凝汽器是电厂汽轮机组中非常重要的辅助设备之一,其运行状态的优劣直接影响着整个电厂的安全性与经济性。因此,对凝汽器故障诊断方法的研究具有十分重要的理论意义和工程实用价值。随着现代电厂设备的复杂化和精密化,凝汽器故障的复杂程度也越来越大,其故障数据具有复杂性、非线性、高噪声等特点。传统的凝汽器故障诊断方法多是基于浅层机器学习模型,对复杂故障的特征学习能力具有一定的局限性,诊断性能可扩展性差,往往出现易陷入局部最优、过拟合等问题。相对于浅层机器学习模型而言,深度学习具有强大的特征学习能力,对复杂的原始数据可以更深度地挖掘其中隐含的信息。因此,本文以深度学习中的深度自编码网络为基础,以电厂中的凝汽器设备为研究对象,首次将深度学习算法引入到凝汽器的故障诊断中。针对电厂凝汽器运行过程中数据标记困难、故障数据稀缺、高噪声等现实问题,提出一种基于深度降噪稀疏自编码网络(Deep Denoising Sparse Auto-Encoder Networks,DDSAEN)模型的凝汽器故障诊断方法。DDSAEN作为一种深度神经网络,先利用无监督学习方式对大量无标记数据进行逐层贪婪的特征学习,然后采用少量的有标记数据对模型进行微调。网络模型中稀疏性约束的引入,使得所提方法对稀缺故障数据依旧具有强大的学习能力,提高特征代表性、增强特征稀疏性。同时降噪策略的加入,使得所提方法对具有不同噪声程度干扰的故障数据依旧可以提取表征性更强的特征,增强特征的鲁棒性。通过不同实验,对DDSAEN诊断模型的性能进行了测试,验证了该方法强大的特征学习能力,并且相对于浅层机器学习模型,在面对无标记数据、不平衡性、高噪声等状况时,该方法具有一定的优越性,诊断性能更好。同时在对DDSAEN模型的构建中,本文通过不同实验对比,分析研究了网络层数、隐藏层节点数、迭代次数、稀疏参数、噪声系数等关键参数对DDSAEN模型诊断性能的影响。最后针对DDSAEN模型结构复杂,其人工实验的参数确定方式具有随机性和耗时性,并且效率低下,本文采取粒子群优化算法(Particle Swarm Optimization,PSO)对网络模型的关键参数进行自动寻优,提出了一种基于PSO-DDSAEN的凝汽器故障诊断方法。通过对比实验分析研究,验证了该改进方式的有效性,且该方法诊断性能更好,更具智能性。