基于核主成分分析与长短时记忆网络的水电机组监测预警

来源：振动与冲击杂志2024年第24期北京时间：

作者：王勇飞，李晓飞，孙雨欣，张健，郭鹏程，王仁本

单位：1.国能大渡河检修安装有限公司，成都610041；2.西安理工大学水利水电学院，西安710048

摘要：水电机组的可靠稳定运行对于区域电力系统安全极为重要，本文提出了一种基于核主成分分析（Kernel Principal Component Analysis，KPCA）和长短时记忆网络（Long Short-Term Memory，LSTM）的水电机组智能预警方法。首先开展水电机组多通道振动信号数据融合研究，通过KPCA方法去除了多通道信号间冗余，实现了原始数据的压缩表征，并获得了机组在稳态运行工况的T2和SPE控制限，将其作为预警阈值对融合后信号进行异常状态识别。以LSTM为基础构建了时序预测模型，结合异常状态识别结果实现了水电机组状态预警功能。研究通过案例实施验证了所提出方法的有效性，并与KPCA-RNN和KPCA-Informer等模型进行了对比，所提出KPCA-LSTM模型预测结果的R2系数大于0.97，预测偏差处于极低水平，性能优于对比模型。<br>

关键词：水电机组；长短时记忆网络；核主成分分析；预警阈值