基于短连接深度高斯过程的大型发电机转子涡流损耗数据驱动预测方法

针对深度高斯过程(DGP)模型在大型发电机转子涡流损耗预测中误差累积的问题，研究人员提出了一种融合短连接设计的可解释AI方法。该方法通过重参数化层间多元正态变量并构建新型层间输入，显著提升了模型在复杂数据中的适应性和预测精度（R2 =0.9886，MSE=0.0026），为发电机优化设计提供了高效建模工具。

　　

在电力系统能源转换的核心环节中，大型发电机如同"心脏"般至关重要。然而这个价值数千万至数十亿元的庞然大物，其转子槽填充部件产生的涡流损耗(Edy current loss)却像一道难解的谜题——传统经验分析、实验测试和数值模拟方法难以精确捕捉其复杂非线性关系，而深度高斯过程(Deep Gaussian Process, DGP)模型在增加层数时又面临预测精度断崖式下降的困境。更棘手的是，大型发电机运行数据兼具"大数据"与"小样本"双重特征：单台机组的海量电流、电压、温度监测数据背后，却是整个机型样本稀少的现实，这种矛盾使得传统机器学习方法举步维艰。

针对这一工程痛点，中国研究人员在《Engineering Applications of Artificial Intelligence》发表的研究中，创新性地将"跳级连接"思想引入DGP框架，开发出短连接深度高斯过程(SCDGP)模型。该研究以1266MW核蒸汽轮机发电机为对象，通过有限元仿真构建包含89,361个样本的数据集。技术路线上，团队采用三大核心方法：层间多元正态变量的重参数化技术、输入层数据的特征拼接策略，以及基于随机变分推断的模型优化。特别值得注意的是，该方法创造性保留了原始输入层信息的"快车道"，使深层网络既能捕捉高阶特征又不丢失基础物理规律。

【Establishment of a short connection depth Gaussian process model】章节揭示，传统DGP模型在5层以上时预测误差激增42.7%，而SCDGP通过构建新型层间输入通道，使误差累积率降低至8.3%。这种结构类似于在信息传递的高速公路上增设应急车道，有效避免了深层网络中的"特征湮灭"现象。

【Analysis of calculation results】部分显示，在核蒸汽轮机发电机实测数据验证中，SCDGP的确定系数(R²
)达0.9886，较传统DGP提升19.4%，均方误差(MSE)控制在0.0026。更令人振奋的是，当网络深度增至8层时，其预测稳定性仍保持优异水平，这对处理转子槽填充件这类受多物理场耦合影响的复杂问题尤为重要。

【Conclusion】章节强调，该研究实现了三大突破：首次将DGP深度拓展至8层仍保持高精度；创新性提出适用于机电系统的短连接架构；建立首个大型发电机涡流损耗的混合建模范式。这项工作不仅为价值数十亿元的发电机设计提供了误差可控的数字孪生工具，其提出的SCDGP框架更可推广至航空发动机、高铁牵引电机等高端装备的智能设计领域。正如研究者Hai Guo和Jinlin Cai在讨论部分指出，这种方法成功弥合了"物理机理驱动"与"数据驱动"建模之间的鸿沟，为复杂工业系统的可解释AI研究树立了新范式。

值得注意的是，该模型对温度波动、电网电压扰动等外部因素表现出强鲁棒性，这得益于DGP固有的不确定性量化能力。相比Kirchg?ssner等学者采用的深度残差网络，SCDGP在样本量不足时仍保持83.2%的预测可靠性，这一特性对造价高昂、难以获取海量实验数据的大型装备研发具有特殊价值。研究团队特别指出，下一步将把该方法扩展至发电机绝缘老化预测领域，进一步验证其跨场景适用性。