CN116911201B - 一种基于深度生成对抗网络算法的模拟电机能效检测系统 - Google Patents
一种基于深度生成对抗网络算法的模拟电机能效检测系统 Download PDFInfo
- Publication number
- CN116911201B CN116911201B CN202311140634.2A CN202311140634A CN116911201B CN 116911201 B CN116911201 B CN 116911201B CN 202311140634 A CN202311140634 A CN 202311140634A CN 116911201 B CN116911201 B CN 116911201B
- Authority
- CN
- China
- Prior art keywords
- motor
- data
- energy efficiency
- function
- fuzzy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 55
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 238000004088 simulation Methods 0.000 claims abstract description 51
- 230000000007 visual effect Effects 0.000 claims abstract description 35
- 238000004458 analytical method Methods 0.000 claims abstract description 31
- 238000013461 design Methods 0.000 claims abstract description 12
- 238000010276 construction Methods 0.000 claims abstract 2
- 230000006870 function Effects 0.000 claims description 94
- 238000000034 method Methods 0.000 claims description 35
- 238000006243 chemical reaction Methods 0.000 claims description 23
- 238000005457 optimization Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000005684 electric field Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013501 data transformation Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000004519 manufacturing process Methods 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
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
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/094—Adversarial learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
一种基于深度生成对抗网络算法的模拟电机能效检测系统,包括电机参数收集模块、电机能效分析模块、可视化模拟输出模块,电机参数收集模块用于对电机工作运行参数进行特征识别,电机能效分析模块用于构建模拟电机运行模型、优化电机运行参数并分析电机损耗,可视化模拟输出模块用于构建模拟电机可视化窗口,输出电机运行能效。本发明提出深度生成对抗网络构建模拟电机运行模型,提出ANFIS‑LF算法对电机数据的复杂特性和非线性关系进行学习,并对电机的设计和运行参数进行优化,提高了一种基于深度生成对抗网络算法的模拟电机能效检测系统的能力,为一种基于深度生成对抗网络算法的模拟电机能效检测系统提供更优的方案。
Description
技术领域
本发明涉及电机能效检测领域,具体地说,涉及一种基于深度生成对抗网络算法的模拟电机能效检测系统。
背景技术
目前能源问题日渐紧张,气候问题越来越被我们所重视,已经成为了世界各国关注的重点。节能减排是一个重要的方向,电机在各种设备中运用广泛,用电量占总用电量的大部分,但目前来说电机的运行效率较低,所以提高电机的运行效率是节能减排的重中之重。电机运行效率低电机本身的问题较大,但也有更主要的使用问题,包括负载率低,电机使用年限长。要采取适当的方法提高电机的运行效率,为了实现这一目标,我们首先需要能在不影响电机的正常工作的情况下,快速准确的检测出电机的实际运行效率。传统的检测方法在现场很难完成,需要长时间的进行电机数据的收集,所以需要一种操作简单的检测方法,本发明提供的一种基于深度生成对抗网络算法的模拟电机能效检测系统,能够在现场,通过收集少量的电机运行数据,通过深度生成对抗网络算法,模拟电机实际运行情况,进而计算出电机的实际运行效率,对于节能减排的目标有较大的突破。
发明内容
本发明的目的在于提供一种基于深度生成对抗网络算法的模拟电机能效检测系统,以解决上述背景技术中提出的问题。
为实现上述目的,提出了.一种基于深度生成对抗网络算法的模拟电机能效检测系统,包括电机参数收集模块、电机能效分析模块、可视化模拟输出模块;首先在电机参数收集模块中,进行电机运行参数的识别和提取;对采集的电机运行参数进行滤波,过滤筛选噪声数据和干扰数据;其次,在电机能效分析模块,通过电机运行参数,采用改进的对抗网络算法,构建模拟电机运行模型,并且分析电机运行常见损耗;在可视化模拟输出模块,通过模拟电机运行模型和电机损耗,形成模拟电机可视化运行窗口,输出电机运行能效检测报告。
进一步的,所述电机参数收集模块,对电机的运行参数进行分析和处理,识别和提取电机运行情况下的特征参数,提供有关电机性能和能效的重要信息,包括电流、电压、转速、电场、磁场、温度、振动。
进一步的,所述电机参数收集模块,采用基于时域分析法的中值滤波法,对识别提取到的电机运行参数进行过滤处理,详细过程如下:
对收集的第种电机工作数据/>表示为/>,表示为第1时刻、第2时刻、第i时刻、第n时刻的数据,对数据进行频域分析,设置转化系数向量/>,/>表示第1时刻,第2时刻、第i时刻、第n时刻的转化系数,构建转换方程,公式如下:
表示数据/>的转化数据,/>表示第i-1时刻的数据、/>表示i+1时刻的数据,/>表示、第i-1时刻、第i+1时刻的转化系数,对转化方程进行离散化,得到频域响应/>,公式如下:
J表示虚数单位,表示频率,/>为复数单位,通过频域响应对转化系数进行修正,得到效果最好的转化系数矩阵,再设计过滤数据窗口为k,对转化数据进行中值操作,公式如下:
表示数据/>的中值过滤值,/>表示数据/>的转化数据,/>表示数据的转化系数,/>表示中值函数。本发明通过改进的中值过滤算法,提高了数据过滤的质量,有利于后续在电机工作模型参数生成时,提高参数生成的质量。
进一步的,所述电机能效分析模块,采用改进的对抗网络算法通过电机参数收集模块过滤处理后的电机运行数据,构建模拟电机运行模型,提出ANFIS-LF算法对电机数据的复杂特性和非线性关系进行学习,并对电机的设计和运行参数进行优化,首先将对抗网络算法分为生成模型和判断模型,具体如下:在生成模型中的生成器网络,通过函数生成与真实数据/>相似分布的虚拟数据,/>分别表示第1个、第2个、第r个、第R个真实数据,分别表示第1个、第2个、第f个、第F个虚拟数据,其中R=F,生成器网络生成的虚拟数据通过判断模型中的判断器网络进行判断,定义虚拟数据判断函数,公式如下:
表示虚拟数据/>的判断函数值,/>表示第f个真实数据,再定义生成器损失函数,公式如下:
表示虚拟数据/>的损失函数值,计算真实数据判断函数,公式如下:
表示真实数据/>的判断函数值,/>表示第r个虚拟数据,计算判别器损失函数,公式如下:
通过交叉熵,判断虚拟数据与真实数据分布的相似性,公式如下:
结合判别器函数,计算数据之间的二分类交叉熵,公式如下:
定义判别器损失函数参数和生成器损失函数参数/>,表示为、/>,进行目标优化函数/>的构建,函数公式如下:
表示判别器损失函数参数,/>表示生成器损失函数参数,不断进行数据生成和参数优化迭代,当目标函数达到最小值时,即判断器网络不能分别真实数据和虚拟数据时,模型训练完成,在电机能效检测中,只需短时间的收集电机参数,就可以通过电机运行模型进行电机工作参数数据的自动生成,利用生成的数据进行电机能效的计算。
然后提出ANFIS-LF算法对电机数据的复杂特性和非线性关系进行学习,并对电机的设计和运行参数进行优化以找到电机最优的工作点,达到电机的最佳能效,具体如下:ANFIS-LF算法首先将经典神经网络加入模糊系统进行改进,提出径向基函数和Sugeno-Takaki模糊推理将模糊系统加入神经网络,假设为第1个模糊规则中输入变量/>所对应的模糊集,/>为第1个模糊规则中输入变量/>所对应的模糊集,则第一个模糊规则的输出结果为/>,其中,/>为第1个模糊规则的输出结果,/>为输入变量/>在模糊集/>中的隶属度,/>为输入变量/>在模糊集/>中的隶属度,/>为第1个模糊规则的常数项,假设/>为第2个模糊规则中输入变量/>所对应的模糊集,/>为第2个模糊规则中输入变量/>所对应的模糊集,则第2个模糊规则的输出结果为/>,其中,/>为第2个模糊规则的输出结果,/>为输入变量/>在模糊集/>中的隶属度,/>为输入变量/>在模糊集/>中的隶属度,/>为第2个模糊规则的常数项,ANFIS分为五个层次,每一层的输入由前一层的输出决定,第1层中节点输出为/>,/>,/>,,其中,/>为在第1个模糊规则下第/>个节点的输出结果,/>为第1个模糊规则下的隶属度函数,/>为模糊集/>的标识符,/>为对应模糊规则的条件是/>,/>为第2个模糊规则下的隶属度函数,/>为模糊集/>的标识符,/>为对应模糊规则的条件是,高斯隶属函数被限制在/>之间,因此/>,其中,/>为隶属度函数,/>,,/>均为前提参数,第2层中的节点是固定的,且确定模糊规则的权重系数为/>,则第2层的输出结果为节点输入结果的乘积,即/>,/>,其中,/>为第2层的输出结果,/>为第1个模糊规则下的隶属度函数,/>为第2个模糊规则下的隶属度函数,第3层节点是计算第/>个规则对所有规则的发射强度的固定节点,则第3层中第/>个节点的输出结果为/>,/>,其中,/>为第3层中第/>个节点的输出结果,/>为/>的归一化权重系数,/>为对应模糊规则的条件为1下的权重系数,为对应模糊规则的条件为2下的权重系数,现将第4层节点改进为自适应节点,其中每个自适应节点的函数为/>,/>,其中,/>为第4层中第/>个节点的输出结果,/>为模糊规则下条件为/>的模糊规则输出结果,/>为输入变量/>在模糊规则下条件为/>的隶属度,/>为输入变量/>在模糊规则下条件为/>的隶属度,/>为模糊规则下条件为/>的常数项,最终输出层为对第4层的接收结果进行求和,即,/>,其中,/>为最终输出层的输出结果,/>为最终输出值,所得参数的线性组合为ANFIS的最终输出,即,其中,为ANFIS的参数线性组合输出结果,/>为/>的归一化权重系数,/>为/>的归一化权重系数,/>和/>均为/>的结果参数,/>和/>均为/>的结果参数;现对ANFIS的参数进行优化以提高ANFIS-LF算法的精度,具体如下:将ANFIS的参数线性组合输出结果通过螺旋函数进行优化,即/>,其中,/>为螺旋函数,/>和均为上述ANFIS的结果参数,/>为结果参数/>与/>之间的距离,/>为保持对数螺旋形状的常数,/>为/>之间的随机数,距离/>为/>,然后提出非高斯概率随机过程莱维飞行分布来提高ANFIS-LF算法的全局搜索能力,以更容易找到全局最优解,进而提高电机系统的性能和效率,即/>,其中,/>为莱维飞行分布,/>为/>之间的随机整数值,/>为优化过程中的步长,且/>,其中,/>为控制步长大小的参数,/>为搜索方向,因此ANFIS-LF算法通过提出径向基函数和Sugeno-Takaki模糊推理将模糊系统加入神经网络对经典神经网络进行改进,并将经典ANFIS中第4层节点改进为加自适应节点,以提高ANFIS的准确性和灵活性,再将ANFIS的参数结果通过螺旋函数进行优化,然后提出莱维飞行分布对螺旋函数优化进行全局搜索能力增强,以此来实现对电机的设计和运行参数进行优化以找到电机最优的工作点,提高电机系统的性能和效率。
进一步的,所述电机能效分析模块,计算和分析电机在运行过程中的损耗,包括杂散损耗和风摩耗,通过大量电机试验,测出电机杂散损耗和风摩耗与电机运行功率之间的关系式,得到杂散损耗的计算公式为/>,/>表示输入功率杂散损耗系数,/>表示额定功率杂散损耗系数,/>表示输入功率,/>表示额定功率,风摩耗/>的计算公式为/>,/>表示额定输出功率风摩耗系数,/>表示额定输出功率。
进一步的,所述可视化模拟输出模块,将深度生成对抗网络算法中构建的模拟电机运行模型预测的电机运行数据与电机损耗一起,将待检测电机的运行情况通过可视化方式展示出来,形成模拟电机可视化运行窗口,直观的展示电机实际运行情况,显示电机运行参数、电机损耗分析结果。
进一步的,所述可视化模拟输出模块,根据可视化模拟电机模块展示的数据,由电机输入功率、输出功率、电机损耗功率进行电机能效分析,输出电机能效分析可视化图表,展示电机能效数据、电机异常情况、电机能效优化方案。
有益效果
本发明的创新点在于,提供了一种基于深度生成对抗网络算法的模拟电机能效检测系统,用于模拟电机能效检测过程,通过电机参数收集模块、电机能效分析模块和可视化模拟输出模块的融合,为模拟电机能效检测系统提供一种方法,采用改进的对抗网络算法,对真实数据和虚拟数据的判断函数和损失函数进行优化,构建新的目标优化函数,进而构建模拟电机运行模型,采用该模拟电机运行模型进行电机能效检测,相对于传统的电机能效检测,能在少量电机运行数据的情况下,模拟出实际电机运行情况,计算电机能效,提出ANFIS-LF算法对电机数据的复杂特性和非线性关系进行学习,并对电机的设计和运行参数进行优化,本发明的创新之处在于,ANFIS-LF算法通过提出径向基函数和Sugeno-Takaki模糊推理将模糊系统加入神经网络对经典神经网络进行改进,并在ANFIS中第4层加入自适应节点对经典ANFIS进行改进,通过自适应地调整权重,以提高ANFIS的准确性和灵活性,从而使得ANFIS能够更好的适应复杂的实际问题,并具有较好的解释性和学习能力,再将ANFIS的参数结果通过螺旋函数进行优化,然后提出莱维飞行分布对螺旋函数优化进行全局搜索能力增强,以此来实现对电机的设计和运行参数进行优化以找到电机最优的工作点,提高电机系统的性能和效率,电机损耗模块分析电机运行过程中的杂散损耗和风摩耗;在可视化模拟电机模块,通过模拟电机运行模型和电机损耗模块,形成模拟电机可视化运行窗口,直观的展示出电机运行情况;在能效检测输出模块输出电机能效数据、电机异常情况、电机能效优化方案。本发明提供的基于深度生成对抗网络算法的模拟电机能效检测系统,能够在现场情况下,快速简单的计算电机的实际电机能效,改变了以往电机能效检测方法中的复杂性,难操作性、数据需求量大的问题,从而实现对电机能耗的高精度检测,准确地评估电机能效,为电机的提升效率提供指导意义;输出的电机异常报告和电机能效优化方案能够准确发现电机隐患和潜在问题,从而对电机进行有效的维护保养,延长电机使用寿命。在电机能耗检测领域具有重要的应用价值。
附图说明
利用附图对发明创造作进一步说明,但附图中的实施例不构成对本发明创造的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是本发明结构示意图。
具体实施方式
结合以下实例对本发明作进一步描述。
参见图1,本发明旨在提供一种基于深度生成对抗网络算法的模拟电机能效检测系统,以解决上述背景技术中提出的问题。
为实现上述目的,提出了.一种基于深度生成对抗网络算法的模拟电机能效检测系统,包括电机参数收集模块、电机能效分析模块、可视化模拟输出模块;首先在电机参数收集模块中,进行电机运行参数的识别和提取;对采集的电机运行参数进行滤波,过滤筛选噪声数据和干扰数据;其次,在电机能效分析模块,通过电机运行参数,采用改进的对抗网络算法,构建模拟电机运行模型,并且分析电机运行常见损耗;在可视化模拟输出模块,通过模拟电机运行模型和电机损耗,形成模拟电机可视化运行窗口,输出电机运行能效检测报告。
具体的,在电机参数收集模块,对电机的运行参数进行分析和处理,识别和提取电机运行情况下的特征参数,提供有关电机性能和能效的重要信息,包括电流、电压、转速、电场、磁场、温度、振动。
采用基于时域分析法的中值滤波法,对识别提取到的电机运行参数进行过滤处理, 去除噪声、干扰和不必要的频率数据,包括电源噪声、电磁干扰、高频振动,保留与电机性能和能效评估相关的有用频率成分,保证滤波后的数据包含重要的特征信息,详细过程如下:
对收集的第种电机工作数据/>表示为/>,表示为第1时刻、第2时刻、第i时刻、第n时刻的数据,对数据进行频域分析,设置转化系数向量/>,/>表示第1时刻,第2时刻、第i时刻、第n时刻的转化系数,构建转换方程,公式如下:
表示数据/>的转化数据,/>表示第i-1时刻的数据、/>表示i+1时刻的数据,/>表示第i-1时刻、第i+1时刻的转化系数,对转化方程进行离散化,得到频域响应/>,公式如下:
J表示虚数单位,表示频率,/>为复数单位,通过频域响应对转化系数进行修正,得到效果最好的转化系数矩阵,再设计过滤数据窗口为k,对转化数据进行中值操作,公式如下:
表示数据/>的中值过滤值,/>表示数据/>的转化数据,/>表示数据的转化系数,/>表示中值函数。
具体的,所述电机能效分析模块,采用改进的对抗网络算法通过电机参数收集模块过滤处理后的电机运行数据,构建模拟电机运行模型,提出ANFIS-LF算法对电机数据的复杂特性和非线性关系进行学习,并对电机的设计和运行参数进行优化,首先将对抗网络算法分为生成模型和判断模型,具体如下:在生成模型中的生成器网络,通过函数生成与真实数据/>相似分布的虚拟数据/>,分别表示第1个、第2个、第r个、第R个真实数据,/>分别表示第1个、第2个、第f个、第F个虚拟数据,其中R=F,生成器网络生成的虚拟数据通过判断模型中的判断器网络进行判断,定义虚拟数据判断函数,公式如下:
表示虚拟数据/>的判断函数值,/>表示第f个真实数据,再定义生成器损失函数,公式如下:
表示虚拟数据/>的损失函数值,计算真实数据判断函数,公式如下:
表示真实数据/>的判断函数值,/>表示第r个虚拟数据,计算判别器损失函数,公式如下:
通过交叉熵,判断虚拟数据与真实数据分布的相似性,公式如下:
结合判别器函数,计算数据之间的二分类交叉熵,公式如下:
定义判别器损失函数参数和生成器损失函数参数/>,表示为、/>,进行目标优化函数/>的构建,函数公式如下:
表示判别器损失函数参数,/>表示生成器损失函数参数,不断进行数据生成和参数优化迭代,当目标函数达到最小值时,即判断器网络不能分别真实数据和虚拟数据时,模型训练完成。在具体实施例中,采用本发明提供的模拟电机运行模型,且实际检测一百个电机运行参数,其模拟的电机实际运行情况与实际检测的电机运行情况保持一致,电机运行参数符合一致。
然后提出ANFIS-LF算法对电机数据的复杂特性和非线性关系进行学习,并对电机的设计和运行参数进行优化以找到电机最优的工作点,达到电机的最佳能效,具体如下:ANFIS-LF算法首先将经典神经网络加入模糊系统进行改进,提出径向基函数和Sugeno-Takaki模糊推理将模糊系统加入神经网络,假设为第1个模糊规则中输入变量/>所对应的模糊集,/>为第1个模糊规则中输入变量/>所对应的模糊集,则第一个模糊规则的输出结果为/>,其中,/>为第1个模糊规则的输出结果,/>为输入变量/>在模糊集/>中的隶属度,/>为输入变量/>在模糊集/>中的隶属度,/>为第1个模糊规则的常数项,假设/>为第2个模糊规则中输入变量/>所对应的模糊集,/>为第2个模糊规则中输入变量/>所对应的模糊集,则第2个模糊规则的输出结果为/>,其中,/>为第2个模糊规则的输出结果,/>为输入变量/>在模糊集/>中的隶属度,/>为输入变量/>在模糊集/>中的隶属度,/>为第2个模糊规则的常数项,ANFIS分为五个层次,每一层的输入由前一层的输出决定,第1层中节点输出为/>,/>,/>,,其中,/>为在第1个模糊规则下第/>个节点的输出结果,/>为第1个模糊规则下的隶属度函数,/>为模糊集/>的标识符,/>为对应模糊规则的条件是/>,/>为第2个模糊规则下的隶属度函数,/>为模糊集/>的标识符,/>为对应模糊规则的条件是,高斯隶属函数被限制在/>之间,因此/>,其中,/>为隶属度函数,/>,,/>均为前提参数,第2层中的节点是固定的,且确定模糊规则的权重系数为/>,则第2层的输出结果为节点输入结果的乘积,即/>,/>,其中,/>为第2层的输出结果,/>为第1个模糊规则下的隶属度函数,/>为第2个模糊规则下的隶属度函数,第3层节点是计算第/>个规则对所有规则的发射强度的固定节点,则第3层中第/>个节点的输出结果为/>,/>,其中,/>为第3层中第/>个节点的输出结果,/>为/>的归一化权重系数,/>为对应模糊规则的条件为1下的权重系数,为对应模糊规则的条件为2下的权重系数,现将第4层节点改进为自适应节点,其中每个自适应节点的函数为/>,/>,其中,/>为第4层中第/>个节点的输出结果,/>为模糊规则下条件为/>的模糊规则输出结果,/>为输入变量/>在模糊规则下条件为/>的隶属度,/>为输入变量/>在模糊规则下条件为/>的隶属度,/>为模糊规则下条件为/>的常数项,最终输出层为对第4层的接收结果进行求和,即,/>,其中,/>为最终输出层的输出结果,/>为最终输出值,所得参数的线性组合为ANFIS的最终输出,即,其中,为ANFIS的参数线性组合输出结果,/>为/>的归一化权重系数,/>为/>的归一化权重系数,/>和/>均为/>的结果参数,/>和/>均为/>的结果参数;现对ANFIS的参数进行优化以提高ANFIS-LF算法的精度,具体如下:将ANFIS的参数线性组合输出结果通过螺旋函数进行优化,即/>,其中,/>为螺旋函数,/>和均为上述ANFIS的结果参数,/>为结果参数/>与/>之间的距离,/>为保持对数螺旋形状的常数,/>为/>之间的随机数,距离/>为/>,然后提出非高斯概率随机过程莱维飞行分布来提高ANFIS-LF算法的全局搜索能力,以更容易找到全局最优解,进而提高电机系统的性能和效率,即/>,其中,/>为莱维飞行分布,/>为/>之间的随机整数值,/>为优化过程中的步长,且/>,其中,/>为控制步长大小的参数,/>为搜索方向,因此ANFIS-LF算法通过提出径向基函数和Sugeno-Takaki模糊推理将模糊系统加入神经网络对经典神经网络进行改进,并将经典ANFIS中第4层节点改进为加自适应节点,以提高ANFIS的准确性和灵活性,再将ANFIS的参数结果通过螺旋函数进行优化,然后提出莱维飞行分布对螺旋函数优化进行全局搜索能力增强,以此来实现对电机的设计和运行参数进行优化以找到电机最优的工作点,提高电机系统的性能和效率。
计算和分析电机在运行过程中的损耗,包括杂散损耗和风摩耗,通过大量电机试验,测出电机杂散损耗和风摩耗与电机运行功率之间的关系式,得到杂散损耗的计算公式为/>,/>表示输入功率杂散损耗系数,/>表示额定功率杂散损耗系数,/>表示输入功率,/>表示额定功率,风摩耗/>的计算公式为/>,/>表示额定输出功率风摩耗系数,/>表示额定输出功率。
具体的,在可视化模拟输出模块,将深度生成对抗网络算法中构建的模拟电机运行模型预测的电机运行数据与电机损耗一起,将待检测电机的运行情况通过可视化方式展示出来,形成模拟电机可视化运行窗口,直观的展示电机实际运行情况,显示电机运行参数、电机损耗分析结果。根据可视化模拟电机模块展示的数据,由电机输入功率、输出功率、电机损耗功率进行电机能效分析,输出电机能效分析可视化图表,展示电机能效数据、电机异常情况、电机能效优化方案。
有益效果
本发明的创新点在于,提供了一种基于深度生成对抗网络算法的模拟电机能效检测系统,用于模拟电机能效检测过程,通过电机参数收集模块、电机能效分析模块和可视化模拟输出模块的融合,为模拟电机能效检测系统提供一种方法,采用改进的对抗网络算法,对真实数据和虚拟数据的判断函数和损失函数进行优化,构建新的目标优化函数,进而构建模拟电机运行模型,采用该模拟电机运行模型进行电机能效检测,相对于传统的电机能效检测,能在少量电机运行数据的情况下,模拟出实际电机运行情况,计算电机能效,提出ANFIS-LF算法对电机数据的复杂特性和非线性关系进行学习,并对电机的设计和运行参数进行优化,本发明的创新之处在于,ANFIS-LF算法通过提出径向基函数和Sugeno-Takaki模糊推理将模糊系统加入神经网络对经典神经网络进行改进,并在ANFIS中第4层加入自适应节点对经典ANFIS进行改进,通过自适应地调整权重,以提高ANFIS的准确性和灵活性,从而使得ANFIS能够更好的适应复杂的实际问题,并具有较好的解释性和学习能力,再将ANFIS的参数结果通过螺旋函数进行优化,然后提出莱维飞行分布对螺旋函数优化进行全局搜索能力增强,以此来实现对电机的设计和运行参数进行优化以找到电机最优的工作点,提高电机系统的性能和效率,电机损耗模块分析电机运行过程中的杂散损耗和风摩耗;在可视化模拟电机模块,通过模拟电机运行模型和电机损耗模块,形成模拟电机可视化运行窗口,直观的展示出电机运行情况;在能效检测输出模块输出电机能效数据、电机异常情况、电机能效优化方案。本发明提供的基于深度生成对抗网络算法的模拟电机能效检测系统,能够在现场情况下,快速简单的计算电机的实际电机能效,改变了以往电机能效检测方法中的复杂性,难操作性、数据需求量大的问题,从而实现对电机能耗的高精度检测,准确地评估电机能效,为电机的提升效率提供指导意义;输出的电机异常报告和电机能效优化方案能够准确发现电机隐患和潜在问题,从而对电机进行有效的维护保养,延长电机使用寿命。在电机能耗检测领域具有重要的应用价值。
本发明还提供了一种计算机可读存储介质,该存储介质中存储有至少一条指令,该指令由处理器加载并执行,以实现上述方法。其中,该计算机可读存储介质可以是ROM、随机存取存储器、CD-ROM、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。
本发明实施方式是参照根据本发明实施例的方法、终端设备(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、嵌入式处理机或其他可编程数据处理终端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终端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终端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终端设备上,使得在计算机或其他可编程终端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终端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。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本发明中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本发明所示的这些实施例,而是要符合与本发明所公开的原理和新颖特点相一致的最宽的范围。
Claims (5)
1.一种基于深度生成对抗网络算法的模拟电机能效检测系统,包括电机参数收集模块、电机能效分析模块、可视化模拟输出模块;首先在电机参数收集模块中,进行电机运行参数的识别和提取;对采集的电机运行参数进行滤波,过滤筛选噪声数据和干扰数据;其次,在电机能效分析模块,通过电机运行参数,采用改进的对抗网络算法,构建模拟电机运行模型,并且分析电机运行常见损耗;在可视化模拟输出模块,通过模拟电机运行模型和电机损耗,形成模拟电机可视化运行窗口,输出电机运行能效检测报告;
所述电机参数收集模块,对电机的运行参数进行分析和处理,识别和提取电机运行情况下的特征参数,提供有关电机性能和能效的重要信息,包括电流、电压、转速、电场、磁场、温度、振动;
所述电机能效分析模块,采用改进的对抗网络算法通过电机参数收集模块过滤处理后的电机运行数据,构建模拟电机运行模型,提出ANFIS-LF算法对电机数据的复杂特性和非线性关系进行学习,并对电机的设计和运行参数进行优化,首先将对抗网络算法分为生成模型和判断模型,具体如下:在生成模型中的生成器网络,通过函数H(Xr)生成与真实数据Xr=[x1,x2,…xr,…xR]相似分布的虚拟数据Yf=[y1,y2,…yf,…yF],x1、x2、xr、xR分别表示第1个、第2个、第r个、第R个真实数据,y1、y2、yf、yF分别表示第1个、第2个、第f个、第F个虚拟数据,其中R=F,生成器网络生成的虚拟数据通过判断模型中的判断器网络进行判断,定义虚拟数据判断函数,公式如下:
h(yf)=|xf-yf|
h(yf)表示虚拟数据yf的判断函数值,xf表示第f个真实数据,再定义生成器损失函数,公式如下:
表示虚拟数据yf的损失函数值,计算真实数据判断函数,公式如下:
g(xr)表示真实数据xr的判断函数值,yr表示第r个虚拟数据,计算判别器损失函数,公式如下:
通过交叉熵,判断虚拟数据与真实数据分布的相似性公式如下:
结合判别器函数,计算数据之间的二分类交叉熵B(Xr,Yf),公式如下:
定义判别器损失函数α参数和生成器损失函数参数β,表示为α=[α1,α2,…,αr,…,αR]、β=[β1,β2,…,βf,…,βF],进行目标优化函数D(X,Y)的构建,函数公式如下:
不断进行数据生成和参数优化迭代,当目标函数达到最小值时,即判断器网络不能分别真实数据和虚拟数据时,模型训练完成,在电机能效检测中,只需短时间的收集电机参数,就可以通过电机运行模型进行电机工作参数数据的自动生成,利用生成的数据进行电机能效的计算;
进一步提出ANFIS-LF算法对电机数据的复杂特性和非线性关系进行学习,并对电机的设计和运行参数进行优化以找到电机最优的工作点,达到电机的最佳能效,具体如下:ANFIS-LF算法首先将经典神经网络加入模糊系统进行改进,提出径向基函数和Sugeno-Takaki模糊推理将模糊系统加入神经网络,假设P1为第1个模糊规则中输入变量x所对应的模糊集,Q1为第1个模糊规则中输入变量t所对应的模糊集,则第一个模糊规则的输出结果为其中,f1为第1个模糊规则的输出结果,/>为输入变量x在模糊集P1中的隶属度,θ为输入变量y在模糊集Q1中的隶属度,c1为第1个模糊规则的常数项,假设P2为第2个模糊规则中输入变量x所对应的模糊集,Q2为第2个模糊规则中输入变量y所对应的模糊集,则第2个模糊规则的输出结果为f2=r2x+t2y+c2,其中,f2为第2个模糊规则的输出结果,r2为输入变量x在模糊集P2中的隶属度,t2为输入变量y在模糊集Q2中的隶属度,c2为第2个模糊规则的常数项,ANFIS分为五个层次,每一层的输入由前一层的输出决定,第1层中节点输出为/> 其中,/>为在第1个模糊规则下第i个节点的输出结果,/>为第1个模糊规则下的隶属度函数,Aj为模糊集A的标识符,i为对应模糊规则的条件是/>为第2个模糊规则下的隶属度函数,Bj-2为模糊集B的标识符,i-2为对应模糊规则的条件是j-2,高斯隶属函数被限制在(0,1)之间,因此其中,μx为隶属度函数,aj,bj,cj均为前提参数,第2层中的节点是固定的,且确定模糊规则的权重系数为wj,则第2层的输出结果为节点输入结果的乘积,即其中,/>为第2层的输出结果,/>为第1个模糊规则下的隶属度函数,/>为第2个模糊规则下的隶属度函数,第3层节点是计算第i个规则对所有规则的发射强度的固定节点,则第3层中第i个节点的输出结果为i=1,2,其中,/>为第3层中第i个节点的输出结果,/>为wj的归一化权重系数,w1为对应模糊规则的条件为1下的权重系数,w2为对应模糊规则的条件为2下的权重系数,现将第4层节点改进为自适应节点,其中每个自适应节点的函数为其中,/>为第4层中第i个节点的输出结果,fj为模糊规则下条件为j的模糊规则输出结果,rj为输入变量x在模糊规则下条件为j的隶属度,tj为输入变量y在模糊规则下条件为j的隶属度,cj为模糊规则下条件为j的常数项,最终输出层为对第4层的接收结果进行求和,即/>j=1,2,其中,/>为最终输出层的输出结果,Output为最终输出值,所得参数的线性组合为ANFIS的最终输出,即/> 其中,fout为ANFIS的参数线性组合输出结果,/>为w1的归一化权重系数,/>为w2的归一化权重系数,p1和q1均为/>的结果参数,p2和q2均为/>的结果参数;现对ANFIS的参数进行优化以提高ANFIS-LF算法的精度,具体如下:将ANFIS的参数线性组合输出结果通过螺旋函数进行优化,即S(pi,qk)=di×eat×cos(2πt)+qk,其中,S(pi,qk)为螺旋函数,pi和qk均为上述ANFIS的结果参数,di为结果参数pi与qk之间的距离,a为保持对数螺旋形状的常数,t为(-1,+1)之间的随机数,距离di为di=|qk-pi|,然后提出非高斯概率随机过程莱维飞行分布来提高ANFIS-LF算法的全局搜索能力,以更容易找到全局最优解,进而提高电机系统的性能和效率,即L(s)~|s|-1-β,其中,L(s)为莱维飞行分布,β为[0,2]之间的随机整数值,s为优化过程中的步长,且/>其中,u为控制步长大小的参数,v为搜索方向,因此ANFIS-LF算法通过提出径向基函数和Sugeno-Takaki模糊推理将模糊系统加入神经网络对经典神经网络进行改进,并将经典ANFIS中第4层节点改进为加自适应节点,以提高ANFIS的准确性和灵活性,再将ANFIS的参数结果通过螺旋函数进行优化,然后提出莱维飞行分布对螺旋函数优化进行全局搜索能力增强,以此来实现对电机的设计和运行参数进行优化以找到电机最优的工作点,提高电机系统的性能和效率。
2.根据权利要求1所述一种基于深度生成对抗网络算法的模拟电机能效检测系统,其特征在于,所述电机参数收集模块,采用基于时域分析法的中值滤波法,构建电机参数滤波器,对识别提取到的电机运行参数进行过滤处理,详细过程如下:
对收集的第a种电机工作数据Wa表示为 表示为第1时刻、第2时刻、第i时刻、第n时刻的数据,对数据进行频域分析,设置转化系数向量η=[η1,η2,…,ηi,…,ηn],η1、η2、ηi、ηn表示第1时刻,第2时刻、第i时刻、第n时刻的转化系数,构建转换方程,公式如下:
表示数据/>的转化数据,/>表示第i-1时刻的数据、/>表示i+1时刻的数据,ηi-1、ηi+1表示第i-1时刻、第i+1时刻的转化系数,对转化方程进行离散化,得到频域响应Hi,公式如下:
Hi=ηi+ηi-1·e-jρ+ηi+1·ejρ
J表示虚数单位,ρ表示频率,e为复数单位,通过频域响应对转化系数进行修正,得到效果最好的转化系数矩阵,再设计过滤数据窗口为k,对转化数据进行中值操作,公式如下:
表示数据/>的中值过滤值,/>表示数据/>的转化数据,/>表示数据/>的转化系数,M(·)表示中值函数。
3.根据权利要求1所述一种基于深度生成对抗网络算法的模拟电机能效检测系统,其特征在于,所述电机能效分析模块,计算和分析电机在运行过程中的损耗,包括杂散损耗和风摩耗,通过大量电机试验,测出电机杂散损耗和风摩耗与电机运行功率之间的关系式,计算杂散损耗和风摩耗。
4.根据权利要求1所述一种基于深度生成对抗网络算法的模拟电机能效检测系统,其特征在于,所述可视化模拟输出模块,将深度生成对抗网络算法中构建的模拟电机运行模型预测的电机运行数据与电机损耗分析结果相结合,将待检测电机的运行情况通过可视化方式展示出来,形成模拟电机可视化运行窗口,直观的展示电机实际运行情况,显示电机运行参数和电机损耗分析结果。
5.根据权利要求4所述一种基于深度生成对抗网络算法的模拟电机能效检测系统,其特征在于,所述可视化模拟输出模块,根据可视化模拟电机展示的数据,通过电机输入功率、输出功率、电机损耗功率进行电机能效分析,输出电机能效分析可视化图表,展示电机能效数据、电机异常情况、电机能效优化方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311140634.2A CN116911201B (zh) | 2023-09-06 | 2023-09-06 | 一种基于深度生成对抗网络算法的模拟电机能效检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311140634.2A CN116911201B (zh) | 2023-09-06 | 2023-09-06 | 一种基于深度生成对抗网络算法的模拟电机能效检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116911201A CN116911201A (zh) | 2023-10-20 |
CN116911201B true CN116911201B (zh) | 2023-11-21 |
Family
ID=88356723
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311140634.2A Active CN116911201B (zh) | 2023-09-06 | 2023-09-06 | 一种基于深度生成对抗网络算法的模拟电机能效检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116911201B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117318562B (zh) * | 2023-10-24 | 2024-05-03 | 北京皓德创业科技有限公司 | 一种节能电机曲线设计方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110609477A (zh) * | 2019-09-27 | 2019-12-24 | 东北大学 | 一种基于深度学习的电力系统暂态稳定性判别系统及方法 |
CN114154405A (zh) * | 2021-11-19 | 2022-03-08 | 东风汽车集团股份有限公司 | 一种基于条件式Wasserstein生成对抗网络的电机故障数据增强方法 |
CN114492149A (zh) * | 2020-10-23 | 2022-05-13 | 中国石油化工股份有限公司 | 一种基于对抗博弈的配电网生产运营场景可信模拟方法 |
CN115169506A (zh) * | 2022-09-06 | 2022-10-11 | 中铁第四勘察设计院集团有限公司 | 一种供变电关键设备故障快速诊断方法及系统 |
CN115238563A (zh) * | 2022-03-23 | 2022-10-25 | 国网浙江省电力有限公司宁波供电公司 | 一种用于电力测量系统的异常数据检测和修复方法 |
CN115309053A (zh) * | 2022-08-22 | 2022-11-08 | 平湖市通用电气安装有限公司 | 基于数据驱动的多元融合高弹性电网资源协同调控系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102467121B (zh) * | 2010-11-11 | 2015-12-02 | 新奥科技发展有限公司 | 泛能网的系统能效控制器及控制方法以及终端设备的控制方法 |
GB201912145D0 (en) * | 2019-08-23 | 2019-10-09 | Five Ai Ltd | Performance testing for robotic systems |
-
2023
- 2023-09-06 CN CN202311140634.2A patent/CN116911201B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110609477A (zh) * | 2019-09-27 | 2019-12-24 | 东北大学 | 一种基于深度学习的电力系统暂态稳定性判别系统及方法 |
CN114492149A (zh) * | 2020-10-23 | 2022-05-13 | 中国石油化工股份有限公司 | 一种基于对抗博弈的配电网生产运营场景可信模拟方法 |
CN114154405A (zh) * | 2021-11-19 | 2022-03-08 | 东风汽车集团股份有限公司 | 一种基于条件式Wasserstein生成对抗网络的电机故障数据增强方法 |
CN115238563A (zh) * | 2022-03-23 | 2022-10-25 | 国网浙江省电力有限公司宁波供电公司 | 一种用于电力测量系统的异常数据检测和修复方法 |
CN115309053A (zh) * | 2022-08-22 | 2022-11-08 | 平湖市通用电气安装有限公司 | 基于数据驱动的多元融合高弹性电网资源协同调控系统 |
CN115169506A (zh) * | 2022-09-06 | 2022-10-11 | 中铁第四勘察设计院集团有限公司 | 一种供变电关键设备故障快速诊断方法及系统 |
Non-Patent Citations (3)
Title |
---|
便携式电机能效测试系统研发;苏文胜 等;电机与控制应用;第47卷(第05期);全文 * |
基于自适应模糊推理系统的柴油机故障诊断;刘应吉;张天侠;闻邦椿;曹万科;;系统仿真学报(第21期);全文 * |
深度学习理论及其在电机故障诊断中的研究现状与展望;丁石川;厉雪衣;杭俊;王尹江;王群京;;电力系统保护与控制(第08期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116911201A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Research on bearing fault diagnosis of wind turbine gearbox based on 1DCNN-PSO-SVM | |
Liu et al. | Data-driven and association rule mining-based fault diagnosis and action mechanism analysis for building chillers | |
CN110502991B (zh) | 基于随机卷积神经网络结构的内燃机健康监测方法及系统 | |
Ata et al. | An adaptive neuro-fuzzy inference system approach for prediction of tip speed ratio in wind turbines | |
CN103324980B (zh) | 一种风电场风速预测方法 | |
CN116911201B (zh) | 一种基于深度生成对抗网络算法的模拟电机能效检测系统 | |
Su et al. | Small sample fault diagnosis method for wind turbine gearbox based on optimized generative adversarial networks | |
Zhang et al. | Semisupervised momentum prototype network for gearbox fault diagnosis under limited labeled samples | |
CN109973331B (zh) | 一种基于bp神经网络的风力发电机组风轮叶片故障诊断算法 | |
Gao et al. | Rolling bearing fault diagnosis based on intelligent optimized self-adaptive deep belief network | |
Su et al. | A fault diagnosis model based on singular value manifold features, optimized SVMs and multi-sensor information fusion | |
CN102750286B (zh) | 一种处理缺失数据的新型决策树分类器方法 | |
CN109212347B (zh) | 一种基于isos-dbn模型的光伏并网逆变故障特征提取诊断方法 | |
CN107609671A (zh) | 一种基于综合因素评价模型的短期电力负荷预测方法 | |
Zhang et al. | A hybrid forecasting system with complexity identification and improved optimization for short-term wind speed prediction | |
CN115239029A (zh) | 考虑功率时序及气象相依特性的风电功率预测方法及系统 | |
CN114021483A (zh) | 基于时域特征与XGBoost的超短期风电功率预测方法 | |
CN117313795A (zh) | 一种基于改进dbo-lstm的智慧楼宇能耗预测方法 | |
Cui et al. | Intelligent fault quantitative identification via the improved deep deterministic policy gradient (DDPG) algorithm accompanied with imbalanced sample | |
CN114444755A (zh) | 一种风电短期功率预测方法、装置及可读存储介质 | |
CN113869552A (zh) | 基于蝙蝠算法优化的随机森林模型预测用电需求的方法 | |
Hou et al. | Wind power forecasting method of large-scale wind turbine clusters based on DBSCAN clustering and an enhanced hunter-prey optimization algorithm | |
CN111967670A (zh) | 一种基于改进灰狼算法的开关柜局放数据识别方法 | |
Machlev et al. | Explaining the decisions of deep learning models for load disaggregation (NILM) based on XAI | |
CN111563614A (zh) | 一种基于自适应神经网络与tlbo算法的负荷预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |