面向高端燃煤发电装备非平稳运行的高斯非高斯特征协同解析与监测方法技术

本发明专利技术涉及一种面向高端燃煤发电装备非平稳运行的高斯非高斯特征协同解析与监测方法，包括：步骤1、选取正常工况下的非平稳过程数据；步骤2、数据矩阵重构；步骤3、负荷片预处理。本发明专利技术的有益效果是：针对高端燃煤发电非平稳运行过程数据的小尺度监测技术提供了新的研究思路；通过提出一种高斯特征和非高斯特性协同的监测思路，在通过工况指示变量进行数据重构的基础上，利用易于表征和建模的高斯特征将负荷片进行步进有序的模态自动划分，巧妙地将原先的不平稳数据转换成平稳的负荷模态；划分结果表明，尽管负荷随着时间波动，但潜在的高斯信息的分布特性在相同负荷模态下非常相似，而不同负荷模态下则存在显著差异。

【技术实现步骤摘要】
面向高端燃煤发电装备非平稳运行的高斯非高斯特征协同解析与监测方法
本专利技术涉及非平稳高端燃煤发电过程多元统计监测领域，尤其包括一种高斯特征与非高斯特性协同的细粒度监测方法，考虑到高斯信息是更易建模和表征的，利用提取出的高斯特征将一个非平稳过程步进有序自动划分为若干个负荷模态，进而小尺度地在模态划分结果上进行高斯空间、非高斯空间的过程监测。
技术介绍
近年来，随着工业生产安全和质量的要求，过程监控领域受到了高度重视。由于物联网技术的新型发展，海量过程数据得以被采集、存储，主元分析、偏最小二乘等多元统计过程监测方法在工业实践中得到了广泛应用。这些技术方法可以将高度相关的高维信息投影到一个低维的潜在空间，挖掘数据中包含的潜在信息。两个重要的基本假设是观测数据的分布是多元高斯分布，可以精确地估计出统计量的置信区间，设计有效的控制限；以及过程数据假设是平稳的，这样才能从样本泛化到整体，保证在线监测性能。但是，由于生产环境的变化、设备老化、产品生产与操作工况的频繁切换，绝大多数的工业生产过程是不平稳的，同时呈现着非高斯的分布特性。此时的过程工况是多模态的，且在不同模态之间实时跳变。此时，传统的多元统计过程监测方法已不再适用，单一的模态建模与其控制限容易引发频繁的误报。且由于潜在的高斯特性和非高斯特性的分布混杂，建模时很难精细地去评估分布的置信区间，进而降低了监测的灵敏性。因此，具有非高斯特性的非平稳过程监测是一项研究难题，现有的技术方法存在较大局限。针对非平稳过程监测，最为广泛使用的是自适应、多模态的方法。自适应方法旨在捕获非平稳过程在时间方向上的变化，及时地更新模型。但早期故障数据也可能被错误地引入到模型更新的范畴，给模型的可靠性带来不利影响。多模态策略只考虑了观测数据的距离，忽略了它们的潜在信息。并且多模态策略的监测性能高度依赖于模型划分和在线匹配的精准性。协整分析作为研究非平稳变量的长期稳定关系的分析方法，可以挖掘出不变的长期均衡关系。尽管协整分析在工业领域中有一些成功的应用，然而算法本身要求非平稳变量是同阶单整的，这一假设很难在实际中成立。近年来，步进有序时段划分方法由赵春晖等学者提出，适用于具有不同模态的批次过程建模。它提出了一种新颖的不平稳瞬变过程数据的分析策略，通过数据重构的方式来进行模态划分与在线匹配。然而，这种方法忽略了每种模态内部的数据分布特性，高斯信息和非高斯信息的混杂导致了控制限选取的精度降低。因而，应该对二者分别监测与分析，提高监测的准确性和灵敏性。
技术实现思路
本专利技术的目的是克服现有技术中的不足，提供一种面向高端燃煤发电装备非平稳运行的高斯非高斯特征协同解析与监测方法。这种面向高端燃煤发电装备非平稳运行的高斯非高斯特征协同解析与监测方法，包括以下步骤：步骤1、选取正常工况下的非平稳过程数据：采集N个样本，每个样本均包含J个测量变量，得到二维数据矩阵步骤2、数据矩阵重构：将二维数据矩阵根据工况指示变量的大小进行升序排序来重构样本；确定工况间隔β，将工况指示变量划分成M个区间，获得M个负荷片其中Nm为第m个负荷片内的样本数，m＝1,2,,M；步骤3、负荷片预处理：将每个负荷片内每一列向量中的每一元素分别进行减均值和除以标准差的标准化处理；其中下标j代表第j列，下标k代表每列中第k个元素，为负荷片第k行j列的元素；标准化处理的计算公式为：上式中，是第j列向量的均值，是第j列向量的标准差，为标准化后的负荷片Xm第k行j列的元素；为：将负荷片标准化后，得到每列均值为0，方差为1的矩阵Xm(Nm×J)；步骤4、对负荷片进行SSA建模：步骤4.1、对标准化后的负荷片数据矩阵Xm(Nm×J),m＝1,2,,M建立SSA模型，其中SSA建模公式如下：gm＝XmWm(3)上式中，gm为第m个负荷片的特征，Wm(J×J)为SSA的系数矩阵；步骤4.2、选取主高斯特征个数：根据高斯检验结果，将gm分为两个部分：SSA所提第m个负荷片的特征gm的两部分分别为：上式中，gm,d是从第m个负荷片提取出的高斯特征，gm,e为从第m个负荷片提取出的非高斯特征；Wm,d和Wm,e分别表示高斯特征和非高斯特征的变换矩阵，Wm,d和Wm,e共同组成SSA的系数矩阵Wm(J×J)；步骤4.3、计算各负荷片的高斯特征监测统计量和控制限：上式中，gm,d是从第m个负荷片提取出的高斯特征；是gm,d的监测统计量，采用核密度估计确定出控制限步骤5、步进有序地将非平稳过程数据划分成多个负荷维度上平稳的负荷模态：步骤5.1、从第一个负荷片开始，依次将下一个负荷片与之前的负荷片组合在一起得到负荷段矩阵其中下标k代表该负荷段矩阵由k个负荷片组成；对新的负荷段矩阵进行SSA建模，将负荷段内每个负荷片中出现次数最多的高斯特征个数p作为负荷段SSA模型的高斯特征个数：gv,k＝Xv,kWv,k(7)gv,k,d＝Xv,kWv,k,d(8)gv,k,e＝Xv,kWv,k,e(9)上式(7)至式(9)中，gv,k为负荷段的SSA特征，Wv,k(J×J)为负荷段的变换矩阵；gv,k,d和gv,k,e分别为负荷段内提取出的高斯特征和非高斯特征；Wv,k,d(J×p)和Wv,k,e(J×(J-p))分别表示负荷段SSA模型的高斯特征和非高斯特征的变换矩阵；步骤5.2、计算当前负荷段内各个负荷片的高斯特征监测统计量和控制限：上式中，是负荷段内第m个负荷片的高斯特征gv,m,d的监测统计量，m＝1,2,…,k；采用核密度估计确定出控制限步骤5.3、确定负荷段划分点k*：针对负荷段内的所有负荷片，比较每个负荷片在独自建模时的控制限与统一建模时的控制限若自第k*个负荷片起，连续三个负荷片呈现则新加入的负荷片对该负荷段的SSA模型有不利影响，进行负荷段划分，将新加入的负荷片序号k*记为负荷段划分点，将k*之前引入的负荷片归属于同一个负荷段；反之则继续引入下一个负荷片，直至找到负荷段划分点；所述α为缓和因子并且是常数；步骤5.4、划分所有的负荷段，进行数据更新：根据步骤5.3中的k*，移除已划分好的负荷段，把余下的非平稳过程数据作为新的输入数据带入步骤5.1中；步骤6、采用基于负荷模态划分的监测算法对每个负荷模态的高斯特征和非高斯特征协同进行细粒度的监测分析：步骤6.1、根据步骤5得到划分好的O个负荷段，记为代表已划分好的第o个负荷段的样本个数，为负荷段内所有负荷片的样本数之和；建立第o个负荷段的SSA模型：go＝XoWo(11)上式中，go代表从第o个负荷段中提取的特征；Wo为第o个负荷段的变换矩阵；步骤6.2、按步骤4.1中相应的负荷片数据矩阵Xm进行SSA建模：出现次数最多的高斯特征个数p作为负荷段SSA模型的高斯个数；按照高斯检验的置信度结果从大到小对特征重新排序，得本文档来自技高网...

【技术保护点】
1.面向高端燃煤发电装备非平稳运行的高斯非高斯特征协同解析与监测方法，其特征在于，包括以下步骤：/n步骤1、选取正常工况下的非平稳过程数据：采集N个样本，每个样本均包含J个测量变量，得到二维数据矩阵

【技术特征摘要】
1.面向高端燃煤发电装备非平稳运行的高斯非高斯特征协同解析与监测方法，其特征在于，包括以下步骤：
步骤1、选取正常工况下的非平稳过程数据：采集N个样本，每个样本均包含J个测量变量，得到二维数据矩阵
步骤2、数据矩阵重构：将二维数据矩阵根据工况指示变量的大小进行升序排序来重构样本；确定工况间隔β，将工况指示变量划分成M个区间，获得M个负荷片其中Nm为第m个负荷片内的样本数，m＝1,2,…,M；
步骤3、负荷片预处理：将每个负荷片内每一列向量中的每一元素分别进行减均值和除以标准差的标准化处理；其中下标j代表第j列，下标k代表每列中第k个元素，为负荷片第k行j列的元素；标准化处理的计算公式为：



上式中，是第j列向量的均值，是第j列向量的标准差，为标准化后的负荷片Xm第k行j列的元素；为：



将负荷片标准化后，得到每列均值为0，方差为1的矩阵Xm(Nm×J)；
步骤4、对负荷片进行SSA建模：
步骤4.1、对标准化后的负荷片数据矩阵Xm(Nm×J),m＝1,2,…,M建立SSA模型，其中SSA建模公式如下：
gm＝XmWm(3)
上式中，gm为第m个负荷片的特征，Wm(J×J)为SSA的系数矩阵；
步骤4.2、选取主高斯特征个数：根据高斯检验结果，将gm分为两个部分：



SSA所提第m个负荷片的特征gm的两部分分别为：



上式中，gm,d是从第m个负荷片提取出的高斯特征，gm,e为从第m个负荷片提取出的非高斯特征；Wm,d和Wm,e分别表示高斯特征和非高斯特征的变换矩阵，Wm,d和Wm,e共同组成SSA的系数矩阵Wm(J×J)；
步骤4.3、计算各负荷片的高斯特征监测统计量和控制限：



上式中，gm,d是从第m个负荷片提取出的高斯特征；是gm,d的监测统计量，采用核密度估计确定出控制限
步骤5、步进有序地将非平稳过程数据划分成多个负荷维度上平稳的负荷模态：
步骤5.1、从第一个负荷片开始，依次将下一个负荷片与之前的负荷片组合在一起得到负荷段矩阵其中下标k代表该负荷段矩阵由k个负荷片组成；对新的负荷段矩阵进行SSA建模，将负荷段内每个负荷片中出现次数最多的高斯特征个数p作为负荷段SSA模型的高斯特征个数：
gv,k＝Xv,kWv,k(7)
gv,k,d＝Xv,kWv,k,d(8)
gv,k,e＝Xv,kWv,k,e(9)
上式(7)至式(9)中，gv,k为负荷段的SSA特征，Wv,k(J×J)为负荷段的变换矩阵；gv,k,d和gv,k,e分别为负荷段内提取出的高斯特征和非高斯特征；Wv,k,d(J×p)和Wv,k,e(J×(J-p))分别表示负荷段SSA模型的高斯特征和非高斯特征的变换矩阵；
步骤5.2、计算当前负荷段内各个负荷片的高斯特征监测统计量和控制限：



上式中，是负荷段内第m个负荷片的高斯特征gv,m,d的监测统计量，m＝1,2,…,k；采用核密度估计确定出控制限
步骤5.3、确定负荷段划分点k*：
针对负荷段内的所有负荷片，比较每个负荷片在独自建模时的控制限与统一建模时的控制限若自第k*个负荷片起，连续三个负荷片呈现则新加入的负荷片对该负荷段的SSA模型有不利影响，进行负荷段划分，将新加入的负荷片序号k*记为负荷段划分点，将k*之前引入的负荷片归属于同一个负荷段；反之则继续引入下一个负荷片，直至找到负荷段划分点；所述α为缓和因子并且是常数；
步骤5.4、划分所有的负荷段，进行数据更新：根据步骤5.3中的k*，移除已划分好的负荷段，把余下的非平稳过程数据作为新的输入数据带入步骤5.1中；
步骤6、采用基于负荷模态划分的监测算法对每个负荷模态的高斯特征和非高斯特征协同进行细粒度的监测分析：
步骤6.1...

【专利技术属性】
技术研发人员：孟瑜炜，王豆，张震伟，俞荣栋，郭鼎，赵春晖，赵诣，
申请(专利权)人：浙江浙能技术研究院有限公司，浙江大学，
类型：发明
国别省市：浙江;33