王博维， 刘爱莲， 杜景琦

(1.昆明理工大学 信息工程与自动化学院， 云南 昆明 650500；2.云南电网有限责任公司电力科学研究院， 云南 昆明 650504)

0 引言

水轮机作为水电站中最重要的发电设备，一直以来都是水电研究的重点。随着状态监测在电力系统中的广泛应用，特别是近些年来状态监测在水利发电系统中的快速发展，越来越多的研究者将目光投入到水力发电状态监测[1～4]上来。文献[5]中，李辉等人使用的集合经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)和 自组织特征映射网络(Self-organizing Feature Map, SOM)神经网络的水电机组故障诊断方法，该方法使用小波神经网络和自适应差分进化法对振动信号进行识别分析，能在网络运算中顾及全局并优化局部，可以准确地找到问题所在；但仅限于少量数据输入的预测，无法将大量的数据有效地利用起来。

水电机组振动特征和故障类型之间具有复杂的非线性关系，神经网络具有极强的非线性映射能力[6,7]。使用神经网络能够建立水电机组振动特征和故障类型之间的关系，很好地处理复杂系统中存在的问题。但神经网络的复杂度与输入数量有着紧密的关系，实际应用中往往是由于神经网络的输入太多而导致系统无法运行[8～12]。

针对上述问题，本文以水电机组的劣化速度和运行状态作为主要研究内容，使用并行神经网络来处理大数据，使系统的运行速度得到大幅度的提升，并在预测后给出检修建议。最后使用历史数据对模型进行验证，确定其可以准确有效地反映设备的情况。……