隨著我國電力工業(yè)的迅猛發(fā)展,火電廠鍋爐設(shè)備的應(yīng)用日趨廣泛,作為火力發(fā)電中必不可少的重要動力設(shè)備,各企業(yè)對鍋爐系統(tǒng)運行的安全性和穩(wěn)定性也提出了越來越高的要求。因此鍋爐系統(tǒng)結(jié)構(gòu)愈發(fā)復(fù)雜且運行參數(shù)更加多元化,為了減少甚至避免故障的發(fā)生所帶來的社會和經(jīng)濟損失,提高鍋爐設(shè)備運行的安全性和使用壽命,對設(shè)備運行狀態(tài)數(shù)據(jù)的實時監(jiān)測和各種故障現(xiàn)象的及時精確的預(yù)警工作是具有極其重要的理論意義和實用價值的。本文主要從電廠鍋爐設(shè)備在線監(jiān)測數(shù)據(jù)的清洗、數(shù)據(jù)模糊化和故障預(yù)警方法三個層次開展了研究工作,研究能夠?qū)崟r監(jiān)測鍋爐設(shè)備運行狀態(tài)的智能故障預(yù)警技術(shù)。本文提出了一種基于堆棧降噪自編碼器的數(shù)據(jù)清洗方法。該方法首先引入Adam和SGD的混合優(yōu)化算法,以不斷調(diào)整堆棧降噪自編碼器模型的最佳網(wǎng)絡(luò)參數(shù),訓(xùn)練后的模型可直接提取正常狀態(tài)數(shù)據(jù)的隱藏特征,得到正常狀態(tài)下的重構(gòu)誤差;然后用該模型分析不同類型的異常狀態(tài)數(shù)據(jù)下的重構(gòu)誤差對模型的影響;最后對“臟數(shù)據(jù)”和反映設(shè)備故障的異常數(shù)據(jù)快速分類清洗修復(fù)。通過實驗分析,該方法能有效快速地對鍋爐設(shè)備在線監(jiān)測數(shù)據(jù)進行分類和清洗,取得了良好的應(yīng)用效果,驗證了該方法的有效性和實用性。本文提出了一... 

【文章來源】：東北電力大學(xué)吉林省

【文章頁數(shù)】：58 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖３－丨ｎ編碼器結(jié)構(gòu)閱??３．２．２堆棧降噪自編碼器??

ＤＡＥ２；重復(fù)上述??訓(xùn)練過程，直到訓(xùn)練完所有的ＤＡＥ單元；最后再用監(jiān)督訓(xùn)練微調(diào)整個網(wǎng)絡(luò)的參數(shù)，頂層??ＤＡＥ單元的輸出向量＞?即為初始向量ｘ？的隱層特征表示。??Ｃｏ?〇?〇?〇?〇?〇）輸出層Ｗ??ＤＡ￡？，?個／＜ｒ）??Ｃｏ?０?Ｏ?Ｑ?Ｑ?Ｑ?Ｑ?Ｏ?Ｑ）?ｙ＂??謹２????（ＯＯＯＯＯＯＯＯＯ）?Ｙ２??＾ＤＡＥ，?ｔ，２）??（〇〇〇〇〇〇〇〇ｄ）?ｗ??￣￣?ｔ／１１）?廠??（ｏ?ｔ〇ａ〇ｄ）?－ｘ？??Ｃｏ?ｏ?０?０?ｏ?ｏ）輸入層ａ??圖３－２?ＳＤＡＥ結(jié)構(gòu)圖??３．?３基于Ａｄａｍ和ＳＧＤ混合優(yōu)化的ＳＤＡＥ模型??３．?３．?１混合優(yōu)化算法設(shè)計思路??通常，深層祌經(jīng)網(wǎng)絡(luò)越復(fù)雜，其表達數(shù)據(jù)的能力就越準確，但網(wǎng)絡(luò)的訓(xùn)練復(fù)雜性隨網(wǎng)??絡(luò)的復(fù)雜性而線性增加。在網(wǎng)絡(luò)訓(xùn)練中要想導(dǎo)找全局最優(yōu)解必須要將網(wǎng)絡(luò)參數(shù)收斂到最優(yōu)??值。然而，參數(shù)優(yōu)化效果常受深層祌經(jīng)網(wǎng)絡(luò)的復(fù)雜結(jié)構(gòu)影響。因此，設(shè)汁一種適用ｆ不同??網(wǎng)絡(luò)結(jié)構(gòu)的通用優(yōu)化算法是必要的。??隨機梯度下降（Ｓｔｏｃｈａｓｔｉｃ?Ｇｒａｄｉｅｎｔ?Ｄｅｓｃｅｎｔ，?ＳＧＤ）是深度學(xué)習(xí)中普遍使用的？種網(wǎng)絡(luò)參??數(shù)優(yōu)化算法，在更新參數(shù)時每次只在數(shù)據(jù)集中隨機選取一個數(shù)據(jù)進行精準計算，大大加快??了迭代速度，在多個調(diào)參實驗中都収得了不錯的成效。ＳＧＤ算法在時刻／下優(yōu)化參數(shù)０的??過程如下：??Ｓ，＝＾〇ｐ（〇）?（３－７）??Ａ９，?＝－ａ－ｇ，?（３－８）??式中６＾?—學(xué)習(xí)率；??ｇ，一初始梯度；??戶⑷一目標函數(shù)；??一卜降梯度。??然而，ＳＧＤ算法只使用單一的學(xué)習(xí)率更新所有參數(shù)，很難為不同類別的參數(shù)選擇相??適應(yīng)的學(xué)習(xí)率，如

－．．ＳＤＡＥ（ＳＧＤ）?２５００?０．４７２０?１２０６?３．７５３０??ＳＤＡＥ（Ａｄａｍ）?２５００?０．０１４１?１５３２?８．９０６６???圖３－４和表３－２所示的實驗結(jié)果表明，／ｌ：趨于穩(wěn)定方面，使用Ａｄａｍ算法優(yōu)化的模型??下降速度比使用ＳＧＤ算法優(yōu)化的模型有更明顯的優(yōu)勢；在精準調(diào)參方而，使用ＳＧＤ算法??優(yōu)化的模型運算速度遠快于使用Ａｄａｍ算法優(yōu)化的模型。相較兩者而１使用Ａｄａｍ和??ＳＧＤ混合算法優(yōu)化的模型（ＡＳ－ＳＤＡＥ）在趨于穩(wěn)定和精準調(diào)參方面都Ａ有更好的實驗效??米，ｍ．其重構(gòu)誤差也遠遠�。蚯皟烧�。??將汽包水位異常狀態(tài)數(shù)據(jù)經(jīng)ＡＳ－ＳＤＡＥ模型訓(xùn)練后，得到９００組數(shù)據(jù)的重構(gòu)誤差，其??分布情況如圖３－５所示。??

【參考文獻】：
期刊論文
[1]工業(yè)時序大數(shù)據(jù)質(zhì)量管理[J]. 丁小歐,王宏志,于晟健.  大數(shù)據(jù). 2019(06)
[2]淺談火電廠鍋爐運行控制及故障預(yù)防[J]. 肖尤國.  低碳世界. 2019(09)
[3]基于動態(tài)隸屬度的模糊時間序列在我國居民消費水平預(yù)測上的應(yīng)用[J]. 丁欣,謝祥俊,趙春蘭,王兵.  模糊系統(tǒng)與數(shù)學(xué). 2019(01)
[4]影響交通路徑規(guī)劃因素的模糊化數(shù)據(jù)處理方法[J]. 劉晨興,陳海洋,樊甜甜,趙程程,董顯明.  信息通信. 2018(09)
[5]基于人工智能技術(shù)的大數(shù)據(jù)分析方法研究進展[J]. 王萬良,張兆娟,高楠,趙燕偉.  計算機集成制造系統(tǒng). 2019(03)
[6]基于置信等效邊界模型的風(fēng)功率數(shù)據(jù)清洗方法[J]. 胡陽,喬依林.  電力系統(tǒng)自動化. 2018(15)
[7]基于信息融合的鍋爐安全運行多參數(shù)檢測方法[J]. 夏向共,張希旺,劉欣.  電子世界. 2018(13)
[8]基于相空間重構(gòu)和SVR的磨煤機故障預(yù)測研究[J]. 李德忠,楊柳,胡蓉,任資龍,謝小鵬,向春波.  發(fā)電設(shè)備. 2018(02)
[9]考慮安全和經(jīng)濟的電力系統(tǒng)連鎖故障協(xié)調(diào)控制模型[J]. 張晶晶,楊洋,李小燕,駱婷婷,李曉靜.  中國電機工程學(xué)報. 2018(16)
[10]基于棧式降噪自編碼器的輸變電設(shè)備狀態(tài)數(shù)據(jù)清洗方法[J]. 代杰杰,宋輝,楊祎,陳玉峰,盛戈皞,江秀臣.  電力系統(tǒng)自動化. 2017(12)

碩士論文
[1]鍋爐的能效評價與影響因素分析[D]. 劉林.山東大學(xué) 2012



本文編號：3401702