隨著我國綠色清潔能源的逐步開發(fā),風能、太陽能、潮汐能等新能源穩(wěn)定發(fā)展,常規(guī)水電機組與抽水蓄能機組裝機容量也隨之快速增長。與此同時,水電能源在電力系統(tǒng)中將承擔更多的調(diào)峰調(diào)頻任務(wù)從而減少新能源并網(wǎng)時帶來的沖擊。在此背景下,為了切實保障電網(wǎng)的安全穩(wěn)定運行,對水電站可靠運行與健康管理提出了更高的要求。水輪發(fā)電機組作為水電站水能轉(zhuǎn)換的核心設(shè)備,其構(gòu)成部件相互耦合,呈現(xiàn)出復雜化、高度集成化的發(fā)展趨勢,傳統(tǒng)的機組故障診斷方法已無法滿足工程實際需求。因此,為確保水電機組的安全穩(wěn)定運行,本文針對水輪發(fā)電機組故障診斷與趨勢預測中的若干科學問題,分析了現(xiàn)有理論與研究方法的局限性,以水電機組多源信息融合為切入點,提出了水電機組運行參數(shù)關(guān)聯(lián)分析方法;以參數(shù)關(guān)聯(lián)關(guān)系為基礎(chǔ),結(jié)合機器學習與對抗學習等先進技術(shù)手段,構(gòu)建了完備的水電機組故障診斷體系;進一步引入信號處理與深度學習理論,搭建了水電機組多步非線性趨勢預測模型,大幅提高了機組狀態(tài)趨勢預測步長,準確預測了水電機組的狀態(tài)變化趨勢。論文的主要研究工作與創(chuàng)新成果如下:（1）為有效利用水電機組運行監(jiān)測海量數(shù)據(jù),挖掘機組多源信息間的關(guān)聯(lián)關(guān)系,結(jié)合數(shù)據(jù)離散方法與數(shù)據(jù)挖掘算法... 

【文章來源】：華中科技大學湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：159 頁

【學位級別】：博士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 論文研究的背景和意義
    1.2 水電機組振動故障機理概述
    1.3 水電機組振動信號處理方法概述
    1.4 水電機組智能故障診斷研究方法概述
    1.5 水電機組狀態(tài)趨勢預測研究現(xiàn)狀
    1.6 本文主要研究內(nèi)容與結(jié)構(gòu)
2 水電機組運行數(shù)據(jù)關(guān)聯(lián)關(guān)系挖掘
    2.1 引言
    2.2 關(guān)聯(lián)規(guī)則相關(guān)概念及挖掘算法
    2.3 數(shù)據(jù)離散化方法
    2.4 基于K-Mediods的水電機組運行數(shù)據(jù)離散化研究
    2.5 水電機組關(guān)聯(lián)關(guān)系挖掘算法研究
    2.6 水電機組運行數(shù)據(jù)實例分析
    2.7 本章小結(jié)
3 水電機組多源信息融合故障診斷方法研究
    3.1 引言
    3.2 循環(huán)降噪自編碼器原理
    3.3 基于GRU-NP-DAE的水電機組多源故障診斷方法
    3.4 工程實例驗證
    3.5 本章小結(jié)
4 水電機組無監(jiān)督故障聚類方法研究
    4.1 引言
    4.2 生成式對抗網(wǎng)絡(luò)相關(guān)原理介紹
    4.3 基于分類對抗自編碼器的水電機組無監(jiān)督故障聚類
    4.4 工程實例驗證
    4.5 本章小結(jié)
5 水電機組振動信號多步非線性趨勢預測
    5.1 引言
    5.2 變分模態(tài)分解相關(guān)原理
    5.3 卷積神經(jīng)網(wǎng)絡(luò)相關(guān)原理介紹
    5.4 基于VMD與CNN的水電機組非線性振動趨勢預測模型
    5.5 水輪機振動數(shù)據(jù)多步預測結(jié)果分析
    5.6 本章小結(jié)
6 水電機組多源信息挖掘與故障診斷系統(tǒng)設(shè)計
    6.1 引言
    6.2 水電機組多源信息挖掘與故障診斷系統(tǒng)架構(gòu)設(shè)計
    6.3 水電機組多源信息挖掘與故障診斷系統(tǒng)在白蓮河抽水蓄能電站中的應(yīng)用
    6.4 本章小結(jié)
7 結(jié)論與展望
    7.1 全文工作總結(jié)
    7.2 進一步研究展望
致謝
參考文獻
附錄1 :攻讀博士期間發(fā)表的論文
附錄2 :攻讀博士期間完成和參與的科研項目


【參考文獻】：
期刊論文
[1]基于LSTM網(wǎng)絡(luò)預測的水輪機機組運行狀態(tài)檢測[J]. 陳暢,李曉磊,崔維玉.  山東大學學報(工學版). 2019(03)
[2]基于Skip-gram的CNNs文本郵件分類模型[J]. 黃鶴,荊曉遠,董西偉,吳飛.  計算機技術(shù)與發(fā)展. 2019(06)
[3]一種改進的DNN-HMM的語音識別方法[J]. 李云紅,梁思程,賈凱莉,張秋銘,宋鵬,何琛,王剛毅,李禹萱.  應(yīng)用聲學. 2019(03)
[4]基于多媒體信息的雙向LSTM情感分析方法[J]. 丁巖,鮑焱,胡曉.  計算機與現(xiàn)代化. 2019(02)
[5]基于變分模態(tài)分解和改進模糊支持向量機的汽輪機故障診斷方法[J]. 張棟良,黃昕宇,李帥位.  濟南大學學報(自然科學版). 2019(02)
[6]基于平穩(wěn)小波變換與隨機森林的電纜早期故障識別方法[J]. 李勝輝,白雪,董鶴楠,盧宏,郭朝云.  電工電能新技術(shù). 2020(03)
[7]基于經(jīng)驗?zāi)B(tài)分解和深度卷積神經(jīng)網(wǎng)絡(luò)的行星齒輪箱故障診斷方法[J]. 胡蔦慶,陳徽鵬,程哲,張倫,張宇.  機械工程學報. 2019(07)
[8]基于隨機森林分類優(yōu)化的多特征語音情感識別[J]. 李高玲,帖云,齊林.  微電子學與計算機. 2019(01)
[9]基于多維特征和多分類器的水電機組故障診斷[J]. 程曉宜,陳啟卷,王衛(wèi)玉,鄭陽,郭定宇,婁強.  水力發(fā)電學報. 2019(04)
[10]基于經(jīng)驗小波變換和峭度值的滾動軸承故障檢測方法[J]. 席維,白璘,武奇生.  工業(yè)儀表與自動化裝置. 2018(06)

博士論文
[1]基于混沌理論的滾動軸承故障診斷及故障趨勢預測研究[D]. 李揚.西南交通大學 2018
[2]基于時頻分析與特征約簡的水電機組故障診斷方法研究[D]. 薛小明.華中科技大學 2016
[3]水電機組狀態(tài)評估及智能診斷方法研究[D]. 肖劍.華中科技大學 2014
[4]水電機組智能故障診斷的多元征兆提取方法[D]. 肖漢.華中科技大學 2014
[5]水電能源系統(tǒng)優(yōu)化問題中的數(shù)據(jù)挖掘、群智求解和綜合決策[D]. 江興穩(wěn).華中科技大學 2014
[6]基于狀態(tài)監(jiān)測數(shù)據(jù)的產(chǎn)品壽命預測與預測維護規(guī)劃方法研究[D]. 尤明懿.上海交通大學 2012
[7]基于數(shù)據(jù)挖掘技術(shù)的財務(wù)風險分析與預警研究[D]. 趙春.北京化工大學 2012
[8]隨機森林及其在遙感影像處理中應(yīng)用研究[D]. 雷震.上海交通大學 2012
[9]基于振動信號的機械故障特征提取與診斷研究[D]. 趙志宏.北京交通大學 2012

碩士論文
[1]基于隨機森林和SVM的食物圖像識別的研究[D]. 楊迪.安徽理工大學 2017
[2]基于隨機森林的語音情感識別研究[D]. 劉進華.華南理工大學 2013
[3]基于特征的水電機組狀態(tài)趨勢預測[D]. 代開鋒.華中科技大學 2005



本文編號：2951571