Page 123 - 2022年第53卷第6期

还原后的信息与原始工况参数越相近，ＤＡＥ的训练越充分，压缩效果越好。因此，训练 ＤＡＥ直
至式（ ３）中所示的损失函数 Ｌ最小：
ｍ
ｈ
Ｌ ＝ ∑ ｗ－ ｗ ｈ′ ２ （３）
ｊ
ｊ
ｊ ＝１
（２）ＭＬＰ建立拟合关系：ＭＬＰ主要由输入层、隐含层及输出层三部分组成，本文采用多个隐含层
ｈ
ｈ
ｈ
ｈ
以增强 ＭＬＰ学习能力。将 ＤＡＥ得到的压缩信息｛ｃ，ｃ，…，ｃ｝送入 ＭＬＰ中，建立其与振摆值 ｖ间
ｎ
２
１
的映射关系如下：
ｈ
ｈ
ｈ
Ｆ ＝ ｒｅｌｕ （Ｗ ｛ｃ，ｃ，…，ｃ｝ ＋ ｂ） （４）
１ ｆ１ １ ２ ｎ ｆ１
Ｆ ＝ ｒｅｌｕ （Ｗ Ｆ ＋ ｂ），ｋ ＝ ２ ，…，Ｋ （５）
ｋ
ｆｋ
ｆｋ ｋ － １
Ｏ ＝ ｒｅｌｕ （Ｗ Ｆ ＋ ｂ） （６）
ｏ Ｋ
ｏ
式中：Ｋ为隐含层数目；ｒｅｌｕ（）为 ＲｅＬＵ激活函数；Ｗ 、ｂ 为各隐含层的权重矩阵与偏置；Ｆ为各隐
ｆｋ ｆｋ ｋ
含层输出；Ｗ 、ｂ为输出层的权重矩阵与偏置；Ｏ为 ＭＬＰ的输出。
ｏ ｏ
ｈ
Ｏ与 ｖ越接近，ＭＬＰ的拟合效果越好，以 ＭＳＥ为损失函数，通过反向传播调整 ＭＬＰ的权重与偏
置，直至 ＭＳＥ达到最小。

图 ２ 健康模型结构

２．３ 劣化度生成 随着运行时间增加，机组逐渐劣化。此时实测振摆值往往会偏离同工况参数下的健
康振摆值。因此，本文通过比较实测振摆值与健康振摆值的差异构建机组劣化趋势指标。由于抽水蓄
能机组的振摆值越小，机组运行状况越好，当实际振摆值小于健康摆度值时，认为此时机组运行状况
良好，劣化度为 ０。抽水态与发电态是机组最重要的两种工况，磨损老化也主要发生在这些工况中。
因此，通过这两种工况将机组监测数据分割为一系列抽水过程与发电过程，并以这些过程为描述机组
劣化情况的基本单元。对第 ｋ次抽水或发电过程，其劣化度 Ｄ（ｋ）定义如下：
ｋ
ｋ
１ Ｎ ｍａｘ（ｖ（ｉ） － Ｐ（ｉ），０）
Ｄ（ｋ） ＝ ∑ ｋ （７）
Ｎ ｉ ＝１ Ｐ（ｉ）
ｋ
ｋ
ｋ
ｋ
Ｐ（ｉ） ＝ｈｆ（｛ｗ（ｉ），ｗ（ｉ），…，ｗ （ｉ）｝） （８）
１ ２ ｍ
ｋ
ｋ
ｋ
ｋ
式中：Ｎ为该过程中的样本数；ｈｆ（）为 ＤＡＥ － ＭＬＰ健康模型；ｖ（ｉ）与｛ｗ（ｉ），ｗ（ｉ），…，ｗ （ｉ）｝分
１
２
ｍ
ｋ
别为第 ｋ次过程的实测振摆值与实测工况参数；Ｐ（ｉ）为实测工况参数对应的健康振摆值。
２．４ 基于多尺度特征提取的劣化趋势预测模型 生成劣化趋势序列后，需要预测未来劣化度，为机组
预防性维护提供支持。如图 ３所示，本文所提多尺度特征提取网络主要由 ＢｉＧＲＵ与 １ＤＣＮＮ构成的特
征提取部分和全连接层组成。首先，通过 １ＤＣＮＮ层提取历史劣化趋势序列中的局部波动成分，结合
ＢｉＧＲＵ层挖掘序列中的双向长期依赖；再将提取出的局部空间特征与双向全局时序特征合并，送入全
连接层中，预测未来劣化度。
若以 Ｔ个历史劣化度｛Ｄ（ｋ － Ｔ），Ｄ（ｋ － Ｔ ＋ １），…，Ｄ（ｋ － １）｝预测第 ｋ个过程的劣化度 Ｄ′（ｋ），网
— ７ ４ ９ —