我国正处于能源结构转型关键时期,大规模新能源接入电网带来较大功率和频率波动,导致1000MW火电机组需要通过调峰运行的方式进行消纳。深度调峰会造成负荷的大幅度波动,而负荷的大幅波动较为容易引起1000MW火电机组发生低频振动故障。低频振动之间易发生振动的盲源叠加,使得振动特征相互污染。在大数据环境下,1000MW火电机组一天内的振动数据就达到十万级至百万级,正常样本远大于故障样本,存在样本不平衡问题。传统振动故障诊断方法受特征污染的影响较大,对大数据样本的特征挖掘能力不足,在1000MW火电机组低频振动故障诊断上存在短板。从低频振动分离和火电大数据振动样本的角度出发,本文开展了基于盲源分离和深度神经网络的1000MW火电机组低频振动故障诊断研究,提高1000MW火电机组低频振动故障的诊断精度,实现对低频振动的分离与定位,并通过数据增广方法降低样本不平衡对准确性和稳定性的影响,改善了深度神经网络对特异性低频振动故障的诊断准确率,在提高1000MW火电机组安全性和经济性上具有较好的工程实践意义。首先结合工程实践与振动理论将低频振动定位于油膜振荡、蒸汽激振、轴承座松动、动静碰摩等实际故障源,发现振动具有盲源特性,低频振动故障之间存在振动混叠;其次,采用基于最大近似负熵改进的盲源分离方法对低频振动开展研究,对振动进行解混和分离,降低了特征污染,分离信号的相似度在98%以上;接着,采用深度卷积神经网络对低频振动故障诊断进行研究,深度网络对低频振动的诊断不够清晰,且存在模型退化。使用残差网络和盲源分离改进后,模型退化得到改善,振动源的分类结果清晰,准确率在95%以上;最后,采用数据增广对特异性低频振动故障进行研究。传统的数据增广方法容易过拟合或不收敛,因此提出基于条件卷积与拉普拉斯金字塔模型改进的对抗式生成网络模型,收敛时间降低了50%,通过了多项评估指标的检验,并将特异性低频振动故障的诊断准确率从75%提升至95%以上,模型抗过拟合能力强,具有工程应用潜力。本文提出的方法有效完成了1000MW火电机组低频振动故障的盲源分离,对低频振动故障的诊断准确率较高,振动源与故障原因定位较清晰,提高了在大数据样本下的诊断精度和收敛速度,强化了在样本不平衡下对特异性低频振动故障的诊断能力,提供了以分离振动源为故障诊断对象的新思路,提供了使用对抗式生成网络进行数据增广的新手段,对增强1000MW火电机组的安全性和稳定性具有参考价值和工程意义。