抽水蓄能机组作为抽水蓄能电站能效转换的核心设备，发挥着维护电网稳定运行的重要作用。抽水蓄能机组负荷变化频繁、多种运行工况相互交替，易加剧机组振动，增加了振动事故发生的风险，甚至导致水淹厂房等严重后果，因此亟需对抽水蓄能机组开展振动状态在线监测及趋势预测研究。本文以抽水蓄能机组运行过程中的振动信号为研究对象，重点围绕抽水蓄能机组振动信号降噪、非线性趋势预测等科学问题展开研究，以变分模态分解、BA算法、小波分析和神经网络等为理论依据，分析了现有方法在理论或应用上存在的缺陷与不足，并做出相应改进，同时将研究成果应用于工程实际中，设计并开发了一种B/S架构的抽水蓄能机组振动实时监测与趋势预测系统，为抽水蓄能机组状态检修策略的完善提供了新思路，具有一定的理论和工程意义。论文主要研究内容和成果如下：
　　(1)为了解决振动状态监测中数据存储效率低的问题，设计了一种面向抽水蓄能机组振动状态监测的分布式时效数据库。采用内存型数据库Redis与关系型数据库MySQL结合的方式，对实时数据进行快速读写并缓存，对历史数据进行长期稳定保存，从而实现了高效的数据存储，为后续机组振动信号降噪研究、趋势预测分析提供了稳定、可靠的抽水蓄能振动数据源。
　　(2)为了能在强噪声背景下精确提取出表征抽水蓄能机组实际运行状态的振动信号，提出了一种BA-VMD与小波阈值结合的降噪方法。首先，选用BA算法对VMD分解中的参数K和α进行全局优化，自适应搜寻获得最优的[K，α]组合；然后利用优化VMD方法将原始振动信号分解成一系列IMFs分量；其次利用自相关能量函数准则筛选出噪声主导的高频IMF分量，并对其进行小波阈值降噪处理；最后将未经小波阈值降噪处理的低频IMF分量和经过小波阈值降噪处理的高频IMF分量进行重构，进而得到降噪后的振动信号。将所提方法应用于机组仿真振动信号的降噪实验中，并与单一VMD降噪和单一小波阈值降噪方法进行对比，实验结果表明所提方法具有良好的降噪效果。
　　(3)针对传统方法难以对抽水蓄能机组非线性振动量进行趋势预测的问题，将VMD信号处理方法与神经网络预测方法相结合，提出了一种基于VMD与CNN-GRU相结合的混合状态趋势预测模型。首先利用VMD将原始非平稳信号分解为较平稳的模态分量，然后用CNN-GRU混合神经网络模型对各分量进行训练，在提高预测精度的同时降低了复杂度。将所提混合模型成功应用于某机组振动状态趋势预测，并与CNN-RNN模型、单一CNN模型和单一GRU模型进行消融实验，验证了所提混合模型的有效性，为抽水蓄能机组振动趋势预测方法研究拓展了新思路。
　　(4)基于上述研究成果，研究B/S网络架构特点和前后端分离技术，设计并开发了具有实时振动数据监测、趋势预测等业务的高级应用软件系统，验证了本文提出的抽水蓄能电站振动信号降噪、趋势预测方法的有效性，部分理论成果已集成至国内大型抽水蓄能电站机组振动状态监测与故障诊断系统，有效提高了电站的运维水平，有力推动了新能源背景下抽水蓄能电站智能化发展。