Page 104 - 2025年第56卷第6期

难以有效处理时间序列数据的依赖性机制，存在特征提取能力不足的问题。因此，对现有模型进一步
优化和调整是灌浆功率预测研究亟需解决的问题。
相比传统机器学习算法，深度学习算法在处理非线性问题方面有显著优势，对复杂数据的非线性
关系具有更 强 的 捕 捉 能 力 ［１５］ 。相 关 研 究 者 引 入 循 环 结 构 ［１６］ 和 门 控 机 制 ［１７］ ，构 建 了 门 控 循 环 单 元
（ ＧａｔｅｄＲｅｃｕｒｒｅｎｔＵｎｉｔ，ＧＲＵ），其在保留模型内部传递先前状态信息能力的同时，有效缓解了梯度消
失和梯度爆炸等问题，提升了模型对序列化数据的拟合能力。毕扬等 ［１８］ 在提取关键振动信号的状态参
数后，利用双向 ＧＲＵ进行超前多步的振动信号趋势预测；Ｌｉｎ等 ［１９］ 考虑了大坝变形响应的滞后问题，
以基于粒子群优化算法的 ＧＲＵ为预测模型，进行了大坝变形预测研究；Ｈｕａ等 ［２０］ 以 ＧＲＵ网络结构为
基础，开展了坝基扬压力的预测研究；郑书闽等 ［２１］ 结合卷积神经网络与 ＧＲＵ，针对常压、小尺度泄
漏条件下的供水管道，实现了高精度的泄漏检测。尽管 ＧＲＵ模型在诸多应用中表现出色，但因其内
部流程逻辑的隐藏性而被视为 “黑箱”，在面临复杂现实环境时易引发难以预见的失误 ［２２］ 。因此，提
升 ＧＲＵ模型的透明度与可靠性至关重要。
可解释性的目的是利用通俗的语言来阐述机器学习内部的工作机理及输入与输出之间的映射关
系 ［２３］ ，以此来应对模型的 “黑箱” 问题。注意力机制（ＡｔｔｅｎｔｉｏｎＭｅｃｈａｎｉｓｍ，ＡＭ）是一种提高模型预
测精度、增强模型可解释性的重要手段，能够清晰地展示模型的关注重点 ［２４］ 。苏燕等 ［２５］ 通过可视化
注意力权重的方式探究了大坝变形特征在时间维度上的影响差异，并对比了时间注意力机制在 ＧＲＵ
前后不同位置的应用效果；Ｓｈｉｈ等 ［２６］ 将卷积操作引入 ＡＭ 中，用以增强模型对长时间序列的周期性、
非线性特征的捕捉能力，并通过分析卷积核与原始数据的主要频率成分，增强模型的可解释性；Ｙａｎｇ
等 ［２７］ 在轴承诊断中提出了一种结合 ＡＭ的多层双向 ＧＲＵ方法，并通过可视化注意力分布的方式展示
输入数据中的故障特征信息；肖尧等 ［２８］ 在模型中融入 ＡＭ模块，增强了模型对目标线条的注意力，克
服了原始方法易受施工日志中表格线和文字干扰的问题；武宇翔等 ［２９］ 基于时间 － 空间 － 特征注意力机
制融合的光伏区间预测模型，研究了光伏出力的时空规律性。鉴于 ＡＭ在提升模型预测精度与增强模
型可解释性方面的突出表现，本研究将其引入灌浆功率预测任务，挖掘灌浆功率的复杂特性，增强预
测的准确性和可靠性。
此外，灌浆功率数据常受设备、环境等外界不确定因素的干扰，常常含有噪声和干扰，需要对灌
浆功率原始数据进行预处理。自适应噪声完备集合经验模态分解（ ＣｏｍｐｌｅｔｅＥｎｓｅｍｂｌｅＥｍｐｉｒｉｃａｌＭｏｄｅ
ＤｅｃｏｍｐｏｓｉｔｉｏｎｗｉｔｈＡｄａｐｔｉｖｅＮｏｉｓｅ，ＣＥＥＭＤＡＮ）能将复杂的序列分解为一组频率与振幅互异的本征模态
分量（ ＩｎｔｒｉｎｓｉｃＭｏｄｅＦｕｎｃｔｉｏｎｓ，ＩＭＦ），是一种针对非线性和非平稳信号的分解处理技术 ［３０］ ，在故障诊
断 ［３１］ 、交通量预测 ［３２］ 、股市 ［３３］ 等领域得到了广泛应用。
综上所述，针对基于传统机器学习方法的灌浆功率预测模型存在的特征提取能力不足、可解释性
较差等问题，提出一种灌浆功率时序预测的可解释门控循环网络（ ＥｘｐｌａｉｎａｂｌｅＧａｔｅｄＲｅｃｕｒｒｅｎｔＵｎｉｔＮｅｔ
ｗｏｒｋ，ＥＧＲＮ）。首先，采用 ＣＥＥＭＤＡＮ去除原始灌浆功率数据的噪声和干扰，并将其分解为携带不同
频率信息的 ＩＭＦｓ；其次，构建基于 ＥＧＲＮ的灌浆功率时序预测模型，并通过分析多头自注意力机制
（Ｍｕｌｔｉ － ｈｅａｄｅｄＳｅｌｆ － ａｔｔｅｎｔｉｏｎ，ＭＨＡ）的 权 重 分 配 与 时 序 模 式 注 意 力 机 制 （ＴｅｍｐｏｒａｌＰａｔｔｅｒｎＡｔｔｅｎｔｉｏｎ，
ＴＰＡ）滤波器频谱，挖掘灌浆功率动态变化的关键频率特征与时序信息，研究灌浆功率时序数据的非
线性和非周期性规律，增强模型的可解释性。

２ 研究框架

本文研究框架如图 １所示，主要包括三个部分：
（ １）数据采集与预处理。通过智能灌浆实时监控与分析系统 ［３４ － ３５］ 采集灌浆功率数据，在归一化处
理后，采用 ＣＥＥＭＤＡＮ将其分解为一系列 ＩＭＦｓ。
（ ２）灌浆功率时序预测的可解释门控循环网络模型（ＥＧＲＮ）。将上述所获 ＩＭＦｓ作为模型的输入，
构建基于 ＥＧＲＮ的灌浆功率时序预测模型，实现灌浆功率的高精度时序预测。之后通过 ＭＨＡ分配频

２
— ７ ９ —