基于EMD-LSTM模型的水轮机组实测摆度信号预测方法研究

吴康平; 周建旭; 潘伟峰; 丁钶铖祺

doi:10.20040/j.cnki.1000-7709.2024.20231113

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于EMD-LSTM模型的水轮机组实测摆度信号预测方法研究

水能利用及水电站工程 | 更新时间：2026-02-25

- 基于EMD-LSTM模型的水轮机组实测摆度信号预测方法研究
- 基于EMD-LSTM模型的水轮机组实测摆度信号预测方法研究
- 水电能源科学 2024年第5期页码：179-182
- 作者机构：
  
  1. 河海大学水利水电学院
  2. 国网电力科学研究院南瑞集团有限公司
  3. 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.1000-7709.2024.20231113
  中图分类号： TV734
- 纸质出版：2024
- 稿件说明：
移动端阅览
吴康平, 周建旭, 潘伟峰, 等. 基于EMD-LSTM模型的水轮机组实测摆度信号预测方法研究[J]. 水电能源科学, 2024,(5):179-182.

吴康平, 周建旭, 潘伟峰, et al. 基于EMD-LSTM模型的水轮机组实测摆度信号预测方法研究[J]. 2024, (5): 179-182.
吴康平, 周建旭, 潘伟峰, 等. 基于EMD-LSTM模型的水轮机组实测摆度信号预测方法研究[J]. 水电能源科学, 2024,(5):179-182. DOI： 10.20040/j.cnki.1000-7709.2024.20231113.

吴康平, 周建旭, 潘伟峰, et al. 基于EMD-LSTM模型的水轮机组实测摆度信号预测方法研究[J]. 2024, (5): 179-182. DOI： 10.20040/j.cnki.1000-7709.2024.20231113.

摘要

水电机组的运行状态直接影响电站及电网的安全稳定，预测机组监测的振动信号有助于改善故障诊断的缺陷。为此，将经验模态分解(EMD)和神经网络模型相结合，提出一种基于EMD-LSTM的水轮机组摆度信号预测模型，将该模型应用于国内某水电站的机组摆度信号预测中，并与LSTM、GA-BP和EMD-GABP模型预测结果进行比较。结果表明，该模型在机组摆度信号的预测方面表现出较高的精度，且优于其他模型。

Abstract

关键词

Keywords

references

于希娟,李欣,宣振文,刘硕,刘灏.基于经验模态分解与长短时记忆网络的配电网故障原因识别方法[J].现代电力,2023(04).

刘扬,王立虎.基于改进EMD-LSTM的洪水预测方法研究[J].水利水电技术(中英文),2022(01).

李艳萍.基于逐步回归分析和通径分析的用水量影响因素分析[J].水电能源科学,2020(07).

岳强,袁洁,胡涛.基于小波分析和灰色BP神经网络的滑坡位移预测[J].水电能源科学,2019(10).

姚玲峰,宋超,肖世德.基于EMD及FFT的滚珠丝杠副振动信号分析[J].传动技术,2019(01).

周建民,张臣臣,王发令,黎慧.基于ARMA的滚动轴承振动数据预测[J].华东交通大学学报,2018(05).

付大鹏,翟勇,于青民.基于EMD和支持向量机的滚动轴承故障诊断研究[J].机床与液压,2017(11).

郑源,潘天航,王辉斌,葛新峰,张异众.改进EMD-ICA去噪在水轮机组隐蔽碰磨诊断中的应用研究[J].振动与冲击,2017(06).

付文龙,周建中,张勇传,郑阳.基于OVMD与SVR的水电机组振动趋势预测[J].振动与冲击,2016(08).

浏览量

285

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于Attention-LSTM施工期面板堆石坝坝体沉降预测模型研究

深度学习算法在山南市雅桑站流量模拟中的应用研究

基于改进EMD和GAM-TCN模型的抽水蓄能机组状态趋势预测

基于改进经验模态分解的水电机组振动信号故障特征提取

基于MLP和注意力机制BiLSTM的水电机组劣化趋势预测