基于能量-熵特征和改进堆叠降噪自编码器的水轮机空化状态识别方法

doi:10.12096/j.2096-4528.pgt.260116

发电技术 ›› 2026, Vol. 47 ›› Issue (1): 176-184.DOI: 10.12096/j.2096-4528.pgt.260116

• 发电及环境保护 • 上一篇

基于能量-熵特征和改进堆叠降噪自编码器的水轮机空化状态识别方法

刘圳, 刘忠, 邹淑云, 周泽华, 乔帅程

长沙理工大学能源与动力工程学院，湖南省长沙市 410114

收稿日期:2025-06-28 修回日期:2025-08-31 出版日期:2026-02-28 发布日期:2026-02-12
通讯作者: 刘忠
作者简介:刘圳(1998)，男，硕士研究生，研究方向为水力机械状态监测与故障诊断，1203235718@qq.com；
刘忠(1978)，男，博士，教授，研究方向为水力机械状态监测与故障诊断，本文通信作者，drliuzhong@csust.edu.cn；
邹淑云(1979)，女，硕士，讲师，研究方向为流体机械内部流动与优化设计，cslgdxzsy@csust.edu.cn；
周泽华(1999)，男，硕士研究生，研究方向为水力机械状态监测与故障诊断，93748226@qq.com；
乔帅程(1998)，男，硕士研究生，研究方向为水力机械状态监测与故障诊断，1771862910@qq.com。
基金资助:
国家自然科学基金项目(52079011);湖南省自然科学基金项目(2023JJ30032)

Cavitation State Recognition Method of Hydraulic Turbine Based on Energy-Entropy Features and Improved Stacked Denoising Auto Encoder

Zhen LIU, Zhong LIU, Shuyun ZOU, Zehua ZHOU, Shuaicheng QIAO

School of Energy and Power Engineering, Changsha University of Science and Technology, Changsha 410114, Hunan Province, China

Received:2025-06-28 Revised:2025-08-31 Published:2026-02-28 Online:2026-02-12
Contact: Zhong LIU
Supported by:
National Natural Science Foundation of China(52079011);Natural Science Foundation of Hunan Province(2023JJ30032)

摘要/Abstract

摘要：

目的针对混流式水轮机空化声发射(acoustic emission，AE)信号受背景噪声干扰、故障难以识别的问题，提出一种基于能量-熵特征和哈里斯鹰优化(Harris hawks optimization，HHO)算法联合3折交叉验证(3-fold cross-validation，3Fold)优化堆叠降噪自编码器(stacked denoising auto encoder，SDAE)的状态识别方法。方法首先，利用变分模态分解算法对信号进行分解，得到一系列固有模态函数。其次，提取相关系数最大的2个固有模态函数的能量和熵特征，构建12维特征向量，输入识别模型。再次，利用HHO算法联合3Fold，对SDAE的超参数进行优化。最后，将HHO-3Fold-SDAE算法与其他算法寻优得到的最优参数分别输入模型中运行，并进行对比分析。结果与其他算法相比，HHO-3Fold-SDAE算法具有更小的准确率方差、损失率以及更高的平均准确率；相较于SDAE，其测试集平均准确率提高了6%；相较于HHO-SDAE，其测试集平均准确率提高了4%，准确率方差降低了17%。结论所提方法可用于水轮机空化AE信号的分类识别，可为水力机械状态监测提供参考。

关键词: 水力发电, 水轮机, 空化状态识别, 哈里斯鹰优化(HHO)算法, 堆叠降噪自编码器(SDAE), 熵

Abstract:

Objectives Aiming at the problem that the acoustic emission (AE) signal induced by the cavitation of a hydraulic turbine is disturbed by background noise and the fault is difficult to identify, a state recognition method based on energy-entropy features and Harris hawks optimization (HHO) algorithm combined with 3-fold cross-validation (3Fold) to optimize stacked denoising auto encoder (SDAE) is proposed. Methods First, the variational mode decomposition algorithm is used to decompose the signal, and then a series of intrinsic mode functions are obtained. Second, the energy and entropy features of the two intrinsic mode functions are extracted, which have the largest correlation coefficient with the original signal. A 12-dimensional feature vector is constructed and then the vector is imported into the recognition model. Third, the HHO algorithm combined with 3Fold is used to optimize the hyper-parameters of SDAE. Finally, the optimal parameters obtained by the HHO-3Fold-SDAE algorithm and other algorithms are input into the model for comparison. Results Compared with other algorithms, the HHO-3Fold-SDAE algorithm has smaller loss rate and accuracy variance, and higher average accuracy. Compared with SDAE, its test set average accuracy is increased by 6%. Compared with HHO-SDAE, its test set average accuracy is increased by 4% and accuracy variance is decreased by 17%. Conclusions The proposed method can be used to classify and recognize AE signals induced by cavitation of hydraulic turbine, and provide reference for the condition monitoring of hydraulic machinery.

Key words: hydropower, hydraulic turbine, cavitation state recognition, Harris hawks optimization (HHO) algorithm, stacked denoising auto encoder (SDAE), entropy

中图分类号:

TK 73

刘圳, 刘忠, 邹淑云, 周泽华, 乔帅程. 基于能量-熵特征和改进堆叠降噪自编码器的水轮机空化状态识别方法[J]. 发电技术, 2026, 47(1): 176-184.

Zhen LIU, Zhong LIU, Shuyun ZOU, Zehua ZHOU, Shuaicheng QIAO. Cavitation State Recognition Method of Hydraulic Turbine Based on Energy-Entropy Features and Improved Stacked Denoising Auto Encoder[J]. Power Generation Technology, 2026, 47(1): 176-184.

图/表 14

图1 水轮机空化AE信号特征提取流程

Fig. 1 Feature extraction process of AE signal induced by cavitation of hydraulic turbine

图2 HHO-3Fold-SDAE超参数寻优流程

Fig. 2 Hyperparameter optimization process of HHO-3Fold-SDAE

图3 水轮机空化识别模型

Fig. 3 Cavitation recognition model for hydraulic turbine

表1 水轮机空化AE信号样本划分

Tab. 1 Sample division of AE signal induced by cavitation of hydraulic turbine

编号	空化状态	空化系数 $σ$	训练集	测试集
1	无空化	$σ i < σ$	210	90
2	初生空化	$σ i$	210	90
3	空化发展	$σ 1 < σ < σ i$	210	90
4	临界空化	$σ 1$	210	90

表1 水轮机空化AE信号样本划分

Tab. 1 Sample division of AE signal induced by cavitation of hydraulic turbine

编号	空化状态	空化系数 $σ$	训练集	测试集
1	无空化	$σ i < σ$	210	90
2	初生空化	$σ i$	210	90
3	空化发展	$σ 1 < σ < σ i$	210	90
4	临界空化	$σ 1$	210	90

表2 相关系数最大的5个IMF

Tab. 2 Five IMFs with the largest correlation coefficients

分量	IMF1	IMF2	IMF3	IMF4	IMF5
相关系数	0.702	0.497	0.402	0.274	0.265

图4 相关系数最大的2个IMF时域图

Fig. 4 Time domain diagram of two IMFs with the largest correlation coefficients

表3 HHO-3Fold-SDAE参数初始化

Tab. 3 Parameter initialization of HHO-3Fold-SDAE

参数	数值
隐含层数	3
激活函数	Sigmoid
批量数	84
循环次数	200
HHO种群个数H	5
HHO迭代次数T	30

表4 HHO-3Fold-SDAE寻优结果

Tab. 4 Optimized results of HHO-3Fold-SDAE

参数	取值
第1个隐藏层节点数H_i₁	43
第2个隐藏层节点数H_i₂	71
第3个隐藏层节点数H_i₃	62
反向传播学习率H_i₄	2
反向传播循环次数H_i₅	2 836

表5 不同模型识别结果对比

Tab. 5 Comparison of recognition results of different models

模型	训练集平均准确率/%	训练集准确率方差	测试集平均准确率/%	测试集准确率方差	平均总时长/s
HHO-3Fold-SDAE	98.45	0.78	92.75	1.06	167.99
PSO-3Fold-SDAE	98.02	1.03	90.22	1.05	89.71
HHO-SDAE	95.42	0.87	89.19	1.28	124.31
PSO-SDAE	95.19	1.69	89.72	1.14	78.06
SDAE	87.77	0.93	87.28	1.08	59.15

图5 HHO-3Fold-SDAE训练集分类结果

Fig. 5 Classification results of HHO-3Fold-SDAE training set

图6 HHO-3Fold-SDAE测试集分类结果

Fig. 6 Classification results of HHO-3Fold-SDAE test set

图7 HHO-3Fold-SDAE训练集混淆矩阵

Fig. 7 Confusion matrix of HHO-3Fold-SDAE training set

图8 HHO-3Fold-SDAE测试集混淆矩阵

Fig. 8 Confusion matrix of HHO-3Fold-SDAE test set

图9 不同模型的损失率和准确率收敛曲线

Fig. 9 Convergence curves of loss rate and accuracy rate for different models

参考文献 24

[1]	李书勇，蔡海青，沈娜，等．不同类型新能源接入对微电网频率的影响[J]．分布式能源，2024，9(2)：8-18．
	LI S Y， CAI H Q， SHEN N，et al ．Impact of different types of new energy access on microgrid frequency[J]．Distributed Energy，2024，9(2)：8-18．
[2]	FENG J， LIU B， LUO X，et al ．Experimental investigation on characteristics of cavitation-induced vibration on the runner of a bulb turbine[J]．Mechanical Systems and Signal Processing，2023，189：110097． doi:10.1016/j.ymssp.2023.110097
[3]	王照伟，郭雯君，宋向金，等．融合TKEO和Goerztel算法的感应电机转子断条故障诊断[J]．电工技术学报，2024，39(12)：3679-3690．
	WANG Z W， GUO W J， SONG X J，et al ．Fault diagnosis of broken rotor bar in induction motor based on TKEO and goertzel algorithm[J]．Transactions of China Electrotechnical Society，2024，39(12)：3679-3690．
[4]	刘忠，王文豪，邹淑云，等．水轮机空化声发射信号的联合降噪与特征提取[J]．水力发电学报，2022，41(12)：145-152．
	LIU Z， WANG W H， ZOU S Y，et al ．Joint noise reduction and feature extraction of acoustic emission signals for hydraulic turbines under cavitation[J]．Journal of Hydroelectric Engineering，2022，41(12)：145-152．
[5]	ZHU Y， ZHOU L， LV S，et al ．Research progress on identification and suppression methods for monitoring the cavitation state of centrifugal pumps[J]．Water，2023，16(1)：52． doi:10.3390/w16010052
[6]	BUI T T， VU V H， LIU Z，et al ．Updating singular value decomposition for modal analysis of slow-varying non-stationary vibration structures[J]．Journal of Vibration and Control，2023：308． doi:10.1177/10775463231214308
[7]	蒋文君，胡晓，张培，等．基于EEMD近似熵的水电机组振动信号特征提取[J]．水力发电学报，2020，39(6)：18-27．
	JIANG W J， HU X， ZHANG P，et al ．Vibration feature extraction for hydropower units based on ensemble empirical mode decomposition and approximate entropy[J]．Journal of Hydroelectric Engineering，2020，39(6)：18-27．
[8]	BAI S， ZENG Y，DAO F，et al ．Signal spectrum analysis of sediment water impact of hydraulic turbine based on ICEEMDAN-wavelet threshold denoising strategy[J]．Water，2023，15(22)：4017． doi:10.3390/w15224017
[9]	邵必林，纪丹阳．基于VMD-SE的电力负荷分量的多特征短期预测[J]．中国电力，2024，57(4)：162-170．
	SHAO B L， JI D Y ．Multi-feature short-term prediction of power load components based on VMD-SE[J]．Electric Power，2024，57(4)：162-170．
[10]	LIU D， CUI L， WANG H ．Rotating machinery fault diagnosis under time-varying speeds：a review[J]．IEEE Sensors Journal，2023，23(24)：29969-29990． doi:10.1109/jsen.2023.3326112
[11]	李楠，姜涛，隋想，等．一种时频尺度下的多元短期电力负荷组合预测方法[J]．电力系统保护与控制，2024，52(13)：47-58．
	LI N， JIANG T， SUI X，et al ．A multi-component short-term power load combination forecasting method on a time-frequency scale[J]．Power System Protection and Control，2024，52(13)：47-58．
[12]	陈强，李茂峰，秦际明，等．基于改进残差网络的XLPE电缆局部放电声纹诊断方法[J]．广东电力，2024，37(5)：97-103．
	CHEN Q， LI M F， QIN J M，et al ．Diagnosis method of voiceprint of partial discharge in XLPE cable based on improved ResNet[J]．Guangdong Electric Power，2024，37(5)：97-103．
[13]	刘展，包琰洋，李大字．基于重采样降噪与主成分分析的宽卷积深度神经网络风机故障诊断方法[J]．发电技术，2023，44(6)：824-832．
	LIU Z， BAO Y Y， LI D Z ．Fault diagnosis method of wind turbines based on wide deep convolutional neural network with resampling and principal component analysis[J]．Power Generation Technology，2023，44(6)：824-832．
[14]	孙文成，李健，彭宇辉，等．基于样本不均衡和特征优选多源融合的输电线路故障类型辨识[J]．电测与仪表，2024，61(12)：79-89．
	SUN W C， LI J， PENG Y H，et al ．Transmission line fault type identification based on the sample imbalance and feature preferred multi-source fusion[J]．Electrical Measurement ＆ Instrumentation，2024，61(12)：79-89．
[15]	罗国敏，杨雪凤，尚博阳，等．基于改进堆叠降噪自编码器的配电网高阻接地故障检测方法[J]．电力系统保护与控制，2024，52(24)：149-160．
	LUO G M， YANG X F， SHANG B Y，et al ．High impedance grounding fault detection method of a distribution network based on an improved stacked denoised autoencoder[J]．Power System Protection and Control，2024，52(24)：149-160．
[16]	李兵，梁舒奇，单万宁，等．基于改进正余弦算法优化堆叠降噪自动编码器的电机轴承故障诊断[J]．电工技术学报，2022，37(16)：4084-4093．
	LI B， LIANG S Q， SHAN W N，et al ．Motor bearing fault diagnosis based on improved sine and cosine algorithm for stacked denoising autoencoders[J]．Transactions of China Electrotechnical Society，2022，37(16)：4084-4093．
[17]	黄力，宋爽，刘闯，等．基于IHHO-HKELM输电线路覆冰预测模型[J]．电力科学与技术学报，2024，39(4)：33-41．
	HUANG L， SONG S， LIU C，et al ．Icing prediction model of transmission line based on IHHO-HKELM[J]．Journal of Electric Power Science and Technology，2024，39(4)：33-41．
[18]	邱书琦，蹇照民，方立雄，等．基于变分模态分解和集成学习的光伏发电预测[J]．智慧电力，2024，52(3)：32-38．
	QIU S Q， JIAN Z M， FANG L X，et al ．Photovoltaic power generation forecasting based on variational modal decomposition and ensemble learning[J]．Smart Power，2024，52(3)：32-38．
[19]	AZAMI H， ESCUDERO J ．Amplitude-and fluctuation-based dispersion entropy[J]．Entropy，2018，20(3)：210． doi:10.3390/e20030210
[20]	杨康，李蓝青，李艺丰，等．一种新型分布式光伏出力区间预测方法[J]．发电技术，2024，45(4)：684-695．
	YANG K， LI L Q， LI Y F，et al ．A novel distributed photovoltaic output interval prediction method[J]．Power Generation Technology，2024，45(4)：684-
[695]	. doi:10.1023/a:1010650624155
[21]	赵妍，潘怡，李亚波，等．基于AVMD多尺度模糊熵和VPMCD算法的宽频振荡分类[J]．电力系统保护与控制，2024，52(13)：179-187．
	ZHAO Y， PAN Y， LI Y B，et al ．Broadband oscillation classification based on AVMD multi-scale fuzzy entropy and the VPMCD algorithm[J]．Power System Protection and Control，2024，52(13)：179-187．
[22]	王子江，张兆毅，樊友平，等．基于近似熵变化量判据的混合直流输电系统纵联保护方案[J]．电力系统保护与控制，2024，52(21)：1-12．
	WANG Z J， ZHANG Z Y， FAN Y P，et al ．A pilot protection scheme for a hybrid HVDC transmission system based on an approximate entropy change criterion[J]．Power System Protection and Control，2024，52(21)：1-12．
[23]	LAROCHELLE H， BENGIO Y， LOURADOUR J，et al ．Exploring strategies for training deep neural networks[J]．Journal of Machine Learning Research，2009，10：1-40．
[24]	刘忠，邹淑云，陈莹，等．混流式水轮机模型空化状态与声发射信号特征关系试验[J]．动力工程学报，2016，36(12)：1017-1022．
	LIU Z， ZOU S Y， CHEN Y，et al ．Experiments on the relationship between cavitation status and acoustic emission signal features for a francis turbine model[J]．Journal of Chinese Society of Power Engineering，2016，36(12)：1017-1022．

基于能量-熵特征和改进堆叠降噪自编码器的水轮机空化状态识别方法

Cavitation State Recognition Method of Hydraulic Turbine Based on Energy-Entropy Features and Improved Stacked Denoising Auto Encoder

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

图/表 14

参考文献 24

相关文章 7

编辑推荐

Metrics

[1]	罗宗龙, 刘世林. 基于信息间隙决策理论鲁棒模型的户用微电网优化运行[J]. 发电技术, 2025, 46(4): 705-714.
[2]	刘忠, 周泽华, 邹淑云, 刘圳, 乔帅程. 基于知识蒸馏-卷积神经网络的水轮机空化状态识别方法[J]. 发电技术, 2025, 46(1): 161-170.
[3]	韩一鸣, 徐鹏飞, 宫建锋, 申雅茹. 基于用户侧需求的电网发展经营综合评价体系研究[J]. 发电技术, 2022, 43(4): 636-644.
[4]	许中, 栾乐, 莫文雄, 罗思敏, 叶宗林, 陈超, 赖轩达, 解明辉. 基于Logistic快速最小误差熵算法的配电变压器停电预测[J]. 发电技术, 2022, 43(2): 313-319.
[5]	韩峰, 丛堃林, 向杰, 李清海, 张衍国, 马静. 基于Kolmogorov熵的气固鼓泡流化床中空隙率波动信号分析[J]. 发电技术, 2021, 42(3): 322-328.
[6]	李鹏蕾,陈林根,夏少军,张磊,王超,冯辉君. 基于熔融盐加热的甲烷蒸汽重整制氢反应器的熵产生率和氢气产率分析[J]. 发电技术, 2020, 41(4): 415-428.
[7]	周文军. 水轮机调节系统非线性模型预测控制器设计[J]. 发电技术, 2020, 41(4): 407-414.