CN111695300A - 一种汽轮机阀门流量拟合方法及系统 - Google Patents

Abstract

本发明提出了一种汽轮机阀门流量拟合方法和系统，该方法包括采集与汽轮机阀门流量特性相关的当前观测点向量，并对当前观测点向量中的异常观测点进行平滑；利用对观测点向量中的异常观测点进行平滑后得到的观测点向量，训练得到线性自分段的神经网络模型；调整神经网络模型的阀门开度，拟合得到阀门开度对应的阀门流量。基于一种汽轮机阀门流量拟合方法，本发明还提出了种汽轮机阀门流量拟合系统。本发明提高了阀门流量曲线的拟合速度，同时具备分段函数段数选择灵活性的优势，在阀门流量曲线的拟合效果上表现出快速准确的性能，同时为下一步的阀门流量特性优化提供了拟合模型。

Description

一种汽轮机阀门流量拟合方法及系统

技术领域

本发明属于电力系统技术领域，特别涉及一种汽轮机阀门流量拟合方法及系统。

背景技术

火电机组在运行的过程中形成了海量高维数据，集中储存在厂级监控信息系统(Supervisory Information System，SIS)和分布式控制系统(Distributed ControlSystem，DCS)中，这为汽轮机阀门流量特性曲线拟合工作提供了丰富的基础数据。阀门流量曲线表征了阀门开度(或阀位指令)与阀门流量之间的关系。阀门流量特性的准确识别，对有效避免火电机组一次调频品质不合格或机组协调能力异常有着重要的意义。如果汽轮机阀门流量曲线与实际流量特性不符，那么在机组变负荷和一次调频时，就可能出现负荷突变和调节缓慢的问题。

传统汽轮机阀门流量曲线的辨识是通过开展现场流量特性试验来完成的，不同的阀门控制方式会对试验的步骤产生影响，具体分为单阀控制方式下的试验和顺序阀控制方式下的试验。在单阀控制方式下，操作人员需要将汽轮机机组的DEH系统的控制方式转换为单阀控制方式并保持机组负荷稳定。然后，操作人员将负荷指令以一定的速率进行减少，同时对锅炉进行适当的调整，使得主蒸汽的压力和温度保持不变。顺序阀控制方式下，试验人员需要依次调节各高压调节阀门，并记录主汽压力、主汽温度、主汽流量、调节级压力、调节级温度、各高压调节阀后压力、总阀位指令等指标，从而完成每个调门流量曲线的拟合。在传统试验方法模拟阀门流量曲线的过程中使用了弗留格尔(Fluggle)公式，喷嘴的流量公式如下所示：

其中：G为蒸汽质量流量，A为喷嘴出口面积，p′₀为喷嘴入口处蒸汽压力，ρ′₀为喷嘴入口处蒸汽密度，压力比

p₁为喷嘴背压，k为绝热指数。

由于需要试验人员在现场操作，传统的汽轮机阀门流量曲线模拟方法存在四个缺陷：(1)汽轮机的阀门流量特性是在机组解列和锅炉特定运行工况下获得的，但实际运行过程中，锅炉的工况会存在动态变化，难以完全维持理想的试验状态，同时汽轮机的运行工况也会发生动态变化，这都将导致传统方法获得的阀门流量特性曲线存在偏差；(2)传统试验中获取的数据量是有限的，这是因为阀门开度的不同行程是手动调节得到的，对应的工况数据也较为单一，这会导致拟合模型的容量较低，其对于阀门真实特性的挖掘也很有限，SIS和DCS中的大量数据无法得到深入挖掘；(3)由于传统试验需要专人前往现场进行操作，试验频率较低，因此当阀门特性发生变化的时候，原有的拟合模型可能已经不再适用了；(4)大数据应用场景下，单凭专家经验无法实时地对所有测点的数据质量进行判断，这导致了异常点的输入影响了阀门特性拟合的准确性。

发明内容

本发明提出了一种汽轮机阀门流量拟合方法及系统，本发明首先基于多元状态估计和多元线性回归平滑了影响火电机组阀门流量特性的异常点，然后提出了线性自分段的神经网络方法，实现了对汽轮机阀门流量曲线的分段线性拟合。

为了实现上述目的，本发明提出了一种汽轮机阀门流量拟合方法，该方法包括以下步骤：

采集与汽轮机阀门流量特性相关的当前观测点向量，并对当前观测点向量中的异常观测点进行平滑；

利用对观测点向量中的异常观测点进行平滑后得到的观测点向量，训练得到线性自分段的神经网络模型；

调整所述神经网络模型的阀门开度，拟合得到所述阀门开度对应的阀门流量。

进一步的，确定观测点向量中的异常观测点的过程，包括：

利用预先构建的过程记忆矩阵对所述观测点向量计算预测值向量；

根据所述预测值向量，确定观测点向量中的异常观测点。

进一步对，所述过程记忆矩阵的构建过程，包括：

采集正常运行时在时间段N内的观测点向量；

将所述正常运行时在时间段N内的观测点向量作为历史数据集，构建过程记忆矩阵D_M*N；

其中，M为观测点向量的数量。

进一步的，所述根据所述预测值向量，确定观测点向量中的异常观测点包括：

将预测值向量与观测点向量的差值超过设定阈值的观测点向量确定为异常观测点。

进一步的，所述对观测点向量中的异常观测点进行平滑，包括：

利用预先得到的多元线性回归公式对观测点向量中的异常观测点进行平滑。

进一步的，所述利用预先得到的多元线性回归公式对观测点向量中的异常观测点进行平滑，具体为：

对预先得到的多元线程回归公式

通过最小二乘法求解最优解得到回归系数向量θ＝[θ_-1,θ_-2,…,θ_-6]；其中，

是估计出的因变量，x_i是因变量，θ_i是相关系数，其中i≥0；

令x₁为异常观测点向量，将x_-1输入到根据回归系数向量构建的公式

得到x_-1的估计值

用x_-1的估计值

代替异常观测点向量x₁，则完成异常观测点向量x₁的平滑；其中

表示第i个异常观测点向量；

表示除了第i个异常观测点向量x_i以外，其他观测点的实际值组成的向量的估计值；θ_-i为根据多元线性回归公式求解最优解得到的回归系数向量θ＝[θ_-1,θ_-2,…,θ_-6]。

进一步对，所述神经网络模型包括输入层、中间隐层和输出层；

所述输入层为利用对观测点向量中的异常观测点进行平滑后得到的观测点向量；记为x＝{x_i,i＝1,2,3,4,…,n}；

所述中间隐层为神经网络模块的神经元h＝{h_i,i＝1,2,3,4,…,k}的个数；

所述输出层为阀门流，记为y＝{y_i,i＝1,2,3,4,…,n}。

进一步的，训练神经网络模型的训练误差采用均方根相对误差R_MSRE作为评价指标；

本发明还提出了一种汽轮机阀门流量拟合系统，包括采集平滑模块、平滑训练模块和调整拟合模块；

所述采集平滑模块用于采集与汽轮机阀门流量特性相关的当前观测点向量，并对当前观测点向量中的异常观测点进行平滑；

所述平滑训练模块用于利用对观测点向量中的异常观测点进行平滑后得到的观测点向量，训练得到线性自分段的神经网络模型；

所述调整拟合模块用于调整所述神经网络模型的阀门开度，拟合得到所述阀门开度对应的阀门流量。

发明内容中提供的效果仅仅是实施例的效果，而不是发明所有的全部效果，上述技术方案中的一个技术方案具有如下优点或有益效果：

本发明实施例提出了一种汽轮机阀门流量拟合方法和系统，该方法包括采集与汽轮机阀门流量特性相关的当前观测点向量，并对当前观测点向量中的异常观测点进行平滑；利用对观测点向量中的异常观测点进行平滑后得到的观测点向量，训练得到线性自分段的神经网络模型；调整所述神经网络模型的阀门开度，拟合得到阀门开度对应的阀门流量。基于本发明提出的一种汽轮机阀门流量拟合方法，还提出了一种汽轮机阀门流量拟合系统，本发明基于多元状态估计和多元线性回归平滑了影响火电机组阀门流量特性的异常点，然后提出了线性自分段的神经网络方法，实现了对汽轮机阀门流量曲线的分段线性拟合。给出了在海量数据下，剔除异常数据后的汽轮机阀门流量曲线拟合方法和系统，提高了阀门流量曲线的拟合速度，同时具备分段函数段数选择灵活性的优势，在阀门流量曲线的拟合效果上表现出更加快速准确的性能，同时为下一步的阀门流量特性优化提供了可以操作的拟合模型。

附图说明

如图1给出了分段线性函数的神经网络结构示意图；

如图2给出了基于本发明实施例1提出的一种汽轮机阀门流量拟合方法流程图；

如图3给出了基于本发明实施例1提出运用线性自分段的神经网络进行阈值特性拟合的流程图；

如图4给出了基于本发明实施例1提出的一种汽轮机阀门流量拟合系统示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提出了一种汽轮机阀门流量拟合方法和系统，基于多元状态估计和多元线性回归平滑了影响火电机组阀门流量特性的异常点，然后提出了线性自分段的神经网络方法，实现了对汽轮机阀门流量曲线的分段线性拟合。

多元状态估计，即MSET是一种高级模式识别技术，其通过测量正常操作范围内的传感器信号之间的相似性或重叠率来完成设备运行状态估计。对于系统采集到的每一个新的观测数据，MSET都是使用从系统正常运行过程中学习到的得到状态模式来预测系统所处的“真实”状态。首先，通过正常数据构建过程记忆矩阵，MSET学习到了多维测点正常运行的状态信息；其次，通过将实时运行数据与过程记忆矩阵进行对比，MSET完成了对某个测点是否正常运行的判断。

假设利用从正常操作过程中得到的历史数据构成矩阵记为过程记忆矩阵D。令t_j时刻的观测向量为：

X(t_j)＝[x₁(t_j),x₂(t_j),…,x_m(t_j)]^T

其中，x_i(t_j)表示在第t_j时刻测点x_i的观测值。因此，向量X(t_j)表示了m个观测量在第t_j时刻的观测值。那么，过程记忆矩阵D可以表示为：

矩阵的列数N就代表N个状态，行数m表示每次观测的m个观测点。MSET的训练过程即为收集和选择足够多的系统正常运行状态下、不同工况下的历史样本，使得D可以涵盖系统正常运行状态下监测参数的全部动态范围。

过程记忆矩阵构造完成后，接下来就开始用MSET进行动态建模。在任意点时间，均会产生系统的观测向量X_obs。判断X_obs是否为异常点主要是通过计算X_obs与预测值X_est之间的残差向量ε的绝对值，即：

ε＝|X_obs-X_est|

这里，X_est＝D_m×n·W_n×1，“·”表示矩阵相乘。该式表示预测值来自于对历史信息的提取，因为X_est＝w₁X(t₁)+w₂x₂+..+w_NX(t_N)。其中：W_n×1权重的确定可以通过使残差向量ε的平方和达到最小来实现。因此有如下式：

其中：

代表矩阵与矩阵之间或矩阵与向量之间的一种非线性算子。对于一般的矩阵乘积“·”，由于D内向量之间可能存在多重共线性问题，会导致矩阵求逆无法实现。所以，为了能够求出W，

一般选取欧几里得距离作为非线性算子代替“·”。

的具体表达式为：

最后，通过预先设定好的残差阈值向量ε^*，将ε与ε^*进行比较。对于ε中，大于等于ε^*的观测点，我们可以认为出现了异常，否则就为正常点。

多元线性回归即MLR，在回归分析中，如果有两个或两个以上的自变量，就称为多元回归。多元线性回归的表达式为：

其中：

是估计出的因变量，x_i是因变量，θ_i是相关系数。MLR通过最小二乘法，求解最优解，即对

关于θ_i求导数，同时令导数为零。

在本发明中，由于与调门相关的观测点之间具有同步性，所以每个观测点可以被认为与其他观测点之间存在线性可解释的关系。也就是说，认为如下关系成立：

其中：

表示第i个观测点的估计值；

表示除了第i个观测点x_i以外，其他观测点的实际值组成的向量；θ_-i表示回归系数向量。

分段线性函数拟合对于阀门流量曲线拟合具有十分重要的意义，因为流量曲线拟合是后续阀门优化工作的先决条件，而机器学习中非线性拟合得到的输入——输出函数是无法计算反函数的，这就无法为阀门函数的优化提供可操作的建议。此外，单一函数的线性回归过于简单，导致拟合精度偏低，这时就可以使用分段线性函数进行拟合以考虑到训练集数据分布变化带来的影响。

通过在模型输出层的上一层神经元先进行ReLU激活后再逐项相加，就可以得到自动分段的线性拟合函数。令倒数第二层神经元个数为n，那么拟合的分段函数段数最多为n+1。如图1给出了分段线性函数的神经网络结构示意图。最后一层网络的数学表达式为：

y＝(1,…,1)^T(W^Tx)+c_h

其中：x表示倒数第二层中间层的输出值，在图4中就是(h₁,h₂,h₃,h₄)，这些变量均通过了ReLU函数进行激活；W^T是倒数第二层网络与最后一层连接的权重向量，向量的维度为4×1；c_h是常数值；为了使最后一层网络的输出达到分段线性表达的效果，倒数第二层的输出值要进行直接相加，因此需要用(1,…,1)^T与(h₁,h₂,h₃,h₄)进行向量乘法，(1,…,1)^T的维度是1×4。

实施例1

本发明给出了一种汽轮机阀门流量拟合方法。如图2给出了一种汽轮机阀门流量拟合方法流程图。

在步骤S201中，首先确定与汽轮机阀门流量特性相关的观测点向量为：主蒸汽流量、主蒸汽压力、主蒸汽温度、阀门后压力、阀门流量和阀门开度指令。这些指标构成了观测点向量。

在步骤S202中，提取出一个时间段内包含各个工况下阀门正常运行下的观测点数据作为训练集。

在步骤S206中，将正常、异常数据混在一起作为测试集。

在步骤S203中，针对训练集首先构建过程记忆矩阵D_6×N。其中：6表示步骤S201中的观测点数量，N表示时间段的长度。

在步骤S204中，针对正常运行的数据，运用多元线性回归MLR依次对每个观测点进行回归拟合，得到一系列的回归系数向量θ＝[θ_-1,θ_-2,…,θ_-6]，其中

表示第i个观测点的估计值；

表示除了第i个观测点x_i以外，其他观测点的实际值组成的向量；θ_-i表示回归系数向量。

在步骤S205中，实时运行的观测点包括正常、异常数据混在一起的测试集和过程记忆矩阵。对正常、异常数据混在一起的测试集和过程记忆矩阵均采用多元状态估计MEST进行动态建模，在任意点时间，均会产生系统的观测向量X_obs。判断X_obs是否为异常点主要是通过计算X_obs与预测值X_est之间的残差向量ε的绝对值，即：

ε＝|X_obs-X_est|

这里，X_est＝D_m×n·W_n×1，“·”表示矩阵相乘。该式表示预测值来自于对历史信息的提取，因为X_est＝w₁X(t₁)+w₂x₂+..+w_NX(t_N)。其中：W_n×1权重的确定可以通过使残差向量ε的平方和达到最小来实现。因此有如下式：

其中：

代表矩阵与矩阵之间或矩阵与向量之间的一种非线性算子。对于一般的矩阵乘积“·”，由于D内向量之间可能存在多重共线性问题，会导致矩阵求逆无法实现。所以，为了能够求出W，

一般选取欧几里得距离作为非线性算子代替“·”。

的具体表达式为：

最后，通过预先设定好的残差阈值向量ε^*，将ε与ε^*进行比较。对于ε中，大于等于ε^*的观测点，认定出现了异常，否则就为正常点。

在步骤S207中，得出异常测点的向量x_outlier。

在步骤S208中，判断是否含有异常测点，如果含有，则执行步骤S209，不含有则进入步骤S210。

在步骤S209中，对预先得到的多元线程回归公式

通过最小二乘法求解最优解,即对

关于θ_i求导数，同时令导数为零,得到回归系数向量θ＝[θ_-1,θ_-2,…,θ_-6]；其中，

是估计出的因变量，x_i是因变量，θ_i是相关系数，其中i≥0；

令x₁为异常观测点向量，将x_-1输入到根据回归系数向量构建的公式

得到x_-1的估计值

用x_-1的估计值

代替异常观测点向量x₁，则完成异常观测点向量x₁的平滑；其中

表示第i个异常观测点向量；

表示除了第i个异常观测点向量x_i以外，其他观测点的实际值组成的向量的估计值；θ_-i为根据多元线性回归公式求解最优解得到的回归系数向量θ＝[θ_-1,θ_-2,…,θ_-6]；

重复执行步骤S205和S206，直到不存在异常测点，平滑过程结束。

在步骤S211中，更新测点X_j结果。

在步骤S212中，运用线性自分段的神经网络进行阈值特性拟合。如图3给出了运用线性自分段的神经网络进行阈值特性拟合的流程图。

在步骤S301中，对平滑后的观测点作为神经网络模型的输入变量，记为x＝{x_i,i＝1,2,3,4,…,n}，这里每个x_i都是一个5维向量，不包括阀门流量；阀门流量为网络的输出变量，记为y＝{y_i,i＝1,2,3,4,…,n}。

在步骤S302中，设置神经网络的激活函数为ReLU函数；同时，根据最终分段数确定网络中间隐层h＝{h_i,i＝1,2,3,4,…,k}的个数，如果所分段数要求不少于4段，那么就设置k＝3。将步骤S207的输入变量输入到神经网络的输入层，完成模型搭建。

在步骤S303中，使用ADAM即自适应矩估计算法，参数优化方法，对神经网络模型进行训练。训练过程为一种监督学习过程，其中：综合流量指令为输入变量，记为x＝{x_i,i＝1,2,3,4,…,n}；模型输出为预测值，记为

实际流量为对应的标签，记为y＝{y_i,i＝1,2,3,4,…,n}。整个训练过程中，模型不断地更新模型中的参数以使预测值接近标签值。这里可以使用GPU进行并行加速，或者使用一般的CPU设备。

在步骤S304中，设定训练误差的阈值为1％，当训练误差低于该阈值以后，停止训练。从而得到训练完成的模型。调门曲线的分段拟合过程完毕。误差采用均方根相对误差R_MSRE作为评价指标：

在步骤S305中，针对训练完成的神经网络，固定观测变量中除阀门开度的其他3个变量。调整阀门开度从0到100，就可以得到给定状态下不同阀门开度对应的实际流量，从而绘制出汽轮机阀门流量曲线。

本发明还给出了一种汽轮机阀门流量拟合系统，如图4给出了基于本发明实施例1提出的一种汽轮机阀门流量拟合系统示意图，该系统包括：采集平滑模块、平滑训练模块和调整拟合模块；

采集平滑模块用于采集与汽轮机阀门流量特性相关的当前观测点向量，并对当前观测点向量中的异常观测点进行平滑。

确定观测点向量中的异常观测点的过程，包括：利用预先构建的过程记忆矩阵对观测点向量计算预测值向量；预测值向量，确定观测点向量中的异常观测点。

确定观测点向量中的异常观测点的过程，包括：利用预先构建的过程记忆矩阵对观测点向量计算预测值向量；根据预测值向量，确定观测点向量中的异常观测点。

根据预测值向量，确定观测点向量中的异常观测点，包括：

将预测值向量与观测点向量的差值超过设定阈值的观测点向量确定为异常观测点。

平滑训练模块用于利用对观测点向量中的异常观测点进行平滑后得到的观测点向量，训练得到线性自分段的神经网络模型。

利用预先得到的多元线性回归公式对观测点向量中的异常观测点进行平滑，具体为：

对预先得到的多元线程回归公式

通过最小二乘法求解最优解得到回归系数向量θ＝[θ_-1,θ_-2,…,θ_-6]；其中，

是估计出的因变量，x_i是因变量，θ_i是相关系数；

令x₁为异常观测点向量，将x_-1输入到根据回归系数向量构建的公式

得到x_-1的估计值

用x_-1的估计值

代替异常观测点向量x₁，则完成异常观测点向量x₁的平滑；其中

表示第i个异常观测点向量；

表示除了第i个异常观测点向量x_i以外，其他观测点的实际值组成的向量的估计值；θ_-i为根据多元线性回归公式求解最优解得到的回归系数向量θ＝[θ_-1,θ_-2,…,θ_-6]。

调整拟合模块用于调整神经网络模型的阀门开度，拟合得到阀门开度对应的阀门流量。

神经网络模型包括输入层、中间隐层和输出层；输入层为利用对观测点向量中的异常观测点进行平滑后得到的观测点向量；记为x＝{x_i,i＝1,2,3,4,…,n}；中间隐层为神经网络模块的神经元h＝{h_i,i＝1,2,3,4,…,k}的个数；输出层为阀门流，记为y＝{y_i,i＝1,2,3,4,…,n}。

训练神经网络模型的训练误差采用均方根相对误差R_MSRE作为评价指标；

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上内容仅仅是对本发明的结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (9)

1.一种汽轮机阀门流量拟合方法，其特征在于，包括：

采集与汽轮机阀门流量特性相关的当前观测点向量，并对当前观测点向量中的异常观测点进行平滑；

利用对观测点向量中的异常观测点进行平滑后得到的观测点向量，训练得到线性自分段的神经网络模型；

调整所述神经网络模型的阀门开度，拟合得到所述阀门开度对应的阀门流量。

2.根据权利要求1所述的一种汽轮机阀门流量拟合方法，其特征在于，确定观测点向量中的异常观测点的过程，包括：

利用预先构建的过程记忆矩阵对所述观测点向量计算预测值向量；

根据所述预测值向量，确定观测点向量中的异常观测点。

3.根据权利要求2所述的一种汽轮机阀门流量拟合方法，其特征在于，所述过程记忆矩阵的构建过程，包括：

采集正常运行时在时间段N内的观测点向量；

将所述正常运行时在时间段N内的观测点向量作为历史数据集，构建过程记忆矩阵D_M*N；

其中，M为观测点向量的数量。

4.根据权利要求2所述的一种汽轮机阀门流量拟合方法，其特征在于，所述根据所述预测值向量，确定观测点向量中的异常观测点包括：

将预测值向量与观测点向量的差值超过设定阈值的观测点向量确定为异常观测点。

5.根据权利要求1所述的一种汽轮机阀门流量拟合方法，其特征在于，所述对观测点向量中的异常观测点进行平滑，包括：

利用预先得到的多元线性回归公式对观测点向量中的异常观测点进行平滑。

6.根据权利要求5所述的一种汽轮机阀门流量拟合方法，其特征在于，所述利用预先得到的多元线性回归公式对观测点向量中的异常观测点进行平滑，具体为：

对预先得到的多元线程回归公式

通过最小二乘法求解最优解得到回归系数向量θ＝[θ_-1,θ_-2,…,θ_-6]；其中，

是估计出的因变量，x_i是因变量，θ_i是相关系数；

令x₁为异常观测点向量，将x_-1输入到根据回归系数向量构建的公式

得到x_-1的估计值

用x_-1的估计值

代替异常观测点向量x₁，则完成异常观测点向量x₁的平滑；其中

表示第i个异常观测点向量；

表示除了第i个异常观测点向量x_i以外，其他观测点的实际值组成的向量的估计值；θ_-i为根据多元线性回归公式求解最优解得到的回归系数向量θ＝[θ_-1,θ_-2,…,θ_-6]。

7.根据权利要求1所述的一种汽轮机阀门流量拟合方法，其特征在于，所述神经网络模型包括输入层、中间隐层和输出层；

所述输入层为利用对观测点向量中的异常观测点进行平滑后得到的观测点向量；记为x＝{x_i,i＝1,2,3,4,…,n}；

所述中间隐层为神经网络模块的神经元h＝{h_i,i＝1,2,3,4,…,k}的个数；

所述输出层为阀门流，记为y＝{y_i,i＝1,2,3,4,…,n}。

8.根据权利要求7所述的一种汽轮机阀门流量拟合方法，其特征在于，训练神经网络模型的训练误差采用均方根相对误差R_MSRE作为评价指标；

9.一种汽轮机阀门流量拟合系统，其特征在于，包括采集平滑模块、平滑训练模块和调整拟合模块；

所述采集平滑模块用于采集与汽轮机阀门流量特性相关的当前观测点向量，并对当前观测点向量中的异常观测点进行平滑；

所述平滑训练模块用于利用对观测点向量中的异常观测点进行平滑后得到的观测点向量，训练得到线性自分段的神经网络模型；

所述调整拟合模块用于调整所述神经网络模型的阀门开度，拟合得到所述阀门开度对应的阀门流量。

Images