抽水蓄能电站担负削峰填谷、调频调相、旋转备用等职能,近几年来在我国能源体系中所占比重逐渐上升。抽水蓄能机组是受水力因素、机械因素和电磁因素等影响的复杂设备,且在抽水、发电、调相、备用、停机等多种工况间频繁转换,随着投运时间的增加,机组设备容易出现异常振动、设备疲劳、设备劣化等情况,威胁机组及电站安全。准确解析机组运行状态,开展抽水蓄能机组劣化预测研究,对预防早期故障,保障机组安全稳定运行具有重要意义。本文研究主要围绕抽水蓄能机组稳定性劣化趋势预测展开,研究了深度神经网络相关理论,提出抽水蓄能机组稳定性劣化状态评估方法,建立劣化趋势深度组合预测模型,致力于提升模型预测精度,并将理论应用至实践中,设计了抽水蓄能机组劣化趋势预测系统,有效提升电站运检维护效率。论文的主要工作及创新性成果如下:（1）针对现有机组劣化分析中未能充分考虑工况因素对机组状态影响的问题,研究最大信息系数方法分析工况参数与机组稳定性参数之间相关性,建立了多通道的DNN健康状态模型,准确解析工况参数与机组状态参数之间的映射关系,有效提取抽水蓄能机组在不同工况下各通道稳定性劣化趋势和整体劣化趋势对机组状态进行评估,并结合电站实际数据设计与其他三种算法的对比实验,验证了本文所提健康模型的准确性以及劣化状态评估的可靠度。（2）针对现有劣化趋势预测精度低、预见期短的问题,提出组合深度预测模型,引入变分模态分解算法对波动剧烈的非线性劣化趋势进行分解,对分解后的子模态分别建立GRU预测模型,提出误差预测校正方法对预测结果进行优化,实现对抽水蓄能机组劣化趋势的精准预测,并结合现场数据设计单步预测与多步预测对比实验,结果表明本文所提方法预测精度最高,适用于进行劣化趋势预测。（3）设计并研发了由数据服务层、业务逻辑层和应用服务层组成的三层B/S架构的劣化趋势预测系统,具备劣化趋势预警、时序趋势预警、分析模型预警、辅助分析等深层次、多方面的预警功能,充分弥补了传统状态监测系统单一静态阈值报警的不足,能够较为全面的挖掘机组主要设备的运行状态,对设备异常情况及时的做出预警。