(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111631550.X (22)申请日 2021.12.28 (71)申请人 浙江大学 地址 310058 浙江省杭州市西湖区余杭塘 路866号 (72)发明人 李君妍　项基　吴月超　郑波　 李艳君　 (74)专利代理 机构 杭州九洲专利事务所有限公 司 33101 代理人 张羽振 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种水电机组振 摆趋势预测方法 (57)摘要 本发明涉及一种水电机组振摆趋势预测方 法， 包括步骤： 获取水电机组振摆监测数据的样 本数据集， 分析振摆监测数据， 绘制待预测振动 参量或摆度参量和其他相关参数的关系坐标图， 确定候选 特征参量； 建立CMI ‑SAL预测模型； 通过 条件互信息法模块筛选机组关键设备振摆相关 工况参数。 本发明的有益效果是： 本发明运用条 件互信息相关分析方法筛选输入 特征， 能够对两 个及以上的振摆变量进行分析， 判断变量之间的 关联性和相关性， 在互信息 法基础上解决了过冗 余缺点， 提高预测效率； 运用滑动窗口和最大池 化法， 采用卷积层能够缩小输入 数据的数量级规 模， 在输入特征中提取局部最大值， 降低可训练 参数数目， 提高数据鲁棒 性和模型的运 算速度。 权利要求书4页 说明书11页 附图2页 CN 114298413 A 2022.04.08 CN 114298413 A 1.一种水电机组振 摆趋势预测方法， 其特 征在于， 包括以下步骤： 步骤1、 获取水电机组振摆监测数据的样本数据集， 分析振摆监测数据， 绘制待预测振 动参量或摆度参 量和其他相关参数的关系坐标图， 确定候选特 征参量； 步骤2、 建立C MI‑SAL预测模型； 步骤3、 通过条件互信 息法模块筛选机组关键设备振摆相关工况参数； 对工况参数进行 整理并提取， 形成最终输入数据集和输出 数据集； 步骤4、 采取z ‑score标准化方法对输入数据集和输出数据集的数据进行标准化处理， 剔除异常值； 上式中， xi表示原始序列， x'i表示标准化后的序列； μi表示序列的平均值， σi表示序列的 标准差； 输入数据集中的候选特 征参量和输出 数据集中对应的待预测主参 量形成序列； 步骤5、 基于卷积层处理标准化后的输入数据集和输出数据集中的数据； 引入滑动窗口 机制和最大池化法提取其中一类候选特 征参量， 并缩减数据量； 步骤6、 基于长短期记忆网络层处理经过步骤5中基于卷积层处理的水电机组输入数据 集和输出 数据集， 捕获水电机组各输入数据集中的长期依赖关系特 征； 步骤7、 将输入时序长期依赖关系的特征向量基于自注意力 机制， 运用缩放点乘模块计 算多头注意力的新的权重表示； 通过多头注意力将每个变量时间序列分别和其他变量时序 特征相关联， 并加权得到一个新向量表示； 步骤8、 使用步骤3得到的输入数据集和输出数据集对CMI ‑SAL预测模型进行训练， 输出 振摆预测序列， 并用预测集进行 预测验证； 步骤9、 将待预测振动参量或摆度参量输入训练好的CMI ‑SAL预测模型中， 得到预测结 果， 并计算预测评估指标。 2.根据权利要求1所述水电机组振摆趋势预测方法， 其特征在于： 步骤1中振摆监测数 据包括振动参量、 摆度参量和其他相关参数， 通过分析样 本数据集中振动参量、 摆度参量和 其他相关参数 的关系， 来绘制待预测振动参量或摆度参量和其他相关参数 的关系坐标图； 步骤1中其他相关参数包括基于相关机理和经验分析后得到的工况参量， 工况参量包括水 头、 功率和温度； 步骤3中待 预测主参量为待 预测振动参量或摆度参量； 步骤6中长 短期记忆 网络层的超参数设置方式为： 设定初始值后， 每隔1次训练， 打印当前准确率， 使用步骤3得 到的输入数据集和 输出数据集的前80％作为训练集， 后20％作为验证集， 衡量长短期记忆 网络层的性能， 一 旦准确率上升或损失函数值下降， 则微调超参数。 3.根据权利要求1所述水电机组振摆趋势预测方法， 其特征在于， 步骤3具体包括如下 步骤： 步骤3.1、 首先选取待预测主参量集合X＝{x1,x2,...xm}， 其余各参量形成候选特征参 量集合Y＝{y1,y2,...yn}， 其中xm为待预测主参量， m为待预测主参量的个数； yn为候选特征 参量， n为候选特征参量的个数； 步骤3.2、 通过CMI ‑SAL预测模型计算集合Y中所有候选特征参量与待预测主参量集合X 中所有待预测主参量的互信息值I(X； Y)； 选取互信息值最大的参量， 将互信息值最大的参权　利　要　求　书 1/4 页 2 CN 114298413 A 2量作为选取的输入参 量之一， 并从Y中剔除该参 量； 互信息值 I(X； Y)的计算方式为： 待预测主参量xm和候选特征参量 yn形成概率密度指数据集F＝{(xm,yn),m＝1,2,...i,n ＝1,2,...k}， 其中i为待预测主参量xm的个数， k为候选特征参量yn的个数； 垂直于 坐标系的 横轴和纵轴， 将坐标系划分为x ×y个网格A； 采用CMI ‑SAL预测模 型来计算集合Y中所有候选 特征参量与待预测主参量集合X中所有待预测主参量的互信息值I(X； Y)， I(X； Y)为概率密 度指数据集F中任意 一点落在网格中的概 率： 上式中， ρ(x,y)表示联合概率密度， 联合概率密度为数据集F中落在其中一个网格内的 点占F中全部点的比例， ρ(x)、 ρ(y)均为边缘概率密度， 其中ρ(x)表 示待预测主参量集合X中 落在其中一个网格内的点占X中全部点的比例， ρ(y)表 示候选特征参量集合Y中落在其中一 个网格内的点占Y中全部点的比例； 步骤3.3、 假设Z为已知条件， 在剔除已选参量条件Z情况下， 采用CMI ‑SAL预测模型来计 算集合Y中剩余 候选特征参量与待预测主参 量集合X中所有 待预测主参 量的条件互信息值： 上式中， p(z)为已知条件Z下的边缘概率密度， p(x,y|z)为已知条件Z下X、 Y的联合概率 密度函数， p(x|z)和p(y|z)分别为已知条件 Z下X和Y的概 率密度函数； 步骤3.4、 对步骤3.3计算得到的条件互信息值I(X； Y|Z)按大小进行排列， 剔除I(X； Y| Z)值趋近于0的条件互信息值对应的候选特征参量与待预测主参量； 将剩余候选特征参量 与待预测主参 量作为机组关键设备振 摆相关工况参数； 步骤3.5、 将通过条件互信息法筛选出的机组关键设备振摆相关工况参数进行整理并 提取， 形成最 终输入数据集和输出数据集； 输入数据集为设定时间段内， 以一定时间为间隔 的水电机组振摆基础参数候选特征参量数据； 输出数据集是滞后于输入数据集设定时期的 水电机组振 摆基础参数待预测主参 量数据。 4.根据权利要求3所述水电机组振摆趋势预测方法， 其特征在于， 步骤5具体包括如下 步骤： 步骤5.1、 基于卷积层对标准化后的输入数据集和输出数据集中的数据进行最大池化 处理： 上式中， (j ‑1)W+1≤t≤jW， 表示第l+1层中第j次池化计算对应的值， 表示 第l层第i个特 征矢量中第t个神经 元的值， W表示池化区域的宽度； 步骤5.2、 假设原始振摆时间序列长度为T， 设置最大池化算子大小a以及滑动窗口大小 b和窗口数量c， 将数据长度缩 减为 5.根据权利要求4所述水电机组振摆趋势预测方法， 其特征在于， 步骤6具体包括如下 步骤：权　利　要　求　书 2/4 页 3 CN 114298413 A 3