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）

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ELM[5-7]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：

图1 基于FEEMD 与CLSTM 的趋势预测方法Figure 1 Flow chart of CLSTM trend prediction method based on FEEMD

（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。

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。

图2 下导X 方向摆度监测数据Figure 2 Monitor data of lower bracket swing of X direction

2.1 数据预处理

由图2 可以发现摆度值在50～80μm 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。

图3 下导X 方向摆度数据分解图Figure 3 The results of lower bracket horizontal swing in X direction

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。

图4 各预测模型结构Figure 4 Structure 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。

表1 预测模型评价指标Table 1 Model evaluation index

图5 不同预测模型结果对比（一）Figure 5 Comparison of different prediction model results（No.1）

图5 不同预测模型结果对比（二）Figure 5 Comparison of different prediction model results（No.2）

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。