当前,在实现“双碳”的目标下,我国正在加快构建安全、高效、清洁、低碳的新型能源结构。抽水蓄能是当今技术水平较为成熟的大规模储能方式之一,在新型能源结构以及电力系统的建设过程显得至关重要。作为抽水蓄能电站中的重要设备,一旦可逆式水泵水轮机的运行状态出现异常,轻则影响电网的稳定和经济效益,重则可能造成电站安全生产事故。为了提升我国抽水蓄能电站的智能化建设水平,目前迫切需要开展可逆式水泵水轮机的运行状态监测和智能故障诊断工作,以提高机组的运行可靠性、安全性和稳定性。由于水泵水轮机在运行过程中受到复杂的多方面耦合因素的干扰,信号的非线性和非平稳性较强,以往的方法难以满足分析需求。为此,本文结合先进的信号处理、深度学习和人工智能算法,对水泵水轮机运行状态监测、信号特征提取、故障诊断识别和非线性信号预测进行了研究。揭示了水泵水轮机典型暂态过程中的流激振动以及压力脉动特性,提出了适用于水泵水轮机信号降噪、振动故障诊断识别和非线性振动信号预测的分析流程及模型,为提高机组的安全运行水平提供了一些新的思路。本文中研究工作的主要内容和创新点可以概括为以下几点.（1）对水泵水轮机在发电和抽水工况启动过程中的流激振动及压力脉动特性进行了系统全面的研究。首先,针对发电工况启动过程,重点结合典型测点的压力脉动信号对不同转速下顶盖振动幅值和物理来源进行了说明,提出了 3个转速区间阐述顶盖的流激振动特性,揭示了顶盖振动受机组内部流体流动（尾水管涡带和无叶区动静干涉）和机械因素（转子质量不平衡）的影响情况和规律。同时,研究发现机组上机架和下机架的主要激振源为机械因素（转子质量不平衡）,流体流动对其影响可以忽略不计。其次,针对抽水工况启动过程,重点研究了机组压力脉动的传播规律和特性。结果表明,在整个抽水工况启动过程中,虽然无叶区内的压力脉动均保持最大,但在不同时间段内其物理来源存在较大的差异。在停机转抽水调相工况的过程中,最强烈的压力脉动来源于机组升速过程中逐渐增大的叶片通过频率在特定转速区域内与固定频率的随机流动发生的共振现象。在抽水调相转抽水工况过程中,最强烈的压力脉动来源于转轮造压过程中出现的强烈回流现象。在稳定的抽水工况下,由于导叶开度较大以及无叶区空间大幅度缩小,旋转叶轮与静止的活动导叶之间的动静干涉强度显著增强,叶片通过频率以及动静干涉频率二者均占主导地位。（2）对水泵水轮机摆度信号降噪和轴心轨迹形状识别进行了研究。首先,在信号降噪部分,本文提出了一种二次分解降噪的流程,结合小波阈值降噪法和变分模态分解法对摆度信号中重要特征频率进行了有效分离。通过互相关系数阈值的设定对变分模态分解后非噪声主导的模态予以重构,以此实现摆度信号的降噪。使用该流程对模拟以及实测水泵水轮机摆度信号进行降噪分析,引入信号降噪评价指标验证了该流程在信号降噪方面的有效性。其次,通过降噪后的摆度信号进一步合成得到了清晰的轴心轨迹形状。接着,结合机组尾水管的压力脉动特性,阐述了三种典型的轴心轨迹形状及其排列熵分析结果随负荷的演化情况。最后,本文提出使用轴心轨迹排列熵的平均值和最大值构造特殊排列熵特征向量,并将其输入至智能分类器极限学习机中进行训练和识别。在随机设置训练集样本数量比例为50%和75%这两种情况下,模型对测试集样本的10次平均识别率分别可以达到96.67%和100%,且计算时间均为0.01秒,表明取得了良好的轴心轨迹形状识别效果和较高的效率。（3）对水泵水轮机复杂的流动状态和振动故障进行了诊断识别研究。本文针对传统浅层学习算法在进行复杂信号分类和识别时出现的识别率不高的问题,将深度学习算法中的深度信念网络引入至该领域,提出了一种结合以变分模态分解为基础得到的多维特征向量和深度信念网络的故障诊断模型。该模型使用信号的多项时域和频域特征值,以及变分模态分解后各个模态分量的能量比和排列熵组成表征不同流动状态以及振动故障类型的特征向量,并输入至深度信念网络中进行学习,完成流动状态和振动故障信号的诊断和识别。通过对我国某可逆式水泵水轮机实测无叶区压力脉动和顶盖振动故障信号的识别分类,在随机设置训练集样本数量比例为50%和75%这两种情况下,模型对无叶区压力脉动信号特征向量测试集样本的10次平均识别率分别可以达到97.64%和98.89%,对顶盖振动故障信号特征向量测试集样本的10次平均识别率分别可以达到99.57%和100%,远高于传统的浅层学习算法。识别结果也验证了本文所提出的模型的有效性。（4）对水泵水轮机的复杂非线性振动信号进行了预测研究。相对常规水电机组来说,水泵水轮机实际的运行工况更为复杂多变,其振动信号的非线性和非平稳性更强。本文提出一种将具有较强信号分解能力的变分模态分解法和深度学习算法中的长短期记忆神经网络相结合的预测模型。首先,为了尽量减少信号中的非线性和非平稳性,使用变分模态分解对原始振动信号进行分解,得到若干较为平稳的模态分量。接着,对各个模态分量进行标准化处理,并分别使用长短期记忆神经网络对其进行建模预测。最后,通过对预测得到的数据点进行反标准化处理,并进行信号重构成功实现了水泵水轮机非线性振动信号的多步长预测。使用该模型对我国某可逆式水泵水轮机抽水工况断电停机暂态过程中的定子机座振动信号进行了预测,预测结果中的均方根误差、平均绝对误差和平均绝对百分比误差分别为0.8359 μm、0.6670 μm和13.17%,低于目前主流的其它几种预测模型,且信号预测波形与信号实测波形最为接近,表明该预测模型具有一定的工程应用价值。