CN111461450A - 基于eemd和lstm的水电机组劣化度预测方法 - Google Patents

基于eemd和lstm的水电机组劣化度预测方法 Download PDF

Info

Publication number
CN111461450A
CN111461450A CN202010277608.4A CN202010277608A CN111461450A CN 111461450 A CN111461450 A CN 111461450A CN 202010277608 A CN202010277608 A CN 202010277608A CN 111461450 A CN111461450 A CN 111461450A
Authority
CN
China
Prior art keywords
degradation
sequence
characteristic parameter
value
health
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010277608.4A
Other languages
English (en)
Inventor
傅质馨
殷贵
朱俊澎
袁越
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University HHU
Original Assignee
Hohai University HHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hohai University HHU filed Critical Hohai University HHU
Priority to CN202010277608.4A priority Critical patent/CN111461450A/zh
Publication of CN111461450A publication Critical patent/CN111461450A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于EEMD和LSTM的水电机组劣化度预测方法，包括：构建关于工况参数的特征参数健康标准模型；将采集的水电机组当前工况参数输入健康标准模型，得到对应的当前特征参数健康值；计算劣化度时间序列；利用集合经验模态分解将劣化度时间序列分解为多个分量；根据预先设定的时间步长对每个分量进行重构，得到多个序列样本；针对每个序列样本构建长短期记忆网络劣化趋势预测模型，得到每个分量对应的劣化趋势预测分量；对所有劣化趋势预测分量进行叠加，得到水电机组的劣化趋势。本发明的预测方法能够提高水电机组劣化度预测精确度。

Description

基于EEMD和LSTM的水电机组劣化度预测方法
技术领域
本发明涉及水电机组检修，具体涉及一种基于EEMD和LSTM的水电机组劣化度预测方法。
背景技术
目前，大多数水电站依然采取“事后维修”和“计划检修”相结合的检修方式。这种检修方式是按照检修周期制定检修计划而不是考虑机组是否发生异常，容易造成检修工作时人力、物力和财力的极大浪费，以及维修不及时。随着水电站状态监测技术的发展和应用，许多水电站开始尝试从计划检修转换到状态检修。即利用设备本身运行状态好坏来判断机组是否需要进行检修，并根据不同部件的状态监测情况来制定检修过程和检修项目的轻重等级，最终实现对机组更高效和更有针对性的检修管理和维修。但对于实现状态检修所需的状态预测，由于缺乏故障样本和先验知识，现阶段利用传统故障诊断技术很难预测机组运行即将出现的问题，无法保证检修的针对性和准确性。
发明内容
发明目的：本申请的目的在于提供一种基于EEMD和LSTM的水电机组劣化度预测方法，解决现有技术中水电机组运行状态预测不准确的缺陷。
技术方案：本申请公开了一种基于EEMD和LSTM的水电机组劣化度预测方法，包括：
(1)根据水电机组非故障期间的历史健康数据，构建关于工况参数的特征参数健康标准模型；
(2)将采集的水电机组当前工况参数输入健康标准模型，得到对应的当前特征参数健康值；
(3)将监测的当前特征参数相对于当前特征参数健康值的偏离程度作为当前时刻的劣化度，得到劣化度时间序列；
(4)利用集合经验模态分解将劣化度时间序列分解为多个分量；
(5)根据预先设定的时间步长对每个分量进行重构，得到多个序列样本；
(6)针对每个序列样本构建长短期记忆网络劣化趋势预测模型，得到每个分量对应的劣化趋势预测分量；
(7)对所有劣化趋势预测分量进行叠加，得到水电机组的劣化趋势。
进一步地，特征参数健康标准模型通过以下步骤进行构建：
(11)将采集的非故障期间的历史健康数据按照预先设定的子区间长度进行分区，得到多个子区间；健康数据包括工况参数和特征参数；工况参数包括工作水头和有功功率；
(12)计算每个子区间内的特征参数健康值的平均值，作为对应的子区间的特征参数健康值，进而得到特征参数健康值的离散序列；
(13)利用差值拟合函数将特征参数健康值的离散序列拟合为连续的函数，得到有功功率和工作水头与特征参数健康值的映射关系作为健康标准模型，表达式如下：
v(t)＝f[P(t),H(t)]
式中：v(t)为特征参数健康值，f[·]为插值函数，P(t)为t时刻有功功率，H(t)为t时刻工作水头。
进一步地，劣化度通过以下公式得出：
Figure BDA0002445403960000021
式中：x(t)为劣化度，r(t)为实时值，v(t)为健康值，t表示水电机组运行时刻。
进一步地，步骤(4)包括：
(41)向劣化度时间序列{x(t)}中添加白噪声序；
(42)使用三次样条插值曲线连接劣化度时间序列的局部极大值点和局部极小值点，形成上包络线yup(t)和下包络线ylow(t)；
(43)定义判定变量h1(t)＝x(t)-m(t)，其中，m(t)＝[yup(t)+ylow(t)]/2；
(44)判断h1(t)是否满足IMF判定条件：
若否，则令x(t)＝h1(t)，返回步骤(42)；
若是，则令第i个本征模函数分量imfi(t)＝h1(t)，ri(t)＝x(t)-imfi(t)；
(45)判断ri(t)是否满足EMD筛分终止条件：
若否，则令x(t)＝ri(t)，返回步骤(42)，i进行一次累计；
若是，则终止本次分解，将分解后的x(t)表示为：
Figure BDA0002445403960000031
其中，n为分解得到的本征模函数分量的个数，rn(t)为剩余分量；
(46)重复步骤(41)～(45)a次，每次加入不同的白噪声，得到a组本征模函数分量分量imfi(t)和剩余分量rn(t)；
(47)将a组分量求均值，作为劣化度时间序列{x(t)}的IMF分量和剩余分量，最终得到n个IMF分量和一个剩余分量。
进一步地，步骤(5)包括：对IMF分量和剩余分量进行重构得到序列样本，具体表示为：
Figure BDA0002445403960000032
Figure BDA0002445403960000033
式中：STEPS为预先设定的步长，x(N)为初始第N个输入值，xN为重构后第N个输入值，y(N)表示初始第N个输出值，yN表示重构后第N个输出值。
进一步地，步骤(6)包括：
(61)对重构后的序列样本进行归一化处理；
(62)按照预设比例将每个归一化的序列样本划分为训练集和测试集；
(63)根据确定的训练集和测试集，针对每个序列样本分别构建长短期记忆网络劣化趋势预测模型，预测各个分量对应的劣化趋势预测分量。
进一步地，长短期记忆网络劣化趋势预测模型包括输入层、输出层和设于输入层与输出层之间的多个隐藏层；归一化的序列样本矩阵作为预测模型输入层的输入，归一化序列样本的输出矩阵作为预测模型输出层的输出；输入层的输出作为第一隐藏层的输入，前一隐藏层的输出作为后一隐藏层的输入，最后一个隐藏层的输出作为输出层的输入。
进一步地，步骤(7)中的劣化趋势预测分量在叠加前进行反归一化处理。
有益效果：本申请针对水电机组劣化度非线性不平稳的特性，采用集合经验模态分解与长短期记忆网络相结合的算法，避免直接对非平稳信号直接预测，克服了传统静态阈值在不同工况下不能准确判断机组健康状态的缺点，有利于更精确地预测水电机组劣化趋势。
附图说明
图1为本申请的预测方法流程图；
图2为本申请对劣化度时间序列单次加入白噪声后EMD分解的流程示意图；
图3为本申请的长短期记忆网络模型预测模型示意图；
图4为本申请基于健康数据样本的振动值三维健康标准模型图；
图5为本申请实施例中的基于经验模态分解的劣化度子序列示意图；
图6为本申请实施例中预测结果与实测值的比较示意图。
具体实施方式
下面结合附图和实施例对本发明做进一步描述：
本申请公开了一种基于集合经验模态分解(EEMD)和长短时记忆网络(LSTM)的水电机组劣化度预测方法，如图1所示，包括：
S101根据水电机组非故障期间的历史健康数据，构建关于工况参数的特征参数健康标准模型。具体地，特征参数健康标准模型通过以下步骤进行构建：
(11)将采集的非故障期间的历史健康数据按照预先设定的子区间长度进行分区，得到多个子区间；健康数据包括工况参数和特征参数；工况参数包括工作水头和有功功率；例如有功功率按照一定的区间间隔划分为若干个区间后，再在每个子区间内按照工作水头继续划分。每个工作区间内保证数据样本数至少在200个以上。
(12)计算每个子区间内的特征参数健康值的平均值，作为对应的子区间的特征参数健康值，进而得到特征参数健康值的离散序列；
(13)利用差值拟合函数将特征参数健康值的离散序列拟合为连续的函数，得到有功功率和工作水头与特征参数健康值的映射关系作为健康标准模型，表达式如下：
v(t)＝f[P(t),H(t)] (1)
式中：v(t)为特征参数健康值，f[·]为插值函数，P(t)为t时刻有功功率，H(t)为t时刻工作水头。
S102将采集的水电机组当前工况参数输入健康标准模型，得到对应的当前特征参数健康值r(t)。
S103将监测的当前特征参数相对于当前特征参数健康值的偏离程度作为当前时刻的劣化度，得到劣化度时间序列。具体地，劣化度通过以下公式得出：
Figure BDA0002445403960000051
式中：x(t)为劣化度，r(t)为实时值，v(t)为健康值，t表示水电机组运行时刻。
S104利用集合经验模态分解将劣化度时间序列分解为多个分量。具体地，如图2所示，包括以下步骤：
(41)向劣化度时间序列{x(t)}中添加白噪声序；
(42)使用三次样条插值曲线连接劣化度时间序列的局部极大值点和局部极小值点，形成上包络线yup(t)和下包络线ylow(t)；
(43)定义判定变量h1(t)＝x(t)-m(t)，其中，m(t)＝[yup(t)+ylow(t)]/2；
(44)判断h1(t)是否满足IMF判定条件：
若否，则令x(t)＝h1(t)，返回步骤(42)；
若是，则令第i个本征模函数分量imfi(t)＝h1(t)，ri(t)＝x(t)-imfi(t)；
(45)判断ri(t)是否满足EMD筛分终止条件：
若否，则令x(t)＝ri(t)，返回步骤(42)，i进行一次累计；
若是，则终止本次分解，将分解后的x(t)表示为：
Figure BDA0002445403960000052
其中，n为分解得到的本征模函数分量的个数，rn(t)为剩余分量；
(46)重复步骤(41)～(45)a次，即在图2中每次加入不同的白噪声，得到a组本征模函数分量分量imfi(t)和剩余分量rn(t)；
(47)将a组分量求均值，作为劣化度时间序列{x(t)}的IMF分量和剩余分量，最终得到n个IMF分量和一个剩余分量res。
S105根据预先设定的时间步长对每个分量进行重构，得到多个序列样本。具体地，对IMF分量和剩余分量进行重构得到序列样本，具体表示为：
Figure BDA0002445403960000061
Figure BDA0002445403960000062
式中：STEPS为预先设定的步长，x(N)为初始第N个输入值，xN为重构后第N个输入值，y(N)表示初始第N个输出值，yN表示重构后第N个输出值。重构后将原始序列扩展成N个样本，其中时间步长STEPS的选择直接影响预测结果，时间步长STEPS过小，会导致信息重合，时间步长STEPS过大会增加计算量。在本申请的实施例中可根据实施情况进行寻优调整。
S106针对每个序列样本构建长短期记忆网络劣化趋势预测模型，得到每个分量对应的劣化趋势预测分量。具体地，包括：
(61)对重构后的序列样本进行归一化处理，归一到区间[0,1]内。
(62)按照预设比例将每个归一化的序列样本划分为训练集和测试集。具体地，劣化度序列经过EEMD分解和重构后得到N个样本，从中选取m个样本作为训练样本即：
Strain＝{(x1,y1),(x2,y2),...(xm,ym)}
N-m个样本作为测试数据即：
Stest＝{(xm+1,ym+1),(xm+2,ym+2),...(xN,yN)}
其中，xj表示第j个样本，yj表示第j个样本的标签，即下一个时间步长后的劣化度数据。
(63)根据确定的训练集和测试集，针对每个序列样本分别构建长短期记忆网络劣化趋势预测模型，预测各个分量对应的劣化趋势预测分量。
具体地，长短期记忆网络(LSTM)劣化趋势预测模型包括输入层、输出层和设于输入层与输出层之间的多个隐藏层；归一化的序列样本矩阵作为预测模型输入层的输入，归一化序列样本的输出矩阵作为预测模型输出层的输出；输入层的输出作为第一隐藏层的输入，前一隐藏层的输出作为后一隐藏层的输入，最后一个隐藏层的输出作为输出层的输入。
本申请实施例中，利用长短时记忆网络构建了劣化度预测模型如图3所示。该网络模型包含一个长短时记忆网络层，图中x(t)为t时刻的输入，h(t)为隐含层的输出，c(t)为LSTM记忆单元的输出。在t时刻网络的输入为步长为STEPS的劣化度组合时间序列x(t)，输出为下一时刻的预测值y(t)。经过隐含层运算后得到该隐含层的输出h(t)。网络的输出为：
yt＝g(wyhht+b)
式中，yt表示当前时刻的输出，Wyh为隐含层和输出层之间的权重矩阵，b为输出层的偏置量，g为激活函数tanh函数。本文采用当前时刻之前的时间步长STEPS个历史数据网络的循环迭代更新记忆单元的状态，从而通过历史数据对当前时刻的影响实现劣化度的预测。
S107对所有劣化趋势预测分量进行反归一化处理后叠加，得到水电机组的劣化趋势。
在本申请实施例中，可通过对预测结果绘图进行直观比较，也可通过计算预测结果与水电机组真实劣化趋势之间的平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)来评估预测结果的准确度。
Figure BDA0002445403960000071
Figure BDA0002445403960000072
Figure BDA0002445403960000073
仿真分析：
为说明本发明效果，下面以某水电站一台机组2017年1月1号至2019年12月30日的现场实际状态监测数据作为本发明的实施对象对本发明进行详细说明：
健康评估模型的建立
将全部样本(有功功率130-660MW，工作水头164-179m)按照每50MW、3m为一个区间，分别统计落在各子区间内样本的均值从而计算特征参数健康基准值。使用插值拟合工具对基准值进行插值拟合，得到振动特征量值与机组有功功率、运行水头的三维曲面，为该特征参数随机组有功功率和水头变化的动态健康值，见图4。
水电机组劣化度预测模型建立
选取2018年11月至2018年12月某电厂监控系统采集的离线数据，选取该期间内共27490条离线数据，将数据带入到已经建立的健康模型，计算得到劣化度绝对值为：
表1劣化度时间序列
Figure BDA0002445403960000081
Figure BDA0002445403960000091
将计算所得的劣化度时间序列利用经验模态分解分解为6个本征模函数imf～imf6和1个剩余误差分量res.如图5所示，对每个分量按照75％为训练数据25％为测试数据搭建长短时记忆网络。步长为5，按照每一天为一个数据点，即利用5天的数据预测第六天的劣化度。归一化处理将输入序列[x1,x2,x3,x4,x5]中数据元素变为[0,1]内数值，将每个分量预测结果反归一化后叠加得到测试数据预测结果如图6所示。计算平均绝对误差(MAE)、平均绝对百分比误差(MAPE.和均方根误差(RMSE)为：
表2误差指标计算结果
Figure BDA0002445403960000092
由图6和表2中可以看出，本申请预测能够较为准确地预测水电机组劣化趋势。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

Claims (8)

1.一种基于EEMD和LSTM的水电机组劣化度预测方法，其特征在于，包括：
(1)根据水电机组非故障期间的历史健康数据，构建关于工况参数的特征参数健康标准模型；
(2)将采集的水电机组当前工况参数输入所述健康标准模型，得到对应的当前特征参数健康值；
(3)将监测的当前特征参数相对于当前特征参数健康值的偏离程度作为当前时刻的劣化度，得到劣化度时间序列；
(4)利用集合经验模态分解将所述劣化度时间序列分解为多个分量；
(5)根据预先设定的时间步长对每个分量进行重构，得到多个序列样本；
(6)针对每个序列样本构建长短期记忆网络劣化趋势预测模型，得到每个分量对应的劣化趋势预测分量；
(7)对所有所述劣化趋势预测分量进行叠加，得到水电机组的劣化趋势。
2.根据权利要求1所述的方法，其特征在于，所述特征参数健康标准模型通过以下步骤进行构建：
(11)将采集的非故障期间的历史健康数据按照预先设定的子区间长度进行分区，得到多个子区间；所述健康数据包括工况参数和特征参数；工况参数包括工作水头和有功功率；
(12)计算每个所述子区间内的特征参数健康值的平均值，作为对应的子区间的特征参数健康值，进而得到特征参数健康值的离散序列；
(13)利用差值拟合函数将特征参数健康值的离散序列拟合为连续的函数，得到有功功率和工作水头与特征参数健康值的映射关系作为健康标准模型，表达式如下：
v(t)＝f[P(t),H(t)]
式中：v(t)为特征参数健康值，f[·]为插值函数，P(t)为t时刻有功功率，H(t)为t时刻工作水头。
3.根据权利要求2所述的方法，其特征在于，所述劣化度通过以下公式得出：
Figure FDA0002445403950000011
式中：x(t)为劣化度，r(t)为实时值，v(t)为健康值，t表示水电机组运行时刻。
4.根据权利要求1所述的方法，其特征在于，步骤(4)包括：
(41)向所述劣化度时间序列{x(t)}中添加白噪声序；
(42)使用三次样条插值曲线连接所述劣化度时间序列的局部极大值点和局部极小值点，形成上包络线yup(t)和下包络线ylow(t)；
(43)定义判定变量h1(t)＝x(t)-m(t)，其中，m(t)＝[yup(t)+ylow(t)]/2；
(44)判断h1(t)是否满足IMF判定条件：
若否，则令x(t)＝h1(t)，返回步骤(42)；
若是，则令第i个本征模函数分量imfi(t)＝h1(t)，ri(t)＝x(t)-imfi(t)；
(45)判断ri(t)是否满足EMD筛分终止条件：
若否，则令x(t)＝ri(t)，返回步骤(42)，i进行一次累计；
若是，则终止本次分解，将分解后的x(t)表示为：
Figure FDA0002445403950000021
其中，n为分解得到的本征模函数分量的个数，rn(t)为剩余分量；
(46)重复步骤(41)～(45)a次，每次加入不同的白噪声，得到a组本征模函数分量分量imfi(t)和剩余分量rn(t)；
(47)将a组分量求均值，作为劣化度时间序列{x(t)}的IMF分量和剩余分量，最终得到n个IMF分量和一个剩余分量。
5.根据权利要求4所述的方法，其特征在于，步骤(5)包括：对IMF分量和剩余分量进行重构得到序列样本，具体表示为：
Figure FDA0002445403950000022
Figure FDA0002445403950000023
式中：STEPS为预先设定的步长，x(N)为初始第N个输入值，xN为重构后第N个输入值，y(N)表示初始第N个输出值，yN表示重构后第N个输出值。
6.根据权利要求1所述的方法，其特征在于，步骤(6)包括：
(61)对重构后的序列样本进行归一化处理；
(62)按照预设比例将每个归一化的序列样本划分为训练集和测试集；
(63)根据确定的训练集和测试集，针对每个序列样本分别构建长短期记忆网络劣化趋势预测模型，预测各个分量对应的劣化趋势预测分量。
7.根据权利要求6所述的方法，其特征在于，所述长短期记忆网络劣化趋势预测模型包括输入层、输出层和设于输入层与输出层之间的多个隐藏层；所述归一化的序列样本矩阵作为预测模型输入层的输入，所述归一化序列样本的输出矩阵作为预测模型输出层的输出；所述输入层的输出作为第一隐藏层的输入，前一隐藏层的输出作为后一隐藏层的输入，最后一个隐藏层的输出作为输出层的输入。
8.根据权利要求6所述的方法，其特征在于，步骤(7)中的劣化趋势预测分量在叠加前进行反归一化处理。
CN202010277608.4A 2020-04-10 2020-04-10 基于eemd和lstm的水电机组劣化度预测方法 Pending CN111461450A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010277608.4A CN111461450A (zh) 2020-04-10 2020-04-10 基于eemd和lstm的水电机组劣化度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010277608.4A CN111461450A (zh) 2020-04-10 2020-04-10 基于eemd和lstm的水电机组劣化度预测方法

Publications (1)

Publication Number Publication Date
CN111461450A true CN111461450A (zh) 2020-07-28

Family

ID=71679688

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010277608.4A Pending CN111461450A (zh) 2020-04-10 2020-04-10 基于eemd和lstm的水电机组劣化度预测方法

Country Status (1)

Country Link
CN (1) CN111461450A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232557A (zh) * 2020-09-30 2021-01-15 中国铁道科学研究院集团有限公司通信信号研究所 基于长短期记忆网络的转辙机健康度短期预测方法
CN112434890A (zh) * 2020-12-18 2021-03-02 中国计量大学上虞高等研究院有限公司 基于CEEMDAN-BiLSTM的隧道沉降时间序列的预测方法
CN114091792A (zh) * 2022-01-21 2022-02-25 华电电力科学研究院有限公司 基于稳定工况的水轮发电机劣化预警方法、设备及介质
CN115423221A (zh) * 2022-11-03 2022-12-02 北京建筑大学 一种设施运行趋势预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108375476A (zh) * 2018-03-09 2018-08-07 中国水利水电科学研究院 一种水电机组健康评估方法
CN109948833A (zh) * 2019-02-25 2019-06-28 华中科技大学 一种基于长短期记忆网络的水电机组劣化趋势预测方法
CN110007652A (zh) * 2019-03-22 2019-07-12 华中科技大学 一种水电机组劣化趋势区间预测方法与系统
KR20190136518A (ko) * 2018-05-31 2019-12-10 주식회사 지오네트 기계학습과 경로 분류 기법적용을 통한 발전소 급수 가열기의 성능 저하 예측 시스템

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108375476A (zh) * 2018-03-09 2018-08-07 中国水利水电科学研究院 一种水电机组健康评估方法
KR20190136518A (ko) * 2018-05-31 2019-12-10 주식회사 지오네트 기계학습과 경로 분류 기법적용을 통한 발전소 급수 가열기의 성능 저하 예측 시스템
CN109948833A (zh) * 2019-02-25 2019-06-28 华中科技大学 一种基于长短期记忆网络的水电机组劣化趋势预测方法
CN110007652A (zh) * 2019-03-22 2019-07-12 华中科技大学 一种水电机组劣化趋势区间预测方法与系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
程友星: "风电机组轴承健康状态评估和劣化趋势预测方法的研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232557A (zh) * 2020-09-30 2021-01-15 中国铁道科学研究院集团有限公司通信信号研究所 基于长短期记忆网络的转辙机健康度短期预测方法
CN112232557B (zh) * 2020-09-30 2024-02-09 中国铁道科学研究院集团有限公司通信信号研究所 基于长短期记忆网络的转辙机健康度短期预测方法
CN112434890A (zh) * 2020-12-18 2021-03-02 中国计量大学上虞高等研究院有限公司 基于CEEMDAN-BiLSTM的隧道沉降时间序列的预测方法
CN114091792A (zh) * 2022-01-21 2022-02-25 华电电力科学研究院有限公司 基于稳定工况的水轮发电机劣化预警方法、设备及介质
CN114091792B (zh) * 2022-01-21 2022-06-03 华电电力科学研究院有限公司 基于稳定工况的水轮发电机劣化预警方法、设备及介质
CN115423221A (zh) * 2022-11-03 2022-12-02 北京建筑大学 一种设施运行趋势预测方法

Similar Documents

Publication Publication Date Title
CN111461450A (zh) 基于eemd和lstm的水电机组劣化度预测方法
Pinson et al. Wind power forecasting using fuzzy neural networks enhanced with on-line prediction risk assessment
CN111679952B (zh) 告警阈值生成方法及装置
CN114066262A (zh) 一种电网调度后评估异常指标溯因推理方法、系统、装置及存储介质
CN113374652A (zh) 一种风力发电机组寿命评估方法
CN114819374A (zh) 区域新能源超短期功率预测方法及系统
CN115438726A (zh) 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统
KR102130272B1 (ko) 경험모델 기반 예측 알고리즘의 최적화 방법
CN115081597A (zh) 一种基于机器学习的以电核碳方法、系统、设备和介质
CN111275397A (zh) 一种仿真培训业务数据的处理方法及系统
CN113988398A (zh) 一种风电机组功率预测方法、装置、电子设备和存储介质
CN115882456B (zh) 一种基于大规模电网潮流的电力控制方法及系统
CN117200190A (zh) 一种电力物联网电力负荷预测方法
CN109840308B (zh) 一种区域风电功率概率预报方法及系统
CN111144639A (zh) 一种基于alln算法的地铁设备故障预测方法及系统
CN112700050B (zh) 一种光伏电站超短期第1点功率预测方法及系统
CN110210657B (zh) 一种基于单机模型的风机功率预测方法、系统及计算机存储介质
Lijie et al. Short-term wind power prediction with signal decomposition
CN113723717B (zh) 系统日前短期负荷预测方法、装置、设备和可读存储介质
Marchiningrum Digital Twin for Predictive Maintenance of Palm Oil Processing Machines
CN116306931B (zh) 一种应用工业领域的知识图谱构建方法
Zhang et al. Hybrid Model Based on Isolated Forest and WT-Catboost for Wind Power Forecasting
CN117767285A (zh) 一种基于时间邻域气象数据的短期光伏发电功率预测方法、装置、存储介质及设备
Wang et al. A novel hybrid failure rate update model for imperfect maintenance
Helseth et al. Stochastic optimization model with individual water values and power flow constaints

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20200728

RJ01 Rejection of invention patent application after publication