水轮发电机组是水力发电过程中的核心装置,机组运行的稳定性不仅影响着电站的经济效益,还影响着电站和工作人员的安全问题。随机水电机组的巨型化和复杂化,机组在运行中的安全隐患随之增多,同时由于对机组运行规律的认识的不足及安全预防措施的缺乏,导致国内外许多电站均出现过机组稳定性安全问题。针对当前机组安全性问题的防控措施的不足,亟需开展机组安全运行保障方法的研究以达到避免突发事故的发生、制定合理的检修间隔以及准确、快速地识别机组故障类型的目的。此处将机组安全保障方法划分为状态评估、故障预警和故障诊断三个部分。其中状态评估旨在量化地描述机组的健康状况及劣化程度,其是实现状态检修的核心;故障预警的目的在于准确、快速地识别机组的异常状态并发出警报,起到防止故障的扩大作用;故障诊断是在判定机组存在异常时,通过由稳定性参数表现出的故障特征来识别机组当前所发生的故障类型并根据诊断结果辅助设计检修维护方案。由于机组结构复杂且扰动因素繁多,从机理角度研究稳定性规律存在困难。机组监测数据中包含着丰富状态信息,因此以数据为基础开展机组安全保障研究是行之有效的方法。机器学习是以数据驱动来训练模型以实现对数据的分类、回归和聚类的方法,其性能优越且应用广泛,同时状态评估、故障预警和故障诊断的研究核心问题与机器学习所实现功能相符。据此,本文围绕状态评估、故障预警和故障诊断问题,以机器学习和深度学习理论为基础对实现机组运行安全保障方法进行探究。针对机组安全保障中待解决的问题提出相应的模型并在实际机组监测系统数据集或仿真数据集上对模型进行性能测试及分析。本文主要内容和所得结论如下:(1)在全面分析了监测数据库的存储结构和存储策略的基础上,提出数据单元概念,将其作为进行安全保障各类应用的最小输入单元,确保数据单元包含数据全部的特征成分。在存储数据的基础上构建元数据,将其看作对数据二次描述并将其作为数据单元标签实现数据集的快速构建,为训练实现不同功能的模型做准备。(2)以长期机组监测数据为基础进行分析并构建多种统计和机器学习模型进行测试,发现稳定性参数变化趋势受有功功率和工作水头影响,但由于信号自身的随机性使得仅采用工况参数的预测方法效果欠佳,而结合历史数据和工况参数对稳定性参数的预测效果良好。针对抽水蓄能机组由于运行工况切换频繁而难以对其参数进行有效预测问题,提出基于LSTM稳定性参数预测方法,并以实际机组摆度为目标进行预测,并通过实际测试证明该方法可以有效预测出参数的变化趋势。(3)针对当前故障预警方法存在响应不及时的问题,提出基于能量算子和K均值聚类的预警方法。对采集数据计算Teager能量算子获取振动能量值,并通过神经网络-欠完备自编码器综合模型预测出振动能量趋势信息,并以预测值和历史序列为输入进行聚类模型判断是否出现状态异常,从而实现对机组突变故障的预警。通过真实机组稳态工况运行和插入故障的数据分别对该方法进行验证,从预警结果可见本文提出的预警方法能够有效对振动能量跃迁进行判断,即能够有效对突变故障进行预警。(4)对故障诊断中故障类型多分类问题构建了多种常用的固有多分类模型和组合多分类模型,并在仿真特征数据集上对比其分类效果。由测试结果可见随机森林模型分类效果最佳,同时在二分类模型的组合方式上,一对一的二分类组合方式虽然在模型计算复杂度上高于一对多组合方式,但其在测试样本上的准确率和查准率方面表现优于一对多组合方式。(5)针对机组故障样本稀少导致的样本不平衡问题,提出基于生成式对抗网络的样本生成模型,其通过对小样本进行高精度伪造从而实现样本集的扩充。在仿真数据集上对该模型进行测试,结果表明在伪造样本频域和时域特征上与输入样本相差很小,可应用于解决样本不平衡问题。