基于参数自适应SVR和VMD-TCN的水电机组劣化趋势预测

针对水电机组难以利用实时监测数据对机组劣化状态进行有效评估,以及水电机组不同运行工况对运行状态指标趋势预测模型参数影响显著的问题,提出一种基于参数自适应支持向量回归机(SVR)、变分模态分解(VMD)和时间卷积网络(TCN)的水电机组劣化趋势预测方法;首先按照功率和水头将机组运行工况细化为若干典型工况,在此基础上采用改进天鹰算法建立SVR模型,对各个工况下的预测参数进行寻优,建立起工况与最优参数的数据;再通过神经网络对工况和最优预测参数进行拟合,构建出映射两者复杂关系的非线性函数,然后将构建出的映射关系加入到传统的SVR中,实现适应于水电机组工况变化的自适应SVR健康模型;其次,根据健康模型输出的标准值和监测数据,计算出劣化趋势序列;最后,考虑到劣化趋势序列的非线性因素,建立了一个基于VMD-TCN的时间序列预测模型,以实现对劣化趋势的准确预测。并设计多组对比实验,验证所提出模型的精度更高,时间更快。

基于RFR和VMD-TCN的抽水蓄能机组劣化趋势预测方法

抽水蓄能机组具有结构复杂、工况复杂多变、故障复杂多样等特点。利用实时监测数据有效评价抽水蓄能机组的劣化状态并对劣化趋势进行准确地预测仍是一个难题。为此,提出一种基于随机森林回归(RFR)、变分模态分解(VMD)和时间卷积网络(TCN)的抽水蓄能机组劣化趋势预测方法。首先,基于健康状态下的历史监测数据,选择与状态监测数据关联性强的工况参数数据作为健康状态模型的输入,建立基于RFR的健康状态模型;其次,输入实时工况参数数据,根据健康模型输出的标准值与实时状态监测数据计算得到劣化趋势序列;最后,考虑到劣化趋势序列的非线性因数,设计了基于VMD-TCN的时序预测模型,以实现对劣化趋势的精确预测。为验证所提方法的有效性,采集位于中国浙江的抽水蓄能电站真实监测数据进行多组对比实验。结果显示,所提出的方法在建立健康模型时拟合精度达到了0.98,并且在劣化趋势预测任务中,基于VMD-TCN的时序预测模型相比于其他比较模型具有更高的预测精度。

基于VMD-BiLSTM-Attention的抽水蓄能机组性能劣化趋势预测

为提高抽水蓄能机组的安全稳定运行能力,解析其运行状态,获取机组设备的健康状况,准确预测其未来发展趋势,提出一种融合变分模态分解(VMD)和注意力机制(AM)的双向长短期记忆网络(BiLSTM)的趋势预测模型。首先,利用Bagging算法建立考虑机组有功功率、工作水头、导叶开度和转速等影响的健康状态模型;其次,依据健康状态模型,计算机组的劣化趋势序列,利用VMD算法对趋势序列进行分解,得到多个平滑稳定的模态分量;最后,对每个模态分量建立双向长短期记忆网络和注意力机制结合的模型进行趋势预测,并将各分量预测结果叠加,得到机组最终的趋势预测结果。仿真结果表明,文中所提方法能准确地表达机组的劣化趋势,并能有效地提高劣化趋势的预测精度。

基于机器学习的水电机组劣化趋势预测模型

水电机组的劣化影响着水电站乃至电力系统的安全稳定运行。为了准确解析水电机组运行状态,获取机组的劣化趋势并对其进行准确预测,本文提出了一种基于极限梯度提升算法、变分模态分解算法、双向门控循环单元神经网络和注意力机制的水电机组劣化趋势预测混合模型。该方法首先用极限梯度提升算法建立考虑工作水头、有功功率和导叶开度影响的水电机组健康状态模型;其次,根据健康状态模型,推导出数年后的水电机组劣化趋势;再次,通过变分模态分解算法对水电机组劣化趋势进行分解,得到多个相对平稳的固有模态函数分量,并对每个模态分量建立双向门控循环单元神经网络和注意力机制的组合模型进行预测;最后,将预测模型的结果进行叠加,得到最终的趋势预测结果。实例分析结果表明,所提方法能准确地表达水电机组的劣化趋势,并且能有效地提高机组劣化趋势的预测精度。

灰色模型GM(1,1)在带式输送机轴承劣化趋势预测中的应用

在工程应用中识别轴承故障已经不能满足设备维护策略制定的需求,利用振动信号对轴承的劣化趋势进行预测,对轴承全寿命周期各阶段的峰值指标、歪度指标、峭度指标、均方根等时域指标变化趋势进行分析,将峰值指标作为反映带式输送机轴承健康状态的退化特征量,形成退化特征序列。利用退化特征量建立灰色预测模型,预测轴承劣化趋势的变化。通过工程应用进行验证,结果表明,灰色模型可以有效地预测轴承劣化趋势,具有工程实用价值。

基于自编码压缩与多尺度特征提取的抽水蓄能机组劣化趋势评估与预测

恶劣的运行环境为抽水蓄能机组安全运行带来严峻挑战,抽水蓄能机组劣化趋势评估与预测技术能够有效反映机组运行状况并预测机组未来劣化情况,为机组状态检修提供重要依据。然而,机组运行工况参数中存在大量冗余或干扰信息,严重影响劣化趋势评估的可靠性;此外,难以对复杂的劣化趋势序列实现准确的预测。为解决上述问题,提出一种基于自编码压缩与多尺度特征提取的抽水蓄能机组劣化评估预测模型。首先,为降低拟合误差,利用深度自编码器(DAE)凝练工况参数中的关键信息,结合多层感知机(MLP)建立健康模型;其次,根据机组运行数据与健康模型,生成机组劣化度;最后,以一维卷积神经网络(1DCNN)提取局部空间特征,以双向门控循环单元(BiGRU)提取双向全局时序特征,结合二者的优势,构建多尺度特征提取网络,实现精确的劣化趋势预测。通过某抽水蓄能机组验证了该模型的有效性。与其他模型相比,自编码压缩模型的拟合误差最低,能够生成可靠的劣化趋势;多尺度特征提取网络能够学习劣化趋势序列中的长期趋势与局部波动信息,预测精度更高。

风电机组轴承健康劣化趋势建模与仿真

以风电机组轴承为研究对象,利用SCADA(Supervisory Control And Data Acquisition)监测参数,应用最小二乘曲面拟合算法,建立轴承温度健康状态劣化趋势模型。改进并应用EEMD(Ensemble Empirical Mode Decomposition)方法,分解具有非平稳性特性的轴承劣化趋势为一系列相对平稳的分量,利用时间序列神经网络分别对各分量单独预测,叠加所有分量的预测值作为最终的预测结果。经过仿真测试,该方法能够以更高的精度预测风电机组轴承健康状态劣化趋势。

水电机组劣化趋势混合预测模型

提出了一种基于最小二乘曲面、固有时间尺度分解、最大Lyapunov指数预测和灰色预测模型的水电机组劣化趋势混合预测模型。首先,建立了考虑有功功率、工作水头作用的基于最小二乘曲面的水电机组劣化趋势模型。然后,利用固有时间尺度分解方法将水电机组劣化趋势时间序列按不同尺度进行有效分解,使其平稳项和非平稳项分离。其次,对平稳项采用灰色预测模型加以预测,通过对非平稳项的混沌特征研究,发现其具有明显的混沌特征,进而提出了应用最大Lyapunov指数预测模型对非平稳项进行预测。最后,将不同尺度时间序列预测结果进行重构,实现对水电机组劣化趋势时间序列的预测。预测结果表明,该方法具有较好的预测精度,能及时、准确地预测水电机组的劣化趋势。