基于改进MSET的一次风机故障预警及诊断方法

针对电站风机故障预警和故障点追溯等问题,基于改进多元状态估计技术(MSET)模型和误差分量,提出了一次风机故障预警和诊断方法。首先,介绍了多元状态估计技术的概念;选取了建模变量,并进行了数据预处理,通过构建改进动态记忆矩阵D,进行了MSET模型有效性的验证;然后,使用相似度函数作为故障预警依据,并利用滑动窗口法降低了噪音干扰,采用两种动态记忆矩阵构建方法,分别建立了模型,并进行了模型的有效性验证;最后,采用人为增加扰动的方式,模拟了温度、振动故障数据,进行了故障预警模拟,并通过计算各参数的误差分量进行了故障点追溯。研究结果表明:改进的动态记忆矩阵建模方法具有更高的准确度和更强的抗干扰能力;改进MSET和误差分量模型可成功实现故障的提前预警和故障点追溯功能。该模型能够为电站设备故障预警和检修提供借鉴。

基于大数据平台的SO_(2)排放GWO-N-BEATS预测算法

为了更精确地预测SO_(2)排放质量浓度,解决非线性随机预测问题,提出了一种基于随机森林特征选择的GWO-N-BEATS算法。通过随机森林算法筛选输入参数的特征,使用灰狼优化算法对N-BEATS算法的超参数进行优化;与长短期记忆网络(Long Short-Term Memory, LSTM)、门控循环神经网络(Gated Recurrent Unit, GRU)以及N-BEATS算法对比分析,验证了GWO-N-BEATS算法的有效性。将本算法应用于某大型电网公司大数据平台,探索了复杂智能算法在大数据平台上开展污染物排放预测的可行性。研究结果表明,相较于长短期记忆网络、门控循环神经网络和N-BEATS方法,GWO-N-BEATS算法预测误差更小,其中平均绝对百分比误差MAPE为1.50%,相对均方误差RMSE为0.42,平均绝对误差MAE为0.33,决定系数R^(2)为0.97。