Resumen

El pronóstico preciso de la tendencia vibracional de una unidad generadora de energía hidroeléctrica (HGU, por sus siglas en inglés) es de gran importancia para garantizar el funcionamiento seguro y económico de una estación hidroeléctrica. Con este fin, se propone un enfoque híbrido novedoso que combina el análisis caótico de ingredientes dominantes a múltiples escalas, la máquina de aprendizaje extrema con núcleo (KELM) y el optimizador de lobos grises con mutación adaptativa (AMGWO). Entre los métodos, la descomposición modal variacional (VMD), la reconstrucción del espacio de fases (PSR) y el análisis del espectro singular (SSA) se integran adecuadamente en la estrategia de análisis propuesta. En primer lugar, se emplea VMD para descomponer la señal vibracional monitoreada en varias subseries con diferentes escalas de frecuencia. Luego, se aplica SSA para dividir cada subserie descompuesta en ingredientes dominantes y

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Energía hidroeléctrica; Unidad generadora; Pronóstico; Señal vibratoria; Estrategia de análisis; Componentes de predicción
• Keywords:Hydropower; Generator unit; Forecasting; Vibrational signal; Analysis strategy; Prediction components