[1]夏臣智,李英玉,吴子豪,等.基于MDN和VMD-TPA-LSTM的泵站主机组劣化趋势预测[J].江苏水利,2024,(09):24-29.
 XIA Chenzhi,LI Yinyu,WU Zihao,et al.Deterioration trend prediction of pump station host group based on MDN and VMD-TPA-LSTM[J].JIANGSU WATER RESOURCES,2024,(09):24-29.
点击复制

基于MDN和VMD-TPA-LSTM的泵站主机组劣化趋势预测()
分享到:

《江苏水利》[ISSN:1006-6977/CN:61-1281/TN]

卷:
期数:
2024年09期
页码:
24-29
栏目:
水利工程管理
出版日期:
2024-09-15

文章信息/Info

Title:
Deterioration trend prediction of pump station host group based on MDN and VMD-TPA-LSTM
文章编号:
1007-7839(2024)09-0024-0006
作者:
夏臣智13李英玉13吴子豪2李超顺2黃富佳13莫兆祥13
(1. 南水北调(江苏)数智科技有限公司,江苏 南京 210019;2. 华中科技大学 土木与水利工程学院,湖北 武汉 430074;3. 江苏省泵站工程技术研究中心,江苏 南京 210019)
Author(s):
XIA Chenzhi13 LI Yinyu13 WU Zihao2 LI Chaoshun2 HUANG Fujia13 MO Zhaoxiang13
(1. South to North Water Diversion (Jiangsu) Shuzhi Technology Co., Ltd., Nanjing 210019, China;2. Huazhong University of Science and Technology, School of Civil and Hydraulic Engineering, Wuhan 430074, China;3. Jiangsu Pump Station Engineering Technology Research Center, Nanjing 210019, China)
关键词:
趋势预测网络模型泵站机组MDNVMDTPA-LSTM
Keywords:
trend prediction network model pump station unit MDN VMD TPA-LSTM
分类号:
TV675
文献标志码:
A
摘要:
为提高泵站主机组的安全稳定运行能力,解析其运行状态,获取机组设备的健康状况,准确预测其未来发展趋势,提出一种基于混合密度网络(Mixture Density Networks,MDN)和融合变分模态分解(Variational Mode Decomposition,VMD)与基于时序模式和注意力机制的长短时记忆网络(Temporal Pattern Attention-Long Short-Term Memory Network,TPA-LSTM)的泵站主机组劣化趋势预测模型。模拟结果表明,此法能够准确地表达机组的劣化趋势并可有效提高其预测精度。
Abstract:
In order to improve the safe and stable operation capability of the pump station host group, analyze its operating status, obtain the health status of the unit equipment, and accurately predict its future development trend, a pump station host group degradation trend prediction model based on Mixed Density Networks (MDN), Variational Mode Decomposition (VMD), and Temporal Pattern Attention Long Short Term Memory Network (TPA-LSTM) based on temporal pattern and attention mechanism is proposed. The simulation results show that this method can accurately express the deterioration trend of the unit and effectively improve its prediction accuracy.

参考文献/References:

[1] 韩冬,方红卫,严秉忠,等. 2013年中国水电发展现状[J]. 水力发电学报,2014,33(5):1-5.
[2] 王淑青,柯洋洋,胡文庆,等. 基于参数自适应SVR和VMD-TCN的水电机组劣化趋势预测[J]. 中国农村水利水电,2024(4):193-198.
[3] 付波,姜奔,赵熙临,等. 基于RFR和VMD-TCN的抽水蓄能机组劣化趋势预测方法[J]. 中国农村水利水电, 2023(3):208-217.
[4] 方娜,李新新,马森源,等. 基于VMD-BiLSTM-Attention的抽水蓄能机组性能劣化趋势预测[J]. 中国农村水利水电,2023(8):272-278.
[5] 兰家法,周玉辉,高泽良,等. 基于机器学习的水电机组劣化趋势预测模型[J]. 水力发电学报,2022,41(12):135-144.
[6] 兰家法,周玉辉,高泽良. 基于机器学习法的水电机组趋势预测[J]. 水力发电学报,2023,42(1):13-17.
[7] 朱梓彬,孟安波,欧祖宏,等. 基于多元模态分解与多目标算法优化的深度集成学习模型的超短期风电功率预测[J/OL]. 现代电力,1-12[2024-05-24].https://doi.org/10.19725/j.cnki.1007-2322.2022.0318.
[8] 段然. 复杂工况下水电机组状态评估及劣化趋势预测方法研究[D]. 武汉:华中科技大学,2022.
[9] 陈畅,张毅,段炼达,等. 基于改进预测模型的水电机组状态趋势预测[J]. 水电能源科学,2022,40(1):163-167.
[10] 褚瑞娟. 高速公路交通运行状态判别与预测方法研究[D]. 长春:吉林大学,2021.
[11] 王博宇,文中,周翔,等. 基于变分非线性调频模态分解及TCN-TPA-LSTM的短期电力负荷组合预测模型[J/OL]. 现代电力,1-10[2024-04-09].https://doi.org/10.19725/j.cnki.1007-2322.2023.0250.
[12] 付波,姜奔,赵熙临,等. 基于RFR和VMD-TCN的抽水蓄能机组劣化趋势预测方法[J]. 中国农村水利水电,2023(3):208-217.
[13] 吉锶宸. 基于改进鲸鱼算法和时间模式注意力机制的短期电力负荷预测[D]. 北京:北京化工大学,2022.
[14] 傅质馨,殷贵,朱俊澎,等. 基于EEMD和LSTM的水电机组劣化度预测方法研究[J]. 太阳能学报,2022,43(2):75-81.
[15] 王峰. 面向复杂劣化信号的预测健康指数构造方法研究及应用[D]. 北京:北京交通大学,2021.
[16] 张云超. 旋转机械剩余寿命预测方法研究[D]. 南京:南京航空航天大学,2020.
[17] 安学利,潘罗平,张飞,等. 水电机组劣化趋势混合预测 模型[J]. 水力发电学报,2014,33(3):286-291.
[18] 侯锐. 基于TPA-LSTM预测模型的高准确度最小熵评估方法[D]. 太原:太原理工大学,2022.

备注/Memo

备注/Memo:
收稿日期:2024-05-29
基金项目:江苏省水利科技项目(2022001)
作者简介:夏臣智(1990—),男,高级工程师,博士,主要从事泵站工程方面的研究工作。E-mail:xiachenzhi@foxmail.com
通信作者:李超顺(1983—),男,教授,研究方向为水电风电等清洁能源优化运行与控制、发电设备智能维护及人工智能的应用。E-mail:csli@hust.edu.cn
更新日期/Last Update: 2024-09-15