汪志强，张 豪，彭煜民

（南方电网调峰调频发电有限公司，广东广州510630）

0 引 言

发电厂值班员需要对超过500个以上带跳闸出口功能的温度测点进行监视。这些带跳闸出口功能的温度测点分布于监控系统上位机不同模拟图中［1-4］。依靠值班员人工跟踪变化趋势提前发现异常难度极大。随着机器学习等智能技术蓬勃发展，智能技术在趋势判断和预测方面提供了重要技术手段［5，6］。

然而不容忽视的是，这些智能技术依赖于故障样本，需要大量故障样本参与算法训练过程，才能保证良好的实施效果［3］。在技术成熟的发电厂运维中故障样本数据少之又少［4］。此外更缺少检验智能技术实施效果的测试方法。对于智能技术的应用效果停留在主观模糊的认识，甚至停留于偶然事件的处置中。由此可见，当前急需测试智能趋势判断算法性能的手段和为智能趋势判断算法提供故障样本的方法［7-10］。

现有基于机器学习的机组温度预测模型所需的故障样本，都来自于大修后调试和故障处理。然后实际中一方面，获取这些故障样本代价极高，另一方面，这些故障样本的数值特性不能完全覆盖故障情况下的趋势特征，存在局限性［11］。

针对故障样本不足问题，已有不少文献研究了样本生成技术。文献［12］提出了虚拟样本生成技术。文献［13，14］利用梯度惩罚优化的条件式Wasserstein 生成对抗网络模型指导故障样本生成。上述研究基于不同理论生成故障样本，然而理论较为复杂，对计算都要较高的要求，难以广泛应用于实际生产中。……