單亞輝，王 浩，吳根平，耿偉智，張洪峰

（武漢第二船舶設(shè)計(jì)研究所，湖北省武漢市 430205）

0 引言

水力發(fā)電是一種清潔、可再生的能源，其核心設(shè)備是水電機(jī)組。然而，水電機(jī)組運(yùn)行工況復(fù)雜且啟停頻繁，使得設(shè)備狀態(tài)發(fā)生疲勞劣化和結(jié)構(gòu)損傷，給機(jī)組的安全穩(wěn)定運(yùn)行帶來不利影響[1]。水電機(jī)組振擺監(jiān)測(cè)信號(hào)蘊(yùn)含了豐富的運(yùn)行狀態(tài)信息，因此，通過對(duì)水電機(jī)組振擺信號(hào)進(jìn)行分析和趨勢(shì)預(yù)測(cè)，可及時(shí)掌握水電機(jī)組的運(yùn)行狀態(tài)和規(guī)律，有效提高水電站的綜合效益[2]。

水電機(jī)組振擺趨勢(shì)預(yù)測(cè)的關(guān)鍵是從運(yùn)行環(huán)境中獲取機(jī)組關(guān)鍵部件的振擺監(jiān)測(cè)數(shù)據(jù)，進(jìn)而利用信號(hào)分析方法進(jìn)行預(yù)處理，最后借助先進(jìn)的預(yù)測(cè)模型獲得機(jī)組振擺的未來變化趨勢(shì)。近年來，在信號(hào)預(yù)處理方面，快速集成經(jīng)驗(yàn)?zāi)B(tài)分解（Fast Ensemble Empirical Mode Decomposition，F(xiàn)EEMD）方法因具有較好的運(yùn)算效率，在信號(hào)預(yù)處理及分析、關(guān)鍵特征參數(shù)提取等方面受到了廣泛的關(guān)注[3-4]。

與傳統(tǒng)的時(shí)間序列預(yù)測(cè)模型如ARMA、SVR 和ELM[5-7]等相比，深度神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)結(jié)構(gòu)參數(shù)變化不敏感，其多層網(wǎng)絡(luò)堆疊的方式可有效提取數(shù)據(jù)中的非結(jié)構(gòu)化特征，具有較強(qiáng)的魯棒性和較高的預(yù)測(cè)精度。卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）通過卷積運(yùn)算提取數(shù)據(jù)的局部特征，被廣泛應(yīng)用于圖像處理及語音識(shí)別中[8，9]。長短期記憶（Long Short-Term Memory，LSTM）網(wǎng)絡(luò)對(duì)于序列中的噪聲及缺失值具有較好的魯棒性，具有記憶長期以來關(guān)系的能力和學(xué)習(xí)性能[10]。然而，LSTM 計(jì)算成本較高[11]。

為及時(shí)掌握水電機(jī)組的運(yùn)行狀態(tài)趨勢(shì)，本文提出了一種基于快速集成經(jīng)驗(yàn)?zāi)B(tài)分解（FEEMD）與卷積-長短記憶神經(jīng)網(wǎng)絡(luò)（CLSTM）的水電機(jī)組振擺趨勢(shì)預(yù)測(cè)方法。該方法中的預(yù)測(cè)模型融合了卷積網(wǎng)絡(luò)在局部特征提取的優(yōu)異性和LSTM 對(duì)時(shí)間序列特征的良好的表達(dá)性，在處理高維非線性問題時(shí)具有良好的泛化能力。

1 基于FEEMD 與CLSTM 的預(yù)測(cè)方法

本文提出了基于FEEMD與CLSTM的水電機(jī)組振擺趨勢(shì)預(yù)測(cè)方法，其詳細(xì)的流程如圖1所示，步驟如下：

圖1 基于FEEMD 與CLSTM 的趨勢(shì)預(yù)測(cè)方法Figure 1 Flow chart of CLSTM trend prediction method based on FEEMD

（1）采用FEEMD 將水電機(jī)組振擺監(jiān)測(cè)數(shù)據(jù)序列分解為多個(gè)IMFs，并構(gòu)造輸入和輸出序列。

（2）構(gòu)建CLSTM 模型，具體分三步：

1）將一維卷積網(wǎng)絡(luò)堆疊兩層，提取非線性時(shí)間序列的局部特征；

2）利用LSTM 保留數(shù)據(jù)的空間及時(shí)間特征；

3）利用兩層全連接網(wǎng)絡(luò)輸出預(yù)測(cè)結(jié)果。

（3）將構(gòu)建的訓(xùn)練集放入CLSTM 模型中進(jìn)行迭代優(yōu)化。

（4）將測(cè)試集放入已訓(xùn)練好模型中進(jìn)行預(yù)測(cè)，得到振動(dòng)數(shù)據(jù)的預(yù)測(cè)值。

（5）采用RMSE，MAE，MAPE 量化指標(biāo)評(píng)價(jià)模型的預(yù)測(cè)效果。

2 水電機(jī)組振動(dòng)趨勢(shì)預(yù)測(cè)實(shí)例分析

為驗(yàn)證所提FEEMD 與CLSTM 預(yù)測(cè)方法的有效性，本文對(duì)國內(nèi)某水電站2 號(hào)機(jī)組的監(jiān)測(cè)數(shù)據(jù)進(jìn)行試驗(yàn)研究。以機(jī)組下導(dǎo)X方向擺度為研究對(duì)象，選取2011年6月23～29日內(nèi)的1000 組監(jiān)測(cè)數(shù)據(jù)進(jìn)行分析，如圖2所示。

圖2 下導(dǎo)X 方向擺度監(jiān)測(cè)數(shù)據(jù)Figure 2 Monitor data of lower bracket swing of X direction

2.1 數(shù)據(jù)預(yù)處理

由圖2 可以發(fā)現(xiàn)擺度值在50～80μm 范圍內(nèi)頻繁波動(dòng)，呈現(xiàn)較強(qiáng)的非線性，這使得準(zhǔn)確預(yù)測(cè)其變化趨勢(shì)存在一定的難度。因此，采用FEEMD 對(duì)原始信號(hào)進(jìn)行預(yù)處理。

原始數(shù)據(jù)經(jīng)FEEMD 自適應(yīng)分解后，得到6 個(gè)IMFs 和一個(gè)殘余分量，分解結(jié)果如圖3所示。從圖中可以看出，在6 個(gè)模態(tài)分量中，IMF1 的波動(dòng)最快，頻率較高，IMF2 次之，IMF6 波動(dòng)最低。

圖3 下導(dǎo)X 方向擺度數(shù)據(jù)分解圖Figure 3 The results of lower bracket horizontal swing in X direction

2.2 機(jī)組振擺趨勢(shì)預(yù)測(cè)

為驗(yàn)證所提方法的有效性，選取其他方法進(jìn)行對(duì)比分析，包括：CNN 預(yù)測(cè)模型和LSTM 預(yù)測(cè)模型。對(duì)于CNN、LSTM、CLSTM 模型，超參數(shù)的設(shè)置和實(shí)驗(yàn)條件均相同，各個(gè)模型的網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示，同時(shí)，設(shè)置預(yù)測(cè)模型輸入數(shù)據(jù)維度為7，滑動(dòng)窗口的時(shí)間步為16 截取數(shù)據(jù)，訓(xùn)練集與測(cè)試集的比例為3:1。

圖4 各預(yù)測(cè)模型結(jié)構(gòu)Figure 4 Structure of different models

CNN、LSTM 和CLSTM 的模型的預(yù)測(cè)結(jié)果如圖5所示。模型預(yù)測(cè)結(jié)果的性能指標(biāo)（RMSE、MAE 和MAPE）如表1所示。

表1 預(yù)測(cè)模型評(píng)價(jià)指標(biāo)Table 1 Model evaluation index

圖5 不同預(yù)測(cè)模型結(jié)果對(duì)比（一）Figure 5 Comparison of different prediction model results（No.1）

圖5 不同預(yù)測(cè)模型結(jié)果對(duì)比（二）Figure 5 Comparison of different prediction model results（No.2）

由圖5 可以清晰地看出，相比于CNN 和LSTM 模型，CLSTM 模型的擬合效果最佳。同時(shí)，由表1 中可知，基于CLSTM 預(yù)測(cè)模型的指標(biāo)RMSE、MAE 和MAPE 分別為：1.02，0.82，1.31，CNN 模型的指標(biāo)為：1.16，0.86，1.35；LSTM 模型的指標(biāo)為：1.65，1.09，1.73。對(duì)比分析三個(gè)指標(biāo)結(jié)果可以證明：CLSTM 預(yù)測(cè)模型指標(biāo)均比CNN 模型和LSTM 模型的效果好。

3 結(jié)論

為及時(shí)掌握水電機(jī)組的運(yùn)行狀態(tài)趨勢(shì)，本文提出基于FEEMD 與CLSTM 的振動(dòng)趨勢(shì)預(yù)測(cè)方法，該方法通過FEEMD 將水電機(jī)組的非平穩(wěn)非線性振動(dòng)監(jiān)測(cè)數(shù)據(jù)進(jìn)行分解和預(yù)處理得到多個(gè)本征模態(tài)分量，并將各分量進(jìn)行歸一化處理后作為預(yù)測(cè)模型CLSTM 的輸入，進(jìn)而得到水電機(jī)組的振動(dòng)（或擺度）趨勢(shì)。最后，利用某水電機(jī)組實(shí)測(cè)數(shù)據(jù)對(duì)模型的有效性進(jìn)行驗(yàn)證與分析，結(jié)果表明所提預(yù)測(cè)模型融合了卷積網(wǎng)絡(luò)較好的空間特征提取能力和LSTM 對(duì)時(shí)間序列特征的良好的表達(dá)性，有效提升了模型的預(yù)測(cè)精度。