采用生產數據的給煤計量聚類組合算法

錢 虹，郜建良，陳 綱，周 泉

(1.上海電力學院 自動化工程學院，上海 200090；2.上海市電站自動化技術重點實驗室,上海 200072；3.華能 上海石洞口第一電廠，上海 200942)

?

采用生產數據的給煤計量聚類組合算法

錢 虹1,2，郜建良1，陳 綱3，周 泉3

(1.上海電力學院 自動化工程學院，上海 200090；2.上海市電站自動化技術重點實驗室,上海 200072；3.華能 上海石洞口第一電廠，上海 200942)

為了降低鍋爐運行能耗，充分發揮鍋爐運行的效率，支撐節能減耗，需要對給煤量進行準確的測量。本文通過引入轉速比給煤率，作為給煤量計量的標準，采用灰色聚類小波去噪組合算法，對實際生產數據進行處理，得出轉速比給煤率比值的大小。通過采用此方法對某電廠數據進行分析，證明了方法可行，具有推廣意義。

給煤量；皮帶秤；灰色聚類分析；小波去噪

0 引言

隨著市場經濟的發展，在廠網分開后，電力市場實施了競價上網的市場機制?；痣姀S為了降低成本、提高效益，燃煤量的計量就成為了其生產經營中不可缺少的一項重要工作[1]。在火電廠燃煤量計量的眾多方法中，運用皮帶秤來計量燃煤量應用較為廣泛。但在實際的運行中，由于皮帶張力、環境、溫度及濕度、托輥軸承摩擦力等諸多外在因素的影響[2-4]，經常導致皮帶秤的測量不準確，偏離正常值。因此，當發現皮帶秤測量不準確時，采取一定的手段對皮帶秤給煤計量進行校核是非常必要的。目前電廠缺乏對給煤量計量的校核手段。本文引入轉速比給煤率，見式(1)，當式中d、△和n這3個值確定時，k只與單位長度皮帶上煤質量c有關，而c與煤的密度有關。在一段時間內，由于煤質相近，所以煤密度c可以用一個常數表示。因此，在這段時間內轉速比給煤率k為一個常數。此常數可以作為給煤計量校核的標準，但此常數較難獲取。本文采用數據分析的方法得到此比值。

(1)

式中：k為轉速比給煤率；c為單位長度皮帶上煤質量；d為驅動輪直徑；△為皮帶厚度；n為皮帶減速器減速比。

從大量數據中獲取有效數據的方法有很多，聚類分析法就是其中的一種[5]，目前，在樣本獲取中的應用有水電站水位的估算[6]、水果加工品質評價[7]等。由于在數據的采集過程中存在電磁干擾，所以對采集到的數據需要進行去噪，小波去噪算法就是眾多去噪方法中的一種，目前在數據處理中的應用有：焊接缺陷信號的處理[8]、納通道內DNA過孔信號的提取[9]等。本文主要應用灰色聚類小波去噪組合算法，首先，運用灰色聚類對數據進行處理，得到轉速比給煤率的有效數據和正常范圍。然后，運用小波去噪對通過聚類獲得的有效數據進行處理，得到去噪后的有效數據。最后，對去噪后的有效數據求期望值，此期望值就反映了當前皮帶秤的測量水平。通過運用生產數據進行驗證，結果準確，證明了此方法的可行性和有效性。

1 灰色聚類小波去噪計量算法

本文所應用的算法是基于灰色聚類算法和小波去噪算法的組合算法。首先，運用灰色聚類法對原始數據進行聚類分析，得到有效數據，然后運用小波去噪對有效數據進行去噪，得到去噪后的有效數據。

圖1 灰色聚類和小波去噪組合算法結構圖

算法結構見圖1。

1.1 灰色聚類法提取有效樣本

聚類分析是對樣本或指標進行分類的一種多元統計分析方法，其目的是在事物類別未知的情況下，把研究的對象按照一定的規則分成若干類，使各個類內的對象盡可能具有最大的相似性,不同類之間的對象盡可能有最大的相異性?；疑垲惙治鍪潜姸嗑垲惙椒ㄖ械囊环N，本文主要運用灰色星座聚類法，其基本原理為：將每個樣本點按一定的數量關系，點在一個上半圓之中，一個樣點用一顆“星點”來表示，同類的樣點便組成一個“星座”，然后勾畫出不同星座的界線，這樣就可以進行分類。此方法遵循的聚類準則為類內方差準則[10]。分析步驟如下：

首先，對原始數據指標值進行極差變換，使變換后的數值均落在[0°，180°]的閉區間內，如式(2)：

(2)

式中：aij為變換后以角度表示；xij為原始數據；xjmax為第j個變量的最大值；xjmin為第j個變量的最小值。

然后，對每個指標，根據其對系統變化的影響程度，分別給一個權數wj，使

(3)

式中：wj為第j個指標的權數。

利用極坐標與直角坐標的變換關系，先求出每一點各項指標的Xi、Yi值，然后將各點每項指標Xi、Yi值相加，即為各樣點的坐標值，其變換公式為：

(4)

(5)

式中：Xi為第i樣點的橫坐標；Yi為第i樣點的縱坐標。

繪制一個半徑為1的上半圓，以圓中心為坐標原點，以上半圓底為橫坐標X軸，并作出過原點的Y軸，根據Xi、Yi的值確定每一個樣點在星座園內的位置，將性質接近的點聚在一起，形成一個“星座”。

最后，求取綜合指標值，如式(6)。根據綜合指標值以及星座圖的聚類情況，確定分類結果。通過綜合指標值反推出各個類的邊界值。

(6)

式中：zi為綜合指標值。

在聚類結束之后，運用類內方差對聚類結果進行驗證，σ較小時證明聚類結果合理；反之，聚類結果不合理，需重新進行聚類。本文根據數據分析取0.3作為判斷σ的標準。公式如下：

(7)

式中：σ為類內方差；wj為第j個指標權數；xij為第j個指標的第i個數據；xjT為第j個指標的期望值。

1.2 小波算法進行去噪濾波

小波變換采用改變時間-頻率窗口形狀的方法，很好地解決了時間分辨率和頻率分辨率的矛盾，在時間域和頻率域里都具有很好的局部化性質。對信號中的低頻成分，采用寬的時間窗，得到高的頻率分辨率；對信號中的高頻成分，采用窄的時間窗，得到低的頻率分辨率[11-12]。

設函數ψ(t)∈L2(R)，滿足條件∫Rψ(t)dt=0，其中ψ(t)為基本小波。

將基本小波進行伸縮和平移，得到下列函數族：

(8)

(9)

通常取∫R|ψ|2dt=1，其意義是ψ(t)具有單位能量。

函數f(t)∈L2(R)的連續小波變換CWT定義為：

(10)

設一個含有噪聲的信號模型描述為：

S(x)=f(x)+n(x)，

(11)

式中：S(x)為降質信號；f(x)為原信號；n(x)為噪聲信號。

由于小波變換是線性變換，所以降質信號的小波系數是信號的小波系數和噪聲的小波系數之和，降質信號的離散逼近部分和離散細節部分，分別是信號變換后的離散逼近部分和離散細節部分與噪聲變換后的離散逼近部分和離散細節部分的和。因此，在消噪過程中，利用信號與噪聲在小波變換后，各自的小波系數的性質不同，可以消除或減弱噪聲。

2 在火電廠燃煤量計量中的應用

本文的數據處理是基于Matlab運算環境。首先，對在某電廠獲得的7月1日至7月15日的轉速和給煤率近1萬條數據進行處理(采樣時間間隔為1 min)，得到轉速比給煤率的值。如式(12)，式中n與時間有關，n為9 871。

[x1,x2,x3,x4，…,xn]=[20.865 509,21.258 846,21.686 264,21.429 733,21.298 002,21.399 473, 21.995 590,21.547 398,21.044 653,20.865 509,21.044 653,21.495 592, 21.134 037,20.922 691,21.260 214,20.916 540,21.233 000,21.092 566, 21.359 013,20.944 597,21.228 924,21.175 158,21.383 318,21.063 284, 21.133 812,21.142 336,21.097 799,21.232 336,20.971 466,20.857 504, 21.100 887,21.000 240,20.888 977,21.045 385,20.944 305,20.992 451,…, 21.081 293,21.186 115,21.200 815,21.061 571]。

(12)

對得到的轉速比給煤率的值進行聚類處理，利用極坐標與直角坐標的關系，求出每個樣本點對應的橫坐標值和縱坐標值。在進行計算時權值w取1。將得到的坐標繪制聚類星座圖，如圖2所示。

分別求取各個樣本的綜合指標值，并對綜合指標值進行作圖，如圖3所示。由圖3可以發現：綜合指標值絕大多數落在2.876 5～2.877 5。

通過星座圖和綜合指標值的綜合分析可以得出：轉速比給煤率有效范圍為19.5～22.5，類內方差為0.185 4。通過對半個月的轉速比給煤量近1萬個數據統計發現，按照類內方差為0.185 4進行劃分，不在此范圍內的樣點一共有67個，因此，在此范圍內的數據可以反映轉速比給煤量的數據特性，具有統計意義。

圖2 聚類星座圖圖3 綜合指標

對在上述范圍內的轉速比給煤率進行小波去噪，本文選用db3作為基本小波，并進行3級去噪。去噪前后的圖像如圖4a和圖4b所示。由圖4可以看出：去噪后的信號很好地保留了原有的趨勢特征。最后，對去噪后的數據進行求期望值，結果為20.960。此期望值可以反映本臺給煤機在這一段時間內的皮帶秤的測量水平，運行人員可以根據這個值對皮帶秤進行校核。

圖4 轉速比給煤率(7月1日至7月15日)

下面運用8月3日至8月17日的轉速和給煤率數據對上述求取的范圍進行驗證。通過處理發現：在1萬個數據中，只有17個不在范圍內，類內方差為0.042 7，有99.79%的數據在此范圍內，證明了范圍的有效性和通用性。然后，對范圍內的數據進行去噪處理，去噪前后的圖像如圖5a和圖5b所示。對去噪后的數據求期望值，結果為20.762。

圖5 轉速比給煤率(8月3日至8月17日)

3 結論

(1)通過引入轉速比給煤率，為運行人員提供了判斷皮帶秤測量準確性的依據，同時提高了燃煤量計量的準確性。

(2)由于在數據采集過程中存在干擾，引起數據測量的不準確，本文通過灰色聚類法的有效處理，很好地解決了這一問題，提取了有效樣本。

(3)在應用灰色聚類的基礎上，運用小波去噪算法對得到的有效數據進行去噪處理，對去噪后的數據進行求期望值，此期望值可以反映皮帶秤在一段時間內測量水平，運行人員可以通過此期望值來判斷皮帶秤測量的準確性。

本次針對半個月的數據進行處理，隨著運行時間的增長、數據量的增大，得到的轉速比給煤率合理波動范圍將更加準確。

[1] 張勇勝,閆慧博,趙曉光,等.鍋爐凈效率簡化算法在火電廠節能技術監督中的應用[J].河北電力技術,2012,31(3):28-29.

[2] 謝光輝.電子皮帶秤計量誤差的動態分析[J].計量與測試技術,2010,37(4):31-32.

[3] 嚴榮濤,王玉璽.火電廠皮帶秤入爐煤計量一個特殊典例[J].衡器,2014,43(1):39-42.

[4] 周亞全,況金宏,蔣慶輝.提高電子皮帶秤計量準確度的有效方法[J].自動化儀表,2013,34(1):92-94.

[5] 王祥斌,楊柳,鄧倫治.一種利用高斯函數的聚類算法[J].河南科技大學學報:自然科學版,2014,35(5):33-36.

[6] 李輝,申建建,廖勝利,等.基于模糊聚類分析的水電站日初水位估算[J].中國電機工程學報,2010,30(35):118-123.

[7] 公麗艷,孟憲軍,劉乃僑,等.基于主成分與聚類分析的蘋果加工品質評價[J].農業工程學報,2014,30(13):276-285.

[8] 王玉,高大路,廖明夫,等.焊接缺陷信號的小波去噪方法研究[J].西北工業大學學報,2005,23(4):496-499.

[9] 王霏,倪中華,陳云飛,等.納通道內λ_DNA過孔信號的小波去噪及統計分析[J].東北大學學報:自然科學版,2013,43(1):50-54.

[10] 羅會蘭.聚類集成理論與其在圖像分類中的應用[M].北京:科技出版社,2012.

[11] 方利民,林敏.小波聚類方法和近紅外光譜技術用于藥片種類判別[J].光譜學與光譜分析,2010,30(11):2958-2961.

[12] 葛耀崢,林澤濤,陶國良.心電信號在線數據知識化輔助診斷算法研究[J].浙江大學學報:工學版,2006,40(2):238-242.

上海市重點實驗室基金項目(04DZ05901)

錢 虹(1967-),女,上海人,副教授,博士,主要研究方向為控制理論方法與應用.

2015-02-08

1672-6871(2015)04-0051-05

TM621

A