基于EMD-KPCA-LSTM的抽水蓄能机组振动预测

朱雯琪; 冯陈; 周宇轩; 张陈瑞; 韩昊轩

doi:10.20040/j.cnki.1000-7709.2024.20240425

English Version Reader LoginJournal Login

您当前的位置：

首页 >

文章列表页 >

基于EMD-KPCA-LSTM的抽水蓄能机组振动预测

更新时间：2026-02-25

- 基于EMD-KPCA-LSTM的抽水蓄能机组振动预测
- Issue 8, Pages: 160-163+131(2024)
- 作者机构：
  
  河海大学电气与动力工程学院
- 作者简介：
- 基金信息：
- DOI：10.20040/j.cnki.1000-7709.2024.20240425
  CLC： TH113.1;TV743
- Published：2024
- 稿件说明：
移动端阅览
朱雯琪, 冯陈, 周宇轩, et al. 基于EMD-KPCA-LSTM的抽水蓄能机组振动预测[J]. 2024, (8): 160-163+131.
DOI：

朱雯琪, 冯陈, 周宇轩, et al. 基于EMD-KPCA-LSTM的抽水蓄能机组振动预测[J]. 2024, (8): 160-163+131. DOI： 10.20040/j.cnki.1000-7709.2024.20240425.

摘要

针对抽水蓄能机组振动信号时间序列高度非线性、非平稳性等导致常规预测方法难以准确预测的问题，构建了结合经验模态分解(EMD)、由主成分分析(PCA)改进的核主成分分析(KPCA)和长短期记忆神经网络(LSTM)的抽水蓄能机组振动预测模型。该模型利用EMD算法首先将振动信号进行分解，再利用KPCA筛选出关键影响因子，最后通过LSTM对特征序列进行时间动态建模，实现对抽水蓄能机组振动预测。试验结果表明，所建模型相较传统的LSTM、EMD-LSTM等预测模型具有更好的预测效果，可以更精确地预测振动信号的变化趋势。

Abstract

关键词

Keywords

references

杨雄,聂赛,章志平,刘泽,卢俊琦,汤络翔,冯陈,张玉全,郑源.基于TPA机制改进的VMD-GRU抽水蓄能机组振动预测[J].水电与抽水蓄能,2023(01).

牛志升,周盛,孙宇璇.面向“双碳”战略的绿色通信与网络：挑战与对策[J].通信学报,2022(02).

陈畅,李晓磊,崔维玉.基于LSTM网络预测的水轮机机组运行状态检测[J].山东大学学报(工学版),2019(03).

张兰芳,张朝龙,纪娟娟.基于核主元分析和极端学习机的轴承故障诊断方法[J].电子测量与仪器学报,2018(02).

Zhu Guorong,Peng Sha,Lao Yongchang,Su Qichao,Sun Qiujie.Short-Term Electricity Consumption Forecasting Based on the EMD-Fbprophet-LSTM Method[J].Mathematical Problems in Engineering,2021.

Huamin Li,George C. Linderman,Arthur Szlam,Kelly P. Stanton,Yuval Kluger,Mark Tygert.Algorithm 971[J].ACM Transactions on Mathematical Software (TOMS),2017.

Views

170

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

基于ICEEMDAN和CNN-LSTM-ATTENTION的抽水蓄能机组振动预测

基于组合模型的月降水量预测研究

基于CNN-LSTM模型的城市洪水二维时空预测研究

回水顶托效应下巨型水电站下游水位预测研究

基于线性可加模型的渡槽变形预测对比

Related Author

汪靖尧

张玉全

张永杰

罗依竟

程桂芳

王雪敏

封天雨

初翔宇

Related Institution

郑州大学数学与统计学院

中国市政工程华北设计研究总院有限公司

中国长江电力股份有限公司

华中科技大学土木与水利工程学院

北京中水科工程集团有限公司

AI问答

⁰