本文關(guān)鍵詞：基于多模型與現(xiàn)場數(shù)據(jù)的過熱汽溫模型辨識方法研究

  更多相關(guān)文章： 樣本優(yōu)選 譜聚類 最小二乘支持向量機(jī) 局部模型網(wǎng)絡(luò) ARIMA動態(tài)校正

【摘要】：過熱汽溫控制是火電廠熱工控制中較為重要的環(huán)節(jié),若想要達(dá)到較好的過熱汽溫控制效果,就必須對其進(jìn)行有效的分析。熱工對象的分析離不開準(zhǔn)確的數(shù)學(xué)模型,然而,過熱汽溫模型慣性和純遲延較大,非線性和時變性較強(qiáng),這就對模型的建立提出了很高的要求。本文采用了多模型建模方法對過熱汽溫進(jìn)行模型的建立,實驗表明此方法可以有效的解決在過熱汽溫模型建立中所遇到的難題。針對數(shù)據(jù)標(biāo)準(zhǔn)化前后可能發(fā)生的相對差距扭曲的情況,本文選擇了平均絕對偏差標(biāo)準(zhǔn)化對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化,使得各數(shù)據(jù)在標(biāo)準(zhǔn)化前后的相對差距不發(fā)生扭曲。利用主元分析及多變量過程監(jiān)測得到了影響過熱汽溫的主導(dǎo)輔助變量,并將其作為數(shù)據(jù)模型的輸入變量。應(yīng)用滑動窗穩(wěn)態(tài)數(shù)據(jù)提取算法從大量連續(xù)運(yùn)行數(shù)據(jù)中提取出了機(jī)組準(zhǔn)穩(wěn)態(tài)運(yùn)行數(shù)據(jù),用于靜態(tài)數(shù)據(jù)模型的建立。提出了基于樣本優(yōu)選的譜聚類算法并應(yīng)用到本文對大量運(yùn)行數(shù)據(jù)聚類。通過樣本優(yōu)選后,樣本數(shù)得以精簡,同時所剩樣本也能代表整個機(jī)組的運(yùn)行工況特性,可以用譜聚類算法對精簡后的樣本進(jìn)行聚類,否則樣本數(shù)量過大將導(dǎo)致譜聚類算法運(yùn)算量過大。根據(jù)機(jī)組容量和聚類結(jié)果選擇了三個聚類中心,即要建立三個局部模型。應(yīng)用每個局部模型所對應(yīng)的數(shù)據(jù)簇,采用最小二乘支持向量機(jī)進(jìn)行過熱汽溫數(shù)據(jù)模型的建立。通過采用最大絕對值誤差、相對均方根誤差、平均誤差、均方根誤差等評價指標(biāo)對模型的訓(xùn)練及測試結(jié)果進(jìn)行分析可發(fā)現(xiàn),本文所建立的最小二乘支持向量機(jī)數(shù)據(jù)模型具有較好的學(xué)習(xí)能力及泛化能力。考慮到硬切換給系統(tǒng)帶來的不穩(wěn)定性,本文采用軟切換協(xié)調(diào)機(jī)制來協(xié)調(diào)各個局部模型。選用了局部模型網(wǎng)絡(luò)算法求出對應(yīng)局部模型的權(quán)值,對局部模型輸出與權(quán)值進(jìn)行加權(quán)求和得出最終的多模型輸出。局部模型網(wǎng)絡(luò)的協(xié)調(diào)函數(shù)選用了高斯函數(shù),提出了基于粒子群優(yōu)化的局部模型網(wǎng)絡(luò)算法,以全局預(yù)測最優(yōu)為目標(biāo),采用粒子群算法對采用最鄰域啟發(fā)式算法計算出的每個高斯函數(shù)寬度的初始值進(jìn)行進(jìn)一步優(yōu)化。使其既考慮到自身數(shù)據(jù)簇內(nèi)的數(shù)據(jù)離散程度又兼顧了數(shù)據(jù)簇之間的離散程度。以此構(gòu)建的多模型系統(tǒng)具有很好的全局特性,針對所建立的靜態(tài)多模型系統(tǒng)動態(tài)性欠佳的問題,采用了基于ARIMA動態(tài)校正的多模型建模方法對過熱汽溫進(jìn)行模型的建立,結(jié)果表明,經(jīng)過動態(tài)校正后的多模型建模效果有了進(jìn)一步的提升,具有一定的實用價值。
【關(guān)鍵詞】：樣本優(yōu)選 譜聚類 最小二乘支持向量機(jī) 局部模型網(wǎng)絡(luò) ARIMA動態(tài)校正
【學(xué)位授予單位】：華北電力大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TM621;TP273
【目錄】：

• 摘要5-6
• Abstract6-10
• 第1章 緒論10-15
• 1.1 選題背景及意義10-12
• 1.1.1 選題背景10-11
• 1.1.2 課題研究意義11-12
• 1.2 目前主要的建模方法12-13
• 1.3 本論文的主要工作13-15
• 第2章 數(shù)據(jù)的選擇與處理15-31
• 2.1 數(shù)據(jù)預(yù)處理15-16
• 2.2 數(shù)據(jù)變換16-18
• 2.3 輔助變量的選擇18-22
• 2.3.1 主元分析理論18-21
• 2.3.2 多變量過程監(jiān)測21-22
• 2.4 主元分析與多變量過程監(jiān)測實際應(yīng)用22-26
• 2.5 穩(wěn)態(tài)數(shù)據(jù)的提取26-30
• 2.6 本章小結(jié)30-31
• 第3章 數(shù)據(jù)聚類及局部模型建立31-45
• 3.1 聚類分析31-32
• 3.2 聚類分析方法的分類32-33
• 3.3 譜聚類算法33-36
• 3.3.1 傳統(tǒng)譜聚類方法的流程35-36
• 3.4 基于樣本優(yōu)選的譜聚類36-39
• 3.5 穩(wěn)態(tài)下局部模型的建立39-43
• 3.5.1 最小二乘支持向量機(jī)39-41
• 3.5.2 局部模型建立41-43
• 3.6 本章小結(jié)43-45
• 第4章 多模型建模45-58
• 4.1 多模型建模概述45
• 4.2 多模型協(xié)調(diào)機(jī)制45-49
• 4.2.1 硬切換協(xié)調(diào)機(jī)制45-46
• 4.2.2 軟切換協(xié)調(diào)機(jī)制46-48
• 4.2.3 基于粒子群優(yōu)化的局部模型網(wǎng)絡(luò)48-49
• 4.3 基于粒子群優(yōu)化的多模型仿真49-53
• 4.4 多模型動態(tài)特性校正53-56
• 4.4.1 自回歸滑動平均模型53-54
• 4.4.2 差分自回歸滑動平均動態(tài)校正54
• 4.4.3 基于ARIMA的多模型動態(tài)校正54-56
• 4.5 本章小結(jié)56-58
• 第5章 結(jié)論與展望58-60
• 5.1 總結(jié)58-59
• 5.2 展望59-60
• 參考文獻(xiàn)60-63
• 攻讀碩士學(xué)位期間發(fā)表的論文及其它成果63-64
• 致謝64

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 朱鵬飛;夏陸岳;潘海天;;基于改進(jìn)Kalman濾波算法的多模型融合建模方法[J];化工學(xué)報;2015年04期

2 曹暉;李耀江;周延;王燕霞;;基于神經(jīng)網(wǎng)絡(luò)內(nèi)部模型的非線性偏最小二乘法用于火電廠煙氣光譜定量分析[J];光譜學(xué)與光譜分析;2014年11期

3 袁世通;韓璞;孫明;;基于大數(shù)據(jù)的多變量系統(tǒng)建模方法研究[J];系統(tǒng)仿真學(xué)報;2014年07期

4 嚴(yán)東;湯健;趙立杰;;基于特征提取和極限學(xué)習(xí)機(jī)的軟測量方法[J];控制工程;2013年01期

5 肖應(yīng)旺;楊軍;張承忠;杜瑛;;統(tǒng)計監(jiān)控建模離群點(diǎn)檢測數(shù)據(jù)預(yù)處理高效算法[J];儀器儀表學(xué)報;2012年12期

6 梁慶姣;劉吉臻;薛彥廣;閆姝;曾德良;;超超臨界機(jī)組的非線性模型及動態(tài)特性研究[J];動力工程學(xué)報;2012年02期

7 談愛玲;畢衛(wèi)紅;;基于KPCA和LSSVM的蜂蜜近紅外光譜鑒別分析[J];激光與紅外;2011年12期

8 呂玉坤;彭鑫;趙鍇;;電站鍋爐熱效率和NO_x排放混合建模與優(yōu)化[J];中國電機(jī)工程學(xué)報;2011年26期

9 杜文莉;官振強(qiáng);錢鋒;;一種基于時序誤差補(bǔ)償?shù)膭討B(tài)軟測量建模方法[J];化工學(xué)報;2010年02期

10 蔡曉妍;戴冠中;楊黎斌;;譜聚類算法綜述[J];計算機(jī)科學(xué);2008年07期

，

本文編號：689326