故障预警问题是确保风能冷藏机组在信息网络环境中安全运行的关键。
对冷风能量存储单元的参数信息和运行信息的特征，提出了一种基于混合EEMD技术的多步时间序列预测模型。模型使用与极端云计算机的ELM算法相关联的经验模式分解EEMD技术来解决算法中的XOR问题。用该模型，实现了风能冷库单元访问信息的多阶段预测，并结合安全范围包络，确定系统中是否存在缺陷。
前。计结果表明，与传统的时间序列预测方法相比，EEMD-ELM模型的准确性和准确性得到了极大的提高，并且提高了泛化能力，证明了有效性和该方法的可行性。为一个基于经济发展和人类生活的能源供应系统，电力系统也具有大数据的典型特征[1]。电产业已成为中国能源产业的重要组成部分。国累计安装了92，981个冷风能储能装置，累计装机容量为145，362兆瓦，随着风力发电机冷却机组装机容量的增加，系统越来越多更复杂，设备的故障率也增加，导致存储单元的运行和维护。本增加。前，风能储存单元的运行和维护主要基于热能储存单元的保障策略，采用常规和后续的维护方法。而，由于风能存储单元和热能存储单元之间的结构，操作环境和操作模式的不同，操作和维护风能存储单元不能准确有效地监控设备的运行状态，冷库安装并且可能发生各种设备故障。过连续构建国家电网信息，风能存储单元生成关于冷藏单元的大容量存储和参数数据的操作信息。了充分利用和分析这些数据，冷库安装云计算的使用可以快速检测冷藏单元中的故障。
于基于EEMD-ELM混合算法的云计算技术，本文预测了冷库机组的参数和运行数据，以实现风电设备的故障预警，并为此构成科学参考。藏库的安全性和可靠性。节将EEMD混合建模技术策略用于风力涡轮机的一系列运行信息。EEMD混合模型技术用于分解不同尺度的特征，混合EEMD-ELM模型用于时间序列预测。验模式分解（EMD）[2]是Hilbert-Huang变换（HHT）的基本算法，HHT是一种允许在局部水平进行数据自适应的分解技术。EMD对冷风能量存储单元的复杂参数信息和操作信息进行平滑预处理，然后将复杂的操作信息分解为一组固有模式函数（IMF）提供更好的性能和功能之间的规模差异很大。
上包络线和下包络线的平均值m1的差异由h1表示。-C1。于r1继续上述分解，直到第n级的剩余序列是单调函数或其值小于预定值并且终止分解。
中n是特征函数的数量，并且是P（t）网络上入侵操作记录序列的主要趋势项。于EMD分解过程中存在包含显着差异的信号的IMF分量，因此将经验集合分解（EEMD）[4]用于此问题，并将其添加到信息序列中操作冷藏存储单元。
系列低信噪比白噪声经过上面的经验模式分解。过迭代计算，定义的平均值是为了增加白噪声消失，从而实现克服的问题。合模式。
般算法的流程图如图1所示。了验证时间预测算法模型的性能，本文档使用EEMD-ELM来警告风力涡轮机的冷藏单元。实用程序花了3个月的时间从信息系统数据库分发的服务器操作参数中获取20个数据。细过程如下。用实时冷藏单元参数记录器获得操作参数：弯矩转矩载荷数据用作原始和标准化数据。全数据库密度估计为正常操作生成安全阈值范围。叉验证方法用于将负载数据划分为五组数据，前四组用作训练集，最后一组用作验证集，训练集用于形成算法模型的网络。证集数据在本文档中建立的EEMD-ELM模型中被替换用于时间序列预测。实际结果与预期结果进行比较。个过程如图2所示。用RMSE [6]均方误差作为模型的评估性能指标，关于弯矩和单元扭矩负载的信息预测风能的冷藏并与ARIMA算法进行比较。图3和图4所示。3和图4清楚地示出了本文档中提出的基于云的EEMD-ELM算法模型具有较少的错误并且比ARIMA算法更准确。
统时间预测对时间序列预测的影响结论本文提出了一种与云计算技术相关的EEMD-ELM算法模型，利用冷风能量存储单元信息预测基于时间序列的时间序列。削。方法仅通过依赖风能存储单元的负载数据的历史安全操作就可以获得风能存储单元的操作的安全盖的包络，然后根据风能存储单元的实时使用负荷数据预测下一次。
后发出失败警告。据本文的分析，可以得到以下结论。新使用EEMD技术来分解复杂多变的时间序列操作加载时间数据，然后使用ELM执行分布式时间子系列分布式预测，从而实现复杂多样的时间序列预测。期的充电数据使得可以预先知道风能存储单元的下一个操作。据以下负载数据，如果安全范围，则及时发送故障警告信息。经过时了。据验证结果，多步预测的误差控制小于4.3％，这符合技术精度要求。
本文转载自
冷库安装 https://www.iceage-china.com