基于深度学习的电厂电力设备运行状态研究

福建华电福瑞能源发展有限公司池潭水力发电厂 杨胜仪 肖毓增 陈文清 林东彪

随着电厂电力设备运行优化要求逐渐提高，但由于内部结构具有复杂性，应对电力设备运行状态数据有效采集，分析其实际情况，为设备的管理提供相应的参考依据。在电力设备运行状态分析中，使用传统方法会受到外部环境因素的影响，无法保证分析结果的准确性，对电厂的控制管理产生了影响。为加强电厂电力设备的运行控制效果，可借助深度学习来优化，利用人工网络智能算法优势来提升精确性，可使电力设备运行的数据获取更加可靠，进而促进电厂电力设备的稳定运行。

1 深度学习涵义

深度学习在较早时期被提出，可通过多层感知器来学习数据中的特征参数，将其作为特征来表示，可使数据分析能力得到提高。深度学习作为一种算法，可对数据及图像进行有效的处理，在不同领域中得到了有效的应用，因此可将其应用在电厂电力设备运行状态数据分析方面，以获取到更加可靠完善的数据[1]。

2 系统架构及功能

从深度学习角度出发，电厂电力设备运行过程中涉及的系统架构相对复杂，主要包括数据采集层、数据接入层、服务支撑层、应用展现层等方面。因此，在保证各个层次协调配合力度和实际管控效果达到合理状态，保证各个层次数据信息管控效果，为电厂电力设备运行管理提供准确信息支持，有效提升电厂电力设备运行安全防护效果，在保证电厂电力设备运行过程中基础信息传输力度和实际管控水平的情况下，将深度学习目标落到实处。对于数据采集层来说，需要在各项基础装置协调配合状况下，实现电厂电力设备运行调度和基础数据信息采集工作，并从数据接入层入手，增强电厂电力设备运行过程中数据信息传输力度和实际管控效果，为深度学习背景下的电厂电力设备运行管理提供便利支持。协调电厂电力设备应用客户端和操作端之间关系，确保广大用户对电厂电力设备运行，以及综合管理提出的要求得以落实。

对于电厂电力设备运行管理系统来说，涉及的功能也比较多，包括前端应用功能、数据接入功能和服务支撑功能等，这些功能可以保证各项基础信息传输和综合分析效果的情况下，满足电厂电力设备运行管理及其深度学习工作良性开展要求。大数据分析功能，可为电力设备运行情况的监测提供所需的条件[2]。将深度学习模式在电厂电力设备运行管理中的实际作用表现出来，从而满足电厂电力设备良性稳定运行要求。

3 深度学习中多特征融合的对象分类模型建立

根据各项特征表现和关联信息通过样本库的方式表现出来，方便电厂电力设备运行管理人员可以对各项基础信息进行有效分析，从而保证关联模型和准确信息在权重矩阵分析和综合管控中的作用，对电厂电力设备运行过程中表现出来的多层神经元网络进行有效提取，做好属性分类和网络模型规划等工作，将电厂电力设备运行及其关联数据信息的输入，以及输出的非线性关系表现出来，突出非线性关系与低层特征之间协调配合力度，可在电厂电力设备运行过程中获得视频、图像和数据等结构化信息，然后根据各项信息建立电厂电力设备视频图像分类模型，为基于深度学习的电厂电力设备运行状态分析提供便利支持。

在该过程中，还需要借助图像融合技术来实现融合处理目标，主要分成三部分，分别为像素图像融合、特征图像融合、决策图像融合。像素图像方面的融合的对象为原始数据，可通过信息互补最大限度利用原始数据；特征图像融合是进行特征信息的处理，比如边缘及纹理等特征数据，并且进行关联及识别，该方式在应用中可使信息得到实时化处理，并且将多余的信息去除，可满足单一特征信息之间互补的需求；在特征融合中可将对分类决策没有意义的信息去除，有效地保证各特征的有效判别信息，并且使分类决策获得相应的参考依据。

从深度学习角度出发，对电厂电力设备运行状态进行分析，也需要考虑单体特征处理和多提特征融合等情况，将电厂电力设备运行的不同特征清楚详细表现出来，据此做好有效的图像划分和数据信息处理工作，并对基于深度学习的电厂电力设备运行分析及其综合管理优化调控提供标准化参考依据。图像分类精确性受到了特征提取的影响，而底层特征描述图形能力比较差，分类效果也不理想。因此，可借助多特征融合来进行图像描述，以实现对信息的互补，为图像的分类效果带来保障，通过并行融合和串行融合方式来实现处理目标。此外，在算法中需要将三个特征向量以一定的运算法则来合并，可获得新的特征向量[3]。

图1 特征及图像融合

4 以异构硬件平台为基础的电力设备状态检测技术应用

4.1 电力传输线检测

可利用图像灰度化、图像增强、去噪以及锐化等方式来实现处理目的，对绝缘子串的形状特征进行提取，并且以像素点分类方法为基础，对同类像素点进行拟合，可实现对传输线的监测。在电力传输线检测中，可借助该方式来实现高效地识别，以确定电力设备运行情况，并且采用电网传输线检测方法：

第一，需要将各类设备巡检过程中产生的图像信息输入到相关系统当中；第二，应根据图像信息表现情况对输入的图片进行灰度化处理，为图像转化成彩色图像提供便利支持。保证相应处理的实际管控效果和综合处理力度，站使得电厂电力设备运行状态检测的准确性得到保障；第三，应利用高斯算子来对灰度化图像实时模糊去噪处理工作，获取有效高斯分布权值矩阵，方便相关人员可以从深度学习模式入手，对电厂电力设备运行状况过程中产生的灰度化图像进行有效处理，将图像的噪声减少。第四，对处理后的图像开展运算，使图像的像素值降低，可为之后的线性变换提供准备。第五，对电厂电力设备运行状态图像进行线性变换处理过程中，需要图像的对比度实施优化调整，尽可能扩大传输线及其背景差值，这就可以实现边缘检测效果加强的目标[4]。

4.2 安全管理检测

在基建条件下，安全人员负责对现场进行管理，为设备的安全运行提供支持。为使设备运行得到安全保障，要求安全人员穿红色马甲并佩戴安全帽，同时使用计算机视觉检测技术来进行检测，准确判断人员是否在现场，可为安全管理提供相应的条件。对采集到的图像进行处理时，首先需要通过摄像头对不同场景的安全人员进行采集，将图像中受到环境影响比较大的部分筛除，将安全人员的红马甲作为特征，以实现对其识别。

其次可在一定的区域中将红马甲位置确定，同时将其做好标签，增强深度学习在神经网络卷积层处理和关联数据信息采集中的作用，从而得到电厂电力设备运行卷积层间的权重数据信息，从而将具体工作提取图片特征信息中的作用表现出来。此外，也应将电厂电力设备运行，以及深度学习训练过程中产生的图片信息输入到神经网络中，做好全连接层分类和损失函数综合处理工作，保证电厂电力设备运行图像综合处理和关联信息收集的及时性和有效性，对关联神经网络的权重展开有效调整，在降低电厂电力设备运行损失值状况下获得符合深度学习要求的神经网络。

一是从神经网络中得出人员的位置，确定红马甲的位置，之后选择出红马甲位置在监测区域中的情况。二是将阈值合理设置后，做好现有设备运行图像空间和颜色转换工作。三是将获得图像进行二值化处理，之后再进行闭运算。

4.3 大型运输设备检测

在检测车辆船只设备时，可借助深度神经网络来进行，对传输电线周围的车辆、船只图片信息进行采集，并且完成标注，建立车辆、船只以及输电线路等特征库。进行训练图像的预处理过程中需要先使用摄像头来采集不同场景中的大型车辆、船只设备，将图像中受到环境因素较大影响的部分去除，并且保留特征比较明显的图片。之后，应采用人工方式将大型的船只及车辆设备标注出来，并且对其进行打标签处理。可使神经网络的卷积层在电厂数据集预训练模型中获得卷积层的权重，可进行图片特征的提取。

在将训练图片输入到神经网络，经过了卷积层提取特征后可进行全连接层分类，结合损失函数来算出预测值、真实值之间的损失，最后利用反向传播算法来调整神经网络隐层的权重，与上述步骤相同，当损失降低到了一定程度后停止训练。经过训练可获得神经网络，检测出画面中的大型运输设备情况，还可在检测中将图片输入网络，网络输出被检测物体的位置、类别信息。可检测出物体的大小情况，预估大型车辆、船只数据传输电线之间的距离，并且设置相应的阈值。当得到的距离结果小于阈值时，系统会发出报警，有效避免其与传输电线之间发生刮擦，进而避免安全问题的产生[5]。

5 以嵌入式平台为基础的电力设备检测

电力设备作为一种以深度学习的经典目标检测算法，相比R-CNN系列目标检测算法，电力设备将中间候选项及像素特征重新采样的过程取消，保证了速度，可使检测精度达到要求。电力设备输出了一系列离散候选箱，之后生成的字符模式会产生一系列固定大小的方块，借助小型回旋筛来进行目标类别、候选方块位置偏移的预测，并且利用移除值的方式来得到预测的结果。而使用特征提取网络需要较多的计算资源，然而这种方式一般部署在图形处理器上，这需要大量的硬件的支持，在集成平台上执行网络模型的难度比较大，同时会对电力设备及内置设备的运用产生影响。可借助MobileNet来替换电力设备中的VGG-16网络，并且通过mobiliet使用深度来分隔卷，在该条件下可使整个标准卷转换为深卷，并且使每个点一个卷。可使输入分为深体积：16×3×3，以得到16通道特征轮廓，总体积为16×1×1×32。当使用标准体积，计算体积经过计算后可获得相应的结果，并且在深度分解体积后获得体积，为应用提供相应的参考依据，使其符合运行的要求。

6 电厂电力设备深度学习检测实际应用

为了使电厂电力设备运行效率得到提升，可借助深度学习算法来实现。以汽轮机为例，可将优化手段与深度学习之间结合起来，使深度神经网络应用到水泵运行中，对运行模式进行优化，可使变动速率及平移泵的曲线得到有效调整，获得有效的运行模式。借助深度神经网络可对给水方式进行改善，加强了水泵的运行效果。要想使给水方式得到改善，应控制好水流的速度，根据电厂的实际情况来调整水泵的水流量，可使低负荷的运行的质量得到提高，也可使机械的故障问题得到有效解决。

通过对该方式的应用，可达到对给水方式的优化目的，并且使运行中的能耗问题得到改善，为水泵运行效果带来保障，进而使设备的运行发挥出有效的作用。要想使设备的运行效果达到要求，以汽轮机为例，应将其启停操作优化，使汽轮机的运行效果得到保障，使其使用效果加强。在启停运行及停止操作中需考虑到能耗问题带来的影响，在进行启动时要求工作人员对高压缸、压缸联动运行方式综合，并且在该过程中将转子参数变化控制好，使汽轮机暖机的运行速度得到优化，避免电力损耗问题产生，保证了启动运行的效果。在启动优化中可将汽轮机的润滑油、循环水管理工作落实，使其运行具备良好的条件。

同时，应将系统转子参数有效调整，可使汽轮机及其他的运行设施的温度得到控制，并且提升运行的速度。在汽轮机减速及降温的过程中能损耗会出现一定的差异，在系统参数改变的情况下，可对电能消耗进行有效控制，并且使其在停止过程中的效果加强，可实现对汽轮机设备管理的优化，使其在运行中保持良好状态。通过对电厂运行的特点的分析，为了使汽轮机的运行效果加强，应将汽轮机配汽形式改善。要求人员运用深度学习算法，借助深度神经网络来开展管理，可使用三阀式配汽的方式来实现优化。

在实际优化过程中可使用集中精致运行中产生的负荷强度来进行，保证设备的运行效果。在调控三阀式的过程中，要求技术人员根据流程要求进行操作，同时需要对阀门开展定期维修及保护工作，可使其封闭型负荷电厂的运行要求。在封闭性出现了故障问题，应及时进行应对，可避免对设备的运行产生不良的影响。三阀式汽配方式相比传统的配汽方式有着更多的优势，可使整体的压力得到有效调整，避免了能源损耗问题的产生，还可使运行的质量得到有效提升。

随着我国的电厂建设运行的发展，电力设备运行管理水平提高，在智能化技术应用中深度学习算法体现出了较大的优势，将其与电力设备运行管理结合起来可发挥出有效的作用。可借助深度学习算法来进行电力设备运行状态检测，比如借助异构硬件平台为基础的技术来进行电力传输线检测、安全管理检测以及大型运输设备检测等，还可应用嵌入式平台来实现目标。通过对深度学习算法的有效应用，可使电厂的电力设备运行得到全面的保障。