1. 国网新源集团有限公司湖北分公司
2. 哈尔滨大电机研究所有限公司
3. 哈尔滨电机厂有限责任公司
4. 哈尔滨电气国际工程有限责任公司
纸质出版:2026
移动端阅览
惠振国, 张纪缘, 石二楼, 等. 基于自适应特征筛选与集成模型的抽水蓄能机组振动预测[J]. 大电机技术, 2026,(3):38-45.
惠振国, 张纪缘, 石二楼, et al. 基于自适应特征筛选与集成模型的抽水蓄能机组振动预测[J]. 2026, (3): 38-45.
惠振国, 张纪缘, 石二楼, 等. 基于自适应特征筛选与集成模型的抽水蓄能机组振动预测[J]. 大电机技术, 2026,(3):38-45. DOI:
惠振国, 张纪缘, 石二楼, et al. 基于自适应特征筛选与集成模型的抽水蓄能机组振动预测[J]. 2026, (3): 38-45. DOI:
针对抽水蓄能机组振动信号因非平稳与非线性特性导致的预测精度不足问题,本文提出一种基于自适应特征筛选与集成学习的混合预测框架。该框架首先对原始振动信号进行经验模态分解,并依据统计显著性检验将所得本征模态函数划分为高、低频分量。对于高频分量,构建多维度统计特征并结合重要性评估实现自适应特征筛选,进而采用XGBoost、极端随机树与多层感知机的加权集成策略进行预测;对于低频分量,则选用最优指数平滑模型进行建模。实验结果表明,所提方法在各项评估指标上均显著优于传统模型,能有效捕捉振动信号的动态变化规律,为机组的预测性维护提供了有效解决方案。
Pierre Geurts,Damien Ernst,Louis Wehenkel.Extremely randomized trees.[J].Machine Learning,2006.
陈鹏.基于数据驱动的抽水蓄能机组劣化趋势评估与预测研究[D].华中科技大学,2023(03).
任家朋.抽水蓄能机组振动故障诊断与劣化趋势预测研究[D].华中科技大学,2022(11).
胡列豪.基于深度学习的抽水蓄能机组轴承故障诊断与振动趋势预测研究[D].华南理工大学,2024(08).
曾德军,缪俊骏.一种用于抽水蓄能机组的振动预测方法[P].中国电建集团贵阳勘测设计研究院有限公司,2024.
毕扬,郑波,张亚武,朱溪,江亚兰,李超顺.基于MIC与BiGRU的水电机组振动趋势预测[J].水利学报,2021(05).
王青华,曾辉,张政,莫亚波,朱春鹏.某抽水蓄能机组振动趋势预测研究[J].水电与抽水蓄能,2021(03).
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).
付波,聂兴宇,赵熙临,王诗雯,李超顺.基于VMD-SE-PSO-BIGRU模型的水电机组振动趋势预测[J].水电能源科学,2023(12).
张明儒,孙永鑫,赵日升,刘忠仁,于爽,韩毅,梁彬.水电机组故障诊断专家系统运行状态智能预测及故障识别[J].节能技术,2024(05).
马泽宁,郑阳,柳无双,田波,陈启卷.基于综合指标降噪的CEEMDAN-TCN水电机组振动趋势预测[J].水电能源科学,2024(11).
钟子威,祝令凯,郭俊山,郑威,巩志强,商攀峰.基于Transformer和ARMA双数据驱动模型的抽水蓄能机组劣化趋势集成预测[J].水电能源科学,2025(03).
朱雯琪,冯陈,周宇轩,张陈瑞,韩昊轩.基于EMD-KPCA-LSTM的抽水蓄能机组振动预测[J].水电能源科学,2024(08).
魏学锋,刘德新,陈鹏,苏纪成,汪昱,吴韬为,李超顺.基于HHO-VMD-BiGRU的水电机组振动趋势预测[J].中国农村水利水电,2025(10).
付文龙,祝鑫锋,熊浩伟,相莹,邵孟欣,孔泽昊,孙政.融合自适应特征与优化KELM的抽蓄机组振动预测[J].水力发电学报,2025(08).
惠振国,胡志平,孙政,祝旭,许颜贺.基于改进EMD和GAM-TCN模型的抽水蓄能机组状态趋势预测[J].水电能源科学,2025(06).
郭茂林.基于深度学习的水电机组区域检修管理系统设计[J].电子设计工程,2025(07).
樊玉林,桂中华,王明芳,安学利.基于VMD的抽水蓄能机组振动参数演化预测[J].中国水利水电科学研究院学报,2016(05).
0
浏览量
下载量
CSCD
关联资源
相关文章
相关作者
相关机构