基于深度学习的故障诊断方法已在电力工业多个领域应用,但由于存在电站运行数据量巨大且实时性要求高等问题,深度学习在电站自动控制回路故障检测方面应用较少。针对上述问题,文中提出一种基于聚类和迁移学习的控制回路异常检测方法,运...基于深度学习的故障诊断方法已在电力工业多个领域应用,但由于存在电站运行数据量巨大且实时性要求高等问题,深度学习在电站自动控制回路故障检测方面应用较少。针对上述问题,文中提出一种基于聚类和迁移学习的控制回路异常检测方法,运用基于密度的聚类算法(density-based spatial clustering of applications with noise,DBSCAN)对控制回路工况进行划分,由变分自编码器长短期记忆网络模型(variational auto encoder-long short term memory networks,VAE-LSTM)对被控参数和设定值的差异提取差值序列的潜在特征、训练源域模型,通过最小化损失函数优化模型参数,运用迁移学习原理,根据目标领域数据训练LSTM网络的特征分布距离,微调VAE-LSTM模型的网络参数,提升故障诊断效率。实验验证结果表明,该方法在各种工况的数据集上都取得了较好的效果,可以实现自动控制回路实时故障诊断。展开更多
文摘基于深度学习的故障诊断方法已在电力工业多个领域应用,但由于存在电站运行数据量巨大且实时性要求高等问题,深度学习在电站自动控制回路故障检测方面应用较少。针对上述问题,文中提出一种基于聚类和迁移学习的控制回路异常检测方法,运用基于密度的聚类算法(density-based spatial clustering of applications with noise,DBSCAN)对控制回路工况进行划分,由变分自编码器长短期记忆网络模型(variational auto encoder-long short term memory networks,VAE-LSTM)对被控参数和设定值的差异提取差值序列的潜在特征、训练源域模型,通过最小化损失函数优化模型参数,运用迁移学习原理,根据目标领域数据训练LSTM网络的特征分布距离,微调VAE-LSTM模型的网络参数,提升故障诊断效率。实验验证结果表明,该方法在各种工况的数据集上都取得了较好的效果,可以实现自动控制回路实时故障诊断。