基于FEEMD與CLSTM的水電機組趨勢預測

單亞輝，王 浩，吳根平，耿偉智，張洪峰

（武漢第二船舶設計研究所，湖北省武漢市 430205）

0 引言

水力發電是一種清潔、可再生的能源，其核心設備是水電機組。然而，水電機組運行工況復雜且啟停頻繁，使得設備狀態發生疲勞劣化和結構損傷，給機組的安全穩定運行帶來不利影響[1]。水電機組振擺監測信號蘊含了豐富的運行狀態信息，因此，通過對水電機組振擺信號進行分析和趨勢預測，可及時掌握水電機組的運行狀態和規律，有效提高水電站的綜合效益[2]。

水電機組振擺趨勢預測的關鍵是從運行環境中獲取機組關鍵部件的振擺監測數據，進而利用信號分析方法進行預處理，最后借助先進的預測模型獲得機組振擺的未來變化趨勢。近年來，在信號預處理方面，快速集成經驗模態分解（Fast Ensemble Empirical Mode Decomposition，FEEMD）方法因具有較好的運算效率，在信號預處理及分析、關鍵特征參數提取等方面受到了廣泛的關注[3-4]。

與傳統的時間序列預測模型如ARMA、SVR 和ELM[5-7]等相比，深度神經網絡預測模型對結構參數變化不敏感，其多層網絡堆疊的方式可有效提取數據中的非結構化特征，具有較強的魯棒性和較高的預測精度。卷積神經網絡（Convolutional Neural Network，CNN）通過卷積運算提取數據的局部特征，被廣泛應用于圖像處理及語音識別中[8，9]。長短期記憶（Long Short-Term Memory，LSTM）網絡對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系的能力和學習性能[10]。然而，LSTM 計算成本較高[11]。

為及時掌握水電機組的運行狀態趨勢，本文提出了一種基于快速集成經驗模態分解（FEEMD）與卷積-長短記憶神經網絡（CLSTM）的水電機組振擺趨勢預測方法。該方法中的預測模型融合了卷積網絡在局部特征提取的優異性和LSTM 對時間序列特征的良好的表達性，在處理高維非線性問題時具有良好的泛化能力。

1 基于FEEMD 與CLSTM 的預測方法

本文提出了基于FEEMD與CLSTM的水電機組振擺趨勢預測方法，其詳細的流程如圖1所示，步驟如下：

圖1 基于FEEMD 與CLSTM 的趨勢預測方法Figure 1 Flow chart of CLSTM trend prediction method based on FEEMD

（1）采用FEEMD 將水電機組振擺監測數據序列分解為多個IMFs，并構造輸入和輸出序列。

（2）構建CLSTM 模型，具體分三步：

1）將一維卷積網絡堆疊兩層，提取非線性時間序列的局部特征；

2）利用LSTM 保留數據的空間及時間特征；

3）利用兩層全連接網絡輸出預測結果。

（3）將構建的訓練集放入CLSTM 模型中進行迭代優化。

（4）將測試集放入已訓練好模型中進行預測，得到振動數據的預測值。

（5）采用RMSE，MAE，MAPE 量化指標評價模型的預測效果。

2 水電機組振動趨勢預測實例分析

為驗證所提FEEMD 與CLSTM 預測方法的有效性，本文對國內某水電站2 號機組的監測數據進行試驗研究。以機組下導X方向擺度為研究對象，選取2011年6月23～29日內的1000 組監測數據進行分析，如圖2所示。

圖2 下導X 方向擺度監測數據Figure 2 Monitor data of lower bracket swing of X direction

2.1 數據預處理

由圖2 可以發現擺度值在50～80μm 范圍內頻繁波動，呈現較強的非線性，這使得準確預測其變化趨勢存在一定的難度。因此，采用FEEMD 對原始信號進行預處理。

原始數據經FEEMD 自適應分解后，得到6 個IMFs 和一個殘余分量，分解結果如圖3所示。從圖中可以看出，在6 個模態分量中，IMF1 的波動最快，頻率較高，IMF2 次之，IMF6 波動最低。

圖3 下導X 方向擺度數據分解圖Figure 3 The results of lower bracket horizontal swing in X direction

2.2 機組振擺趨勢預測

為驗證所提方法的有效性，選取其他方法進行對比分析，包括：CNN 預測模型和LSTM 預測模型。對于CNN、LSTM、CLSTM 模型，超參數的設置和實驗條件均相同，各個模型的網絡結構如圖4所示，同時，設置預測模型輸入數據維度為7，滑動窗口的時間步為16 截取數據，訓練集與測試集的比例為3:1。

圖4 各預測模型結構Figure 4 Structure of different models

CNN、LSTM 和CLSTM 的模型的預測結果如圖5所示。模型預測結果的性能指標（RMSE、MAE 和MAPE）如表1所示。

表1 預測模型評價指標Table 1 Model evaluation index

圖5 不同預測模型結果對比（一）Figure 5 Comparison of different prediction model results（No.1）

圖5 不同預測模型結果對比（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，由表1 中可知，基于CLSTM 預測模型的指標RMSE、MAE 和MAPE 分別為：1.02，0.82，1.31，CNN 模型的指標為：1.16，0.86，1.35；LSTM 模型的指標為：1.65，1.09，1.73。對比分析三個指標結果可以證明：CLSTM 預測模型指標均比CNN 模型和LSTM 模型的效果好。

3 結論

為及時掌握水電機組的運行狀態趨勢，本文提出基于FEEMD 與CLSTM 的振動趨勢預測方法，該方法通過FEEMD 將水電機組的非平穩非線性振動監測數據進行分解和預處理得到多個本征模態分量，并將各分量進行歸一化處理后作為預測模型CLSTM 的輸入，進而得到水電機組的振動（或擺度）趨勢。最后，利用某水電機組實測數據對模型的有效性進行驗證與分析，結果表明所提預測模型融合了卷積網絡較好的空間特征提取能力和LSTM 對時間序列特征的良好的表達性，有效提升了模型的預測精度。