CN116796620A - 一种抽水蓄能机组油温预测方法、装置、设备及存储介质 - Google Patents
一种抽水蓄能机组油温预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116796620A CN116796620A CN202310260346.4A CN202310260346A CN116796620A CN 116796620 A CN116796620 A CN 116796620A CN 202310260346 A CN202310260346 A CN 202310260346A CN 116796620 A CN116796620 A CN 116796620A
- Authority
- CN
- China
- Prior art keywords
- oil temperature
- data
- acquisition
- prediction model
- storage unit
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000006870 function Effects 0.000 claims description 39
- 230000002159 abnormal effect Effects 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 4
- 238000004146 energy storage Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 9
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 239000000284 extract Substances 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000011800 void material Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种抽水蓄能机组油温预测方法、装置、设备及存储介质。包括:获取抽水蓄能机组的样本油温数据集,其中,样本油温数据集包括历史油温数据;根据样本油温数据集构建油温预测模型,其中,油温预测模型包括各采集标识、采集时间和油温的对应关系;基于油温预测模型输出油温预测数据。通过获取的抽水蓄能机组的样本油温数据集构建油温预测模型,再基于油温预测模型输出油温预测数据,油温预测模型包括各采集标识、采集时间和油温的对应关系,可以多维度分析油温特征,实现对整个抽水蓄能机组的油温进行整体预测,提高了预测的准确性,保障了设备的正常运行的同时也保证了生产现场作业的安全。
Description
技术领域
本发明涉及油温预测技术领域,尤其涉及一种抽水蓄能机组油温预测方法、装置、设备及存储介质。
背景技术
抽水蓄能电厂拥有复杂的机组设备,这些设备在运行过程中布控了多个测点以监测油温温度信息,通过设定的规则或者人工干预,来监控判断信号是否正常,从而判定机器是否正常运行,以此确保生产现场作业安全,机器能否稳定运行,关系企业生产效率,生产规范,企业工人生命安全,如果能够通过计算机相关技术通过对历史正常数据的分析与应用,设计模型进行下一时刻油温预测,能够辅助企业提前预判各种异常情况发生,引起工作人员的警惕,防范于未然,将风险扼杀在摇篮里。
当前基于时间序列油温预测方法,通常基于RNN及相关变体时序序列网络模型,这些方法模型过于单一,不能够提取丰富的特征信息,降低了预测的准确性。
发明内容
本发明提供了一种抽水蓄能机组油温预测方法、装置、设备及存储介质,以实现对抽水蓄能机组的未来油温进行预测。
根据本发明的一方面,提供了一种抽水蓄能机组油温预测方法,该方法包括:
获取抽水蓄能机组的样本油温数据集,其中,样本油温数据集包括历史油温数据;
根据样本油温数据集构建油温预测模型,其中,油温预测模型包括各采集标识、采集时间和油温的对应关系;
基于油温预测模型输出油温预测数据。
可选的,获取抽水蓄能机组的样本油温数据集,包括:获取抽水蓄能机组的历史油温数据,并确定各历史油温数据对应的采集时间和采集标识;根据采集时间、采集标识将各历史油温数据分成第一数据组和第二数据组,其中,第一数据组中包括指定数量的相邻采集时间的各采集标识对应的历史油温数据,第二数据组中包括包括指定数量的相同采集时间的各采集标识对应的历史油温数据;将第一数据组和第二数据组组成的数据集作为样本油温数据集。
可选的,根据样本油温数据集构建油温预测模型,包括:搭建模型网络结构,并确定各模型网络结构的初始模型参数,其中,模型网络结构包括上分支网络结构、下分支网络结构以及编解码网络结构;根据样本油温数据集和初始模型参数确定最终模型参数,并将最终模型参数对应的网络结构作为油温预测模型。
可选的,根据样本油温数据集和初始模型参数确定最终模型参数,包括:将第一数据组中各历史油温数据输入上分支网络结构以获取输出的第一特征,其中,第一特征为油温数据的时间特征;将第二数据组中各历史油温数据输入下分支网络结构以获取输出的第二特征,其中,第二特征为油温数据的空间特征;将第一特征和第二特征进行加权融合生成融合特征,并将融合特征输入编解码网络结构以获取输出的样本油温;确定各历史油温数据对应的真实油温,并确定各采集标识对应的样本油温和真实油温的均方差损失函数值;根据均方差损失函数值和初始模型参数确定最终模型参数。
可选的,根据均方差和初始模型参数确定最终模型参数,包括:通过反向梯度下降算法迭代更新初始模型参数以获取更新的均方差损失函数值;当更新的均方差损失函数值不再下降且达到收敛时,将更新的均方差损失函数值作为目标均方差损失函数值,确定目标均方差损失函数值对应的模型参数作为最终模型参数。
可选的,基于油温预测模型输出油温预测数据,包括:获取用户输入的指定时间,将指定时间输入油温预测模型;通过油温预测模型输出的各采集标识在指定时间的预测油温,将预测油温和对应的采集标识作为油温预测数据。
可选的,在基于油温预测模型输出油温预测数据之后,还包括:获取油温阈值;当预测油温大于油温阈值时,将预测油温作为异常油温,并确定异常油温对应异常采集标识;根据异常油温和异常采集标识生成提示信息,并基于提示信息采用指定方式进行报警。
根据本发明的另一方面,提供了一种抽水蓄能机组油温预测装置,该装置包括:
样本油温数据集获取模块,用于获取抽水蓄能机组的样本油温数据集;
油温预测模型构建模块,用于根据样本油温数据集构建油温预测模型,其中,油温预测模型包括各采集标识、采集时间和油温的对应关系;
油温预测数据输出模块,用于基于油温预测模型输出油温预测数据。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
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计算机程序,所述计算机程序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本发明任一实施例所述的一种抽水蓄能机组油温预测方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的一种抽水蓄能机组油温预测方法。
本发明实施例的技术方案,通过获取的抽水蓄能机组的样本油温数据集构建油温预测模型,再基于油温预测模型输出油温预测数据,油温预测模型包括各采集标识、采集时间和油温的对应关系,可以多维度分析油温特征,实现对整个抽水蓄能机组的油温进行整体预测,提高了预测的准确性,保障了设备的正常运行的同时也保证了生产现场作业的安全。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述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的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种抽水蓄能机组油温预测方法的流程图;
图2是根据本发明实施例一提供的另一种抽水蓄能机组油温预测方法的流程图;
图3是根据本发明实施例一提供的一种构建油温预测模型的过程示意图;
图4是根据本发明实施例二提供的另一种抽水蓄能机组油温预测方法的流程图;
图5是根据本发明实施例三提供的一种抽水蓄能机组油温预测装置的结构示意图;
图6是实现本发明实施例的一种抽水蓄能机组油温预测方法的电子设备的结构示意图。
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。
实施例一
图1为本发明实施例一提供了一种抽水蓄能机组油温预测方法的流程图,本实施例可适用于对抽水蓄能机组各传感器的油温进行预测的情况,该方法可以由抽水蓄能机组油温预测装置来执行,该抽水蓄能机组油温预测装置可以采用硬件和/或软件的形式实现,该抽水蓄能机组油温预测装置可配置于计算机中。如图1所示,该方法包括:
S110、获取抽水蓄能机组的样本油温数据集,其中,样本油温数据集包括历史油温数据。
其中,抽水蓄能机组是指利用水作为储能介质,通过电能与水的势能相互转化,实现电能的储存和释放的设备。样本油温数据集是指用于油温预测模型训练的数据集,样本油温数据集包括历史油温数据。由于机组设备非常复杂,故在设备运行过程中可通过布控多个测点监测油温温度,从而判断设备是否正常运行,进一步保障生成现场作业人员的安全。
可选的,获取抽水蓄能机组的样本油温数据集,包括:获取抽水蓄能机组的历史油温数据,并确定各历史油温数据对应的采集时间和采集标识;根据采集时间、采集标识将各历史油温数据分成第一数据组和第二数据组,其中,第一数据组中包括指定数量的相邻采集时间的各采集标识对应的历史油温数据,第二数据组中包括包括指定数量的相同采集时间的各采集标识对应的历史油温数据;将第一数据组和第二数据组组成的数据集作为样本油温数据集。
具体的,采集标识是指采集油温的传感器的身份标识,控制器可以采集抽水蓄能机组的历史油温数据,然后根据历史油温数据对应的采集时间和采集标识将各历史油温数据分成第一数据组和第二数据组,第一数据组中包括指定数量的相邻采集时间的各采集标识对应的历史油温数据,第二数据组中包括包括指定数量的相同采集时间的各采集标识对应的历史油温数据。将第一数据组和第二数据组组成的数据集作为样本油温数据集,样本油温数据集用数据对的形式表示,例如(It-T+1,xt+1),It-T+1为模型输入数据,It-T+1为依据时间序列在列方向组合成的二维数据,其中It-T+1∈RTxD。xt表示t时刻,系统所有D个测点记录的归一化后的油温数据,其长度为D,It-T+1中的每一行表示单位时刻所有测点油温信息数据,每一列表示某个测点在[t-T+1,t]时间段内的历史油温信息。xt+1为对应输入数据的真实值标签。
S120、根据样本油温数据集构建油温预测模型,其中,油温预测模型包括各采集标识、采集时间和油温的对应关系。
图2为本发明实施例一提供了一种抽水蓄能机组油温预测方法的流程图,步骤S120主要包括如下的步骤S121至步骤S122:
S121、搭建模型网络结构,并确定各模型网络结构的初始模型参数,其中,模型网络结构包括上分支网络结构、下分支网络结构以及编解码网络结构。
其中,上分支网络结构和下分支网络结构为并行的二分支网络,二分支网络可以包含transformer和卷积残差网络组成的2个并行分支网络,两个分支网络参数不共享。编解码网络结构可以是seq2seq序列编解码结构,即由lstm组成编码encoder和解码decoder结构,其序列长度为T。
S122、根据样本油温数据集和初始模型参数确定最终模型参数,并将最终模型参数对应的网络结构作为油温预测模型。
可选的,根据样本油温数据集和初始模型参数确定最终模型参数,包括:将第一数据组中各历史油温数据输入上分支网络结构以获取输出的第一特征,其中,第一特征为油温数据的时间特征;将第二数据组中各历史油温数据输入下分支网络结构以获取输出的第二特征,其中,第二特征为油温数据的空间特征;将第一特征和第二特征进行加权融合生成融合特征,并将融合特征输入编解码网络结构以获取输出的样本油温;确定各历史油温数据对应的真实油温,并确定各采集标识对应的样本油温和真实油温的均方差损失函数值;根据均方差损失函数值和初始模型参数确定最终模型参数。
具体的,控制器将第一数据组中各历史油温数据输入上分支网络结构以获取输出的第一特征,将第二数据组中各历史油温数据输入下分支网络结构以获取输出的第二特征,第一特征为油温数据的时间特征,第二特征为空间特征,即上分支网络中的transformer模块提取时间维度上的特征,残差网络模块对提取的时间维度特征通过卷积进一步的提取特征。下分支网络中的transformer模块提取空间维度上的特征,残差网络模块对提取的空间维度特征通过卷积进一步的提取特征。卷积残差网络模块由三个串接空洞卷积和一个跳转连接构成。跳转连接直接由第一个卷积层的输入跳接到第三个卷积层的输出,该连接方式,可以让每一个测点在每一时刻的信号特征与同一测点临近时刻信号特征和相邻测点信号特征进行交互,学习潜在的语义信息。不同的空洞率dilation rate能够扩大不同的局部区域。将第一特征S0和第二特征S1进行加权融合生成融合特征S2,即S2=S0+S1,将S2特征按照时间序列切分出对应时间序列特征输入进编解码网络结构以获取输出的样本油温。
可选的,根据均方差和初始模型参数确定最终模型参数,包括:通过反向梯度下降算法迭代更新初始模型参数以获取更新的均方差损失函数值;当更新的均方差损失函数值不再下降且达到收敛时,将更新的均方差损失函数值作为目标均方差损失函数值,确定目标均方差损失函数值对应的模型参数作为最终模型参数。
进一步的,获取各历史油温数据对应的真实值标签以确定真实油温,然后确定各采集传感器对应的样本油温和真实油温的均方差损失函数值,根据均方差损失函数值可以对初始模式参数进行调整生成最终模型参数。
具体的,得到均方差损失函数值后可以运用adam等算法进行模型参数优化,即得到均方差损失函数值后,可以通过反向梯度下降算法迭代更新初始模型参数以获取更新的均方差损失函数值,当损失函数对应的曲线不再下降且保持稳定的时候,代表模型训练完成,即可将此时的目标均方差损失函数值对应的模型参数作为最终模型参数。
图3为本发明实施例一提供了一种构建油温预测模型的过程示意图,示例性的,图3中三个卷积核大小依次为5*5*24,3*3*24,3*3*1,空洞率依次为3,5,7,将数据I∈RTxD分别进行时间维度行切分和空间维度列切分后输入二分支网络,时间维度行切分特征输入上分支网络得到特征S0,空间维度列切分特征输入下分支网络得到特征S1,将二分支网络输出特征通过相加融合特征得到S2,具体的,S2=S0+S1,然后将S2特征按照时间序列切分出对应时间序列特征输入进seq2seq网络,其中编码器模块隐藏层为h0或者数据前K-1轮epoch训练得到的隐藏层特征h(K-1) (t-T)。解码器decoder输出得到预测值x't+1,通过构建均方差损失函数和adam优化器进行油温预测模型。
进一步的,本实施方式能够通过transformer同时探索时间维度上和空间维度上信号之间的相互影响,同时通过卷积残差网络探索在局部空间上特征信号的相互作用,提取融合后的特征向量具有更丰富的上下文信息,使网络模型更具有鲁棒性,使最终预测的结果更加准确,并且能够提取更加丰富的特征信息,从而能够更加准确的预测抽水蓄能机组在各个测点处的油温,为生产现场提供更加准确的信息。
S130、基于油温预测模型输出油温预测数据。
可选的,基于油温预测模型输出油温预测数据,包括:获取用户输入的指定时间,将指定时间输入油温预测模型;通过油温预测模型输出的各采集标识在指定时间的预测油温,将预测油温和对应的采集标识作为油温预测数据。
具体的,指定时间可以是时间点或者时间范围,用户可以通过和控制器相连的用户终端输入指定时间,油温预测模型可以基于指定时间输出各采集标识,即各传感器在指定时间的预测油温,将预测油温和对应的采集标识结合即可生成油温预测数据,例如,油温预测数据包括:采集标识01对应的预测油温为:40℃,采集标识02对应的预测油温为:42℃。
本发明实施例的技术方案,通过获取的抽水蓄能机组的样本油温数据集构建油温预测模型,再基于油温预测模型输出油温预测数据,油温预测模型包括各采集标识、采集时间和油温的对应关系,可以多维度分析油温特征,实现对整个抽水蓄能机组的油温进行整体预测,提高了预测的准确性,保障了设备的正常运行的同时也保证了生产现场作业的安全。
实施例二
图4为本发明实施例二提供的一种抽水蓄能机组油温预测方法的流程图,本实施例在上述实施例一的基础上增加了针对异常油温进行报警的过程。其中,步骤S210-S230的具体内容与实施例一中的步骤S110-S130大致相同,因此本实施方式中不再进行赘述。如图4所示,该方法包括:
S210、获取抽水蓄能机组的样本油温数据集,其中,样本油温数据集包括历史油温数据。
可选的,获取抽水蓄能机组的样本油温数据集,包括:获取抽水蓄能机组的历史油温数据,并确定各历史油温数据对应的采集时间和采集标识;根据采集时间、采集标识将各历史油温数据分成第一数据组和第二数据组,其中,第一数据组中包括指定数量的相邻采集时间的各采集标识对应的历史油温数据,第二数据组中包括包括指定数量的相同采集时间的各采集标识对应的历史油温数据;将第一数据组和第二数据组组成的数据集作为样本油温数据集。
S220、根据样本油温数据集构建油温预测模型,其中,油温预测模型包括各采集标识、采集时间和油温的对应关系。
可选的,根据样本油温数据集构建油温预测模型,包括:搭建模型网络结构,并确定各模型网络结构的初始模型参数,其中,模型网络结构包括上分支网络结构、下分支网络结构以及编解码网络结构;根据样本油温数据集和初始模型参数确定最终模型参数,并将最终模型参数对应的网络结构作为油温预测模型。
S230、基于油温预测模型输出油温预测数据。
可选的,基于油温预测模型输出油温预测数据,包括:获取用户输入的指定时间,将指定时间输入油温预测模型;通过油温预测模型输出的各采集标识在指定时间的预测油温,将预测油温和对应的采集标识作为油温预测数据。
S240、获取油温阈值。
S250、当预测油温大于油温阈值时,将预测油温作为异常油温,并确定异常油温对应异常采集标识。
S260、根据异常油温和异常采集标识生成提示信息,并基于提示信息采用指定方式进行报警。
具体的,油温阈值是用户根据监测需要进行设置的,通过油温阈值可以确定出异常油温,当预测油温大于油温阈值时即被判断为异常油温,此时控制器会确定出异常油温对应的异常采集标识,通过异常采集标识即可确定出油温异常的采集传感器,控制器可以根据异常油温和异常采集标识生成提示信息。
进一步的,控制器会根据提示信息采用指定方式进行报警,报警是为了对用户进行提示,便于用户及时掌握油温异常的情况,以使用户对设备进行检查和检修,保证后续设备的正常运行。指定方式包括语音或图像,语音可以通过和控制器相连的扬声器进行播报,例如,语音内容可以是:采集标识01的传感器油温异常。图像可以通过和控制器相连的用户终端进行展示,以对用户进行提示。
本发明实施例的技术方案,通过获取的抽水蓄能机组的样本油温数据集构建油温预测模型,再基于油温预测模型输出油温预测数据,油温预测模型包括各采集标识、采集时间和油温的对应关系,可以多维度分析油温特征,实现对整个抽水蓄能机组的油温进行整体预测,提高了预测的准确性,通过对异常油温进行报警提示,便于用户及时掌握油温异常的情况,以使用户对设备进行检查和检修,保障了设备的正常运行的同时也保证了生产现场作业的安全。
实施例三
图5为本发明实施例三提供的一种抽水蓄能机组油温预测装置的结构示意图。如图5所示,该装置包括:样本油温数据集获取模块310,用于获取抽水蓄能机组的样本油温数据集;油温预测模型构建模块320,用于根据样本油温数据集构建油温预测模型,其中,油温预测模型包括各采集标识、采集时间和油温的对应关系;油温预测数据输出模块330,用于基于油温预测模型输出油温预测数据。
可选的,样本油温数据集获取模块310,具体用于:获取抽水蓄能机组的历史油温数据,并确定各历史油温数据对应的采集时间和采集标识;根据采集时间、采集标识将各历史油温数据分成第一数据组和第二数据组,其中,第一数据组中包括指定数量的相邻采集时间的各采集标识对应的历史油温数据,第二数据组中包括包括指定数量的相同采集时间的各采集标识对应的历史油温数据;将第一数据组和第二数据组组成的数据集作为样本油温数据集。
可选的,油温预测模型构建模块320,具体包括:初始模型参数确定单元,用于搭建模型网络结构,并确定各模型网络结构的初始模型参数,其中,模型网络结构包括上分支网络结构、下分支网络结构以及编解码网络结构;最终模型参数确定单元,用于根据样本油温数据集和初始模型参数确定最终模型参数,并将最终模型参数对应的网络结构作为油温预测模型。
可选的,最终模型参数确定单元,具体包括:第一特征获取子单元,用于将第一数据组中各历史油温数据输入上分支网络结构以获取输出的第一特征,其中,第一特征为油温数据的时间特征;第二特征获取子单元,用于将第二数据组中各历史油温数据输入下分支网络结构以获取输出的第二特征,其中,第二特征为油温数据的空间特征;样本油温输出子单元,用于将第一特征和第二特征进行加权融合生成融合特征,并将融合特征输入编解码网络结构以获取输出的样本油温;最终模型参数确定子单元,用于确定各历史油温数据对应的真实油温,并确定各采集标识对应的样本油温和真实油温的均方差损失函数值;根据均方差损失函数值和初始模型参数确定最终模型参数。
可选的,最终模型参数确定子单元,具体用于:通过反向梯度下降算法迭代更新初始模型参数以获取更新的均方差损失函数值;当更新的均方差损失函数值不再下降且达到收敛时,将更新的均方差损失函数值作为目标均方差损失函数值,确定目标均方差损失函数值对应的模型参数作为最终模型参数。
可选的,油温预测数据输出模块330,具体用于:获取用户输入的指定时间,将指定时间输入油温预测模型;通过油温预测模型输出的各采集标识在指定时间的预测油温,将预测油温和对应的采集标识作为油温预测数据。
可选的,装置还包括:异常油温报警模块,用于:获取油温阈值;当预测油温大于油温阈值时,将预测油温作为异常油温,并确定异常油温对应异常采集标识;根据异常油温和异常采集标识生成提示信息,并基于提示信息采用指定方式进行报警。
本发明实施例的技术方案,通过获取的抽水蓄能机组的样本油温数据集构建油温预测模型,再基于油温预测模型输出油温预测数据,油温预测模型包括各采集标识、采集时间和油温的对应关系,可以多维度分析油温特征,实现对整个抽水蓄能机组的油温进行整体预测,提高了预测的准确性,保障了设备的正常运行的同时也保证了生产现场作业的安全。
本发明实施例所提供的一种抽水蓄能机组油温预测装置可执行本发明任意实施例所提供的一种抽水蓄能机组油温预测方法,具备执行方法相应的功能模块和有益效果。
实施例四
图6示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图6所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如一种抽水蓄能机组油温预测方法。
在一些实施例中,一种抽水蓄能机组油温预测方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的一种抽水蓄能机组油温预测方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行一种抽水蓄能机组油温预测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种抽水蓄能机组油温预测方法,其特征在于,包括:
获取抽水蓄能机组的样本油温数据集,其中,所述样本油温数据集包括历史油温数据;
根据所述样本油温数据集构建油温预测模型,其中,所述油温预测模型包括各采集标识、采集时间和油温的对应关系;
基于所述油温预测模型输出油温预测数据。
2.根据权利要求1所述的方法,其特征在于,所述获取抽水蓄能机组的样本油温数据集,包括:
获取抽水蓄能机组的历史油温数据,并确定各历史油温数据对应的采集时间和采集标识;
根据所述采集时间、所述采集标识将各所述历史油温数据分成第一数据组和第二数据组,其中,所述第一数据组中包括指定数量的相邻采集时间的各采集标识对应的历史油温数据,所述第二数据组中包括包括指定数量的相同采集时间的各采集标识对应的历史油温数据;
将所述第一数据组和所述第二数据组组成的数据集作为所述样本油温数据集。
3.根据权利要求2所述的方法,其特征在于,所述根据所述样本油温数据集构建油温预测模型,包括:
搭建模型网络结构,并确定各所述模型网络结构的初始模型参数,其中,所述模型网络结构包括上分支网络结构、下分支网络结构以及编解码网络结构;
根据所述样本油温数据集和所述初始模型参数确定最终模型参数,并将所述最终模型参数对应的网络结构作为所述油温预测模型。
4.根据权利要求3所述的方法,其特征在于,所述根据所述样本油温数据集和所述初始模型参数确定最终模型参数,包括:
将所述第一数据组中各历史油温数据输入所述上分支网络结构以获取输出的第一特征,其中,所述第一特征为油温数据的时间特征;
将所述第二数据组中各历史油温数据输入所述下分支网络结构以获取输出的第二特征,其中,所述第二特征为油温数据的空间特征;
将所述第一特征和所述第二特征进行加权融合生成融合特征,并将所述融合特征输入所述编解码网络结构以获取输出的样本油温;
确定各所述历史油温数据对应的真实油温,并确定各采集标识对应的所述样本油温和所述真实油温的均方差损失函数值;
根据所述均方差损失函数值和所述初始模型参数确定所述最终模型参数。
5.根据权利要求4所述的方法,其特征在于,所述根据所述均方差损失函数和所述初始模型参数确定所述最终模型参数,包括:
通过反向梯度下降算法迭代更新所述初始模型参数以获取更新的均方差损失函数值;
当所述更新的均方差损失函数值不再下降且达到收敛时,将所述更新的均方差损失函数值作为目标均方差损失函数值,确定所述目标均方差损失函数值对应的模型参数作为所述最终模型参数。
6.根据权利要求1所述的方法,其特征在于,所述基于所述油温预测模型输出油温预测数据,包括:
获取用户输入的指定时间,将所述指定时间输入所述油温预测模型;
通过所述油温预测模型输出的各采集标识在所述指定时间的预测油温,将所述预测油温和对应的采集标识作为所述油温预测数据。
7.根据权利要求6所述的方法,其特征在于,在所述基于所述油温预测模型输出油温预测数据之后,还包括:
获取油温阈值;
当所述预测油温大于所述油温阈值时,将所述预测油温作为异常油温,并确定所述异常油温对应异常采集标识;
根据所述异常油温和所述异常采集标识生成提示信息,并基于所述提示信息采用指定方式进行报警。
8.一种抽水蓄能机组油温预测装置,其特征在于,包括:
样本油温数据集获取模块,用于获取抽水蓄能机组的样本油温数据集;
油温预测模型构建模块,用于根据所述样本油温数据集构建油温预测模型,其中,所述油温预测模型包括各采集标识、采集时间和油温的对应关系;
油温预测数据输出模块,用于基于所述油温预测模型输出油温预测数据。
9.一种电子设备,其特征在于,所述电子设备包括:
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计算机程序,所述计算机程序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权利要求1-7中任一项所述的方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310260346.4A CN116796620A (zh) | 2023-03-16 | 2023-03-16 | 一种抽水蓄能机组油温预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310260346.4A CN116796620A (zh) | 2023-03-16 | 2023-03-16 | 一种抽水蓄能机组油温预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116796620A true CN116796620A (zh) | 2023-09-22 |
Family
ID=88039210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310260346.4A Pending CN116796620A (zh) | 2023-03-16 | 2023-03-16 | 一种抽水蓄能机组油温预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116796620A (zh) |
-
2023
- 2023-03-16 CN CN202310260346.4A patent/CN116796620A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115390161B (zh) | 基于人工智能的降水预测方法及装置 | |
CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
CN113657467A (zh) | 模型预训练方法、装置、电子设备和存储介质 | |
CN115346171A (zh) | 一种输电线路监控方法、装置、设备及存储介质 | |
CN116021981A (zh) | 配电网线路覆冰故障预测方法、装置、设备及存储介质 | |
JP2022095895A (ja) | 交通データ予測方法、交通データ予測装置、電子機器、記憶媒体、コンピュータプログラム製品及びコンピュータプログラム | |
CN113723607A (zh) | 时空数据处理模型的训练方法、装置、设备及存储介质 | |
CN116881583A (zh) | 一种物联网感知数据与空间模型匹配度计算方法及装置 | |
CN116796620A (zh) | 一种抽水蓄能机组油温预测方法、装置、设备及存储介质 | |
CN113435718B (zh) | 玻璃的生成方法、装置、电子设备及存储介质 | |
CN114118562A (zh) | 流量预测方法、模型训练方法、装置以及电子设备 | |
CN116990744B (zh) | 一种电能表检测方法、装置、设备及介质 | |
CN115879468B (zh) | 基于自然语言理解的文本要素提取方法、装置和设备 | |
CN116070138B (zh) | 一种抽水蓄能机组的状态监测方法、装置、设备及介质 | |
CN116933896B (zh) | 一种超参数确定及语义转换方法、装置、设备及介质 | |
CN113360486B (zh) | 数据预测方法、装置、电子设备和介质 | |
CN117251809A (zh) | 电网时序数据异常检测方法、装置、设备和存储介质 | |
CN117541147A (zh) | 快递的配送路径预测方法、装置、电子设备及存储介质 | |
CN116562421A (zh) | 负荷预测方法、装置、设备及介质 | |
CN117131990A (zh) | 电网基建信息管理方法、装置、电子设备及存储介质 | |
CN117540843A (zh) | 一种停车位预测方法、装置、电子设备及存储介质 | |
CN116665823A (zh) | 晶体结构的预测方法、装置、电子设备及存储介质 | |
CN118100151A (zh) | 一种电网负荷预测方法、装置、设备及存储介质 | |
CN116504042A (zh) | 一种异常温度告警的生成方法、装置、设备及介质 | |
CN117198017A (zh) | 一种报警等级确定方法、装置、电子设备及存储介质 |
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 |