中圖分類號：TP277 文獻標志碼：ADOI：10.19968/j.cnki.hnkj.1003-5168.2025.12.004

文章編號：1003-5168（2025）12-0020-04

Research on Operation and Maintenance Decision-Making of New Energy Equipment Based on Multimodal Deep Learning

ZHAO JingleiLI YaoxiWUXuejie LIUMingyueYIN Haolin （PowerChina Renewable EnergyCo.，Ltd.，Beijing1Oo101，China）

Abstract：[Purposes] New energy equipment is often exposed to complex environments and is prone to secondary damage due to various factors，leading to a decrease in the quality of maintenance decisions for new energy equipment. Therefore，a new energy equipment maintenance decision method based on multimodal deep learning is proposed.[Methods] By using multimodal fusion technology，the operation and maintenance data of different modalities such as text， image，language， etc.are organically integrated to form a consistent reference framework and scale range.Build a new energy equipment operation and maintenance decision model based on multimodal deep learning，input the fused operation and maintenance data into the model，and predict the potential failure risks of the equipment through real-time analysis of its operating status. Generate new energy equipment operation and maintenance dispatch decisions to determine whether to dispatch operation and maintenance personnel for repair and maintenance. [Findings] The case analysis results show that the proposed method can accurately predict new energy equipment failures and generate better results in the operation and maintenance decisions of new energy equipment.[Conclusions] This method has practical application value and can provide certain degree of data support for new energy equipment operation and maintenance decisions.

Keywords： multimodal; deep learning; new energy; equipment operation and maintenance; decisionmaking methods

0 引言

新能源主要包括太陽能、風能、水能等天然形成的資源，能夠極大代替石油、煤炭等資源，減少環(huán)境污染，改善生活環(huán)境。新能源設備是利用天然形成的能源進行發(fā)、配、輸、送電能的設備，能有效降低能源的消耗，減少企業(yè)的運營成本，實現(xiàn)“雙贏”的目標。在新能源設備運行過程中，經(jīng)常出現(xiàn)電池故障、電動機故障、逆變器故障、傳感器故障等問題，影響整個用電過程。通過設備運行維護，能夠找出潛在隱患，從而提前更換故障元件，延長設備的使用壽命。然而，受新能源運行環(huán)境的影響，運維決策措施會存在一定的失誤情況，影響設備運行質量。

針對上述問題，相關研究人員提出多種運維決策方法。如饒桐等1提出基于知識圖譜的新能源設備運維決策方法，利用知識圖譜來采集設備基本信息、運行信息、故障信息等多個維度信息，通過圖譜查詢與分析的優(yōu)勢生成相應的運維決策方案。但該方法涉及多個類別的信息，信息融合存在困難，從而影響運維決策結果；涂文奇等2提出基于NL2SQL融合知識圖譜的新能源設備運維決策方法，利用NL2SQL，將知識圖譜整合的信息轉化為SQL查詢語句，提高了運維決策效率。但該方法存在語義理解的局限性，影響運維決策的有效性。因此，本研究結合多模態(tài)深度學習的優(yōu)勢，設計出基于多模態(tài)深度學習的新能源設備運維決策方法。

1基于多模態(tài)深度學習的新能源運維決策方法設計

1.1新能源設備多模態(tài)運維數(shù)據(jù)融合

在新能源設備運維過程中，存在設備日志、維修記錄等文本模態(tài)數(shù)據(jù)，設備外觀、故障部位圖像等圖像模態(tài)數(shù)據(jù)，操作指令、設備異常聲音等語言模態(tài)數(shù)據(jù)。不同模態(tài)的數(shù)據(jù)蘊含著不同的設備運維信息，對設備運維決策具有重要作用3。通過多模態(tài)融合技術，將不同模態(tài)的運維數(shù)據(jù)進行有機整合，使運維數(shù)據(jù)具有一致的參考框架與尺度范圍。不同模態(tài)的運維決策數(shù)據(jù)表示見式（1）。

Y_f=h[X_f（Y₁，Y₂，...，Y_n）]

式中： X_f 表示運維決策數(shù)據(jù)特征向量； Y_?1? Y₂，Y_n 為不同特征向量得到的決策向量。 X_f 的計算見式（2）。

式中 ：X₁，.X₂，X_n 分別為文本、圖像、語言等不同模態(tài)的原始運維數(shù)據(jù)的特征向量； Π_g 為神經(jīng)網(wǎng)絡激活函數(shù)。新能源設備運維數(shù)據(jù)融合過程見式（3）。

式中： D₁，D₂，D_n 分別為文本、圖像、語言等不同模態(tài)數(shù)據(jù) _;f 為加權平均融合函數(shù)。通過對多模態(tài)運維數(shù)據(jù)的融合分析，能對設備故障進行預警和診斷4。當設備出現(xiàn)異常時能及時發(fā)現(xiàn)并發(fā)出預警信號，為運維人員提供及時的維修決策。

1.2基于多模態(tài)深度學習的新能源設備運維決策模型構建

將上述獲取的新能源設備多模態(tài)運維數(shù)據(jù)融合作為基于多模態(tài)深度學習的新能源設備運維決策模型的輸人，學習新能源設備的衰減規(guī)律，從而提高運維決策的有效性[5。在新能源設備運維決策建模之前，對 D_f 進行預處理，通過歸一化函數(shù)，將各類運維數(shù)據(jù)縮放到同一個統(tǒng)一的尺度上，便于多模態(tài)深度學習模型的融合與訓練。具體過程見式（4）。

D_p=N（D_f）

式中： D_p 為處理后的設備運維數(shù)據(jù)； N 為歸一化函數(shù)。將 D_p 作為輸入條件，構建基于多模態(tài)深度學習的新能源設備運維決策模型 κ ，具體見式（5）。

式中： θ_i 為 ? 在第 i 個模態(tài)上的特征參數(shù)； L 為運維決策數(shù)據(jù)多模態(tài)融合損失°； X_i 為第 i 個模態(tài)提取到的特征向量； Y_i 為第 i 個決策向量在深度學習模型上的預測結果。 X_i 和 Y_i 的計算見式（6）和式（7）。

式中： ? 為 tanh 函數(shù)； ψ 為加權平均值; 分別為 Y₁，Y₂，Y_n 輸入到深度學習模型后得到的決策值； λ 為融合權重。由此，建立基于多模態(tài)深度學習的新能源設備運維決策框架，如圖1所示。

由圖1可知，將新能源設備運維決策分為運維和決策兩個部分[7]。運維部分在第一階段，完成數(shù)據(jù)融合任務；決策部分在第二階段，通過深度學習得到設備正常狀態(tài)和異常狀態(tài)的特征，進而決策

設備是否需要運維。

1.3新能源設備運維派遣決策生成

根據(jù)運維決策模型實時分析新能源設備的運行狀態(tài)，預測設備潛在的故障風險，生成新能源設備運維派遣決策規(guī)則[8]。當 κ=1 時，派遣運維人員維修新能源設備；當 κ=0 時，不派遣運維人員維修新能源設備。運維派遣決策規(guī)則，如圖2所示。

由圖2可知，當輸入數(shù)據(jù)列表 [0.55，0.85，0.56，0.73，0.80，0.58，0.66時， κ=1 ，表示該新能源設備的運維決策是派遣，也就是派遣運維人員進行故障維修與隱患維護；當輸入數(shù)據(jù)列表 0.25時， κ=0 ，表示該新能源設備的運維決策為不派遣，該設備的運行質量較佳。

2 實例分析

2.1設備概況

為了驗證本研究設計的方法是否滿足新能源設備運維決策需求，以風電機組X為例，對上述方法進行了實例分析。X機組屬于新能源設備，選取風速、功率、轉速、電壓、電流等設備參量作為運維決策模型的輸入條件，設備參量見表1。

由表1可知，在設備運行過程中，存在齒輪箱油溫超限的故障情況，功率參量明顯高于正常情況，溫度參量同樣出現(xiàn)變化。通過運維決策調整功率、溫度等參量，使X設備能夠正常運行。

2.2 應用結果

在上述條件下，本研究對功率和齒輪箱油溫參量進行分析。已知在 150～200min 的位置上，存在齒輪箱油溫超限故障。由此得到運維決策前后的功率、油溫變化結果，如圖3所示。

由圖3可知，齒輪箱油溫是新能源設備風電機組運行的重要參數(shù)，能夠反應齒輪箱的運行狀態(tài)。

當油溫超過正常范圍時，證明齒輪箱存在故障或磨損，需要對該設備進行更換溫控閥、清洗散熱片等。功率序列反映了風電機組的發(fā)電效率，功率波動區(qū)間較大，則證明該設備存在故障問題，需要及時對機組進行故障部件修復或更換等，確保設備的正常運行。在運維決策后的 150～200min ，功率波動變化縮小，設備達到了較為穩(wěn)定的運行狀態(tài)。同時，齒輪箱油溫序列始終在 50～60^°C 的范圍內變化，設備運行穩(wěn)定性較佳，運維決策效果較佳。在其他條件均已知的情況下，本研究設計的基于多模態(tài)深度學習的新能源設備運維決策方法的應用結果，如圖4所示。由圖4可知，新能源設備運維的過程中存在多模態(tài)數(shù)據(jù)，根據(jù) P 值能判斷多模態(tài)數(shù)據(jù)融合前后的顯著性差異， P 值越小，多模態(tài)數(shù)據(jù)的融合效果越佳。根據(jù) P 值變化情況來分析齒輪箱油溫，能判斷設備運維決策效果。運維決策前，在 0～0.1s. 0.2～0.3s 的位置上，存在運維數(shù)據(jù)差異性問題，導致齒輪箱油溫分析在 0～0.1s?0.2～0.3 s出現(xiàn)了失誤，從而對這兩個位置進行了不當?shù)倪\維，影響新能源設備的正常運行。使用本研究設計的方法后，P 值并未出現(xiàn)數(shù)據(jù)差異性問題，多模態(tài)融合效果良好。同時，齒輪箱油溫變化處于較為穩(wěn)定的區(qū)間，但在 0.5～0.9s 油溫偏高，可采用限功率運行的運維決策措施，減少齒輪箱的負荷與發(fā)熱量，有效降低了油溫，運維決策效果較佳。

3結語

近年來，隨著新能源資源開發(fā)利用的不斷深人，帶動了新能源產業(yè)的發(fā)展。新能源設備雖然能夠高效運行，但其受到運行環(huán)境的影響較大，運行維護面臨著較多的挑戰(zhàn)。因此，本研究從多模態(tài)數(shù)據(jù)融合、運維決策模型、運維派遣決策等方面考慮，設計了基于多模態(tài)深度學習的新能源設備運維決策方法，以此保證運維決策質量，為設備運維決策提供了數(shù)據(jù)支撐。

參考文獻：

[1]饒桐，龔澤威一，于虹，等.知識圖譜在輸變電設備運維中的應用[J].電網(wǎng)與清潔能源，2024，40（6）：91-96，106.

[2]涂文奇，李柏巖，劉曉強，等.NL2SQL融合知識圖譜在設備運維數(shù)據(jù)檢索中的應用[J].智能計算機與應用，2024，14（9）：118-124.

[3]張沖，黃蒙濤，艾新.城市軌道交通信號系統(tǒng)大數(shù)據(jù)智能運維平臺設計方案[J].城市軌道交通研究，2024，27（10）：326-329.

[4]劉懂懂，王友平，吳鳴哲，等.基于離散時間貝葉斯網(wǎng)絡的CBTC車載設備可靠性分析[J].鐵道通信信號，2024，60（9）：81-87.

[5]賈為征，馬柯，石磊磊.基于設備狀態(tài)分析診斷的智能化軋鋼運維平臺設計與實現(xiàn)[J].冶金自動化，2024，48（S1）：349-353.

[6]楊黨政，孟志東，徐智，等.基于“5G+AR”識別技術的工業(yè)互聯(lián)網(wǎng)設備智慧運維系統(tǒng)研究[J].科技資訊，2024，22（19）：70-72.

[7]胡壽建，趙歡，夏鵬，等.天津地鐵機電設備運維工作中提質降本增效措施的探討[J].智慧軌道交通，2024，61（3）：94-97，118.

[8]林海香，胡娜娜，何喬，等.基于建筑信息模型數(shù)據(jù)驅動的鐵路設備運維多模態(tài)知識圖譜構建[J].同濟大學學報（自然科學版），2024，52（2）：166-173.