ICLRApr, 2024

基于物理约束的循环神经网络的通用化温度预测模型 在风力涡轮机组件预测性维护中的应用

PDF
TL;DR基于物理约束的深度学习技术在风能预测性维护中发挥重要作用，特别适用于部分系统信息不完整的实际应用场景。
machine learningpredictive maintenancewind energyphysics-based knowledgeneural networks
发现论文，激发创造
  • 使用物理信息神经网络和证据不确定性量化预测风力发电机功率

    使用物理信息神经网络对来自 4 台风力发电机的历史数据进行回归建模，同时引入高效的证据层对预测进行不确定性估计，证明其与绝对误差一致，并为功率曲线定义了一个置信区间。

    Jul, 2023

  • 深度学习在油田设备预测性维护中的应用

    本文探讨了用人工智能和深度学习 (特别是神经网络) 进行预测性维护、诊断和预测的新兴技术应用，开发并测试了多种神经网络结构，使用公共数据集进行了诊断和预测。在结合深度学习技术 (如主成分分析和信号处理) 进行数据处理和特征提取的同时，探讨了这些技术在油田临界设备的预测性维护中的潜在应用，以降低意外停机和维护成本。

    Jun, 2023

  • 设备健康评估：风力发电机性能的时序分析

    利用 SCADA 数据和先进的时间序列方法（FNN 和 LSTM 网络），我们预测不同风力涡轮的发电量，同时提出了集成 FNN 和 LSTM 模型的新方法以提高预测的稳定性和准确性。此外，我们应用机器学习技术来检测风力涡轮性能的退化，从而实现主动维护策略和健康评估。这些研究结果突显了为不同涡轮提供自动化定制的重要性。值得注意的是，该研究方法不仅适用于风力涡轮，还可在各种机械设备中扩展，突出了我们研究的多样性和适用性。

    Mar, 2024

  • 物理引导的机器学习在科学探索中的应用：模拟湖水温度剖面

    本文提出了一种物理引导递归神经网络模型（PGRNN），它根据物理学模型和机器学习模型相结合，明确提出物理模型的局限性并提出了一种新的改进方法，该方法能够更好地预测实际现象。

    Jan, 2020

  • 利用 SCADA 数据和连续学习进行风力发电预测的偏差校正

    通过评估和比较四种基于机器学习的风力发电预测模型，我们发现卷积神经网络在纠正和改进从数值天气预报模型中提取的 48 小时风力预测方面取得了最好的结果，平均归一化均方根误差降至 22％，同时减少了均方根误差，并且未来研究应当探究模型流程的变化以提高预测性能。此外，我们引入了连续学习策略，该策略在新数据可用时取得了最高的预测性能提升。

    Feb, 2024

  • 一种用于多步风力预测的并行 CNN-RNN 方法

    本文提出了一种融合卷积神经网络和循环神经网络的 CNN-RNN 结构，使用来自地理网格多个点的气象数据和风电场的时间信息进行日前风电预测，并在全球预测中取得了较好的结果，与传统模型相比，更好的实现了空间特征提取。

    Jan, 2023

  • 基于物理引导的循环神经网络模型用于建模动态系统：监测湖泊水温和水质

    本文介绍了一种新型的框架，将物理学的科学知识与递归神经网络相结合，来推进许多动态系统的科学发现。我们将描述使用基于物理模型的输出来学习混合物理数据模型的方法，并进一步将现实动态系统的物理知识作为训练递归神经网络的附加约束。我们应用此方法来模拟湖泊温度和水质，通过使用科学知识指导构建和学习数据驱动模型，我们证明该方法可以实现更好的预测精度以及结果的科学一致性。

    Oct, 2018

  • 基于残差注意力物理网络的可再生能源电厂中变压器的高效时空寿命评估

    通过物理学信息神经网络配置的部分微分方程与数据驱动神经网络相结合的高效时空模型，改进了对变压器绕组温度和老化估计的预测准确性和获得时空分辨率，进而推断了时空变压器老化模型，帮助变压器健康管理决策，并提供了关于变压器绝缘体的局部热老化现象的见解。

    May, 2024

  • 金属增材制造中基于物理启发神经网络的实时二维温度场预测

    利用物理感知神经网络和 ConvLSTM 结构，我们提出了一种用于金属增材制造温度场预测的框架，可在实时预测和在线控制中应用，验证结果表明其在不同场景中具有灵活性和准确性。

    Jan, 2024

  • 物理导向循环神经网络模拟动力系统：以模拟湖泊温度剖面为案例研究

    该论文提出了一种物理引导的循环神经网络模型，结合了循环神经网络与基于物理的模型，利用它们的互补优势来改善物理过程建模的精度，从而在各种科学和工程领域得到应用。

    Oct, 2018