Page 117 - 水利学报2021年第52卷第5期

WTD-Pearson-BiGRU 模型比较，突出 MIC 挖掘深层非线性关系的优点，而 Pearson 相关系数仅考虑了
变量间的线性关系；通过与 WTD-MIC-LSTM、WTD-MIC-GRU 模型比较，显示了本文所提出的 BiG⁃
RU 网络处理和学习多变的非线性时间序列数据的优越性。在对比实验中，BiGRU、WTD-BiGRU 模
型中未考虑状态变量影响，模型输入为单变量水导轴承 X 向摆度，表 3 展示了 7 种模型的参数设置。
本文的训练及测试均在在 Python 的 Pytorch 平台上建立深度神经网络，运行 Windows10 的计算机上采
用 2.33GHz Intel Xeon®CPU，RAM 16 GB 的微机平台。

表 3 不同模型的参数设置对比
模型 参数设定

输入特征：V；时间滑窗步数：15；预测步数：5；15；BiGRU 层：1；BiGRU 神经元：32；全连接层：
BiGRU 模型
3；Dense 层神经元数：30：10：1；训练次数：20；BatchSize：32；梯度优化器：Adam
输入特征：V、P、T、D、V 1；时间滑窗步数：15；预测步数：5；BiGRU 层：1；BiGRU 神经元：32；全
MIC-BiGRU
连接层：3；Dense 层神经元数：30：10：1；训练次数：20；BatchSize：32；梯度优化器：Adam
输入特征：V；时间滑窗步数：15；预测步数：5；BiGRU 层：1；BiGRU 神经元：32；全连接层：3；
WTD-BiGRU
Dense 层神经元数：30：10：1；训练次数：20；BatchSize：32；梯度优化器：Adam
输入特征：V、P、T、D、V 1；时间滑窗步数：15；预测步数：5；LSTM 层：2；LSTM 神经元：60：30；
WTD-MIC-LSTM
全连接层：2；Dense 层神经元数：10：1；训练次数：20；BatchSize：30；梯度优化器：Adam
输入特征：V、P、T、D、V 1；时间滑窗步数：15；预测步数：5；GRU 层：2；GRU 神经元：60：30；全
WTD-MIC-GRU
连接层：2；Dense 层神经元数：10：1；训练次数：20；BatchSize：30；梯度优化器：Adam
输入特征：V、T、D、V1；时间滑窗步数：15；预测步数：5；BiGRU 层：1；BiGRU 神经元：32；全连
WTD-Pearson-BiGRU
接层：3；Dense 层神经元数：30：10：1；训练次数：20；BatchSize：32；梯度优化器：Adam
输入特征：V、P、T、D、V 1；时间滑窗步数：15；预测步数：5；BiGRU 层：1；BiGRU 神经元：32；全
WTD-MIC-BiGRU
连接层：3；Dense 层神经元数：30：10：1；训练次数：20；BatchSize：32；梯度优化器：Adam
7 种预测模型在发电工况和抽水工况下的多周期平均预测误差如表 4 所示，本文采用均方根误差
（Root mean squared error，RMSE）和平均绝对误差（Mean absolute error，MAE）两种评价指标对模型预
测结果进行定量分析 ［21］ ，依据表 4 中结果，可从三方面分析模型效果。

表 4 不同模型的预测结果对比
发电态 抽水态
RMSE MAE RMSE MAE
BiGRU 模型 0.839 0.892 0.834 0.675
MIC-BiGRU 模型 0.892 0.702 0.499 0.394
WTD-BiGRU 模型 0.591 0.474 0.432 0.298
WTD-MIC-LSTM 模型 0.557 0.447 0.424 0.267
WTD-MIC-GRU 模型 0.536 0.426 0.502 0.363
WTD-Pearson-BiGRU 模型 0.590 0.446 0.400 0.312
WTD-MIC-BiGRU 模型 0.518 0.405 0.398 0.265

（1）信号去噪。对比 MIC-BiGRU 模型与所提 WTD-MIC-BiGRU 模型预测结果可以看出，当使用
小波阈值去噪后，水电机组振动趋势预测精度有大幅度地提升，发电态和抽水态下预测精度分别提
升 0.487RMSE、0.297MAE 和 0.101RMSE、0.129MAE，这表明小波阈值去噪可以有效提出噪音，保留
原始振动信号的特性，从而进一步提高预测精度。
（2）特征选择。当不考虑相关参考输入时，即 WTD-BiGRU 模型，预测误差相比 WTD-MIC-BiG⁃
RU 模型有所减小，但仍具有一定差距。而水电机组在运行过程中需要考虑状态变量对模型的影响，
选择合适的状态变量可以提高预测模型的稳定性和精确度，避免单变量异常值的影响。对比 WTD-Bi⁃
GRU 模型与 WTD-Pearson-BiGRU、WTD-MIC-BiGRU 模型预测结果可知，进行特征选择后，预测结

— 619 —