[發明專利]一種基于燃煤電站運行數據的環保裝備性能預測方法

在審

• 申請號: 201910822076.5
• 申請日: 2019-09-02
• 公開（公告）號: CN110716512A
• 公開（公告）日: 2020-01-21
• 發明（設計）人: 李存文;馮前偉;劉曉萌;魏宏鴿;張楊;朱躍
• 申請（專利權）人: 華電電力科學研究院有限公司
• 主分類號: G05B19/418
• 分類號: G05B19/418
• 代理公司: 33209 杭州天欣專利事務所(普通合伙)
• 代理人: 陳紅

1.一種基于燃煤電站運行數據的環保裝備性能預測方法，其特征在于，包括以下步驟：

A、數據采集及數據預處理：設定采樣周期、采樣總時長、機組和環保裝備狀態參數，在燃煤電站DCS或SIS系統數據庫內采集運行數據，檢查參數測點的完整性，同時對數據進行數據預處理，去除噪聲和異常數據干擾，提高原始數據的質量，然后進入步驟B；

B、對狀態參數進行關鍵因素識別：首先通過方差來衡量數據變量的發散性，若方差接近于零，則該參數在采樣期間數值基本不變，該參數與預測目標無關，予以剔除；關鍵因素識別依托相關性分析而得到狀態參數對最終預測目標的影響程度或權重系數；對于不同的參數變量選擇適宜的相關性分析方法，以獲得影響環保性能的關鍵因素及其權重系數，然后進入步驟C；

C、依托回歸分析的環保裝備性能預測模型搭建：選取關鍵因素作為環保裝備性能預測模型的輸入，采用回歸分析技術搭建環保裝備性能預測的數據模型，而回歸分析技術所包涵的各算法具有各自適用情況，模型搭建時進行算法調優；為使數據模型持續地具有良好精度和性能，對模型進行多次的測試和迭代優化；然后進入步驟D；

D、模型有效性和準確性驗證：對于回歸類數據模型，模型評價指標主要有R²、RMSE、MAE、MAPE；各指標合理數值的大小，結合具體的業務知識，確定其誤差數值范圍，以符合業務目標需求；評價指標的數值作為模型參數調優的反饋，直至各項指標合理且最佳，即得到基于數據的性能預測建模結果。

2.根據權利要求1所述的基于燃煤電站運行數據的環保裝備性能預測方法，其特征在于，所述步驟A中數據預處理包括測點參數辨識、數據集成、數據清理、光滑去噪、數據變換。

3.根據權利要求1所述的基于燃煤電站運行數據的環保裝備性能預測方法，其特征在于，所述步驟B中相關性分析的具體方法有Pearson相關性、卡方檢驗、互信息法或基于決策樹的相關性；

Pearson相關性主要用于評價線性相關性，取值范圍在[-1,1]；0代表無相關性，負值代表負相關，正值代表正相關，絕對值越大，說明相關性越強；

卡方檢驗主要用于檢驗兩組數據是否具有統計學差異，從而分析自變量與因變量之間的相關性；該差異包括實際值與理論值偏差的絕對大小和差異程度與理論值的相對大小；χ²值越大，相關程度越大；故此，常用χ²值來做降維，保留相關程度大的變量；

互信息法用于評價定性自變量對定性因變量的相關性；

基于決策樹的集成學習算法具有預測精度高、模型訓練后可輸出模型所使用特征的相對重要度，因此采用樹模型的方法來理解某因素對預測目標是否有關鍵影響，從而選擇建模特征；而特征j的全局重要度通過特征j在單顆樹中的重要度的平均值來計算。

4.根據權利要求1所述的基于燃煤電站運行數據的環保裝備性能預測方法，其特征在于，所述步驟C中回歸分析技術可用的回歸算法有嶺回歸、Lasso回歸、神經網絡；其中，嶺回歸主要用于數據具有多重共線性，通過收縮參數?來解決多重共線性問題；Lasso回歸是在線性回歸的基礎上，增加一個絕對值懲罰項，以減少變化性，并提高線性回歸模型的準確性；神經網絡主要用于對復雜函數進行估計或近似，而采用非線性的激活函數后，神經網絡的準確性和適用性得到大大提高，可逼近任意的非線性函數；模型的迭代優化采用梯度下降算法完成。

5.根據權利要求1所述的基于燃煤電站運行數據的環保裝備性能預測方法，其特征在于，所述步驟D中模型評價指標，R²用于評價模型好壞程度，數值越接近1，模型效果越好；MAPE（平均絕對百分誤差）越接近零，說明模型效果越好；RMSE（均方根誤差）和MAE（平均絕對誤差）為帶量綱的指標，其合理數值視具體的業務目標需求而定。