基于CEEMDAN-GRU的主泵电机绕组温度预测

作者：朱一虎; 夏虹^*; 杨波; 朱少民; 张汲宇; 王志超

来源：应用科技, 2023, 50(04): 14-20.

• 主泵
• 电机
• 绕组温度
• 时间序列
• 状态预测
• 自适应噪声完备集合经验模态分解
• 深度学习
• 门控循环单元

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(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和门控循环单元(gated recurrent unit,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(recurrent neural network,RNN)、长短期记忆(long short-term memory,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。

• 单位
  工业和信息化部; 哈尔滨工程大学