CN117195152B - 一种基于深度学习的坝下支流顶托条件分析系统 - Google Patents
一种基于深度学习的坝下支流顶托条件分析系统 Download PDFInfo
- Publication number
- CN117195152B CN117195152B CN202311217241.7A CN202311217241A CN117195152B CN 117195152 B CN117195152 B CN 117195152B CN 202311217241 A CN202311217241 A CN 202311217241A CN 117195152 B CN117195152 B CN 117195152B
- Authority
- CN
- China
- Prior art keywords
- dam
- model
- water level
- data
- sub
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 22
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 88
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000007637 random forest analysis Methods 0.000 claims abstract description 11
- 238000012417 linear regression Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims abstract description 6
- 238000013136 deep learning model Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 18
- 238000012512 characterization method Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000011144 upstream manufacturing Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于深度学习的坝下支流顶托条件分析系统，属于水位预测计算技术领域，包括以下步骤：S1：数据预处理，从计算目标水利设施的历史运行数据中获取数据，将数据处理为模型训练格式；S2：借助SVR模型或多元线性回归模型，构建单一时段下游水位预测模型；S3：构建随机森林模型，分析不同时段前的坝下支流流量和水位预测误差的权重关系，得到坝下支流对坝下游水位造成顶托影响的阈值；S4：构建深度学习模型，使用LSTM模型构建深度学习坝下水位预测模型，计算不同情景的预测误差判断坝下流量造成顶托影响的阈值。本发明最终得到的坝下支流顶托影响滞时和阈值，可对受到坝下支流顶托影响的水坝下游水位预测分析提供帮助。
Description
技术领域
本发明属于水位预测计算技术领域，尤其是涉及一种基于深度学习的坝下支流顶托条件分析系统。
背景技术
在水坝等水利设施的坝下水位预测问题中，长久以来因水位受到顶托影响而导致预测精度不足，逐渐无法满足电站精细化调控的需求。顶托影响问题指的是如果水坝下游有支流汇入，当其流量超过一定阈值时，将会对坝下游水位产生回水顶托，抬高坝下游水位。这一影响使得坝下游水位精确预测难度提高。坝下支流顶托影响存在时间滞后性，在水坝等水利设施的坝下水位预测问题中，长久以来因水位受到顶托影响而导致预测精度不足，逐渐无法满足电站精细化调控的需求。这一影响使得坝下游水位精确预测难度提高，坝下支流顶托影响存在时间滞后性，因此，分析得出坝下支流造成顶托的滞后时间和流量阈值，是目前需要亟需解决的问题。
因此，有必要提供一种基于深度学习的坝下支流顶托条件分析系统，来解决上述问题。
发明内容
本发明的目的是提供一种基于深度学习的坝下支流顶托条件分析系统，借助SVR模型、随机森林模型和LSTM模型构建，分析坝下支流产生顶托影响的滞时和阈值两关键因素，为电站坝下水位预测问题提供帮助。
为实现上述目的，本发明提供了一种基于深度学习的坝下支流顶托条件分析系统，包括以下步骤：
S1：数据预处理，从计算目标水利设施的历史运行数据中获取数据，将数据处理为模型训练格式；
S2：构建机器学习水位预测模型，借助SVR模型或多元线性回归模型，构建单一时段下游水位预测模型；
S3：构建随机森林模型，分析不同时段前的坝下支流流量和水位预测误差的权重关系，得到坝下支流对坝下游水位造成顶托影响的阈值；
S4：构建深度学习模型，使用LSTM模型构建深度学习坝下水位预测模型，根据对应滞时的坝下支流流量大小进行情景划分，计算不同情景的预测误差判断坝下流量造成顶托影响的阈值。
优选的，在步骤S1中，数据在时间上不允许存在空值，具体包括以下步骤：
S11：将运行历史数据清洗整合，插补数据中的空值，检测数据在时间尺度上是否连续无缺失；
S12：为以后的模型输入做准备，将数据处理成两种格式，一种是用于机器学习的二维格式，二维格式反映坝下水位与其相应的影响因素的对应关系，在模型中影响因素称为特征变量，格式为[samples；features]，坝下游水位为目标变量；
另一种是用于LSTM模型的三维格式，三维格式数据的三个维度为[samples；timesteps；features]，sample指的是样本，每个样本包含按时间顺序为行、特征变量为列的一组二维数据；
S13：将数据划分为训练集和测试集，划分方法为按比例随机抽取。
优选的，在步骤S2中具体包括以下步骤：
S21：对特征变量数据进行特征化处理；
S22：将特征化处理的训练数据及其对应的坝下游水位值赋予模型进行训练，视特征变量和下游水位之间是否具有明显线性关系来决定学习模型采用SVR模型或者多元线性回归模型；
S23：使用完成训练的模型对测试集数据进行计算，得到预测坝下水位。计算预测坝下水位和真实坝下水位的绝对误差。
优选的，在步骤S3中具体包括以下步骤：
S31：已知使用测试集中的特征变量计算坝下水位的误差，取每个误差所对应的时段及其前n个时段的坝下支流流量数据，n个时段的总时长大于假定的坝下支流到水坝的回水流行时间，所有误差对应的流量数据构成一个二维矩阵[samlpes；flowrates]，划分训练集与测试集；
S32：将构建的二维矩阵及其对应的水位预测误差，输入到随机森林模型中。模型输出不同时段的流量对水位预测误差的影响程度。以此发判断顶托影响滞时。
优选的，在步骤S4中具体包括以下步骤：
S41：根据对应滞时的坝下支流流量大小进行情景划分，分成不同的集合以进行后续的水位预测计算；
S42：构建不考虑坝下支流顶托影响的LSTM模型，将步骤S1中处理得到的训练数据输入模型进行训练；
S43：对不同情景下的数据做水位预测计算，坝下支流流量大于顶托阈值的情景，其预测误差在所有情景中最高，得到坝下支流能造成顶托影响的流量阈值。
因此，本发明采用上述一种基于深度学习的坝下支流顶托条件分析系统，借助SVR模型、随机森林模型和LSTM模型构建，分析坝下支流产生顶托影响的滞时和阈值两关键因素，为电站坝下水位预测问题提供帮助。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1是本发明一种基于深度学习的坝下支流顶托条件分析系统的流程图；
图2是本发明实施例一中的分析结果图；
图3是本发明实施例一中的不同情境下的预测误差图；
图4是本发明实施例一中电站A上下游关系图。
具体实施方式
以下通过附图和实施例对本发明的技术方案作进一步说明。
除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。
本发明中使用的“包括”或者“包含”等类似的词语意指在该词前的要素涵盖在该词后列举的要素，并不排除也涵盖其它要素的可能。术语“内”、“外”、“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。在本发明中，除非另有明确的规定和限定，术语“附着”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
如图1所示，本发明提供了一种基于深度学习的坝下支流顶托条件分析系统，包括以下步骤：
S1：数据预处理，从计算目标水利设施的历史运行数据中获取数据，将数据处理为模型训练格式；在步骤S1中，数据在时间上不允许存在空值，具体包括以下步骤：
S11：将运行历史数据清洗整合，插补数据中的空值，检测数据在时间尺度上是否连续无缺失；
S12：为以后的模型输入做准备，将数据处理成两种格式，一种是用于机器学习的二维格式，二维格式反映坝下水位与其相应的影响因素的对应关系，在模型中影响因素称为特征变量，格式为[samples；features]，坝下游水位为目标变量；
另一种是用于LSTM模型的三维格式，三维格式数据的三个维度为[samples；timesteps；features]，sample指的是样本，每个样本包含按时间顺序为行、特征变量为列的一组二维数据；
S13：将数据划分为训练集和测试集，划分方法为按比例随机抽取。
S2：构建机器学习水位预测模型，借助SVR模型或多元线性回归模型，构建单一时段下游水位预测模型；在步骤S2中具体包括以下步骤：
S21：对特征变量数据进行特征化处理；
S22：将特征化处理的训练数据及其对应的坝下游水位值赋予模型进行训练，视特征变量和下游水位之间是否具有明显线性关系来决定学习模型采用SVR模型或者多元线性回归模型；
S23：使用完成训练的模型对测试集数据进行计算，得到预测坝下水位。计算预测坝下水位和真实坝下水位的绝对误差。
S3：构建随机森林模型，分析不同时段前的坝下支流流量和水位预测误差的权重关系，得到坝下支流对坝下游水位造成顶托影响的阈值；
在步骤S3中具体包括以下步骤：
S31：已知使用测试集中的特征变量计算坝下水位的误差，取每个误差所对应的时段及其前n个时段的坝下支流流量数据，n个时段的总时长大于假定的坝下支流到水坝的回水流行时间，所有误差对应的流量数据构成一个二维矩阵[samlpes；flowrates]，划分训练集与测试集；
S32：将构建的二维矩阵及其对应的水位预测误差，输入到随机森林模型中。模型输出不同时段的流量对水位预测误差的影响程度。以此发判断顶托影响滞时。
S4：构建深度学习模型，使用LSTM模型构建深度学习坝下水位预测模型，根据对应滞时的坝下支流流量大小进行情景划分，计算不同情景的预测误差判断坝下流量造成顶托影响的阈值。在步骤S4中具体包括以下步骤：
S41：根据对应滞时的坝下支流流量大小进行情景划分，分成不同的集合以进行后续的水位预测计算；
S42：构建不考虑坝下支流顶托影响的LSTM模型，将步骤S1中处理得到的训练数据输入模型进行训练；
S43：对不同情景下的数据做水位预测计算，坝下支流流量大于顶托阈值的情景，其预测误差在所有情景中最高，得到坝下支流能造成顶托影响的流量阈值。
实施例
以A水电站为算例，数据集采用了2015-2019年的数据作为历史数据集，计算尺度为两小时，2015年-2018年的数据用作模型的训练，2019年的数据用于预测计算测试。A水电站坝下有两条支流，记作支流1和支流2，且上游有电站B与其形成梯级电站，其水位、流量等水利要素也受到上游电站B的工况影响，如图4所示。
S11：计算时段为两小时，数据为两小时统计一次，进行清洗和填补空值。
S12：借助机器学习进行坝下水位预测所使用的特征变量有：计算时段平均出库流量、时段初下游水位、时段平均电站出力，因此测试集的特征变量数据格式如下：
[[1650,266.19,171.66]
[1650,266.15,171.655]
···
[1740,266.37,176.83]]
使用LSTM算法预测时，考虑特征变量更多，且做了未来24小时的坝下水位预测，此时所需要的数据可以划分为历史和未来两种，如表1所示：
表1
S21：对用于机器学习预测的数据进行特征化处理，本实施例的特征化次数选为3。
S22：构建SVR预测模型，将训练数据输入模型进行训练。
S23：使用完成训练的模型对测试集数据(2019年)进行计算，得到19年的坝下水位预测数据。计算预测数据的绝对误差，其输出格式与水位数据相同，用于后续的滞时分析。
S31：将支流1和支流2在前24小时的平均流量作为特征变量，两小时尺度下共24个参数，水位预测误差作为目标变量，可以得到2019年的坝下水位预测误差与其前期坝下支流流量的对应关系，进一步划分训练集与测试集，输入到随机森林模型中进行特征重要性分析。
S32：分析结果如图2所示，“支流1滞时1”代表1小时之前的支流1流量，“支流1滞时2”则是两小时之前，以此类推。
图2中左图为训练集分析结果，图2中右图为测试集分析结果，横坐标为预测误差计算精确度评价指标降低值，从图2中可以看出，支流1的2小时以前的流量对水位预测误差影响最大，支流2在6小时前的流量对水位预测误差的影响最大，因此可以认为，支流1的顶托滞时为2小时，支流2的为6小时。这不代表其他时段的支流流量不会造成影响。
S41：已知支流1的顶托影响滞后时间为2小时，支流2顶托影响时间为6小时，那么可以根据2小时前的支流1的流量和6小时前支流2的流量划分情景。假定支流1的顶托影响阈值为700m3/s，支流2的顶托影响阈值为7000m3/s，将两支流流量均小于阈值的情景记作情景一，有高于阈值的流量则记为情景2。
S42：构建不考虑坝下支流顶托影响的LSTM模型，预测未来12小时的不同情景坝下水位，预测使用的数据分为前期12小时的数据与未来12小时的数据。
S43：不同情境下的预测误差如图3所示：
图3中左图为最大绝对误差的，图3中右图为平均绝对误差，从图3中可以得出，总体情景的最大误差记为情景2的最大误差。当2小时前的支流1的流量大于700m3/s，6小时前支流2的流量大于7000m3/s时，误差显著高于其他情景，可以将二者作为支流1和支流2的顶托影响阈值。
因此，本发明采用上述一种基于深度学习的坝下支流顶托条件分析系统，借助SVR模型、随机森林模型和LSTM模型构建，分析坝下支流产生顶托影响的滞时和阈值两关键因素，为电站坝下水位预测问题提供帮助。
最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳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：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (3)
1.一种基于深度学习的坝下支流顶托条件分析系统，其特征在于：包括以下步骤：
S1：数据预处理，从计算目标水利设施的历史运行数据中获取数据，将数据处理为模型训练格式；
S2：构建机器学习水位预测模型，借助SVR模型或多元线性回归模型，构建单一时段下游水位预测模型；在步骤S2中具体包括以下步骤：
S21：对特征变量数据进行特征化处理；
S22：将特征化处理的训练数据及其对应的坝下游水位值赋予模型进行训练，视特征变量和下游水位之间是否具有明显线性关系来决定学习模型采用SVR模型或者多元线性回归模型；
S23：使用完成训练的模型对测试集数据进行计算，得到预测坝下水位，计算预测坝下水位和真实坝下水位的绝对误差；
S3：构建随机森林模型，分析不同时段前的坝下支流流量和水位预测误差的权重关系，得到坝下支流对坝下游水位造成顶托影响的阈值；在步骤S3中具体包括以下步骤：
S31：已知使用测试集中的特征变量计算坝下水位的误差，取每个误差所对应的时段及其前n个时段的坝下支流流量数据，n个时段的总时长大于假定的坝下支流到水坝的回水流行时间，所有误差对应的流量数据构成一个二维矩阵[samlpes；flow rates]，划分训练集与测试集；
S32：将构建的二维矩阵及其对应的水位预测误差，输入到随机森林模型中；
S4：构建深度学习模型，使用LSTM模型构建深度学习坝下水位预测模型，根据对应滞时的坝下支流流量大小进行情景划分，计算不同情景的预测误差判断坝下流量造成顶托影响的阈值。
2.根据权利要求1所述的一种基于深度学习的坝下支流顶托条件分析系统，其特征在于：在步骤S1中，数据在时间上不允许存在空值，具体包括以下步骤：
S11：将运行历史数据清洗整合，插补数据中的空值，检测数据在时间尺度上是否连续无缺失；
S12：为以后的模型输入做准备，将数据处理成两种格式，一种是用于机器学习的二维格式，二维格式反映坝下水位与其相应的影响因素的对应关系，在模型中影响因素称为特征变量，格式为[samples；features]，坝下游水位为目标变量；
另一种是用于LSTM模型的三维格式，三维格式数据的三个维度为[samples；timesteps；features]，sample指的是样本，每个样本包含按时间顺序为行、特征变量为列的一组二维数据；
S13：将数据划分为训练集和测试集，划分方法为按比例随机抽取。
3.根据权利要求2所述的一种基于深度学习的坝下支流顶托条件分析系统，其特征在于：在步骤S4中具体包括以下步骤：
S41：根据对应滞时的坝下支流流量大小进行情景划分，分成不同的集合以进行后续的水位预测计算；
S42：构建不考虑坝下支流顶托影响的LSTM模型，将步骤S1中处理得到的训练数据输入模型进行训练；
S43：对不同情景下的数据做水位预测计算，坝下支流流量大于顶托阈值的情景，其预测误差在所有情景中最高，得到坝下支流能造成顶托影响的流量阈值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311217241.7A CN117195152B (zh) | 2023-09-20 | 2023-09-20 | 一种基于深度学习的坝下支流顶托条件分析系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311217241.7A CN117195152B (zh) | 2023-09-20 | 2023-09-20 | 一种基于深度学习的坝下支流顶托条件分析系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117195152A CN117195152A (zh) | 2023-12-08 |
| CN117195152B true CN117195152B (zh) | 2024-05-17 |
Family
ID=89005003
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311217241.7A Active CN117195152B (zh) | 2023-09-20 | 2023-09-20 | 一种基于深度学习的坝下支流顶托条件分析系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117195152B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103821218A (zh) * | 2014-02-17 | 2014-05-28 | 广州市市政工程设计研究院 | 一种初期雨水及雨污混合溢流水拦蓄渗流设施 |
| CN106156487A (zh) * | 2016-06-20 | 2016-11-23 | 中国长江电力股份有限公司 | 一种考虑多河流顶托影响的水库下游水位计算方法 |
| CN108460814A (zh) * | 2018-02-08 | 2018-08-28 | 中国电建集团中南勘测设计研究院有限公司 | 一种多站联动水位流量关系曲线拟合方法 |
| CN111126847A (zh) * | 2019-12-24 | 2020-05-08 | 华中科技大学 | 耦合河道水动力过程的梯级水库短期优化调度方法和系统 |
| CN112001556A (zh) * | 2020-08-27 | 2020-11-27 | 华中科技大学 | 一种基于深度学习模型的水库下游水位预测方法 |
| CN115099500A (zh) * | 2022-06-29 | 2022-09-23 | 黄河水利职业技术学院 | 基于权重修正和drsn-lstm模型的水位预测方法 |
| CN116628915A (zh) * | 2022-08-10 | 2023-08-22 | 长江水利委员会水文局长江三峡水文水资源勘测局 | 一种库区沿程流量预测方法 |
-
2023
- 2023-09-20 CN CN202311217241.7A patent/CN117195152B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103821218A (zh) * | 2014-02-17 | 2014-05-28 | 广州市市政工程设计研究院 | 一种初期雨水及雨污混合溢流水拦蓄渗流设施 |
| CN106156487A (zh) * | 2016-06-20 | 2016-11-23 | 中国长江电力股份有限公司 | 一种考虑多河流顶托影响的水库下游水位计算方法 |
| CN108460814A (zh) * | 2018-02-08 | 2018-08-28 | 中国电建集团中南勘测设计研究院有限公司 | 一种多站联动水位流量关系曲线拟合方法 |
| CN111126847A (zh) * | 2019-12-24 | 2020-05-08 | 华中科技大学 | 耦合河道水动力过程的梯级水库短期优化调度方法和系统 |
| CN112001556A (zh) * | 2020-08-27 | 2020-11-27 | 华中科技大学 | 一种基于深度学习模型的水库下游水位预测方法 |
| CN115099500A (zh) * | 2022-06-29 | 2022-09-23 | 黄河水利职业技术学院 | 基于权重修正和drsn-lstm模型的水位预测方法 |
| CN116628915A (zh) * | 2022-08-10 | 2023-08-22 | 长江水利委员会水文局长江三峡水文水资源勘测局 | 一种库区沿程流量预测方法 |
Non-Patent Citations (6)
| Title |
|---|
| 两种方法在宜昌水位与流量关系确定中的应用比较;宋发智;;中国水运.航道科技;20160620(第03期);27-30 * |
| 宋发智 ; .两种方法在宜昌水位与流量关系确定中的应用比较.中国水运.航道科技.2016,(第03期), 27-30. * |
| 汛期横江入流对向家坝一期围堰河段水位的顶托影响;纪昌明;苏学灵;彭杨;;节水灌溉;20090405(第04期);68-71 * |
| 王光越,孙以三.鄂东北来水对汉口水位的回水顶托影响预报.水利水电快报.1997,(第20期), 15-17. * |
| 纪昌明 ; 苏学灵 ; 彭杨 ; .汛期横江入流对向家坝一期围堰河段水位的顶托影响.节水灌溉.2009,(第04期), 68-71. * |
| 鄂东北来水对汉口水位的回水顶托影响预报;王光越, 孙以三;水利水电快报;19971028(第20期);15-17 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117195152A (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105955219B (zh) | 基于互信息的分布式动态过程故障检测方法 | |
| CN110232249B (zh) | 一种滚动轴承剩余寿命预测方法 | |
| CN113256005B (zh) | 一种基于神经网络模型的电站水位过程预测方法及设备 | |
| CN102662321A (zh) | 一种主元分析监控模型的在线更新方法 | |
| CN111414703B (zh) | 一种滚动轴承剩余寿命预测方法及装置 | |
| CN113344288A (zh) | 梯级水电站群水位预测方法、装置及计算机可读存储介质 | |
| CN114819374A (zh) | 区域新能源超短期功率预测方法及系统 | |
| CN115453356B (zh) | 一种动力设备运行状态监测分析方法、系统、终端及介质 | |
| CN116308305B (zh) | 一种桥梁健康监测数据管理系统 | |
| CN114498619A (zh) | 一种风电功率预测方法及装置 | |
| CN115685045A (zh) | 一种电压互感器在线评估方法 | |
| CN117195152B (zh) | 一种基于深度学习的坝下支流顶托条件分析系统 | |
| CN117708625B (zh) | 一种乏数据背景下大坝监测历史数据填补方法 | |
| CN114021620B (zh) | 基于bp神经网络特征提取的电潜泵故障诊断方法 | |
| CN114861774A (zh) | 一种电网中虚假数据识别方法及系统 | |
| CN111914490B (zh) | 一种基于深度卷积随机森林自编码的泵站机组状态评价方法 | |
| CN114091368A (zh) | 一种轴流式水轮机空化状态的识别方法 | |
| CN103226737A (zh) | 基于卡尔曼滤波与灰色预测的化工异常工况趋势预测方法 | |
| CN111354497B (zh) | 一种核电站破口事故信息诊断方法 | |
| CN113123955A (zh) | 柱塞泵异常检测方法、装置、存储介质及电子设备 | |
| CN116433085A (zh) | 一种轧制过程控制系统性能评估方法 | |
| CN115271154A (zh) | 一种多项式与偏最小二乘耦合的非线性回归洪水要素预测方法 | |
| CN111814325B (zh) | 燃煤发电装备非平稳运行的单变量报警阈值优化方法 | |
| CN114970311A (zh) | 一种远端模块寿命预测模型的建立方法与寿命预测方法 | |
| CN117990187B (zh) | 基于人工智能的地下水水位动态监测方法 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Wang Yongqiang Inventor after: Zhang Sen Inventor after: Xie Shuai Inventor after: Zhou Tao Inventor after: Feng Yu Inventor after: Xu Yang Inventor after: Zhang Xiuyun Inventor after: Zou Xiangxi Inventor before: Wang Yongqiang Inventor before: Zhang Sen Inventor before: Xie Shuai Inventor before: Zhou Tao Inventor before: Feng Yu Inventor before: Xu Yang |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |