供熱系統傳感器數據過失誤差偵破方法研究

李思璐，柳耀文，于景萍，傅強，劉海波，周志剛，薛普寧，劉京

(1.中冶華天工程技術有限公司，南京 210019；2.華電能源熱網檢測和技術服務中心，哈爾濱 150090；3. 黑龍江省建工集團有限責任公司，哈爾濱 150046；4.哈爾濱工業大學 a.建筑學院；b.寒地城鄉人居環境科學與技術工業和信息化部重點實驗室，哈爾濱 150090)

0 引言

隨著我國科技的進步，城市集中供熱系統自動化程度不斷提高，現已逐步邁入信息化時代，使得集中供熱系統的運行及操作人員對其的控制愈發依靠供熱系統的數據。近年來，我國新建的供熱系統大多配置了現代化的儀表、控制裝置，對于現有的供熱系統，部分也進行了信息化改造，加裝了傳感器裝置，可實現數據的遠程監控。在供熱系統中，通過壓力、溫度、流量檢測儀表上傳的數據，可實時監測供熱系統的運行狀況，但傳感器上傳的數據存在以下幾個問題。

(1)數據格式不同。數據采集過程中，采用大量不同類型的數據采集設備，由于數據采集設備的規格、接口不同，通信速率甚至數據格式都不相同。

(2)受環境因素影響。在數據傳輸過程中會受周圍電場、磁場的影響，各采集裝置將測量數據傳輸到管理平臺時會出現誤差。

(3)儀表帶病工作。由于供熱管理部門的儀表維護技術力量有限，使儀表帶病工作。

以上這些問題都會使上傳數據出現誤差，導致測量數據可信度降低，因此，為了提高集中供熱系統上傳數據的準確性，研究誤差數據的識別方法對提高供熱系統的安全性與穩定性有重要的意義[1]。

1 應用小波濾波方法偵破過失誤差

小波濾波是一項可以將信號中特定波段頻率濾除的技術，測試的含有噪聲的信號模型為

zi=xi+wi(i=0,1,…,N-1) ，

(1)

式中：zi為測量信號；xi為原始信號；wi為過程噪聲；N為測量信號長度。

現將供熱系統中傳感器上傳的數據視為含噪的測量信號，采用基于小波分析的去噪方法從被污染的測量信號z中恢復出原始信號x，將恢復的原始信號與實際測量數據進行比較，得到實際測量數據中的異常值。

應用小波濾波偵破過失誤差的流程如圖1所示，具體步驟如下。

圖1 小波濾波偵破過失誤差流程

第1步：讀取數據。若信號是連續的，z=f(t)(t為時間)，那么必須以能夠捕獲原信號必要細節的速率取樣，若信號已離散化，則該步驟可以省略。

第2步：分解。應用分解算法對測量信號分解，得到測量信號的第1層分解系數，包括近似系數(低頻系數，又叫尺度系數)和小波系數(高頻系數，又叫細節系數)。對近似系數進一步分解可得到下一層近似系數和小波系數。重復使用分解公式直至達到一個合適的分解層。該步驟的輸出是各層的小波系數和最后一層的近似系數，該系數集就是下一步要處理的對象。本文在對數據進行小波分解時，分解層數為4。

第3步：處理。對上一步得到的小波系數采用Donoho提出的小波閾值濾波方法進行處理，使測量信號去噪，重構后得到校正值。

第4步：誤差計算。將上一步對信號重構后得到的校正值與測量數據作差，計算誤差δ及誤差的標準差σ。

第5步：偵破過失誤差。將所有的誤差δ與2σ比較，若誤差δ>2σ，則該測量時間點的誤差為過失誤差，否則為隨機誤差。

2 應用中值濾波方法偵破過失誤差

中值濾波是基于排序統計理論的一種能有效抑制噪聲的非線性信號處理技術。這種濾波器的優點是運算簡單且速度較快，具有良好的邊緣保持性和抑制脈沖噪聲的能力。

中值濾波基本原理是把數字序列中任一點的值用該點鄰域內各點值的中值來代替[2]，設一數字序列X，n個數按照值的大小排列，所求中值y的表達式如下

y= Med{x1，x2，…，xn}=

(2)

應用中值濾波偵破過失誤差的流程如圖2所示，主要為以下4個步驟。

圖2 中值濾波偵破過失誤差流程

第1步：讀取數據。讀取供熱系統中需要進行過失誤差偵破的實際測量數據。

第2步：中值濾波。將數據通過中值濾波器，得到濾波后的輸出值。

第3步：計算測量誤差及測量誤差的標準差σ。測量誤差為中值濾波后的輸出值y與原始測量數據x之差的絕對值。

第4步：過失誤差偵破。若|y-x|>2σ，則該時間點的測量數據含有過失誤差，否則，該時間點的數據為正常數據。

需要說明的是，在智能儀表內使用的中值濾波技術和對智能儀表上傳的測量數據所使用的中值濾波技術雖然原理相同，但是所濾除掉的噪聲并不相同。由于智能儀表采集數據時速度特別快，基本是ms級的，所采集到的數據會受到非常大的電磁干擾，因此，在智能儀表內必須對采集到的數據進行濾波處理，但這種濾波只是濾掉了一些電磁干擾。而在使用中值濾波方法處理智能儀表上傳的測量數據信號時，濾除的主要是測量數據信號中的脈沖信號，這個脈沖信號是由多方面原因所導致的，不單單是電路中的電磁干擾。

3 應用誤差反向傳播(BP)神經網絡方法在線診斷

20世紀80年代中期，Rumelhart，McClelland等提出了著名的BP算法，解決了多層神經網絡的學習問題。BP神經網絡是迄今為止最成熟、應用最廣泛的一種神經網絡模型，它只依賴于歷史數據即可進行快速簡單的系統識別，從而突破了對約束條件的假設，并且對測量數據中隨機誤差的分布沒有特殊的要求。

BP神經網絡一般由輸入層、隱含層和輸出層組成，其核心是采用一邊向后傳遞誤差，一邊修正誤差的方法來不斷調節網絡參數(權值和閾值)，以實現或逼近所希望的輸入、輸出映射關系。對于供熱系統中傳感器上傳的測試數據，應用BP神經網絡偵破過失誤差時的流程如圖3所示，具體包括7個步驟。

第1步：輸入數據。輸入構造BP神經網絡所需要的輸入、輸出，即換熱站的歷史測量數據。

第2步：數據初始化。為了加快網絡的學習效率，需要對原始數據的輸入、輸出樣本進行規范化處理。

第3步：設權值和閾值。

第4步：輸入樣本，計算誤差。將換熱站內待訓練的測量數據輸入，利用所構建好的BP神經網絡，得到所期望的輸出值，與實際的測量數據比較，計算誤差。

圖3 BP神經網絡偵破過失誤差流程

第5步：誤差反向傳播。將計算得到的誤差與設定的誤差容限進行比較，當樣本誤差小于誤差容限時，則繼續進行第6步；否則，回到第3步，根據誤差調整權值。

第6步：測試。利用訓練得到的BP神經網絡，得到測試數據所對應的輸出值。

第7步：過失誤差偵破。將測試數據的輸出值與實際上傳的數據比較，得到測量誤差及測量誤差的標準差σ，若測量誤差>2σ，則判斷該處實際上傳的數據為異常值；反之，若測量誤差≤2σ，則判斷該處為正常的數據。

4 3種過失誤差偵破方法的對比

將這3種方法應用于實際的供熱系統中，比較這3種方法對上傳數據中過失誤差的偵破結果，從中選出一種更適合的方法。實際的供熱系統選取長春東嶺區域供熱系統，該供熱系統總的供熱面積約為290萬m2，下屬71個換熱站和9個自管站，其中換熱站內裝有可遠傳數據的壓力、溫度及流量儀表，可上傳數據到熱力公司，而自管站不由熱力公司管理，因此沒有壓力、溫度及流量數據上傳。長春東嶺區域供熱系統的一級網循環流量在整個采暖季基本保持不變，二級網采用循環泵啟停的方式來控制供熱量。

選取長春東嶺區域供熱系統中金水站換熱站2014年9月18日至2015年4月30日上傳的一級網流量數據，取該時間段內變化比較穩定的535個數據作為一級網流量數據的正常數據，接著在這些正常數據中隨機添加50個異常值。正常的一級網流量數據如圖4所示，添加異常值后的一級網流量數據如圖5所示，添加異常值的數據序號如下：4，21，29，54，60，65，69，79，103，113，131，132，134，136，138，154，156，178，181，186，190，202，257，262，276，279，296，308，310，314，315，324，325，341，366，382，395，418，419，422，434，450，462，466，486，498，503，506，518，519。

圖4 正常的一級網流量數據

圖5 添加異常值后的一級網流量數據

現應用小波濾波、中值濾波及BP神經網絡3種方法分別偵破這組含過失誤差的一級網流量數據，得到測量數據與預測數據的對比情況和過失誤差的偵破結果，如圖6～圖8所示。

圖6 小波濾波過失誤差偵破結果

圖8 BP神經網絡過失誤差偵破結果

在表示過失誤差偵破結果的圖中，所有數據一共有2個值：0和1，其中值為0表示該時間點對應的測量數據為正常數據，而值為1表示該時間點對應的測量數據為含過失誤差的異常數據。

現有2個指標評估3種方法的偵破結果，分別是過失誤差偵破率和精度，表達式為

(3)

(4)

小波濾波、中值濾波、BP神經網絡3種方法的過失誤差偵破率和精度見表1。

表1 小波濾波、中值濾波、BP神經網絡的過失誤差偵破結果

由表1可見，過失誤差偵破率最大的是中值濾波方法，最小的是BP神經網絡方法。對含有相同數量過失誤差的測量數據而言，過失誤差偵破率越大，說明應用該方法可檢測出越多的異常值，過失誤差偵破的效果越好。精度最大的是中值濾波方法，最小的是小波濾波方法。對比小波濾波、中值濾波和BP神經網絡3種方法，中值濾波方法的過失誤差偵破率和精度在3種方法中均是最大值，說明中值濾波方法對一級網流量數據的過失誤差偵破效果最好，偵破出的過失誤差多且準，故選用中值濾波方法作為供熱系統一級網流量數據過失誤差偵破的方法。

5 結束語

本文比較了小波濾波、中值濾波和BP神經網絡3種方法對供熱系統中換熱站內一級網流量數據的過失誤差偵破效果，其中中值濾波方法的效果最好，可有效偵破測量數據的過失誤差，有助于提高測量數據的可靠性和準確性。