基于FEEMD与CLSTM的水电机组趋势预测.pdf

17单亚辉等：基于 FEEMD 与 CLSTM 的水电机组趋势预测0引言水力发电是一种清洁、可再生的能源，其核心设备是水电机组。然而，水电机组运行工况复杂且启停频繁，使得设备状态发生疲劳劣化和结构损伤，给机组的安全稳定运行带来不利影响1。水电机组振摆监测信号蕴含了丰富的运行状态信息，因此，通过对水电机组振摆信号进行分析和趋势预测，可及时掌握水电机组的运行状态和规律，有效提高水电站的综合效益2。水电机组振摆趋势预测的关键是从运行环境中获取机组关键部件的振摆监测数据，进而利用信号分析方法进行预处理，最后借助先进的预测模型获得机组振摆的未来变化趋势。近年来，在信号预处理方面，快速集成经验模态分解（Fast Ensemble Empirical Mode Decomposition，FEEMD）方法因具有较好的运算效率，在信号预处理及分析、关键特征参数提取等方面受到了广泛的关注3-4。与传统的时间序列预测模型如 ARMA、SVR 和 ELM5-7等相比，深度神经网络预测模型对结构参数变化不敏感，其多层网络堆叠的方式可有效提取数据中的非结构化特征，具有较强的鲁棒性和较高的预测精度。卷积神经网络（Convolutional Neural Network，CNN）通过卷积运算提取数据的局部特征，被广泛应用于图像处理及语音识别中8，9。长短期记忆（Long Short-Term Memory，LSTM）网络对于序列中的噪声及缺失值具有较好的鲁棒性，具有记忆长期以来关系的能力和学习性能10。然而，LSTM 计算成本较高11。为及时掌握水电机组的运行状态趋势，本文提出了一种基于快速集成经验模态分解（FEEMD）与卷积-长短记忆神经网络（CLSTM）的水电机组振摆趋势预测方法。该方法中的预测模型融合了卷积网络在局部特征提取的优异性和LSTM 对时间序列特征的良好的表达性，在处理高维非线性问题时具有良好的泛化能力。1基于 FEEMD 与 CLSTM 的预测方法本文提出了基于 FEEMD 与 CLSTM 的水电机组振摆趋势预测方法，其详细的流程如图 1 所示，步骤如下：（1）采用 FEEMD 将水电机组振摆监测数据序列分解为多个 IMFs，并构造输入和输出序列。（2）构建 CLSTM 模型，具体分三步：1）将一维卷积网络堆叠两层，提取非线性时间序列的局部特征；2）利用 LSTM 保留数据的空间及时间特征；3）利用两层全连接网络输出预测结果。（3）将构建的训练集放入 CLSTM 模型中进行迭代优化。（4）将测试集放入已训练好模型中进行预测，得到振动数据的预测值。（5）采用 RMSE，MAE，MAPE 量化指标评价模型的预测效果。基于 FEEMD 与 CLSTM 的 水电机组趋势预测单亚辉，王浩，吴根平，耿伟智，张洪峰（武汉第二船舶设计研究所，湖北省武汉市430205）摘要：为及时掌握水电机组的运行状态趋势，本文提出了一种基于快速集成经验模态分解（FEEMD）与卷积-长短记忆神经网络（CLSTM）的水电机组状态趋势预测方法。所提CLSTM预测模型在传统的LSTM单元中引入了卷积操作，可更好地捕捉本征模态分量中的局部特征，且该模型可同时处理时间和空间维度的数据，有效提升预测精度。最后，通过国内某水电机组下导摆度趋势预测实验，验证了该方法可准确预测水电机组的运行状态趋势。关键词：水电机组；趋势预测；快速集成经验模态分解；卷积-长短记忆神经网络中图分类号：TV734.1文献标识码：A学科代码：570.30DOI：10.3969/j.issn.2096-093X.2023.05.004基金项目：湖北省自然科学基金（2022CFB935）。18水电与抽水蓄能Hydropower and Pumped Storage第 9 卷 第 5 期（总第 51 期）2023 年 10 月 20 日Vol.9 No.5(Ser.51)Oct.,20,2023 2水电机组振动趋势预测实例分析为验证所提 FEEMD 与 CLSTM 预测方法的有效性，本文对国内某水电站 2 号机组的监测数据进行试验研究。以机组下导 X 方向摆度为研究对象，选取 2011 年 6 月 23 29 日内的 1000 组监测数据进行分析，如图 2 所示。.输出预测序列.卷积层全连接层长短记忆层(size,25,32)(size,22,64)(size,32)(size,200)(size,pre)h2ht-1hth1水电机组原始监测序列FEEMD分解原始序列模态函数1模态函数2模态函数K确定输入矩阵维度，构建输入矩阵.输入向量1输入向量2输入向量K图 1基于 FEEMD 与 CLSTM 的趋势预测方法Figure 1Flow chart of CLSTM trend prediction method based on FEEMD01002003004005006007008009001000数据号训练样本测试样本858075706560555045下导X向摆度幅值/m图 2下导 X 方向摆度监测数据Figure 2Monitor data of lower bracket swing of X direction2.1数据预处理由图 2 可以发现摆度值在 50 80m 范围内频繁波动，呈现较强的非线性，这使得准确预测其变化趋势存在一定的难度。因此，采用 FEEMD 对原始信号进行预处理。原始数据经 FEEMD 自适应分解后，得到 6 个 IMFs 和一个残余分量，分解结果如图 3 所示。从图中可以看出，在6 个模态分量中，IMF1 的波动最快，频率较高，IMF2 次之，IMF6 波动最低。2.2机组振摆趋势预测为验证所提方法的有效性，选取其他方法进行对比分19单亚辉等：基于 FEEMD 与 CLSTM 的水电机组趋势预测析，包括：CNN 预测模型和 LSTM 预测模型。对于 CNN、LSTM、CLSTM 模型，超参数的设置和实验条件均相同，各个模型的网络结构如图 4 所示，同时，设置预测模型输入数据维度为 7，滑动窗口的时间步为 16 截取数据，训练集与测试集的比例为 3:1。LSTM(32)Dense(400)Dropout(0.5)Dense(pre)Conv1D(64,4)CNN-LSTM 模型Dropout(0.5)Dense(pre)Dense(400)LSTM模型Flatten(32)Dense(400)Dropout(0.5)Dense(pre)Conv1D(64,4)CNN模型Conv1D(32,8)Conv1D(32,8)LSTM(32)图 4各预测模型结构Figure 4Structure of different models CNN、LSTM 和 CLSTM 的模型的预测结果如图 5 所示。模型预测结果的性能指标（RMSE、MAE 和 MAPE）如表1 所示。(a)CNN预测结果(b)LSTM预测结果8070605040050100150200250数据号下导X向摆度/m真实值CNN8070605040050100150200250数据号下导X向摆度/m真实值LSTM8070605040050100150200250数据号下导X向摆度/m真实值CNN-LSTM图 5不同预测模型结果对比（一）Figure 5Comparison of different prediction model results（No.1）100500010100101002020550550550RIMF6IMF5IMF4IMF3IMF2IMF110009008007006005004003002001000数据号 图 3下导 X 方向摆度数据分解图Figure 3The results of lower bracket horizontal swing in X direction20水电与抽水蓄能Hydropower and Pumped Storage第 9 卷 第 5 期（总第 51 期）2023 年 10 月 20 日Vol.9 No.5(Ser.51)Oct.,20,2023(c)CLSTM预测结果8070605040050100150200250数据号下导X向摆度/m真实值CNN8070605040050100150200250数据号下导X向摆度/m真实值LSTM8070605040050100150200250数据号下导X向摆度/m真实值CNN-LSTM图 5不同预测模型结果对比（二）Figure 5Comparison of different prediction model results（No.2）表 1预测模型评价指标Table1Modelevaluationindex预测模型RMSE（m）MAE（m）MAPE（%）CNN1.160.861.35LSTM1.651.091.73CLSTM1.020.821.31由图 5 可以清晰地看出，相比于 CNN 和 LSTM 模型，CLSTM 模型的拟合效果最佳。同时，由表 1 中可知，基于CLSTM 预测模型的指标 RMSE、MAE 和 MAPE 分别为：1.02，0.82，1.31，CNN 模型的指标为：1.16，0.86，1.35；LSTM 模型的指标为：1.65，1.09，1.73。对比分析三个指标结果可以证明：CLSTM 预测模型指标均比 CNN 模型和 LSTM 模型的效果好。3结论为及时掌握水电机组的运行状态趋势，本文提出基于 FEEMD 与 CLSTM 的振动趋势预测方法，该方法通过FEEMD 将水电机组的非平稳非线性振动监测数据进行分解和预处理得到多个本征模态分量，并将各分量进行归一化处理后作为预测模型 CLSTM 的输入，进而得到水电机组的振动（或摆度）趋势。最后，利用某水电机组实测数据对模型的有效性进行验证与分析，结果表明所提预测模型融合了卷积网络较好的空间特征提取能力和 LSTM 对时间序列特征的良好的表达性，有效提升了模型的预测精度。参考文献1 Zhang Xiaoyuan，Zhou Jianzhong，Guo Jun，et al.Vibrant fault diagnosis for hydroelectric generator units with a new combination of rough sets and support vector machine J.Expert Systems with Applications，2012，39（3）：2621-2628.2 安学利，潘罗平，张飞，等.水电机组状态退化评估与非线性预测 J.电网技术，2013，37（5）：1378-1383.3 付文龙，周建中，张勇传，郑阳.基于 OVMD 与 SVR 的水电机组振动趋势预测 J.振动与冲击，2016，35（8）：36：40.4 Wang YungHung，Yeh ChienHuang，et al.On the computational complexity of the empirical mode decomposition algorithm.Physica A 2014，400，159167.5 Watson，Majithia.Daily Load Forecasting and Maximum Demand Estimation using ARIMA and GARCHC/International Conference on Probabilistic Methods Applied to Power Systems.IEEE，2007.6 朱文龙，周建中，夏鑫，李超顺.基于水电机组运行工况的水轮机压力脉动诊断策略 J.振动与冲击，2015，34（8）：26：30.7 Shin H C，Roth H R，Gao M，et al.Deep Convolutional Neural Networks for Computer-Aided Detection：CNN Architectures，Dataset Characteristics and Transfer LearningJ.IEEE Transactions on Medical Imaging，2016，35（5）：1285-1298.8 Krizhevsky A，Sutskever I，Hinton G E.ImageNet classification with deep convolutional neural networksC/International Conference on Neural Information Processing Systems.2012.9 Mozo A，Ordozgoiti B，S GomezCanaval.Forecasting short-term data center network traffic load with convolutional neural networks J.Plos One，2018，13（2）：e0191939.10 Greff K，Srivastava R K，Koutnik J，et al.LSTM：A Search Space Odyssey J.IEEE Transactions on Neural Networks&Learning Systems，2016，28（10）：2222-2232.11 陆继翔，张琪培，杨志宏，涂孟夫，陆进军，彭晖.基于CNN-LSTM 混合神经网络模型的短期负荷预测方法 J.电力系统自动化，2019，43（08）：191-197.收稿日期：2023-08-21 修回日期：2023-09-15单亚辉（1992），男，博士，主要研究方向：机电设备在线监测与健康管理，E-mail：Vibration Tendency Prediction of Hydropower Generator Unit Based on FEEMD and CLSTMSHANYahui，WANGHao，WUGenping，GENGWeizhi，ZHANGHongfeng（WuhanSecondShipDesignandResearchInstitute，Wuhan430025，China）Abstract：Totimelygraspthestatusofhydroelectric-generatingunit（HGU），atrendpredictingmethodisproposed，whichisbasedonfastensembleempiricalmodedecomposition（FEEMD）andconvolutional-longandshortmemoryneuralnetwork（CLSTM）.TheproposedCLSTMmodelintroducesconvolutionoperationintotraditionalLSTM，whichcanbettercapturethelocalfeaturesintheintrinsicmodalcomponents.Moreover，themodelcansimultaneouslyprocessdatainbothtemporalandspatialdimensions，effectivelyimprovingpredictionaccuracy.Finally，theproposedmodelwassuccessfullyappliedinpredictingthevibrationtrendforamixed-flowHGUinChina.Keywords：hydropowergeneratorunit；tendencyprediction；fastensembleempiricalmodedecomposition；convolutional-longandshortmemoryneuralnetwork