[发明专利]基于核主元分析与径向基神经网络的软测量方法及系统

说明书

技术领域

本发明涉及发电机组运行参数的软测量，尤其涉及一种基于核主元分析与径向基神经网络的软测量方法及系统。

背景技术

现代大型火力发电机组中的很多测量传感器工作在高温、高压、具有腐蚀性的复杂环境中，有的还受到强电磁干扰，比系统中的其它部件更容易出现性能下降或故障，导致其测量的数据不可信。当传感器出现性能蜕化、失效或故障时，会给后续的监测、控制、故障诊断等系统带来严重影响，产生误报警、误诊断，甚至造成不可估量的损失。目前主要采用物理冗余的方法来保证恶劣环境中传感器测量数据的准确性，但在一些特殊情况下，安装额外传感器将受到限制或者信号直接不可测量时，只能依靠软测量技术(Soft Sensor Technology)获得需要的测量信号。

软测量技术的关键是软测量建模问题，即通过构造数学模型，描述可测量的关键操作变量、被控变量和扰动变量与建模对象之间的函数关系。国内外学者对软测量建模方法及应用进行了大量的研究。单一的建模方法有PCR、PLS、神经网络方法和LS-SVM等；另外许多混合的建模方法也被提出和应用到实际中，取得了很好的效果。继核方法提出后，核方法被广泛应用于软测量建模和复杂工业过程的故障诊断。王强等提出了一种将核主成分分析(KPCA)和最小二乘支持向量机(LSSVM)相结合的软测量建模方法，经过验证具有较好的预测效果与泛化能力。赵欢等建立了基于KPCA-ε-SVM的锅炉热效率和NO_x的排放特性响应模型。

有不少学者将PCA(Principle Component Analysis)与RBF(Radial Basis Function)网络结合建立软测量模型。杨尔辅等将PCA-RBF方法用于工业裂解炉收率的预测建模；杨敏等将改进的动态DPCA-RBF网络应用于工业流化床乙烯气相聚合过程的软测量建模中。由于采用PCA提取主元后，尽管能消除输入变量之间的相关性，但是提取的主元并不能完整地反映原变量特征信息，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，是较多学者将KPCA应用于软测量建模的主要原因，通过验证可知，该方法具有更高的精度和更好的泛化能力。

发明内容

为了解决以上技术问题，本发明提供一种基于核主元分析与径向基神经网络的软测量方法及系统。具体技术方案如下：

一种基于核主元分析与径向基神经网络软的测量系统，包括

测量辅助变量的智能仪表：发电机组所有可测变量都是通过现场的传感器测量后存储到DCS数据库中，所述的辅助变量为经过机理分析模块后得到的与待建模变量具有依赖关系的可测变量；

存储数据的DCS数据库：在机组运行过程中，电厂的DCS数据库中存储着机组的所有数据，软测量仪表建模及预测所用数据均来自DCS数据库；

软测量系统，包括用于建模的PC机(通过人工机理分析、KPCA-RBF网络建模模块)、用于软测量模型预测的服务器(数据采集模块、KPCA-RBF网络预测模块)、用于数据显示和存储的设备(数据显示和存储模块)。

本发明中，基于核主元分析与径向基神经网络的软测量系统的基本思路，是基于历史数据与高精度的测量仪表，通过机理分析得到主要辅助变量，根据核主元分析提取数据特征，再通过径向基神经网络建模，得到待测变量的模型进行实时在线预测。

机理分析的目的是从机组的众多运行参数中是找出与待测量参数相关的变量。通过质量守恒、能量守恒原理、机组运行机制、机组控制系统、及工艺流程来分析相关的辅助变量。这样得到的相关变量组是软测量建模的基础。完备的相关变量组可以有效的降低建模误差，提高软测量的测量精度。

KPCA-RBF网络建模模块利用KPCA方法提取辅助参数的高阶非线性特征，降低数据维数，消除数据的冗余与噪声，再将经过特征值提取后的主元变量集，作为RBF神经网络的输入建立软测量模型。KPCA提取数据特征采用径向基函数K(x,x_i)＝exp(-|x-x_i|²/2σ²)作为KPCA中的核函数，其中，K为核矩阵，x为输入空间的各变量，x_i为基函数中心，σ为基函数宽度系数。