Page 126 - 2022年第53卷第6期

由表 ２可知，两种工况下，ＤＡＥ － ＭＬＰ均有最优的表现，其 ＲＭＳＥ与 ＭＡＰＥ平均比 ＭＬＰ降低了
８．７１％和 ８．７０％。这说明通过 ＤＡＥ将工况参数压缩能够去除干扰因素，提高健康模型拟合精度；相比于
其他降维方法建立的健康模型，ＤＡＥ － ＭＬＰ的 ＲＭＳＥ与 ＭＡＰＥ在抽水态下平均降低了 １２．１６％和 １１．３４％，
而在发电态下平均降低 １２．７５％、１１．７１％，这揭示了 ＤＡＥ相比于传统降维方法保留的信息更加有效。
值得注意的是，ＩＣＡ － ＭＬＰ与 ＩＳＯＭＡＰ － ＭＬＰ健康模型的精度低于 ＭＬＰ模型，这表明这两种方法在压缩
时损失了工况参数中的关键信息，并不适用于工况参数降维，也说明选择有效降维方法的必要性。
表 ２ 各健康模型在测试集上的表现

抽水态 发电态 抽水态 发电态
模型 模型
ＲＭＳＥ ＭＡＰＥ?％ ＲＭＳＥ ＭＡＰＥ?％ ＲＭＳＥ ＭＡＰＥ?％ ＲＭＳＥ ＭＡＰＥ?％
ＭＬＰ １．０９６ １．３９７ １．０４０ １．３６７ ＰＣＡ － ＭＬＰ １．０８１ １．２９３ １．０１７ １．３３５
ＩＣＡ － ＭＬＰ １．１３８ １．４３４ １．３１３ １．７３０ ＫＰＣＡ － ＭＬＰ １．０９１ １．３７８ １．０１５ １．３４５
ＩＳＯＭＡＰ － ＭＬＰ １．０８０ １．３７２ １．１６６ １．５１６ ＤＡＥ － ＭＬＰ ０．９６４ １．２１４ ０．９８４ １．３０８

图 ５中直观展示了各健康模型在验证集上的效果。可见 ＭＬＰ、ＩＣＡ － ＭＬＰ、ＩＳＯ － ＭＬＰ等健康模型
的拟合范围较集中，在抽水态下尤为明显；而 ＤＡＥ － ＭＬＰ、ＰＣＡ － ＭＬＰ、ＫＰＣＡ － ＭＬＰ等方法能够有效拟
合更大范围的摆度，可以拟合部分 “离群” 摆度值。为进一步说明 ＤＡＥ － ＭＬＰ健康模型效力，各模型
在验证集上误差的箱线图如图 ６中所示，在两种工况下，ＤＡＥ － ＭＬＰ的误差分布最集中，误差的中位
数最接近于 ０，这说明 ＤＡＥ － ＭＬＰ健康模型的表现较稳定，拟合误差中没有系统误差成分。

图 ５ 验证集上各健康模型效果

图 ６ 各健康模型拟合误差箱线图

— ７ ５ —
２