Page 128 - 2022年第53卷第6期
P. 128
全局时序特征的优势相融合，弥补了单尺度特征的缺陷，既能关注劣化序列中的全局趋势，又能学习
局部波动，其预测效果如图 ８中所示。
表 ４ 各模型预测结果对比
抽水态 发电态
模型
ＲＭＳＥ ＭＡＰＥ?％ Ｒ ２ ＲＭＳＥ ＭＡＰＥ?％ Ｒ ２
ＳＶＲ ０．０４２５ １２．９１２ ０．７７３６ ０．０８７９ １７．０６１ ０．７８７４
ＧＰＲ ０．０９７５ ２９．８６４ － ０．４９２７ ０．１３７４ ２６．６１６ － ０．２６０６
ＧＲＵ ０．０２８７ ８．５２５５ ０．７８４７ ０．０８０８ １５．５２６ ０．７６１０
ＢｉＧＲＵ ０．０２６８ ７．９５８７ ０．７８５０ ０．０４４６ ７．８０６４ ０．８００６
１ＤＣＮＮ ０．０２７６ ８．３２３２ ０．７６８５ ０．０４７１ ８．２１２８ ０．７９７６
多尺度特征提取网络 ０．０２４０ ７．１９００ ０．７８５２ ０．０４０９ ７．１１０８ ０．８０７１
图 ８ 各模型的预测效果
各预测模型的误差分布的箱线图如图 ９所示，可见所提多尺度特征提取网络的误差中位数最接近
于 ０，误差分布较集中，说明其预测精度高且预测表现稳定。相比之下，ＳＶＲ、ＧＰＲ的预测误差分布
较宽，且不在 ０附近均匀分布；而 ＧＲＵ、ＢｉＧＲＵ、１ＤＣＮＮ等模型误差分布略差于所提模型。
图 ９ 各模型预测误差箱线图
４ 结论
本文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趋势评估预测方法。通过
ＤＡＥ去除工况参数中的干扰成分，建立高精度的健康模型，以期实现可靠的劣化趋势评估；考虑到传
统机器学习模型难以对复杂的劣化趋势序列实现精确预测，将 １ＤＣＮＮ与 ＢｉＧＲＵ的优势相结合，提出
了多尺度特征提取网络，充分挖掘劣化趋势序列中局部空间特征与双向全局时序特征。以某抽水蓄能
４
— ７ ５ —
