Page 121 - 2022年第53卷第6期

水 利 学 报

２０２２年 ６月 ＳＨＵＩＬＩ ＸＵＥＢＡＯ 第 ５３卷 第 ６期

文章编号：０５５９ － ９３５０（２０２２）０６ － ０７４７ － １０

基于自编码压缩与多尺度特征提取的抽水蓄能机组

劣化趋势评估与预测

１
２
３
１
２
陈 鹏 ，吴一凡 ，蔡 爽 ，杨 彬 ，张海库 ，李超顺 １
（１．华中科技大学 土木与水利工程学院，湖北 武汉 ４３００７４；
２．大唐西藏能源开发有限公司，四川 成都 ６１００７２；
３．大唐水电科学技术研究院有限公司，四川 成都 ６１００７４）
摘要：恶劣的运行环境为抽水蓄能机组安全运行带来严峻挑战，抽水蓄能机组劣化趋势评估与预测技术能够有效
反映机组运行状况并预测机组未来劣化情况，为机组状态检修提供重要依据。然而，机组运行工况参数中存在大
量冗余或干扰信息，严重影响劣化趋势评估的可靠性；此外，难以对复杂的劣化趋势序列实现准确的预测。为解
决上述问题，提出一种基于自编码压缩与多尺度特征提取的抽水蓄能机组劣化评估预测模型。首先，为降低拟合
误差，利用深度自编码器（ ＤＡＥ）凝练工况参数中的关键信息，结合多层感知机（ＭＬＰ）建立健康模型；其次，根据
机组运行数据与健康模型，生成机组劣化度；最后，以一维卷积神经网络（ １ＤＣＮＮ）提取局部空间特征，以双向门
控循环单元（ＢｉＧＲＵ）提取双向全局时序特征，结合二者的优势，构建多尺度特征提取网络，实现精确的劣化趋势
预测。通过某抽水蓄能机组验证了该模型的有效性。与其他模型相比，自编码压缩模型的拟合误差最低，能够生
成可靠的劣化趋势；多尺度特征提取网络能够学习劣化趋势序列中的长期趋势与局部波动信息，预测精度更高。
关键词：抽水蓄能机组；劣化趋势评估与预测；深度自编码器；多尺度特征提取；１ＤＣＮＮ；ＢｉＧＲＵ
中图分类号：ＴＶ７３４
文献标识码：Ａ ｄｏｉ：１０．１３２４３?ｊ．ｃｎｋｉ．ｓｌｘｂ．２０２２０１１５
１ 研究背景

抽水蓄能机组在谷荷期间抽水蓄能、峰荷期间放水发电 ［１］ ，随着越来越多的可再生能源并网，其
对电网调峰调频的作用日益显著 ［２］ 。然而，复杂多变的工况、频繁启停以及水力－ 机械－ 电磁耦合等因
素为抽水蓄能机组安全稳定运行带来严峻挑战 ［３］ 。通过劣化趋势评估与预测技术，及时掌握机组运行
状态并预测未来发展趋势，及时采取相应措施，对保障机组安全意义重大。
当前抽水蓄能机组劣化趋势评估与预测研究仍处于起步阶段 ［４ － ６］ 。振摆信号中蕴含着丰富的机组
运行状态信息，随着监测系统的成熟，基于数据驱动的机组劣化趋势评估与预测受到越来越多研究者
的青睐 ［７ － ９］ 。通过建立健康模型，拟合健康状态下工况参数与振摆值间的关系，再比较待评估阶段健
康模型的振摆参考值与实测振摆值，生成劣化度，能够有效评价机组劣化趋势。文献［ １０］构建了基于
最小二乘曲面的健康模型；文献［ ７］采用最小二乘支持向量机作为健康模型，建立工况与振动时域特
征之间的函数关系；文献［ １１］将粒子群算法用于优化人工神经网络以提升健康模型精度。健康模型的
精度越高，生成的劣化趋势序列越可靠。然而，机组工况参数中存在大量冗余或干扰信息且难以直接
剔除，这些无效信息严重影响到了健康模型的拟合精度。
降维压缩 ［１２］ 方法能够有效提取海量数据中的重要信息，广为应用的有主成分分析（ｐｒｉｎｃｉｐａｌｃｏｍ

收稿日期：２０２２ － ０２ － ２２；网络首发时间：２０２２ － ０６ － ０７
网络首发地址：ｈｔｔｐｓ：??ｋｎｓ．ｃｎｋｉ．ｎｅｔ?ｋｃｍｓ?ｄｅｔａｉｌ?１１．１８８２．ＴＶ．２０２２０６０６．１３３１．００３．ｈｔｍｌ
基金项目：湖北省重点研发计划项目（２０２１ＢＡＡ１９３）；湖北省自然科学基金项目（２０１９ＣＦＡ０６８）；国家自然科学基金项目（５１８７９１１１）
作者简介：陈鹏（ １９９９ － ），硕士生，主要从事水电机组故障预测与健康管理研究。Ｅ － ｍａｉｌ：ｈｕｓｔｐｅｎｇｃｈｅｎ＠１６３．ｃｏｍ
通讯作者：李超顺（１９８３ － ），教授，博士生导师，主要从事水电机组故障诊断与优化控制研究。Ｅ － ｍａｉｌ：ｃｓｌｉ＠ｈｕｓｔ．ｅｄｕ．ｃｎ
— ７ ４ ７ —