1. 国家电网有限公司
2. 中国电力科学研究院有限公司
3. 华中科技大学土木与水利工程学院
纸质出版:2023
移动端阅览
王璞, 姬联涛, 陈龙翔, 等. 基于WOA-VMD-TCN的水电机组振动趋势预测[J]. 水电能源科学, 2023,(6):175-179.
王璞, 姬联涛, 陈龙翔, et al. 基于WOA-VMD-TCN的水电机组振动趋势预测[J]. 2023, (6): 175-179.
王璞, 姬联涛, 陈龙翔, 等. 基于WOA-VMD-TCN的水电机组振动趋势预测[J]. 水电能源科学, 2023,(6):175-179. DOI: 10.20040/j.cnki.1000-7709.2023.20221389.
王璞, 姬联涛, 陈龙翔, et al. 基于WOA-VMD-TCN的水电机组振动趋势预测[J]. 2023, (6): 175-179. DOI: 10.20040/j.cnki.1000-7709.2023.20221389.
水电机组振动趋势预测是保障机组正常运行的重要举措,但由于机组振动信号的复杂性和非平稳性使得准确预测成为难题。为此,提出一种基于自适应变分模态分解和时间卷积网络(TCN)的组合趋势预测模型。首先利用鲸鱼群算法(WOA)优化选择变分模态分解(VMD)参数,避免盲目选择参数的弊端,实现振动信号的最优自适应分解,然后对分解后的每个分量信号进行归一化处理并建立TCN进行趋势预测,最后将所得结果叠加即可得到原振动信号预测结果。以国内某电站实际运行数据对所提模型进行论证试验,结果表明所提模型具有较高的预测精度,可用于工程实际。
基于TCN的滚动轴承振动趋势与剩余寿命预测研究[J]. 李亚平;李素杰;马波;郭俊霞.现代制造工程,2021(09)
基于时间卷积网络和门控循环单元的短期用电量预测方法[J]. 李扬帆;张凌浩;雷勇;冉金周;叶桄希;张颉.水电能源科学,2021(08)
基于EEMD-GA-BP的水电机组状态趋势预测[J]. 陆丹;肖志怀;刘东;胡晓;邓涛.中国农村水利水电,2021(08)
巨型水轮发电机组振动分析[J]. 游鹏;纪鸿铸;唐武强.水电与新能源,2021(06)
ARMA模型在输油泵振动特征值趋势预测中的研究[J]. 古丽;邹永胜;李开鸿;梁俊;舒浩纹;付立成;高仕玉;杨新.流体机械,2021(01)
基于VMD-CNN的水电机组故障诊断[J]. 胡晓;肖志怀;刘东;蒋文君;刘冬;袁喜来.水电能源科学,2020(08)
基于深度学习特征提取和WOA-SVM状态识别的轴承故障诊断[J]. 赵春华;胡恒星;陈保家;张毅娜;肖嘉伟.振动与冲击,2019(10)
水电机组振动劣化预警模型研究及应用[J]. 桂中华;张浩;孙慧芳;张飞.水利学报,2018(02)
基于OVMD与SVR的水电机组振动趋势预测[J]. 付文龙;周建中;张勇传;郑阳.振动与冲击,2016(08)
Journal bearing seizure degradation assessment and remaining useful life prediction based on long short-term memory neural network[J]. Ning Ding;Hulin Li;Zhongwei Yin;Ning Zhong;Le Zhang.Measurement,2020
基于WOA和LSSVM的短期风电功率预测[D]. 钟奎.南昌大学,2021(03)
0
浏览量
415
下载量
1
CSCD
关联资源
相关文章
相关作者
相关机构