文档名：基于样本熵重构与RFLSTM模型的水电机组状态趋势预测
摘要：针对水电机组运行状态预测问题,提出一种基于样本熵重构(sampleentropyreconstruction,SER)与随机森林(randomforest,RF)-长短期记忆网络(longshort-termmemory,LSTM)的混合预测模型.首先,利用改进自适应噪声完备集成经验模态分解(improvedcompleteensembleempiricalmodedecompositionwithadaptivewhitenoise,ICEEMDAN)方法,将复杂非线性振摆信号分解为一组本征模态(intrinsicmodefunctions,IMFs)分量;其次,采用SER原理重组具有相似复杂度的IMFs,得到多个重构特征分量(reconstructionfeaturecomponents,RFCs);然后,利用随机森林预测样本熵最小的RFC,利用LSTM预测剩余的RFCs;最后,叠加各RFCs预测结果,实现水电机组状态趋势的准确预测.实验结果表明,所提方法具备更优的预测性能,可为实施机组预测性维护提供可靠的数据支持.
作者：姜伟 卢俊泽 许颜贺 Author：JIANGWei LUJunze XUYanhe
作者单位：淮阴工学院机械与材料工程学院,江苏淮安223003华中科技大学土木与水利工程学院,武汉430074
刊名：大电机技术
Journal：LargeElectricMachineandHydraulicTurbine
年，卷(期)：2024, (2)
分类号：TM312
关键词：水电机组 样本熵 随机森林 长短期记忆网络 状态趋势预测
Keywords：hydropowerunit sampleentropy RF LSTM statetrendprediction
机标分类号：
在线出版日期：2024年1月17日
基金项目：江苏省自然科学基金青年基金项目，江苏省农业科技自主创新资金项目基于样本熵重构与RF-LSTM模型的水电机组状态趋势预测[
期刊论文] 大电机技术--2024, (2)姜伟 卢俊泽 许颜贺针对水电机组运行状态预测问题,提出一种基于样本熵重构(sampleentropyreconstruction,SER)与随机森林(randomforest,RF)-长短期记忆网络(longshort-termmemory,LSTM)的混合预测模型.首先,利用改进自适应噪声完备集...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于样本熵重构与RF-LSTM模型的水电机组状态趋势预测 State Trend Prediction of Hydropower Unit based on Sample Entropy Reconstruction and RF-LSTM Model
基于样本熵重构与RF-LSTM模型的水电机组状态趋势预测.pdf
- 文件大小:
- 2.3 MB
- 下载次数:
- 60
-
高速下载
|
