CN112700039B - 一种火电厂负荷运行数据的稳态检测与提取方法 - Google Patents

Abstract

本发明提供一种火电厂负荷数据的稳态筛选与提取的方法，在获取电厂运行实测数据样本后，对电厂的负荷运行数据进行RANSAC算法与最小二乘算法相结合，获取窗口内的最佳数据模型。在此基础上，定义新的稳态判别指标，通过滑动时间窗结合多项式滤波，实现了对电厂运行实测数据的全覆盖稳态检测与提取，提高了稳态检测的精度。

Description

一种火电厂负荷运行数据的稳态检测与提取方法

专利领域

本发明涉及一种火电厂数据稳态检测方法，具体涉及一种火电厂负荷运行数据的稳态检测与提取方法。

背景技术

在火电生产的过程检测、运行优化、故障诊断、性能评估等方面都需要使用到“稳态”过程数据。所以如何将稳态工况下的数据筛选出来非常重要。而在实际的电厂运行中，通常会有设备检修、传感器故障、网络中断、噪声干扰等突发状况或设备自身运行情况会使采集的原始数据产生异常，此时如果不对异常数据进行预处理，直接使用这样数据作为样本数据进行数据分析，会严重影响工作人员的判断。因此为了不受异常数据干扰，有效的验证和剔除异常数据是十分必要的。这就涉及到了对电厂数据进行稳态筛选。

在实际火电运行过程的稳态判别中，人们普遍采用直接做图判别稳态数据段，或直接对数据采用3δ原则进行稳态判断，由于火电厂保存有海量的历史数据，这使得稳态辨识误差较大，稳态检测的精度大大降低。

发明目的

本发明的目的即在于解决目前火电厂稳态数据判别研究中存在的问题，提供一种电厂负荷运行数据的稳态检测与提取方法。通过RANSAC随机采样一致算法结合最小二乘算法得到一定窗口内的数据模型进行滤波，可以有效的去除噪声干扰与异常数据的影响。在此基础上，定义稳态判别指标，通过滑动时间窗结合多项式滤波，完成对数据的稳态检测与提取，提高了稳态检测的精度同时保证了一定的数据量。通过采用本发明的所述方法进行数据稳态筛选与提取，为实现火电厂运行数据自动稳态检测与提取奠定了基础。

发明内容

本发明提供了一种火电厂负荷运行数据的稳态检测与提取方法，其特征在于，包括以下步骤：

步骤1、获取火电厂负荷运行的实测数据，按照采样时间t、采样周期T，完成数据采集及存储，所采集的数据长度记作L；

步骤2、确定窗口初始长度h及滑动窗口开始位置h₀,设h＝n，h₀＝0；

步骤3、若h+h₀大于L，则结束流程；

若h+h₀小于L，则取h₀+1:h₀+h之间的数据点作为采样点，采用RANSAC结合最小二乘算法对数据进行多项式滤波处理，得到多项式滤波参数，进而得到窗口内的数据拟合模型；

步骤4、对拟合后的数据模型进行稳态判别，具体为根据窗口内抽取样本滤波值的最大值与最小值的差值C₁、RANSAC算法筛选出稳态点的最大值与最小值的差值C₂和最小二乘法拟合出的多项式系数P₁来进行判断，采用的稳态判别条件为：

C₁<＝20，C₂<＝20，P₁<3δ，其中δ为抽取样本的标准差；

若满足判别条件，则认为该窗口的数据为稳态数据，采用滑动窗口的方法，记录下h₀+1:h₀+h窗口内的数据后，令h＝h+10，h₀保持不变，返回步骤3；

若不满足稳态判别条件则进行下一步；

步骤5、判断h是否大于n，若h>n，令h₀＝h₀+h，h＝n，返回第三步；

若h<＝n，则剔除h₀+1:h₀+10窗口内的数据，令h₀＝h₀+10，并返回步骤3。

优选地，步骤1中采样时间t为1h，采样周期T为10s。

优选地，步骤3中所述的RANSAC算法通过反复选择数据集去估计出模型，一直迭代，直到估计出最优模型，具体包括以下步骤；

S41.选择出可以估计出模型的最小数据集；

S42.使用这个数据集计算出估计的模型；

S43.将数据带入该模型计算出“内点”的数目，所述内点指累加在一定误差范围内的适合当前迭代推出模型的数据；

S44.比较当前模型和之前推出的最优模型的“内点”的数量，记录最大“内点”数的模型参数和“内点数”；

S45.重复S41-S44步，直到迭代结束；

其中，算法的迭代次数根据如下方法确定：

假设“内点”在数据中的占比，即内点概率t如下所示，

在每次计算模型使用N个点的情况下，选取的点至少有一个是外点的情况为(1-t^N)，在迭代k次的情况下，k次迭代计算模型都至少采样到一个“外点”去计算模型的概率为(1-t_n)^k，那么采样到正确的N个点去计算正确模型的概率P表示为：

P＝1-(1-tⁿ)^k，

从而得到迭代次数k如下式所示：

。

优选地，所述采用RANSAC结合最小二乘算法对数据进行多项式滤波处理，得到多项式滤波参数的方法具体包括：

基于多项式回归模型的处理方法，将火电厂负荷表示为时间t的函数x(t)，即：

x(t)＝p₀+p₁t+p₂t²+…+p_mt^m，

θ＝[p₀ p₁ … p_m]′，

r(t)＝[t⁰t…t^m]′，

其中m为模型阶数，θ为模型参数向量，r(t)为回归变量，从而，

x(t)＝θ′r(t)，

测量信号用序号i表示采样时间，其中i＝1，…,n，应用最小二乘法得到θ的最优估计θ’如下式所示：

，

式中：，

采样窗口内的数据曲线x(i)＝P₀+P₁i+P₂i²+P_mi^m，取模型阶数m＝2，根据P₁系数的大小来检测负荷的稳态与非稳态，其阈值根据“3δ”原则来确定，其中抽取样本的标准差δ为：

附图说明

图1为对负荷数据进行稳态处理筛选的实施流程图。

图2为负荷数据原始数据图。

图3为稳态检测与提取的过程图。

图4为稳态提取后的负荷数据图。

具体实施方式

以下结合附图及本发明的优选实施例，进一步阐述本发明为达成预定发明目的所采取的技术手段。

实施例1

本实施例选取宁夏灵武某电厂负荷数据进行仿真，采样周期为10秒钟/点，示例数据为2020/1/1 0:00:00-2020/5/1 0:00:00。图1为对负荷数据进行稳态处理筛选的实施流程图，图2为负荷数据原始数据图。对负荷数据进行稳态处理筛选方法具体包括以下步骤:

步骤一：获取负荷数据样本，具体为火电厂某机组实测运行数据，定义数据总长度为L。

步骤二：根据10s采样间隔，结合火电机组的运行特性。取机组运行1h的360个数据点作为窗口初始长度h，即h＝360，取滑动窗口初始位置h₀＝0。

步骤三：判断h+h₀是否小于数据总长度L，若h+h₀>L，结束该流程；若h+h₀<L，取h₀+1到h₀+h个数据点作为采样点，进行RANSAC算法筛选。

所述RANSAC算法，其特征在于，包括如下执行步骤:

通过反复选择数据集去估计出模型，一直迭代到估计出最优模型。具体的实现步骤为:

1.选择出可以估计出模型的最小数据集

2.使用这个数据集计算出估计的模型

3.将数据带入该模型计算出“内点”的数目；(累加在一定误差范围内的适合当前迭代推出模型的数据)

4.比较当前模型和之前推出的最好的模型的“内点”的数量，记录最大“内点”数的模型参数和“内点数”；

5.重复1-4步，直到迭代结束。

其中，算法迭代次数的推导如下所示:

假设“内点”在数据中的占比为t

那么我们在每次计算模型使用N个点的情况下，选取的点至少有一个是外点的情况为

1-t^N

也就是在迭代k次的情况下,(1-t_n)^k就是k次迭代计算模型都至少采样到一个“外点”去计算模型的概率，那么能采样到正确的N个点去计算正确模型的概率就是

P＝1-(1-tⁿ)^k

通过上式可以求得:

内点概率t是一个先验值，P是RANSAC算法得到正确模型的概率，若事先无法确定t值可以使用自适应迭代次数的方法。也就是一开始设定一个无穷大的迭代次数，然后每次更新模型参数估计的时候，用当前的“内点”比值来当成是t估算出迭代次数。

在本实施例中，迭代次数为100，对h₀+1到h₀+h个数据点进行RANSAC算法，记录最大“内点”数的模型参数和“内点数”，根据筛选出的内点数进行最小二乘拟合算法，即进行多项式滤波。具体操作如下:

多项式滤波是基于多项式回归模型的处理方法。负荷x(t)可以表示为时间t的函数，即：

x(t)＝p₀+p₁t+p₂t²+…+p_mt^m

θ＝[p₀ p₁ … p_m]′

r(t)＝[t⁰t…t^m]′

其中m为模型阶数，θ为模型参数向量，r(t)为回归变量，式简记为：

x(t)＝θ′r(t)

对于测量信号，

在已知情况下(对于等间距采样，采样时间可以用序号i(i＝1，…,n)表示)，应用最小二乘法得到θ的最优估计：

式中：

通过上式估计的多项式滤波参数，可以得到处于窗口内的数据曲线x(i)＝P₀+P₁i+P₂i²+P_mi^m。该模型有两方面的作用：一方面通过该函数计算抽取样本的滤波值；另一方面，该模型参数含有过程变量的变化信息。考虑到模型的简单性和鲁棒性，m不宜过大。通常，选取m＝2，既能滤除噪声又能反映信号的基本变化趋势，因此本发明中取m＝2。对当前点所处的窗口中的数据进行多项式滤波后，可以根据P₁系数的大小来检测负荷的稳态与非稳态，其阈值可以根据“3δ”原则来确定。

其中，计算抽取样本的标准差δ为：

步骤四：对拟合后的多项式x(i)＝P₀+P₁i+P₂i²+P_mi^m进行稳态检测，C₁为窗口内抽取样本负荷数据滤波值的最大值与最小值的差值，C₂为RANSAC算法筛选出的“内点”的负荷最大值与最小值的差值，P₁为最小二乘拟合二次项系数，根据火电运行的特性，采用的稳态判别条件为：

1.C₁<＝20

2.C₂<＝20

3.P₁<3δ

若同时满足以上三个条件，则我们认为该窗口的数据为稳态数据，记录下来h₀+1:h₀+h窗口内的数据点后，令h＝h+10，h₀保持不变，返回步骤三。若不满足稳态判别条件则进行下一步。

步骤五：判断h是否大于360，若h>360，令h₀＝h₀+h，h＝360并返回第三步；若h<＝360，则剔除h₀+1:h₀+10窗口内的数据，令h₀＝h₀+10，返回第三步。

本发明实施带来了以下有益效果

1)本发明提供的一种电厂负荷数据的稳态筛选与提取的方法，能够在获取电厂运行实测数据样本后，对电厂的负荷运行数据进行RANSAC算法与最小二乘算法相结合，获取窗口内的最佳数据模型，有助于对数据进行初步的稳态处理。

2)在此基础上，本发明定义了新的稳态判别指标，通过滑动时间窗结合多项式滤波，有助于实现对电厂运行实测数据的全覆盖稳态检测与提取，提高了稳态检测的精度。

3)最终，通过采用本发明的所述方法对电厂实测运行数据进行稳态筛选与提取后，有助于为实现火电厂运行数据自动稳态检测与提取奠定了基础。

本领域技术人员应该明白，以上实施例仅是对本发明优选实施方式的描述，而不应视为对本发明保护范围的限制，任何不脱离本发明主旨和灵魂的变体或替代，均落入本发明的保护范围，本发明的保护范围以所提交的权利要求书所记载的为准。

Claims (4)

1.一种火电厂负荷运行数据的稳态检测与提取方法，其特征在于，包括以下步骤：

步骤1、获取火电厂负荷运行的实测数据，按照采样时间t、采样周期T，完成数据采集及存储，所采集的数据长度记作L；

步骤2、确定窗口初始长度h及滑动窗口开始位置h₀,设h＝n，h₀＝0；

步骤3、若h+h₀大于L，则结束流程；

若h+h₀小于L，则取h₀+1:h₀+h之间的数据点作为采样点，采用RANSAC结合最小二乘算法对数据进行多项式滤波处理，得到多项式滤波参数，进而得到窗口内的数据拟合模型；

步骤4、对拟合后的数据模型进行稳态判别，具体为根据窗口内抽取样本滤波值的最大值与最小值的差值C₁、RANSAC算法筛选出稳态点的最大值与最小值的差值C₂和最小二乘法拟合出的多项式系数P₁来进行判断，采用的稳态判别条件为：

C₁<＝20，C₂<＝20，P₁<3δ，其中δ为抽取样本的标准差；

若满足判别条件，则认为该窗口的数据为稳态数据，采用滑动窗口的方法，记录下h₀+1:h₀+h窗口内的数据后，令h＝h+10，h₀保持不变，返回步骤3；

若不满足稳态判别条件则进行下一步；

步骤5、判断h是否大于n，若h>n，令h₀＝h₀+h，h＝n，返回第三步；

若h<＝n，则剔除h₀+1:h₀+10窗口内的数据，令h₀＝h₀+10，并返回步骤3。

2.根据权利要求1所述的一种火电厂负荷运行数据的稳态检测与提取方法，其特征在于，步骤1中采样时间t为1h，采样周期T为10s。

3.根据权利要求1所述的一种火电厂负荷运行数据的稳态检测与提取方法，其特征在于，步骤3中所述的RANSAC算法通过反复选择数据集去估计出模型，一直迭代，直到估计出最优模型，具体包括以下步骤；

S41.选择出可以估计出模型的最小数据集；

S42.使用这个数据集计算出估计的模型；

S43.将数据带入该模型计算出“内点”的数目，所述内点指累加在一定误差范围内的适合当前迭代推出模型的数据；

S44.比较当前模型和之前推出的最优模型的“内点”的数量，记录最大“内点”数的模型参数和“内点数”；

S45.重复S41-S44步，直到迭代结束；

其中，算法的迭代次数根据如下方法确定：

假设“内点”在数据中的占比，即内点概率t如下所示，

在每次计算模型使用N个点的情况下，选取的点至少有一个是外点的情况为(1-t^N)，在迭代k次的情况下，k次迭代计算模型都至少采样到一个“外点”去计算模型的概率为(1-t_n)^k，那么采样到正确的N个点去计算正确模型的概率P表示为：

P＝1-(1-tⁿ)^k，

从而得到迭代次数k如下式所示：

。

4.根据权利要求3所述的一种火电厂负荷运行数据的稳态检测与提取方法，其特征在于，所述采用RANSAC结合最小二乘算法对数据进行多项式滤波处理，得到多项式滤波参数的方法具体包括：

基于多项式回归模型的处理方法，将火电厂负荷表示为时间t的函数x(t)，即：

x(t)＝p₀+p₁t+p₂t²+…+p_mt^m，

θ＝[p₀p₁…p_m]′，

r(t)＝[t⁰t…t^m]′，

其中m为模型阶数，θ为模型参数向量，r(t)为回归变量，从而，

x(t)＝θ′r(t)，

测量信号用序号i表示采样时间，其中i＝1，…,n，应用最小二乘法得到θ的最优估计θ’如下式所示：

式中：

采样窗口内的数据曲线x(i)＝P₀+P₁i+P₂i²+P_mi^m，取模型阶数m＝2，根据P₁系数的大小来检测负荷的稳态与非稳态，其阈值根据“3δ”原则来确定，其中抽取样本的标准差δ为：