CN108898245A - 一种用于风电机组零部件的需求预测方法 - Google Patents
一种用于风电机组零部件的需求预测方法 Download PDFInfo
- Publication number
- CN108898245A CN108898245A CN201810620076.2A CN201810620076A CN108898245A CN 108898245 A CN108898245 A CN 108898245A CN 201810620076 A CN201810620076 A CN 201810620076A CN 108898245 A CN108898245 A CN 108898245A
- Authority
- CN
- China
- Prior art keywords
- neural network
- prediction model
- network
- wind turbines
- forecasting method
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用于风电机组零部件的需求预测方法,该需求预测方法采用BP神经网络预测模型,BP神经网络预测模型对某一种风电机组零部件设备的预期失效并替换的数量进行预测,BP神经网络预测模型通过给定的输入量和输出量训练出能够表达它们之间内在关系的网络,得到一个能够反映出各种影响因素与设备故障之间数量关系的函数,并运用现有的数据预测结果,达到准确预测需求的目标。本发明中的需求预测方法是以专家经验得到需求数量的决策提供理论依据,将零部件需求预测的不确定性和经验判断通过数学模型转化为具有指导意义的可重复的***库存管理方法,帮助风电企业更好地管理仓库,降低库存占用资金,从而达到减少成本的目的。
Description
技术领域
本发明属于新能源发电运行管理技术领域,具体的说是涉及一种用于风电机组零部件的需求预测方法。
背景技术
目前现有技术中风电行业零部件的采购预测方法有三种,主要有基于威布尔分布的可靠性分布模型、马尔可夫模型和蒙特卡洛模型,而风电机的零部件采购决策一直都没有较为***的理论依据,通常靠较为简单的数学模型和大量历史数据来模拟预测未来的设备数量。
基于威布尔分布的可靠性分布模型:此方法通过对产品的一系列数据进行初步分析和数据拟合,建立其寿命模型,再修正模型中的参数最后用模型概率图预测设备寿命。该方法的缺点为:该方法只是从设备损耗角度出发,没有充分考虑运行过程中其他因素对设备使用寿命的影响。
马尔可夫模型:是一种根据已有状态估计未来状态的模型,常用于语音识别、音字转换和人员流动等,该方法基于状态转移矩阵对下一个状态的情况进行预测。该方法的缺点为:通常情况下风电机组的设备故障因素较复杂,所以马尔可夫模型很难达到要求。
蒙特卡洛模型:是一种基于概率和统计理论的计算方法,将大量实验数据用来精确其曲线,得出最大值、最小值、均值和方差。显然,该方法的缺点为:风电机组的历史数据并不能够很好的用于收敛其模型。
目前现有技术中运用于风电零部件需求预测的方法主要就是上面所说的威布尔分布模型、蒙特卡洛模型和马尔可夫模型,这些方法中考虑到影响设备使用寿命的要素大多不全面或者实施的可行性不高。而且现有技术中已有的技术方案只是利用早期的数学模型,计算设备的使用寿命,以此推算出需要更换的设备数量,并没有考虑到影响设备使用寿命的因素和损耗数量之间的关系,所以不能够很好的达到预测目标。
发明内容
本发明为了克服现有技术存在的不足,提供一种用于风电机组零部件的需求预测方法。
本发明是通过以下技术方案实现的:一种用于风电机组零部件的需求预测方法,该需求预测方法采用BP神经网络预测模型,BP神经网络预测模型对某一种风电机组零部件设备的预期失效并替换的数量进行预测,BP神经网络预测模型通过给定的输入量和输出量训练出能够表达它们之间内在关系的网络,得到一个能够反映出各种影响因素与设备故障之间数量关系的函数,并运用现有的数据预测结果,达到准确预测需求的目标。
本发明建立BP神经网络预测模型的具体步骤为:
(1)首先将作为评价指标的影响因素无量纲化,并拟定四个影响因素,影响因素具体包括半年内设备随时间变化而磨损的数量、半年内的发电量、半年内超过极限温度的天数和半年内超过极限风速的次数;
(2)除了影响因素,还需要对目标量进行归一,目标量就是实际运行时半年内需要更换的零部件数量,提供各影响因素及目标量的初始数据,指标归一化后代入BP网络中开始训练,输入向量对应指标,并按照相应训练步骤进行BP网络训练;
(3)最后进行网络的检验和预测,BP神经网络预测模型训练完成后再将几组输入向量递送至网络,运行后比较误差以对网络进行检验,检验合格后利用现有的待预测数据预测未来运行周期内零部件的需求情况。
本发明中的需求预测方法将零部件需求预测的不确定性和经验判断通过数学模型转化为具有指导意义和可重复的***库存管理方法,利用BP神经网络预测模型研究输入量和输出量之间的关系,以内因为主外因为辅的原则构造神经网络,让网络自行学习训练出符合的内部函数以匹配给定值。
本发明中使用的BP神经网络预测模型在内部根据初始数据的属性自行确定所需参数,只需将所有数据全部输入至网络即可得到训练模型,BP神经网络预测模型能够对现有的影响因素进行删减和改动。
本发明旨在提供一种风电机组零部件数量的预测模型,其能够对某一种设备的预期失效并替换的数量进行预测,从而使风电机组的管理运行维护工作更加高效,减少库存成本,优化库存管理。
本发明需求预测方法中采用的预测模型BP神经网络预测模型,BP网络BackPropagation是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一,BP网络能够学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。
本发明中的需求预测方法主要为采用BP神经网络预测模型,其通过给定的输入量和输出量训练出能够表达它们之间内在关系的网络,也就是得到一个能反映出各种影响因素与设备故障数量关系的函数,并用现有数据预测结果。各种影响因素例如在设备使用过程中本身的固有损耗和其他外界环境的影响因素,充分考虑到内在和外在因素的综合影响对设备使用寿命的损耗,达到相对准确预测需求的目标。
本发明的有益效果是:本发明中的需求预测方法是以专家经验得到需求数量的决策提供理论依据,将零部件需求预测的不确定性和经验判断通过数学模型转化为具有指导意义的可重复的***库存管理方法。本发明用于风电机组零部件的需求预测方法使风电企业对未来不同时间跨度内的备件需求数量有一个清楚的认识,帮助风电企业更好地管理仓库,降低库存占用资金,从而达到减少成本的目的。
本发明采用了从未被运用于风电产业零部件需求预测的BP神经网络模型预测方法,为该产业的库存优化与管理提供了较为精确的分析预测模型。本发明利用BP神经网络研究输入量和输出量之间的关系,充分考虑到设备随时间损耗的程度和其他外部作用对设备使用寿命的影响情况,以内因为主、外因为辅的原则构造神经网络,让网络自行学习训练出符合的内部函数以匹配给定值。不仅如此,神经网络因其特有的属性,还可以对现有的影响因素进行删减和改动,从而大大提高了模型的灵活性和实用性。
本发明与现有技术相比的创新性在于:本发明运用的是神经网络预测模型,该模型可以在内部根据初始数据的属性自行确定所需参数,其强大的自学习功能能够分析出任意一点微小的差别并进行修改。而且本发明采用的神经网络模型不需要人为提供影响因素,也不需要从众多因素中挑选出可能的影响要素,只需将所有数据全部输入至网络即可得到训练模型,有效减少了人为因素的干扰。本发明充分考虑到影响设备使用寿命的因素和损耗数量之间的关系,利用BP神经网络达到预测目标。本发明中的需求预测方法主要应用于风电产业零部件的需求预测,能够为风电产业提供准确可靠的预测模型。
具体实施方式
以下结合具体实施方式对本发明作详细描述。
本发明公开了一种用于风电机组零部件的需求预测方法,该需求预测方法采用BP神经网络预测模型,BP神经网络预测模型对某一种风电机组零部件设备的预期失效并替换的数量进行预测,BP神经网络预测模型通过给定的输入量和输出量训练出能够表达它们之间内在关系的网络,得到一个能够反映出各种影响因素与设备故障之间数量关系的函数,并运用现有的数据预测结果,达到准确预测需求的目标。
本发明建立BP神经网络预测模型的具体步骤为:(1)首先将作为评价指标的影响因素无量纲化,并拟定四个影响因素,影响因素具体包括半年内设备随时间变化而磨损的数量、半年内的发电量、半年内超过极限温度的天数和半年内超过极限风速的次数;(2)除了影响因素,还需要对目标量进行归一,目标量就是实际运行时半年内需要更换的零部件数量,提供各影响因素及目标量的初始数据,指标归一化后代入BP网络中开始训练,输入向量对应指标,并按照相应训练步骤进行BP网络训练;(3)最后进行网络的检验和预测,BP神经网络预测模型训练完成后再将几组输入向量递送至网络,运行后比较误差以对网络进行检验,检验合格后利用现有的待预测数据预测未来运行周期内零部件的需求情况。
本发明中的需求预测方法将零部件需求预测的不确定性和经验判断通过数学模型转化为具有指导意义和可重复的***库存管理方法,利用BP神经网络预测模型研究输入量和输出量之间的关系,以内因为主外因为辅的原则构造神经网络,让网络自行学习训练出符合的内部函数以匹配给定值。BP神经网络预测模型在内部根据初始数据的属性自行确定所需参数,只需将所有数据全部输入至网络即可得到训练模型,BP神经网络预测模型能够对现有的影响因素进行删减和改动。
实施例:现以断路器为例,对其进行需求预测。首先,将影响断路器使用寿命的各种原因分为内因和外因两大类,其中内因是主要影响因素。以往也有研究人员针对风电机组的零部件进行需求预测,以达到优化库存的作用,基于威布尔分布的可靠性分布模型发挥了重要作用。设备的失效曲线,也就是“浴盆曲线”,能够清楚的反映某设备损坏个数与工作时间的关系,本发明取某时刻的风电机组断路器失效数来研究。
1、将影响因素也就是评价指标无量纲化。拟定四个影响因素:半年内设备随时间变化而磨损的数量(A)、半年内的发电量(B)、半年内超过极限温度的天数(C)、半年内超过极限风速的次数(D)。除了影响因素,还需要对目标量进行归一,也就是实际运行时半年内需要更换的变压器数量(E),初始数据如表一所示:
表一:各影响因素指标的初始数据
组别 | A | B | C | D | E |
1 | 105 | 987 | 38 | 735 | 111 |
2 | 98 | 896 | 43 | 791 | 103 |
3 | 106 | 906 | 40 | 823 | 123 |
4 | 103 | 1004 | 41 | 884 | 119 |
5 | 98 | 1031 | 40 | 840 | 102 |
6 | 99 | 965 | 38 | 837 | 104 |
现有n个训练样本,每一样本含m个指标,初始的信息矩阵为X'=(x'ij)n×m,为消除各指标间的不同量纲,可用(i=1,2,···,n;j=1,2,···,m)。得到无量纲化矩阵:X=(xij)n×m。
初始数据矩阵:
2、指标归一化后可代入网络中开始训练,输入向量对应指标,k和n分别对应矩阵中的n和m,训练步骤如下:
网络输入向量Pk=(a1,a2,···,an);
网络目标向量Tk=(y1,y2,···,yq);
中间层单元输入向量Sk=(s1,s2,···,sp),输出向量Bk=(b1,b2,···,bp);
输出层单元输入向量Lk=(l1,l2,···,lq),输出向量Ck=(c1,c2,···,cq);
输入层至中间层的连接权wij,i=1,2,···,n,j=1,2,···,p;
中间层至输出层的连接权vjt,j=1,2,···,p,t=1,2,···,p;
中间层各单元的输出阈值θj,j=1,2,···,p;
输出层各单元的输出阈值γj,j=1,2,···,p;
参数k=1,2,···,m。
(1)初始化,给每个连接权值wij、vjt、阈值θj与γj赋予区间(-1,1)内随机值;
(2)随机选取一组输入和目标样本 提供给网络;
(3)用输入样本连接权wij和阈值θj计算中间层各单元的输入sj,然后用sj通过传递函数计算中间层各单元的输出bj;
bj=f(sj),j=1,2,···,p;
(4)利用中间层的输出bj、连接权vjt和阈值γj计算输出层各单元的输出Lt,然后通过传递函数计算输出层各单元的响应Ct;
Ct=f(Lt),t=1,2,···,q;
(5)利用网络目标向量网络实际输出Ct,计算输出层的各单元一般化误差
(6)利用连接权vjt、输出层的一般化误差dt和中间层的输出bj计算中间层各单元的一般化误差
(7)利用输出层各单元的一般化误差与中间层各单元的输出bj来修正连接权vjt和阈值γt;
t=1,2,···,q;j=1,2,···,p;0<α<1;
(8)利用中间层各单元的一般化误差输入层各单元的输入Pk=(a1,a2,···,an)来修正连接权vjt和阈值θj。
i=1,2,···,n;j=1,2,···,p;0<β<1;
(9)随机选取下一个学习样本向量提供给网络,返回到步骤(3),直到m个训练样本训练完毕;
(10)重新从m个学习样本中随机选取一组输入和目标样本,返回步骤(3),直到网络全局误差E小于预先设定的一个极小值,即网络收敛;如果学习次数大于预先设定的值,网络就无法收敛;
(11)学习结束。
3、网络的检验和预测:模型训练完成后再将几组输入量递送至网络,运行后比较误差以对网络进行检验,检验合格即可利用现有数据预测未来运行周期内零部件的需求情况,现有待预测数据为:
通过神经网络的预测,我们可以得到目标数据:
整理后可以得到如表2所示数据:
表2:各项指标的预测数据
1 | 2 | 3 | 4 | 5 | 6 | |
随时间损耗数量 | 102 | 100 | 105 | 126 | 108 | 107 |
发电量 | 989 | 897 | 900 | 1020 | 1043 | 956 |
超极限温度天数 | 38 | 40 | 45 | 39 | 43 | 40 |
超极限风速次数 | 725 | 778 | 834 | 876 | 837 | 845 |
预测的需求数量 | 106 | 104 | 106 | 123 | 124 | 114 |
最后应当说明的是,以上内容仅用以说明本发明的技术方案,而非对本发明保护范围的限制,本领域的普通技术人员对本发明的技术方案进行的简单修改或者等同替换,均不脱离本发明技术方案的实质和范围。
Claims (4)
1.一种用于风电机组零部件的需求预测方法,其特征在于:所述需求预测方法采用BP神经网络预测模型,所述BP神经网络预测模型对某一种风电机组零部件设备的预期失效并替换的数量进行预测,所述BP神经网络预测模型通过给定的输入量和输出量训练出能够表达它们之间内在关系的网络,得到一个能够反映出各种影响因素与设备故障之间数量关系的函数,并运用现有的数据预测结果,达到准确预测需求的目标。
2.根据权利要求1所述的一种用于风电机组零部件的需求预测方法,其特征在于:建立所述BP神经网络预测模型的具体步骤为:
(1)首先将作为评价指标的影响因素无量纲化,并拟定四个影响因素,所述影响因素具体包括半年内设备随时间变化而磨损的数量、半年内的发电量、半年内超过极限温度的天数和半年内超过极限风速的次数;
(2)除了影响因素,还需要对目标量进行归一,所述目标量就是实际运行时半年内需要更换的零部件数量,提供各所述影响因素及目标量的初始数据,指标归一化后代入BP网络中开始训练,输入向量对应指标,并按照相应训练步骤进行BP网络训练;
(3)最后进行网络的检验和预测,BP神经网络预测模型训练完成后再将几组输入向量递送至网络,运行后比较误差以对网络进行检验,检验合格后利用现有的待预测数据预测未来运行周期内零部件的需求情况。
3.根据权利要求1或2所述的一种用于风电机组零部件的需求预测方法,其特征在于:所述需求预测方法将零部件需求预测的不确定性和经验判断通过数学模型转化为具有指导意义和可重复的***库存管理方法,利用所述BP神经网络预测模型研究输入量和输出量之间的关系,以内因为主外因为辅的原则构造神经网络,让网络自行学习训练出符合的内部函数以匹配给定值。
4.根据权利要求1或2所述的一种用于风电机组零部件的需求预测方法,其特征在于:所述BP神经网络预测模型在内部根据初始数据的属性自行确定所需参数,只需将所有数据全部输入至网络即可得到训练模型,所述BP神经网络预测模型能够对现有的影响因素进行删减和改动。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810620076.2A CN108898245A (zh) | 2018-06-15 | 2018-06-15 | 一种用于风电机组零部件的需求预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810620076.2A CN108898245A (zh) | 2018-06-15 | 2018-06-15 | 一种用于风电机组零部件的需求预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108898245A true CN108898245A (zh) | 2018-11-27 |
Family
ID=64344943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810620076.2A Pending CN108898245A (zh) | 2018-06-15 | 2018-06-15 | 一种用于风电机组零部件的需求预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108898245A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580812A (zh) * | 2019-09-27 | 2021-03-30 | 北京国双科技有限公司 | 模型训练方法、库存安全预警方法、装置、设备及介质 |
CN113127538A (zh) * | 2021-04-16 | 2021-07-16 | 北京交通大学 | 一种高精度的备件需求预测方法 |
CN113344192A (zh) * | 2021-05-31 | 2021-09-03 | 中国标准化研究院 | 企业级电机***节能优化自动控制方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104951851A (zh) * | 2015-07-08 | 2015-09-30 | 华侨大学 | 一种基于灰关联回归支持向量机的风电机组状态预测模型建立方法 |
CN107886358A (zh) * | 2017-11-08 | 2018-04-06 | 北京理工大学 | 一种农机装备产品服务需求预测方法 |
-
2018
- 2018-06-15 CN CN201810620076.2A patent/CN108898245A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104951851A (zh) * | 2015-07-08 | 2015-09-30 | 华侨大学 | 一种基于灰关联回归支持向量机的风电机组状态预测模型建立方法 |
CN107886358A (zh) * | 2017-11-08 | 2018-04-06 | 北京理工大学 | 一种农机装备产品服务需求预测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580812A (zh) * | 2019-09-27 | 2021-03-30 | 北京国双科技有限公司 | 模型训练方法、库存安全预警方法、装置、设备及介质 |
CN113127538A (zh) * | 2021-04-16 | 2021-07-16 | 北京交通大学 | 一种高精度的备件需求预测方法 |
CN113127538B (zh) * | 2021-04-16 | 2024-02-09 | 北京交通大学 | 一种高精度的备件需求预测方法 |
CN113344192A (zh) * | 2021-05-31 | 2021-09-03 | 中国标准化研究院 | 企业级电机***节能优化自动控制方法及*** |
CN113344192B (zh) * | 2021-05-31 | 2022-01-11 | 中国标准化研究院 | 企业级电机***节能优化自动控制方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110007652A (zh) | 一种水电机组劣化趋势区间预测方法与*** | |
CN110826774B (zh) | 母线负荷预测方法、装置、计算机设备及存储介质 | |
CN108898245A (zh) | 一种用于风电机组零部件的需求预测方法 | |
Moradzadeh et al. | A secure federated deep learning-based approach for heating load demand forecasting in building environment | |
Dong et al. | Wind power prediction based on multi-class autoregressive moving average model with logistic function | |
CN111897240B (zh) | 一种基于核动力***运行的仿真方法及*** | |
Jahangoshai Rezaee et al. | Integrating neuro-fuzzy system and evolutionary optimization algorithms for short-term power generation forecasting | |
Zhang et al. | Research on AGC performance during wind power ramping based on deep reinforcement learning | |
Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
CN108694479A (zh) | 考虑天气对检修间隔时间影响的配电网可靠性预测方法 | |
Pousinho et al. | Application of adaptive neuro‐fuzzy inference for wind power short‐term forecasting | |
Zeng et al. | Distributed deep reinforcement learning-based approach for fast preventive control considering transient stability constraints | |
Li et al. | Aircraft failure rate prediction method based on CEEMD and combined model | |
Zhang et al. | Partition fault diagnosis of power grids based on improved PNN and GRA | |
Yan et al. | Reliability prediction of CNC machine tool spindle based on optimized cascade feedforward neural network | |
Li et al. | A hybrid learning method for the data-driven design of linguistic dynamic systems | |
Vukobratović et al. | Optimal Distributed Generation placement in distribution network | |
Eltyshev et al. | Influence of fuzzy clustering on the accuracy of electrical equipment diagnostic models | |
Li et al. | Multiagent deep meta reinforcement learning for sea computing-based energy management of interconnected grids considering renewable energy sources in sustainable cities | |
Ding et al. | A statistical upscaling approach of region wind power forecasting based on combination model | |
Xu et al. | A classified identification deep-belief network for predicting electric-power load | |
Nakawiro et al. | A hybrid method for voltage stability constrained optimal reactive power dispatch | |
CN114386631A (zh) | 电力负荷故障的抢修方法、装置及电子设备 | |
Bhurtun et al. | Short term load forecasting in Mauritius using Neural Network | |
Shahzad | Artificial neural network for transient stability assessment: A review |
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 |