基于深度學(xué)習(xí)的發(fā)電機(jī)設(shè)備運(yùn)行狀態(tài)智能檢測(cè)系統(tǒng)研究與應(yīng)用

梁 云，張鵬偉，趙文輝

（國(guó)能錦界能源有限責(zé)任公司，陜西 榆林 719319）

隨著國(guó)內(nèi)用電需求日益增多，電廠設(shè)備的故障率導(dǎo)致的事故也在逐年遞增。發(fā)電機(jī)作為火力發(fā)電的主要電氣設(shè)備，由于結(jié)構(gòu)復(fù)雜，其工作時(shí)各類信號(hào)干擾大、耦合性強(qiáng)，出現(xiàn)任何重大的故障都會(huì)帶來一系列的連鎖反應(yīng)，從而造成嚴(yán)重的經(jīng)濟(jì)損失，發(fā)電機(jī)設(shè)備運(yùn)行狀態(tài)往往會(huì)受到各種外界因素的影響，基于規(guī)則的故障檢測(cè)和基于模型的故障診斷等傳統(tǒng)檢測(cè)方法很難將這些復(fù)雜的關(guān)聯(lián)關(guān)系考慮進(jìn)去，無法適應(yīng)復(fù)雜多變的發(fā)電機(jī)設(shè)備故障模式，發(fā)電機(jī)設(shè)備運(yùn)行狀態(tài)檢測(cè)的準(zhǔn)確性和可靠性有待提高。[1]對(duì)發(fā)電機(jī)組的運(yùn)行狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)測(cè)，開發(fā)設(shè)備狀態(tài)的智能檢測(cè)，能夠更好地識(shí)別出各種故障模式下的特征，并將其與正常運(yùn)行狀態(tài)進(jìn)行對(duì)比分析。這有助于提前預(yù)警潛在的故障，并采取相應(yīng)的維修和保養(yǎng)措施，從而提高發(fā)電機(jī)設(shè)備的可靠性和運(yùn)行效率。[2]

近年來，基于大數(shù)據(jù)、深度學(xué)習(xí)、人工智能等先進(jìn)算法廣泛應(yīng)用于電力系統(tǒng)設(shè)備預(yù)測(cè)性維護(hù)中，實(shí)現(xiàn)設(shè)備的健康狀態(tài)檢測(cè)、故障智能預(yù)測(cè)等目標(biāo)[3]。本文以電廠DCS 系統(tǒng)的發(fā)電機(jī)組運(yùn)行數(shù)據(jù)為基礎(chǔ)，篩選并構(gòu)建一個(gè)包括正常運(yùn)行狀態(tài)、故障狀態(tài)以及其他異常狀態(tài)的訓(xùn)練樣本，基于深度學(xué)習(xí)開發(fā)發(fā)電機(jī)設(shè)備運(yùn)行狀態(tài)智能檢測(cè)技術(shù)，用于發(fā)電機(jī)組的運(yùn)行狀態(tài)檢測(cè)，智能預(yù)測(cè)故障的發(fā)生，確定發(fā)電機(jī)的最優(yōu)維護(hù)時(shí)機(jī)，這對(duì)提高發(fā)電機(jī)組運(yùn)行的穩(wěn)定性，促進(jìn)電力行業(yè)發(fā)展具有重要的作用[4]。

1 基于深度學(xué)習(xí)的發(fā)電機(jī)設(shè)備運(yùn)行狀態(tài)智能檢測(cè)

1.1 深度學(xué)習(xí)算法

深度學(xué)習(xí)是一種基于神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)算法，它通過多層神經(jīng)元的連接和學(xué)習(xí)來實(shí)現(xiàn)對(duì)輸入數(shù)據(jù)的學(xué)習(xí)和表達(dá)能力，其優(yōu)勢(shì)在于其能夠通過對(duì)大規(guī)模數(shù)據(jù)的訓(xùn)練，自動(dòng)地學(xué)習(xí)到特征表達(dá)，并從中提取出有用的信息。相關(guān)研究表明，深度學(xué)習(xí)在設(shè)備故障預(yù)測(cè)、健康管理和狀態(tài)識(shí)別等領(lǐng)域具有卓越的能力[5-6]。

基于深度學(xué)習(xí)的發(fā)電機(jī)設(shè)備運(yùn)行狀態(tài)智能檢測(cè)方法主要包括數(shù)據(jù)預(yù)處理、模型搭建和模型訓(xùn)練三個(gè)步驟。在數(shù)據(jù)預(yù)處理階段，我們需要采集大量的發(fā)電機(jī)設(shè)備運(yùn)行狀態(tài)數(shù)據(jù)，并對(duì)其進(jìn)行清洗和標(biāo)注，以確保數(shù)據(jù)的質(zhì)量和準(zhǔn)確性。然后，在模型搭建階段，我們可以選擇適用于發(fā)電機(jī)設(shè)備運(yùn)行狀態(tài)檢測(cè)的深度學(xué)習(xí)模型，如卷積神經(jīng)網(wǎng)絡(luò)（CNN）或循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN），并進(jìn)行模型的構(gòu)建和參數(shù)的調(diào)整。最后，在模型訓(xùn)練階段，我們使用預(yù)處理后的數(shù)據(jù)集來訓(xùn)練深度學(xué)習(xí)模型，并通過迭代和優(yōu)化來提高模型的準(zhǔn)確性和穩(wěn)定性。

1.2 發(fā)電機(jī)設(shè)備狀態(tài)檢測(cè)

實(shí)時(shí)檢測(cè)發(fā)電機(jī)設(shè)備的運(yùn)行狀態(tài)，可以及時(shí)發(fā)現(xiàn)故障并采取維護(hù)和更換措施，保證設(shè)備的可靠運(yùn)行，降低設(shè)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(xué)習(xí)到設(shè)備不同狀態(tài)時(shí)的規(guī)律和特征。通過對(duì)大量的設(shè)備運(yùn)行數(shù)據(jù)進(jìn)行訓(xùn)練，深度學(xué)習(xí)模型可以自動(dòng)地提取特征，發(fā)現(xiàn)設(shè)備工作過程中隱藏的異常行為，從而為發(fā)電機(jī)設(shè)備保駕護(hù)航。

1.3 發(fā)電機(jī)設(shè)備故障預(yù)警

在發(fā)電機(jī)設(shè)備的運(yùn)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(shí)處理這些故障，通過學(xué)習(xí)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(cè)模型。與傳統(tǒng)的基于規(guī)則的故障預(yù)警方法相比，深度學(xué)習(xí)技術(shù)能夠更加準(zhǔn)確地判斷設(shè)備故障的發(fā)生，并可以自動(dòng)學(xué)習(xí)和適應(yīng)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(jī)設(shè)備運(yùn)行狀態(tài)智能檢測(cè)技術(shù)的性能，需要構(gòu)建一個(gè)高質(zhì)量的樣本數(shù)據(jù)集，用于深度學(xué)習(xí)算法開發(fā)、訓(xùn)練。主要包括：

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

2.對(duì)采集到的原始數(shù)據(jù)進(jìn)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(cuò)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(xùn)練效果。

3.數(shù)據(jù)進(jìn)行分析和挖掘，基于發(fā)電機(jī)組設(shè)備的歷史數(shù)據(jù)以及現(xiàn)場(chǎng)儀表采集的實(shí)時(shí)數(shù)據(jù)，通過時(shí)域特征、頻域特征和統(tǒng)計(jì)特征方法，提取出了一系列能夠表征發(fā)電機(jī)設(shè)備運(yùn)行狀態(tài)的關(guān)鍵特征，并將復(fù)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(xué)習(xí)模型訓(xùn)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(jī)設(shè)備運(yùn)行狀態(tài)智能檢測(cè)系統(tǒng)算法，不需要對(duì)樣本進(jìn)行預(yù)先假設(shè)，計(jì)算速度快可同時(shí)處理分類和預(yù)測(cè)問題，對(duì)缺失值不敏感，滿足發(fā)電機(jī)組設(shè)備的需求。過程如圖1 所示[7]。

圖1 發(fā)電機(jī)設(shè)備運(yùn)行狀態(tài)智能檢測(cè)系統(tǒng)決策樹

決策樹算法步驟為：

1.將所有的訓(xùn)練樣本數(shù)據(jù)按照狀態(tài)進(jìn)行樣本集分類，采用ID3 算法，計(jì)算每個(gè)狀態(tài)屬性的信息增益、信息熵，決策樹的分支節(jié)點(diǎn)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(jí)再次進(jìn)行樣本子集分類，按照步驟1的算法，計(jì)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(diǎn)，按照步驟1、2 的算法進(jìn)行分類，直至本級(jí)中所有的樣本子集都為同一類別。

3 發(fā)電機(jī)設(shè)備運(yùn)行狀態(tài)智能檢測(cè)系統(tǒng)技術(shù)

3.1 發(fā)電機(jī)設(shè)備運(yùn)行數(shù)據(jù)處理

目前，發(fā)電機(jī)的主要狀態(tài)檢測(cè)參數(shù)為發(fā)電機(jī)剩余預(yù)測(cè)擊穿電壓，根據(jù)相關(guān)文獻(xiàn)可知發(fā)電機(jī)剩余預(yù)測(cè)擊穿電壓計(jì)算公式可化簡(jiǎn)為：

其中，剩余預(yù)測(cè)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(yàn)公式即可獲得發(fā)電機(jī)剩余預(yù)測(cè)擊穿電壓，由于發(fā)電機(jī)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(cè)量，影響發(fā)電機(jī)組正常工作；同時(shí)，由于發(fā)電機(jī)組的工作環(huán)境復(fù)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(diǎn)以及缺失值，對(duì)需要對(duì)異常數(shù)據(jù)進(jìn)行識(shí)別和修復(fù)等數(shù)據(jù)處理。

基于深度學(xué)習(xí)算法中的聚類方法，對(duì)原始數(shù)據(jù)流進(jìn)行初步的聚類分析，對(duì)異常數(shù)據(jù)進(jìn)行識(shí)別，利用神經(jīng)網(wǎng)絡(luò)進(jìn)行異常數(shù)據(jù)的去除和缺失數(shù)據(jù)的填補(bǔ)，能夠更好地為發(fā)電機(jī)故障診斷提供可靠的數(shù)據(jù)保障。項(xiàng)目通過神經(jīng)網(wǎng)絡(luò)算法取50 組數(shù)據(jù)，通過采用神經(jīng)網(wǎng)絡(luò)技術(shù)結(jié)合模糊數(shù)學(xué)，建立老化數(shù)學(xué)模型進(jìn)行預(yù)測(cè)絕緣的剩余擊穿電壓分析，即可實(shí)現(xiàn)電機(jī)設(shè)備運(yùn)行狀態(tài)智能檢測(cè)與在線分析。

3.2 發(fā)電機(jī)設(shè)備運(yùn)行狀態(tài)智能算法訓(xùn)練

基于對(duì)發(fā)電機(jī)設(shè)備運(yùn)行時(shí)產(chǎn)生的大量歷史、實(shí)時(shí)數(shù)據(jù)進(jìn)行收集、處理、分析、建模來實(shí)現(xiàn)的，對(duì)預(yù)測(cè)發(fā)電機(jī)設(shè)備運(yùn)行狀態(tài)可通過決策樹學(xué)習(xí)訓(xùn)練專家策略庫(kù)，根據(jù)分級(jí)對(duì)應(yīng)的策略對(duì)設(shè)備進(jìn)行維護(hù)[8]，具體流程主要包括以下步驟。

1.數(shù)據(jù)獲取：通過DCS、PI 數(shù)據(jù)庫(kù)獲得發(fā)電機(jī)設(shè)備運(yùn)行數(shù)據(jù)。

2.數(shù)據(jù)處理：包括數(shù)據(jù)預(yù)處理和特征提取，對(duì)數(shù)據(jù)進(jìn)行過濾和整理，識(shí)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(xùn)練使用。

3.模型訓(xùn)練：選擇適當(dāng)深度學(xué)習(xí)模型，利用經(jīng)處理后的數(shù)據(jù)進(jìn)行訓(xùn)練，獲得在不同運(yùn)行狀況時(shí)的預(yù)測(cè)的模型。

4.狀態(tài)檢測(cè)：通過讀取DCS、PI 數(shù)據(jù)庫(kù)中發(fā)電機(jī)運(yùn)行數(shù)據(jù)，并通過訓(xùn)練好的模型智能判斷發(fā)電機(jī)設(shè)備運(yùn)行狀態(tài)。

5.策略制定：根據(jù)電機(jī)設(shè)備運(yùn)行狀態(tài)，智能分析維護(hù)和維修策略，同時(shí)進(jìn)行故障診斷，決定發(fā)電機(jī)維護(hù)和保養(yǎng)策略。

4 基于深度學(xué)習(xí)的發(fā)電機(jī)設(shè)備運(yùn)行狀態(tài)智能檢測(cè)系統(tǒng)應(yīng)用

本次研究主要針對(duì)國(guó)能錦界能源有限責(zé)任公司#1發(fā)電機(jī)測(cè)試應(yīng)用，基于發(fā)電機(jī)設(shè)備的歷史數(shù)據(jù)、檢修數(shù)據(jù)、實(shí)時(shí)數(shù)據(jù)進(jìn)行訓(xùn)練，將擊穿電壓作為神經(jīng)網(wǎng)絡(luò)的單一輸出來評(píng)估發(fā)電機(jī)設(shè)備運(yùn)行狀態(tài)，通過建立具有模糊輸出的3 層BP 神經(jīng)網(wǎng)絡(luò)對(duì)發(fā)電機(jī)組設(shè)備運(yùn)行狀態(tài)進(jìn)行評(píng)估。

項(xiàng)目基于虛擬儀器技術(shù)開發(fā)，實(shí)現(xiàn)設(shè)備狀態(tài)分析功能、絕緣劣化趨勢(shì)分析功能和設(shè)備維護(hù)等功能。可以實(shí)時(shí)顯示發(fā)電機(jī)的基礎(chǔ)信息、實(shí)時(shí)監(jiān)測(cè)參數(shù)、設(shè)備狀態(tài)信息，通過對(duì)發(fā)電機(jī)在線檢測(cè)與智能分析，可在線分析剩余預(yù)測(cè)擊穿電壓，同時(shí)系統(tǒng)智能分析設(shè)備運(yùn)行狀態(tài)與設(shè)備絕緣狀態(tài)，實(shí)現(xiàn)發(fā)電機(jī)設(shè)備狀態(tài)分析及維護(hù)。

5 結(jié)論

基于深度學(xué)習(xí)的發(fā)電機(jī)設(shè)備運(yùn)行狀態(tài)智能檢測(cè)系統(tǒng)通過在線監(jiān)測(cè)實(shí)現(xiàn)對(duì)發(fā)電機(jī)設(shè)備狀態(tài)分析及維護(hù)應(yīng)用，通過對(duì)大量歷史數(shù)據(jù)的學(xué)習(xí)和分析，識(shí)別出發(fā)電機(jī)設(shè)備運(yùn)行中的異常狀態(tài)，為設(shè)備維護(hù)與更換提供科學(xué)依據(jù)。通過現(xiàn)場(chǎng)應(yīng)用表明：本文通過對(duì)發(fā)電機(jī)運(yùn)行過程中的大量實(shí)時(shí)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(shí)現(xiàn)發(fā)電機(jī)設(shè)備狀態(tài)分析及維護(hù)。項(xiàng)目涉及的技術(shù)也可以在電廠其他設(shè)備中推廣應(yīng)用，為保障電廠設(shè)備能夠安全、可靠、有效地運(yùn)行提供示范。

由于目前在發(fā)電機(jī)故障診斷場(chǎng)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(jī)組的狀態(tài)分析中應(yīng)用還不夠成熟，其在發(fā)電機(jī)組中的應(yīng)用還需進(jìn)一步優(yōu)化。