基于聚类和迁移学习的火电厂控制回路异常检测

作     者：胡勇 刘鑫光 何钧 

作者机构：国能黄金埠发电有限公司江西余干335101 南昌工程学院江西南昌330099 国网江西省电力有限公司电力科学研究院江西南昌330096 

出 版 物：《江西电力》 (Jiangxi Electric Power)

年 卷 期：2024年第48卷第2期

页      面：69-72页

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 080802[工学-电力系统及其自动化] 0808[工学-电气工程] 08[工学] 081104[工学-模式识别与智能系统] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主　　题：DBSCAN VAE-LSTM 迁移学习 电站控制回路异常检测 

摘      要：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。