证据回归建模方法研究及其在热工对象中的应用

摘要

电站信息化的发展使得历史运行数据的获取相对容易，因此基于历史运行数据的数据驱动建模，已经成为热工对象建模过程中新的研究热点。然而历史运行数据往往存在着运行工况多且分布不均匀等特点，因此为保证覆盖全部工况，历史运行数据的训练样本集规模相对较大，导致数据驱动建模的训练过程复杂、硬件要求偏高；此外，由于历史运行数据本身精确性的限制，因此在某些应用场合，相对于给出模型的期望输出值，估计区间的输出形式更能帮助决策者了解模型本身的精确程度和可参考性。 证据回归是一种训练过程简单、鲁棒性较强的非参数回归方法，比较适宜于大规模训练样本集的数据驱动建模过程；此外，证据回归可以提供具有给定置信度的估计区间输出形式，从而能反映模型输出的置信程度和可参考性，又具有应用上的便利性。考虑到证据回归的上述两个优点，本文将基于历史运行数据，开展证据回归建模方法及其在热工对象中的应用研究。论文研究结果为基于历史运行数据的建模及其热工对象应用提供了新思路，具有一定理论指导意义和应用价值。本文主要内容和研究成果可分为： （1）基于模糊加权C调和聚类算法的证据回归多模型建模方法研究 本文提出一种基于模糊加权C调和聚类算法的证据回归多模型建模方法。首先，为适应历史运行数据大样本量和不同工况疏密程度不均匀的特点，本文提出了模糊加权C调和聚类算法，该算法引入“样本典型度”的概念，利用样本典型度概念可直接对样本集进行证据构建；将此证据构建过程用于证据回归多模型的子域划分，将规模较大的全域样本集划分为若干规模较小的子域样本集，并根据子域样本疏密程度的不同分别训练证据回归模型，从而减少训练时间、提高模型期望输出和估计区间的准确性；并且，将此证据构建过程用于证据回归多模型的样本判别，判别结果包含了识别框架样本集，也即不属于任何已有子域的新子域样本集，从而可以方便地实现模型自身的更新与校正。 （2）热工对象证据回归的全工况样本选择方法研究 本文提出了一种适用于热工对象证据回归的全工况样本选择方法。该方法利用密度偏差抽样和FCM聚类法粗筛选样本集，能够在较小计算复杂度前提下，实现热工对象历史运行数据的全局覆盖性；又设计了可以提高证据回归建模精度的KNN封装式样本选择，三者结合构成了电厂历史运行数据的DBS-FCM-KNN全工况样本选择方法。算例显示，本文方法能够为热工对象的证据回归过程提供高质量的训练样本集。 （3）基于证据回归多模型的NOx排放响应建模研究 本文基于浙江某电厂的历史运行数据建立了相应的NOx排放响应模型。首先，针对本文选取对象的实际特点选取了NOx排放响应过程建模所需的输入参量，采用DBS-FCM-KNN全工况样本选择方法筛选了覆盖全工况的训练样本集；其次，利用本文基于模糊加权C调和聚类的证据回归多模型方法建立了NOx排放响应模型，通过对比发现，本文方法训练时间更少，具有更新校正策略，模型精度更高；且模型估计区间的输出形式更能反映模型输出的精确程度和可参考性；最后，本文将建立的NOx排放响应模型用于锅炉燃烧优化之中，证明了本文方法的有效性和模型的实用性。 （4）基于证据回归多模型的热工设备状态预警研究 本文提出了基于前述证据回归多模型的热工设备状态预警方法。证据回归多模型可以计算具有一定置信度的估计区间，基于DBS-FCM-KNN全工况样本选择方法，选择高压加热器正常运行状态样本，构建其正常运行状态模型，并计算其各运行参数正常状态下的估计区间。此预警范围是浮动的动态范围，该范围的大小能够直接反映历史运行数据的分布，从而避免了状态预警阈值设定困难的问题。实例显示基于证据回归多模型的状态预警技术具有工程上的简便性和实用性，能够满足工程实际需求。

目录

第一个书签之前