梁 云，張鵬偉，趙文輝

（國能錦界能源有限責任公司，陜西 榆林 719319）

隨著國內(nèi)用電需求日益增多，電廠設備的故障率導致的事故也在逐年遞增。發(fā)電機作為火力發(fā)電的主要電氣設備，由于結(jié)構(gòu)復雜，其工作時各類信號干擾大、耦合性強，出現(xiàn)任何重大的故障都會帶來一系列的連鎖反應，從而造成嚴重的經(jīng)濟損失，發(fā)電機設備運行狀態(tài)往往會受到各種外界因素的影響，基于規(guī)則的故障檢測和基于模型的故障診斷等傳統(tǒng)檢測方法很難將這些復雜的關聯(lián)關系考慮進去，無法適應復雜多變的發(fā)電機設備故障模式，發(fā)電機設備運行狀態(tài)檢測的準確性和可靠性有待提高。[1]對發(fā)電機組的運行狀態(tài)進行實時監(jiān)測，開發(fā)設備狀態(tài)的智能檢測，能夠更好地識別出各種故障模式下的特征，并將其與正常運行狀態(tài)進行對比分析。這有助于提前預警潛在的故障，并采取相應的維修和保養(yǎng)措施，從而提高發(fā)電機設備的可靠性和運行效率。[2]

近年來，基于大數(shù)據(jù)、深度學習、人工智能等先進算法廣泛應用于電力系統(tǒng)設備預測性維護中，實現(xiàn)設備的健康狀態(tài)檢測、故障智能預測等目標[3]。本文以電廠DCS 系統(tǒng)的發(fā)電機組運行數(shù)據(jù)為基礎，篩選并構(gòu)建一個包括正常運行狀態(tài)、故障狀態(tài)以及其他異常狀態(tài)的訓練樣本，基于深度學習開發(fā)發(fā)電機設備運行狀態(tài)智能檢測技術(shù)，用于發(fā)電機組的運行狀態(tài)檢測，智能預測故障的發(fā)生，確定發(fā)電機的最優(yōu)維護時機，這對提高發(fā)電機組運行的穩(wěn)定性，促進電力行業(yè)發(fā)展具有重要的作用[4]。

1 基于深度學習的發(fā)電機設備運行狀態(tài)智能檢測

1.1 深度學習算法

深度學習是一種基于神經(jīng)網(wǎng)絡的機器學習算法，它通過多層神經(jīng)元的連接和學習來實現(xiàn)對輸入數(shù)據(jù)的學習和表達能力，其優(yōu)勢在于其能夠通過對大規(guī)模數(shù)據(jù)的訓練，自動地學習到特征表達，并從中提取出有用的信息。相關研究表明，深度學習在設備故障預測、健康管理和狀態(tài)識別等領域具有卓越的能力[5-6]。

基于深度學習的發(fā)電機設備運行狀態(tài)智能檢測方法主要包括數(shù)據(jù)預處理、模型搭建和模型訓練三個步驟。在數(shù)據(jù)預處理階段，我們需要采集大量的發(fā)電機設備運行狀態(tài)數(shù)據(jù)，并對其進行清洗和標注，以確保數(shù)據(jù)的質(zhì)量和準確性。然后，在模型搭建階段，我們可以選擇適用于發(fā)電機設備運行狀態(tài)檢測的深度學習模型，如卷積神經(jīng)網(wǎng)絡（CNN）或循環(huán)神經(jīng)網(wǎng)絡（RNN），并進行模型的構(gòu)建和參數(shù)的調(diào)整。最后，在模型訓練階段，我們使用預處理后的數(shù)據(jù)集來訓練深度學習模型，并通過迭代和優(yōu)化來提高模型的準確性和穩(wěn)定性。

1.2 發(fā)電機設備狀態(tài)檢測

實時檢測發(fā)電機設備的運行狀態(tài)，可以及時發(fā)現(xiàn)故障并采取維護和更換措施，保證設備的可靠運行，降低設備故障和事故的發(fā)生率。本文從大量的歷史數(shù)據(jù)中學習到設備不同狀態(tài)時的規(guī)律和特征。通過對大量的設備運行數(shù)據(jù)進行訓練，深度學習模型可以自動地提取特征，發(fā)現(xiàn)設備工作過程中隱藏的異常行為，從而為發(fā)電機設備保駕護航。

1.3 發(fā)電機設備故障預警

在發(fā)電機設備的運行過程中，故障的發(fā)生是無法避免的。為了提前發(fā)現(xiàn)并及時處理這些故障，通過學習大量歷史數(shù)據(jù)和故障樣本，從中抽取特征，并構(gòu)建故障檢測模型。與傳統(tǒng)的基于規(guī)則的故障預警方法相比，深度學習技術(shù)能夠更加準確地判斷設備故障的發(fā)生，并可以自動學習和適應新的故障模式。

2 數(shù)據(jù)挖掘與分析技術(shù)

2.1 樣本數(shù)據(jù)集構(gòu)建

在本研究中，為了提高發(fā)電機設備運行狀態(tài)智能檢測技術(shù)的性能，需要構(gòu)建一個高質(zhì)量的樣本數(shù)據(jù)集，用于深度學習算法開發(fā)、訓練。主要包括：

1.以電廠DCS 系統(tǒng)的發(fā)電機組運行數(shù)據(jù)為基礎，篩選并構(gòu)建一個包括正常運行狀態(tài)、故障狀態(tài)以及其他異常狀態(tài)的訓練樣本。

2.對采集到的原始數(shù)據(jù)進行數(shù)據(jù)清洗、歸一化處理，通過數(shù)據(jù)清洗，去除潛在的錯誤數(shù)據(jù)和異常值，通過歸一化處理，以消除數(shù)據(jù)之間的量綱差異，提高模型的訓練效果。

3.數(shù)據(jù)進行分析和挖掘，基于發(fā)電機組設備的歷史數(shù)據(jù)以及現(xiàn)場儀表采集的實時數(shù)據(jù)，通過時域特征、頻域特征和統(tǒng)計特征方法，提取出了一系列能夠表征發(fā)電機設備運行狀態(tài)的關鍵特征，并將復雜的原始數(shù)據(jù)轉(zhuǎn)化為具有明確含義的特征向量，使得樣本數(shù)據(jù)更具有區(qū)分性和可解釋性，便于后續(xù)的深度學習模型訓練與優(yōu)化。

2.2 決策樹算法

本文基于決策樹開發(fā)發(fā)電機設備運行狀態(tài)智能檢測系統(tǒng)算法，不需要對樣本進行預先假設，計算速度快可同時處理分類和預測問題，對缺失值不敏感，滿足發(fā)電機組設備的需求。過程如圖1 所示[7]。

圖1 發(fā)電機設備運行狀態(tài)智能檢測系統(tǒng)決策樹

決策樹算法步驟為：

1.將所有的訓練樣本數(shù)據(jù)按照狀態(tài)進行樣本集分類，采用ID3 算法，計算每個狀態(tài)屬性的信息增益、信息熵，決策樹的分支節(jié)點所包含的樣本盡可能屬于同一類別，即其純度越高越好。

2.將樣本集中信息增益度最大的屬性定義為決策樹的第一級再次進行樣本子集分類，按照步驟1的算法，計算樣本子集的信息增益、信息熵。

3.將樣本子集中信息增益度最大的屬性定義為決策樹再次分類的節(jié)點，按照步驟1、2 的算法進行分類，直至本級中所有的樣本子集都為同一類別。

3 發(fā)電機設備運行狀態(tài)智能檢測系統(tǒng)技術(shù)

3.1 發(fā)電機設備運行數(shù)據(jù)處理

目前，發(fā)電機的主要狀態(tài)檢測參數(shù)為發(fā)電機剩余預測擊穿電壓，根據(jù)相關文獻可知發(fā)電機剩余預測擊穿電壓計算公式可化簡為：

其中，剩余預測擊穿電壓UN、額定電壓UN、最大局部放電量Qm、絕緣電阻R1、電容C0。根據(jù)經(jīng)驗公式即可獲得發(fā)電機剩余預測擊穿電壓，由于發(fā)電機使用過程中存在絕緣老化問題，式中的最大局部放電量Qm、絕緣電阻R1、電容C0發(fā)生變化，需要定期測量，影響發(fā)電機組正常工作；同時，由于發(fā)電機組的工作環(huán)境復雜和信息傳輸技術(shù)的限制，采集到的數(shù)據(jù)通常噪聲點以及缺失值，對需要對異常數(shù)據(jù)進行識別和修復等數(shù)據(jù)處理。

基于深度學習算法中的聚類方法，對原始數(shù)據(jù)流進行初步的聚類分析，對異常數(shù)據(jù)進行識別，利用神經(jīng)網(wǎng)絡進行異常數(shù)據(jù)的去除和缺失數(shù)據(jù)的填補，能夠更好地為發(fā)電機故障診斷提供可靠的數(shù)據(jù)保障。項目通過神經(jīng)網(wǎng)絡算法取50 組數(shù)據(jù)，通過采用神經(jīng)網(wǎng)絡技術(shù)結(jié)合模糊數(shù)學，建立老化數(shù)學模型進行預測絕緣的剩余擊穿電壓分析，即可實現(xiàn)電機設備運行狀態(tài)智能檢測與在線分析。

3.2 發(fā)電機設備運行狀態(tài)智能算法訓練

基于對發(fā)電機設備運行時產(chǎn)生的大量歷史、實時數(shù)據(jù)進行收集、處理、分析、建模來實現(xiàn)的，對預測發(fā)電機設備運行狀態(tài)可通過決策樹學習訓練專家策略庫，根據(jù)分級對應的策略對設備進行維護[8]，具體流程主要包括以下步驟。

1.數(shù)據(jù)獲?。和ㄟ^DCS、PI 數(shù)據(jù)庫獲得發(fā)電機設備運行數(shù)據(jù)。

2.數(shù)據(jù)處理：包括數(shù)據(jù)預處理和特征提取，對數(shù)據(jù)進行過濾和整理，識別數(shù)據(jù)中工況信息，剔除非重要變量，通過特征提取數(shù)據(jù)供模型訓練使用。

3.模型訓練：選擇適當深度學習模型，利用經(jīng)處理后的數(shù)據(jù)進行訓練，獲得在不同運行狀況時的預測的模型。

4.狀態(tài)檢測：通過讀取DCS、PI 數(shù)據(jù)庫中發(fā)電機運行數(shù)據(jù)，并通過訓練好的模型智能判斷發(fā)電機設備運行狀態(tài)。

5.策略制定：根據(jù)電機設備運行狀態(tài)，智能分析維護和維修策略，同時進行故障診斷，決定發(fā)電機維護和保養(yǎng)策略。

4 基于深度學習的發(fā)電機設備運行狀態(tài)智能檢測系統(tǒng)應用

本次研究主要針對國能錦界能源有限責任公司#1發(fā)電機測試應用，基于發(fā)電機設備的歷史數(shù)據(jù)、檢修數(shù)據(jù)、實時數(shù)據(jù)進行訓練，將擊穿電壓作為神經(jīng)網(wǎng)絡的單一輸出來評估發(fā)電機設備運行狀態(tài)，通過建立具有模糊輸出的3 層BP 神經(jīng)網(wǎng)絡對發(fā)電機組設備運行狀態(tài)進行評估。

項目基于虛擬儀器技術(shù)開發(fā)，實現(xiàn)設備狀態(tài)分析功能、絕緣劣化趨勢分析功能和設備維護等功能?？梢詫崟r顯示發(fā)電機的基礎信息、實時監(jiān)測參數(shù)、設備狀態(tài)信息，通過對發(fā)電機在線檢測與智能分析，可在線分析剩余預測擊穿電壓，同時系統(tǒng)智能分析設備運行狀態(tài)與設備絕緣狀態(tài)，實現(xiàn)發(fā)電機設備狀態(tài)分析及維護。

5 結(jié)論

基于深度學習的發(fā)電機設備運行狀態(tài)智能檢測系統(tǒng)通過在線監(jiān)測實現(xiàn)對發(fā)電機設備狀態(tài)分析及維護應用，通過對大量歷史數(shù)據(jù)的學習和分析，識別出發(fā)電機設備運行中的異常狀態(tài)，為設備維護與更換提供科學依據(jù)。通過現(xiàn)場應用表明：本文通過對發(fā)電機運行過程中的大量實時數(shù)據(jù)與歷史數(shù)據(jù)，基于挖掘數(shù)據(jù)中隱含信息、智能分析，實現(xiàn)發(fā)電機設備狀態(tài)分析及維護。項目涉及的技術(shù)也可以在電廠其他設備中推廣應用，為保障電廠設備能夠安全、可靠、有效地運行提供示范。

由于目前在發(fā)電機故障診斷場景中還存在數(shù)據(jù)質(zhì)量、異常樣本匱乏等客觀因素的限制，人工智能技術(shù)在發(fā)電機組的狀態(tài)分析中應用還不夠成熟，其在發(fā)電機組中的應用還需進一步優(yōu)化。