基于CEEMDAN-GRU的主泵电机绕组温度预测.pdf

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,MinistryofIndustryandInformationTechnology,HarbinEngineeringUniversity,Harbin150001,China2.FundamentalScienceonNuclearSafetyandSimulationTechnologyLaboratory,HarbinEngineeringUniversity,Harbin150001,ChinaAbstract:A prediction model based on complete ensemble empirical mode decomposition with adaptive noise(CEEMDAN)andgatedrecurrentunit(GRU)isproposedtopredictthewindingtemperatureofprimarypumpmotorsinthenuclearpowerplant.Firstly,CEEMDANisusedtodecomposethecollectedwindingtemperatureseries,anditshighandlowfrequencycomponentsandtrenditemsareobtainedthroughcomponentreconstruction.Onthisbasis,theGRUprediction model of each component is respectively constructed,and the prediction results of each component aresuperimposedandintegratedtoobtaintheoverallpredictedvalueofthewindingtemperature.Thesimulationresultsshowthatcomparedwiththetraditionalrecurrentneuralnetwork(RNN),longshort-termmemory(LSTM)modelandGRUmodel,thepredictionmodelproposedinthispaperissuperiortoothermodelsintermsofmultipleevaluationindicators,andithashigherpredictionaccuracy.Thereby,thefeasibilityofthemodelisverified.Keywords:primarypump;motor;windingtemperature;timesequence;stateprediction;completeensembleempiricalmodedecompositionwithadaptivenoise;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(gatedrecurrentunit,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 CEEMDAN 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)FIMFm(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 个残余分量，分解结果如图 4 所示。0.010.0100.010.0100.020.0200.020.0200.10.100.20.200.50.500.50.500.50.500.20.200.60.60.20.203060901201500.20.2时间/min0306090120150时间/minFIMF1(t)FIMF2(t)FIMF3(t)FIMF4(t)FIMF5(t)FIMF6(t)FIMF7(t)FIMF8(t)FIMF9(t)FIMF10(t)FIMF11(t)R(t)(l)残余分量(k)模态分量 110306090120150时间/min(j)模态分量 100306090120150时间/min(i)模态分量 90306090120150时间/min(h)模态分量 80306090120150时间/min(g)模态分量 70306090120150时间/min(f)模态分量 60306090120150时间/min(e)模态分量 50306090120150时间/min(d)模态分量 40306090120150时间/min(c)模态分量 30306090120150时间/min(b)模态分量 20306090120150时间/min(a)模态分量 10.010.0100.010.0100.020.0200.020.0200.10.100.20.200.50.500.50.500.50.500.20.200.60.60.20.203060901201500.20.2时间/min0306090120150时间/minFIMF1(t)FIMF2(t)FIMF3(t)FIMF4(t)FIMF5(t)FIMF6(t)FIMF7(t)FIMF8(t)FIMF9(t)FIMF10(t)FIMF11(t)R(t)(l)残余分量(k)模态分量 110306090120150时间/min(j)模态分量 100306090120150时间/min(i)模态分量 90306090120150时间/min(h)模态分量 80306090120150时间/min(g)模态分量 70306090120150时间/min(f)模态分量 60306090120150时间/min(e)模态分量 50306090120150时间/min(d)模态分量 40306090120150时间/min(c)模态分量 30306090120150时间/min(b)模态分量 20306090120150时间/min(a)模态分量 1图4CEEMDAN 分解结果=0.05按 顺 序 依 次 对 各 分 量 进 行 显 著 性 水 平下均值为 0 的单样本 t 检验，各模态分量的 t 检验结果如表 1 所示。表1各分量的 t 检验结果模态分量Pvalue(=0.05)FIMF1(t)0.8986FIMF2(t)0.6541FIMF3(t)0.7087FIMF4(t)0.3786FIMF5(t)0.0414FIMF6(t)0FIMF7(t)0.0129FIMF8(t)0.0006FIMF9(t)0FIMF10(t)0FIMF11(t)0R(t)0FIMF1(t)FIMF4(t)PvalueFIMF5(t)FIMF11(t)PvalueFIMF5(t)FIMF1(t)FIMF4(t)Fhigh(t)FIMF5(t)FIMF11(t)Flow(t)R(t)由 表 1 可 知，的均 大 于0.05，而的均小于 0.05，即在当前显著性水平下第 1 个均值显著偏离 0 的模态分量为。因此可将叠加得到高频分量，表示序列的短期波动项；将叠加得到低频分量，表示序列的中期重要因素影响项；残余分量不变，作为序列的长期趋势项。重组后的结果如图 5所示。第4期朱一虎，等：基于 CEEMDAN-GRU 的主泵电机绕组温度预测170.050.0500.90.9003060901201500.40.60.20.20时间/min0306090120150时间/min0306090120150时间/minFhigh(t)Flow(t)R(t)(a)高频分量(b)低频分量(c)残余分量图5分量重组结果4.3GRU 神经网络的建模对于重组后的分量，采用滚动时间窗的方式对子序列进行预测，选择前 80%的数据作为训练集，后 20%的数据作为测试集。采用双层 GRU神经网络，输入序列长度为 30，即选取前 30 个样本对序列进行预测，输出序列长度为 1，同时设置失活率为 0.2 的 Dropout 层以抑制网络的过拟合。具体的 GRU 神经网络超参数如表 2 所示。为了消除数据间量纲的差异，加速网络的收敛，在将数据输入网络之前采用 MinMaxScaler 估计器对数据进行归一化，使数据处于 0,1，其计算公式为 x=xxminxmaxxmin表2GRU 神经网络的超参数超参数取值或设置情况GRU层数2输入序列长度30输出序列长度1隐藏层神经元个数64Dropout层失活率0.2最大迭代次数1000初始学习率0.001损失函数MSE优化算法Adam4.4预测评价指标的选择EMAERMSESMAPR2Adjusted预测评价指标有很多种，为了对选用的方法进行全面的分析和评价，本文选用平均绝对误差(meanabsoluteerror,MAE)、均方根误差(rootmeansquareerror,RMSE)、对称平均绝对百分比 误 差(symmetricmeanabsolutepercentageerror,SMAPE)以及校正决定系数(adjustedR-square)来评估预测模型的优劣，相应的计算公式为EMA=1nni=1|yiyi|ERMS=1nni=1(yiyi)2ESMAP=1nni=1|yiyi|(|yi|+|yi|)/2R2=1ni=1(yiyi)2/ni=11nni=1yiyi2R2Adjusted=1(1R2)(n1)n p1 yiyinpEMAERMSESMAPR2AdjustedR2式中：为预测值；为真实值；为样本数；为特征数量；、均用来衡量预测值与真实值之间的偏差，值越小表明模型的预测能力越强；是在决定系数上的基础上所提出的，抵消了样本数量对 R2的影响，相比之下更能描述回归模型拟合的效果，其值越接近于 1 表明拟合的效果越好，预测越精确。4.5预测结果与对比分析经过网络的训练和测试，高、低频分量和趋势项预测结果如图 6图 8 所示，对应的预测评价指标如表 3 所示。1201251301351401451500.030.020.010.010.020.030时间/min预测值真实值Fhigh(t)图6高频分量预测结果1201251301351401451500.60.40.20.20.40.60.80时间/minFlow(t)预测值真实值图7低频分量预测结果1201251301351401451500.060.070.080.090.100.110.12时间/min预测值真实值R(t)图8趋势项预测结果18应用科技第50卷表3重组分量的评价指标分量EMAERMSESMAPR2Adjusted高频分量0.008600.011880.660250.85742低频分量0.001290.001930.068010.99861趋势项0.000040.000050.000450.99999从预测曲线图 6图8 中可以看出，经过分解、重组得到的 3 个分量在测试集上的预测结果均与原分量序列基本重合，即预测模型对数据具有较强的解释能力。R2AdjustedR2Adjusted由表 3 可知，高频分量的小于 0.86，而低频分量和趋势项对应的均超过了 0.99，表明高频分量的模型拟合效果不如其余 2 分量，这主要是由于原始序列包含着特征信息的同时也夹杂 着 大 量 的 噪 声18。随 着 分 量 频 率 的 减 小，MAE、RMSE、SMAPE 值均显著降低，表明模型的预测能力更强，拟合效果更好。将这 3 个分量的预测结果进行集成重构得到绕组温度在测试集上的预测结果，同时与传统RNN、LSTM 和GRU 模型进行对照实验，如图9 所示。耦合模型GRULSTMRNN真实值1201251301351401451500.60.40.20.20.40.60.80标准化温度时间/min图9不同模型的预测结果为了便于在具体的部分区域上比较不同模型之间的差异，对测试集中第 128130min 的变化趋势进行局部放大，如图 10 所示。从图 10 中可以看出，传统神经网络模型虽然在整体趋势上与实际趋势保持一致，但在某些极值区域的预测输出与实际值有不小的差距；而本文提出的预测模型不仅成功预测出了绕组温度的变化趋势，而且在局部极值处与真实值的误差最小，在波动频繁的区域也能捕捉到原始序列的细节特征，具有更强的预测能力。128.0128.5129.0129.5130.00.20.30.40.50.60.70.8标准化温度时间/min耦合模型GRULSTMRNN真实值图10不同模型局部区间的预测结果同时表 4 也给出了各预测模型的评价指标结果。数据表明，相比于其他模型，本文所提出的CEEMDAN-GRU 预测模型的MAE、RMSE、SMAPE值均最小，而 Adjusted-R2值最大，即认为在所给出的评价指标上优于其他模型。同时，将本文的模型与使用 GRU 直接预测相比较，当分解重构的方法融入预测模型后，预测效果均取得了较大改善，验证了 CEEMDAN 分解可以更好地提取数据的内在特征，提高预测精度。表4不同模型的评价指标对比模型MAERMSESMAPER2AdjustedRNN0.038790.052560.303650.97405LSTM0.019780.029060.184650.99207GRU0.010990.017090.129340.99725耦合模型0.009910.013000.108770.998415结论为了提高核电站中主泵电机的预警能力，适当 优 化 其 维 护 策 略，本 文 提 出 了 一 种 基 于CEEMDAN-GRU 的主泵电机绕组温度预测算法，主要包括：1)CEEMDAN 分解善于提取复杂时间序列的波动模式，GRU 神经网络在提取数据间的长期依赖关系方面具有优势，将二者有效结合，建立了新的时间序列预测耦合模型；Pvalue2)通过计算分解后各模态分量的进行分量的重组，以此作为网络的输入，降低了预测模型的复杂度，避免了模型的过拟合；3)相较于其他对比模型，CEEMDAN-GRU 的耦合模型在多元评价指标中均有明显的优势，具有更好的预测性能。在后续工作中，将对 GRU 的参数优化方法等展开进一步的研究。参考文献：俞学成.核电站循环冷却水泵电机定子绕组温度高原因分析与处理 J.电工技术,2016(9):8687.1张思原,卢忝余,曾辉,等.基于 LSTM 的核电传感器多特征融合多步状态预测 J.核动力工程,2021,42(4):208213.2王鑫,吴际,刘超,等.基于 LSTM 循环神经网络的故障时间序列预测 J.北京航空航天大学学报,2018,44(4):772784.3王祥雪,许伦辉.基于深度学习的短时交通流预测研究 J.交通运输系统工程与信息,2018,18(1):8188.4第4期朱一虎，等：基于 CEEMDAN-GRU 的主泵电机绕组温度预测19牛哲文,余泽远,李波,等.基于深度门控循环单元神经网络的短期风功率预测模型 J.电力自动化设备,2018,38(5):3642.5邓带雨,李坚,张真源,等.基于 EEMD-GRU-MLR 的短期电力负荷预测 J.电网技术,2020,44(2):593602.6HUANGGuoyan,LIXinyi,ZHANGBing,etal.PM2.5concentrationforecastingatsurfacemonitoringsitesusingGRUneuralnetworkbasedonempiricalmodedecompositionJ.Scienceofthetotalenvironment,2021,768:144516.7张晓晗,冯爱民.基于经验模态分解和长短期记忆神经网络的短期交通流量预测 J.计算机应用,2021,41(1):225230.8CHENYaoran,DONGZhikun,WANGYan,etal.Short-termwindspeedpredictingframeworkbasedonEEMD-GA-LSTM method under large scaled wind historyJ.Energyconversionandmanagement,2021,227:113559.9黄冬梅,唐振,胡安铎,等.基于 VMD-GRU 的电力短期负荷预测方法 J.物联网技术,2021,11(4):6770.10DING Shifei,ZHANG Zichen,GUO Lili,et al.Anoptimized twin support vector regression algorithmenhancedbyensembleempiricalmodedecompositionandgatedrecurrentunitJ.Informationsciences,2022,598:101125.11LI Fugang,MA Guangwen,CHEN Shijun,et al.Anensemble modeling approach to forecast daily reservoir12inflowusingbidirectionallong-andshort-termmemory(Bi-LSTM),variationalmodedecomposition(VMD),andenergyentropymethodJ.Waterresourcesmanagement,2021,35(9):29412963.武云云,刘建香,崔宏星,等.探讨 ARIMA 模型在核电站外围环境放射性水平预测中的应用 J.现代预防医学,2014,41(11):19411944.13朱少民,夏虹,吕新知,等.基于 ARIMA 和 LSTM 组合模型的核电厂主泵状态预测 J.核动力工程,2022,43(2):246253.14WUZhaohua,HUANGNE.Ensembleempiricalmodedecomposition:anoise-assisteddataanalysismethodJ.Advancesinadaptivedataanalysis,2009,1(1):141.15TORRESME,COLOMINASMA,SCHLOTTHAUERG,etal.Acompleteensembleempiricalmodedecompo-sition with adaptive noiseC/2011 IEEE InternationalConferenceonAcoustics,SpeechandSignalProcessing.Piscataway:IEEE,2011:41444147.16KIRCHGSSNER W,WALLSCHEID O,BCKER J.Estimatingelectricmotortemperatureswithdeepresidualmachine learningJ.IEEE transactions on powerelectronics,2020,36(7):74807488.17贺毅岳,李萍,韩进博.基于 CEEMDAN-LSTM 的股票市场指数预测建模研究 J.统计与信息论坛,2020,35(6):3445.18本文引用格式：朱一虎,夏虹,杨波,等.基于 CEEMDAN-GRU 的主泵电机绕组温度预测 J.应用科技,2023,50(4):1420.ZHUYihu,XIAHong,YANGBo,etal.WindingtemperaturepredictionofprimarypumpmotorsbasedonCEEMDAN-GRUJ.Appliedscienceandtechnology,2023,50(4):1420.20应用科技第50卷