CN106124119A - 汽机抽汽压力软测量方法 - Google Patents

Abstract

本发明涉及测量领域，公开了一种汽机抽汽压力软测量方法，该方法包括：按预定时间间隔采集所述汽机的主蒸汽压力P₀和所述汽机的多级抽汽压力中除待测级抽汽压力P_i以外的其它各级抽汽压力P_j，其中j≠i；根据汽机负荷状态筛除所采集的所述汽机的主蒸汽压力P₀和所述汽机的其它各级抽汽压力P_j中不稳定的压力值得到筛除后数据；对所述筛除后数据进行标准化处理得到标准化后的数据X(n,m)；对所述标准化后的数据X(n,m)进行主元分析PCA选取主元，以确定对应的得分矩阵；以及将所述得分矩阵作为支持向量机的输入来确定所述待测级抽汽压力P_i。通过使用本发明上述的软测量方法，能够更为准确地实现对汽机抽汽压力的软测量。

Description

汽机抽汽压力软测量方法

技术领域

本发明涉及测量领域，具体地，涉及一种汽机抽汽压力软测量方法。

背景技术

在过程工业中，存在一些无法直接测量或测量有很大滞后的变量，需要通过软测量技术建立模型对其进行估计。建模的成功与否依赖于正确的建模数据，但从现场采集的数据由于各种原因不可避免地存在误差。误差分为随机误差和过失误差，随机误差是噪声，过失误差是指失效数据，在实际过程中，过失数据出现的几率很小，但它的存在会使数据品质严重恶化，因此对建模数据进行过失误差侦破，剔除过失数据样本，是建立软测量模型的前提。

汽轮机抽汽压力时常会出现因为前几级抽汽量过大，造成后面抽汽压力降低或者前几级叶片结垢严重，甚至于没有末级抽汽测点而造成压力信息的不可靠性的情况。因此，需要对现有的软测量方法进行改进，以解决上述问题。

发明内容

本发明的目的是提供一种汽机抽汽压力软测量方法，以解决上述现有技术中的问题。

为了实现上述目的，本发明提供一种汽机抽汽压力软测量方法，其中，该方法包括：按预定时间间隔采集所述汽机的主蒸汽压力P₀和所述汽机的多级抽汽压力中除待测级抽汽压力P_i以外的其它各级抽汽压力P_j，其中j≠i；根据汽机负荷状态筛除所采集的所述汽机的主蒸汽压力P₀和所述汽机的其它各级抽汽压力P_j中不稳定的压力值得到筛除后数据；对所述筛除后数据进行标准化处理得到标准化后的数据X(n,m)；对所述标准化后的数据X(n,m)进行主元分析PCA选取主元，以确定对应的得分矩阵；以及将所述得分矩阵作为支持向量机的输入来确定所述待测级抽汽压力P_i。

通过上述技术方案，在需要对汽机(汽机回热系统)的某级抽汽压力进行软测量时，可以利用执行了筛除操作后的不同时刻的汽机的主蒸汽压力和汽机其余各级抽汽压力作为主元分析的输入数据，该输入数据在用于主元分析之前可以被标准化，然后对该标准化后的数据进行主元分析选取预定数量的主元，以确定对应的得分矩阵，并将所述得分矩阵作为支持向量机的输入进而确定所述待测级抽汽压力。由此，能够更为准确地实现对汽机抽汽压力的软测量。

本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：

图1是根据本发明的一种实施方式的汽机抽汽压力软测量方法的流程图。

具体实施方式

以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

在本发明实施方式中，对现有的主元分析方法和支持向量机进行了利用。

其中，统计学习理论是由Vapnik建立的一种专门研究小样本情况下机器学习规律的理论，支持向量机是在这一理论基础上发展而来的一种新的通用学习方法。支持向量机通过结构风险最小化原理来提高泛化能力，它较好地解决了小样本、非线性、高维数、局部极小点等实际问题，已在模式识别、信号处理、函数逼近等领域得到了应用。

主元分析方法是多元统计分析的主要方法之一，通过对过程数据的多元统计分析，可以从大量过程变量的变化中找到影响过程主要监测参数变化或指标降低的主要原因。把主元分析方法用于热工对象或过程，就是利用主元分析的寻找影响过程变化的主要因素的特点，找到在机组工况变化过程中，引起监测参数或运行指标变化的主导因素。

图1是根据本发明的一种实施方式的汽机抽汽压力软测量方法的流程图。

如图1所示，本发明一种实施方式提供的汽机抽汽压力软测量方法包括：

S100，按预定时间间隔采集所述汽机的主蒸汽压力P₀和所述汽机的多级抽汽压力中除待测级抽汽压力P_i以外的其它各级抽汽压力P_j，j≠i；

S102，根据汽机负荷状态筛除所采集的所述汽机的主蒸汽压力P₀和所述汽机的其它各级抽汽压力P_j中不稳定的压力值得到筛除后数据；

S104，对所述筛除后数据进行标准化处理得到标准化后的数据X(n,m)；

S106，对所述标准化后的数据X(n,m)进行主元分析PCA选取主元，以确定对应的得分矩阵；以及

S108，将所述得分矩阵作为支持向量机的输入来确定所述待测级抽汽压力P_i。

在本发明实施方式中，以汽机回热系统具有8级抽汽为例，此时i＝1,2,…8，j＝1,2,…8，但不会出现i与j相等的情况。也就是，假如末级抽汽压力为待测级抽汽压力，则此时i的取值为8，而j的取值为1-7(即，其余各级抽汽压力分别为P₁、P₂、P₃、P₄、P₅、P₆、P₇。其他级抽汽压力为待测级抽汽压力的情况与上述情况类似，本发明不再赘述。

其中，本领域技术人员可以根据实际情况对预定时间间隔进行设定，例如，该预定时间间隔可以为1分钟，但本发明不限于此。

通过上述技术方案，在需要对汽机(汽机回热系统)的某级抽汽压力进行软测量时，可以利用执行了筛除操作后的不同时刻的汽机的主蒸汽压力和汽机其余各级抽汽压力作为主元分析的输入数据，该输入数据在用于主元分析之前可以被标准化，然后对该标准化后的数据进行主元分析选取预定数量的主元，以确定对应的得分矩阵，并将所述得分矩阵作为支持向量机的输入进而确定所述待测级抽汽压力。由此，能够更为准确地实现对汽机抽汽压力的软测量。

根据本发明一种实施方式，在该方法中，步骤S102可以包括：

将所述汽机负荷状态为不稳定时对应的所述汽机的主蒸汽压力P₀和所述汽机的其它各级抽汽压力P_j筛除，得到所述筛除后数据。

也就是，由于在不同的时刻采集得到了多组主蒸汽压力P₀和所述汽机的其它各级抽汽压力P_j，相应地不同的时刻也就可能对应不同的汽机负荷状态，因此可以以不稳定的汽机负荷状态作为不稳定数据的筛除依据利用过滤器删除其中不稳定的数据(即，不稳定的汽机负荷状态所对应的时刻采集的那一组或多组数据被删除，剩余的为稳定数据)，以确保后续软测量过程中数据的可靠性。

其中，本领域技术人员可以采用现有技术中已有的汽机负荷状态判断方法对汽机负荷状态进行判断，本发明不对此进行限定。例如，汽机负荷上下波动不超过2MW的情况可以被认为是稳定负荷状态(稳定工况)，反之则被认为是不稳定负荷状态(不稳定工况)。

根据本发明一种实施方式，在该方法中，通过下述等式对所述筛除后数据进行标准化处理得到标准化后的数据X(n,m)：

$X_{old}(n\×m)=\left[\begin{array}{c}{P}_{1,0},P_{1,1},...,P_{1,m}\\ ...\\ P_{n,0},P_{n,1},...,P_{n,m}\end{array}\right],$

在该等式中，X_old(n×m)表示预定时间间隔所采集的筛除后的所述汽机的主蒸汽压力P₀和所述汽机的其它各级抽汽压力P_j的矩阵集合，n表示采样次数，而m表示所采集的属性变量的数量；

$x(i,j)=\frac{x_{old}(i,j)-average\left(x_{old}\right(:,j))}{std\left(x_{old}\right(:,j))},$

在该等式中，i＝1,2,...,n,j＝1,2...,m，average(x_old(:,j))代表第j个变量下采样点的均值，std(x_old(:,j))代表第j个变量下采样点的标准差。

根据本发明一种实施方式，在该方法中，步骤S106可以包括：

S1060，计算X(n,m)的协方差矩阵、特征值λ_i和特征向量p_i；

S1062，对协方差矩阵进行奇异值SVD分解；以及

S1064，选取满足预定累积贡献率的特征向量p_i作为主元，以确定对应的得分矩阵。

本领域技术人员可以根据实际情况对预定累积贡献率进行设定，例如所述预定累积贡献率可以为80％，但本发明不限于此。

根据本发明一种实施方式，在该方法中，可以通过下述等式计算X(n,m)的协方差矩阵、特征值λ_i和特征向量p_i：

$COV\left(X\right)=\frac{X^{T}X}{m-1},$

COV(X)p_i＝λ_ip_i。

根据本发明一种实施方式，在步骤S108中，将所述得分矩阵中的多组数据划分成两部分：一部分作为训练数据，另一部分作为测试数据。划分比例例如可以为等比例划分，但本发明不限于此。

在本发明中，支持向量机测试部分的计算值即为待测级抽汽压力的软测量所得值。

并且，在步骤S108中可以通过下述函数实现支持向量机的运算。

具体地，在高维特征空间中构造最优线性决策函数y(x)＝sgn[wψ(x)+b]，采取下述等式目标函数：

$\min \underset{w,b,\mathrm{\ξ}}{J}(w,\mathrm{\ξ})=\frac{1}{2}{w}^{T}w+C\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\ξ}}_i$

在该等式中，约束条件i＝1,2,…,n，w为权重因子，C为罚参数，b为偏差值，为映射函数。含约束条件的目标函数通过拉格朗日法转化为无约束的目标函数，如下式所示。

$\left[\begin{array}{cc}0& I_v^T\\ I_v& \mathrm{\Ω}+c^{-1}I\end{array}\right]\left[\begin{array}{c}b\\ a\end{array}\right]=\left[\begin{array}{c}0\\ y\end{array}\right]$

其中，y＝[y₁，…，y_n]^T；I_v＝[1,…,1]^T；a＝[a₁，…，a_n]^T；Ω＝{Ω_ij|i,j＝1…n}。K(·)为核函数。优选地，此处可选用径向基核函数。

下面结合实例对本发明一种实施方式提供的汽机抽汽压力软测量方法进行表述。

在该实例中，以某电站600MW机组为例，末级抽汽压力P₈为待测级抽汽压力，采集SIS系统中2013年11月12日10点至2013年11月12日21点的P₀,...,P₇数据值，采集的预定时间间隔为1分钟。

首先，以预定时间间隔1分钟采集P₀,...,P₇数据值，依据负荷状态采用过滤器删除其中不稳定数据，获得稳定工况下的样本数据，剩余492组样本数据。

接着，对剩余492组样本数据执行标准化处理，并将标准化处理后所得到的样本数据作为PCA的输入数据。

其次，依据PCA算法计算输入数据的协方差矩阵、特征值及特征向量，选取满足累积贡献率80％的特征向量作为主元，以确定对应的得分矩阵M_(492,k)，其中k表示主元数量。

最后，将得到的矩阵M_(492,k)作为支持向量机的输入，支持向量机的输出为末级抽汽压力P₈的软测量所得值。其中，前246组样本用作训练数据，后246组样本作为测试数据。

优选地，在该实例中，参数C可以取100，径向基核函数中和宽度可以取0.01，时误差在工程误差的接受范围内。

本领域技术人员应当理解，上述实例仅仅是示例性的，并非用于限定本发明。

以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。

此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。

Claims (6)

1.一种汽机抽汽压力软测量方法，其中，该方法包括：

按预定时间间隔采集所述汽机的主蒸汽压力P₀和所述汽机的多级抽汽压力中除待测级抽汽压力P_i以外的其它各级抽汽压力P_j，j≠i；

根据汽机负荷状态筛除所采集的所述汽机的主蒸汽压力P₀和所述汽机的其它各级抽汽压力P_j中不稳定的压力值得到筛除后数据；

对所述筛除后数据进行标准化处理得到标准化后的数据X(n,m)；

对所述标准化后的数据X(n,m)进行主元分析PCA选取主元，以确定对应的得分矩阵；以及

将所述得分矩阵作为支持向量机的输入来确定所述待测级抽汽压力P_i。

2.根据权利要求1所述的方法，其中，根据汽机负荷状态筛除所采集的所述汽机的主蒸汽压力P₀和所述汽机的其它各级抽汽压力P_j中不稳定的压力值得到筛除后数据包括：

将所述汽机负荷状态为不稳定时对应的所述汽机的主蒸汽压力P₀和所述汽机的其它各级抽汽压力P_j筛除，得到所述筛除后数据。

3.根据权利要求1或2所述的方法，其中，通过下述等式对所述筛除后数据进行标准化处理得到标准化后的数据X(n,m)：

$X_{old}(n\×m)=\left[\begin{array}{c}{P}_{1,0},P_{1,1},...,P_{1,m}\\ ...\\ P_{n,0},P_{n,1},...,P_{n,m}\end{array}\right],$

在该等式中，X_old(n×m)表示预定时间间隔所采集的筛除后的所述汽机的主蒸汽压力P₀和所述汽机的其它各级抽汽压力P_j的矩阵集合，n表示采样次数，而m表示所采集的属性变量的数量；

$x(i,j)=\frac{x_{old}(i,j)-average\left(x_{old}\right(:,j\left)\right)}{std\left(x_{old}\right(:,j\left)\right)},$

在该等式中，i＝1,2,...,n,j＝1,2...,m，average(x_old(:,j))代表第j个变量下采样点的均值，std(x_old(:,j))代表第j个变量下采样点的标准差。

4.根据权利要求3所述的方法，其中，对所述标准化后的数据X(n,m)进行主元分析PCA选取预定数量的主元、以确定对应的得分矩阵包括：

计算X(n,m)的协方差矩阵、特征值λ_i和特征向量p_i；

对协方差矩阵进行奇异值分解；以及

选取满足预定累积贡献率的特征向量p_i作为主元，以确定对应的得分矩阵。

5.根据权利要求4所述的方法，其中，通过下述等式计算X(n,m)的协方差矩阵、特征值λ_i和特征向量p_i：

$COV\left(X\right)=\frac{X^{T}X}{m-1},$

COV(X)p_i＝λ_ip_i。

6.根据权利要求4所述的方法，其中，所述预定累积贡献率为80％。