CN117113886B - 一种压力预测方法及装置 - Google Patents
一种压力预测方法及装置 Download PDFInfo
- Publication number
- CN117113886B CN117113886B CN202311370113.6A CN202311370113A CN117113886B CN 117113886 B CN117113886 B CN 117113886B CN 202311370113 A CN202311370113 A CN 202311370113A CN 117113886 B CN117113886 B CN 117113886B
- Authority
- CN
- China
- Prior art keywords
- pipe network
- data
- operation data
- pressure
- hydrogen
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 229910052739 hydrogen Inorganic materials 0.000 claims abstract description 155
- 239000001257 hydrogen Substances 0.000 claims abstract description 155
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims abstract description 154
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000012216 screening Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims description 38
- 230000002159 abnormal effect Effects 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 28
- 239000007789 gas Substances 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 230000001105 regulatory effect Effects 0.000 claims description 7
- 230000004308 accommodation Effects 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 230000001276 controlling effect Effects 0.000 claims description 5
- 150000002431 hydrogen Chemical class 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 description 18
- 238000004458 analytical method Methods 0.000 description 10
- 238000003860 storage Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 9
- 230000005856 abnormality Effects 0.000 description 7
- 238000001914 filtration Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000003556 assay Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000011148 porous material Substances 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000000692 Student's t-test Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000004517 catalytic hydrocracking Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002737 fuel gas Substances 0.000 description 1
- 238000005984 hydrogenation reaction Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005504 petroleum refining Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D3/00—Arrangements for supervising or controlling working operations
- F17D3/01—Arrangements for supervising or controlling working operations for controlling, signalling, or supervising the conveyance of a product
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
- G06F2113/00—Details relating to the application field
- G06F2113/14—Pipes
-
- 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
-
- 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
- G06F2119/12—Timing analysis or timing optimisation
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Abstract
本申请涉及一种压力预测方法及装置。主要技术方案包括：获取氢气系统的运行数据，对运行数据进行预处理，得到备选运行数据，筛选与氢气系统中氢气管网的管网压力相关的备选运行数据，得到目标运行数据，根据目标运行数据，基于预先训练的预测模型预测氢气系统中氢气管网在未来预设时间段的管网压力，本申请能够了解管网压力在未来时间段的变化趋势，寻求最佳调节时机，提前进行压力调节，进而准确地调控氢气管网的压力，更好地管理氢气管网，使管网压力维持在一个平稳的范围。
Description
技术领域
本申请涉及石油炼化技术领域，特别是涉及一种压力预测方法及装置。
背景技术
氢气是重要的石油化工原料，炼油厂的加氢裂化或加氢处理等装置需要消耗大量的氢气，氢气对炼厂的生产至关重要。氢气在炼厂的输送主要依靠氢气管网，氢气管网连接产氢装置和耗氢装置，将不同纯度和压力的氢气输送到各个耗氢装置入口。炼厂生产管理人员在关注氢气管网时，压力是非常重要的一个指标，当氢气管网压力太高时，无法及时消耗或减少产氢时，需要紧急排火炬或燃料气管网，当氢气管网压力过低时，对下游新氢压缩机的入口压力会有影响，必要时会造成压缩机的紧急连锁停机，影响耗氢装置的正常生产，在月末时，会影响到计划完成进度。因此，氢气管网的压力维持在一个平稳的范围内，从一定程度上能减少氢气的浪费，对产氢装置和加氢装置的安全生产和平稳生产都有重要的意义。
目前，国内石化企业不断扩能升级改造，氢气管网也相应地升级改造，基于历史管道的布局再叠加新增管道，氢气管网的结构通常都比较复杂。炼厂生产管理人员根据某些关键位点的当前压力的大小来判断氢气管网当下的运行情况，在管网压力过高或过低时进行人为干预，难以准确地调控氢气管网的压力，提高了氢气管网的管理难度。
发明内容
基于此，本申请提供了一种压力预测方法及装置，能够准确地调控氢气管网的压力，更好地管理氢气管网。
第一方面，提供一种压力预测方法，该方法包括：
获取氢气系统的运行数据；
对运行数据进行预处理，得到备选运行数据；
筛选与氢气系统中氢气管网的管网压力相关的备选运行数据，得到目标运行数据；
根据目标运行数据，基于预先训练的预测模型预测氢气系统中氢气管网在未来预设时间段的管网压力。
根据本申请实施例中一种可实现的方式，运行数据包括气体流量数据；对运行数据进行预处理的方法包括以下方式中的至少一种：
对运行数据进行时间频次校对处理、缺失值处理、异常处理、噪音数据处理和归一化处理；
将运行数据的数据类型转化为标准类型；
对运行数据中的气体流量数据进行修正处理。
根据本申请实施例中一种可实现的方式，备选运行数据包括氢气系统管网压力和多种变量数据；筛选与氢气系统中氢气管网的压力相关的备选运行数据，得到目标运行数据，包括：
计算多种变量数据中每种变量数据之间的第一相关性值，以及多种变量数据中每种变量数据与氢气系统管网压力的第二相关性值；
根据第一相关性和第二相关性值，构建二维矩阵；
根据二维矩阵，生成第一相关性和第二相关性值的相关性序列；
根据相关性序列，选取目标运行数据。
根据本申请实施例中一种可实现的方式，根据相关性序列，选取目标运行数据，包括：
选取相关性序列中满足预设条件的相关性值对应的变量数据为初选运行数据；
根据预存的变量数据与管网压力的影响力列表，确定初选运行数据对应的权重值；
根据初选运行数据以及初选运行数据对应的权重值，确定目标运行数据。
根据本申请实施例中一种可实现的方式，预测模型包括多个不同时长的子预测模型，每个子预测模型之间间隔预设时长；根据目标运行数据，基于预先训练的预测模型预测氢气系统中氢气管网在未来预设时间段的管网压力，包括：
将目标运行数据输入预先训练的预测模型，按照时长从大到小的顺序排列的子预测模型分别根据目标运行数据预测氢气系统中氢气管网的管网压力，得到多个初始管网压力；
根据多个初始管网压力，确定氢气系统中氢气管网在未来预设时间段的管网压力。
根据本申请实施例中一种可实现的方式，按照时长从大到小的顺序排列的子预测模型分别根据目标运行数据预测氢气系统中氢气管网的管网压力，包括：
将当前的目标运行数据，输入时长最大的子预测模型，得到第一个初始管网压力；
将间隔预设时长的目标运行数据，输入时长排列在第二的子预测模型，得到第二个初始管网压力；
以得到第二个初始管网压力的时间点为起始点，将间隔预设时长的目标运行数据，输入时长排列在第三的子预测模型，得到第三个初始管网压力，以此类推，直到时长排列在最后的子预测模型输出最后一个初始管网压力为止。根据本申请实施例中一种可实现的方式，在获取氢气系统的运行数据之前，方法还包括：
获取样本数据，样本数据包括多种变量数据和多种变量数据对应的管网压力；
根据多种变量数据和多种变量数据对应的管网压力，训练多个设置不同时长值的神经元网络模型得到多个子预测模型；
组合多个子预测模型，得到预测模型。
根据本申请实施例中一种可实现的方式，该方法还包括：
根据氢气系统的运行数据，确定在调控管网压力过程中的异常事件；
将异常事件保存至预先搭建的事件库中；
基于事件库，更新训练预测模型的样本数据。
根据本申请实施例中一种可实现的方式，基于事件库，更新预测模型的样本数据，包括：
基于事件库，定期更新训练预测模型的样本数据；
或者，当事件库的异常事件数量在预设安全时间内超过事件库的容纳阈值时，更新训练预测模型的样本数据。
第二方面，提供了一种压力预测装置，该装置包括：
获取模块，用于获取氢气系统的运行数据；
预处理模块，用于对运行数据进行预处理，得到备选运行数据；
筛选模块，用于筛选与氢气系统中氢气管网的管网压力相关的备选运行数据，得到目标运行数据；
预测模块，用于根据目标运行数据，基于预先训练的预测模型预测氢气系统中氢气管网在未来预设时间段的管网压力。
第三方面，提供了一种计算机设备，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指令，所述计算机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上述第一方面中涉及的方法。
第四方面，提供了一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述计算机指令用于使计算机执行上述第一方面中涉及的方法。
根据本申请实施例所提供的技术内容，通过获取氢气系统的运行数据，对运行数据进行预处理，得到备选运行数据，筛选与氢气系统中氢气管网的管网压力相关的备选运行数据，得到目标运行数据，根据目标运行数据，基于预先训练的预测模型预测氢气系统中氢气管网在未来预设时间段的管网压力，能够了解管网压力在未来时间段的变化趋势，寻求最佳调节时机，提前进行压力调节，进而准确地调控氢气管网的压力，更好地管理氢气管网，使管网压力维持在一个平稳的范围。
附图说明
图1为一个实施例中压力预测方法的流程示意图；
图2为一个实施例中压力预测装置的结构框图；
图3为一个实施例中计算机设备的示意性结构图。
具体实施方式
以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
图1示出了本申请一个实施例提供的压力预测方法的流程示意图。如图1所示，该方法可以包括以下步骤：
S110，获取氢气系统的运行数据。
氢气系统主要包括氢气管网和主要装置，其中，主要装置可以包括产氢装置、耗氢装置、提纯装置。运行数据为氢气管网和主要装置运行时的数据，可以包括气体流量数据、气体压力数据、体积流量数据、质量流量数据、负荷流量数据、管网压力数据、操作温度、操作压力数据、组成分析数据等。运行数据来源于实时数据库数据、化验分析数据、仪表设计参数等，可以从实时数据库获取实时的运行数据，也可以从氢气系统的管理系统内获取预先存储的化验分析数据、仪表设计参数等。
S120，对运行数据进行预处理，得到备选运行数据。
由于仪表使用年限、有无校准、气体表特性、组分位点分析频次等因素，使得运行数据带有误差，甚至数据缺失。噪声数据、空缺数据和异常数据通常会降低预测模型的预测精度和鲁棒性，为了真实、有效地展示氢气系统的运行状态，需要对运行数据进行预处理，将数据标准化，提高模型数据的精度和准确性。
预处理可以包括时间频次校对处理、缺失值处理、异常处理、噪音数据处理和归一化处理、数据类型转换、修正处理等。经过预处理的运行数据为备选运行数据。
S130，筛选与氢气系统中氢气管网的管网压力相关的备选运行数据，得到目标运行数据。
备选运行数据包括氢气系统管网压力和多种变量数据，变量数据包括体积流量数据、质量流量数据、负荷流量数据、温度数据、组成分析数据等。筛选得到的与氢气管网的管网压力相关的备选运行数据为目标运行数据，作为预测模型的输入。
预测模型的输入数据的选择将直接影响管网压力的预测结果，可以根据每个变量数据之间相关性，每个变量数据与氢气系统管网压力的相关性，分析每个变量数据对管网压力的物理意义，进而确定目标运行数据。
S140，根据目标运行数据，基于预先训练的预测模型预测氢气系统中氢气管网在未来预设时间段的管网压力。
预测模型是基于长短时记忆循环神经网络训练得到的，预测模型由多个不同时长的子模型组成，每个子预测模型之间间隔相同时长。将目标运行数据输入预测模型，每个子预测模型分别根据目标运行数据预测氢气管网在未来预设时间段的初始管网压力，预测模型基于多个初始管网压力输出氢气管网在未来预设时间段的管网压力。
可以看出，本申请实施例通过获取氢气系统的运行数据，对运行数据进行预处理，得到备选运行数据，筛选与氢气系统中氢气管网的管网压力相关的备选运行数据，得到目标运行数据，根据目标运行数据，基于预先训练的预测模型预测氢气系统中氢气管网在未来预设时间段的管网压力，能够了解管网压力在未来时间段的变化趋势，寻求最佳调节时机，提前进行压力调节，进而准确地调控氢气管网的压力，更好地管理氢气管网，使管网压力维持在一个平稳的范围。
下面对上述方法流程中的各步骤进行详细描述。首先结合实施例对上述S120即“对运行数据进行预处理，得到备选运行数据”进行详细描述。
作为一种可实现的方式，对运行数据进行预处理的方法包括以下方式中的至少一种：
对运行数据进行时间频次校对处理、缺失值处理、异常处理、噪音数据处理和归一化处理；
将运行数据的数据类型转化为标准类型；
对运行数据中的气体流量数据进行修正处理。
其中，时间频次校对处理和缺失值处理又称为数据规范化处理。鉴于实时数据库中数据频次和化验分析数据频次不一致，因此，需要进行统一时间戳，按照实时数据库中数据频次统一时间频次，以对运行数据进行时间频次校对处理。
由于实时数据在并入数据库并导出的过程中会出现极少量的缺失数据，对于数据呈现连续性变化的变量，采用当前时刻前一段时间的平均值作为补充值，对于数据呈现离散型变化的变量，采用上一时刻的值作为补充值，以对运行数据进行缺失值处理。
在对运行数据进行异常处理时，根据运行数据中的异常数据的异常类型进行不同的处理。
当运行数据中的异常数据的异常类型为自身异常时，也就是说，在正常生产过程中出现的异常数据，这类数据偏离正常值属于坏值，需要对其修正处理。这类数据成为局外点，在测量所得运行数据中，局外点是指很明显远离其他点，明显不服从样本分布的数据点。局外点检测方法采用t检验准则等，将计算观测值对期望估计值的残差，并与选定的临界值进行比较，以作判定排除可能的局外点。
当运行数据中的异常数据的异常类型为仪表异常时，也就是说，异常数据是由仪表故障导致的异常值，这类异常值基本是恒定不变的。首先，采用以下公式根据异常数据判定仪表是否正常：
（1）
其中，Svar,i表示异常数据的方差，Ki表示开关参数，Xval,i表示第i个异常数据，表示第i个异常数据的平均值，n表示异常数据的总数量。
当Ki=1时，表示仪表测量的运行数据处于波动状态，若异常数据的方差小于最小设定值，方差太小，认为数据恒定不变，仪表出现坏值，结合变量数据的物理意义判断是否删除；当异常数据的方差大于最大设定值，方差太大，仪表异常，此时调取该仪表对应的备用仪表作为当前使用设备。
当Ki=0时，表示仪表测量的运行数据处于平稳状态，无需对其进行处置。
正常生产过程中仪表测量的运行数据都存在噪音，这些噪音值影响运行数据的精度，会降低预测模型的预测精度，为了提高预测模型的准确率，对噪音数据进行滤波处理。数据滤波有多种方法，针对氢气系统中各个数据的特点可以采用不同的滤波处理方式，比如，均值滤波方法、一阶之后滤波、中值滤波等方法。
氢气系统中的变量数据较多，有温度、压力、气体流量、装置负荷等等，这些变量数据大小不一致，在数据训练中绝对值较大的数值变化会淹没绝对值较小的变化，为了减少量纲带来的影响，最后需要对所有变量进行归一化处理，归一化至[0,1]区间。
标准类型为可被程序计算识别的数据类型，当运行数据的类型为数值型、类别型、文本型等形式，需要将这些类型的运行数据转为可被程序计算识别的数据。
氢气系统中的产氢数据和耗氢数据主要是气体数据，气体流量的测量方式常见的有孔板流量计和质量流量计等，以孔板流量计较为常见。其中，孔板流量计测量中受介质实时温度、实时压力和气体组成变化影响，为提高数据准确性需要对其进行温度、压力、组成的修正，可采用以下公式对运行数据中的气体流量进行温度、压力、组成的修正处理：
（2）
其中，F'(i,t)表示t时刻修正后的气体流量，F(i,t)表示t时刻气体流量计的测量值，P(i,t)表示t时刻气体流量对应的压力测量值，P(i,0)表示气体流量计的压力设计值，MW(i,t)表示t时刻气体管线上的气体组分的分子量测量值，MW(i,0)表示气体流量计的分子量设计值，T(i,t)表示t时刻气体流量对应的温度测量值，T(i,0)表示气体流量计的温度设计值，i表示需要修正的气体类型。气体流量可以为新氢流量和产氢流量。
下面结合实施例对上述S130即“筛选与氢气系统中氢气管网的管网压力相关的备选运行数据，得到目标运行数据”进行详细描述。
作为一种可实现的方式，计算多种变量数据中每种变量数据之间的第一相关性值，以及多种变量数据中每种变量数据与氢气系统管网压力的第二相关性值；
根据第一相关性和第二相关性值，构建二维矩阵；
根据二维矩阵，生成第一相关性和第二相关性值的相关性序列；
根据相关性序列，选取目标运行数据。
其中，变量数据为备选运行数据中除管网压力数据之外的数据。采用皮尔逊相关系数计算多种变量数据中每种变量数据之间的第一相关性值，以及多种变量数据中每种变量数据与氢气系统管网压力的第二相关性值。计算得到一组第一相关性和一组第二相关性值，由两组数值构建成一个大小为N+1的二维矩阵，其中，N为变量数据的种类数量。将二维矩阵转化为一维数组，生成第一相关性和第二相关性值的相关性序列。根据相关性序列，选取目标运行数据。
具体地，选取相关性序列中满足预设条件的相关性值对应的变量数据为初选运行数据；
根据预存的变量数据与管网压力的影响力列表，确定初选运行数据对应的权重值；
根据初选运行数据以及初选运行数据对应的权重值，确定目标运行数据。
预设条件可以是相关性值大于预设阈值，也可以是按照相关性序列从大到小的顺序选取预设个数的相关性值。其中，预设阈值和预设个数可以根据实际生产需求进行设定。
满足预设条件的相关性值对应的变量数据可能是来自第一相关性值对应的变量数据，也可能是来自第二相关性值对应的变量数据，当变量数据为第一相关性值对应的变量数据，根据变量数据本身的属性和实际生产关系，将其中一个确定为初选运行数据，另一个确定为备选变量数据。当变量数据为第二相关性值对应的变量数据，直接将该变量数据确定为初选运行数据。
变量数据与管网压力的影响力列表是根据变量数据物理意义结合生产过程积累的经验确定的对管网压力有较大影响的变量数据，并根据变量数据对管网压力的影响程度进行排序得到的列表。
根据预存的变量数据与管网压力的影响力列表，确定变量数据对管网压力的影响力，根据影响力的大小确定初选运行数据中每种变量数据对应的权重值。匹配权重值后的初选运行数据为目标运行数据。
下面结合实施例对上述S140即“根据目标运行数据，基于预先训练的预测模型预测氢气系统中氢气管网在未来预设时间段的管网压力”进行详细描述。
作为一种可实现的方式，将目标运行数据输入预先训练的预测模型，按照时长从大到小的顺序排列的子预测模型分别根据目标运行数据预测氢气系统中氢气管网的管网压力，得到多个初始管网压力；
根据多个初始管网压力，确定氢气系统中氢气管网在未来预设时间段的管网压力。
预测模型包括多个不同时长的子预测模型，每个子预测模型之间间隔预设时长；根据目标运行数据，
预设时间段为根据实际生产需求设置的未来时长。预测模型中第一个子预测模型中的时长最大，为预设时间段，第二个子预测模型的时长在第一个子预测模型中的时长的基础上递减预设时长，第三个子预测模型的时长在第二个子预测模型中的时长的基础上递减预设时长，以此类推，直到设置最后一个子预测模型的时长。比如说，基于预先训练的预测模型预测氢气系统中氢气管网在30min后的管网压力，预测模型可由30min\25min\20min\15min\10min\5min时长的子预测模型组成，此时，预设时长为5min。
按照时长从大到小的顺序排列的子预测模型分别根据目标运行数据预测氢气系统中氢气管网的管网压力，得到多个初始管网压力。
具体地，将当前的目标运行数据，输入时长最大的子预测模型，得到第一个初始管网压力；
将间隔预设时长的目标运行数据，输入时长排列在第二的子预测模型，得到第二个初始管网压力；
以得到第二个初始管网压力的时间点为起始点，将间隔预设时长的目标运行数据，输入时长排列在第三的子预测模型，得到第三个初始管网压力，以此类推，直到时长排列在最后的子预测模型输出最后一个初始管网压力为止。
以由时长从大到小的顺序为30min\25min\20min\15min\10min\5min的子预测模型组成的预测模型为例，将当前的目标运行数据，输入时长为30min的子预测模型，得到第一个初始管网压力。将5min后的目标运行数据，输入时长为25min的子预测模型，得到第二个初始管网压力。在得到第二个初始管网压力时，以此时间点为起始点，将该时间点5min后的目标运行数据，输入时长为20min的子预测模型，得到第三个初始管网压力。以此类推，直到时长为5min的子预测模型输出最后一个初始管网压力为止。
将多个初始管网压力输出，展示氢气管网在未来预设时间段的管网压力变化趋势，根据管网压力变化趋势，确定氢气管网在未来预设时间段的管网压力。
作为一种可实现的方式，在获取氢气系统的运行数据之前，该方法还包括：
获取样本数据，样本数据包括多种变量数据和多种变量数据对应的管网压力；
根据多种变量数据和多种变量数据对应的管网压力，训练多个设置不同时长值的神经元网络模型得到多个子预测模型；
组合多个子预测模型，得到预测模型。
变量数据可以包括气体流量数据、体积流量数据、质量流量数据、负荷流量数据、管网压力数据、温度数据、组成分析数据等，根据每种变量数据对管网压力的影响力进行组合，获取每种变量数据组合对应的管网压力。
氢气管网所涉及的变量数据是时间序列数据，所以适合采用时间序列预测分析。时间序列预测分析是利用过去一段时间内某事件在时间上的连续性特征来预测未来一段时间内该事件的发展方向，时间序列模型是依赖于事件发生的先后顺序的，同样大小的值在不同的时间序列中，其下一个值的模型预测结果都是不同的。因此，神经元网络模型可以选择差分自回归移动平均模型(Autoregressive Integrated Moving Average Model，ARIMA)、普通的循环神经网络模型（Recurrent Neuron Network，RNN）、长短时记忆网络模型（Long-Short-Term-Memory，LSTM）。
由于ARIMA网络模型在传统机器学习方法中属于比较成熟的方法，而RNN网络模型在ARIMA网络模型的基础上进行了延伸，更为灵活、可表达性更强。而LSTM网络模型在RNN网络模型的基础上又进行了改进，能够学习并区分各种特征的长期和短期的特性。对于氢气管网压力数据集来说，各个特征在时间上有先后之分，氢气管网又有一定的累积的特性，所以，采用LSTM网络模型为一种较优的选择。
根据LSTM网络模型处理时序性数据的特点，首先需要对训练数据进行调整，设置样本总长度为N，样本输入变量种类为C，按照工艺特点设定样本批次长度B，样本总长度为输入样本的总数量，样本输入变量种类为样本输入变量的类型数量，样本批次长度为预设时间段内时间序列长度。
将训练所用输入数据调整为（N、B、C）的三维数据；输出数据可以根据预测时间长短设定Delay值在[5,60]分钟之间，根据Delay值将输入数据与输出数据进行时间对齐。
其次，搭建LSTM网络结构，设置输入层大小为输入变量个数，隐藏层的设定根据输入变量种类进行调整，层数可以在[1,5]之间进行调节，输出大小为管网压力，根据LSTM训练的速度和效果的要求选择合适的损失函数和求解器。
将多种变量数据和多种变量数据对应的管网压力划分为训练数据和测试数据。以训练数据中多种变量数据作为LSTM网络模型的输入，将训练数据中多种变量数据对应的管网压力作为LSTM网络模型的输出，对LSTM网络模型进行训练得到多个不同时长值的子预测模型。组合多个子预测模型，组成滚动的预测模型。
将测试数据中的多种变量数据输入预测模型计算出预测管网压力，利用均方差损失函数计算预测管网压力与真值的误差，当误差超出预期范围时，需要调试输入数据和LSTM网络结构，再次进行模型训练，直至验证集误差在合理范围内，结束训练。
作为一种可实现的方式，该方法还包括：
根据氢气系统的运行数据，确定在调控管网压力过程中的异常事件；
将异常事件保存至预先搭建的事件库中；
基于事件库，更新训练预测模型的样本数据。
将氢气系统的运行数据按照装置属性进行分类，可以分为产氢装置类、耗氢装置类以及管网压力类，对每个类别中的运行数据进行波动分析。以某一耗氢装置举例说明，当该装置中多个预设变量的运行数据超出稳态判定条件的时间点的累计时长大于预设判定时长后，将该累计时长标记为该装置出现异常状态。当一个或多个装置或管网压力出现异常状态时，该时段标记为异常事件。通过波动分析识别出调控管网压力过程中调整幅度较大的波动事件、单装置出现的紧急事件等，将这些较大波动的时间段标记为异常事件，将异常事件保存至预先搭建的事件库中。
基于事件库，更新训练预测模型的样本数据，可以定期更新训练预测模型的样本数据，比如一个月，也可以在事件库的异常事件数量在预设安全时间内超过事件库的容纳阈值时，更新训练预测模型的样本数据。预设安全时间为正常存储异常事件不会导致事件库异常的时间，容纳阈值为事件库在预设安全时间内保证正常工作条件下保存异常事件的数量，若在事件库的异常事件数量在预设安全时间内超过事件库的容纳阈值时，表明该时间段内出现的异常事件比较多，应立即更新训练预测模型的样本数据，及时调整预测模型的预测结果，有利于预测模型应对更广泛的问题，尤其是波动较大的情况，进而达到较高的预测精度。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本申请中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图2为本申请实施例提供的一种压力预测装置的结构示意图，该装置用以执行如图1中所示的方法流程。如图2所示，该装置可以包括：获取模块210、预处理模块220、筛选模块230和预测模块240，还可以进一步包括：训练模块、更新模块。其中各组成模块的主要功能如下：
获取模块210，用于获取氢气系统的运行数据；
预处理模块220，用于对所述运行数据进行预处理，得到备选运行数据；
筛选模块230，用于筛选与所述氢气系统中氢气管网的管网压力相关的备选运行数据，得到目标运行数据；
预测模块240，用于根据所述目标运行数据，基于预先训练的预测模型预测所述氢气系统中氢气管网在未来预设时间段的管网压力。
作为一种可实现的方式，运行数据包括气体流量数据；预处理模块220，具体用于对运行数据进行时间频次校对处理、缺失值处理、异常处理、噪音数据处理和归一化处理；
将运行数据的数据类型转化为标准类型；
对运行数据中的气体流量数据进行修正处理。
作为一种可实现的方式，备选运行数据包括氢气系统管网压力和多种变量数据；筛选模块230，具体用于计算多种变量数据中每种变量数据之间的第一相关性值，以及多种变量数据中每种变量数据与氢气系统管网压力的第二相关性值；
根据第一相关性和第二相关性值，构建二维矩阵；
根据二维矩阵，生成第一相关性和第二相关性值的相关性序列；
根据相关性序列，选取目标运行数据。
作为一种可实现的方式，筛选模块230，具体用于选取相关性序列中满足预设条件的相关性值对应的变量数据为初选运行数据；
根据预存的变量数据与管网压力的影响力列表，确定初选运行数据对应的权重值；
根据初选运行数据以及初选运行数据对应的权重值，确定目标运行数据。
作为一种可实现的方式，预测模型包括多个不同时长的子预测模型，每个子预测模型之间间隔预设时长；预测模块240，具体用于将目标运行数据输入预先训练的预测模型，按照时长从大到小的顺序排列的子预测模型分别根据目标运行数据预测氢气系统中氢气管网的管网压力，得到多个初始管网压力；
根据多个初始管网压力，确定氢气系统中氢气管网在未来预设时间段的管网压力。
作为一种可实现的方式，预测模块240，具体用于将当前的目标运行数据，输入时长最大的子预测模型，得到第一个初始管网压力；
将间隔预设时长的目标运行数据，输入时长排列在第二的子预测模型，得到第二个初始管网压力；
以得到第二个初始管网压力的时间点为起始点，将间隔预设时长的目标运行数据，输入时长排列在第三的子预测模型，得到第三个初始管网压力，以此类推，直到时长排列在最后的子预测模型输出最后一个初始管网压力为止。
作为一种可实现的方式，该装置还包括训练模块，用于在获取氢气系统的运行数据之前，获取样本数据，样本数据包括多种变量数据和多种变量数据对应的管网压力；
根据多种变量数据和多种变量数据对应的管网压力，训练多个设置不同时长值的神经元网络模型得到多个子预测模型；
组合多个子预测模型，得到预测模型。
作为一种可实现的方式，该装置还包括更新模块，用于根据氢气系统的运行数据，确定在调控管网压力过程中的异常事件；
将异常事件保存至预先搭建的事件库中；
基于事件库，更新训练预测模型的样本数据。
作为一种可实现的方式，更新模块，具体用于基于事件库，定期更新训练预测模型的样本数据；
或者，当事件库的异常事件数量在预设安全时间内超过事件库的容纳阈值时，更新训练预测模型的样本数据。
上述各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
根据本申请的实施例，本申请还提供了一种计算机设备、一种计算机可读存储介质。
如图3所示，是根据本申请实施例的计算机设备的框图。计算机设备旨在表示各种形式的数字计算机或移动装置。其中数字计算机可以包括台式计算机、便携式计算机、工作台、个人数字助理、服务器、大型计算机和其它适合的计算机。移动装置可以包括平板电脑、智能电话、可穿戴式设备等。
如图3所示，设备300包括计算单元301、ROM 302、 RAM 303 、总线304以及输入/输出（I/O）接口305 ，计算单元 301、ROM 302 以及 RAM 303 通过总线304彼此相连。输入/输出（I/O）接口305也连接至总线304。
计算单元301可以根据存储在只读存储器（ROM）302 中的计算机指令或者从存储单元308加载到随机访问存储器（RAM）303 中的计算机指令，来执行本申请方法实施例中的各种处理。计算单元301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。计算单元301可以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计算单元、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。在一些实施例中，本申请实施例提供的方法可被实现为计算机软件程序，其被有形地包含于计算机可读存储介质，例如存储单元308。
RAM 303还可存储设备300操作所需的各种程序和数据。计算机程序的部分或者全部可以经由ROM 802和/或通信单元309而被载入和/或安装到设备300上。
设备300中的输入单元306、输出单元307、存储单元308和通信单元309可以连接至I/O接口305。其中，输入单元306可以是诸如键盘、鼠标、触摸屏、麦克风等；输出单元307可以是诸如显示器、扬声器、指示灯等。设备300能够通过通信单元309与其他设备进行信息、数据等的交换。
需要说明的是，该设备还可以包括实现正常运行所必需的其他组件。也可以仅包含实现本申请方案所必需的组件，而不必包含图中所示的全部组件。
此处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。
用于实施本申请的方法的计算机指令可以采用一个或多个编程语言的任何组合来编写。这些计算机指令可以提供给计算单元301，使得计算机指令当由诸如处理器等计算单元301执行时使执行本申请方法实施例中涉及的各步骤。
本申请提供的计算机可读存储介质可以是有形的介质，其可以包含或存储计算机指令，用以执行本申请方法实施例中涉及的各步骤。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、电磁的等形式的存储介质。
上述具体实施方式，并不构成对本申请保护范围的限制。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。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (9)
1.一种压力预测方法，其特征在于，所述方法包括：
获取氢气系统的运行数据；
对所述运行数据进行预处理，得到备选运行数据；
筛选与所述氢气系统中氢气管网的管网压力相关的备选运行数据，得到目标运行数据；
根据所述目标运行数据，基于预先训练的预测模型预测所述氢气系统中氢气管网在未来预设时间段的管网压力，具体包括：将所述目标运行数据输入预先训练的预测模型，按照时长从大到小的顺序排列的子预测模型分别根据所述目标运行数据预测所述氢气系统中氢气管网的管网压力，得到多个初始管网压力；根据所述多个初始管网压力，确定所述氢气系统中氢气管网在未来预设时间段的管网压力；其中，所述预测模型包括多个不同时长的子预测模型，每个子预测模型之间间隔预设时长。
2.根据权利要求1所述的方法，其特征在于，所述运行数据包括气体流量数据；对所述运行数据进行预处理的方法包括以下方式中的至少一种：
对所述运行数据进行时间频次校对处理、缺失值处理、异常处理、噪音数据处理和归一化处理；
将所述运行数据的数据类型转化为标准类型；
对所述运行数据中的气体流量数据进行修正处理。
3.根据权利要求1所述的方法，其特征在于，所述备选运行数据包括氢气系统管网压力和多种变量数据；所述筛选与所述氢气系统中氢气管网的压力相关的备选运行数据，得到目标运行数据，包括：
计算所述多种变量数据中每种变量数据之间的第一相关性值，以及所述多种变量数据中每种变量数据与氢气系统管网压力的第二相关性值；
根据所述第一相关性和所述第二相关性值，构建二维矩阵；
根据所述二维矩阵，生成第一相关性和所述第二相关性值的相关性序列；
根据所述相关性序列，选取所述目标运行数据。
4.根据权利要求3所述的方法，其特征在于，所述根据所述相关性序列，选取所述目标运行数据，包括：
选取所述相关性序列中满足预设条件的相关性值对应的变量数据为初选运行数据；
根据预存的变量数据与管网压力的影响力列表，确定所述初选运行数据对应的权重值；
根据所述初选运行数据以及所述初选运行数据对应的权重值，确定所述目标运行数据。
5.根据权利要求1所述的方法，其特征在于，所述按照时长从大到小的顺序排列的子预测模型分别根据所述目标运行数据预测所述氢气系统中氢气管网的管网压力，包括：
将当前的目标运行数据，输入时长最大的子预测模型，得到第一个初始管网压力；
将间隔预设时长的目标运行数据，输入时长排列在第二的子预测模型，得到第二个初始管网压力；
以得到第二个初始管网压力的时间点为起始点，将间隔预设时长的目标运行数据，输入时长排列在第三的子预测模型，得到第三个初始管网压力，以此类推，直到时长排列在最后的子预测模型输出最后一个初始管网压力为止。
6.根据权利要求1所述的方法，其特征在于，在获取氢气系统的运行数据之前，所述方法还包括：
获取样本数据，所述样本数据包括多种变量数据和所述多种变量数据对应的管网压力；
根据所述多种变量数据和所述多种变量数据对应的管网压力，训练多个设置不同时长值的神经元网络模型得到多个子预测模型；
组合所述多个子预测模型，得到预测模型。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述氢气系统的运行数据，确定在调控所述管网压力过程中的异常事件；
将所述异常事件保存至预先搭建的事件库中；
基于所述事件库，更新训练所述预测模型的样本数据。
8.根据权利要求7所述的方法，其特征在于，所述基于所述事件库，更新所述预测模型的样本数据，包括：
基于所述事件库，定期更新训练所述预测模型的样本数据；
或者，当所述事件库的异常事件数量在预设安全时间内超过所述事件库的容纳阈值时，更新训练所述预测模型的样本数据。
9.一种压力预测装置，其特征在于，所述装置包括：
获取模块，用于获取氢气系统的运行数据；
预处理模块，用于对所述运行数据进行预处理，得到备选运行数据；
筛选模块，用于筛选与所述氢气系统中氢气管网的管网压力相关的备选运行数据，得到目标运行数据；
预测模块，用于根据所述目标运行数据，基于预先训练的预测模型预测所述氢气系统中氢气管网在未来预设时间段的管网压力，具体包括：将所述目标运行数据输入预先训练的预测模型，按照时长从大到小的顺序排列的子预测模型分别根据所述目标运行数据预测所述氢气系统中氢气管网的管网压力，得到多个初始管网压力；根据所述多个初始管网压力，确定所述氢气系统中氢气管网在未来预设时间段的管网压力；其中，所述预测模型包括多个不同时长的子预测模型，每个子预测模型之间间隔预设时长。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311370113.6A CN117113886B (zh) | 2023-10-23 | 2023-10-23 | 一种压力预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311370113.6A CN117113886B (zh) | 2023-10-23 | 2023-10-23 | 一种压力预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117113886A CN117113886A (zh) | 2023-11-24 |
| CN117113886B true CN117113886B (zh) | 2024-02-06 |
Family
ID=88811363
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311370113.6A Active CN117113886B (zh) | 2023-10-23 | 2023-10-23 | 一种压力预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117113886B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114484285A (zh) * | 2022-04-01 | 2022-05-13 | 正和集团股份有限公司 | 一种炼油厂氢气管网压力调节方法 |
| CN114881207A (zh) * | 2022-04-26 | 2022-08-09 | 北京和隆优化科技股份有限公司 | 基于lstm深度循环神经网络的蒸汽压力预测方法及装置 |
| CN116882290A (zh) * | 2023-07-14 | 2023-10-13 | 武汉理工大学 | 基于时空图卷积神经网络的管网压力预测方法和系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111353656B (zh) * | 2020-03-23 | 2021-05-07 | 大连理工大学 | 一种基于生产计划的钢铁企业氧气负荷预测方法 |
-
2023
- 2023-10-23 CN CN202311370113.6A patent/CN117113886B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114484285A (zh) * | 2022-04-01 | 2022-05-13 | 正和集团股份有限公司 | 一种炼油厂氢气管网压力调节方法 |
| CN114881207A (zh) * | 2022-04-26 | 2022-08-09 | 北京和隆优化科技股份有限公司 | 基于lstm深度循环神经网络的蒸汽压力预测方法及装置 |
| CN116882290A (zh) * | 2023-07-14 | 2023-10-13 | 武汉理工大学 | 基于时空图卷积神经网络的管网压力预测方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于ARIMA-NN组合模型的钢铁企业氧气管网压力预测研究;张子阳;孙彦广;;冶金自动化(06);18-21 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117113886A (zh) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7461440B2 (ja) | 根本的原因分析を実行してプラントワイド操業での希少イベントの発生の予測モデルを構築するコンピュータシステムおよび方法 | |
| Yan et al. | Multiple sensor data fusion for degradation modeling and prognostics under multiple operational conditions | |
| Liu et al. | Prediction of remaining useful life of multi-stage aero-engine based on clustering and LSTM fusion | |
| CN109840362B (zh) | 一种基于多目标优化的集成即时学习工业过程软测量建模方法 | |
| US20200097921A1 (en) | Equipment repair management and execution | |
| US11288577B2 (en) | Deep long short term memory network for estimation of remaining useful life of the components | |
| CN108390380B (zh) | 一种变压器状态参量趋势预测方法及系统 | |
| CN111639783A (zh) | 一种基于lstm神经网络的线损预测方法及系统 | |
| CN113741362B (zh) | 液化天然气接收站操作优化方法、系统、介质及计算设备 | |
| CN114219129A (zh) | 基于任务和mtbf的武器系统随行备件需求预测及评估系统 | |
| CN114066196A (zh) | 一种电网投资策略优化系统 | |
| CN106249709A (zh) | 动态的过程质量控制图和定龄维修联合设计优化控制方法 | |
| CN116091118A (zh) | 电价预测方法、装置、设备、介质及产品 | |
| CN117029968A (zh) | 一种流量数据的诊断方法、系统、存储介质和电子设备 | |
| CN115238573A (zh) | 考虑工况参数的水电机组性能劣化趋势预测方法和系统 | |
| KR102139706B1 (ko) | 통계적 학습을 통한 가스 배관망 운영정보 제공방법 | |
| CN117113886B (zh) | 一种压力预测方法及装置 | |
| CN109829115B (zh) | 搜索引擎关键词优化方法 | |
| Grenyer et al. | Multistep prediction of dynamic uncertainty under limited data | |
| CN113779893B (zh) | 基于回声状态网络的保障性仿真输出结果可信性评价方法 | |
| US20220291673A1 (en) | Analysis apparatus, analysis method and computer-readable medium | |
| CN117108924B (zh) | 一种智能氢气管理系统及方法 | |
| CN109376957A (zh) | 一种火电厂负荷的预测方法 | |
| Chou et al. | Economic design of variable sampling intervals charts with B&L switching rule | |
| CN113077105B (zh) | 一种长假日负荷预测方法及装置 |
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 |