随着我国能源结构改革,水电、风电、光伏等新型电力能源在加速并网,但是这些新型能源受气候、光照等不定因素影响较大,会对新型电力系统网络造成并网波动与冲击,这使得抽水蓄能电站将承担更多的调峰调频任务。目前国内抽蓄产业起步较晚,对于抽蓄机组故障诊断研究尚有不足,由于抽蓄电站运行工况多变,且故障成因复杂,如何保障抽水蓄能电站安全稳定运行,是本文致力于解决的核心问题。本文基于机器学习理论,针对抽水蓄能机组故障诊断的若干技术问题开展了研究。主要研究内容如下:首先,本文针对抽水蓄能机组故障早期微小缺陷信号难以与强背景噪声分离的问题,基于振动信号分析技术,提出了一种基于经验模态分解和小波变换阈值去噪结合的去噪方法,对机组运行过程中采集到的原始含噪振动信号进行去噪优化,以取得较为纯净的振动信号,并进行了对比验证,证明了本文所提方法有较好的去噪效果。其次,本文针对抽水蓄能机组振动信号具有振源多样性和非平稳性的特点,基于数理特征参量分析技术,对信号的时域特征和频域特征进行提取分析,进而计算时域特征的无量纲参数,排除负载转换和环境干扰对信号特征造成的影响,为机组的故障诊断提供了有利条件。再次,本文针对抽水蓄能机组可以实现智能故障诊断的工程需求,基于机器学习相关算法,构建了一种基于BP神经网络抽水蓄能故障诊断的机理模型,并针对该算法收敛慢、易陷入局部最小值的不足,引入了Levenberg-Marquardt法算法对其进行了改进。最后,本文针对抽水蓄能电站相对于常规水电站机组的激励源更多样,工况转换更频繁的特点,将不同工况过程中的故障状态纳入考虑,对工况参数和振动变量融合建模,可以在抽水蓄能故障诊断中提高了分类精度。对诊断结果进行了仿真验证。本文通过分析抽水蓄能电站日常运行时采集到的振动信号,结合记录的工况状态和历史故障案例数据,对信号进行去噪优化和故障信号的时域特征和频域特征进行提取,构建基于机器学习的抽水蓄能发电机组故障诊断体系。可以对抽水蓄能机组在运行过程中出现的故障进行有效诊断,保障了电站的平稳运行。图[17]表[16]参[93]