摘要：在火电机组劣化状态预警过程中，历史运行数据包含多个特征变量，其所得特征具有冗余性，预警依据较多，导致在线预警结果准确率（Accuracy，ACC）值较低。因此，本文提出基于频繁项集的火电机组劣化状态初期在线预警方法。首先，运用变分模态分解算法处理火电机组实时运行信号，获取包含多尺度信息的多阶模态信号。其次，将模态分解信号输入卷积神经网络中，通过卷积层和池化层的不断学习，提取出信号中包含的多尺度特征向量。通过频繁项集挖掘处理，从多尺度特征向量中筛选出与劣化状态预警存在强关联的特征信息。最后，依托最小二乘支持向量机理论，对频繁项集挖掘特征进行回归运算，求出机组劣化状态评估值，再配合给定的判断阈值，即可生成劣化状态初期在线预警结果。实验结果表明：该方法给出的预警结果ACC值超过了0.95，实现了对劣化状态的准确预警。
关键词：火电机组；频繁项集；劣化状态；特征筛选；信号分解；在线预警
在电力领域向着低碳化转型发展的过程中，火电机组定位向支撑性调节性转变，负责解决可再生能源发电带来的不确定性问题，火电机组的可靠性对保障电网安全至关重要。然而，随着机组运行时间的增长以及频繁参与调峰，汽轮机、锅炉等机组核心装备长期受到高温高压的影响，会呈现出渐进性劣化状态，导致机组工作性能异常。为了更好地解决这一问题，需要在火电机组运维管理过程中，完成火电机组劣化状态初期在线预警，以便生成有效的应对方案。
通过研究人员的不断探索，一系列预警方法已经被提出。沈旭等人提出基于改进ReliefF-MSET算法的预警方法，借助监控与数据采集系统获取大量机组运行数据，应用改进离散特征处理算法（ReliefF），从中提取与预警分析相关的特征信息。结合滑动窗口法和MSET（多元状态估计技术），构建设备状态预测模型，将特征信息输入模型中即可得出最终预警结果。该方法采用并行化矩阵运算压缩了单次预警耗时，使其最终表现出的计算效率较高，但改进ReliefF对非线性关系的捕捉能力有限，导致预警结果ACC值较低。王勇飞等人提出基于核主成分分析与长短时记忆网络的预警方法，采集多通道机组振动信号数据，并将这些数据融合起来。利用核主成分分析算法，去除信号中的冗余信息，得到压缩表征数据。考虑稳态运行工况下机组运行特点，设置合理的预警判断阈值，将表征数据与判断阈值同步输入长短时记忆网络中进行学习，即可输出机组状态预警结果。核主成分分析（KPCA）可适应不同工况下的特征分布差异，这使得该预警方法的应用适应性较好，但结构复杂的长短期记忆网络（LSTM）网络迭代运算时存在过拟合问题，导致预警结果ACC值偏低。胡阳等人提出基于变分模态分解（VMD）-希尔伯特变换（HT）-残差神经网络（ResNet）的预警方法，通过变分模态分解算法解析原始振动信号，得到多阶模态分解信息，并应用希尔伯特变换思想处理分解信号，提取信号中包含的特征信息。将特征信息输入残差神经网络中，就可以求出机组状态预警结果。该方法能够扩展到蓄能机组、发电设备等机械的智能运维工作中，提升该方法应用的经济效益，但希尔伯特变换对噪声敏感，在强噪声干扰条件下预警结果ACC值较低。马良玉等人提出基于CFSFDP与LightGBM的预警方法，运用基于密度峰值的快速聚类算法（CFSFDF），对机组运行数据进行清洗，去除其中包含的噪声信息。以LighGBM（基于梯度提升决策树的高效开源机器学习算法）为核心，构建机组运行状态预测模型，并应用贝叶斯优化算法优化模型超参数，利用优化后的模型处理清洗后数据，得出机组实时运行状态监测结果。对比基于核密度估计法求出的判断阈值，即可完成机组状态在线预警。CFSFDP聚类技术的应用实现了有意义信息的筛选，这使得预警方法表现出良好的抗干扰能力，但LightGBM模型的参数调优不充分，会造成预警结果ACC值的大幅降低。
现有方法在应对火电机组复杂工况与高维数据时，普遍存在特征选择鲁棒性弱、模型易过拟合以及参数调优缺乏系统性等问题，制约了其精细化预警的实际效能。由此，在大数据分析背景下，本文提出频繁项集的火电机组劣化状态初期在线预警方法。获取机组历史运行信号并对其进行分解处理，通过深度学习提取原始信号中包含的多项特征，并借助频繁项集的深入挖掘能力，筛选出与劣化状态初期在线预警相关的关键特征，由此计算出机组状态劣化值，得到最终预警结果，为电力系统运维决策提供有力支持。
一、设计基于频繁项集的火电机组劣化状态初期在线预警方法
二、实验
三、结束语
全文6345字，详见《中国能源》2026年第1、2期合刊。
作者简介
毕建伟：安徽华电六安电厂有限公司工程师，主要研究方向为电力动力工程
其他作者
江飞，王伟
文章来源
本篇文章发表于《中国能源》杂志2026年第1、2期合刊
《中国能源》杂志由国家发展和改革委员会主管，国家发展改革委员会能源研究所主办，是国家高端智库学术刊物。《中国能源》杂志系中国人文社会科学AMI核心期刊、中国科技核心期刊、《国家哲学社会科学学术期刊数据库》《国家哲学社会科学文献中心》收录期刊、入选中国科学院科技战略咨询研究院《智库期刊群（2.0版）》、“中国社科院创新工程研究单位科研绩效考核期刊名录”及《中国学术期刊影响因子年报》统计源期刊，并获得“2024年度综合性人文社会科学最受欢迎期刊”。
作者投稿请发邮件至zgny1718@zhgny.org.cn
扫码关注我们
获取更多能源资讯
本文为《中国能源》杂志社原创，未经原作者允许不得转载本文内容，否则将视为侵权。根据国家版权局最新规定，纸媒、网站、微博、微信公众号转载、摘编《中国能源》杂志社的内容，转载时要包含本微信号名称、二维码等关键信息，在文首注明《中国能源》杂志社原创。公众号内容版权归属《中国能源》杂志社。
