气消耗速率；
基于所述多个参数关联规则，对所述目标测试参数集进行参数分类匹配，得到多个参数子集。
可选的，所述运算模块502具体用于：
分别对所述多个参数子集进行参数预处理，得到每个参数子集对应的标准子集；
对所述标准子集进行参数变化趋势曲线构建，得到每个参数子集对应的参数分布曲线，其中，所述参数分布曲线包括：输出功率关联分布曲线、电压稳定性关联分布曲线以及效率关联分布曲线；
分别对每个参数子集对应的参数分布曲线进行分布特征运算，得到多个分布特征数据，其中，所述多个分布特征数据包括：均值、方差、偏度以及峰度。
可选的，所述聚类模块503具体用于：
分别将所述多个分布特征数据输入预置的目标聚类模型，并调用所述目标聚类模型的第一移动密度函数对所述多个分布特征数据进行聚类中心计算，得到多个第一聚类中心；
对所述多个分布特征数据与对应的第一聚类中心进行距离计算，得到多个目标距离数据，并对所述多个目标距离数据进行平均值计算，得到平均距离数据；
通过所述平均距离数据对所述第一移动密度函数的搜索半径参数进行调整，得到目标搜索半径参数，并将所述第一移动密度函数的初始搜索半径参数替换为所述目标搜索半径参数，得到目标移动密度函数；
通过所述目标移动密度函数对所述多个分布特征数据进行聚类中心计算，得到第二聚类中心；
根据所述第二聚类中心，对所述多个分布特征数据进行特征聚类，得到多个特征聚类结果；
对所述多个特征聚类结果进行特征值映射，生成多个聚类特征编码值。
可选的，所述第一分析模块504具体用于：
基于预设的第一权重系数，对所述多个聚类特征编码值进行向量转换，生成第一特征向量；
将所述第一特征向量输入预置的氢燃料供给分析模型，其中，所述氢燃料供给分析模型包括：第一双向门限循环网络、第二双向门限循环网络以及回归预测网络；
通过所述氢燃料供给分析模型对所述第一特征向量进行氢燃料供给配比分析和预测，得到多个氢燃料供给配比；
分别对所述多个氢燃料供给配比进行编码处理，得到多个第一编码值。
可选的，所述第二分析模块505具体用于：
基于预设的第二权重系数，对所述多个聚类特征编码值进行特征向量转换和权重系数设置，生成第二特征向量；
将所述第二特征向量输入预置的气流控制分析模型，其中，所述气流控制分析模型包括：第一长短时记忆网络、第二长短时记忆网络以及编解码网络；
通过所述气流控制分析模型对所述第二特征向量进行气流控制分析和预测，得到多个气流调节参数；
分别对所述多个气流调节参数进行编码处理，得到多个第二编码值。
可选的，所述输出模块506具体用于：
构建所述多个第一编码值以及所述多个第二编码值对应的目标编码矩阵；
对所述目标编码矩阵进行矩阵元素重组，生成多个候选性能控制方案；
对所述多个候选性能控制方案进行性能评价指标计算，得到对应的性能评价指标集合；
对所述性能评价指标集合进行排序，并将性能评价指标集合中性能评价指标最大时对应的候选性能控制方案作为氢燃料配比和气流调节最优方案，并输出所述陀螺式氢燃料发电机的最佳性能控制方案。
通过上述各个组成部分的协同合作，对多个分布特征数据进行特征聚类分析，生成多个聚类特征编码值；将多个聚类特征编码值输入预置的氢燃料供给分析模型进行氢燃料供给分析，得到多个氢燃料供给配比，并对多个氢燃料供给配比进行编码处理，得到多个第一编码值；将多个聚类特征编码值输入预置的气流控制分析模型进行气流控制分析，得到多个气流调节参数，并对多个气流调节参数进行编码处理，得到多个第二编码值；构建目标编码矩阵，并对目标编码矩阵进行氢燃料配比和气流调节优化监测，输出最佳性能控制方案，本发明通过对发电机性能进行测试、分析和优化，可以找到最佳的氢燃料配比和气流调节参数，从而提高发电机的效率。优化后的发电机可以更高效地转化氢燃料为电能，减少能源浪费。通过对多个参数子集的分析和优化，可以综合考虑不同参数之间的相互关系，找到最佳的参数组合，从而提升陀螺式氢燃料发电机的能源利用率。提高陀螺式氢燃料发电机的性能和效率。通过监测关键参数的分布特征，可以及时发现异常情况并采取相应的调整措施，确保发电机的正常运行。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random acceS memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种陀螺式氢燃料发电机的优化监测方法，其特征在于，所述陀螺式氢燃料发电机的优化监测方法包括：
对陀螺式氢燃料发电机进行发电机性能测试，并采集目标测试参数集，并对所述目标测试参数集进行参数分类，得到多个参数子集；
对所述多个参数子集进行参数变化分析，得到多个参数分布曲线，并对所述多个参数分布曲线进行分布特征运算，得到多个分布特征数据；
对所述多个分布特征数据进行特征聚类分析，生成多个聚类特征编码值；
将所述多个聚类特征编码值输入预置的氢燃料供给分析模型进行氢燃料供给分析，得到多个氢燃料供给配比，并对所述多个氢燃料供给配比进行编码处理，得到多个第一编码值；
将所述多个聚类特征编码值输入预置的气流控制分析模型进行气流控制分析，得到多个气流调节参数，并对所述多个气流调节参数进行编码处理，得到多个第二编码值；
构建所述多个第一编码值以及所述多个第二编码值对应的目标编码矩阵，并对所述目标编码矩阵进行氢燃料配比和气流调节优化监测，输出所述陀螺式氢燃料发电机的最佳性能控制方案。
2.根据权利要求1所述的陀螺式氢燃料发电机的优化监测方法，其特征在于，所述对陀螺式氢燃料发电机进行发电机性能测试，并采集目标测试参数集，并对所述目标测试参数集进行参数分类，得到多个参数子集，包括：
对陀螺式氢燃料发电机进行发电机性能测试，并采集目标测试参数集；
定义多个参数关联规则，其中，所述多个参数关联规则包括：输出功率关联参数、电压稳定性关联参数以及效率关联参数，所述输出功率关联参数包括输出功率、负载电流以及负载电压，所述电压稳定性关联参数包括：输出电压波动幅度、输出电压峰峰值以及输出电压频谱分析结果，所述效率关联参数包括电池电流以及氢气消耗速率；
基于所述多个参数关联规则，对所述目标测试参数集进行参数分类匹配，得到多个参数子集。
3.根据权利要求1所述的陀螺式氢燃料发电机的优化监测方法，其特征在于，所述对所述多个参数子集进行参数变化分析，得到多个参数分布曲线，并对所述多个参数分布曲线进行分布特征运算，得到多个分布特征数据，包括：
分别对所述多个参数子集进行参数预处理，得到每个参数子集对应的标准子集；
对所述标准子集进行参数变化趋势曲线构建，得到每个参数子集对应的参数分布曲线，其中，所述参数分布曲线包括：输出功率关联分布曲线、电压稳定性关联分布曲线以及效率关联分布曲线；
分别对每个参数子集对应的参数分布曲线进行分布特征运算，得到多个分布特征数据，其中，所述多个分布特征数据包括：均值、方差、偏度以及峰度。
4.根据权利要求1所述的陀螺式氢燃料发电机的优化监测方法，其特征在于，所述对所述多个分布特征数据进行特征聚类分析，生成多个聚类特征编码值，包括：
分别将所述多个分布特征数据输入预置的目标聚类模型，并调用所述目标聚类模型的第一移动密度函数对所述多个分布特征数据进行聚类中心计算，得到多个第一聚类中心；
对所述多个分布特征数据与对应的第一聚类中心进行距离计算，得到多个目标距离数据，并对所述多个目标距离数据进行平均值计算，得到平均距离数据；
通过所述平均距离数据对所述第一移动密度函数的搜索半径参数进行调整，得到目标搜索半径参数，并将所述第一移动密度函数的初始搜索半径参数替换为所述目标搜索半径参数，得到目标移动密度函数；
通过所述目标移动密度函数对所述多个分布特征数据进行聚类中心计算，得到第二聚类中心；
根据所述第二聚类中心，对所述多个分布特征数据进行特征聚类，得到多个特征聚类结果；
对所述多个特征聚类结果进行特征值映射，生成多个聚类特征编码值。
5.根据权利要求1所述的陀螺式氢燃料发电机的优化监测方法，其特征在于，所述将所述多个聚类特征编码值输入预置的氢燃料供给分析模型进行氢燃料供给分析，得到多个氢燃料供给配比，并对所述多个氢燃料供给配比进行编码处理，得到多个第一编码值，包括：
基于预设的第一权重系数，对所述多个聚类特征编码值进行向量转换，生成第一特征向量；
将所述第一特征向量输入预置的氢燃料供给分析模型，其中，所述氢燃料供给分析模型包括：第一双向门限循环网络、第二双向门限循环网络以及回归预测网络；
通过所述氢燃料供给分析模型对所述第一特征向量进行氢燃料供给配比分析和预测，得到多个氢燃料供给配比；
分别对所述多个氢燃料供给配比进行编码处理，得到多个第一编码值。
6.根据权利要求1所述的陀螺式氢燃料发电机的优化监测方法，其特征在于，所述将所述多个聚类特征编码值输入预置的气流控制分析模型进行气流控制分析，得到多个气流调节参数，并对所述多个气流调节参数进行编码处理，得到多个第二编码值，包括：
基于预设的第二权重系数，对所述多个聚类特征编码值进行特征向量转换和权重系数设置，生成第二特征向量；
将所述第二特征向量输入预置的气流控制分析模型，其中，所述气流控制分析模型包括：第一长短时记忆网络、第二长短时记忆网络以及编解码网络；
通过所述气流控制分析模型对所述第二特征向量进行气流控制分析和预测，得到多个气流调节参数；
分别对所述多个气流调节参数进行编码处理，得到多个第二编码值。
7.根据权利要求1所述的陀螺式氢燃料发电机的优化监测方法，其特征在于，所述构建所述多个第一编码值以及所述多个第二编码值对应的目标编码矩阵，并对所述目标编码矩阵进行氢燃料配比和气流调节优化监测，输出所述陀螺式氢燃料发电机的最佳性能控制方案，包括：
构建所述多个第一编码值以及所述多个第二编码值对应的目标编码矩阵；
对所述目标编码矩阵进行矩阵元素重组，生成多个候选性能控制方案；
对所述多个候选性能控制方案进行性能评价指标计算，得到对应的性能评价指标集合；
对所述性能评价指标集合进行排序，并将性能评价指标集合中性能评价指标最大时对应的候选性能控制方案作为氢燃料配比和气流调节最优方案，并输出所述陀螺式氢燃料发电机的最佳性能控制方案。
8.一种陀螺式氢燃料发电机的优化监测系统，其特征在于，所述陀螺式氢燃料发电机的优化监测系统包括：
采集模块，用于对陀螺式氢燃料发电机进行发电机性能测试，并采集目标测试参数集，并对所述目标测试参数集进行参数分类，得到多个参数子集；
运算模块，用于对所述多个参数子集进行参数变化分析，得到多个参数分布曲线，并对所述多个参数分布曲线进行分布特征运算，得到多个分布特征数据；
聚类模块，用于对所述多个分布特征数据进行特征聚类分析，生成多个聚类特征编码值；
第一分析模块，用于将所述多个聚类特征编码值输入预置的氢燃料供给分析模型进行氢燃料供给分析，得到多个氢燃料供给配比，并对所述多个氢燃料供给配比进行编码处理，得到多个第一编码值；
第二分析模块，用于将所述多个聚类特征编码值输入预置的气流控制分析模型进行气流控制分析，得到多个气流调节参数，并对所述多个气流调节参数进行编码处理，得到多个第二编码值；
输出模块，用于构建所述多个第一编码值以及所述多个第二编码值对应的目标编码矩阵，并对所述目标编码矩阵进行氢燃料配比和气流调节优化监测，输出所述陀螺式氢燃料发电机的最佳性能控制方案。
9.根据权利要求8所述的陀螺式氢燃料发电机的优化监测系统，其特征在于，所述采集模块具体用于：
对陀螺式氢燃料发电机进行发电机性能测试，并采集目标测试参数集；
定义多个参数关联规则，其中，所述多个参数关联规则包括：输出功率关联参数、电压稳定性关联参数以及效率关联参数，所述输出功率关联参数包括输出功率、负载电流以及负载电压，所述电压稳定性关联参数包括：输出电压波动幅度、输出电压峰峰值以及输出电压频谱分析结果，所述效率关联参数包括电池电流以及氢气消耗速率；
基于所述多个参数关联规则，对所述目标测试参数集进行参数分类匹配，得到多个参数子集。
10.根据权利要求8所述的陀螺式氢燃料发电机的优化监测系统，其特征在于，所述运算模块具体用于：
分别对所述多个参数子集进行参数预处理，得到每个参数子集对应的标准子集；
对所述标准子集进行参数变化趋势曲线构建，得到每个参数子集对应的参数分布曲线，其中，所述参数分布曲线包括：输出功率关联分布曲线、电压稳定性关联分布曲线以及效率关联分布曲线；
分别对每个参数子集对应的参数分布曲线进行分布特征运算，得到多个分布特征数据，其中，所述多个分布特征数据包括：均值、方差、偏度以及峰度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310980617.3A CN116701919B (zh) | 2023-08-07 | 2023-08-07 | 一种陀螺式氢燃料发电机的优化监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310980617.3A CN116701919B (zh) | 2023-08-07 | 2023-08-07 | 一种陀螺式氢燃料发电机的优化监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116701919A true CN116701919A (zh) | 2023-09-05 |
| CN116701919B CN116701919B (zh) | 2023-10-03 |
Family
ID=87839668
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310980617.3A Active CN116701919B (zh) | 2023-08-07 | 2023-08-07 | 一种陀螺式氢燃料发电机的优化监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116701919B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117151314A (zh) * | 2023-11-01 | 2023-12-01 | 深圳市普朗医疗科技发展有限公司 | 透明质酸钠的生产管理方法及相关装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009080282A2 (de) * | 2007-12-20 | 2009-07-02 | Alstom Technology Ltd | Optimierung des betriebs eines kraftwerks |
| US20110231320A1 (en) * | 2009-12-22 | 2011-09-22 | Irving Gary W | Energy management systems and methods |
| US20220106060A1 (en) * | 2020-10-05 | 2022-04-07 | Alakai Technologies Corporation | Health assessment and monitoring system and method for clean fuel electric vehicles |
| CN114755581A (zh) * | 2022-06-16 | 2022-07-15 | 德电北斗电动汽车有限公司 | 对置活塞磁力线性发电机的性能参数测试方法及相关装置 |
| CN115898783A (zh) * | 2022-11-08 | 2023-04-04 | 华润数字科技有限公司 | 风力发电机的模拟分析方法、设备优化方法及相关装置 |
-
2023
- 2023-08-07 CN CN202310980617.3A patent/CN116701919B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009080282A2 (de) * | 2007-12-20 | 2009-07-02 | Alstom Technology Ltd | Optimierung des betriebs eines kraftwerks |
| US20110231320A1 (en) * | 2009-12-22 | 2011-09-22 | Irving Gary W | Energy management systems and methods |
| US20220106060A1 (en) * | 2020-10-05 | 2022-04-07 | Alakai Technologies Corporation | Health assessment and monitoring system and method for clean fuel electric vehicles |
| CN114755581A (zh) * | 2022-06-16 | 2022-07-15 | 德电北斗电动汽车有限公司 | 对置活塞磁力线性发电机的性能参数测试方法及相关装置 |
| CN115898783A (zh) * | 2022-11-08 | 2023-04-04 | 华润数字科技有限公司 | 风力发电机的模拟分析方法、设备优化方法及相关装置 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117151314A (zh) * | 2023-11-01 | 2023-12-01 | 深圳市普朗医疗科技发展有限公司 | 透明质酸钠的生产管理方法及相关装置 |
| CN117151314B (zh) * | 2023-11-01 | 2024-04-05 | 深圳市普朗医疗科技发展有限公司 | 透明质酸钠的生产管理方法及相关装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116701919B (zh) | 2023-10-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111199016B (zh) | 一种基于DTW的改进K-means的日负荷曲线聚类方法 | |
| CN111428816A (zh) | 一种非侵入式负荷分解方法 | |
| CN112699913A (zh) | 一种台区户变关系异常诊断方法及装置 | |
| CN111722046B (zh) | 一种基于深度森林模型的变压器故障诊断方法 | |
| CN116701919B (zh) | 一种陀螺式氢燃料发电机的优化监测方法及系统 | |
| CN113452018B (zh) | 一种电力系统备用不足风险场景辨识方法 | |
| CN116484269B (zh) | 显示屏模组的参数处理方法、装置、设备及存储介质 | |
| CN112085619A (zh) | 一种用于配电网数据优化的特征选择方法 | |
| CN115860173A (zh) | 基于Stacking算法的碳排放预测模型的构建和预测方法及介质 | |
| CN114302418A (zh) | 网元设备性能的检测方法、装置及计算机可读介质 | |
| CN111460001A (zh) | 一种配电网理论线损率评估方法及系统 | |
| CN116821832A (zh) | 针对高压工商业用户用电负荷的异常数据辨识与修正方法 | |
| CN112651576A (zh) | 长期风电功率预测方法及装置 | |
| CN113065715A (zh) | 一种综合能源系统多元负荷超短期预测方法 | |
| CN116245019A (zh) | 一种基于Bagging抽样及改进随机森林算法的负荷预测方法、系统、装置及存储介质 | |
| CN112529053A (zh) | 一种服务器中时序数据短期预测方法及系统 | |
| CN115345297A (zh) | 一种基于生成对抗网络的台区样本生成方法及系统 | |
| CN111523735A (zh) | 一种基于轻量级梯度提升算法预测短期电力负荷的系统模型 | |
| CN107274025B (zh) | 一种实现用电模式智能识别与管理的系统和方法 | |
| CN112149052B (zh) | 一种基于plr-dtw的日负荷曲线聚类方法 | |
| CN116365519B (zh) | 一种电力负荷预测方法、系统、存储介质及设备 | |
| CN117609818A (zh) | 基于聚类与信息熵的电网关联关系发现方法 | |
| CN116108963A (zh) | 一种基于集成学习模块的电力碳排放预测方法及设备 | |
| Liu et al. | Discriminative Signal Recognition for Transient Stability Assessment via Discrete Mutual Information Approximation and Eigen Decomposition of Laplacian Matrix | |
| Márquez-Grajales et al. | An adaptive symbolic discretization scheme for the classification of temporal datasets using NSGA-II |
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 |