[发明专利]一种热力系统阀门内漏量监测方法

权利要求书

1.一种热力系统阀门内漏量监测方法，其特征在于，所述监测方法包括以下步骤：

(1)通过阀门内漏建模来获取阀门内漏量与特征参数间样本大数据；包括：通过测量获得热力系统管道长度、内径、外径以及保温层厚度，随后建立管道微元段径向方向温度场；建立管道微元段轴向方向温度场，沿管道工质流动方向，对每一微元段逐段计算，最终得到阀门前管道温度场，每一个泄漏量对应一个管壁温；

(2)数据预处理，为提高识别模型的学习精度和效率，对步骤(1)中所述阀门内漏量与特征参数间样本大数据进行有效性验证，并剔除错误数据对数据进行归一化处理；

(3)基于改进SVM非线性组合识别模型的方法，将BP神经网络识别模型、RBF径向识别模型和GRNN神经网络识别模型进行结合，计算在特定特征参数下热力系统阀门内漏量，从而实现对阀门内漏量的监测，包括以下具体步骤：

步骤A：用所述BP神经网络识别模型、RBF径向基识别模型和GRNN神经网络识别模型对步骤(2)中预处理的阀门内漏量与特征参数间样本大数据分别进行识别，将获得到的各种识别方法的识别值与实际值形成新的测试样本与训练样本，将其作为改进SVM非线性组合模型的样本；

步骤B：初始化SVM模型，对拉格朗日乘子α_i、及阈值b进行随机赋值；

步骤C：将新的训练样本建立为符合SVM算法的目标函数，利用LIBSVM算法对其进行求解，得到拉格朗日乘子α_i、及阈值b的值；

步骤D：将经过步骤C计算的拉格朗日乘子α_i、及阈值b值带入到目标函数中，用测试样本计算基于改进SVM非线性组合识别模型在特定特征参数下的阀门泄漏量；

步骤E：将经过步骤D计算的阀门泄漏量和阀门实际的泄漏量进行比对，计算误差，当误差小于确定的精度时，则结束学习过程，若达不到确定精度，则返回步骤B继续进行学习；

步骤F：利用学习完成后的组合识别模型在输入特定特征参数后进行计算，得出热力系统阀门内漏量，实现对阀门内漏量的监测。

2.如权利要求1所述的热力系统阀门内漏量监测方法，其特征在于：将所述热力系统管道划分为多个微元管段，根据传热学原理对所述微元管段进行径向和轴向建模，并利用迭代法沿工质流动方向求解；根据第N段微元管段的沿程阻力损失和换热量计算第N段所述微元管段出口参数，并以此作为第N+1段所述微元管段的进口参数，直至获得阀门前的最后一个微元管段的壁面温度，建立起温度场与特征参数间的大样本模型。

3.如权利要求1所述的热力系统阀门内漏量监测方法，其特征在于：所述步骤(3)中的所述BP神经网络识别模型为包含1层隐含层的三层网络结构，输入层神经元数为3个，所述输入层神经元分别为热力系统管道入口工质压力、入口工质温度和阀门前管壁温度；输出层神经元为阀门泄漏量；中间层神经元的数量采用逐步实验法，以训练样本均方根误差最小为目标来确定，所述中间层神经元的数量为12个；隐含层神经元传递函数采用S型正切函数，输出层神经元传递函数采用S型对数函数，训练算法采用Levenberg-Marquardt算法。

4.如权利要求1所述的热力系统阀门内漏量监测方法，其特征在于：所述步骤(3)中的所述RBF径向识别模型采用输入层、隐含层、输出层的三层结构，输入层神经元数量为3个，输入层神经元分别为热力系统管道入口工质压力、入口工质温度和阀门前管壁温度；输出层神经元为阀门泄漏量；对于隐含层高斯函数中心，采用正交最小二乘法进行选取，并应用最小二乘法对网络输出权值进行训练。

5.如权利要求1所述的热力系统阀门内漏量监测方法，其特征在于：所述步骤(3)中所述GRNN神经网络识别模型的结构和神经元之间的连接权值由所述步骤(1)中所述阀门内漏量与特征参数间样本大数据确定，所述GRNN神经网络识别模型的平滑参数由试验法进行确定，根据样本特征，选择平滑参数为0.1-0.9，并以步长为0.05变化。