深信度网络在发电设备故障诊断中的应用研究

摘要

为了满足人们正常生活和生产的需要，国家也是投入大量资源在电力行业的建设上。电力行业作为国家经济稳定发展的能源保障，国家也越来越重视电力行业的安全稳定生产。将人工智能的技术应用于发电设备的故障诊断，有利于保证发电设备的安全稳定生产，减少故障以及维修不当带来的损失。本文将基于人工智能的方法应用于故障诊断，通过比较几种算法的效果，最终选定用深信度网络解决故障诊断问题，选定支持向量机回归解决故障预测问题。
　　由于故障诊断问题属于不平衡分类问题，在构造分类器之前需要对数据进行预处理，平衡样本数目。本文对非故障类数据采取根据时间间隔抽样和随机抽样结合的方法进行欠抽样，对于故障类样本我们利用SMOTE算法进行样本扩充。选用三种典型的分类算法进行建模，比较实验结果，基于深信度网络的模型效果最好。
　　故障预测作为故障诊断技术的一部分，能够及时发现设备隐性故障，防止隐性故障恶化。本文选定使用相关性分析与支持向量机回归结合的方法，构建故障预测模型。通过比较局部加权线性回归模型、BP神经网络模型和支持向量机回归模型在某电厂实际数据中的效果，实验结果表明，支持向量机回归模型能够更好的预测设备未来时刻的值，更有利于故障的预测。

目录

声明

第1章 绪论

1.1 研究背景

1.2 研究意义

1.3 论文主要工作

1.4 论文结构

第2章 相关研究现状

2.1 故障诊断

2.2 相关方法综述

2.3 发电设备故障诊断研究现状

2.4 发电设备故障诊断发展趋势

第3章 深信度网络在发电设备故障诊断中的分析

3.1 需求分析

3.2 方法确定

3.3模型构建

3.4实验与结果分析

3.5 小结

第4章 回归模型在发电设备故障预测中的分析

4.1 需求分析

4.2方法确定

4.3 模型构建

4.4 实验与结果分析

4.5 小结

第5章 总结与展望

参考文献

发表论文和参加科研情况说明

致谢