CN117592804A - 一种液化压缩空气储能液化率表征方法、***及电子设备 - Google Patents
一种液化压缩空气储能液化率表征方法、***及电子设备 Download PDFInfo
- Publication number
- CN117592804A CN117592804A CN202311548257.6A CN202311548257A CN117592804A CN 117592804 A CN117592804 A CN 117592804A CN 202311548257 A CN202311548257 A CN 202311548257A CN 117592804 A CN117592804 A CN 117592804A
- Authority
- CN
- China
- Prior art keywords
- liquefaction rate
- liquefaction
- working conditions
- compressed air
- data set
- 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
- 238000012512 characterization method Methods 0.000 title claims abstract description 70
- 238000004146 energy storage Methods 0.000 title claims abstract description 39
- 238000012360 testing method Methods 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 230000007246 mechanism Effects 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 47
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 230000002159 abnormal effect Effects 0.000 description 8
- 238000009825 accumulation Methods 0.000 description 6
- 239000007788 liquid Substances 0.000 description 5
- 238000010276 construction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Separation By Low-Temperature Treatments (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
Abstract
本发明涉及一种液化压缩空气储能液化率表征方法、***及电子设备,包括:根据液化压缩空气储能运行机理,确定与液化率相关的影响因素;采集电站负荷、液化率、液化率相关的影响因素作为历史数据,进行预处理、分类和分解,得到不同工况下的训练数据集和测试数据集;根据训练数据集搭建不同工况下的液化率表征模型;根据电站负荷,对测试数据集进行工况划分,并对测试数据集进行分解,并输入至对应不同工况下的液化率表征模型中,用于评价液化率表征模型的精度,能够时刻监测液化效果,为液化压缩空气储能电站效率提升提供了一种保障措施。
Description
技术领域
本发明属于储能技术领域,具体涉及一种液化压缩空气储能液化率表征方法、***及电子设备。
背景技术
双碳背景下,我国新能源占比快速提高,新能源不稳定性对电网的影响逐步提升,亟需建设大规模长时储能为新型电力***的稳定运行提供关键支撑。压缩空气作为一种长时储能,具有建设周期短、安全性高、安全环保等优点,在在调峰、调频、削峰填谷等辅助服务上有着广泛的应用。液化压缩空气储能作为压缩空气储能的一个重要分支,液化空气储能的储能密度较高,以液化空气的形式进行能量存储,储存装置占地面积较小。因此,空气能否完全液化对***的效率至关重要。
液化压缩空气储能空气介质能否完全液化通常采用液化率表征,液化率是将气态压缩空气储能转化为液态的速率或比例,高液化率意味着更多的压缩空气被转化为液态储存,从而提高储能效率。同时,液化率也影响着***的响应时间,高液化率能够快速将气态空气转化为液态空气储存,从而加快能量的储存和释放过程。液化率的表征方法通常采用机理建模方法,即采用热力学原理和***参数进行建模,建模过程中需充分考虑***的热传导、传热和物质平衡等因素以及***过程中的能量损失,影响因素较为复杂,模型精度受机理模型影响较大。为此,开展基于数据驱动的液化压缩空气储能液化率的表征是当前亟需解决的问题。
发明内容
为了克服现有技术存在的上述问题,本发明提供一种液化压缩空气储能液化率表征方法、***及电子设备,能够时刻监测液化效果,为液化压缩空气储能电站效率提升提供了一种保障措施,用于解决目前存在的技术问题。
一种液化压缩空气储能液化率表征方法,所述方法包括如下步骤:
S1.根据液化压缩空气储能运行机理,确定与液化率相关的影响因素;
S2.采集电站负荷、液化率、所述影响因素作为第一历史数据,并对第一历史数据进行预处理,得到第二历史数据;
S3.对所述第二历史数据进行分类,确定不同的运行工况,并得到不同工况下的第三历史数据;
S4.对所述第三历史数据进行分解,并将分解后的数据随机划分,得到不同工况下的训练数据集和测试数据集;
S5.根据训练数据集搭建不同工况下的液化率表征模型;
S6.对测试数据集进行工况划分,并对测试数据集进行分解,并输入至对应不同工况下的液化率表征模型中,用于评价所述液化率表征模型,其中,S2和S3顺序可调换。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述与液化率相关的影响因素包括蓄冷装置出口压力、蓄冷装置出口温度、节流前温度、节流前压力以及节流前空气流量。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述不同工况为根据采集的电站负荷进行划分,分为T个工况,T为正整数。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,S4中分解采用经验模态分解方法,将所述第三历史数据进行分解后,进行随机划分,得到不同工况下的训练数据集和测试数据集。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述液化率表征模型根据所述训练数据集搭建,采用宽度学习方法来实现,所述液化率表征模型的输入层为液化率影响因素,输出层为液化率。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述宽度学习方法包括如下步骤:将输入的训练数据集中的数据映射为特征节点矩阵,并通过增强变换转化为增强节点矩阵;然后将特征节点矩阵和增强节点矩阵组合成新的输入,进而构建新的输入与输出之间的关系。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,将所述测试数据集进行工况划分,得到T个工况下的测试数据集,并对测试数据集进行分解,将分解后的数据输入至对应工况下的液化率表征模型中,从而来评价不同工况下的液化率表征模型的精度。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述评价采用决定系数来表达,若决定系数大于等于0.9,表明该表征模型精度高,能够用于后续评价;若决定系数小于0.9,则需要重新训练该表征模型。
本发明还提供了一种液化压缩空气储能液化率表征***,所述***用于实现所述的方法,包括:
确定模块,用于根据液化压缩空气储能运行机理,确定与液化率相关的影响因素;
预处理模块,用于采集电站负荷、液化率、所述影响因素作为第一历史数据,并对第一历史数据进行预处理,得到第二历史数据;
分类模块,用于对所述第二历史数据进行分类,确定不同的运行工况,并得到不同工况下的第三历史数据;
分解模块,用于对所述第三历史数据进行分解,并将分解后的数据随机划分,得到不同工况下的训练数据集和测试数据集;
搭建模块,用于根据训练数据集搭建不同工况下的液化率表征模型;
评价模块,用于对测试数据集进行工况划分,并对测试数据集进行分解,并输入至对应不同工况下的液化率表征模型中,用于评价液化率表征模型的精度。
本发明还提供了一种电子设备,所述电子设备包括:
存储器,存储有可执行指令;
处理器,所述处理器运行所述存储器中的所述可执行指令,以实现所述的方法。
本发明的有益效果
与现有技术相比,本发明有如下有益效果:
本发明的液化压缩空气储能液化率表征方法,包括:根据液化压缩空气储能运行机理,确定与液化率相关的影响因素;采集电站负荷、液化率、液化率相关的影响因素作为历史数据,进行预处理、分类和分解,得到不同工况下的训练数据集和测试数据集;根据训练数据集搭建不同工况下的液化率表征模型;根据电站负荷,对测试数据集进行工况划分,并对测试数据集进行分解,并输入至对应不同工况下的液化率表征模型中,用于评价液化率表征模型的精度。
与现有技术相比,本发明具有以下技术效果:
(1)本发明提供了一种液化压缩空气储能液化率表征方法,能够实时监测液化率的变化过程,及时发现液化率异常问题。
(2)本发明充分考虑了在不同工况下的数据特性差异的问题,建立了多个液化率表征模型,建立模型更符合实际工况,对液化率的表征更具有意义。
(3)本发明采用了经验模态分解方法对数据进行预处理,对于时序数据具有很好的表征作用,尤其是时序数据表现出的不平稳及无规律数据上,经过经验模态分解处理,得到的数据具有更高的信噪比。
(4)本发明还为液化率表征提供了一种液化率表征模型,解决了传统深度学习方法过程复杂、计算量大、计算时间长的问题,能够快速获得液化率数据,保障了液化压缩空气储能实现高效率运行。
附图说明
图1是本发明的方法流程示意图。
具体实施方式
为了更好的理解本发明的技术方案,本发明内容包括但不限于下文中的具体实施方式,相似的技术和方法都应该视为本发明保护的范畴之内。为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
应当明确,本发明所描述的实施例仅仅是本发明一部分实施例,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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
如图1所示,本发明实施例提供的一种液化压缩空气储能液化率表征方法的流程示意图,具体包括以下步骤:
步骤101,根据液化压缩空气储能运行机理,确定液化率相关的影响因素。
步骤201,采集电站负荷、液化率、液化率影响因素等作为第一历史数据,并对第一历史数据进行预处理,得到高质量的第二历史数据,由于采取的历史数据存在异常数据、缺失数据情形,这些数据会后期建模影响较大,所以需要事先进行预处理,实现后续高精度建模。
步骤301,根据所采集的电站负荷,对第二历史数据进行分类,确定不同的运行工况,并得到不同工况下的第三历史数据,其中本步骤的分类和前一步骤201的预处理两个过程可颠倒,也即先分类再预处理,达到目的是一样的,均是为了后面的高精度建模。
步骤401,对不同工况下的第三历史数据进行经验模态分解,并将分解后的数据随机划分,得到不同工况下的训练数据集和测试数据集,本发明的建模分为二个过程,训练过程和测试过程。训练过程使用训练数据集建立建模模型,测试过程使用测试数据集测试训练过程模型的精度。如果模型精度不够,则需要使用训练数据集重新训练。训练过程和测试过程是往复进行,以获取高精度模型。
步骤501,根据训练数据集搭建不同工况下的宽度学习模型,即液化率表征模型。搭建该学习模型作用是后期使用该模型去预测液化率,能够实时监测液化效果。搭建该模型采用蓄冷装置出口压力、蓄冷装置出口温度、节流前温度、节流前压力以及节流前空气流量这些因素。电站负荷的目的是对历史数据进行分类,液化率数据作为目标值。建立模型需要构建[液化率影响因素液化率]数据对。
步骤601,根据电站负荷,对测试数据集进行工况划分,并对测试数据集进行经验模态分解,并输入至对应工况下的液化率表征模型中,评价液化率表征模型的精度,即本步骤是用测试数据集评价建立的液化率表征模型精度如何,能否使用。
具体的,所述液化率相关的影响因素主要包括蓄冷装置出口压力、蓄冷装置出口温度、节流前温度、节流前压力以及节流前空气流量。
具体的,所述历史数据是从DCS***中采集,采集的数据包括DCS***显示的运行时间、电站负荷、蓄冷装置出口压力、蓄冷装置出口温度、节流前温度、节流前压力、节流前空气流量以及液化率数据,采集时间为当前运行时间往前一年的过往运行数据,如要采集过往一年的历史数据,则运行时间为2022年11月6日00:00:00至2023年11月6日00:00:00。所述数据预处理采用插值方法对异常数据进行替代,异常数据为DCS***自动产生的,电站在运行过程中,由于种种因素,都会产生异常数据,异常数据对后面建模会造成影响,所以需要利用异常数据周边数据点进行插值替代。
具体的,所述不同工况是根据采集的电站负荷数据划分,分为T个工况,并得到T个不同工况下的历史数据,T为正整数。
具体的,所述经验模态分解具体为将步骤403中的第三历史数据分解后得到多个信号分量,不同的信号分量代表不同尺度数据特征。具体而言,对于采集的数据中的时间序列数据x(t),找到x(t)的极大值和极小值点,构成上包络线Umax(t)和下包络线Umin(t),根据上下包络线得到均值m(t),之后计算中间信号h(t)=x(t)-m(t),一个时间序列有多个极大值点和多个极小值点,极大值点构成上包络线,极小值点构成下包络线。均值则为上包络线和对应下包络线之和再除以2得到。判断h(t)是否满足固有模态函数要求,如不满足,重复计算中间信号,使用h(t))代替x(t),根据h(t)=x(t)-m(t)重新计算。
如满足则h(t)为一个固有模态函数,并令c1=h(t),则c1是第一个固有模态函数IMF1。计算残余量,r1=x(t)-c1,使用r当做新的时间序列,重复上述步骤,得到第二个固有模态函数IMF2,迭代进行,得到r2=r1-c2,……,rn=rn-1-cn。当满足设定约束条件时,迭代终止。经过迭代过程,时间序列数据x(t)被分解成n个IMF和一个残余量rn,即式中,x(t)为原始时间序列数据,时间序列数据为“蓄冷装置出口压力、蓄冷装置出口温度、节流前温度、节流前压力以及节流前空气流量”这些影响因素组成的一年历史数据,也即液化率影响因素;t为第t个影响因素;ci(t)为第t个影响因素的第i个固有模态函数IMFi;i为索引值;n为固有模态函数个数;rn(t)为第t个影响因素的第n个残余量。
具体的,所述固有模态函数要求为IMF序列数据极值点和过零点的数目相等或最多相差一个,或者极大值和极小值上下包络线均值为零;所述约束条件为生成的残余量1ri为单调函数或小于预先设定的数值。不同工况下的第三历史数据通过经验模态分解后,进行随机划分,得到不同工况下的训练数据集和测试数据集;所述训练数据集用来训练液化率表征模型,所述测试数据集主要用来测试液化率表征模型的精度。
具体的,所述液化率表征模型主要根据训练数据集搭建,采取的方法为宽度学习方法。所述宽度学习方法是一种基于随机向量函数的算法,将输入数据映射为特征节点矩阵,并通过增强变换转化为增强节点矩阵,由特征节点矩阵和增强节点矩阵组合成新的输入,进而构建新的输入与输出之间的关系。具体的,假设训练数据集为Xp×q,p为训练样本个数,q为训练样本特征参数个数。①Xp×q映射为特征节点矩阵: 为第i组特征映射偏置矩阵;/>为第i组特征映射权重矩阵;/>为输入节点至特征节点层的映射函数;②特征节点矩阵映射为增强节点矩阵:/> 为第j组特征映射偏置矩阵;/>为第j组特征映射权重矩阵;ξj为特征节点层至增强节点的映射函数;③特征节点和增加节点至输出层:Y=Wt[Z1,Z2,…|H1,H2,…],Wt为特征节点和增强节点至输出层的权重矩阵.液化率影响因素为蓄冷装置出口压力、蓄冷装置出口温度、节流前温度、节流前压力以及节流前空气流量,共5个因素。Xp×q就是这些影响因素,即p为训练样本个数,假设有10000个训练样本,则p=10000,q为影响因素个数,q=5。所述液化率表征模型的的输入层为液化率影响因素,输出层为液化率,特征节点矩阵则是随机的,在后期对该模型输入实时的数据,即可得到当前时刻的液化率值。
具体的,采用同样的方法对测试数据集进行工况划分,得到T个工况下的测试数据集,并采用上述经验模态分解方法对测试数据集进行分解,输入至对应工况下的液化率表征模型中,评价液化率表征模型。所述测试数据集液化率表征模型的评价方法采用决定系数,决定系数大于等于0.9,说明表征模型精度高,可以用于后续评价,低于0.9,则需要重新训练该液化率表征模型。
本发明的表征方法,能够实时监测液化率的变化过程,及时发现液化率异常问题;本发明充分考虑了在不同工况下的数据特性差异的问题,建立了,建立模型更符合实际工况,对液化率的表征更具有意义,在本发明的前面采用不同负荷对历史数据进行分类,得到不同的训练数据集和测试数据集,不同负荷表示不同工况,不同的训练数据集训练后则得到不同的液化率评价模型,即根据不同的负荷得到了多种液化率评价模型。
作为公开的实施例,本发明还提供了一种液化压缩空气储能液化率表征***,所述***用于实现本发明所述的方法,包括:
确定模块,用于根据液化压缩空气储能运行机理,确定与液化率相关的影响因素;
预处理模块,用于采集电站负荷、液化率、所述影响因素作为第一历史数据,并对第一历史数据进行预处理,得到第二历史数据;
分类模块,用于根据电站负荷,对所述第二历史数据进行分类,确定不同的运行工况,并得到不同工况下的第三历史数据;
分解模块,用于对所述第三历史数据进行分解,并将分解后的数据随机划分,得到不同工况下的训练数据集和测试数据集;
搭建模块,用于根据训练数据集搭建不同工况下的液化率表征模型;
评价模块,用于根据电站负荷,对测试数据集进行工况划分,并对测试数据集进行分解,并输入至对应不同工况下的液化率表征模型中,用于评价液化率表征模型的精度。
作为公开的实施例,本发明还提供了一种电子设备,所述电子设备包括:
存储器,存储有可执行指令;
处理器,所述处理器运行所述存储器中的所述可执行指令,以实现所述的方法。
上述说明示出并描述了本发明的若干优选实施例,但如前所述,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述申请构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求书的保护范围内。
Claims (10)
1.一种液化压缩空气储能液化率表征方法,其特征在于,所述方法包括如下步骤:
S1.根据液化压缩空气储能运行机理,确定与液化率相关的影响因素;
S2.采集电站负荷、液化率、所述影响因素作为第一历史数据,并对第一历史数据进行预处理,得到第二历史数据;
S3.对所述第二历史数据进行分类,确定不同的运行工况,并得到不同工况下的第三历史数据;
S4.对所述第三历史数据进行分解,并将分解后的数据随机划分,得到不同工况下的训练数据集和测试数据集;
S5.根据训练数据集搭建不同工况下的液化率表征模型;
S6.对所述测试数据集进行工况划分,并对测试数据集进行分解,并输入至对应不同工况下的液化率表征模型中,用于评价所述液化率表征模型,
其中,S2和S3顺序可调换。
2.根据权利要求1所述的液化压缩空气储能液化率表征方法,其特征在于,所述与液化率相关的影响因素包括蓄冷装置出口压力、蓄冷装置出口温度、节流前温度、节流前压力以及节流前空气流量。
3.根据权利要求1所述的液化压缩空气储能液化率表征方法,其特征在于,所述不同工况为根据采集的电站负荷进行划分,分为T个工况,T为正整数。
4.根据权利要求1所述的液化压缩空气储能液化率表征方法,其特征在于,S4中分解采用经验模态分解方法,将所述第三历史数据进行分解后,进行随机划分,得到不同工况下的训练数据集和测试数据集。
5.根据权利要求4所述的液化压缩空气储能液化率表征方法,其特征在于,所述液化率表征模型根据所述训练数据集搭建,采用宽度学习方法来实现,所述液化率表征模型的输入层为液化率影响因素,输出层为液化率。
6.根据权利要求5所述的液化压缩空气储能液化率表征方法,其特征在于,所述宽度学习方法包括如下步骤:将输入的训练数据集中的数据映射为特征节点矩阵,并通过增强变换转化为增强节点矩阵;然后将特征节点矩阵和增强节点矩阵组合成新的输入,进而构建新的输入与输出之间的关系。
7.根据权利要求5所述的液化压缩空气储能液化率表征方法,其特征在于:
将所述测试数据集进行工况划分,得到T个工况下的测试数据集,并对测试数据集进行分解,将分解后的数据输入至对应工况下的液化率表征模型中,从而来评价不同工况下的液化率表征模型的精度。
8.根据权利要求7所述的液化压缩空气储能液化率表征方法,其特征在于,所述评价采用决定系数来表达,若决定系数大于等于0.9,表明该表征模型精度高,能够用于后续评价;若决定系数小于0.9,则需要重新训练该表征模型。
9.一种液化压缩空气储能液化率表征***,其特征在于,所述***用于实现权利要求1-8任一项所述的方法,包括:
确定模块,用于根据液化压缩空气储能运行机理,确定与液化率相关的影响因素;
预处理模块,用于采集电站负荷、液化率、所述影响因素作为第一历史数据,并对第一历史数据进行预处理,得到第二历史数据;
分类模块,用于对所述第二历史数据进行分类,确定不同的运行工况,并得到不同工况下的第三历史数据;
分解模块,用于对所述第三历史数据进行分解,并将分解后的数据随机划分,得到不同工况下的训练数据集和测试数据集;
搭建模块,用于根据训练数据集搭建不同工况下的液化率表征模型;
评价模块,用于对测试数据集进行工况划分,并对测试数据集进行分解,并输入至对应不同工况下的液化率表征模型中,用于评价液化率表征模型的精度。
10.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储有可执行指令;
处理器,所述处理器运行所述存储器中的所述可执行指令,以实现权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311548257.6A CN117592804A (zh) | 2023-11-20 | 2023-11-20 | 一种液化压缩空气储能液化率表征方法、***及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311548257.6A CN117592804A (zh) | 2023-11-20 | 2023-11-20 | 一种液化压缩空气储能液化率表征方法、***及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117592804A true CN117592804A (zh) | 2024-02-23 |
Family
ID=89909311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311548257.6A Pending CN117592804A (zh) | 2023-11-20 | 2023-11-20 | 一种液化压缩空气储能液化率表征方法、***及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117592804A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222453A (zh) * | 2019-06-14 | 2019-09-10 | 中国矿业大学 | 一种基于宽度学习***的压缩机出口参数预测建模方法 |
CN112906974A (zh) * | 2021-03-11 | 2021-06-04 | 东南大学 | 一种负荷电量及其碳排放预测与校验方法 |
CN115201408A (zh) * | 2022-06-13 | 2022-10-18 | 东南大学 | 一种全工况下脱硫出口二氧化硫浓度预测方法 |
US20230145258A1 (en) * | 2021-11-11 | 2023-05-11 | Laboratory Corporation Of America Holdings | Predicting a Diagnostic Test Result From Patient Laboratory Testing History |
CN116204779A (zh) * | 2023-04-19 | 2023-06-02 | 中能建数字科技集团有限公司 | 一种判断储能盐穴运行状态的方法、***及可读存储介质 |
-
2023
- 2023-11-20 CN CN202311548257.6A patent/CN117592804A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222453A (zh) * | 2019-06-14 | 2019-09-10 | 中国矿业大学 | 一种基于宽度学习***的压缩机出口参数预测建模方法 |
CN112906974A (zh) * | 2021-03-11 | 2021-06-04 | 东南大学 | 一种负荷电量及其碳排放预测与校验方法 |
US20230145258A1 (en) * | 2021-11-11 | 2023-05-11 | Laboratory Corporation Of America Holdings | Predicting a Diagnostic Test Result From Patient Laboratory Testing History |
CN115201408A (zh) * | 2022-06-13 | 2022-10-18 | 东南大学 | 一种全工况下脱硫出口二氧化硫浓度预测方法 |
CN116204779A (zh) * | 2023-04-19 | 2023-06-02 | 中能建数字科技集团有限公司 | 一种判断储能盐穴运行状态的方法、***及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220214322A1 (en) | Air pollutants concentration forecasting method and apparatus and storage medium | |
CN109142171B (zh) | 基于特征扩张的融合神经网络的城市pm10浓度预测方法 | |
US11874429B2 (en) | High-temperature disaster forecast method based on directed graph neural network | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
Zhou et al. | Holographic ensemble forecasting method for short-term power load | |
Yang et al. | Hybrid prediction method for wind speed combining ensemble empirical mode decomposition and Bayesian ridge regression | |
CN106251027B (zh) | 基于模糊支持向量分位数回归的电力负荷概率密度预测方法 | |
CN113657662B (zh) | 一种基于数据融合的降尺度风电功率预测方法 | |
CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
CN113361761A (zh) | 一种基于误差修正的短期风电功率集成预测方法及*** | |
CN109412161A (zh) | 一种电力***概率潮流计算方法及*** | |
CN113516271A (zh) | 一种基于时空神经网络的风电集群功率日前预测方法 | |
CN114119273A (zh) | 一种园区综合能源***非侵入式负荷分解方法及*** | |
CN116204779A (zh) | 一种判断储能盐穴运行状态的方法、***及可读存储介质 | |
CN112836876B (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
Ajagunsegun et al. | Machine learning-based system for managing energy efficiency of public buildings: An approach towards smart cities | |
CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及*** | |
CN113111592A (zh) | 一种基于emd-lstm的短期风电功率预测方法 | |
CN110276478B (zh) | 基于分段蚁群算法优化svm的短期风电功率预测方法 | |
CN116542385A (zh) | 一种针对风、光功率预测的集成学习方法及*** | |
CN117592804A (zh) | 一种液化压缩空气储能液化率表征方法、***及电子设备 | |
CN114234392B (zh) | 一种基于改进pso-lstm的空调负荷精细预测方法 | |
CN115796327A (zh) | 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法 | |
CN115481788A (zh) | 相变储能***负荷预测方法及*** | |
CN115271221A (zh) | 一种城市扩展预测方法、装置、介质及设备 |
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 |