Une nouvelle méthode pour le réglage de l'axe de l'hydro

Dec 18, 2023

Rapports scientifiques volume 13, Numéro d'article : 2935 (2023) Citer cet article

878 accès

1 Altmétrique

Détails des métriques

La qualité et l'efficacité de l'énergie de la centrale hydroélectrique dépendent du fonctionnement stable de l'unité hydro-génératrice, qui doit continuer à fonctionner et est sujette à une défaillance de l'axe. Par conséquent, adopter une technologie de réglage d'axe efficace pour éliminer les défauts. Cet article propose une nouvelle méthode d'ajustement de l'axe de l'unité hydro-génératrice basée sur un modèle de prédiction de gris amélioré et un réseau de neurones d'optimisation de l'intelligence des essaims. Tout d'abord, il propose une méthode de translation d'accélération de séquence et de transformation de valeur moyenne, qui est utilisée pour pré-traiter la séquence d'oscillation totale nette de l'axe qui présente des fluctuations oscillantes. Il utilise la transformation des facteurs e1 et e2 pour établir un modèle amélioré de prédiction du gris de l'oscillation totale nette de l'axe. Ensuite, l'algorithme de recherche de flamants roses avancé est utilisé pour rechercher la valeur maximale de la fonction sinusoïdale du pendule total net de l'axe, et l'orientation d'ajustement de l'axe est obtenue. Cette méthode résout le problème selon lequel GM (1, 1) ne peut être prédit que par une séquence monotone dans le passé et le problème selon lequel l'algorithme de recherche est facile à tomber dans l'optimum local, améliore efficacement l'efficacité de calcul de l'axe et raccourcit le temps de recherche. Des exemples de simulation montrent que la méthode proposée peut améliorer considérablement la précision du réglage des axes. Cette méthode améliore considérablement l'efficacité de la recherche d'azimut pour le réglage de l'axe.

L'unité hydro-génératrice (HGU) fait partie de l'équipement clé de la centrale hydroélectrique1,2. État de la mesure fiable de la tendance de l'axe du groupe électrogène hydroélectrique pour la sécurité de l'unité, il favorise la stabilité du système électrique d'une grande importance3. En ingénierie pratique, le réglage des axes est le travail le plus important dans la dernière période d'installation de l'unité. La révision de l'unité doit également passer par l'inspection du réglage de l'axe. La qualité de l'axe de l'unité reflète globalement la qualité de l'installation et de la maintenance4. L'ajustement de l'axe de l'axe central de l'oscillation totale nette et des degrés d'oscillation totale nette maximale est un paramètre important du calcul de l'ajustement de l'axe, de sorte que le degré de l'axe de l'oscillation totale nette et de la prédiction du groupe électrogène hydroélectrique ainsi que l'axe de la recherche de palier d'ajustement total net maximum de l'oscillation, pour garantir la sécurité de l'unité hydro-génératrice et réduire la perte économique de la centrale hydroélectrique est d'une grande importance. Le processus de calcul de l'axe est compliqué, il implique les données de mesure du fil supérieur, du fil inférieur, du fil d'eau et d'autres pièces, qui nécessitent les dimensions du fil supérieur au fil inférieur, du fil supérieur au fil d'eau, du diamètre de la tête de poussée, etc. Par conséquent, la méthode de prédiction efficace et précise de l'oscillation totale nette de l'axe est propice à la réduction du nombre de mesures d'axe, et c'est également la base et la condition préalable pour réaliser la mesure d'axe6. Il existe quatre algorithmes de prédiction typiques pour la prédiction de l'oscillation totale nette et de l'oscillation totale nette maximale de l'axe de l'hydrogénérateur dans les méthodes d'apprentissage automatique : la méthode de prédiction utilisant le réseau neuronal BP (BP) ; Méthode de prédiction utilisant la machine à vecteurs de support (SVM); réseau neuronal informé par la physique (PINN); Méthode de prédiction utilisant le modèle gris (GM). Il existe deux méthodes principales de recherche d'azimut d'ajustement d'axe : le traitement manuel traditionnel et l'algorithme d'intelligence en essaim. À l'heure actuelle, l'apprentissage automatique a été largement utilisé dans de nombreux domaines, mais peu d'applications ont été appliquées au réglage de l'axe de l'unité hydro-génératrice7. Cependant, pour l'orientation de l'ajustement de l'axe, l'apprentissage automatique peut résoudre le problème selon lequel l'orientation de l'ajustement de l'axe est difficile à rechercher en utilisant des algorithmes8,9.

Pour résoudre les problèmes ci-dessus, cet article propose une nouvelle méthode de réglage d'axe de l'unité hydro-génératrice utilisant l'apprentissage automatique. Ses principaux apports comprennent :

Une méthode de prédiction de l'oscillation totale nette de l'axe utilisant le GM(1, 1) amélioré est proposée. Grâce à l'accélération des méthodes de traduction et de transformation du sens, la séquence de swing total net montre que les fluctuations oscillatoires sont prétraitées pour affaiblir la volatilité de la série. Ce modèle résout le problème selon lequel GM(1, 1) ne peut être prédit que par une séquence monotone. Ensuite, l'algorithme GM(1, 1) amélioré peut être utilisé pour prédire des données d'oscillation totale nette d'axe et améliorer l'efficacité de traitement de mesure d'axe.

Une méthode d'optimisation de la recherche d'orientation d'ajustement d'axe utilisant un algorithme de recherche Flamingo est proposée pour rechercher avec précision l'orientation d'ajustement d'axe. Ce modèle résout le problème selon lequel l'algorithme de recherche traditionnel est facile à tomber dans la solution optimale locale.

Cet article propose une méthode avec le traitement manuel traditionnel des axes et la compare à l'algorithme d'apprentissage automatique représentatif. L'évaluation des performances montre que cela peut améliorer considérablement la recherche d'orientation d'ajustement des axes par le modèle.

Dans le domaine de la prédiction du swing total net axial, un classifieur combinant des ensembles approximatifs et la machine à vecteurs de support a été proposé dans la littérature10,11, il a été appliqué au diagnostic de défauts de HGU. Un modèle de mesure de la tendance des vibrations HPG a été proposé dans la littérature12, qui est basé sur la décomposition en mode variationnel optimal (OVMD) et l'optimisation de l'algorithme sinus-cosinus chaotique (CSCA) et l'amélioration de la machine vectorielle de support des moindres carrés (LSSVM). La littérature13 a proposé une méthode de prédiction précoce des défauts basée sur le processus de régression de Guassion (GPR) pour les HPG, qui a suivi efficacement le processus de changement de l'état de fonctionnement des HPG et surveille à l'avance l'état de fonctionnement anormal des HPG. La littérature14 a proposé une méthode de machine à vecteurs de support des moindres carrés (LS-SVM) pour prédire les paramètres de stabilité des unités de turbines hydroélectriques à flux mixte. La littérature15 a développé un modèle de prédiction de série chronologique ARIMAX (1, ​​1, 1) pour la production d'énergie hydroélectrique en équateur afin de prédire la production mensuelle jusqu'à un an. La littérature16,17,18 a proposé un modèle de prédiction grise (GM(1, 1)) pour prédire la tendance à la dégradation des performances des unités hydroélectriques. La littérature19,20 a proposé une technique de méta-apprentissage pour la découverte hors ligne des fonctions de perte du réseau neuronal informé par la physique (PINN). Il prolonge les travaux antérieurs sur le méta-apprentissage et développe un algorithme de méta-apprentissage basé sur le gradient pour traiter diverses distributions de tâches basées sur des équations aux dérivées partielles (PDE) paramétrées qui sont résolues avec des PINN. Bien que les méthodes ci-dessus aient amélioré l'efficacité de la mesure axiale dans certaines conditions, la sélection du réseau de neurones doit tenir compte de la taille de l'ensemble de données ainsi que du réglage des paramètres, il y a donc des erreurs inévitables. De plus, ils ne sont pas tous adaptés au jeu de données d'oscillation nette de l'axe du groupe hydro-générateur.

En termes de recherche d'orientation d'ajustement axial, la littérature21,22 a proposé une méthode d'évaluation d'adaptation améliorée, elle a mis en avant le concept d'ensembles de paramètres de stabilité et d'instabilité, et elle s'est appliquée à la stratégie de recherche de stabilité, ce qui a effectivement amélioré la capacité de recherche locale de l'algorithme du modèle et assuré la stabilité et la précision du modèle de groupe hydro-générateur. La littérature23,24,25,26 a proposé une méthode de prédiction basée sur l'interpolation de la fonction de base radiale (RBF), la décomposition modale empirique (EMD), l'entropie approximative, le réseau de neurones artificiels et la théorie grise pour la dégradation des paramètres caractéristiques de l'unité hydro-génératrice. Un modèle de prédiction non linéaire de la tendance à la dégradation des paramètres de fonctionnement des unités hydro-génératrices a été proposé dans la littérature27,28,29,30,31. Le modèle était basé sur l'interpolation de la fonction de base radiale, la transformée en ondelettes, la méthode de prédiction de l'exposant maximum de Lyapunov et le modèle de prédiction des gris (méthode GM(1, 1)). La littérature32 a proposé le modèle de courbe d'alarme dynamique, établi le modèle de réseau neuronal GA-BP, et a obtenu la vibration verticale du couvre-chef en entraînant et en produisant la courbe dynamique d'alarme. Bien que les méthodes ci-dessus puissent prédire la quantité d'ajustement de l'axe à un certain moment, la plupart d'entre elles appartiennent à la prédiction en une étape, et lorsqu'il est nécessaire de connaître plus tôt la tendance changeante de la quantité d'ajustement de l'axe de l'unité hydro-génératrice, le modèle de prédiction en une étape doit être étendu à une prédiction en plusieurs étapes utilisant la prédiction roulante33,34,35, moment où la précision de la prédiction sera réduite en raison de la superposition continue d'erreurs à chaque fois, ce qui ne peut pas répondre au besoin réel du projet de maintenance du groupe hydro-générateur. L'algorithme d'apprentissage automatique est une méthode importante pour résoudre la prédiction et l'optimisation. Sur la base du modèle gris amélioré, les séries de données avec des phénomènes d'ondes oscillantes sont prétraitées en accélérant la traduction et la méthode de transformation de sens pour affaiblir la volatilité de la série36,37,38, puis la fonction de prédiction est obtenue par transformation factorielle. L'algorithme flamingo est un nouvel algorithme d'optimisation de l'intelligence des essaims basé sur le comportement de migration et de recherche de nourriture des flamants roses39,40,41. Il peut augmenter la capacité de recherche et de développement de l'espace de recherche, assurer un bon équilibre entre la recherche et le développement, et résoudre efficacement les problèmes d'optimisation non linéaire. Le réseau neuronal RBF amélioré utilise l'optimisation de l'essaim de particules pour déterminer le centre du réseau neuronal RBF42,43,44, il contrôle la vitesse d'optimisation par le facteur de pondération d'inertie, et il prend le swing total net maximum des données de maintenance de l'unité hydro-génératrice comme vecteur d'entrée du réseau neuronal pour prédire la quantité d'ajustement de l'axe réel45,46,47.

Dans cet article, l'oscillation totale nette au point de réglage de l'axe est utilisée comme grandeur d'état pour représenter l'état de fonctionnement de l'unité hydro-génératrice. Le modèle gris amélioré est utilisé pour prédire l'oscillation totale nette au point d'ajustement de l'axe dans le futur, et les valeurs prédites de l'oscillation totale nette de l'axe à huit points d'état autour du grand axe sont obtenues respectivement. Ensuite, l'ajustement de la fonction sinusoïdale de la valeur d'oscillation totale nette de l'axe à huit points est effectué pour obtenir la fonction sinusoïdale, puis, sur la base de l'obtention de la fonction sinusoïdale de l'oscillation totale nette. Ensuite, en utilisant la fonction sinusoïdale d'oscillation totale nette obtenue, l'algorithme de recherche Flamingo est utilisé pour rechercher la valeur maximale de la fonction sinusoïdale d'oscillation totale nette au niveau de l'ajustement de l'axe, et l'orientation d'ajustement de l'axe correspondante est obtenue.

La détermination de l'orientation d'ajustement d'axe et de la quantité d'ajustement d'axe est également réalisée. Le cadre général est illustré à la Fig. 1.

Schéma cadre du modèle d'alignement axial.

Dans cette section, nous passons en revue les données pertinentes de l'unité hydro-génératrice et en observant l'ensemble de données de maintenance de l'axe, nous constatons que la séquence d'oscillation totale nette de l'axe montre un phénomène de fluctuation. Pour résoudre le problème selon lequel l'oscillation totale nette de l'axe présente une fluctuation d'oscillation, cet article utilise une traduction accélérée et une transformation moyenne pondérée pour prétraiter le pendule total net de l'axe avec un phénomène de fluctuation, puis améliore la modélisation GM (1, 1) après avoir satisfait à la condition monotone.

L'idée de base du modèle GM(1, 1) traditionnel : pour faciliter la modélisation mathématique, la séquence de swing total net d'origine est accumulée une fois. Étant donné que la séquence après accumulation a une tendance à la croissance exponentielle, l'équation différentielle approximative du premier ordre est utilisée pour construire le modèle. Enfin, la séquence de prédiction est générée par l'accumulation de la séquence de modélisation pour compléter la prédiction de la tendance de développement de la séquence d'oscillation totale nette d'origine.

Le processus de modélisation spécifique pour le GM traditionnel (1, 1) est le suivant.

Soit la séquence de swing total net d'origine : \(X^{{_{(0)} }} = \{ x^{(0)} (1),x^{(0)} (2), \ldots ,x^{(0)} (n)\}\), et il effectue une seule accumulation sur cette séquence pour générer. Comme éq. (1).

Générez une séquence de swing total net avec une régularité exponentielle comme \(X^{(1)} = \{ x^{(1)} (1),x^{(1)} (2), \ldots ,x^{(1)} (n)\}\).

\(X^{(1)}\) se rapproche de la séquence en tant que solution d'une équation différentielle du premier ordre (Eq. 2).

où : a est le coefficient de développement du modèle ; b est la quantité d'action grise.

Dénotez le paramètre \(A = [a,b]^{T}\), et il utilise la méthode des moindres carrés pour trouver A comme

où:

Trouvez les valeurs de a, b et substituez-les dans Eq. (2) pour calculer.

La réduction cumulée de l'Eq. (4) donne la fonction de prédiction du swing total net comme

Dans la modélisation GM(1, 1) traditionnelle, parce que le swing total net de la séquence d'axes d'origine n'est pas très régulier, il est nécessaire d'effectuer des changements cumulatifs et ensuite il utilise l'Eq. (2) construire un modèle mathématique. Cette méthode de modélisation, que la séquence d'origine de l'oscillation totale nette de l'axe oscille ou non, la séquence générée de manière cumulative changera de manière monotone, et la séquence réduite montre également la même tendance de changement. Lorsque le swing total net de la séquence d'origine est monotone, la précision de la prédiction est meilleure, mais lorsque la séquence d'origine oscille et fluctue, la précision de la prédiction n'est pas idéale car la séquence réduite change de manière monotone et la séquence de swing d'origine ne peut pas être ajustée avec précision.

Si la séquence d'ondes d'oscillation totale nette de l'axe est transformée mathématiquement pour lui donner une tendance monotone, le modèle mathématique est établi par GM (1, 1), enfin, la fonction de réduction est calculée, puis la transformation inverse mathématique est effectuée pour obtenir la séquence de prédiction de l'oscillation totale nette de l'axe, ce sera une bonne solution au problème que le modèle GM traditionnel (1, 1) n'a pas une précision de prédiction élevée pour la séquence oscillante. Dans cet article, la traduction accélérée et la méthode de transformation de sens sont combinées pour pré-traiter la série avec un phénomène de fluctuation oscillatoire, afin d'affaiblir la fluctuation de la série.

\(X = \{ x(1),x(2), \ldots ,x(n)\}\) est la séquence d'origine de l'oscillation totale nette de l'axe, et s'il existe \(k,k \in [1,2, \ldots ,n - 1]\), telle que \(x(k + 1) - x(k) > 0,x(k + 1) - x(k) < 0\), alors on dit que \(X\) est une séquence d'oscillations aléatoires. Comme éq. (6) et (7).

M–m est l'amplitude de la séquence X, notée T.

Définir la transformation de traduction accélérée : afin d'affaiblir la volatilité de l'oscillation totale nette de l'axe de la séquence oscillatoire d'origine. \(XE_{1} = \{ x(1)e_{1} ,x(2)e_{1} , \ldots ,x(n)e_{1} \}\), équation :

On l'appelle e1 le facteur de transformation de la traduction accélérée, et la tendance monotone de la séquence de swing d'origine après cette transformation peut être prouvée par de simples opérations mathématiques.

Définissez la transformation moyenne pondérée : la séquence d'oscillation totale nette de l'axe après le traitement du facteur e1 a montré une tendance monotone et elle a des conditions de modélisation. Pour ajuster plus précisément l'oscillation totale nette de l'axe de la séquence d'origine, la transformation moyenne pondérée est introduite pour effectuer une transformation quadratique sur la séquence factorisée, et la séquence transformée est définie.

On l'appelle e2 le facteur transformé moyen pondéré. Grâce à un calcul mathématique simple, il peut être prouvé que la séquence d'oscillation totale nette de l'axe après la transformation du facteur e2 conserve les caractéristiques monotones de la séquence d'origine de l'oscillation totale nette de l'axe, ce qui peut rendre la séquence d'oscillation totale nette de l'axe plus fluide.

Soit le swing total net de l'axe de la séquence de swing d'origine soit

Les processus de modélisation GM(1, 1) améliorés sont les suivants.

\(X^{(0)}\) Effectuez une transformation de facteur e1 sur le swing total net de l'axe de la séquence d'origine comme \(Y^{(0)} = \{ y^{(0)} (1),y^{(0)} (2), \ldots ,y^{(0)} (n)\}\).

La séquence \(Y^{(0)}\) est transformée par le facteur e2 en

Effectuez une sommation de la séquence \(Z^{(0)}\).

Modélisation de l'équation différentielle GM(1, 1) de \(Z^{(1)}\) pour la séquence. Comme éq. (dix).

paramètres a, b par les moindres carrés. Comme éq. (11).

Il est déterminé, entre autres.

La fonction de réponse de l'équation différentielle GM(1, 1).

La fonction de prédiction du swing total net de l'axe est obtenue par une réduction cumulative \(z^{(0)}\).

Lequel : \(k = 1,2, \ldots ,n;\mathop z\limits^{\,\,\,\,\,\wedge (0)} (1) = z^{(0)} (1)\).

Pour \(Z^{(0)}\) utilisez \(e_{2}\) le facteur inverse la réduction de transformation à atteindre. Comme éq. (14).

où \(\mathop y\limits^{\,\,\, \, \, \wedge(0)} (1) = y^{(0)} (1)\), et

La transformation inverse du swing total net de l'axe de la séquence d'origine par la paire de facteurs \(e_{1}\) \(Y^{(0)}\) donne une fonction de prédiction. Comme éq. (16).

Lequel : \(k = 1,2, \ldots ,n;\mathop x\limits^{\,\,\, \, \, \wedge(0)} (1) = x^{(0)} (1)\).

Les étapes améliorées ci-dessus de GM (1, 1) et la formule après transformation de facteur sont illustrées à la Fig. 2.

Diagramme de cadre de l'algorithme GM amélioré.

Obtenu par le GM amélioré (1, 1) pour prédire l'axe du degré total net du pendule, le suivant, il doit être propre à tous les degrés d'ajustement de la fonction sinusoïdale et établir un grand palier d'arbre comme abscisse, oscillation totale nette comme l'axe des ordonnées degrés d'oscillation totale nette après la fonction d'ajustement sinusoïdal, en utilisant l'algorithme Flamingo pour l'optimisation totale nette maximale de l'oscillation de la fonction sinusoïdale. Enfin, la variable indépendante correspondant à la valeur maximale de la fonction sinus de l'axe net total du pendule est l'azimut de réglage de l'axe.

Flamingo dispose des capacités de recherche globale et de développement local nécessaires aux algorithmes d'optimisation. Il a de bons résultats pour la recherche de fonction à un seul pic et à plusieurs pics. Par conséquent, il convient à la recherche de la valeur maximale de la fonction sinus du swing total net.

Les deux principaux traits comportementaux des flamants roses sont le comportement de recherche de nourriture et le comportement migratoire. Les flamants roses habitent principalement les zones où la nourriture est abondante. Après une période de recherche intensive de nourriture, la population de flamants roses migre lorsque la nourriture dans la région diminue à un niveau qui ne satisfait pas la population. Des modèles de recherche de nourriture et de migration correspondants sont développés.

Les principales idées d'optimisation du modèle FSA sont les suivantes.

Comportement communicatif

Les flamants roses avec le plus de nourriture dans le groupe diffusent leurs informations de position en appelant d'autres flamants roses, et cela influence les changements de position des autres flamants roses du groupe. Théoriquement, les flamants roses ne peuvent pas savoir où se trouve le plus de nourriture dans une zone. Cependant, cela ne signifie pas que l'algorithme ne peut pas trouver une solution globalement optimale, car l'algorithme est un programme, vous ne pouvez pas indiquer la condition de fin du programme lorsque vous la définissez.

FSA est un algorithme qui simule des flamants roses recherchant la meilleure solution dans une zone de recherche basée sur les informations disponibles limitées. Dans cet article, nous supposons que le flamant rose avec la plus grande quantité de nourriture dans la jème dimension est xbj.

Comportement de balayage du bec

Lorsque le bec d'un flamant rose est versé sur l'eau, il agit comme un grand tamis, et il aspire l'eau puis la filtre rapidement, un modèle de recherche de nourriture influencé par l'abondance de nourriture dans la région. S'il y a plus de nourriture dans la zone balayée par le bec du flamant rose, cela encourage le flamant rose à balayer la zone plus attentivement et le cou du flamant s'étire lentement, ce qui augmente le rayon de balayage du bec. La probabilité de balayer la zone à la recherche de nourriture augmentera également, et un modèle du comportement de balayage du bec du flamant rose est illustré à la Fig. 3.

Comportement de balayage du bec.

Plus un flamant rose est proche de la nourriture la plus abondante de la population, plus il est probable que la nourriture soit abondante dans cette zone. Dans cet article, nous simulons le comportement de balayage du bec des flamants roses. Si la position du ième flamant rose sur la jème dimension de la population de flamants roses est xij, il est nécessaire de prendre en compte la variabilité de la sélection individuelle des flamants roses dans la nature et la soudaineté de l'environnement spécifique, qui affectera le comportement de recherche de nourriture des flamants roses. Sinon, il y a des erreurs dans le comportement de recherche de nourriture et les informations transmises par les flamants roses. Pour modéliser cette erreur, une distribution aléatoire normale standard est introduite, dans laquelle le balayage du bec du flamant rose a une forte probabilité de s'aligner avec la position où la nourriture est la plus abondante. Cependant, il existe également une faible probabilité d'erreur basée sur ces informations.

La distance maximale des scans du bec du flamant rose dans le comportement de recherche de nourriture peut être quantifiée comme \(|G_{1} \times xb_{j} + \varepsilon_{2} \times x_{ij} |\), où \(\varepsilon_{2}\) est un nombre aléatoire de − 1 ou 1. La distance maximale est principalement destinée à augmenter la plage de recherche du scan du bec du flamant rose en mode recherche de nourriture, où G1 est un nombre aléatoire qui correspond à une normale standard diffusion. Pour modéliser la plage de balayage du flamant rose dans le comportement de balayage du bec, la distribution normale est à nouveau introduite, et sa courbe de variation se rapproche de la variation de la plage de balayage du bec du flamant comme \(G_{2} \times |G_{1} \times xb_{j} + \varepsilon_{2} \times x_{ij} |\), où G2 est un nombre aléatoire obéissant à une distribution normale.

Comportement mobile bipède

Un modèle du comportement du mouvement du pied des flamants roses est illustré à la Fig. 4. Lorsque les flamants roses recherchent de la nourriture, alors qu'ils scannent avec leur bec, leurs serres se déplacent vers la nourriture la plus abondante de la population de flamants roses. La distance parcourue peut être quantifiée en supposant que le lieu de nourriture le plus abondant dans la population est \(\varepsilon_{1} \times xb_{j}\) \(xb_{j}\), \(\varepsilon_{1}\) comme un nombre aléatoire de − 1 ou 1, principalement pour augmenter la portée de recherche des flamants roses en quête de nourriture et pour quantifier les différences de sélection individuelles.

Comportement mobile bipède.

En résumé, l'étape de déplacement du flamant rose en quête de nourriture dans l'itération t est la plage de balayage du bec du flamant rose, puis la distance de déplacement de ses pieds est ajoutée, comme indiqué dans l'équation. (17).

L'équation pour mettre à jour l'emplacement du comportement de recherche de nourriture des flamants roses est

Dans l'éq. (18), \(x_{ij}^{t + 1}\) désigne la position \(x_{ij}^{t}\) du ième flamant rose dans la jième dimension de la population à la (t + 1)ième itération, x désigne la position du ième flamant rose dans la jième dimension de la population de flamants roses à la ième itération, c'est-à-dire la position du pied du flamant rose. xbjt désigne la jième position dimensionnelle dans la population du flamant rose le mieux adapté en t itérations. k = K (n) est le facteur de diffusion, qui est un nombre aléatoire avec une distribution cardinale de n degrés de liberté. Il est utilisé pour augmenter la taille de l'aire de recherche de nourriture du flamant rose et pour simuler les chances de sélection individuelle dans la nature, il augmente la méritocratie globale.\(G_{1} = N(0,1)\) et \(G_{2} = N(0,1)\) sont des nombres aléatoires qui suivent une distribution normale standard,\(\varepsilon_{1}\) et \(\varepsilon_{2}\) sont randomisés par − 1 ou 1.

Lorsque la nourriture est rare dans la zone d'alimentation actuelle, la population de flamants roses migre vers la prochaine zone de nourriture plus abondante. En supposant que l'emplacement de la zone riche en nourriture dans la dimension jth est xbj, l'équation de migration pour la population de flamants roses est la suivante.

Dans l'éq. (19), xijt+1 désigne la position du ième flamant rose dans la jième dimension de la population en t + 1 itérations, xtij désigne la position du ième flamant rose dans la jième dimension de la population de flamants roses en t itérations, soit la position du pied du flamant rose. \(xb_{j}^{t}\) désigne la jième position dimensionnelle du flamant rose adapté dans la population en t itérations. \(\omega = N(0,N)\) est un nombre aléatoire à N degrés de liberté, il est utilisé pour augmenter l'espace de recherche lors de la migration des flamants roses, et il est également utilisé pour simuler le caractère aléatoire du comportement individuel des flamants lors de migrations spécifiques.

Étape 1 : Initialisez la population de la fonction de swing total net de l'axe, avec la population définie sur P et le nombre maximal d'itérations sur \(Iter_{Max}\), et la proportion de flamants roses en migration dans la première partie \(MP_{b}\).

Étape 2 : Le nombre de flamants roses en quête de nourriture dans la ième itération de la mise à jour de la population de flamants roses est \(MP_{{\text{r}}} = rand[0,1] \times P \times (1 - MP_{b} )\). Le nombre de flamants roses en migration dans la première partie de cette itération est \(MP_{0} = MP_{b} \times P\). Le nombre de flamants roses en migration dans la deuxième partie de cette itération est \ (MP_{{\text{t}}} = P - MP_{0} - MP_{r}\), et les valeurs de fitness des flamants roses individuels sont obtenues, et la population de flamants roses est classée en fonction des valeurs de fitness des individus. Les anciens flamants roses \(MP_{b}\) à faible fitness et les anciens flamants roses \(MP_{{\text{t}}}\) à haute fitness sont considérés comme des flamants roses migrateurs, tandis que les autres sont considérés comme des flamants roses en quête de nourriture.

Étape 3 : Mettre à jour les flamants roses en migration selon l'équation. (19) et des flamants roses en quête de nourriture selon l'Eq. (18).

Étape 4: Vérifiez les flamants roses hors limites.

Étape 5 : Atteignez le nombre maximum d'itérations et passez à l'étape 6 ; sinon, exécutez l'étape 2.

Étape 6 : La fonction d'oscillation totale nette de l'axe de sortie est la solution optimale et la valeur optimale. L'organigramme de FSA est illustré à la Fig. 5.

Organigramme de l'algorithme FSA.

Cet article est basé sur les données de maintenance d'une entreprise de maintenance d'énergie hydraulique de 2015 à l'année 2020. En raison du petit nombre de visites de maintenance du groupe électrogène démonté chaque année, il y a 200 éléments de données de maintenance dans cet ensemble de données, parmi lesquels chaque élément de données a 4 types de données caractéristiques, et il comprend l'oscillation absolue, l'oscillation relative, l'oscillation totale nette et l'oscillation totale nette maximale. Étant donné que ce type d'unité est couramment utilisé par les entreprises de maintenance des centrales hydroélectriques, cet ensemble de données est devenu un ensemble de données de référence important. Dans cet article, une étude de prédiction est menée sur les données 1 à 80 fois de l'ensemble de données de maintenance, qui se compose de huit points de mesure dans un cercle du grand axe et d'un total de 2400 éléments. Parmi eux, il y a 640 données de swing total net. Les préposés à l'entretien utilisent principalement l'oscillation totale nette comme norme de référence pour effectuer des travaux. Par conséquent, l'oscillation totale nette et l'oscillation totale nette maximale sont examinées séparément en tant qu'ensembles de données. Les données des 70 premiers éléments sont l'ensemble d'apprentissage et les données des 10 derniers éléments sont l'ensemble de test. 71 à 80 fois les données sont utilisées pour la recherche dans cet article. Le tableau 1 est les données du pendule total net.

L'ensemble de données est obtenu à l'aide de l'échelle Marr et du logiciel de mesure. Les données mesurées par l'échelle de Marr sont un pendule absolu, puis le pendule total net, le pendule total relatif et le pendule total net maximum sont obtenus par une série de formules d'ajustement des axes.

Pour vérifier l'exactitude et la validité du modèle GM(1, 1) amélioré établi dans cette étude, les données historiques au niveau de la deuxième bride de guidage suspendue sont sélectionnées et les prédictions sont obtenues 1 à 80 fois, et GM(1, 1), BP, SVM et PINN sont sélectionnés pour comparaison.

La tendance du pendule de l'oscillation totale nette de l'axe des huit points de mesure peut être observée sur la Fig. 6, à partir de laquelle on peut constater que les données de chaque point de mesure montrent une nature oscillatoire, ce n'est pas une seule tendance croissante ou décroissante, donc le GM traditionnel (1, 1) ne lui est pas très applicable, la tendance d'oscillation doit être affaiblie.

Tendance du plein essor net en huit points de mesure sur l'axe.

Dans cette expérience, la séquence d'oscillation totale nette de l'axe avec le phénomène d'onde oscillante est traitée en accélérant la traduction et la méthode de transformation de sens pour affaiblir la séquence d'oscillation d'oscillation totale nette. GM(1, 1) est amélioré en utilisant cette méthode, et le swing total net est pris comme variable prédictive. Dans le même temps, les modèles GM (1, 1), BP, SVM et PINN sont sélectionnés pour comparaison, et le swing total net de 71 à 80 fois l'axe est prédit respectivement, avec les 70 premières fois comme valeur d'entraînement et 71 à 80 fois comme valeur prédite. La valeur réelle ; la valeur prédite et l'erreur relative de la prédiction de l'oscillation totale nette sont illustrées à la Fig. 7.

Comparaison des prédictions par le modèle.

On peut voir sur la Fig. 6 que le modèle de prédiction du swing total net basé sur l'axe GM(1, 1) amélioré proposé dans cet article est plus proche du swing total net réel du point de mesure que la valeur prédite d'autres algorithmes. Pour analyser avec précision la précision de prédiction de plusieurs modèles, l'analyse de comparaison d'erreurs des GM(1, 1), GM(1, 1), BP, SVM et PINN améliorés est effectuée. De plus, en raison du caractère aléatoire du réseau de neurones, chaque modèle structurel doit subir dix fois une formation et une vérification lors du paramétrage. Les erreurs obtenues sont présentées dans le tableau 2, et la comparaison des erreurs moyennes des huit points de mesure est présentée dans la figure 8.

Comparaison des erreurs moyennes.

Comme on peut le voir sur la Fig. 8, comparez avec les GM (1, 1), BP, SVM et PINN traditionnels, après avoir affaibli l'oscillation totale nette de l'axe avec des oscillations combinées à une traduction accélérée et à une transformation moyenne, l'erreur moyenne du modèle GM (1, 1) établie par la transformation du facteur somme est plus petite que celle des autres modèles, cela indique une précision de prédiction élevée. Le problème de la grande erreur de prédiction d'autres algorithmes pour la séquence d'onde oscillante est résolu.

Cette étude compare également trois fonctions de perte telles que l'erreur absolue moyenne (MAE), l'erreur quadratique moyenne (RMSE) et l'erreur absolue moyenne en pourcentage (MAPE), comme indiqué dans le tableau 3.

Dans cette étude, les valeurs prédites de l'oscillation nette complète de l'axe 71–81 de cinq algorithmes sont comparées en tant que fonctions de perte. D'après le tableau 3, on constate que les MAPE entre le GM amélioré, le SVM et le PINN sont relativement proches de 2,1 %, 4,1 % et 3,3 % respectivement. Comparé à GM, BP et SVM, PINN a des MAE, RMSE et MAPE plus petits, et il y a encore un certain écart par rapport au GM amélioré. On peut en conclure que le GM amélioré est plus adapté à la prédiction des données de l'oscillation nette de l'axe.

Il ressort plus clairement des Figs. 9 et 10 que le MAE et le RMSE moyens du GM amélioré sont les plus petits, le PINN est un peu pire et le GM, BP et SVM sont bien pires. Le GM amélioré est meilleur pour les données telles que le plein essorage net de l'unité de turbogénérateur hydraulique, car il est plus proche des données réelles, avec moins d'erreurs, et a plus de valeur de référence pour le personnel de maintenance de l'unité de turbogénérateur hydraulique. Il peut faire de meilleurs jugements sur les anomalies de l'axe et améliorer l'efficacité du réglage de l'axe.

Comparaison des algorithmes MAE et RMSE.

Comparaison des algorithmes MAE et RMSE.

La courbe de la fonction sinusoïdale de l'oscillation totale nette des axes est construite par la prédiction améliorée de l'oscillation totale nette en huit points GM(1, 1). Les fonctions sinusoïdales d'oscillation totale nette axiale pour la 71e à la 80e sont présentées dans le tableau 4.

La fonction sinus d'oscillation totale nette de 71 à 80 fois est utilisée comme entrée de chaque méthode pour rechercher la valeur maximale de la fonction sinus d'oscillation totale nette, et la valeur maximale obtenue est l'ajustement d'orientation. Selon les résultats de 10 fois de prédiction, les résultats de recherche d'azimut d'ajustement d'axe obtenus sont présentés dans le tableau 5.

Comme on peut le voir dans le tableau 5, les résultats de la recherche de l'algorithme de recuit simulé sont beaucoup moins erronés que les méthodes traditionnelles manuelles et par essaim de particules, avec une précision de recherche élevée et une bonne stabilité. Cependant, les résultats de recherche qui utilisent l'algorithme Flamingo sont proches de l'orientation réelle et ont une plus grande stabilité. De plus, l'erreur minimale de l'algorithme Flamingo peut atteindre 0,55 et les résultats de la recherche de chaque méthode par rapport à l'orientation réelle sont illustrés à la Fig. 11.

Comparaison des résultats de recherche par méthode.

Afin d'analyser avec précision la précision de la recherche d'orientation d'ajustement axial de la méthode centralisée, une comparaison d'erreur est effectuée comme indiqué dans le tableau 6, comme le montre la figure 12. Dans le tableau, on peut voir que parmi les 10 résultats expérimentaux sélectionnés, l'erreur maximale du manuel traditionnel est de 26, l'erreur minimale est de 3 et l'erreur moyenne est de 14,6, l'erreur maximale de l'essaim de particules est de 25,024, l'erreur minimale est de 1,287 et l'erreur moyenne est de 9 .33, l'erreur maximale du recuit simulé est de 19,1, l'erreur minimale est de 1,28 et l'erreur moyenne est de 7,92, et l'erreur maximale de flamingo est l'erreur maximale de flamingo est de 1,71, l'erreur minimale est de 0,55 et l'erreur moyenne est de 1,26. Après que l'algorithme de recherche Flamingo cherche mieux que le manuel traditionnel de 13,4, mieux que l'essaim de particules de 8,07 et mieux que le recuit simulé de 6,66. L'algorithme de recherche Flamingo est plus significatif dans le balancement total net de la recherche d'axe.

Comparaison de l'erreur moyenne de chaque méthode.

La méthode d'ajustement d'axe basée sur l'apprentissage automatique est une méthode d'ajustement d'axe efficace. Dans cet article, notre objectif est d'utiliser un algorithme d'apprentissage automatique pour améliorer l'efficacité globale de l'ajustement de l'axe et la précision de l'ajustement de l'axe. Le travail principal est le suivant : (I) Un modèle de prédiction basé sur GM(1, 1) est proposé. Le modèle comprend une translation accélérée et une transformation de valeur moyenne pour prétraiter la série d'oscillations totales nettes de l'axe oscillatoire, de manière à affaiblir la fluctuation de la série d'oscillations totales nettes de l'axe. (II) Déterminer l'orientation de l'ajustement de l'axe, dans cet article, un modèle d'optimisation de l'orientation de l'ajustement de l'axe basé sur l'algorithme de recherche Flamingo est proposé, les résultats expérimentaux montrent que l'erreur moyenne de l'algorithme de recherche Flamingo est de 1,26, ce qui peut économiser plus de 80 % du temps par rapport à la recherche manuelle d'orientation de l'axe. Il montre que l'ajustement de l'orientation de l'axe basé sur l'algorithme de recherche Flamingo proposé dans cet article est pratique. La consommation de main-d'œuvre traditionnelle d'origine affecte la production d'électricité en moyenne 5 jours. Selon la production d'électricité moyenne des unités de 62 000 kW : 62 000 × 24 h × 5 jours = 7,44 millions de kWh/unité, la méthode proposée dans cet article peut être raccourcie à 1 jour, et son impact sur la production d'électricité n'est que le cinquième de la précédente, soit 1,488 million de kWh/unité. Par rapport à l'opération de maintenance manuelle traditionnelle de l'axe d'arrêt, le temps de mesure de l'axe dans cet article peut être réduit de plus de 80 %, les coûts de main-d'œuvre de chaque unité sont calculés à partir de la période de construction traditionnelle de 16 personnes, 5 jours et 550 yuans par personne : 5 jours × 16 personnes × 550 yuans/jour = 44 000 yuans/unité, ce qui est réduit à 11 100 yuans/unité pour 2 personnes par jour. Il fournit une base fiable pour trouver la déviation de l'axe et les torsions de l'unité dans le temps et trouver des solutions, il améliore directement et indirectement les avantages économiques, et il a de larges perspectives d'application et il convient au réglage de l'axe. Il fournit une garantie solide pour le fonctionnement sûr et stable du réseau électrique et un support technique solide pour la maintenance de l'unité hydro-génératrice.

Les ensembles de données générés et/ou analysés au cours de l'étude actuelle ne sont pas accessibles au public en raison de la demande de la compagnie hydroélectrique, les données utilisées dans cet article ne peuvent pas être rendues publiques en raison des données de fonctionnement de l'équipement électrique de la compagnie hydroélectrique mais sont disponibles auprès de l'auteur correspondant sur demande raisonnable.

Chang, CE et al. Contrôle adaptatif du mode glissant variable dans le temps gris basé sur un système d'inférence neuro-floue pour les applications de conditionnement de puissance. Calcul neuronal. Appl. 30, 3 (2016).

Google Scholar

Xia, X. & Ni, W. Une nouvelle méthode d'analyse et de diagnostic des défaillances pour l'unité de générateur à turbine hydraulique. J. Vibroeng. 18(6), 3568–3580 (2016).

Article Google Scholar

Sheikhan, M. & Mohammadi, N. Erratum à : Prédiction de séries chronologiques à l'aide d'un réseau de neurones optimisé PSO et d'un algorithme de sélection de caractéristiques hybrides pour les données de charge IEEE. Calcul neuronal. Appl. 23(3–4), 1195 (2013).

Article Google Scholar

Shaik, N.-B. et al. Un modèle intelligent pour prédire l'état de vie des pipelines de pétrole brut à l'aide de réseaux de neurones artificiels. Calcul neuronal. Appl. 2021, 3 (2021).

Google Scholar

Zhu, W. et al. Un nouveau modèle de détection de défauts KICA-PCA pour le processus d'état d'une unité de production hydroélectrique. Mesure 58, 197-206 (2014).

Annonces d'article Google Scholar

Leng, X. & Xu, S. Recherche sur le contrôle intelligent du système d'excitation de générateur synchrone basé sur la technologie informatique. J.Phys. Conf. Ser. 1992(3), 032125 (2021).

Article Google Scholar

Mo, LI et al. Modèles de programmation incertains et multi-objectifs pour l'optimisation des structures de plantation. Devant. Agric. Sci. Ing. 3, 34 (2016).

Article Google Scholar

Xiong, L. et al. Modèle de prédiction des tendances composées d'apprentissage en profondeur pour les séries chronologiques de turbines hydrauliques. Int. J. Technologie à faible émission de carbone. 3, 3 (2021).

Google Scholar

Guo, Z. et al. Prévision à court terme du flux de passagers du transport ferroviaire urbain basée sur GPR et KRR. Renseignement. Système de transport (IET) 13, 9 (2019).

Google Scholar

Zhang, X. et al. Diagnostic dynamique des pannes des groupes électrogènes hydroélectriques avec une nouvelle combinaison d'ensembles bruts et de machine à vecteurs de support. Système expert. Appl. 39(3), 2621–2628 (2012).

Article Google Scholar

Fu, W. et al. Mesure de la tendance des vibrations pour le générateur hydroélectrique basée sur la décomposition optimale en mode variationnel et LSSVM améliorée avec l'optimisation de l'algorithme sinus cosinus chaotique. Mes. Sci. et Technol. 30, 1 (2018).

Google Scholar

Huang, H. et al. La méthode de prédiction sur la défaillance précoce des unités hydroélectriques basée sur la régression du processus gaussien pilotée par les données de surveillance. Appl. Sci. 11(1), 153 (2020).

Article Google Scholar

Li, G. et al. Modèle de prévision de l'énergie de production d'électricité à court terme pour les petites centrales hydroélectriques utilisant GA-SVM. Mathématiques. Prob. Ing. 2014(2), 1–9 (2014).

Google Scholar

Lvarez-Troncoso, R. et al. Impacts des centrales hydroélectriques sur les assemblages de trichoptères dans quatre rivières du nord-ouest de l'Espagne. Limnologica 53, 35–41 (2015).

Article Google Scholar

Cui, Z. et al. Un cadre gris roulant hybride pour la modélisation de séries temporelles courtes. Calcul neuronal. Appl. 33, 11339 (2021).

Article Google Scholar

I S environnementale. Analyse des pannes et stratégies de maintenance en production hydroélectrique. dans l'Encyclopédie des sciences et technologies de l'information. 3e éd. (2015) (recherche d'orientation d'alignement d'axe).

Gong, X. Optimisation du processus de contrôle de la production d'énergie d'un ensemble de turbines hydrauliques basé sur l'algorithme BFO-PSO amélioré. J. Coastal Res. 94(sp1), 227 (2019).

Article MathSciNet Google Scholar

Xiao, Z. et al. Réseau de neurones à ondelettes initialisé par ACO pour le diagnostic de défaut de vibration d'une unité de génération de turbine hydroélectrique. Mathématiques. Prob. Ing. 20, 1–7 (2015).

Google Scholar

Psaros, AF, Kawaguchi, K. & Karniadakis, GE Fonctions de perte PINN de méta-apprentissage. J. Comput. Phys. 458, 111121 (2022).

Article MathSciNet MATH Google Scholar

Bramburger, JJ & Kutz, JN Cartes de Poincaré pour la découverte de la physique multi-échelle et la théorie de Floquet non linéaire. Phys. D Phénomène non linéaire. 2020, 132479 (2020).

Article MATH Google Scholar

Cheng, YL et al. Réutilisation innovante des sédiments du réservoir et conception pour la durabilité des centrales hydroélectriques. Renouveler. Soutenir. Énergie Rev. 36, 212–219 (2014).

Article Google Scholar

Chen, Z. et al. Algorithme de recherche gravitationnelle amélioré pour l'identification des paramètres du système de régulation de la turbine à eau. Conversations d'énergie. Géré. 78, 306–315 (2014).

Article Google Scholar

Thaeer, HA & Bin, S. Méthode de division de la série basée sur PSO et FA pour optimiser la planification de la production hydroélectrique à long terme. Soutenir. Technol. énergétique Évaluer. 29, 106-118 (2018).

Google Scholar

Secui, DC, Hora, C. & Bendea, G. Estimation des paramètres à l'aide d'un algorithme modifié d'optimisation des baleines pour les courbes d'entrée-sortie des centrales thermiques et hydroélectriques. Int. Trans. Électr. Système énergétique 30(2), e12188.1-e12188.26 (2020).

Article Google Scholar

Mortazavi, A., Togan, V. & Moloodpoor, M. Solution de problèmes d'optimisation structurelle et mathématique à l'aide d'un nouvel algorithme hybride d'optimisation de l'intelligence en essaim. Adv. Ing. Logiciel 127, 106–123 (2019).

Article Google Scholar

Dubey, AK et al. Prédiction de l'épidémie de coronavirus basée sur les cuisines et la température à l'aide d'algorithmes d'apprentissage automatique (Social Science Electronic Publishing, 2022).

Google Scholar

Niu, WJ et al. Une optimisation parallèle d'essaims de particules multi-objectifs pour l'exploitation de réservoirs hydroélectriques en cascade dans le sud-ouest de la Chine. Appl. Calcul doux. 70, 562-575 (2018).

Article Google Scholar

Shang, Y. et al. Algorithme génétique modifié avec recuit simulé appliqué à la répartition optimale de la charge de la centrale hydroélectrique des Trois Gorges en Chine. Hydrol. Sci. J. 64, 9 (2019).

Article Google Scholar

Cheng, J., Wang, L. & Yan, X. Algorithme de recherche de coucou avec mémoire et diagnostic de défaut dynamique pour groupe hydroélectrique. Ing. Calcul. 2018, 1–16 (2018).

Annonces Google Scholar

Cheng, J. et al. Une méthode de diagnostic médical d'imitation d'unité de génération hydro-turbine basée sur le réseau bayésien. Trans. Inst. Mes. Contrôle 41, 04123321982666 (2019).

Article Google Scholar

Cheng, J., Wang, L. et Xiong, Y. Un algorithme de recherche de coucou amélioré et son application dans le diagnostic des défauts de vibration pour une unité de production hydroélectrique. Ing. Optim. 2017, 1–16 (2017).

Google Scholar

Zhu, J. et al. Une mesure de tendance d'état pour une unité de génération de turbine hydroélectrique basée sur l'EEMD et le SVR agrégés. Mes. Sci. Technol. 26, 125008 (2015).

Annonces d'article Google Scholar

Pan, L. & Xueli, A. Prévision de la dégradation des paramètres caractéristiques de l'unité hydroélectrique basée sur la surface de la fonction de base radiale et la décomposition modale empirique. J. Vib. Contrôle (JVC) 21(11), 2200–2211 (2015).

Article Google Scholar

An, X., Yang, L. et Pan, L. Prédiction non linéaire de la tendance à la dégradation des paramètres de condition pour l'unité hydroélectrique basée sur l'interpolation de la fonction de base radiale et la transformée en ondelettes. Cambre. Proc. Inst. Méca. Ing. Partie C J. Mech. Ing. Sci. 1989–1996 203–210/229(18), 1–9 (2015).

Wei, D. prédiction du trafic réseau basée sur le réseau neuronal RBF optimisé par un algorithme de recherche par gravitation amélioré. Calcul neuronal. Appl. 28(8), 2303–2312 (2017).

Article Google Scholar

Tomasiello, S., Loia, V. & Khaliq, A. Un réseau neuronal récurrent granulaire pour la prédiction de séries chronologiques multiples. Calcul neuronal. Appl. 1, 1–18 (2021).

Google Scholar

Fu, W. et al. Une approche hybride pour mesurer la tendance vibratoire des unités hydroélectriques avec une analyse améliorée des séries chaotiques multi-échelles et une machine vectorielle de support des moindres carrés optimisée. Trans. Inst. Mes. Contrôle. 41(15), 4436–4449 (2019).

Article Google Scholar

Chen, D. Recherche sur la prévision des flux de trafic dans l'environnement des mégadonnées basée sur le réseau neuronal RBF amélioré. IEEE Trans. Ind. Inform. 4, 1–1 (2017).

Google Scholar

Xia, R. et al. Une étude de la méthode de mesure de la conductivité thermique pour les VIP avec des réseaux de neurones RBF améliorés. Mesure 87, 246-254 (2016).

Annonces d'article Google Scholar

Mia, M. & Dhar, NR Prédiction et optimisation en utilisant SVR, RSM et GA dans le tournage dur de l'acier trempé AISI 1060 dans des conditions de refroidissement efficaces. Calcul neuronal. Appl. 31, 1 (2017).

Google Scholar

Sahraoui, Y., Bendotti, P. & D'Ambrosio, C. Engagement des unités hydroélectriques dans le monde réel : traiter les erreurs numériques et les problèmes de faisabilité. Énergie 184, 91–104 (2019).

Article Google Scholar

Wang, J., Guo, M. & Liu, Y. Engagement de l'unité hydroélectrique avec non-linéarité découplée du problème non linéaire mixte entier. Énergie 2018, S0360544218303621 (2018).

Google Scholar

Daadaa, M. et al. Un modèle d'optimisation pour maximiser la production d'énergie dans l'engagement d'unités hydroélectriques à court terme en utilisant des points d'efficacité. Int. J. Electr. Système d'énergie d'alimentation. 125, 106419 (2021).

Article Google Scholar

Vieira, B. et al. Une approche basée sur l'utilité à critères multiples pour l'engagement unitaire avec l'énergie éolienne et l'hydroélectricité à accumulation par pompage. Électr. Système d'alimentation Rés. 131, 244-254 (2016).

Article Google Scholar

Li, Y. et al. Ordonnancement optimal stochastique des micro-réseaux activés par la réponse à la demande avec des générations renouvelables : une approche analytique-heuristique. J. Propre. Prod. 330, 129840 (2022).

Article Google Scholar

Li, Y., Han, M., Yang, Z. & Li, G. Coordonner la réponse flexible à la demande et les incertitudes renouvelables pour la programmation des systèmes énergétiques intégrés communautaires avec une borne de recharge pour véhicules électriques : une approche à deux niveaux. IEEE Trans. Soutenir. Énergie 12(4), 2321–2331 (2021).

Annonces d'article Google Scholar

Li, Y., Li, J. & Wang, Y. Génération de scénarios spatio-temporels préservant la vie privée des énergies renouvelables : une approche d'apprentissage génératif profond fédéré. IEEE Trans. Inf. ind. 18(4), 2310–2320 (2022).

Article Google Scholar

Télécharger les références

Ce travail a été soutenu par les projets de planification scientifique et technologique de la province de Jilin, n° 20210201134GX.

École d'informatique, Northeast Electric Power University, Jilin, Chine

Jie Cao, Yang Li, Zhaoyang Qu et Ruxuan Zhang

Guangdong ATV Academy for Performing Arts, Dongguan, Chine

Jie Cao

École de génie électrique, Northeast Electric Power University, Jilin, Chine

Yunchang Dong

Réseau d'État Jilin Electric Power Co., Ltd., Changchun, Chine

Yaowei Liu

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Conceptualisation, JC et YL ; méthodologie, YL; logiciel, D.-YC ; validation, Q.-ZY et Z.-RX ; analyse formelle, Z.-RX ; enquête, L.-YW, et D.-YC ; ressources, L.-YW; conservation des données, D.-YC et YL ; rédaction — brouillon original, YL ; rédaction—révision et édition, JC; visualisation, Q.-ZY ; supervision, L.-YW; administration de projets, D.-YC

Correspondance à Jie Cao.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui autorise l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Cao, J., Li, Y., Qu, Z. et al. Une nouvelle méthode de réglage des axes de l'unité hydro-génératrice utilisant l'apprentissage automatique. Sci Rep 13, 2935 (2023). https://doi.org/10.1038/s41598-023-30121-0

Télécharger la citation

Reçu : 20 janvier 2022

Accepté : 16 février 2023

Publié: 20 février 2023

DOI : https://doi.org/10.1038/s41598-023-30121-0

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.