基于SFOA-VMD与双重注意力的抽蓄机组劣化状态预测OA

抽水蓄能机组在工况频繁切换情况下运行易引发性能劣化,准确预测劣化状态对保障机组安全运行具有重要意义。为此,提出基于SFOA-VMD与双重注意力机制的抽水蓄能机组劣化状态预测方法。首先,利用LightGBM构建机组健康状态模型,提取机组劣化状态序列;其次,利用海星优化算法(SFOA)对变分模态分解(VMD)进行参数寻优,由所得最优VMD实现对劣化状态序列的有效分解,增强分量的适应性与分解精度,为后续特征提取奠定基础;进而,在分解后的多模态序列中引入通道注意力机制以突出关键特征,并结合时序卷积网络(TCN)提取局部动态时序特征,提升模型对非平稳序列的表达能力;利用融合自注意力的长短期记忆网络(LSTM)对各个模态进行预测;最后,叠加所有分量预测值,得到抽水蓄能机组劣化状态预测结果。基于国内某抽水蓄能机组运行数据进行实例验证与对比分析,与LSTM、TCN-LSTM、VMD-TCN-LSTM及引入单一注意力机制的改进模型相比,所提方法在各项评价指标上均取得最优表现,具有最好的预测精度与稳定性。