CN104182623A - 一种基于当量变化率计算的热工过程数据检测方法 - Google Patents

Abstract

本发明公开了一种基于当量变化率计算的热工过程数据检测方法，先通过实时/历史数据库选取各正常工况下的历史数据，然后分别建立对应工况区域下的过程数据异常值检测模型。在线检测时根据时间序列样本，计算特征统计量的值。如果没有超限，则认为是正常工况数据，将其存入实时/历史数据库，后续的建模可以使用更新后的数据，完成模型的更新；如果超限，则计算出特征统计量的当量变化率，用以检测其中的异常值，采取剔除或其它处理方式完成异常值检测流程。本发明通过模型更新使其不会因为系统变化、设备老化、检修等原因影响其效果，并且特征统计量的当量变化率计算简洁明了，完全能够胜任整个数据实时检测及处理的任务。

Description

一种基于当量变化率计算的热工过程数据检测方法

技术领域

本发明公开了一种基于当量变化率计算的热工过程数据检测方法，涉及数据检测和故障诊断技术领域。

背景技术

电能的供应在现代社会发挥着极其关键的作用，火电机组的安全经济运行一直是电力企业的核心内容，有关火电机组运行监控、节能优化等研究也是学者始终关注的焦点课题。随着电站自动化、信息化水平的不断提高，用于机组监控的分散控制系统配备的测点数目成千上万，构成结构复杂的测量网络，其大量的测量值形成一种数据流的形式，成为电站监控、优化等应用系统的基础。

测量数据作为反映机组信息的基本来源，保证它的准确可靠是机组监控系统安全高效运行的前提。热工测量系统一般由传感器、变送器、显示设备等组成，火电机组高温高压的现场环境、多相流的高速流动、传感器设备本身的时滞等因素均可能导致测量系统中的某个设备或环节出现故障、无规则波动等情况，进而对测量值产生不可预知的影响。如现场某些流量测点经常出现突然变大、变为零及各种不规则突变等，通常称这类测量值为异常值。热工过程数据流中混杂的异常值影响了运行人员对机组运行状态的判断，使得一些应用系统如性能监测等失去实际的意义，严重时甚至引起控制系统的误动作，进而影响到机组的安全经济运行。因此有必要发展高效的热工过程数据流检测手段，以便及时发现热工过程数据流中的异常值并做出有效的处理，确保所获取数据的准确性和可靠性。

电力生产过程是连续的能量转换和传递过程，大型热力设备之间通过管道相连，各局部热力系统之间环环相扣，其中某个环节物质能量的变化波动都会传递给与之相连的系统，引起一系列相关的变化，这反映了整个过程质量、能量以及动量的动态平衡关系。这种动态平衡的变化影响关系反映在数据中表现为变量间的相关性。现有的基于数据驱动的数据检测方法如PCA、ICA等，利用线性变化提取变量间的相关性检测数据中的异常值，然而热力系统呈强烈的非线性特征，如典型的压力—流量关系等，采用线性的提取方式难免会产生一定的偏差。KPCA通过核函数映射完成非线性关系的提取，有关科学报道已经证明相较于PCA，KPCA具有更加优秀的非线性处理能力。然而，KPCA数据建模的重要瓶颈是其原相不存在，无法通过高维空间完成故障变量的定位。尽管有学者提出虚拟变量偏导求贡献值的方法解决故障变量检测问题，但是该过程包含大量的复杂计算，同时对于检测到的异常值缺乏一定处理策略，无论检测模型和算法都很难得到实际的应用。

发明内容

本发明所要解决的技术问题是：针对现有技术的缺陷，提供一种基于当量变化率计算的热工过程数据检测方法，利用映射后高维矩阵特征分解得到的统计量和输入变量的当量变化率实现了热工过程数据中异常值的快速准确检测，并结合异常值处理策略和数据的采集存储过程完成数据更新和模型更新，使其更适合应用于实际的工业过程。

本发明为解决上述技术问题采用以下技术方案：

一种基于当量变化率计算的热工过程数据检测方法，包括如下具体步骤：

步骤一、对正常工况下机组热力系统运行产生的数据集进行统计建模，采集需要提取非线性特征的m个测点共n组，最终形成n×m的数据集样本矩阵，计算得出特征统计量在加权χ²分布对应置信域下的置信限；

步骤二、对在线检测到的实时数据进行基于当量变化率的异常值检测，并同时完成统计建模的数据模型更新，具体步骤包括：

(201)：计算时间序列样本x_t对应的核向量k_t∈R^1×n，采用高斯核函数并保持参数值不变，计算式为：[k_t]_j＝[k_t(x_t,x_j)]，其中，x_j为步骤一所得样本矩阵中的一个样本，j＝1,2…,n，t表示时间序列的样本，取值为正整数；

(202)：根据公式：将k_t中心化；

其中，K为核矩阵，σ为大于0的参数，x_i是样本矩阵中的任意样本，i∈1,...,n，I_t∈R^1×n，计算式为：I_t＝1/n[1,1,...1]，I_n为n×n阶单位阵；

(203)：根据公式：计算样本x_t的非线性主元投影t_i，其中，i＝1,2...,n，表示第i个特征向量ω_i的第j个元素；

(204)：计算统计量Q：其中，p为选择主元个数，q为参数，其取值为从p到n-p+1的整数，根据步骤一种统计建模部分确定的置信限判断统计量Q是否超过设定的阈值，当Q不超过设定的阈值时进入步骤(205)，否则进入步骤(206)；

(205)：判定样本x_t为正常数据，根据其所对应的工况更新统计建模的数据集，当数据集中的更新量累积超过设定的阈值时，重新进行步骤一中所述的统计建模，完成模型更新；

(206)：将输入的第l个变量对特征子空间的当量变化率定义为：

$C_{Q,t,l}=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(v_l{x}_{j,l}-v_l{x}_{t,l})}^{2}k(v\·x_j,v\·x_t)=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(x_{j,l}-x_{t,l})}^{2}k(x_j,x_t);$

其中，x_j,l表示训练样本中第j个向量中的第l个元素，x_t,l表示测试样本中第t个向量中的第i个元素，v表示元素均为1的方向向量，代表输入空间，ν_l＝1，l＝1,2...m，k(*,*)表示核函数；

(207)：根据公式：将C_Q,t,l的值标准化，其中，N为正整数；

若或者大于其它变量的当量变化率，则判定样本x_l为故障变量；

步骤三、对于故障变量x_l，根据故障变量的分类和数据集的历史存储记录对故障变量产生的异常值采取对应的处理方式：

(301)：若故障变量为非重要变量，并且其所对应的工况在数据集历史存储记录中已经多次存在，则剔除故障变量产生的异常值；

(302)：若故障变量为重要变量，则结合其所对应的工况，重构数据集的历史存储记录，进入步骤(303)；

(303)：重构数据集的历史存储记录后，设定时间间隔，重新进行数据集进行统计建模，完成数据集统计建模模型的更新。

作为本发明的进一步优选方案，所述步骤一中，计算特征统计量在加权χ²分布对应置信域下的置信限的具体步骤包括：

(101)：选择高斯函数作为核函数，利用公式：将核矩阵K中心化得到矩阵

(102)：计算矩阵的特征值λ_i及对应的特征向量ω_i，其中，i＝1,2…,n，根据公式λ_i(ω_i·ω_i)＝1将特征向量标准化；

(103)：设定累积贡献值达到90％作为选择主元个数p的准则，按照公式：计算样本在高维特征空间的投影得分，其中，φ(x)表示输入向量映射后的高维向量，是ω_i中的元素；

(104)：计算正常工况下对应的特征统计量Qtrain，Q_train的置信限近似分布服从加权的χ²分布，权重g＝b/2a，自由度h＝2a²/b，a和b是Q_train的均值和方差，确定置信度为95％的置信域。

作为本发明的进一步优选方案，步骤一中，采集样本的时间周期取值范围为：1秒到120秒。

作为本发明的进一步优选方案，步骤一中，采集样本数目n的取值范围为：100个到1000个。

作为本发明的进一步优选方案，步骤(204)中选择主元个数p的选取准则是选择累积贡献值达到95％。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

1、本发明以热工过程变量的历史/实时数据集为对象，通过核映射的线性相关分析充分挖掘提取出测点间的非线性关系特征，利用高维特征统计量及当量变化率的计算结果检测过程中的异常值，对热工过程数据流的实时检测及处理具有实际的意义。

2、本发明建立在奇异值分解的基础上，由于核映射通过核函数同时完成输入空间到高维空间的映射及内积两个过程，所以异常值的定位是核映射逆向运算的难点。本发明根据特征分解和线性理论分析得到输入变量的当量变化率，克服了核函数映射的不可见性，有效地实现了异常值的检测功能。

3、本发明完成的计算基于高维特征统计量完成，理论意义明晰，相比与整个高维空间的大矩阵运算，可以缩短计算时间，并结合过程变量分类方法采取合适的异常值处理方式，使得方法在流程工业数据检测中具有实际的工程应用意义。

4、本发明整体可以视为一个在线的过程，数据库和模型可以利用数据流不断完成更新，异常值检测使得热工过程实时数据的可靠性及准确性得到提高，为运行人员提供更为可靠的机组运行状态信息，避免错误数据带来的困惑、误操作等。

5、历史/实时数据库存储值的有效性得到提高，存储设备的利用率得到提升，为后期的历史数据分析提供可靠的资源，为机组的性能监测、设备诊断、控制优化等功能的高效应用创造更为有利的条件。

附图说明

图1是本发明所述基于当量变化率计算的热工过程数据异常值检测方法流程图。

图2是特征统计量及当量变化率演化关系示意图。

图3是热力系统单变量过程监控图。

图4是热力系统单变量数据检测图。

图5是热力系统多变量过程监控图。

图6是热力系统多变量数据检测图。

具体实施方式

本发明首先通过实时或者历史数据库选取各正常工况下的历史数据，为提高数据检测模型的适用性，将机组的工况按照5％满负荷的标准进行划分，然后分别建立对应工况区域下的过程数据异常值检测模型，并确定加权χ²分布置信度为95％的置信域。在线检测时根据时间序列样本，计算特征统计量的值。如果没有超过设定的阈值，则认为是正常工况数据，将其存入实时或者历史数据库，后续的建模可以使用更新后的数据，完成模型的更新；如果超过设定的阈值，则计算出特征统计量的当量变化率，用以检测其中的异常值，采取剔除或其它处理方式完成异常值检测流程。

本发明的整个流程能够适应机组运行过程中的各个工况区间，通过模型更新使其不会因为系统变化、设备老化、检修等原因影响其效果，并且特征统计量的当量变化率计算简洁明了，完全能够胜任整个数据实时检测及处理的任务。

本发明的创新之处主要在于：

1)设定了计算贡献值的基本概念：选择高斯函数作为核函数，通过计算可知，变量x_i对T²和Q的贡献值为和C_Q,t,l，其中下标t表示时间序列的样本，取值为正整数，用于区分时间序列的测试样本，T²表示主元统计量；

2)计算贡献值的复杂度分析：计算贡献值和C_Q,t,l中均包含矩阵乘积与偏导项假设建模样本的个数是n，可以看出矩阵是n×n的矩阵，它也是求取计算贡献值中复杂过程的主要原因；

3)T²计算贡献值：令 $B={\mathrm{\ω}}^T\left(\frac{\∂}{\∂v_l}{\stackrel{\‾}{k}}_t{\stackrel{\‾}{k}}_t^T\right)\mathrm{\ω}{\mathrm{\Λ}}^{-1},$ 则 $C_{T^2,t,l}=\mathrm{tr}\left(B\right),$ 可以理解为输入空间变量x_l对其影响的贡献值为矩阵B的迹；

4)Q计算贡献值：Q计算贡献值C_Q,t,l分解为和两项，由于Λ为对角阵，可知与T²计算贡献值之间存在着一定的线性相关关系，从物理意义上可以认为反映了变量对T²变化的影响值；

5)当量变化率：定义Q为特征统计量，变量x_l对其的当量变化率为C_CQ,t,l，根据计算贡献值与C_Q,t,l之间的关系，将C_Q,t,l中的项约去得到C_CQ,t,l，约掉公因子得到表达式

6)特征统计量和当量变化率的计算过程实现了异常值检测功能，结合机组运行工况判断规则、数据采集存储、异常值处理策略、以及模型更新的概念，进一步形成基于高维矩阵特征分解的热工过程数据异常值检测流程。特征统计量及当量变化率演化关系示意图如图2所示。

本发明所述的一种基于当量变化率计算的热工过程数据检测方法的流程图如图1所示，包括两个主要部分：正常工况下数据集的统计建模过程，得到特征统计量在加权χ²分布对应置信域下的置信限；在线数据中的异常值检测及处理方式，同时完成正常数据、模型的更新。

第一部分：数据集特征建模

通过核映射后矩阵特征值分析提取变量间的非线性关系特征，具体步骤如下：

步骤1：按照一定的采样周期，采集需要提取非线性特征的m个测点共n组，最终形成n×m的数据集样本矩阵；

步骤2：选择高斯函数作为核函数，参数σ的值择优选取，计算核矩阵K，x_i和x_j是样本矩阵中的任意两个样本，i,j∈1,...,n，n取整数，表示n组样本。再利用公式将K中心化得到矩阵I_n为n×n阶单位阵；

步骤3：计算矩阵的特征值λ_i及对应的特征向量ω_i，根据公式λ_i(ω_i·ω_i)＝1将特征向量标准化；

步骤4：选择累积贡献值达到95％作为选择主元个数p的准则，按照公式φ(x)表示输入向量映射后的高维向量，是ω_i中的元素，j＝1,...,n，k()表示核函数，计算样本在高维特征空间的投影得分；

步骤5：计算正常工况下对应的特征统计量Q值，Q统计量的置信限近似分布认为服从加权的χ²分布，权重g＝b/2a，自由度h＝2a²/b，a和b是Q的均值和方差，确定置信度为95％的置信域；

利用历史数据集进行建模的前提是必须选择正常工况下的数据，得到的结果是特征统计量Q在加权χ²分布下置信度为95％的置信域。

第二部分：基于当量变化率的异常值检测及数据模型更新

步骤1：计算时间序列样本x_t对应的核向量k_t∈R^1×n，仍然采用高斯核函数并保持参数值不变，计算式[k_t]_j＝[k_t(x_t,x_j)]，x_j为统计建模的样本，j＝1,2…,n；

步骤2：根据公式将k_t中心化，其中I_t∈R^1×n，计算式为I_t＝1/n[1,1,...1]；

步骤3：根据公式i＝1,2...,n，计算样本x_t的非线性主元投影；

步骤4：计算统计量值，根据建模部分确定的置信限判断是否越限；

步骤5：如果不越限，则认为是正常数据，根据对应工况更新数据库，并在累积到一定数量时重新完成第一部分的建模，完成模型更新；如果越限则进入步骤6；

步骤6：根据步骤4的判断结论，如果越限，则定义输入第l个变量对特征子空间的当量变化率为

$C_{Q,t,l}=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(v_l{x}_{j,l}-v_l{x}_{t,l})}^{2}k(v\·x_j,v\·x_t)=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(x_{j,l}-x_{t,l})}^{2}k(x_j,x_t),$ 其中ν_l,l＝1,2...m为元素均为1的方向向量，认为该方向向量代表输入空间；

步骤7：根据公式N为正整数，将C_Q,t,l的值标准化，若或明显大于其它变量的当量变化率，则可以判断x_l为故障变量。

步骤8：根据变量的分类和数据库的历史存储对异常值采取对应的处理方式，若为非重要变量并且当前工况的历史存储较多，可以采取剔除方式；若为重要变量可以根据当前工况利用历史数据采取重构方式。

下面结合附图对本发明的技术方案做进一步的详细说明：结合本发明的内容，以某600MW机组为对象，给出其结合本发明所述方法在机组热力系统运行数据异常值检测中的应用实例。

选择包括机组负荷在内的火电汽轮机组回热系统给水侧的压力流量等测点，理论上可知该通道是热工过程中典型的非线性环节，表1所示的是选取的8个有代表性的负荷、压力和流量测点，其中还给出了各测点的上限和下限，以本发明提供的方法检测由于通道中测点故障产生的异常值。实例以机组的真实运行数据为基础，分两种情况完成异常值叠加仿真：①其中一个变量含有异常值；②多个变量均含有异常值。

表1回热系统测点清单

第一部分：KPCA统计建模过程的步骤如下：

(1)选择采样周期为60秒，连续采集一段时间内的500组样本，数据集前200个样本作为建模用样本，后300个作为数据检测测试用样本，建模样本构成一个200×8的数据集矩阵X^200×8。后300个测试样本模拟两种异常值类型：①测点3给水泵出口母管压力发生常见的漂移型型偏差；②给水压力测点4发生恒增益型偏差，并且给水流量测点8也发生恒增益偏差。

(2)核函数选择高斯函数，考虑贡献值、主元个数因素后选择核参数σ＝3，计算核矩阵K^200×200并将其中心化后得矩阵

(3)计算矩阵的特征值λ_i及对应的特征向量ω_i，i＝1,2…,200，根据公式λ_i(ω_i·ω_i)＝1将特征向量标准化。

(4)选择前9个主元建立特征检测模型，其累计贡献值达到97.93％，按照公式i＝1,2...,200，计算样本在高维特征空间的投影。

(5)计算目前工况下对应的特征统计量Q值，根据Q的分布情况确定95％的置信限为0.0038。

第二部分：基于特征统计量及当量贡献率的数据异常值检测步骤如下：

1)采集的后300个样本作为时间序列用于数据检测测试，计算x_t对应的核向量k_t∈R^1×200，仍然采用高斯核函数并保持参数值不变，计算式[k_t]_j＝[k_t(x_t,x_j)]，x_j为统计建模的样本，j＝1,2…,200。

2)根据公式将k_t中心化，其中I_t∈R^1×200，计算式为I_t＝1/200[1,1,...1]。

3)根据公式i＝1,2...,200，计算样本x_t的非线性主元投影。

4)计算统计量值，图3和图5分别是两种测点故障情况下统计量Q值的变化情况，其中的虚线是置信度为95％的置信限，图中可以看出，从测点叠加异常值开始(第101个样本开始)，Q统计量的值超过阈值，说明数据中检测到含有异常值。

5)计算第l个变量对特征统计量的当量变化率为

$C_{Q,t,l}=\underset{j=1}{\overset{200}{\mathrm{\Σ}}}{(x_{j,l}-x_{t,l})}^{2}k(x_j,x_t).$

6)根据公式N＝1，将C_CQ,t,l的值标准化，得到的结果如图4和图6所示，可以看出，一旦变量中含有异常值，该变量对应的当量变化率明显大于其它变量的当量变化率，并超过阈值1/8＝0.125，根据此规则可以清晰地判断第一种基于当量变化率计算的热工过程数据检测方法异常值叠加模式下，变量x₃即给水泵出口母管压力变量中含有异常值；第二种异常值叠加模式下，变量x₄和x₈即给水压力和给水流量两个变量中含有异常值。

本发明提供的热工过程数据异常值检测方法基于变量间的相关性完成，其中两个主要实现步骤是特征统计量Q的越限确认和当量贡献率的显著变化确认，从两个实例中也可以看到其检测过程原理及步骤清晰明确，该方法对数据的波动较为敏感，可以及时准确地检测数据的变化，为过程监测提供了一种基于当量变化率计算的热工过程数据检测方法有效的手段，也为进一步分析异常原因提供可靠的依据。

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (5)

1.一种基于当量变化率计算的热工过程数据检测方法，其特征在于，包括如下具体步骤：

步骤一、对正常工况下机组热力系统运行产生的数据集进行统计建模，采集需要提取非线性特征的m个测点共n组，最终形成n×m的数据集样本矩阵，计算得出特征统计量在加权χ²分布对应置信域下的置信限；

步骤二、对在线检测到的实时数据进行基于当量变化率的异常值检测，并同时完成统计建模的数据模型更新，具体步骤包括：

(201)：计算时间序列样本x_t对应的核向量k_t∈R^1×n，采用高斯核函数并保持参数值不变，计算式为：[k_t]_j＝[k_t(x_t,x_j)]，其中，x_j为步骤一所得样本矩阵中的一个样本，j＝1,2…,n，t表示时间序列的样本，取值为正整数；

(202)：根据公式：将k_t中心化；

其中，K为核矩阵，σ为大于0的参数，x_i是样本矩阵中的任意样本，i∈1,...,n，I_t∈R^1×n，计算式为：I_t＝1/n[1,1,...1]，I_n为n×n阶单位阵；

(203)：根据公式：计算样本x_t的非线性主元投影t_i，其中，i＝1,2,...,n，表示第i个特征向量ω_i的第j个元素；

(204)：计算统计量Q：其中，p为选择主元个数，q为参数，其取值为从p到n-p+1的整数，根据步骤一种统计建模部分确定的置信限判断统计量Q是否超过设定的阈值，当Q不超过设定的阈值时进入步骤(205)，否则进入步骤(206)；

(205)：判定样本x_t为正常数据，根据其所对应的工况更新统计建模的数据集，当数据集中的更新量累积超过设定的阈值时，重新进行步骤一中所述的统计建模，完成模型更新；

(206)：将输入的第l个变量对特征子空间的当量变化率定义为：

$C_{Q,t,l}=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(v_l{x}_{j,l}-v_l{x}_{t,l})}^{2}k(v\·x_j,v\·x_t)=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(x_{j,l}-x_{t,l})}^{2}k(x_j,x_t);$

其中，x_j,l表示训练样本中第j个向量中的第l个元素，x_t,l表示测试样本中第t个向量中的第i个元素，v表示元素均为1的方向向量，代表输入空间，ν_l＝1，l＝1,2...m，k(*,*)表示核函数；

(207)：根据公式：将C_Q,t,l的值标准化，其中，N为正整数；

若或者大于其它变量的当量变化率，则判定样本x_l为故障变量；

步骤三、对于故障变量x_l，根据故障变量的分类和数据集的历史存储记录对故障变量产生的异常值采取对应的处理方式：

(301)：若故障变量为非重要变量，并且其所对应的工况在数据集历史存储记录中已经复数次存在，则剔除故障变量产生的异常值；

(302)：若故障变量为重要变量，则结合其所对应的工况，重构数据集的历史存储记录，进入步骤(303)；

(303)：重构数据集的历史存储记录后，设定时间间隔，重新进行数据集进行统计建模，完成数据集统计建模模型的更新。

2.如权利要求1所述的一种基于当量变化率计算的热工过程数据检测方法，其特征在于，所述步骤一中，计算特征统计量在加权χ²分布对应置信域下的置信限的具体步骤包括：

(101)：选择高斯函数作为核函数，利用公式：将核矩阵K中心化得到矩阵

(102)：计算矩阵的特征值λ_i及对应的特征向量ω_i，其中，i＝1,2…,n，根据公式λ_i(ω_i·ω_i)＝1将特征向量标准化；

(103)：设定累积贡献值达到95％作为选择主元个数p的准则，按照公式：计算样本在高维特征空间的投影得分，其中，φ(x)表示输入向量映射后的高维向量，是ω_i中的元素；

(104)：计算正常工况下对应的特征统计量Q_train，Q_train的置信限近似分布服从加权的χ²分布，权重g＝b/2a，自由度h＝2a²/b，a和b是Q_train的均值和方差，确定置信度为90％的置信域。

3.如权利要求1所述的一种基于当量变化率计算的热工过程数据检测方法，其特征在于：步骤一中，采集样本的时间周期取值范围为：1秒到120秒。

4.如权利要求1所述的一种基于当量变化率计算的热工过程数据检测方法，其特征在于：步骤一中，采集样本数目n的取值范围为：100个到1000个。

5.如权利要求1所述的一种基于当量变化率计算的热工过程数据检测方法，其特征在于：步骤(204)中选择主元个数p的选取准则是选择累积贡献值达到95％。