基于自编码器与专家知识的两层模型在凝结水水质异常预警与分析中的应用研究

为解决热力发电系统中凝结水水质异常难以实时监测和溯源的问题，研究人员开发了基于自编码器（Autoencoder）和专家知识的两层预警-分析模型。该模型通过历史数据训练自编码器实现88.83%的异常预警准确率，并结合趋势检验算法与专家知识解析异常成因，成功识别冷凝器微泄漏、树脂更换等工况。研究为热电厂水质安全提供了智能化解决方案，具有行业推广价值。

　　

在当今能源结构中，热力发电仍占据主导地位，中国超70%的电力供应依赖于此。然而，高参数机组对水汽品质的严苛要求使得凝结水水质异常成为威胁电厂安全运行的"隐形杀手"。一旦发生冷凝器泄漏等异常，轻则导致设备腐蚀结垢，重则引发锅炉爆管等重大事故。传统人工监测方式难以应对复杂的水质指标网络，亟需智能化解决方案。

针对这一挑战，西安热工研究院有限公司（TPRI）的研究团队创新性地提出了融合自编码器与专家知识的两层模型。该研究发表于《Chinese Journal of Chemical Engineering》，通过挖掘分布式控制系统（DCS）中11个监测点的历史数据（包括Specific Conductivity（SC值）、Cation Conductivity（CC值）等关键指标），构建了从异常预警到成因分析的完整技术链条。

研究采用三大关键技术：首先基于自编码器构建无监督预警模型，捕捉数据中的非线性特征；其次结合Mann-Kendall趋势检验算法量化异常演变规律；最后整合热力系统专家知识库，建立异常类型与特征参数的映射关系。测试阶段分别采用2019年供暖季（31天）和2021年非供暖季（224天）两组数据集验证，覆盖冷凝器微泄漏、树脂更换等典型工况。

研究结果显示：在短期测试集中，自编码器模型达到88.83%的预警准确率，成功捕捉SC值、CC值的协同波动特征。长期测试中，模型不仅100%识别出所有异常事件，更精准定位了海水入侵（Na值突增伴CC/SC比值异常）与树脂污染（CC值阶梯式上升）等不同诱因。特别值得注意的是，该模型通过分析HP/LP加热器排水口的Na⁺浓度梯度变化，实现了对微小泄漏（<0.1L/min）的早期预警。

这项研究的突破性在于：首次将深度学习与领域知识深度融合，解决了传统方法在复杂水质异常诊断中的局限性。相比文献中报道的PCA（主成分分析）或KNN（K近邻）等方法，该模型展现出更强的时序特征捕捉能力和可解释性。实际应用中，电厂可据此提前48小时启动应急预案，避免非计划停机带来的经济损失。作者团队进一步指出，该框架可扩展应用于锅炉水循环系统等场景，为智慧电厂建设提供关键技术支撑。

正如讨论部分强调的，该模型的普适性已在不同装机容量（300MW-1000MW）机组中得到验证。未来通过引入迁移学习技术，有望实现跨电厂的知识共享。这项研究不仅为热力发电水质安全树立了新标杆，更为工业过程异常诊断提供了"算法+知识"的双驱动范式。