排序方式: 共有2条查询结果,搜索用时 15 毫秒
1
1.
2.
为有效监测塔筒异常振动,保障机组运行安全,提出数据-知识驱动的基于长短时记忆(long-short term memory,LSTM)神经网络、经验模态分解(empirical mode decomposition,EMD)-极限梯度提升(e Xtreme gradient boosting,XGBoost)算法分步建模的变工况塔筒振动预测方法。首先,根据机组运行机理分析剥离出环境变量与运行变量之间的关系,并确定影响塔筒振动的风机SCADA运行参数;然后,基于LSTM神经网络实现机组环境风速和运行功率的超短期预测,根据全工况历史运行数据建立机组数据知识模型,实现由预测风速和功率查询桨距角和转子转速;最后,采用希尔伯特-黄算法(Hilbert-Huang transform,HHT)对振动信号分解并提取塔筒低频振动,构建基于XGBoost算法的塔筒振动预测模型,通过输入预测变量输出塔筒低频振动预测结果并确定预测区间。结果表明:塔筒振动预测模型能有效预测塔筒振动,判定塔筒的运行状况,保障机组平稳运行。 相似文献
1