[发明专利]燃煤机组运行状态实时评估方法及其系统

权利要求书

1.燃煤机组运行状态实时评估方法，其特征在于，包括以下步骤：

S1：确定燃煤机组运行状态评估的特征参数，采集历史特征参数数据和实时特征参数数据；

S2：对所述历史特征参数数据进行聚类分析并根据聚类分析结果建立基于概率的高斯混合模型；

S3：通过迭代法更新所述基于概率的高斯混合模型的参数，根据所述参数建立比对高斯混合模型并记录比对高斯混合模型建立过程中每一次迭代时所述基于概率的高斯混合模型的期望值；

S4：计算实时特征参数数据与所述期望值的相似度，输出相似度最大的作为燃煤机组实时评估值以对燃煤机组运行状态进行评估。

2.根据权利要求1所述的燃煤机组运行状态实时评估方法，其特征在于，所述S2中对所述历史特征参数数据进行聚类分析前先对所述历史特征参数数据进行预处理，所述预处理包括数据清洗和数据归约，所述数据归约采用主成分分析法。

3.根据权利要求1所述的燃煤机组运行状态实时评估方法，其特征在于，所述聚类分析采用K-means算法。

4.根据权利要求3所述的燃煤机组运行状态实时评估方法，其特征在于，所述基于概率的高斯混合模型为：

其中，x是维度为d的列向量,d为每组特征参数的个数，μ是模型期望，Σ是模型均方差，a_k是权值因子，T表示矩阵的转置，k是K-means算法得到的中心点的个数。

5.根据权利要求4所述的燃煤机组运行状态实时评估方法，其特征在于，所述建立比对高斯混合模型的步骤为：

S301：参数初始化：对通过K-means聚类得到的K均值计算得到各中心点作为比对高斯模型初始期望μ₀，同组工况点协方差得到高斯模型初始均方差Σ₀；同组包括的样本点占总样本的比例为高斯模型的初始权值；

S302：E-step：依据当前参数，计算每个数据j来自子模型k的可能性：

其中k＝1,2,3…，K；j＝1,2,3…，N，N表示数据总数；

S303：M-step：计算新一轮迭代的模型参数：

重复计算E-step和M-step直至|θ_i+1-θ_i|<R，算法停止，其中θ_i表示第i次迭代得到的参数解,R为常数。

6.燃煤机组运行状态实时评估系统，其特征在于，包括：

第一模块：用于确定燃煤机组运行状态评估的特征参数，采集历史特征参数数据和实时特征参数数据；

第二模块：用于对历史特征参数数据进行聚类分析并根据聚类结果建立基于概率的高斯混合模型；

第三模块：用于求取得到所述历史特征参数数据概率最大时所述基于概率的高斯混合模型的参数，根据所述参数建立比对高斯混合模型：

第四模块：用于计算实时特征参数数据与比对高斯混合模型期望值的相似度，输出相似度最大的相似值作为燃煤机组实时评估值以对燃煤机组运行状态进行评估。

7.根据权利要求6所述的燃煤机组运行状态实时评估系统，其特征在于，所述评估系统还包括第五模块，所述第二模块对历史特征参数数据进行聚类分析前先由第五模块对参数数据进行预处理，所述预处理包括数据清洗和数据归约，所述数据归约采用主成分分析法。

8.根据权利要求6所述的燃煤机组运行状态实时评估系统，其特征在于，所述第二模块中聚类分析采用K-means算法。

9.根据权利要求8所述的燃煤机组运行状态实时评估系统，其特征在于，所述第二模块建立的高斯混合模型为：

其中，x是维度为d的列向量,d为每组特征参数的个数，μ是模型期望，Σ是模型均方差，a_k是权值因子，T表示矩阵的转置，k是K-means算法得到的中心点的个数。

10.根据权利要求9所述的燃煤机组运行状态实时评估系统，其特征在于，所述第三模块建立比对高斯混合模型包括：

参数初始化单元：用于对通过K-means聚类得到的K均值计算得到各中心点作为比对高斯模型初始期望μ₀，同组工况点协方差得到高斯模型初始均方差Σ₀；同组包括的样本点占总样本的比例为高斯模型的初始权值；

E-step单元：用于依据当前参数，计算每个数据j来自子模型k的可能性：

其中k＝1,2,3…，K；

M-step单元：用于计算新一轮迭代的模型参数：

重复计算E-step和M-step直至|θ_i+1-θ_i|<0.001，算法停止，其中θ_i表示第i次迭代得到的参数解。