现场运行设备的状态是一个实时动态变化的过程,由于运行设备对象模型的动态变化性和设备的各个测点之间存在着大量的交叉耦合,如何根据设备当前运行状态快速、准确、可靠的创建设备动态监测模型是建立故障早期预警的关键。现在火电厂均建立了SIS等信息化软件平台,这些系统存储了海量的设备运行数据,这些丰富的数据资源的背后包含大量潜在的知识。充分挖掘现有设备运行的数据规律,并从中找到最大化发挥设备性能的方法和知识,具有重大的实践意义。利用大数据挖掘技术与深度学习算法搭建电厂的设备状态监测模型,构建厂级设备状态主动运维系统,降低非正常停机等事故发生的概率,最大优化设备的可利用率和稳定性,从而提高设备维护效率,为企业创收提供支持。为此,本文针对火电厂实现设备状态实时监测预警的问题展开了研究,所做的工作主要包括以下几方面:1)针对贝叶斯正则化BP神经网络模型训练的问题,提出了基于动态学习率与早停法的优化训练算法。该训练算法加速目标函数收敛,提高模型泛化能力。2)针对采集的原始数据存在异常数据与数据维度过高等问题,提出了包含二倍差算法、Z-Score算法、因子分析算法的数据处理算法。这些算法能有效进行异常数据清洗、数据标准化、数据降维,产生合规的数据集。3)利用贝叶斯正则化BP神经网络模型,通过科学的论证与实践,设计和实现了一套火电厂设备状态监测预警系统。该系统实现设备状态与测点状态的实时分析、设备关联测点的定位等功能。采集的设备状态数据为结构化数据,通过分析数据特点发现不符合正态分布等常规分布。在火力发电厂数据挖掘中,神经网络方法由于本身有良好的鲁棒性、自组织自适应性、并行处理、分布存储和高度容错等特性,非常适合解决数据挖掘的问题被普遍认可^[1]。本论文利用贝叶斯正则化降低泛化误差、加快收敛的特征与BP神经网络反向传播自适应的特点,完成设备状态监测预警模型。电厂实施该方案效果表明,基于贝叶斯正则化BP神经网络训练的测点与设备状态监测模型,其输出值与实际值的误差率低于10%,能有效提示状态预警信息。通过设备与其关联测点的设置,能快速定位引起故障的测点。通过方案的实施,实现设备运维由被动巡检向主动巡检工作方式的转变,具有实践的推广价值。