常玉红，吴月超，何 铮，宋旭峰，王大强，李超顺

（1.国网新源控股有限公司，北京100000；2.中国电建集团华东勘测设计研究院有限公司，杭州311122；3.浙江仙居抽水蓄能有限公司，浙江仙居317300；4.华东琅琊山抽水蓄能有限责任公司，安徽滁州239000；5.华中科技大学土木与水利工程学院，武汉430073；6.浙江大学电气工程学院，杭州310027）

0 引 言

定子作为抽蓄机组发电电动机重要部件之一，其受损直接影响电站的发电量、发电效率，以及电站的运行故障并造成停机。定子温度作为可观测变量，发展趋势与机组个部件受损情况密切相关，其原理为机组做能量转换时，出现的各种损耗如机械损耗、电损耗、铁损耗等产生热量，损耗较大时，温升会出现异常状态，以监测温度判断设备受损情况也是被证实过的可行方案。例如：负荷升高会引起电机温度升高；励磁电流增大导致转子发热，绝缘受损造成片间短路而引起铁芯发热严重［1-3］。而传统设备温度监测通常利用内部置入传感器测量并以运行人员经验去判断温度趋势，此方案可靠性差，对人员要求高，易出现较多的误报警。而常见的温度故障检测系统通常有模型分析、数据驱动等方式，其中数据驱动对于复杂系统的检测、诊断、预测有明显的优势［4，5］。随着深度学习（Deep learning，DL）的发展，考虑多源变量的数据分析监测模型受到了广泛的关注。文献［6］利用循环神经网络（Recurrent neural network RNN)实现了风电机组主轴承温度预警。针对时序预警序列，文献［7，8］，运用长短期记忆网络（Long short terms memory，LSTM）建立监测系统，并得到了较好的效果。……