基于CEEMDAN-GRU的主泵电机绕组温度预测.pdf
《基于CEEMDAN-GRU的主泵电机绕组温度预测.pdf》由会员分享,可在线阅读,更多相关《基于CEEMDAN-GRU的主泵电机绕组温度预测.pdf(7页珍藏版)》请在咨信网上搜索。
1、DOI:10.11991/yykj.202206008网络出版地址:https:/ CEEMDAN-GRU 的主泵电机绕组温度预测朱一虎1,2,夏虹1,2,杨波1,2,朱少民1,2,张汲宇1,2,王志超1,21.哈尔滨工程大学核安全与先进核能技术工业和信息化部重点实验室,黑龙江哈尔滨1500012.哈尔滨工程大学核安全与仿真技术重点学科实验室,黑龙江哈尔滨150001摘要:针对核电站主泵电机绕组温度的预测问题,提出了基于自适应噪声完备集合经验模态分解(completeensembleempiricalmodedecompositionwithadaptivenoise,CEEMDAN)和门控循
2、环单元(gatedrecurrentunit,GRU)的预测模型。首先使用 CEEMDAN 对采集到的绕组温度序列进行分解,经过分量重构得到其高、低频分量和趋势项,在此基础上分别构建各分量的 GRU 预测模型,将各分量的预测结果叠加集成得到绕组温度的整体预测值。仿真结果表明,与传统的循环神经网络(recurrentneuralnetwork,RNN)、长短期记忆(longshort-termmemory,LSTM)模型和 GRU 模型相比,本文提出的预测模型在多元评价指标方面均优于其他模型,具有更高的预测精度,验证了该模型的可行性。关键词:主泵;电机;绕组温度;时间序列;状态预测;自适应噪声完
3、备集合经验模态分解;深度学习;门控循环单元中图分类号:TL363文献标志码:A文章编号:1009671X(2023)04001407Winding temperature prediction of primary pump motors based onCEEMDAN-GRUZHUYihu1,2,XIAHong1,2,YANGBo1,2,ZHUShaomin1,2,ZHANGJiyu1,2,WANGZhichao1,21.KeyLaboratoryofNuclearSafetyandAdvancedNuclearEnergyTechnology,MinistryofIndustryandIn
4、formationTechnology,HarbinEngineeringUniversity,Harbin150001,China2.FundamentalScienceonNuclearSafetyandSimulationTechnologyLaboratory,HarbinEngineeringUniversity,Harbin150001,ChinaAbstract:A prediction model based on complete ensemble empirical mode decomposition with adaptive noise(CEEMDAN)andgate
5、drecurrentunit(GRU)isproposedtopredictthewindingtemperatureofprimarypumpmotorsinthenuclearpowerplant.Firstly,CEEMDANisusedtodecomposethecollectedwindingtemperatureseries,anditshighandlowfrequencycomponentsandtrenditemsareobtainedthroughcomponentreconstruction.Onthisbasis,theGRUprediction model of ea
6、ch component is respectively constructed,and the prediction results of each component aresuperimposedandintegratedtoobtaintheoverallpredictedvalueofthewindingtemperature.Thesimulationresultsshowthatcomparedwiththetraditionalrecurrentneuralnetwork(RNN),longshort-termmemory(LSTM)modelandGRUmodel,thepr
7、edictionmodelproposedinthispaperissuperiortoothermodelsintermsofmultipleevaluationindicators,andithashigherpredictionaccuracy.Thereby,thefeasibilityofthemodelisverified.Keywords:primarypump;motor;windingtemperature;timesequence;stateprediction;completeensembleempiricalmodedecompositionwithadaptiveno
8、ise;deeplearning;gatedrecurrentunit核主泵是反应堆一回路压力边界的重要组成部分之一,是反应堆及一回路系统中最关键的旋转设备,其主要功能是将一回路中的冷却剂进行升压,克服冷却剂在设备和管道中的流动阻力,促使其将堆芯中产生的热量传递到蒸汽发生器,保证堆芯的正常冷却,因此保证主泵电机长期、安全、稳定、可靠地运行至关重要。而在夏季时,由于环境温度升高,主泵电机定子绕组运行温度会接近其跳泵限值1,对机组构成了潜在威胁,需要对其定子绕组温度进行预测,以便工作人员判断其运行趋势并且采取相应的安全保护措施。对于设备运行参数,传统的预测方法主要有收稿日期:20220606.网络
9、出版日期:20230516.基金项目:国家自然科学基金项目(U21B2083).作者简介:朱一虎,男,硕士研究生.夏虹,女,教授,博士生导师.通信作者:夏虹,E-mail:.第50卷第4期应用科技Vol.50No.42023年7月AppliedScienceandTechnologyJul.20233 类:回归分析法,此方法的计算原理和结构形式都比较简单,预测速度快,但对复杂多变的数据预测精度较低;整合移动平均自回归(autoregressiveintegratedmovingaverage,ARIMA)模型,利用差分对原始序列进行平稳化,根据序列特性求得相关参数来进行预测,此模型较为简单,只
10、需要原始序列产生的变量而不需要其他外生变量,但其要求原始序列或原始序列差分后的序列是稳定的,并且无法捕捉非线性关系;机器学习模型,此类方法主要以当前时间点的数据特征进行建模预测,未考虑数据的时序性,在对基于时间序列的数据进行预测时误差较大2。近年来,众多的国内外学者开始将深度学习用于时间序列的预测中。王鑫等3利用长短期记忆(longshort-termmemory,LSTM)神经网络对复杂系统的历史故障数据进行时间序列预测,王祥雪等4通过对 LSTM 网络逐层构建和精细化调参来预测短时交通流,并且可以根据预测精度进行参数的自适应更新。牛哲文等5在传统门控循环单元(gatedrecurrentu
11、nit,GRU)神经网络的基础上融合了卷积神经网络(convolutionalneuralnetworks,CNN)来预测风电场的短期风功率,并引入随机失活(dropout)技术减少模型的过拟合现象。针对时间序列数据固有的不平稳导致预测精度较低的问题,很多研究人员引入模态分解方法,去除一部分噪声,再对不同尺度下的分量分别预测612。相较于上述应用场景,时间序列预测方法在核电站中的应用较少,武云云等13将 ARIMA模型应用于环境放射性水平的预测,结果表明预测值与实际值基本一致。张思原等2提出了基于 LSTM 的多特征融合多步状态预测模型,对蒸汽发生器的蒸汽压力进行预测,验证了该方法的有效性。朱
12、少民等14结合 ARIMA 和 LSTM 的优势,利用组合模型对核电厂主泵的运行状态进行预测,结果表明该方法具有更加稳健的预测性能。本文采用自适应噪声完备集合经验模态分解(complete ensemble empirical mode decompositionwithadaptivenoise,CEEMDAN)与门控循环单元结合的模型来对时间序列进行预测。相比于集合经 验 模 态 分 解(ensemble empirical modedecomposition,EEMD),该方法在分解过程中添加的是白噪声经过经验模态分解(empiricalmodedecomposition,EMD)得到的
13、各阶本征模态函数(intrinsicmodefunctions,IMF),最后重构信号中的噪声残余更小,降低了筛选次数,同时也避免了各模态分量结果差异造成的集合平均难以对齐的问题。利用 GRU 神经网络对分解重构得到的各分量分别建立相应的预测模型,对各预测结果进行叠加从而得到最终的预测结果。1CEEMDAN 的基本原理EMD 是一种基于信号局部特征自适应的信号分解方法,它根据信号的局部特征尺度,按频率由高到低将复杂的非线性、非平稳信号分解为有限个本征模态函数之和。然而大量的实践证明,EMD 分解方法存在的模态混叠现象限制了其应用。随后 Wu 等15提出了对此问题的改进措施EEMD,即给原始信号
14、添加均匀分布的白噪声,使得不同尺度的信号会自动映射到合适的参考尺度上。虽然 EEMD 抑制了模态混叠,但是对原序列添加的白噪声仍有可能残存于分解后的模态分量中,影响了后续信号的进一步分析。在此基础上,Torres 等16提出在分解时添加自适应白噪声,有效降低了 EEMD 重构时的误差。其具体步骤为:f(t)fi(t)FIMF1(t)1)对原始序列添加白噪声序列,得到含有噪声的信号序列,对此序列进行 N 次 EMD 分解后取算术平均值得到第 1 个模态分量:fi(t)=f(t)+0i(t)FIMF1(t)=1NNi=1FIMF1,i(t)0i(t)i式中:为噪声系数,为第 次分解加入的服从标准正
15、态分布的白噪声序列。2)计算第一残余分量:r1(t)=f(t)FIMF1(t)Ej()jr1(t)+1E1(i(t)3)定义为对序列进行 EMD 分解后的第个模态分量,则对分解得到:FIMF2(t)=1NNi=1E1(r1(t)+1E1(i(t)FIMFKR(t)4)重复步骤 2)、3)得到其余的模态分量和残余分量,直到所得到的残余分量极值点个数小于等于 2,则停止分解,此时得到固有模态分量和最终残余分量。最终残余分量可表示为R(t)=f(t)Ki=1FIMFi(t)CEEMDAN 分解通过添加自适应白噪声对序列进行了干扰脉冲的平滑处理,进一步降低了重构时的误差,提高了完整度。2GRU 的基本
16、原理循环神经网络(recurrentneuralnetwork,RNN)是深度学习领域中一类特殊的内部存在自连接的第4期朱一虎,等:基于 CEEMDAN-GRU 的主泵电机绕组温度预测15神经网络,它通过隐藏层上的回路连接使得前一时刻的网络状态能够传递给当前时刻,当前时刻的状态也可以传递给下个时刻。LSTM 神经网络是在 RNN 中梯度错误累积过多而导致梯度消失或梯度爆炸的基础上所提出的,其将门控的机制引入到循环单元中,可以有选择性地添加和删除数据信息,起到了控制信息数据流通的作用。GRU 是一种 LSTM 的变体,它将 LSTM 的输入门和遗忘门耦合为更新门,用于控制隐藏状态的更新,减少了矩
17、阵乘法的运算,有效加速了网络的收敛。GRU 的结构如图 1 所示。htrtztxththt11tanh图1GRU 结构GRU 的前向传播计算过程可表示为rt=(Wrht1,xt)zt=(Wzht1,xt)ht=tanh(Whrtht1,xt)ht=(1zt)ht1+zthtxtht1式中:为神经元的输入,为前一时刻隐藏层的WrWzWhrtzt状态,、和分别为重置门、更新门 和隐藏层的权重矩阵。重置门由该时刻的输入和上一时刻的隐藏状态控制,其决定了是否将隐藏状态的信息遗忘,从而发掘数据间的短期联系;更新门则控制上一时刻的信息在当前时刻的保留量。3CEEMDAN-GRU 预测模型利用 CEEMDA
18、N 将原始序列分解为若干个频率不同的固定模态分量和 1 个残余分量,同时为了降低预测建模的复杂度和避免模型过拟合,对各分量进行重新组合得到高频分量、低频分量和趋势项,运用 GRU 网络分别对重组后的分量进行预测,最后将预测结果叠加集成得到最终的预测结果。图 2 给出了此方法的预测流程,具体步骤如下:FIMFi(t)(i=1,2,K)R(t)1)利用 CEEMDAN 将绕组温度序列分解为K 个模态分量和 1 个残余分量;FIMFi(t)=0.052)分别对做显著性水平下均值为 0 的单样本 t 检验;FIMFm(t)Pvalue 0.05FIMF1(t)+FIMF2(t)+FIMFm1(t)FI
19、MFm(t)+FIMFm+1(t)+FIMFK(t)3)若为第 1 个的模态分量,则将的结果作为高频分量,将的结果作为低频分量,最后将残余分量作为趋势项;4)针对重组得到的 3 个分量,分别构建相应的 GRU 预测模型,得到各分量的预测值;5)通过叠加处理得到最终绕组温度的预测结果。开始绕组温度序列高频分量低频分量趋势项叠加重构叠加重构结束重组+预测分解集成处理CEEMDAN 分解多个模态分量和一个残余分量高频分量GRU 模型低频分量GRU 模型趋势项GRU模型图2CEEMDAN-GRU 预测流程4实验验证及分析4.1数据来源主泵电机是核电站的关键设备,通常采用的是易于安装、使用和维护的异步电
20、动机,而同步电机与异步电机的不同之处在于转子的结构,其定子绕组都是相同的。本文采用来自德国UniversittPaderborn 永磁同步电机(permanentmagnetsynchro-nousmotor,PMSM)的实验数据17进行预测方法的验证,数据集共有 12 个特征,包括温度传感器测量的环境温度、冷却液温度、永磁表面温度、定子轭温度、定子齿温度、定子绕组温度以及电压d 轴分量、电压 q 轴分量、电机转速、电流引起的扭矩、电流 d 轴分量和电流 q 轴分量。仿真实验16应用科技第50卷的目标特征为定子绕组温度。数据集共包含52 个测量阶段,基本涵盖了电机温度变化的全过程,每个测量阶段
21、通过相对应的标签加以区分,所有测量序列均以 2Hz 的采样频率在测试台上完成。为降低计算成本,本文选取某个测量阶段中时间间隔为 150min 的数据作为原始序列,标准化后的绕组温度如图 3 所示。在图 3 所示的时间区间内,绕组温度先后大致经历了振荡、上升、下降以及再振荡的阶段,构成了相对完整的温度变化周期,使得本文建立的预测模型对绕组温度变化的特征提取更加充分,增强了研究结论的说服力。03060901201501.00.500.51.0标准化温度时间/min图3原始绕组温度序列4.2CEEMDAN 分解与重组对图 3 所示的序列进行 CEEMDAN 分解,得到 11 个固有模态分量和 1 个
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 CEEMDAN GRU 电机 绕组 温度 预测
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。