基于深度學習的發電機設備運行狀態智能檢測系統研究與應用

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。發電機作為火力發電的主要電氣設備，由于結構復雜，其工作時各類信號干擾大、耦合性強，出現任何重大的故障都會帶來一系列的連鎖反應，從而造成嚴重的經濟損失，發電機設備運行狀態往往會受到各種外界因素的影響，基于規則的故障檢測和基于模型的故障診斷等傳統檢測方法很難將這些復雜的關聯關系考慮進去，無法適應復雜多變的發電機設備故障模式，發電機設備運行狀態檢測的準確性和可靠性有待提高。[1]對發電機組的運行狀態進行實時監測，開發設備狀態的智能檢測，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措施，從而提高發電機設備的可靠性和運行效率。[2]

近年來，基于大數據、深度學習、人工智能等先進算法廣泛應用于電力系統設備預測性維護中，實現設備的健康狀態檢測、故障智能預測等目標[3]。本文以電廠DCS 系統的發電機組運行數據為基礎，篩選并構建一個包括正常運行狀態、故障狀態以及其他異常狀態的訓練樣本，基于深度學習開發發電機設備運行狀態智能檢測技術，用于發電機組的運行狀態檢測，智能預測故障的發生，確定發電機的最優維護時機，這對提高發電機組運行的穩定性，促進電力行業發展具有重要的作用[4]。

1 基于深度學習的發電機設備運行狀態智能檢測

1.1 深度學習算法

深度學習是一種基于神經網絡的機器學習算法，它通過多層神經元的連接和學習來實現對輸入數據的學習和表達能力，其優勢在于其能夠通過對大規模數據的訓練，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、健康管理和狀態識別等領域具有卓越的能力[5-6]。

基于深度學習的發電機設備運行狀態智能檢測方法主要包括數據預處理、模型搭建和模型訓練三個步驟。在數據預處理階段，我們需要采集大量的發電機設備運行狀態數據，并對其進行清洗和標注，以確保數據的質量和準確性。然后，在模型搭建階段，我們可以選擇適用于發電機設備運行狀態檢測的深度學習模型，如卷積神經網絡（CNN）或循環神經網絡（RNN），并進行模型的構建和參數的調整。最后，在模型訓練階段，我們使用預處理后的數據集來訓練深度學習模型，并通過迭代和優化來提高模型的準確性和穩定性。

1.2 發電機設備狀態檢測

實時檢測發電機設備的運行狀態，可以及時發現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生率。本文從大量的歷史數據中學習到設備不同狀態時的規律和特征。通過對大量的設備運行數據進行訓練，深度學習模型可以自動地提取特征，發現設備工作過程中隱藏的異常行為，從而為發電機設備保駕護航。

1.3 發電機設備故障預警

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

2 數據挖掘與分析技術

2.1 樣本數據集構建

在本研究中，為了提高發電機設備運行狀態智能檢測技術的性能，需要構建一個高質量的樣本數據集，用于深度學習算法開發、訓練。主要包括：

1.以電廠DCS 系統的發電機組運行數據為基礎，篩選并構建一個包括正常運行狀態、故障狀態以及其他異常狀態的訓練樣本。

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

3.數據進行分析和挖掘，基于發電機組設備的歷史數據以及現場儀表采集的實時數據，通過時域特征、頻域特征和統計特征方法，提取出了一系列能夠表征發電機設備運行狀態的關鍵特征，并將復雜的原始數據轉化為具有明確含義的特征向量，使得樣本數據更具有區分性和可解釋性，便于后續的深度學習模型訓練與優化。

2.2 決策樹算法

本文基于決策樹開發發電機設備運行狀態智能檢測系統算法，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，滿足發電機組設備的需求。過程如圖1 所示[7]。

圖1 發電機設備運行狀態智能檢測系統決策樹

決策樹算法步驟為：

1.將所有的訓練樣本數據按照狀態進行樣本集分類，采用ID3 算法，計算每個狀態屬性的信息增益、信息熵，決策樹的分支節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 發電機設備運行狀態智能檢測系統技術

3.1 發電機設備運行數據處理

目前，發電機的主要狀態檢測參數為發電機剩余預測擊穿電壓，根據相關文獻可知發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。根據經驗公式即可獲得發電機剩余預測擊穿電壓，由于發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發生變化，需要定期測量，影響發電機組正常工作；同時，由于發電機組的工作環境復雜和信息傳輸技術的限制，采集到的數據通常噪聲點以及缺失值，對需要對異常數據進行識別和修復等數據處理。

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

3.2 發電機設備運行狀態智能算法訓練

基于對發電機設備運行時產生的大量歷史、實時數據進行收集、處理、分析、建模來實現的，對預測發電機設備運行狀態可通過決策樹學習訓練專家策略庫，根據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.數據獲取：通過DCS、PI 數據庫獲得發電機設備運行數據。

2.數據處理：包括數據預處理和特征提取，對數據進行過濾和整理，識別數據中工況信息，剔除非重要變量，通過特征提取數據供模型訓練使用。

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

4.狀態檢測：通過讀取DCS、PI 數據庫中發電機運行數據，并通過訓練好的模型智能判斷發電機設備運行狀態。

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

4 基于深度學習的發電機設備運行狀態智能檢測系統應用

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

項目基于虛擬儀器技術開發，實現設備狀態分析功能、絕緣劣化趨勢分析功能和設備維護等功能。可以實時顯示發電機的基礎信息、實時監測參數、設備狀態信息，通過對發電機在線檢測與智能分析，可在線分析剩余預測擊穿電壓，同時系統智能分析設備運行狀態與設備絕緣狀態，實現發電機設備狀態分析及維護。

5 結論

基于深度學習的發電機設備運行狀態智能檢測系統通過在線監測實現對發電機設備狀態分析及維護應用，通過對大量歷史數據的學習和分析，識別出發電機設備運行中的異常狀態，為設備維護與更換提供科學依據。通過現場應用表明：本文通過對發電機運行過程中的大量實時數據與歷史數據，基于挖掘數據中隱含信息、智能分析，實現發電機設備狀態分析及維護。項目涉及的技術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。

由于目前在發電機故障診斷場景中還存在數據質量、異常樣本匱乏等客觀因素的限制，人工智能技術在發電機組的狀態分析中應用還不夠成熟，其在發電機組中的應用還需進一步優化。