CN117370857A - 一种水轮机调速器管理方法、装置、设备及存储介质 - Google Patents

一种水轮机调速器管理方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN117370857A
CN117370857A CN202311300233.9A CN202311300233A CN117370857A CN 117370857 A CN117370857 A CN 117370857A CN 202311300233 A CN202311300233 A CN 202311300233A CN 117370857 A CN117370857 A CN 117370857A
Authority
CN
China
Prior art keywords
feature selection
monitoring data
selection result
water turbine
determining
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
Application number
CN202311300233.9A
Other languages
English (en)
Inventor
杨铭轩
巩宇
于亚雄
梁业全
陈涛
王瑞清
邱小波
郑伟
俞家良
高玥颖
严汉秋
邓娅婷
徐开炜
裴军
刘欢
陈云云
叶力
胡文兴
王思杰
王嘉乐
梁宇杨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Maintenance and Test Branch of Peaking FM Power Generation of Southern Power Grid Co Ltd
Original Assignee
Maintenance and Test Branch of Peaking FM Power Generation of Southern Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Maintenance and Test Branch of Peaking FM Power Generation of Southern Power Grid Co Ltd filed Critical Maintenance and Test Branch of Peaking FM Power Generation of Southern Power Grid Co Ltd
Priority to CN202311300233.9A priority Critical patent/CN117370857A/zh
Publication of CN117370857A publication Critical patent/CN117370857A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03B—MACHINES OR ENGINES FOR LIQUIDS
    • F03B15/00—Controlling
    • 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
    • G06F18/211—Selection of the most significant subset of features
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Physiology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Control Of Eletrric Generators (AREA)

Abstract

本发明实施例公开了一种水轮机调速器管理方法、装置、设备及存储介质，包括：获取水轮机调速器的当前监测数据，并对当前监测数据进行特征选择，得到预设个体数量的初始特征选择结果；获取各初始特征选择结果对应的历史监测数据，并根据历史监测数据对Informer模型进行训练，得到映射关系模型；根据映射关系模型，确定各初始特征选择结果对应的适应度值，并根据各适应度值，确定目标特征选择结果；根据目标特征选择结果，确定水轮机调速器在预设时段后的状态预测结果，以根据状态预测结果对水轮机调速器进行管理。可以实现快速、准确地对水轮机调速器的状态进行预测，降低了水轮机调速器的维护成本，提高了水轮机调速器的管理水平。

Description

一种水轮机调速器管理方法、装置、设备及存储介质
技术领域
本发明涉及水力发电技术领域，尤其涉及一种水轮机调速器管理方法、装置、设备及存储介质。
背景技术
随着水利现代化信息技术的快速发展，水电生产管理更加精细化和智能化，对水力发电系统的管理水平提出了更高的要求。由于水轮机调速器是水轮发电机组的核心控制设备，水轮发电机组是水力发电系统中生产电能的主要动力设备，因此能否实现水轮机调速器的精细化管理，成为影响水力发电管理水平的重要因素。
现有技术中，通常通过定期预防性维护或纠正性维护的方式，实现水轮机调速器的管理。
但是，定期预防性维护的方式，容易出现在进行预防性维护之前，水轮机调速器已经发生故障的情况，导致水力发电系统无法正常工作。其次，在水轮机调速器故障后，再进行纠正性维护，需要浪费较多的人力物力。
发明内容
本发明提供了一种水轮机调速器管理方法、装置、设备及存储介质，可以实现快速、准确地对水轮机调速器的状态进行预测，降低了水轮机调速器的维护成本，提高了水轮机调速器的管理水平。
第一方面，本发明实施例提供了一种水轮机调速器管理方法，包括：
获取水轮机调速器的当前监测数据，并对当前监测数据进行特征选择，得到预设个体数量的初始特征选择结果；
获取各初始特征选择结果对应的历史监测数据，并根据历史监测数据对Informer模型进行训练，得到映射关系模型；
根据映射关系模型，确定各初始特征选择结果对应的适应度值，并根据各适应度值，确定目标特征选择结果；
根据目标特征选择结果，确定水轮机调速器在预设时段后的状态预测结果，以根据状态预测结果对水轮机调速器进行管理。
可选的，根据历史监测数据对Informer模型进行训练，得到映射关系模型，包括：
获取历史监测数据对应的时间序列，并根据时间序列将历史监测数据划分成训练集和测试集；
根据训练集对Informer模型进行训练，得到映射关系模型。
可选的，根据映射关系模型，确定各初始特征选择结果对应的适应度值，包括：
根据测试集对映射关系模型进行测试，输出映射关系模型的平均绝对误差，并将平均绝对误差作为适应度值。
可选的，在对当前监测数据进行特征选择，得到预设个体数量的初始特征选择结果之后，还包括：
对预设个体数量的初始特征选择结果进行初始化，并根据初始化后的初始特征选择结果，组成初始化群体。
可选的，在根据映射关系模型，确定各初始特征选择结果对应的适应度值之后，还包括：
将初始化群体划分成预设分群数量个原始群体；
分别对各原始群体进行进化，生成多个中间特征选择结果；
根据各中间特征选择结果对应的历史监测数据，以及Informer模型，确定各中间特征选择结果的适应度值。
可选的，根据各适应度值，确定目标特征选择结果，包括：
对各初始特征选择结果对应的适应度值，以及各中间特征选择结果的适应度值进行排序，并根据排序结果对初始化群体进行更新，得到更新群体；
获取更新群体对应的当前进化代数，判断当前进化代数是否大于等于预设最大进化代数；
若是，则根据各特征选择结果的适应度值，在更新群体中确定目标特征选择结果；
若否，则根据各适应度值对更新群体进行更新，直至当前进化代数等于预设最大进化代数。
第二方面，本发明实施例还提供了一种水轮机调速器管理装置，包括：
初始特征选择模块，用于获取水轮机调速器的当前监测数据，并对当前监测数据进行特征选择，得到预设个体数量的初始特征选择结果；
模型训练模块，用于获取各初始特征选择结果对应的历史监测数据，并根据历史监测数据对Informer模型进行训练，得到映射关系模型；
目标特征确定模块，用于根据映射关系模型，确定各初始特征选择结果对应的适应度值，并根据各适应度值，确定目标特征选择结果；
状态预测模块，用于根据目标特征选择结果，确定水轮机调速器在预设时段后的状态预测结果，以根据状态预测结果对水轮机调速器进行管理。
第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：
至少一个处理器；以及
与至少一个处理器通信连接的存储器；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，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行本发明任一实施例提供的水轮机调速器管理方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行时实现本发明任一实施例的水轮机调速器管理方法。
第五方面，本发明实施例还提供了一种计算机程序产品，计算机程序产品包括计算机程序，计算机程序在被处理器执行时实现本发明任一实施例的水轮机调速器管理方法。
本发明实施例提供的技术方案，通过获取水轮机调速器的当前监测数据，并对当前监测数据进行特征选择，得到预设个体数量的初始特征选择结果；获取各初始特征选择结果对应的历史监测数据，并根据历史监测数据对Informer模型进行训练，得到映射关系模型；根据映射关系模型，确定各初始特征选择结果对应的适应度值，并根据各适应度值，确定目标特征选择结果；根据目标特征选择结果，确定水轮机调速器在预设时段后的状态预测结果，以根据状态预测结果对水轮机调速器进行管理的技术手段，可以实现快速、准确地对水轮机调速器的状态进行预测，降低了水轮机调速器的维护成本，提高了水轮机调速器的管理水平。
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水轮机调速器管理方法的流程图；
图2是根据本发明实施例二提供的另一种水轮机调速器管理方法的流程图；
图3是根据本发明实施例三提供的另一种水轮机调速器管理方法的流程图；
图4是根据本发明实施例提供的一种优选的水轮机调速器管理方法的流程图；
图5是根据本发明实施例四提供的一种水轮机调速器管理装置的结构示意图；
图6是根据本发明实施例五提供的一种水轮机调速器管理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的一种水轮机调速器管理方法的流程图，本实施例可适用于对水轮机调速器进行管理的情况，该方法可以由水轮机调速器管理装置来执行，该水轮机调速器管理装置可以采用硬件和/或软件的形式实现，该水轮机调速器管理装置可配置于电子设备如计算机中。
如图1所示，本实施例公开的一种水轮机调速器管理方法包括：
S110、获取水轮机调速器的当前监测数据，并对当前监测数据进行特征选择，得到预设个体数量的初始特征选择结果。
在本实施例中，当前监测数据可以用于预测水轮机调速器的状态。当前监测数据的种类可以包括基本状态量、开关量、控制量和报警信息等。其中，基本状态量可以包括油压系统状态、发电机状态、水轮机状态、机械液压系统状态、主接力器行程、机组频率、系统频率、油罐压力、油温和运行环境指标等。开关量可以包括制动状态和开机令等。控制量可以包括开度给定模式、频率给定模式和控制指令等。报警信息可以包括电源故障报警和反馈线路故障报警等。初始特征选择结果可以是对多台水轮机调速器的当前监测数据进行特征选择后的结果。
在一个具体实施方式中，首先，可以对当前监测数据进行数据清洗，以修正当前监测数据中的错误数据。然后，可选的，由于不同监测数据对应的量纲不同，因此可以采用标量化的方式对当前监测数据进行无量纲处理。具体的，可以通过下述公式对当前监测数据进行无量纲处理：
其中，x*为标量值，x为原始数值，μ为平均值，σ为特征方差。
之后，可以采用灰色关联度分析法对处理后的当前监测数据进行分析，以筛选并剔除预设比例(如20％)的与状态预测结果相关性较差的当前监测数据。最后，可以在筛选后的当前监测数据中进行随机选择，得到初始特征选择结果。
示例性的，假设存在水轮机调速器A1、A2和A3，并且当前监测数据包括发动机状态、水轮机状态、油罐压力、制动状态和频率给定模式，则可以将发动机状态和油罐压力作为A1的特征选择结果，将油罐压力和制动状态作为A2的特征选择结果，将油罐压力和频率给定模式作为A3的特征选择结果。然后可以根据各水轮机调速器对应的各特征选择结果，得到初始特征选择结果。
S120、获取各初始特征选择结果对应的历史监测数据，并根据历史监测数据对Informer模型进行训练，得到映射关系模型。
在此步骤，具体的，首先可以对历史监测数据进行预处理(如数据清洗和格式化)。然后，可以将预处理后的历史监测数据输入至Informer模型进行训练，得到与初始特征选择结果对应的映射关系模型。
示例性的，假设存在第一初始特征选择结果和第二初始特征选择结果，则可以获取第一初始特征选择结果对应的第一历史监测数据，以及第二初始特征选择结果对应的第二历史监测数据。然后，可以根据第一历史监测数据对Informer模型进行训练，得到与第一初始特征选择结果对应的映射关系模型。根据第二历史监测数据对Informer模型进行训练，得到与第二初始特征选择结果对应的映射关系模型。
S130、根据映射关系模型，确定各初始特征选择结果对应的适应度值，并根据各适应度值，确定目标特征选择结果。
在本实施例中，相比于其他特征选择结果，根据目标特征选择结果对水轮机调速器状态进行预测，得到的状态预测结果最准确。
在此步骤，可选的，可以计算各映射关系模型对应的预测评价指标，得到模型评价结果，也即适应度值。上述预测评价指标可以包括均方误差、平均绝对误差和平均绝对百分比误差等。然后，可以采用分群山瞪羚优化算法，根据各适应度值对各初始特征选择结果进行处理，以确定目标特征选择结果。
这样设置的好处在于，由于当前监测数据种类众多，如果根据全部的当前监测数据对水轮机调速器的状态进行预测，会导致水轮机调速器的状态预测效率较低。因此，本实施例的技术方案通过采用分群山瞪羚优化算法对当前监测数据进行特征选择，可以实现根据较少的特征对水轮机调速器状态进行预测，提高了水轮机调速器的状态预测效率。
S140、根据目标特征选择结果，确定水轮机调速器在预设时段后的状态预测结果，以根据状态预测结果对水轮机调速器进行管理。
在本实施例中，状态预测结果可以包括水轮机调速器在预设时段后正常和水轮机调速器预设时段后异常等。预设时段可以根据用户需求进行设置，例如，可以将预设时段设置为100。
在一个具体实施方式中，首先，可以获取目标特征选择结果对应的历史监测数据。然后，可以将上述历史监测数据输入至目标特征选择结果对应的映射关系模型。最后，可以采用上述映射关系模型对上述历史监测数据进行处理，得到状态预测结果。
在实际应用中，可以根据状态预测结果，确定水轮机调速器的维护方式。例如，如果状态预测结果显示水轮机调速器在预设时段后异常，则可以在预设时段之前对水轮机调速器进行维护。或者，如果状态预测结果显示水轮机调速器在预设时段后正常，则可以按照原始计划对水轮机调速器进行定期维护。
这样设置的好处在于，相比于对水轮机调速器进行定期预防性维护的现有技术，本实施例的技术方案可以根据状态预测结果实时调整水轮机调速器的维护方式，提高了水轮机调速器的管理水平。相比于对水轮机调速器进行纠正性维护的现有技术，本实施例的技术方案可以通过状态预测结果在水轮机调速器故障之前进行检修，保障了水轮机调速器的稳定运行，降低了水轮机调速器的维护成本。
本实施例的技术方案，通过获取水轮机调速器的当前监测数据，并对当前监测数据进行特征选择，得到预设个体数量的初始特征选择结果；获取各初始特征选择结果对应的历史监测数据，并根据历史监测数据对长序列预测Informer模型进行训练，得到映射关系模型；根据映射关系模型，确定各初始特征选择结果对应的适应度值，并根据各适应度值，确定目标特征选择结果；根据目标特征选择结果，确定水轮机调速器在预设时段后的状态预测结果，以根据状态预测结果对水轮机调速器进行管理的技术手段，解决了采用定期预防性维护的方式对水轮机调速器进行管理，导致水轮机调速器的故障处理不及时的问题。通过对当前监测数据进行特征选择，可以实现根据较少的特征对水轮机调速器状态进行预测，提高了水轮机调速器的状态预测效率。其次，通过映射关系模型，确定各初始特征选择结果对应的适应度值，并根据适应度值确定最优的特征选择结果，可以实现准确地对水轮机调速器的状态进行预测，降低了水轮机调速器的维护成本，提高了水轮机调速器的管理水平。
实施例二
图2为本发明实施例二提供的另一种水轮机调速器管理方法的流程图，本实施例是基于上述各实施例的进一步优化与扩展，并可以与上述实施方式中各个可选技术方案结合。
如图2所示，本实施例公开的另一种水轮机调速器管理方法包括：
S210、获取水轮机调速器的当前监测数据，并对当前监测数据进行特征选择，得到预设个体数量的初始特征选择结果。
S220、获取各初始特征选择结果对应的历史监测数据。
S230、获取历史监测数据对应的时间序列，并根据时间序列将历史监测数据划分成训练集和测试集。
在本实施例中，时间序列可以用于表示历史监测数据的获取时间。
在此步骤，具体的，可以按照预设比例，根据时间序列将历史监测时间对应的数据集划分为训练集和测试集。
示例性的，假设存在10个月的历史监测数据(如1月、2月、3月…、10月的历史监测数据)，且预设比例为7:3，则可以将1月至7月的历史监测数据作为训练集，将8月至10月的历史监测数据作为测试集。
S240、根据训练集对Informer模型进行训练，得到映射关系模型。
示例性的，可以将1月至7月的历史监测数据输入至Informer模型进行训练，得到与初始特征选择结果对应的映射关系模型。
S250、根据测试集对映射关系模型进行测试，输出映射关系模型的平均绝对误差，并将平均绝对误差作为适应度值。
在此步骤，具体的，可以根据测试集对映射关系模型进行测试，输出当前状态预测结果。然后，可以根据当前状态预测结果，以及预期状态预测结果，确定映射关系模型的平均绝对误差。
S260、根据各适应度值，确定目标特征选择结果。
S270、根据目标特征选择结果，确定水轮机调速器在预设时段后的状态预测结果，以根据状态预测结果对水轮机调速器进行管理。
本实施例的技术方案，通过获取水轮机调速器的当前监测数据，并对当前监测数据进行特征选择，得到预设个体数量的初始特征选择结果；获取各所述初始特征选择结果对应的历史监测数据；获取历史监测数据对应的时间序列，并根据时间序列将历史监测数据划分成训练集和测试集；根据训练集对Informer模型进行训练，得到映射关系模型；根据测试集对映射关系模型进行测试，输出映射关系模型的平均绝对误差，并将平均绝对误差作为适应度值；根据各适应度值，确定目标特征选择结果；根据目标特征选择结果，确定水轮机调速器在预设时段后的状态预测结果，以根据状态预测结果对水轮机调速器进行管理的技术手段，解决了采用定期预防性维护的方式对水轮机调速器进行管理，导致水轮机调速器的故障处理不及时的问题，可以实现快速、准确地对水轮机调速器的状态进行预测，降低了水轮机调速器的维护成本，提高了水轮机调速器的管理水平。
实施例三
图3为本发明实施例三提供的另一种水轮机调速器管理方法的流程图，本实施例是基于上述各实施例的进一步优化与扩展，并可以与上述实施方式中各个可选技术方案结合。
如图3所示，本实施例公开的一种水轮机调速器管理方法包括：
S310、获取水轮机调速器的当前监测数据，并对当前监测数据进行特征选择，得到预设个体数量的初始特征选择结果。
在此步骤，可选的，可以将筛选后当前监测数据作为自变量，构建山瞪羚优化算法中的初始个体，也即初始特征选择结果。具体的，可以通过下述计算公式得到初始特征选择结果：
其中，Tj，n，p为第j个初始特征选择结果的第p台水轮机调速器的第n个特征。可以通过将被选择的特征和未被选择的特征设置为不同数值的方式，确定第n个特征是否被选择。
示例性的，假设存在5台水轮机调速器，且当前监测数据的数量为10，则可以将p设置5，将n设置为10。
S320、对预设个体数量的初始特征选择结果进行初始化，并根据初始化后的初始特征选择结果，组成初始化群体。
具体的，可以将Tj，n，p对应的数值设置为0或1。如果Tj，n，p为1，则可以表示该特征被选择；如果Tj，n，p为0，则可以表示该特征未被选择。
这样设置的好处在于，通过对各初始特征选择结果进行初始化，可以直观地获取特征选择结果，便于后续进行初始化群体的进化操作。
S330、获取各初始特征选择结果对应的历史监测数据，并根据历史监测数据对Informer模型进行训练，得到映射关系模型；根据映射关系模型，确定各初始特征选择结果对应的适应度值。
示例性的，可以采用深度学习框架搭建Informer模型。Informer模型对应编码器的输入长度为500、输出长度为100、大小为32、迭代次数为10、注意力头数为10、学习率为0.0001，丢弃参数为0.05。然后，可以根据500个数据点以及搭建好的Informer模型，预测水轮机调速器在100个时段后的状态。
S340、将初始化群体划分成预设分群数量个原始群体；分别对各原始群体进行进化，生成多个中间特征选择结果。
在本实施例中，可以根据初始化群体对应的初始特征选择结果的数量(也即预设个体数量)，以及预设分群数量，确定原始群体对应的特征选择结果数量。然后，可以随机将各初始特征选择结果划分至各原始群体。
示例性的，假设预设个体数量为32，预设分群数量为4，则可以将初始化群体划分为8个原始群体。然后，根据分别对各原始群体的进行进化，相比于直接对初始化群体进行进化，避免了不同原始群体中的特征选择结果进行组合，提高了群体进化效率。
可选的，可以随机采用下述四种计算方式对各原始群体进行进化。
具体的，对原始群体进行进化的第一种计算公式如下：
New T＝(ub-lb)×rl+lb
其中，ub为变量的上界，lb为变量的下界，r1为[0,1]之间的随机值，NewT可以为中间特征选择结果。
对原始群体进行进化的第二种计算公式如下：
New T＝BestT-|(r2×BH-r3×T)×F|×Cofr
其中，r2和r3为[0,1]之间的随机值。
BH参数的具体计算公式如下：
其中，Tr为在适应度值排名后三分之二的各初始特征选择结果中随机选择的初始特征选择结果。r4和r5为[0,1]之间的随机值，Tm为适应度值排名在后三分之二的各初始特征选择结果对应行列式的平均值。
F的具体计算公式如下：
其中，N1为服从标准状态分布的随机值，Iter为当前进化代数，MaxI为预设最大进化代数。
Cofr的具体计算公式如下：
其中，r6、r7和r8为[0,1]之间的随机值，N3、N3和N4为服从标准正态分布的随机值。
参数a的具体计算公式如下：
原始群体进化的第三种计算公式如下：
New T＝(BH+Cofr)+(r9×BestT-r10×Tr1)×Cofr
其中，r9和r10为1和2中的随机值，Tr1为群体中的随机值。
原始群体进化的第四种计算公式如下：
New T＝(T-D)+(r11×BestT-r12×BH)×Cofr
其中，r11和r12为1和2中的随机值。
参数D的具体计算公式如下：
D＝(|T|+|BestT|)×(2×r13-1)
其中，r13为[0，1]之间的随机值。
这样设置的好处在于，通过随机采用不同的进化方式对初始化群体进行进化，避免了中间特征选择结果均相同，实现了特征选择结果的差异化，提高了特征选择结果的准确性。
S350、根据各中间特征选择结果对应的历史监测数据，以及Informer模型，确定各中间特征选择结果的适应度值。
在一个具体实施方式中，以一个中间特征选择结果为例，可以获取中间特征选择结果对应的历史监测数据。然后按照时间序列，将上述历史监测数据划分为训练集和测试集。之后，可以采用训练集对Informer模型进行训练，得到与中间特征选择结果对应的映射关系模型。最后，可以采用测试集对上述映射关系模型进行测试得到平均绝对误差，也即适应度值。
S360、对各初始特征选择结果对应的适应度值，以及各中间特征选择结果的适应度值进行排序，并根据排序结果对初始化群体进行更新，得到更新群体。
在本实施例中，可选的，可以根据排序结果及预设个体数量对初始化群体进行更新，得到更新群体。具体的，可以根据排序结果，在初始特征选择结果和中间特征选择结果中选择预设个体数量的特征选择结果组成更新群体。
S370、获取更新群体对应的当前进化代数，判断当前进化代数是否大于等于预设最大进化代数，若是，则执行S380，若否，则执行S390。
其中，获取更新群体对应的当前进化代之前，可以获取初始化群体对应的当前进化代数，并对上述当前进行代数进行更新，得到更新群体对应的当前进化代数。具体的，可以采用公式Iter＝Iter+1，确定更新群体对应的当前进化代数。
示例性的，假设初始化群体对应的当前进化代数为0，则更新群体对应的当前进化代数为1。
S380、根据各特征选择结果的适应度值，在更新群体中确定目标特征选择结果；根据目标特征选择结果，确定水轮机调速器在预设时段后的状态预测结果，以根据状态预测结果对水轮机调速器进行管理。
在本实施例中，可以获取更新群体对应的各特征选择结果的适应度值，并将适应度值最小的特征选择结果作为目标特征选择结果。然后，可以获取目标特征选择结果对应的历史监测数据，并将上述历史监测数据输入到与目标特征选择结果对应的映射关系模型中进行处理，得到水轮机调速器的状态预测结果。
这样设置的好处在于，由于适应度值等于平均绝对误差，平均绝对误差可以用于评估映射关系模型的预测精度，且各映射关系模型是通过不同特征选择结果对应的历史监测数据训练得到的，因此为了得到最准确的状态预测结果，本实施例根据适应度值的排序结果，将适应度值最小的特征选择结果作为目标特征选择结果。其次，由于目标特征选择结果为多机系统对应的特征选择结果且多机系统包含多台水轮机调速器，因此通过目标特征选择结果，可以得到多机系统中每台水轮机调速器在预设时段后的状态。
S390、根据各适应度值对更新群体进行更新，直至当前进化代数等于预设最大进化代数。
其中，在当前进化代数等于预设最大进化代数之后，确定预设最大进化代数对应的更新群体的各特征选择结果的适应度值，并将适应度值最小的特征选择结果作为目标特征选择结果。
在此步骤，具体的，如果更新群体对应当前进化代数小于预设最大进化代数，则可以采用分群山瞪羚优化算法，对更新群体进行进化，直至当前进化代数等于预设最大进化代数。其中，更新群体每进化一次，当前进化代数加1。
本实施例中的技术方案，通过对当前监测数据进行特征选择，得到预设个体数量的初始特征选择结果；对预设个体数量的初始特征选择结果进行初始化，并根据初始化后的初始特征选择结果，组成初始化群体；获取各初始特征选择结果对应的历史监测数据，并根据历史监测数据对Informer模型进行训练，得到映射关系模型；根据映射关系模型，确定各初始特征选择结果对应的适应度值；将初始化群体划分成预设分群数量个原始群体；分别对各原始群体进行进化，生成多个中间特征选择结果；根据各中间特征选择结果对应的历史监测数据，以及Informer模型，确定各中间特征选择结果的适应度值；对各初始特征选择结果对应的适应度值，以及各中间特征选择结果的适应度值进行排序，并根据排序结果对初始化群体进行更新，得到更新群体；获取更新群体对应的当前进化代数，判断当前进化代数是否大于等于预设最大进化代数，若是，则根据各特征选择结果的适应度值，在更新群体中确定目标特征选择结果；若否，则根据各适应度值对更新群体进行更新，直至当前进化代数等于预设最大进化代数的技术手段，解决了采用定期预防性维护的方式对水轮机调速器进行管理，导致水轮机调速器的故障处理不及时的问题，可以实现快速、准确地对水轮机调速器的状态进行预测，降低了水轮机调速器的维护成本，提高了水轮机调速器的管理水平。
图4是根据本发明实施例提供的一种优选的水轮机调速器管理方法的流程图。
在本发明实施例的一个优选实施方式中，如图4所示，首先，对初始特征选择结果进行初始化，得到初始化群体。获取各初始特征选择结果对应历史监测数据，按照时间序列将上述历史监测数据划分为训练集和测试集。然后，根据训练集对Informer模型进行训练，得到映射关系模型，采用测试集对映射关系模型进行测试，输出映射关系模型的平均绝对误差，并将平均绝对误差作为适应度值。
之后，将初始化群体随机分为4个原始群体，并随机采用4种进化方式对各原始群体进行进化，得到新生成群体。合并新生成群体和初始化群体，对合并后群体对应的各特征选择结果的适应度值进行排序。根据排序结果在合并后群体中选择排名在前预设个体数量的特征选择结果，组成更新群体。最后，判断更新群体对应当前进化代数是否大于等于预设最大进化代数。若是，则根据各特征选择结果的适应度值，在更新群体中确定目标特征选择结果。根据目标特征选择结果确定水轮机调速器在预设时段后的状态预测结果，以根据状态预测结果对水轮机调速器进行管理。若否，则将更新群体作为初始化群体，并确定上述初始化群体中各特征选择结果的适应度值。采用分群山瞪羚优化算法对上述初始化群体进行进化，直至当前进化代数等于预设最大进化代数。
实施例四
图5为本发明实施例四提供的一种水轮机调速器管理装置的结构示意图，本实施例可适用于对水轮机调速器进行管理的情况，该水轮机调速器管理装置可以采用硬件和/或软件的形式实现，并可配置于电子设备如终端或服务器中。
如图5所示，本实施例公开的水轮机调速器管理装置包括：
初始特征选择模块51，用于获取水轮机调速器的当前监测数据，并对当前监测数据进行特征选择，得到预设个体数量的初始特征选择结果；
模型训练模块52，用于获取各初始特征选择结果对应的历史监测数据，并根据历史监测数据对Informer模型进行训练，得到映射关系模型；
目标特征确定模块53，用于根据映射关系模型，确定各初始特征选择结果对应的适应度值，并根据各适应度值，确定目标特征选择结果；
状态预测模块54，用于根据目标特征选择结果，确定水轮机调速器在预设时段后的状态预测结果，以根据状态预测结果对水轮机调速器进行管理。
本实施例中的技术方案，通过初始特征选择模块、模型训练模块、目标特征选择模块和状态预测模块的相互配合，解决了采用定期预防性维护的方式对水轮机调速器进行管理，导致水轮机调速器的故障处理不及时的问题，可以实现快速、准确地对水轮机调速器的状态进行预测，降低了水轮机调速器的维护成本，提高了水轮机调速器的管理水平。
可选的，模型训练模块52包括：
集合划分单元，用于获取历史监测数据对应的时间序列，并根据时间序列将历史监测数据划分成训练集和测试集；
映射关系模型确定单元，用于根据训练集对Informer模型进行训练，得到映射关系模型。
可选的，目标特征确定模块53包括：
适应度值确定单元，用于根据测试集对映射关系模型进行测试，输出映射关系模型的平均绝对误差，并将平均绝对误差作为适应度值；
适应度值排序单元，用于对各初始特征选择结果对应的适应度值，以及各中间特征选择结果的适应度值进行排序，并根据排序结果对初始化群体进行更新，得到更新群体；
进化代数判断单元，用于获取更新群体对应的当前进化代数，判断当前进化代数是否大于等于预设最大进化代数；
目标特征选择结果确定单元，用于若是，则根据各特征选择结果的适应度值，在更新群体中确定目标特征选择结果；
群体更新单元，用于若否，则根据各适应度值对更新群体进行更新，直至当前进化代数等于预设最大进化代数。
可选的，该装置还包括群体初始化模块，该模块包括：
初始化群体确定单元，用于对预设个体数量的初始特征选择结果进行初始化，并根据初始化后的初始特征选择结果，组成初始化群体。
可选的，该装置还包括分群模块，该模块包括：
初始化群体划分单元，用于将初始化群体划分成预设分群数量个原始群体；
中间结果生成单元，用于分别对各原始群体进行进化，生成多个中间特征选择结果；
中间适应度值确定单元，用于根据各中间特征选择结果对应的历史监测数据，以及Informer模型，确定各中间特征选择结果的适应度值。
本发明实施例所提供的水轮机调速器管理装置可执行本发明任意实施例所提供的水轮机调速器管理方法，具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本申请任意方法实施例中的描述。
实施例五
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，例如水轮机调速器管理方法。
在一些实施例中，水轮机调速器管理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水轮机调速器管理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)而被配置为执行水轮机调速器管理方法。
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。本邻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)

1.一种水轮机调速器管理方法，其特征在于，所述方法包括：
获取水轮机调速器的当前监测数据，并对所述当前监测数据进行特征选择，得到预设个体数量的初始特征选择结果；
获取各所述初始特征选择结果对应的历史监测数据，并根据所述历史监测数据对长序列预测Informer模型进行训练，得到映射关系模型；
根据所述映射关系模型，确定各所述初始特征选择结果对应的适应度值，并根据各所述适应度值，确定目标特征选择结果；
根据所述目标特征选择结果，确定所述水轮机调速器在预设时段后的状态预测结果，以根据所述状态预测结果对水轮机调速器进行管理。
2.根据权利要求1所述的方法，其特征在于，所述根据所述历史监测数据对Informer模型进行训练，得到映射关系模型，包括：
获取所述历史监测数据对应的时间序列，并根据所述时间序列将所述历史监测数据划分成训练集和测试集；
根据所述训练集对所述Informer模型进行训练，得到映射关系模型。
3.根据权利要求2所述的方法，其特征在于，所述根据所述映射关系模型，确定各所述初始特征选择结果对应的适应度值，包括：
根据所述测试集对所述映射关系模型进行测试，输出所述映射关系模型的平均绝对误差，并将所述平均绝对误差作为适应度值。
4.根据权利要求1所述的方法，其特征在于，在对所述当前监测数据进行特征选择，得到预设个体数量的初始特征选择结果之后，还包括：
对所述预设个体数量的初始特征选择结果进行初始化，并根据初始化后的初始特征选择结果，组成初始化群体。
5.根据权利要求4所述的方法，其特征在于，在根据所述映射关系模型，确定各所述初始特征选择结果对应的适应度值之后，还包括：
将所述初始化群体划分成预设分群数量个原始群体；
分别对各所述原始群体进行进化，生成多个中间特征选择结果；
根据各所述中间特征选择结果对应的历史监测数据，以及Informer模型，确定各所述中间特征选择结果的适应度值。
6.根据权利要求5所述的方法，其特征在于，所述根据各所述适应度值，确定目标特征选择结果，包括：
对各所述初始特征选择结果对应的适应度值，以及各所述中间特征选择结果的适应度值进行排序，并根据排序结果对所述初始化群体进行更新，得到更新群体；
获取所述更新群体对应的当前进化代数，判断所述当前进化代数是否大于等于预设最大进化代数；
若是，则根据各所述特征选择结果的适应度值，在所述更新群体中确定目标特征选择结果；
若否，则根据各所述适应度值对所述更新群体进行更新，直至所述当前进化代数等于预设最大进化代数。
7.一种水轮机调速器管理装置，其特征在于，所述装置包括：
初始特征选择模块，用于获取水轮机调速器的当前监测数据，并对所述当前监测数据进行特征选择，得到预设个体数量的初始特征选择结果；
模型训练模块，用于获取各所述初始特征选择结果对应的历史监测数据，并根据所述历史监测数据对Informer模型进行训练，得到映射关系模型；
目标特征确定模块，用于根据所述映射关系模型，确定各所述初始特征选择结果对应的适应度值，并根据各所述适应度值，确定目标特征选择结果；
状态预测模块，用于根据所述目标特征选择结果，确定所述水轮机调速器在预设时段后的状态预测结果，以根据所述状态预测结果对水轮机调速器进行管理。
8.一种电子设备，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1-6中任一项所述的水轮机调速器管理方法。
9.一种计算机可读存储介质，其特征在于，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权利要求1-6中任一项所述的水轮机调速器管理方法。
10.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的水轮机调速器管理方法。
CN202311300233.9A 2023-10-09 2023-10-09 一种水轮机调速器管理方法、装置、设备及存储介质 Pending CN117370857A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311300233.9A CN117370857A (zh) 2023-10-09 2023-10-09 一种水轮机调速器管理方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311300233.9A CN117370857A (zh) 2023-10-09 2023-10-09 一种水轮机调速器管理方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN117370857A true CN117370857A (zh) 2024-01-09

Family

ID=89395671

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311300233.9A Pending CN117370857A (zh) 2023-10-09 2023-10-09 一种水轮机调速器管理方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117370857A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117911010A (zh) * 2024-03-19 2024-04-19 南方电网调峰调频发电有限公司检修试验分公司 一种水轮机调速器检修评估设备、方法、装置及介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117911010A (zh) * 2024-03-19 2024-04-19 南方电网调峰调频发电有限公司检修试验分公司 一种水轮机调速器检修评估设备、方法、装置及介质

Similar Documents

Publication Publication Date Title
CN117370857A (zh) 一种水轮机调速器管理方法、装置、设备及存储介质
CN111861023A (zh) 基于统计学的混合风电功率预测方法、装置
Xue et al. Adaptive ultra-short-term wind power prediction based on risk assessment
CN115860383A (zh) 配电网调度方法、装置、电子设备及存储介质
CN114841619A (zh) 隔离开关的状态评估方法、装置、电子设备及介质
CN116523140A (zh) 窃电检测方法、装置、电子设备和存储介质
CN116956203B (zh) 一种变压器分接开关动作特性测量方法及系统
CN117332896A (zh) 多层集成学习的新能源小时间尺度功率预测方法及系统
CN117332897A (zh) 人工智能驱动的新能源小时间尺度功率插值集成预测方法
CN117473384A (zh) 一种电网线路安全约束辨识方法、装置、设备及存储介质
CN116522750A (zh) 一种瓦温预测与异常判定方法、装置、设备及介质
CN116975081A (zh) 一种日志诊断集更新方法、装置、设备及存储介质
CN116562156A (zh) 一种控制决策模型的训练方法、装置、设备及存储介质
CN115185804A (zh) 服务器性能预测方法、系统、终端及存储介质
Deng et al. Daily Water Demand Prediction Driven by Multi-source Data
CN116070138B (zh) 一种抽水蓄能机组的状态监测方法、装置、设备及介质
CN116757679B (zh) 检修策略的确定方法、装置、电子设备及存储介质
Lu et al. A Data-Driven Framework Based on Deep Learning with Self-Attention Mechanism for Fault Detection in Power Distribution Networks
CN117251809A (zh) 电网时序数据异常检测方法、装置、设备和存储介质
CN117767289A (zh) 微电网能量调度的确定方法、装置、电子设备及存储介质
CN116845287A (zh) 一种燃料电池的测试数据预测方法、装置、设备及介质
CN116933088A (zh) 一种二次设备故障数据生成方法、装置、电子设备及介质
CN115310265A (zh) 一种故障诊断方法、装置、系统、设备及存储介质
CN117878905A (zh) 基于白噪声信号的电网负荷预测方法、装置、设备及介质
CN117455067A (zh) 一种电量消耗预测方法、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