[发明专利]基于信息熵及自联想回归模型的机组能效监测诊断方法

权利要求书

1.一种基于信息熵及自联想回归模型的机组能效监测诊断方法，其特征在于，具体包括如下步骤：

步骤1、收集机组全工况运行区间的历史数据，并对历史数据进行预处理；所述历史数据由状态向量[x_j,x_m[的集合组成，其中，x_j为条件参数的测量值，j为条件参数的索引，j∈[1，m-1]，x_m为决策变量，m为条件参数与决策变量的总数量；

步骤2、将预处理后的全工况运行区间划分成若干个局部工况区，对每一个局部工况区内的条件参数以决策变量最小化为目标进行聚类，获得最优的条件参数集合；将条件参数集合分为测试集和工况库；

步骤3、将测试集通过自联想回归估计方法建立最优运行工况区的状态估计模型；

步骤4、根据条件参数的信息熵权计算初始熵权和次熵权，确定各条件参数的权重值；

步骤5、实时将机组运行过程中的条件参数输入最优运行工况区的状态估计模型中，预测出条件参数的估计值，计算估计值与测量值的偏差结合步骤4的权重值，构造能效偏离度，对能效偏离度进行滤波处理，得到滑动平均偏离度，并确定低能效偏离度阈值和高能效偏离度阈值；

步骤6、将滑动平均偏离度与低能效偏离度阈值、高能效偏离度阈值进行比较，给出机组能效监测诊断方案。

2.根据权利要求1所述基于信息熵及自联想回归模型的机组能效监测诊断方法，其特征在于，步骤1中对历史数据进行预处理的过程具体为：

步骤11、根据历史数据中各条件参数的正常运行阈值分别判断各条件参数是否超出阈值，若超出，则将该条件参数对应的状态向量删除；

步骤12、对于保留的状态向量中的条件参数，判断每一个条件参数相邻时刻的波动率是否小于设定值，若否，将该条件参数对应的状态向量删除。

3.根据权利要求1所述基于信息熵及自联想回归模型的机组能效监测诊断方法，其特征在于，步骤3中最优运行工况区的状态估计模型为：

其中，x_est,j为测试集中第j个条件参数的估计值，x_kj为测试集中第j个条件参数在第k个工况下的测量值，n为测试集中各工况下的条件参数总量，q(k)为x_kj的权值，q(k)＝ker(x,x′)，ker()为高斯核函数，x为测试集,x′为工况库。

4.根据权利要求1所述基于信息熵及自联想回归模型的汽轮机能效监测诊断方法，其特征在于，步骤4包括如下子步骤：

步骤41、根据条件参数的信息熵，计算各条件参数的初始熵权

步骤42、根据条件参数的信息熵和信息熵均值，计算次熵权为

步骤43、根据初始熵权和次熵权，确定各条件参数的权重值为

其中，H_j为第j个条件参数的信息熵，为信息熵均值，H_k为第k个条件参数的信息熵，k≠j。

5.根据权利要求1所述基于信息熵及自联想回归模型的机组能效监测诊断方法，其特征在于，所述能效偏离度的构造过程为：

其中，dist_i表示第i个时刻的能效偏离度，表示第j个条件参数的权重值，x_est,j为第j个条件参数的预估值，x_j为第j个条件参数的测量值。

6.根据权利要求1所述基于信息熵及自联想回归模型的机组能效监测诊断方法，其特征在于，所述低能效偏离度阈值表示为δ₁＝3.5σ，所述高能效偏离度阈值表示为δ₂＝6σ，其中，σ表示能效偏离度的标准差。

7.根据权利要求1所述基于信息熵及自联想回归模型的机组能效监测诊断方法，其特征在于，步骤5中得到滑动平均偏离度的过程为：通过滑动平均滤波对能效偏离度进行滤波处理，设置滑动平均的个数为l个，则滑动平均偏离度其中，dist_i为第i时刻的能效偏离度。