一种水轮机运转状态识别方法技术

本发明专利技术公开了一种基于改进极限学习机的水轮机运转状态识别方法，所述方法包括：对水轮机信号进行互补集合经验模态分解(Complementary ensemble empirical mode decomposition,CEEMD)获得IMF分量；引入皮尔逊相关系数计算各个IMF分量与水轮机信号的相似度，判断信号主导模态和噪声主导模态的分界点，用小波去噪对噪声主导模态降噪，并与其余的IMF分量重构得到去噪信号；对去噪后的信号进行分解，计算每个IMF分量的排列熵，构建特征向量；用基于模拟退火算法的粒子群算法(Simulated annealing algorithm

【技术实现步骤摘要】
annealing algorithm
‑
Particle swarm optimization,SA
‑
PSO)优化极限学习机(Extreme learning machine,ELM)的方式，建立水轮机运转状态识别模型SA
‑
PSO
‑
ELM。
[0008]根据本专利技术提供的一种水轮机运转状态识别方法，还可以具有这样的技术特征，其中步骤1)包括以下步骤：用CEEMD对水轮机信号进行分解，获得IMF分量。
[0009]根据本专利技术提供的一种水轮机运转状态识别方法，还可以具有这样的技术特征，其中步骤2)包括以下步骤：引入皮尔逊相关系数计算各个IMF分量与水轮机信号的相似度，判断信号主导模态和噪声主导模态的分界点；通过皮尔逊相关系数计算水轮机信号与IMF分量之间的相关性，绘制IMF相关系数分布随IMF分量阶数变化的曲线，分界点的选取准则为相似度曲线首次发生反向变化的位置，分界点及分界点之前的IMF分量为噪声主导模态，其他的IMF分量为信号主导模态；用小波去噪对噪声主导模态降噪，并与信号主导模态的I本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进极限学习机的水轮机运转状态识别方法，包括以下步骤：1)对水轮机信号进行互补集合经验模态分解(Complementary ensemble empirical mode decomposition,CEEMD)获得IMF分量；2)引入皮尔逊相关系数计算各个IMF分量与水轮机信号的相似度，判断信号主导模态和噪声主导模态的分界点，用小波去噪对噪声主导模态降噪，并与其余的IMF分量重构得到去噪信号；3)对去噪后的信号进行分解，选择主要频率成分与水轮机信号的主要频率成分相似的IMF分量，计算每个IMF分量的排列熵，构建特征向量；4)用基于模拟退火算法的粒子群算法(Simulated annealing algorithm
‑
Particle swarm optimization,SA
‑
PSO)优化极限学习机(Extreme learning machine,ELM)的方式，建立水轮机运转状态识别模型SA
‑
PSO
‑
ELM。2.根据权利要求1所述的基于改进极限学习机的水轮机运转状态识别方法，步骤1具体细节如下：用CEEMD分解水轮机信号，获得IMF分量(X(t)、t、r、IMF
k
分别为原信号、时间、残余量、第i个IMF分量)：3.根据权利要求1所述的基于改进极限学习机的水轮机运转状态...

【专利技术属性】
技术研发人员：兰朝凤，宋博文，林小佳，苏文涛，郑智颖，郭小霞，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：