基于OVMD-TVFEMD二次分解和HPO-ELM的水电机组振动趋势预测

针对已有水电机组振动趋势预测模型的局限性,提出了一种基于最优变分模态分解(OVMD)、时变滤波器经验模态分解(TVFEMD)、猎人猎物优化算法(HPO)和极限学习机(ELM)的水电机组振动趋势预测方法。该方法先通过OVMD对原始水电机组振动信号进行自适应分解,进一步采用TVFEND对分解后的残差进行二次分解。然后建立各子序列的HPO-ELM振动趋势预测模型;叠加重构所有子序列预测结果获得最终的预测振动信号。研究结果表明,该方法预测效果明显优于传统方法,有效提高了水电机组振动趋势预测精度,具有较好的工程应用价值。

基于BP神经网络的水电机组振动趋势预测研究

振动值是反映水电机组运行工况的重要参数,其变化与水电机组故障发展有着紧密的关联,通过研究故障发展过程中振动值的趋势和规律,设计了BP(Back-Propagation Algorithm)神经网络预测模型,仿真结果表明该模型具有较好的预测效果,从而可提前对水电机组振动趋势进行预测,对机组的状态进行预判,并制定相应的对策。

基于CNN-BiGRU的水电机组振动趋势预测

水电机组振动信号是健康状态评价和劣化预警的重要内容,准确预测机组振动变化趋势可以提高机组运行的安全性和可靠性。针对目前单一模型难以获得最优预测结果的问题,提出了一种CNN-BiGRU组合模型振动预测方法。首先,利用卷积神经网络(CNN)提取数据局部特征,然后,将其与双向门控循环单元(BiGRU)网络并行,构建出CNN-BiGRU组合预测模型。该模型旨在通过将CNN的自适应提取局部信息能力与BiGRU的时间系列预测优势相结合,提高预测精度和通用性。最后,以国内某水电站机组轴向振动峰峰值进行预测研究,结果表明,所提模型可有效预测机组振动变化趋势,为水电机组振动预测提供一种新思路。

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RBF神经网络算法的水电机组设备振动趋势预测方法

传统的水电机组设备振动预测方法多基于经验公式或统计分析,这些方法在处理复杂非线性问题时存在一定局限性;因此,现提出基于RBF神经网络算法的水电机组设备振动趋势预测方法。通过采集与预处理水电机组设备的运行数据、构建RBF神经网络预测模型、预测水电机组设备的振动趋势三步骤完成设计,实现对机组振动趋势的精准预测和有效控制,为水电站的安全、高效运行提供有力保障。实验结果:RBF神经网络能够准确地预测水电机组设备的振动趋势,传统方法在实际数值的预测上往往存在较大的偏差,而相比之下,RBF神经网络在预测时能够提供更接近实际值的结果,其预测值与实际值之间的误差相对较小。证明该方法能够准确地预测机组的振动趋势,为提前发现潜在问题、保障机组安全稳定运行提供了有力支持。

基于运行效率分布差异的水电机组劣化状态趋势预测

为解决水电机组劣化状态难以刻画及预测精度低的问题,需深入探究不同机组状态下运行效率的分布差异特性,提出了一种基于运行效率分布差异的水电机组劣化状态趋势预测方法。首先,综合考虑水电机组工况(水头、流量)与效率之间映射关系和状态监测数据随机性,利用高斯混合模型拟合多工况下机组健康状态运行效率的概率分布特性;在此基础上,计算观测样本在机组健康状态分布下的负对数似然概率,并以此作为水电机组劣化状态指标,表征观测样本与机组健康状态标准分布之间的偏差;进一步采用非因果原理和高斯误差线性单元,分别改进时间卷积网络(TCN)的膨胀卷积模块和残差模块,并融合门控循环单元(GRU),设计并构建水电机组劣化状态预测模型;最后,利用某水电站#6机组实际运行监测数据开展方法验证。结果表明,所提方法能有效提升机组劣化状态趋势预测精度。

基于样本熵重构与RF-LSTM模型的水电机组状态趋势预测

针对水电机组运行状态预测问题,提出一种基于样本熵重构(sample entropy reconstruction, SER)与随机森林(random forest, RF)-长短期记忆网络(long short-term memory, LSTM)的混合预测模型。首先,利用改进自适应噪声完备集成经验模态分解(improved complete ensemble empirical mode decomposition with adaptive white noise, ICEEMDAN)方法,将复杂非线性振摆信号分解为一组本征模态(intrinsic mode functions, IMFs)分量;其次,采用SER原理重组具有相似复杂度的IMFs,得到多个重构特征分量(reconstruction feature components, RFCs);然后,利用随机森林预测样本熵最小的RFC,利用LSTM预测剩余的RFCs;最后,叠加各RFCs预测结果,实现水电机组状态趋势的准确预测。实验结果表明,所提方法具备更优的预测性能,可为实施机组预测性维护提供可靠的数据支持。

基于AR模型的水电机组振动信号趋势预测

文章提出对水电机组振动信号进行AR模型趋势预测。将现场测得的上机架非平稳振动信号通过差分转化为平稳时间序列,使用Burg算法进行AR模型的参数估计。通过最后的预测数据与原始数据的对比,表明AR模型可以较好的拟合水电机组的振动信号,达到了趋势预测的要求。

基于果蝇优化算法的GRNN水电机组状态趋势预测

针对水电机组振动的非线性、非平稳特性,提出了一种基于果蝇优化算法(FOA)的广义回归神经网络(GRNN)模型(FOAGRNN),实现了GRNN分布参数的优化选择,并对四川省新政航电工程3台机组5个不同部位的振动序列峰峰值进行了预测,与BP神经网络预测结果的均方误差(MSE)对比结果表明,FOAGRNN预测精度较高。

基于RFOA优化GRNN的水电机组振动预测

针对水电机组振动的非平稳、非线性特点,提出利用改进果蝇算法(RFOA)优化广义回归神经网络模型(RFOA-GRNN)。通过改进果蝇算法的搜索步长和气味浓度判定公式,使该算法的局部寻优能力增强,收敛速度提高。通过8种常用的基准函数对FOA算法、DSFOA算法、RFOA算法进行仿真测试,测试结果验证了RFOA算法的有效性。利用三种优化算法优化GRNN的平滑因子,将优化后平滑因子代入GRNN模型对水电机组振动进行预测。结果表明,与FOA-GRNN和DSFOA-GRNN两种预测模型相比,RFOA-GRNN预测模型的预测结果最大相对误差分别降低了99.96%和99.28%。可以得到RFOA-GRNN模型的预测精度和稳定性方面均优于其他两种模型,验证了此模型的有效性。将其应用于水电机组状态趋势预测研究中,可为维护人员提前发现水电机组故障并及时检修进而保证水电机组安全稳定的运行提供保障。

基于支持向量机的水电机组状态趋势预测研究

趋势预测是水电机组状态监测与故障诊断系统中的重要内容之一,对保障机组安全稳定运行具有重要意义。针对水电机组振动的非线性、非平稳特性,提出将最小二乘支持向量机应用于水电机组振动状态趋势预测;并将该算法应用于某水电机组振动序列峰峰值的预测,与BP神经网络的预测结果的对比表明:最小二乘支持向量机算法更适合于水电机组状态趋势预测分析。

基于VMD-XGBoost模型及因果特征选取的汽轮发电机组振动信号预测技术研究

“双碳”目标下,我国能源格局产生深刻变化,对汽轮机发电机安全稳定运行的要求进一步提高,深入挖掘分析海量运行数据有助于机组运行状态的评估及预测。提出构建汽轮发电机组参数因果关系网络探究参数间的因果关系,利用VMD算法分解振动信号并搭建XGBoost预测模型对各信号分量进行预测,叠加各信号分量的预测值以得到振动信号的预测结果。利用国内某1000MW汽轮发电机组运行数据对所提模型进行论证实验,结果表明本文所提模型有较高预测精度。

基于EEMD-GA-BP的水电机组状态趋势预测

电厂、电网的安全稳定与水电机组的运行状态息息相关。机组状态趋势预测弥补了故障诊断作为事后决策的不足,通过预测提前发现故障征兆,可以避免事故发生。本文结合EEMD和神经网络理论,提出了一种水电机组状态趋势预测模型。以国内某两电站的机组振动状态趋势预测为例,首先对机组振动信号进行EEMD分解,其次利用GA-BP预测模型预测各IMF分量运行趋势,最终预测信号是各分量的预测结果累加得到。实验结果表明,该模型能实现机组振动状态趋势的有效预测,相较于其他方法精度更高。

基于能量熵重构与支持向量回归的水电机组状态趋势预测

针对水电机组运行状态趋势预测的问题,提出了一种基于能量熵重构(EER)与支持向量回归(SVR)的混合预测模型。先针对复杂非平稳监测信号,利用快速集成经验模态分解(FEEMD)算法将其分解为多个本征模态函数(IMFs)分量和单个残余分量;然后基于能量熵(EE)理论对各分量进行重构,以有效降低分量的复杂度;最后,将生成的重构本征模态函数(RIMFs)作为SVR的输入,训练模型参数得到最优的SVR,用于预测机组状态发展趋势。与实例对比分析表明,所提混合预测模型具有较高的预测精度,为机组运维策略的制定提供了一定的指导。

基于CEEMDAN-IPSO-LSTM的水电机组振动预测研究

针对水电机组振动的非线性、非平稳特点,提出一种完全自适应噪声集合经验模态分解(CEEMDAN)方法和长短期记忆(LSTM)神经网络相结合的振动预测模型,利用改进的粒子群优化算法(IPSO)对调节参数进行优化以提高预测精度,采用CEEMDAN算法将振动数据计算展开为多个固有模态函数(IMF),通过计算相关系数筛选出有效的IMF,最后将筛选结果重构后输入LSTM进行模型预测,并与LSTM、支持向量回归(SVR)、CEEMDAN-IPSO-SVR进行对比。结果表明,提出的CEEMDAN和LSTM相结合的振动预测模型可以有效识别水电机组不同运行工况下的振动信号,为故障预警、水电机组安全高效运行提供依据。

基于排列熵重构与长短期记忆神经网络的水电机组振摆趋势预测方法

针对常规水电机组振摆趋势预测问题,设计了一种基于排列熵重构(PER)与长短期记忆(LSTM)神经网络的混合预测模型。先针对复杂非线性振摆信号,利用变分模态分解(VMD)对其进行固有模态分量(IMFs)提取;其次,为降低IMFs复杂度,采用排列熵原理对所得IMFs进行重构,获取重构序列分量(RSCs);最后,将RSCs作为LSTM模型的输入,通过训练得到拟合度最优的LSTM,进而实现机组振摆趋势的预测。选用国内某水力发电厂^(#)3机组的摆度监测信号作为试验数据进行对比分析,结果表明相比于已有方法所提方法具有更优的预测性能,预测结果对于推动机组状态检修发展具有重要意义。

基于FEEMD与CLSTM的水电机组趋势预测

为及时掌握水电机组的运行状态趋势,本文提出了一种基于快速集成经验模态分解(FEEMD)与卷积-长短记忆神经网络(CLSTM)的水电机组状态趋势预测方法。所提CLSTM预测模型在传统的LSTM单元中引入了卷积操作,可更好地捕捉本征模态分量中的局部特征,且该模型可同时处理时间和空间维度的数据,有效提升预测精度。最后,通过国内某水电机组下导摆度趋势预测实验,验证了该方法可准确预测水电机组的运行状态趋势。

某抽水蓄能机组振动趋势预测研究

振动是影响抽水蓄能机组正常运行和危害机组寿命的主要故障。本文对某250MW抽水蓄能机组异常振动开展理论预测研究,并基于ARMA方法建立机组振动趋势预测模型,实现对机组上导轴承及上机架的振动趋势预测。结果表明,振摆预测数据和实际数据接近,预测误差均在10%以内,能够有效预测机组振动趋势,可为保证机组旋转过程中的稳定性及故障诊断提供理论支撑和技术依据。

虚拟仪器平台下的大型机组振动烈度预测模型研究

大型旋转机组运行状态趋势预测是保证关键设备安全运行的先进技术。在大型旋转机组运行过程中,机组振动烈度值常常表现为具有趋向性的非平稳时间序列;为对大型机组发展状态进行趋势预测,建立了灰色预测模型。为了能够快速适应不同用户和不同环境,构造了具有开放性的和柔性的虚拟仪器平台下的预测系统,并在工业现场得到实际应用。

基于神经网络的水电站厂房结构振动响应预测

针对水电站厂房结构振动主要由水力、机械和电磁三大类振源引起,结合景洪水电站机组与厂房振动联合测试数据,在分析厂房结构与机组振动响应关系的基础上,应用径向基神经网络建立了厂房结构振动预测模型。实例结果表明,该方法简单、有效、预测精度较高,可供同类工程参考。