Page 127 - 2022年第53卷第6期

３．３ 劣化趋势序列生成 ２０１９年 ３月至 １０月共有
２０７个抽水过程、３０７个发电 过程。将各 待评估 过
程的工 况 参 数 送 入 训 练 好 的 ＤＡＥ － ＭＬＰ健 康 模 型
中，获得对应的健康振摆值。将健康振摆值与实测
振摆值代入式 （ ７）中，生 成劣 化趋势 序列，如图 ７
所示。可见随着运行时间增加，机组劣化总体呈上
升趋势，这与实际情况相一致，说明 ＤＡＥ － ＭＬＰ模
型可以生成可靠的劣化趋势序列。然而，劣化趋势
序列呈非线性，且存在着大量局部波动，这些现象
图 ７ 两工况下机组劣化趋势序列
在发电过程的劣化趋势序列中尤其明显。劣化趋势
序列中的复杂成分为准确预测带来严峻挑战。
３．４ 劣化趋势预测 为验证所提多尺度特征提取网络的有效性，将前 ６０％的劣化度用于训练，剩余
４０％用于验证模型。选取 ＳＶＲ、高斯过程回归 ［２７］ （ＧａｕｓｓｉａｎＰｒｏｃｅｓｓＲｅｇｒｅｓｓｉｏｎ，ＧＰＲ）等经典机器学习
模型与 ＧＲＵ、ＢｉＧＲＵ、１ＤＣＮＮ等深度学习模型作为对照。通过试错法确定各预测模型参数，各模型的
最优参数如表 ３所示。
表 ３ 各预测模型参数设置

预测模型 参数
－ ３
ＳＶＲ ｋｅｒｎｅｌ ＝ ‘ｒｂｆ’，ｔｏｌ ＝ １０ ，Ｃ ＝ １．０，ｅｐｓｉｌｏｎ ＝ ０．１
ＧＰＲ ｎ＿ｒｅｓｔａｒｔｓ＿ｏｐｔｉｍｉｚｅｒ ＝１０，ａｌｐｈａ ＝ １０ － １０
ＧＲＵ １）ＧＲＵ：１层；神经元：１２８； ２）全连接层：３层；神经元：３２，８，１
ＢｉＧＲＵ １ ）ＢｉＧＲＵ：１层；神经元：６４； ２）全连接层：３层；神经元：３２，８，１
１ＤＣＮＮ １ ）１ＤＣＮＮ：２层；卷积核：６４组，卷积核尺寸：３； ２）全连接层：３层；神经元：３２，８，１
１）１ＤＣＮＮ与 ＢｉＧＲＵ并列从输入中提取特征；
２）特征连接层：Ｃｏｎｃａｔｅｎａｔｅ层；
多尺度特征提取网络 ａ）１ＤＣＮＮ：２层；卷积核：６４组，卷积核尺寸：３；
３）全连接层：３层；神经元：３２，８，１
ｂ）ＢｉＧＲＵ：１层；神经元：６４；

２
２ ［２８］
确定系数（Ｒ － ｓｑｕａｒｅ ，Ｒ） 能够描述预测序列与实际序列的关联程度，Ｒ越大，相关性越高。本
２
文以 ＲＭＳＥ、ＭＡＰＥ与 Ｒ评价各预测模型表现，如表 ４所示，表中加粗的为最优指标，各模型的预测
表现如图 ８中所示。
由表 ４可知，ＧＰＲ在两种工况下 ＭＡＰＥ与 ＲＭＳＥ均远远大于其他模型，这表明其预测存在较大偏
２
差，Ｒ均小于 ０，这体现其完全没有学习劣化序列的趋势；ＳＶＲ预测模型也有相似的结论，以上说明
复杂的劣化趋势序列为准确预测带来严峻挑战，传统预测模型难以胜任。ＧＲＵ在抽水态下的预测误差
偏小，ＲＭＳＥ与 ＭＡＰＥ比上述两种模型平均降低了 ５９．００％和 ６０．１４％，但预测表现不稳定，仍不能在
发电态下取得较高的预测精度。
相比之下，ＢｉＧＲＵ与 １ＤＣＮＮ预测模型在两种工况下 ＲＭＳＥ与 ＭＡＰＥ较小且较接近，说明它们预
２
测能力相仿 且 预 测 表 现 良 好。值 得 注 意 的 是，ＢｉＧＲＵ的 Ｒ 在 两 种 工 况 下 均 高 于 １ＤＣＮＮ， 这 说 明
ＢｉＧＲＵ学习了更多劣化序列中的时序信息。由图 ８可知，ＢｉＧＲＵ预测值与实际劣化趋势序列的总体趋
势相一致，而对劣化趋势序列的局部波动不能很好掌握；１ＤＣＮＮ更加侧重于局部波动，而未关注全局
趋势，整体预测值在实际劣化趋势序列下方，导致其 ＲＭＳＥ与 ＭＡＰＥ比 ＢｉＧＲＵ更差；此外，与 ＧＲＵ
相比，ＢｉＧＲＵ在各评价指标上表现均有所提升，这说明提取双向时序特征更加有效。
由表 ４可知，结合 １ＤＣＮＮ与 ＢｉＧＲＵ优势的多尺度特征提取网络在两工况下均取得了最优表现，
２
ＲＭＳＥ、ＭＡＰＥ两种 工 况 下 平 均 比 ＢｉＧＲＵ低 ９．１０％、９．２９％，比 １ＤＣＮＮ低 １３．１２％、１３．５２％，Ｒ 与
ＢｉＧＲＵ相比也略有提升。这表明多尺度特征提取网络将 １ＤＣＮＮ提取局部空间特征与 ＢｉＧＲＵ提取双向

— ７ ５ ３ —