CN114065460A - 火电发电***中模型处理方法、存储介质和电子装置 - Google Patents
火电发电***中模型处理方法、存储介质和电子装置 Download PDFInfo
- Publication number
- CN114065460A CN114065460A CN202010767893.8A CN202010767893A CN114065460A CN 114065460 A CN114065460 A CN 114065460A CN 202010767893 A CN202010767893 A CN 202010767893A CN 114065460 A CN114065460 A CN 114065460A
- Authority
- CN
- China
- Prior art keywords
- model
- models
- controlled object
- data
- precision
- 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
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Feedback Control In General (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请实施例公开了一种火电发电***中模型处理方法、存储介质和电子装置。所述方法包括:确定输入/输出信号均为时序信号的热工对象作为被控对象;建立模型库、算法库、可视化人机交互界面;从算法库内选择数据处理算法对被控对象输入输出测点的历史数据进行挖掘得到适用于辨识的数据;根据先验知识及专家经验从算法库内选择模型结构、算法,设置合适的超参数范围,进行辨识计算并完成精度低于预设阈值的模型的自动剔除;在得到被控对象的高精度复杂模型后,对高精度复杂模型加阶跃信号,得到高精度复杂模型的阶跃响应;通过对高精度复杂模型的阶跃响应进行处理,将高精度复杂模型向线性模型进行转换,得到被控对象的热工过程传递函数模型。
Description
技术领域
本申请实施例涉及信息处理领域,尤指一种火电发电***中模型处理方法、存储介质和电子装置。
背景技术
未来火力发电机组能够承担电力供应的主要角色,且能电网最重要的一、二次调频及深度调峰的要求。当前火电机组控制***的主要问题集中反映在生产控制环节。由于目前生产控制环节仅停留在数字化和信息化阶段,智能技术应用不多。随着机器学习、深度学习为代表的人工智能技术在图像识别、文本分析、自然语言处理等领域取得了令人惊叹的效率提升,推进工业与制造领域重大需求和人工智能技术成果相结合成为趋势,智能发电的概念应运而生。
目前,智能发电技术的重点是对发电过程生产数据的深度分析和辨识。在人工智能领域,***建模是研究对***输入输出进行数学建模的领域,可以作为对发电过程生产数据进行处理。
相关技术中***建模的方法包括如下三种:
1、机理模型,具有较明确的物理意义,能够反映过程的主要动态特性,模型按复杂度高低可以表示为偏微分形式,微分形式,或者代数形式,一般来说,精度高的模型复杂度也会高。
目前存在的问题是针对不同的火电机组需设计特定的模型,建模成本高,由于公式的非线性程度较高,参数寻优容易陷入局部最优;
2、线性回归模型,主要有CARMA、CARIMA等模型结构,参数估计算法通常采用最小二乘法,对输入信号激励有明确要求,理论发展完善,容易进行先进控制算法的控制率求解,但较为适用于线性度较高的应用场景;
3、非线性模型结构,如机器学习、神经网络模型,只是从总体上来描述并预测***行为,内部参数没有物理意义,优点是非线性拟合精度高,缺点是模型权值参数多,计算耗时长,容易陷入局部最优。
基于上述分析可以看出,相关技术中的***建模方案在应用到火电发电的应用场景时均存在一定缺陷。
发明内容
为了解决上述任一技术问题,本申请实施例提供了一种火电发电***中模型处理方法、存储介质和电子装置。
为了达到本申请实施例目的,本申请实施例提供了一种火电发电***中模型处理方法,包括:
确定输入/输出信号均为时序信号的热工对象作为被控对象;
建立模型库、算法库、可视化人机交互界面;
从算法库内选择数据处理算法对被控对象输入输出测点的历史数据进行挖掘得到适用于辨识的数据;
根据先验知识及专家经验从算法库内选择模型结构、算法,设置合适的超参数范围,进行辨识计算并完成精度低于预设阈值的模型的自动剔除;
在得到所述被控对象的高精度复杂模型后,对所述高精度复杂模型加阶跃信号,得到所述高精度复杂模型的阶跃响应;
通过对所述高精度复杂模型的阶跃响应进行处理,将所述高精度复杂模型向线性模型进行转换,得到所述被控对象的热工过程传递函数模型。
一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上文所述的方法。
一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上文所述的方法。
上述技术方案中的一个技术方案具有如下优点或有益效果:
通过确定输入/输出信号均为时序信号的热工对象作为被控对象,在得到所述被控对象的高精度复杂模型后,对所述高精度复杂模型加阶跃信号,得到所述高精度复杂模型的阶跃响应,通过对所述高精度复杂模型的阶跃响应进行处理,将所述高精度复杂模型向线性模型进行转换,得到所述被控对象的热工对象模型,实现利用阶跃响应降低模型复杂度的目的,方便投入使用。
本申请实施例的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请实施例而了解。本申请实施例的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本申请实施例技术方案的进一步理解,并且构成说明书的一部分,与本申请实施例的实施例一起用于解释本申请实施例的技术方案,并不构成对本申请实施例技术方案的限制。
图1为本申请实施例提供的火电发电***中模型处理方法的流程图;
图2为本申请实施例提供的火电厂设备控制模型识别方法的示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚明白,下文中将结合附图对本申请实施例的实施例进行详细说明。需要说明的是,在不冲突的情况下,本申请实施例中的实施例及实施例中的特征可以相互任意组合。
图1为本申请实施例提供的火电发电***中模型处理方法的流程图。如图1所示,所述方法包括:
步骤101、确定输入/输出信号均为时序信号的热工对象作为被控对象;
在一个示例性实施例中,火力发电的控制***中的模拟量***的输入输出信号为时序信号,可以将该模拟量***作为热工对象。
步骤102、从算法库内选择数据处理算法对被控对象输入输出测点的历史数据进行挖掘得到适用于辨识的数据;
步骤103、根据先验知识及专家经验从算法库内选择模型结构、算法,设置合适的超参数范围,进行辨识计算并完成精度低于预设阈值的模型的自动剔除;
步骤104、在得到所述被控对象的高精度复杂模型后,对所述高精度复杂模型加阶跃信号,得到所述高精度复杂模型的阶跃响应;
在一个示例性实施例中,由于确定的被控对象的模型的精度高且复杂度高,通过获取阶跃响应可以为后续降低模型的复杂度提供支持。
步骤105、通过对所述高精度复杂模型的阶跃响应进行处理,将所述高精度复杂模型向线性模型进行转换,得到所述被控对象的热工对象模型。
在一个示例性实施例中,通过对阶跃响应进行处理,将所述高精度复杂模型向实用性线性模型进行转换,由于将模型转换为线性,可以有效降低模型的复杂度,方便日后的使用。
本申请实施例提供的方法,通过确定输入/输出信号均为时序信号的热工对象作为被控对象,从算法库内选择数据处理算法对被控对象输入输出测点的历史数据进行挖掘得到适用于辨识的数据,根据先验知识及专家经验从算法库内选择模型结构、算法,设置合适的超参数范围,进行辨识计算并完成精度低于预设阈值的模型的自动剔除,在得到所述被控对象的高精度复杂模型后,对所述高精度复杂模型加阶跃信号,得到所述高精度复杂模型的阶跃响应,通过对所述高精度复杂模型的阶跃响应进行处理,将所述高精度复杂模型向线性模型进行转换,得到所述被控对象的热工过程传递函数模型,实现利用阶跃响应降低模型复杂度的目的,方便投入使用。
下面对本申请实施例提供的方法进行说明:
图2为本申请实施例提供的火电厂设备控制模型识别方法的示意图。如图2所示,针对上述火力发电机组数据分析应用场景、模型识别方法的现状,本着高效利用历史存储数据、为不同应用场景选择最佳模型识别方法的目的,有必要将基于数据挖掘的可视化人机交互技术引入到***辨识中来,将专家知识与自动辨识计算平台相结合,针对不同对象设计不同的模型结构、选用合适的算法,通过模型精度评估组合视图从不同侧面评估模型性以实现精准建模。
在图2所示方法中,在DCS***上新增大型实时历史数据库、***辨识服务器,利用网络完成数据交互。
图2所示的方法包括如下步骤:
一、历史数据的预处理和挖掘
历史数据库提供CSV格式及通用存储格式的数据,能够满足对任意点、任意时间长度的历史数据的抽取操作;同时,与实时数据库进行对接(如π数据库等)。
以应用的角度出发,从数据质量分析、空白值填充、异常值处理、重采样、变换等几个方面对数据进行预处理。
在一个示例性实施例中,所述确定输入/输出信号均为时序信号的热工对象作为被控对象,包括:
按照热工对象的输入数据在不同时段的持续激励阶次,从历史数据中抽取满足预设的激励阶次条件的数据段;
从所述数据段中选择过程量由稳态转到动态的目标数据段,作为基于G(S)的多变量线性离散状态空间模型执行处理操作所使用的输入数据。
与相关技术中建模方式中需要做建模前的实验设计相比,本申请实施例提供的方法直接从历史运行数据里面将满足辨识要求的数据挖掘出来,提高了建模效率和输入量选择范围,同时不会对生产运行产生不良影响。
在一个示例性实施例中,所述被控对象的纯延时时间是通过如下方式得到的,包括:
调整所被控对象的输入数据的时序曲线与输出数据的时序曲线在时序上的对应关系;
对不同时差的输入数据和输出数据进行配对;
对配对结果执行相互性计算和/或方差计算,得到所述被控对象的纯延时时间。
通过在时间轴上平移输入输出的时序曲线,改变输入输出数据的时序对应关系,通过对不同时差的输入输出数据配对进行相关性分析、方差分析,估计被控对象的纯延时时间,为后续处理的数据提供支持。
基于热工对象的特点,提出以下针对热工对象辨识的数据挖掘步骤,包括:
(1)计算输入信号在历史数据中不同时段的持续激励阶次,结合专家经验设定激励阶次要求,把满足要求的数据段抽取出来;
(2)模型纯迟延预估:通过在时间轴上平移输入输出的时序曲线,改变输入输出数据的时序对应关系,通过对不同时差的输入输出数据配对进行相关性分析、方差分析,估计被控对象的纯延时时间;
(3)初始稳态筛选:筛选出过程量由稳态转到动态的数据段,用于基于G(S)的多变量线性离散状态空间模型辨识;
(4)针对既定条件的筛选:比如工况筛选、动态数据筛选等。
利用上述方式进行数据挖掘,可以保证建模操作所使用的数据能够符合模型特征的需要,更好的完成模型的建立操作。
二、模型类及其对应的参数寻优算法
根据不同的应用场景,从当前研究的大量算法中筛选出具有特定应用价值的算法建立了模型库及算法库,如下:线性***辨识开发了多变量CARIMA(线性受控自回归积分滑动平均过程模型)模型及CARMA模型、基于G(S)的多变量线性离散状态空间模型;非线性***辨识开发了多变量NARX(非线性自回归)模型、基于LSTM的多变量DSSNN(非线性离散状态空间循环神经网络模型)模型。参数寻优算法库包含在线式:递推最小二乘法(RLS)、随机梯度下降法(adam);离线式:批量最小二乘法、粒子群算法(PSO)等等。
在一个示例性实施例中,所述被控对象的至少两个不同结构的模型是通过如下方式得到的,包括:
从预先设置的线性模型库和非线程模型库中分别选择至少一个模型作为备选模型;
利用所述备选模型同时对所述训练集执行训练操作,得到所述被控对象的至少两个不同结构的模型。
考虑到基于机理建模所存在的缺点,本申请实施例提供的方法选择线性模型结构和非线性模型结构中均选择至少一个模型作为备选模型,实现全面覆盖的目的,另外,对选取的多模型实同时训练模型,实现并行训练模型的目的,提高模型训练效率。
在一个示例性实施例中,所述利用所述备选模型同时对所述训练集执行训练操作过程中还包括:
从预先设置的参数寻优策略中选择至少两个策略分别对备选模型所使用的参数执行调整操作。
通过采用不同的策略完成参数寻优,可以更有效地确定参数信息,更快捷地得到模型最优的参数。
三、模型可视化检验及实用线性化处理
利用可视化检验手段实现多层级模型筛选,包括:
在一个示例性实施例中,所述被控对象的高精度复杂模型是通过如下方式确定的,包括:
在得到所述被控对象的至少两个不同结构的模型后,根据预先设置的模型权值综合指标阈值及训练集上均方根误差RMSE阈值,删除异常模型;
对剩余的模型的精度进行排序,得到精度最高的前i个模型,其中i为大于等于2的整数;
对所述i个模型在预先选择的测试集上进行预测操作;
根据预测结果,确定所述被控对象的高精度复杂模型。
首先,根据模型权值综合指标阈值及训练集上RMSE阈值自动剔除异常模型,然后对模型精度进行排序,在模型精度坐标图中展示出精度最高的前n个模型,对这n个模型在多个测试集上进行预测分析,通过模型的综合表现评估其预测效果和泛化能力,进而得到满足应用要求的模型结构。
在一个示例性实施例中,所述对所述i个模型在预先选择的测试集上进行预测操作,包括如下至少一个:
获取所述i个模型对某一单数据段内的预测结果,输出对比图,其中所述对比图包括预测结果的时序趋势信息与原始值变化走势信息;
采用不同的评估策略,对所述i个模型的同一测试数据段的预测结果进行评估,输出所述评估信息的图形信息,其中所述评估策略包括RMSE、R-square、模型输出与实际输出之间的皮尔逊相关性中的至少一个;
选择不同测试数据段上对所述i个模型的每个模型进行评估,输出不同测试数据段的预测信息的对比图。
通过单数据段时序趋势评估,从概览角度可观察原始值变化和预测值变化走势,进而判断模型的优劣;以及,多数据段预测精度评估,从RMSE、R-square、模型输出与实际输出之间的皮尔逊相关性等多方面评估模型识别情况,同时可选择不同测试数据段上对模型进行评估,实现多侧面可视化模型性能评估,更加准确地确定模型的性能。
在一个示例性实施例中,所述对所述高精度复杂模型的阶跃响应进行处理,包括:
利用基于传递函数G(S)的多变量线性离散状态空间模型,对所述高精度复杂模型的阶跃响应进行识别;其中:
其中,K、α表示增益信息,m、n表示阶次信息,β表示微分时间常数,τ表示纯滞后时间常数,T表示惯性时间常数。
在上述示例性实施例中,***辨识的两个目标为高精度模型和易于处理且可靠的数值解。在理论上越精确的方法,往往在数值处理上越困难,尤其是神经网络等非线性模型。怎样破解这一矛盾也是当前需要关注的课题。可视化火电厂设备控制模型识别平台在辨识出高精度复杂模型(如高阶多变量CARIMA模型、基于LSTM的多变量DSSNN模型等)之后,通过对模型加阶跃信号得到模型的阶跃响应,而后对此阶跃响应数据,选定基于G(S)的多变量线性离散状态空间模型结构利用PSO算法进行二次辨识,从而得到经典的热工对象模型结构:G(s),将此模型用于仿真、控制、故障诊断等应用场景,有效避免了繁琐的数值计算问题。
本申请实施例提供的方法,在DCS***上新增部署高效的大型实时历史数据库、***辨识服务器,为实现可视化火电厂设备控制模型识别方法提供硬件平台,2、在***辨识服务器上安装可视化火电厂设备控制模型识别软件,与历史数据库进行数据交互,实现对历史数据的抽取、挖掘、分析、辨识,再对辨识结果进行可视化评估,并用于仿真、控制、故障诊断等应用场景。
本申请实施例提供的方法具有如下优势,包括:
1、部署了丰富实用的数据处理工具、模型类、优化算法、模型检验标准,具备灵活高效的可视化人机交互界面,方便将行业专家知识与模型辨识相融合,实现行业知识与算法的优势互补。
2、与常规建模方式相比,不需要做建模前的实验设计,而是直接从历史运行数据里面将满足辨识要求的数据挖掘出来,提高了建模效率和输入量选择范围,同时不会对生产运行产生不良影响。
3、可通过专家知识设定模型的超参数范围,实现多模型结构同时训练的目的,然后利用可视化检验手段实现多层级模型筛选,自动剔除不满足精度要求的模型。
4、多侧面可视化模型性能评估:(1)单数据段时序趋势评估,从概览角度可观察原始值变化和预测值变化走势,进而判断模型的优劣;(2)多数据段预测精度评估,从RMSE、R-square、模型输出与实际输出之间的皮尔逊相关性等多方面评估模型识别情况,同时可选择不同测试数据段上对模型进行评估。
5、模型的实用化处理:为满足后续工程应用,对复杂模型进行简化处理。可视化火电厂设备控制模型识别平台在辨识出高精度复杂模型之后,通过对模型加阶跃信号得到模型的阶跃响应,而后对此阶跃响应数据,选定基于G(S)的多变量线性离散状态空间模型结构利用PSO算法进行二次辨识,从而得到经典的热工对象模型结构,将此模型用于仿真、控制、故障诊断等应用场景,有效避免了繁琐的数值计算问题。
本申请实施例提供一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上文任一项中所述的方法。
本申请实施例提供一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上文任一项中所述的方法。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、***、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器,如数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
Claims (10)
1.一种火电发电***中模型处理方法,包括:
确定输入/输出信号均为时序信号的热工对象作为被控对象;
建立模型库、算法库、可视化人机交互界面;
从算法库内选择数据处理算法对被控对象输入输出测点的历史数据进行挖掘得到适用于辨识的数据;
根据先验知识及专家经验从算法库内选择模型结构、算法,设置合适的超参数范围,进行辨识计算并完成精度低于预设阈值的模型的自动剔除;
在得到所述被控对象的高精度复杂模型后,对所述高精度复杂模型加阶跃信号,得到所述高精度复杂模型的阶跃响应;
通过对所述高精度复杂模型的阶跃响应进行处理,将所述高精度复杂模型向线性模型进行转换,得到所述被控对象的热工过程传递函数模型。
3.根据权利要求2所述的方法,其特征在于,所述确定输入/输出信号均为时序信号的热工对象作为被控对象,包括:
按照热工对象的输入数据在不同时段的持续激励阶次,从历史数据中抽取满足预设的激励阶次条件的数据段;
从所述数据段中选择过程量由稳态转到动态的目标数据段,作为基于G(S)的多变量线性离散状态空间模型执行处理操作所使用的输入数据。
4.根据权利要求2所述的方法,其特征在于,所述被控对象的纯延时时间是通过如下方式得到的,包括:
调整所被控对象的输入数据的时序曲线与输出数据的时序曲线在时序上的对应关系;
对不同时差的输入数据和输出数据进行配对;
对配对结果执行相互性计算和/或方差计算,得到所述被控对象的纯延时时间。
5.根据权利要求1所述的方法,其特征在于,所述被控对象的高精度复杂模型是通过如下方式确定的,包括:
在得到所述被控对象的至少两个不同结构的模型后,根据预先设置的模型权值综合指标阈值及训练集上均方根误差RMSE阈值,删除异常模型;
对剩余的模型的精度进行排序,得到精度最高的前i个模型,其中i为大于等于2的整数;
对所述i个模型在预先选择的测试集上进行预测操作;
根据预测结果,确定所述被控对象的高精度复杂模型。
6.根据权利要求5所述的方法,其特征在于,所述对所述i个模型在预先选择的测试集上进行预测操作,包括如下至少一个:
获取所述i个模型对某一单数据段内的预测结果,输出对比图,其中所述对比图包括预测结果的时序趋势信息与原始值变化走势信息;
采用不同的评估策略,对所述i个模型的同一测试数据段的预测结果进行评估,输出所述评估信息的图形信息,其中所述评估策略包括RMSE、R-square、模型输出与实际输出之间的皮尔逊相关性中的至少一个;
选择不同测试数据段上对所述i个模型的每个模型进行评估,输出不同测试数据段的预测信息的对比图。
7.根据权利要求5所述的方法,其特征在于,所述被控对象的至少两个不同结构的模型是通过如下方式得到的,包括:
从预先设置的线性模型库和非线程模型库中分别选择至少一个模型作为备选模型;
利用所述备选模型同时对所述训练集执行训练操作,得到所述被控对象的至少两个不同结构的模型。
8.根据权利要求7所述的方法,其特征在于,所述利用所述备选模型同时对所述训练集执行训练操作过程中还包括:
从预先设置的参数寻优策略中选择至少两个策略分别对备选模型所使用的参数执行调整操作。
9.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至8任一项中所述的方法。
10.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至8任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010767893.8A CN114065460A (zh) | 2020-08-03 | 2020-08-03 | 火电发电***中模型处理方法、存储介质和电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010767893.8A CN114065460A (zh) | 2020-08-03 | 2020-08-03 | 火电发电***中模型处理方法、存储介质和电子装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114065460A true CN114065460A (zh) | 2022-02-18 |
Family
ID=80231584
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010767893.8A Pending CN114065460A (zh) | 2020-08-03 | 2020-08-03 | 火电发电***中模型处理方法、存储介质和电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114065460A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114583767A (zh) * | 2022-03-10 | 2022-06-03 | 中国电力科学研究院有限公司 | 一种数据驱动的风电场调频响应特性建模方法及*** |
-
2020
- 2020-08-03 CN CN202010767893.8A patent/CN114065460A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114583767A (zh) * | 2022-03-10 | 2022-06-03 | 中国电力科学研究院有限公司 | 一种数据驱动的风电场调频响应特性建模方法及*** |
CN114583767B (zh) * | 2022-03-10 | 2023-03-17 | 中国电力科学研究院有限公司 | 一种数据驱动的风电场调频响应特性建模方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111210024B (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
CN108564326B (zh) | 订单的预测方法及装置、计算机可读介质、物流*** | |
CN110390425A (zh) | 预测方法以及装置 | |
CN111950810B (zh) | 一种基于自演化预训练的多变量时间序列预测方法和设备 | |
US20230420938A1 (en) | Load forecasting for electrical equipment using machine learning | |
CN112085285A (zh) | 母线负荷预测方法、装置、计算机设备和存储介质 | |
CN111126707B (zh) | 能耗方程构建、能耗预测方法与装置 | |
Porteiro et al. | Short term load forecasting of industrial electricity using machine learning | |
CN111725811A (zh) | 确定安全约束最优电力潮流 | |
Lum et al. | Industrial electrical energy consumption forecasting by using temporal convolutional neural networks | |
Chapaloglou et al. | Data-driven energy management of isolated power systems under rapidly varying operating conditions | |
CN114065460A (zh) | 火电发电***中模型处理方法、存储介质和电子装置 | |
CN110750455A (zh) | 基于***日志分析的智能在线自更新故障诊断方法和*** | |
CN112734141A (zh) | 一种多元化负荷区间预测方法及装置 | |
CN112949201A (zh) | 一种风速预测方法、装置、电子设备及存储介质 | |
JP2009076036A (ja) | プロセスの状態予測方法 | |
CN115759455A (zh) | 一种基于时序高斯混合密度网络的负荷概率密度预测方法 | |
Owda et al. | Using artificial neural network techniques for prediction of electric energy consumption | |
CN114742258B (zh) | 可迁移的居民家庭用电负荷场景预测方法 | |
CN113487080B (zh) | 一种基于风速分类的风速动态场景生成方法、***及终端 | |
CN114169704B (zh) | 产品生产过程质量控制方法、装置、设备及存储介质 | |
US11623767B2 (en) | Relational time-series classification method and system for corrosion maintenance dispatch | |
Olena et al. | EXTRACTION OF PRECEDENTS USING THE NEAREST NEIGHBOR METHOD | |
CN117638938A (zh) | 电力***的控制方法、装置及电子设备 | |
CN117436911A (zh) | 基于Bagging的输变电工程造价预测方法及终端 |
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 |