通过自适应参数变分模态分解方法对可逆泵-涡轮压力脉动信号进行处理与优化的研究

《Journal of Energy Storage》：Research on reversible pump-turbine pressure pulsation signal processing and optimization through the adaptive parameter variational mode decomposition method

针对常规变分模态分解（VMD）在泵水轮机压力脉动信号处理中的参数依赖性问题，提出自适应参数VMD-SSA-LSTM框架。通过动态调整模态数K和惩罚因子α，结合Sparrow搜索算法优化LSTM超参数，实现多频非平稳信号分解与预测。实验表明，APVMD较传统VMD使信噪比提升2.24%，均方根误差降低16.44%，且在180MW工况下信噪比提高3dB，误差减少至44.7%。APVMD-SSA-LSTM模型在测试集R2达0.9996，显著优于单独LSTM模型。

　　

袁唐|葛莉涵|郭腾蛟|方明坤|陶然|朱迪|肖若福

中国农业大学水资源与土木工程学院，北京，100083，中国

摘要

为了解决传统变分模态分解（VMD）在泵-涡轮机压力脉动信号处理中的局限性，本文提出了一种自适应参数变分模态分解（APVMD）-SSA-LSTM框架，用于多频非平稳信号的分解和预测。在APVMD阶段，模态数K和二次惩罚因子α通过迭代调整，并根据相邻模态中心频率的比值自适应确定最优参数组合。使用均方根误差（RMSE）和信噪比（SNR）来评估分解性能。通过使用抽水蓄能电站的测量数据，结果表明，与传统VMD相比，APVMD将SNR提高了2.24%，RMSE降低了16.44%。在不同的监测位置中，蜗壳入口的分解性能最佳，而下游下防漏环出口的分解性能最差。在180 MW运行条件下，APVMD的SNR比40 MW条件下的SNR高出约3 dB，而RMSE降低到40 MW水平的44.7%。为了进一步提高预测精度，将APVMD与Sparrow搜索算法（SSA）和长短期记忆（LSTM）网络结合使用。具体来说，APVMD用于将原始信号分解为具有更清晰频率特性的IMF分量，SSA用于优化LSTM模型的关键超参数，LSTM用于预测每个分解分量的时间演变。然后重建预测的分量以获得最终的压力脉动信号。所提出的APVMD-SSA-LSTM模型在测试集上的R2值为0.9996，显著优于单独的LSTM模型。结果证实，所提出的框架在泵-涡轮机压力脉动信号的分解和预测方面是有效且稳健的。

引言

鉴于全球能源格局的深刻变化和日益严峻的气候变化挑战，能源安全已成为一个关键的全球性问题。全球能源结构正在向清洁、低碳和非化石能源转型，实现碳中和已成为国际共识和不可避免的趋势[1]、[2]、[3]。因此，人们高度重视可再生能源的探索和高效能源存储技术的发展。在能源存储领域，太阳能、风能、电化学能和氢能正日益为全球能源组合做出贡献[4]、[5]。然而，这些间歇性可再生能源在高效存储方面仍面临重大挑战。风能和太阳能作为关键的可再生能源形式，由于其成本效益和环境效益而获得了全球的广泛应用[6]、[7]。然而，它们的间歇性和不可预测性给智能电网的整合带来了实质性挑战[8]、[9]。电化学储能技术以其高效率、环保性和快速响应能力，在电力系统和可再生能源存储中得到了广泛应用[10]、[11]、[12]。尽管如此，其高昂的成本和有限的存储容量仍然是发展的瓶颈[13]。与化学电池存储类似，氢能存储技术对环境的依赖性最小，项目选址方便，生态影响低。然而，与其他储能技术相比，氢能存储技术的能量转换效率较低，成本较高，商业化仍面临多重瓶颈[14]、[15]、[16]。为了解决这些技术限制并满足大规模能源存储的需求，抽水储能技术作为一种可靠的解决方案受到了越来越多的关注[17]、[18]。抽水蓄能电站具有快速启停能力和强大的负荷跟踪能力，可以迅速应对系统负荷的剧烈变化，确保现代电力系统的安全和稳定运行。当与可再生能源结合使用时，抽水蓄能电站有助于减轻可再生能源发电的波动性和随机性，减少对电网的不利影响，并促进可再生能源的大规模开发和整合。

作为当前能源转型的核心储能和调度技术，抽水储能技术已成为稳定间歇性可再生能源（如风能和太阳能）和确保电网稳定的关键支持，这得益于其在负荷调节方面的高容量和快速响应能力。它在全球能源系统中具有不可替代的应用前景[19]、[20]、[21]。当前研究背景的示意图如图1所示。然而，压力脉动仍然是抽水蓄能单元运行中的一个普遍问题，特别是在负荷削减、失控和启停等关键转换过程中。在这些阶段，上游无叶片区和尾水道的压力脉动显著加剧[22]、[23]。这些脉动不仅会导致严重的单元振动和加速部件疲劳损坏，威胁设备的安全性和可靠性，还可能通过液压耦合影响电网频率稳定性和电力供应质量[24]、[25]。进一步的研究表明，压力脉动与内部流场特性之间存在密切关联。陶等人[26]证实，显著的压力脉动会在泵-涡轮机叶片表面引起空化，空化泡的形成和破裂会进一步放大脉动强度。因此，准确捕捉单元运行过程中不同流道位置的压力脉动特性和传播模式对于优化运行策略、提高能量转换效率、制定有针对性的振动减缓措施以及确保电力系统的安全和稳定运行至关重要。所有这些都具有重要的理论研究价值和实际工程意义[27]、[28]。

对泵-涡轮机系统中压力脉动信号的准确分析是评估运行稳定性和流场特性的关键工具，在确保电厂的安全和高效运行中起着至关重要的作用。变分模态分解（VMD）凭借其自适应的频域划分和稀疏特征模态分离能力，已广泛应用于液压机械信号处理场景，如负荷拒绝转换分析、轴流泵故障诊断、可逆泵-涡轮机压力脉动预测和空化动态分析[29]、[30]、[31]、[32]。为了解决VMD参数依赖性问题，研究人员提出了优化算法，如Grey Wolf优化和Global Parrot优化，以提高降噪和特征提取性能[33]、[34]、[35]、[36]。然而，这些方法严重依赖于外部优化算法的搜索能力，计算成本高，对初始参数敏感，且无法实现基本参数的自适应。在实际工程应用中，泵-涡轮机压力脉动信号表现出多频叠加和强烈的非平稳性。在上游无叶片区和防漏环出口等不同监测位置，即使在相同的运行条件下，信号特性也存在显著差异。手动预设K和α参数不仅耗时且劳动强度大，还容易因参数不匹配而导致模态混叠或分解不足，严重限制了VMD工程的适用性[37]、[38]。

为了解决这一挑战，本文提出了基于自适应参数变分模态分解（APVMD）方法的APVMD-SSA-LSTM优化模型，用于预测泵-涡轮机的压力脉动信号。该方法结合了模态分解、优化算法和神经网络。核心创新在于放弃了传统的手动参数调整或外部算法优化方法。通过先验估计初始化参数，并通过迭代调整K和α，模型根据相邻模态中心频率的比值与阈值进行动态比较，自主确定最优参数组合。然后建立以信噪比（SNR）和均方根误差（RMSE）为中心的定量评估系统。基于抽水蓄能电站的实际测量数据，系统验证了APVMD方法在不同监测位置和功率输出条件下的适应性。LSTM、APVMD-LSTM和APVMD-SSA-LSTM模型的比较分析为复杂液压-机械信号的高效解释提供了新的解决方案。

研究目标和依据

为了提高具有强非平稳性和多频耦合特性的可逆泵-涡轮机压力脉动信号的预测精度，本研究提出了一个集成的APVMD-SSA-LSTM框架。在该框架中，APVMD作为自适应分解模块，将原始压力脉动信号分解为具有更清晰频率特性的多个IMF分量，从而减少模态混叠并提高信号的可分离性。

数据来源

为了验证APVMD方法在处理泵-涡轮机单元压力脉动信号方面的有效性，本研究对比分析了从抽水蓄能电站收集的动态压力数据，包括6个测量点：蜗壳入口（P1）、导流管（P2）、上游无叶片区（P3）、上游上防漏环出口（P4）、上游顶盖（P5）和下游下防漏环出口（P6）。数据是通过

优化压力波动预测

本节首先使用单独的LSTM模型来预测压力波动信号。在训练过程中，通过反向传播算法优化模型参数，使模型能够更准确地预测目标变量。在参数设置方面，模型的初始学习率（Ir）设置为0.01，经过70次迭代后调整了0.2倍，正则化系数（Rc）设置为0.001，最大训练时间步数为100。

结论

本文基于自适应参数变分模态分解（APVMD）方法应用于水泵涡轮机的压力脉动信号处理，并基于抽水蓄能电站的测量数据进行了系统验证。主要结论如下：

(1) APVMD方法通过其先验估计和迭代调整机制，可以自适应确定最优模态数K和惩罚因子α。这有效地克服了模态

CRediT作者贡献声明

袁唐：撰写——原始草稿、可视化、验证、软件、方法论、正式分析、数据整理。葛莉涵：软件、概念化、方法论。郭腾蛟：调查、正式分析、可视化。方明坤：调查、软件、可视化。陶然：撰写——审阅与编辑、监督、资源管理、项目管理、调查。朱迪：撰写——审阅与编辑、调查、监督。肖若福：撰写——审阅与编辑

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能影响本文所述的工作。

致谢

作者感谢国家自然科学基金的财政支持，授权编号为52539006。