陆 丹，肖志怀，刘 东，胡 晓，邓 涛

（1.武汉大学水力机械过渡过程教育部重点实验室，武汉430072；2.武汉大学水资源与水电工程科学国家重点实验室，武汉430072；3.武汉大学后勤保障部水电中心，武汉430072）

0 引 言

水电机组的安全可靠运行关系到电厂、电网的安全性与经济性。传统的故障诊断方法都是事后决策方式，只有在机组出现异常或故障后，才能进行相应的分析。水电机组的故障多是渐变发生的，可以通过预测机组的状态趋势来确定一段时间内机组的运行状态，提升机组运行的可靠性。通过对机组状态进行预测，可以提早发现机组的故障征兆，及时排查以免发生重大事故［1］。

水电机组的状态信息蕴藏于振动信号中，通过分析振动信号可以提取机组的故障征兆［2］。小波变换、Hilbert-Huang 变换、经验模态分解（Empirical Mode Decomposition，EMD）等时频分析方法常用来处理此类信号［3-5］。在实际应用中，小波变换的效果与选取的小波基函数和分解层数有关，泛用性较差；EMD分解存在模态混叠现象。Wu 和Huang 发现在原始信号中添加高斯白噪声组成新信号再进行分解的集合经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）方法［6］可以提高信号的抗混叠能力。

机组状态趋势预测是根据采集到的机组历史运行数据建立预测模型，用当前的机组运行参数预测一段时间内的运行趋势。常用来建立预测模型的方法有：自回归［7］、自回归滑动平均［8］、支持向量机［9］、神经网络［10］等。自回归和自回归滑动平均方法主要用于解决线性问题；支持向量机初始速度快、泛化能力强，但难以对大规模训练样本实施；……