[發明專利]基于核主元分析與徑向基神經網絡的軟測量方法及系統

在審

• 申請號: 201410618271.3
• 申請日: 2014-11-05
• 公開（公告）號: CN104536290A
• 公開（公告）日: 2015-04-22
• 發明（設計）人: 陳堅紅;李鴻坤;盛德仁;李蔚
• 申請（專利權）人: 浙江大學
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 杭州天勤知識產權代理有限公司 33224
• 代理人: 胡紅娟

技術領域

本發明涉及發電機組運行參數的軟測量，尤其涉及一種基于核主元分析與徑向基神經網絡的軟測量方法及系統。

背景技術

現代大型火力發電機組中的很多測量傳感器工作在高溫、高壓、具有腐蝕性的復雜環境中，有的還受到強電磁干擾，比系統中的其它部件更容易出現性能下降或故障，導致其測量的數據不可信。當傳感器出現性能蛻化、失效或故障時，會給后續的監測、控制、故障診斷等系統帶來嚴重影響，產生誤報警、誤診斷，甚至造成不可估量的損失。目前主要采用物理冗余的方法來保證惡劣環境中傳感器測量數據的準確性，但在一些特殊情況下，安裝額外傳感器將受到限制或者信號直接不可測量時，只能依靠軟測量技術(Soft?Sensor?Technology)獲得需要的測量信號。

軟測量技術的關鍵是軟測量建模問題，即通過構造數學模型，描述可測量的關鍵操作變量、被控變量和擾動變量與建模對象之間的函數關系。國內外學者對軟測量建模方法及應用進行了大量的研究。單一的建模方法有PCR、PLS、神經網絡方法和LS-SVM等；另外許多混合的建模方法也被提出和應用到實際中，取得了很好的效果。繼核方法提出后，核方法被廣泛應用于軟測量建模和復雜工業過程的故障診斷。王強等提出了一種將核主成分分析(KPCA)和最小二乘支持向量機(LSSVM)相結合的軟測量建模方法，經過驗證具有較好的預測效果與泛化能力。趙歡等建立了基于KPCA-ε-SVM的鍋爐熱效率和NO_x的排放特性響應模型。

有不少學者將PCA(Principle?Component?Analysis)與RBF(Radial?Basis?Function)網絡結合建立軟測量模型。楊爾輔等將PCA-RBF方法用于工業裂解爐收率的預測建模；楊敏等將改進的動態DPCA-RBF網絡應用于工業流化床乙烯氣相聚合過程的軟測量建模中。由于采用PCA提取主元后，盡管能消除輸入變量之間的相關性，但是提取的主元并不能完整地反映原變量特征信息，提取主元效率不高。而KPCA方法特征信息提取速度快、保留充分，是較多學者將KPCA應用于軟測量建模的主要原因，通過驗證可知，該方法具有更高的精度和更好的泛化能力。

發明內容

為了解決以上技術問題，本發明提供一種基于核主元分析與徑向基神經網絡的軟測量方法及系統。具體技術方案如下：

一種基于核主元分析與徑向基神經網絡軟的測量系統，包括

測量輔助變量的智能儀表：發電機組所有可測變量都是通過現場的傳感器測量后存儲到DCS數據庫中，所述的輔助變量為經過機理分析模塊后得到的與待建模變量具有依賴關系的可測變量；

存儲數據的DCS數據庫：在機組運行過程中，電廠的DCS數據庫中存儲著機組的所有數據，軟測量儀表建模及預測所用數據均來自DCS數據庫；

軟測量系統，包括用于建模的PC機(通過人工機理分析、KPCA-RBF網絡建模模塊)、用于軟測量模型預測的服務器(數據采集模塊、KPCA-RBF網絡預測模塊)、用于數據顯示和存儲的設備(數據顯示和存儲模塊)。

本發明中，基于核主元分析與徑向基神經網絡的軟測量系統的基本思路，是基于歷史數據與高精度的測量儀表，通過機理分析得到主要輔助變量，根據核主元分析提取數據特征，再通過徑向基神經網絡建模，得到待測變量的模型進行實時在線預測。

機理分析的目的是從機組的眾多運行參數中是找出與待測量參數相關的變量。通過質量守恒、能量守恒原理、機組運行機制、機組控制系統、及工藝流程來分析相關的輔助變量。這樣得到的相關變量組是軟測量建模的基礎。完備的相關變量組可以有效的降低建模誤差，提高軟測量的測量精度。

KPCA-RBF網絡建模模塊利用KPCA方法提取輔助參數的高階非線性特征，降低數據維數，消除數據的冗余與噪聲，再將經過特征值提取后的主元變量集，作為RBF神經網絡的輸入建立軟測量模型。KPCA提取數據特征采用徑向基函數K(x,x_i)＝exp(-|x-x_i|²/2σ²)作為KPCA中的核函數，其中，K為核矩陣，x為輸入空間的各變量，x_i為基函數中心，σ為基函數寬度系數。