[发明专利]一种基于样本相似度加权的电站设备自适应建模方法

说明书

技术领域

本发明属于数据驱动建模技术领域，具体是涉及一种基于样本相似度加权的电站设备自适应建模方法。

背景技术

近年来，国家对火电机组推行“上大压小”政策，据中电联初步统计，截止2014年底，全国30万千瓦及以上火电机组比例达到77.7％，比2013年提高近1.4％。随着现代火电机组单机容量和参数的不断提高，火电系统本体和热工过程也变得越来越复杂，对热工过程建立精确的全局模型是优化控制系统的基础，对热工过程建模提出了更高的要求。

在电站实际运行过程中，设备存在积灰磨损腐蚀等情况，其性能会随时间发生变化，设备性能的变化使得利用有限数据集所建立的静态模型与实际过程特性之间产生偏差，而且这些偏差会随着时间的变化不断放大，最终使得模型无法反映过程对象的当前特性。因此需要考虑模型的自适应机制。

针对热工对象的自适应机制往往考虑到样本的时效性，即以时间作为加权因子，离当前时间最近的样本权重最高，距离当前时间越久远样本权重越低。但是考虑到热工对象工况变化范围较大，单纯以时间作为加权因子无法保证样本的多样性，导致模型的适用范围无法保证。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于样本相似度加权的电站设备自适应建模方法，以电站历史数据库中对象过程数据为主，结合对象现场试验数据，建立设备模型；根据建模样本的相似度将样本划分为不同的工况，根据时间为各工况内样本分配权重，剔除样本，兼顾建模样本的时效性和多样性，使得模型具有自学习能力，同时保证模型的适用范围广。

技术方案：为实现上述目的，本发明提供一种基于样本相似度加权的电站设备自适应建模方法，包括以下步骤：

1)建模变量选择

设备输出量的变化是由于输入条件发生变化或设备本身性能导致的，建立设备模型需要根据设备机理分析结果，同时结合现场测点条件，以能够反映设备性能的变量作为模型的输出变量，选择影响该输出变量的其他外部变量作为模型输入变量，以保证模型的完善性；

2)建模样本获取

建模样本的获取有两个来源，一是通过现场试验获取试验数据，二是从对象历史数据库中获取过程数据；从对象设备历史数据库中导出步骤1)中选出的变量数据作为建模样本，将试验数据也加入建模样本中，组成建模样本库D；

式(I)中：i＝1…N，j＝1…K，xⁱ代表步骤1)中选出的建模输入变量，y^j代表步骤1)中选出的建模输出变量；

3)建模样本权重分配

根据步骤2)得到建模样本后，综合考虑到样本的时效性和多样性，给样本划分工况和分配权重，作为后续样本更新的依据；

4)建模样本更新

当新样本到来时，计算该样本与各工况中心的欧氏距离，若对于所有工况中心，新样本距离都大于阈值D，则认为新样本为全新的工况，该工况的工况中心为该新样本；否则，将新样本加入与其距离最近的工况中，为其分配权重，同时剔除掉该工况中权重最低的样本；

5)设备自适应模型建立

根据前面的步骤得到建模样本及其权重后，利用机器学习算法建立设备特性模型。

所述的步骤3)包括以下步骤：

3a)分配初始权重

考虑到试验数据准确性和可信度高，在这里给建模样本中的试验数据分配较高的初始权重α，给建模样本中的过程数据分配相对较低的初始权重β；这里α,β∈[1,2]且α＞β；

3b)计算样本相似度

根据建模样本的输入变量计算各样本之间的欧氏距离d_ij；

式(II)中：x_i，x_j分别为第i和第j条建模样本的输入变量；

当两样本欧氏距离小于预设的距离阈值D时，认为样本属于同一工况下样本，这里D∈[5,20]；在这一步骤中将样本分为许多不同的工况；计算每一工况中样本输入变量均值，构成工况中心其中，i＝1…N，代表第k个工况输入变量的算术平均值；

3c)加入遗忘因子