燃煤電站熱工過(guò)程異常數(shù)據(jù)處理方法研究

張暄博，張雨蓉，杜 偉，趙洪崗

（1.國(guó)電雙維內(nèi)蒙古上海廟能源有限公司，內(nèi)蒙古 鄂爾多斯 016200；2.國(guó)能智深控制技術(shù)有限公司，北京 102209）

隨著中國(guó)電力信息化和人工智能技術(shù)的飛速發(fā)展，以機(jī)器學(xué)習(xí)和深度學(xué)習(xí)為基礎(chǔ)的智能發(fā)電技術(shù)的相關(guān)研究也在不斷進(jìn)步。熱工過(guò)程數(shù)據(jù)特征鮮明，其中蘊(yùn)含著大量機(jī)組運(yùn)行狀態(tài)信息，基于數(shù)據(jù)驅(qū)動(dòng)的智能電力系統(tǒng)建模方法與數(shù)據(jù)的深度利用密切相關(guān)[1-3]。而針對(duì)基于數(shù)據(jù)驅(qū)動(dòng)的建模方法，在模型建立前的異常值檢測(cè)工作是后續(xù)精確建模的基礎(chǔ)。

隨著燃煤電站整體容量和參數(shù)數(shù)目的不斷增多，各類(lèi)傳感器采集的機(jī)組數(shù)據(jù)被儲(chǔ)存在各個(gè)數(shù)據(jù)庫(kù)中，大量熱工過(guò)程歷史數(shù)據(jù)為數(shù)據(jù)驅(qū)動(dòng)建模提供了研究基礎(chǔ)。機(jī)組中重要變量的測(cè)量傳感器一般長(zhǎng)時(shí)間處于高濕度、高溫度、高壓力和大量粉塵污染的環(huán)境中，同時(shí)測(cè)量傳感器往往也會(huì)受自身故障、信號(hào)干擾、通訊受阻和執(zhí)行器擾動(dòng)等一系列問(wèn)題的影響，從而導(dǎo)致收集到的各類(lèi)熱工過(guò)程數(shù)據(jù)出現(xiàn)大量異常值和缺失值問(wèn)題，對(duì)后續(xù)系統(tǒng)模型的建立帶來(lái)困難[4-5]。數(shù)據(jù)驅(qū)動(dòng)建模方法通常被理解為一種“黑盒”建模方法，在建模過(guò)程中不考慮對(duì)象的自身機(jī)理，主要依賴(lài)于采集到的工程數(shù)據(jù)[6]。基于數(shù)據(jù)驅(qū)動(dòng)建模的原理，收集到的熱工歷史數(shù)據(jù)如存在異常值或缺失值都會(huì)對(duì)建模效果產(chǎn)生影響，因而數(shù)據(jù)預(yù)處理工作是數(shù)據(jù)驅(qū)動(dòng)建模的基礎(chǔ)性環(huán)節(jié)。即在模型建立前，需對(duì)熱工過(guò)程的建模數(shù)據(jù)集進(jìn)行異常值檢測(cè)，篩選出數(shù)據(jù)集中的異常數(shù)據(jù)值，并通過(guò)自適應(yīng)校正方法補(bǔ)全缺失數(shù)據(jù)[7-8]。

本文在分析燃煤電站現(xiàn)場(chǎng)歷史數(shù)據(jù)特點(diǎn)的基礎(chǔ)上，提出了PSO-PNN 異常值檢測(cè)方法，該方法能夠較快地獲取到最優(yōu)平滑因子參數(shù)，降低了異常值檢測(cè)的誤判率。通過(guò)實(shí)際電廠(chǎng)的歷史運(yùn)行數(shù)據(jù)驗(yàn)證了所提異常值檢測(cè)方法的有效性，為后續(xù)的異常缺失值填補(bǔ)和數(shù)據(jù)驅(qū)動(dòng)的建模工作打下堅(jiān)實(shí)基礎(chǔ)。

1 熱工過(guò)程歷史數(shù)據(jù)異常值檢測(cè)

1.1 異常值檢測(cè)問(wèn)題分析

熱工過(guò)程異常數(shù)據(jù)主要指原始數(shù)據(jù)集中偏離大部分?jǐn)?shù)據(jù)的個(gè)別單一數(shù)據(jù)點(diǎn)，又稱(chēng)為孤立點(diǎn)、異常值等。經(jīng)歸納分析，異常值的產(chǎn)生原因[9]主要包括數(shù)據(jù)采集設(shè)備發(fā)生故障導(dǎo)致數(shù)據(jù)傳輸錯(cuò)誤、數(shù)據(jù)輸入過(guò)程中出現(xiàn)人為失誤、記錄過(guò)程中造成數(shù)據(jù)項(xiàng)不一致和數(shù)據(jù)實(shí)時(shí)性不佳。

目前燃煤機(jī)組的異常值檢測(cè)方法主要基于閾值判斷、統(tǒng)計(jì)預(yù)測(cè)、數(shù)字濾波、距離、密度和機(jī)器學(xué)習(xí)方法研究單點(diǎn)異常檢測(cè)法[10]。

1.2 基于PSO-PNN 的異常值檢測(cè)方法

1.2.1 PNN 原理

PNN是在RBF神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上進(jìn)行改進(jìn)所提出的一種前饋型神經(jīng)網(wǎng)絡(luò)。PNN 的基本結(jié)構(gòu)如圖1 所示。

圖1 PNN 內(nèi)部結(jié)構(gòu)示意圖

由圖1 可以看出，PNN 共由4 層結(jié)構(gòu)組成，從左到右分別是輸入層、隱含層、求和層和輸出層。輸入層的神經(jīng)元個(gè)數(shù)與輸入的向量長(zhǎng)度相等，用來(lái)接收訓(xùn)練樣本的值并將數(shù)據(jù)并傳給隱含層。隱含層神經(jīng)元的個(gè)數(shù)與輸入訓(xùn)練樣本個(gè)數(shù)一致，每個(gè)神經(jīng)元都具有一個(gè)中心，每個(gè)中心對(duì)應(yīng)一個(gè)樣本數(shù)據(jù)，隱含層在神經(jīng)元內(nèi)計(jì)算每個(gè)輸入變量與樣本的歐氏距離，最后返回一個(gè)標(biāo)量值。假定一組訓(xùn)練樣本，狀態(tài)類(lèi)別總共有m類(lèi)，向量XT=[X1，X2，…，XP]輸入到隱含層，第i（i≤m）類(lèi)狀態(tài)的第j個(gè)神經(jīng)元對(duì)應(yīng)的輸出即為返回距離的標(biāo)量值，計(jì)算公式為：

式（1）中：Xij為第i類(lèi)狀態(tài)的第j個(gè)神經(jīng)元的中心，是平滑因子。

在實(shí)際計(jì)算過(guò)程中，輸入層的向量X需要先和第i個(gè)模式的連接權(quán)值Wi相乘，然后再到隱含層中的徑向基函數(shù)中進(jìn)行運(yùn)算。

式（2）中：Zi=XWi，Wi為第i個(gè)模式的輸入層與輸出層之間的連接權(quán)值。

假定輸入層的向量X和加權(quán)系數(shù)Wi都標(biāo)準(zhǔn)化成為單位長(zhǎng)度，式（2）可化簡(jiǎn)為：

求和層的個(gè)數(shù)與訓(xùn)練數(shù)據(jù)中狀態(tài)類(lèi)別數(shù)目m保持一致，其作用是把隱含層中的某一同類(lèi)模式的概率進(jìn)行累加計(jì)算，也就是將隱含層中同類(lèi)神經(jīng)元的輸出進(jìn)行加權(quán)平均，求和神經(jīng)元的輸入/輸出公式為：

式（4）中：Vi為求和層第i個(gè)神經(jīng)元的輸出；N為隱含層第i類(lèi)神經(jīng)元的個(gè)數(shù)。

輸出層由m個(gè)競(jìng)爭(zhēng)神經(jīng)元組成，同時(shí)與求和層的神經(jīng)元保持一一映射關(guān)系，輸出層接收求和層的輸出，各個(gè)模式的Vi互相競(jìng)爭(zhēng)，將求和層中計(jì)算結(jié)果最大的作為輸出類(lèi)別，隱含層最大輸出對(duì)應(yīng)的輸出層競(jìng)爭(zhēng)神經(jīng)元置為1，其余置為0，輸出層的輸出公式為：

在求和層中，第i類(lèi)模式只與隱含層中對(duì)應(yīng)分類(lèi)的神經(jīng)元存在映射關(guān)系，而與隱含層中其他分類(lèi)的神經(jīng)元沒(méi)有連接，求和層的輸出與各類(lèi)基于內(nèi)核的概率密度成正比，所以通過(guò)輸出層的歸一化處理，就能得到各類(lèi)的概率密度估計(jì)函數(shù)f（Xi）。

1.2.2 PSO 算法原理

PSO 算法是一種用于尋找全局最優(yōu)解的經(jīng)典算法，被廣泛應(yīng)用于算法的參數(shù)尋優(yōu)和求取函數(shù)最值的問(wèn)題。每個(gè)粒子單獨(dú)搜尋到的使適應(yīng)度值最小的解被稱(chēng)為個(gè)體歷史最優(yōu)解，當(dāng)前所有個(gè)體粒子的歷史最優(yōu)解中適應(yīng)度最小的解為全局歷史最優(yōu)解。每個(gè)粒子都會(huì)根據(jù)已知信息不斷更新自己的位置和速度，向個(gè)體歷史最優(yōu)解和全局歷史最優(yōu)解靠近。

設(shè)在N維工作區(qū)內(nèi)，設(shè)定粒子數(shù)目為M個(gè)，第i個(gè)粒子當(dāng)前位置Xi=（xi1，xi2，…，xiN），當(dāng)前速度Vi=（vi1，vi2，…，viN），粒子個(gè)體歷史最優(yōu)解為Pi=（pi1，pi2，…，piN），當(dāng)前全局歷史最優(yōu)解Pg=（pg1，pg2，…，pgN），更新速度和位置的公式為：

式（6）（7）中：i=1，2，…，M（M為粒子數(shù)目）；d=1，2，…，N（N為粒子工作區(qū)維數(shù)）；ω（ω≥0）為慣性權(quán)重系數(shù)，其大小決定了尋優(yōu)能力的強(qiáng)弱；c1與c2分別為個(gè)體粒子學(xué)習(xí)的加速常數(shù)因子和社會(huì)粒子學(xué)習(xí)的加速常數(shù)因子；rand（0，1）為在區(qū)間[0，1]上的隨機(jī)數(shù)。

強(qiáng)制粒子在約定范圍內(nèi)搜索最優(yōu)解。為了使個(gè)體粒子在一個(gè)適當(dāng)?shù)乃俣葍?nèi)搜索，不至于跳過(guò)最優(yōu)解，設(shè)定一個(gè)速度區(qū)間，如果求得的速度越過(guò)設(shè)定的速度邊界，則取對(duì)應(yīng)的邊界速度。粒子個(gè)體最優(yōu)解的更新公式為：

式（8）中：f（Xi）為適應(yīng)度函數(shù)。

設(shè)訓(xùn)練樣本數(shù)據(jù)個(gè)數(shù)為n，將粒子解代入PNN，其輸出訓(xùn)練樣本預(yù)測(cè)值和實(shí)際值的誤差概率作為適應(yīng)度函數(shù)：

式（9）中：Diff[tj，Yj（Xi）]為預(yù)測(cè)值向量與實(shí)際值向量中對(duì)應(yīng)位置元素不同的個(gè)數(shù)；Yj（Xi）為將Xi作為平滑因子參數(shù)值代入PNN 輸出的預(yù)測(cè)值；ti為PNN 輸出的實(shí)際值。

PSO 算法的尋優(yōu)過(guò)程如圖2 所示。根據(jù)PSO 的思想，鳥(niǎo)類(lèi)種群個(gè)體的飛行過(guò)程可看作單個(gè)粒子的位置和速度不斷更新的過(guò)程。可將待選解集合代入到適應(yīng)度函數(shù)中來(lái)求得粒子的適應(yīng)度值，從而根據(jù)適應(yīng)度值來(lái)進(jìn)行粒子解合適程度的判定。

圖2 粒子群算法尋優(yōu)流程圖

考慮到熱工過(guò)程數(shù)據(jù)及PNN 中平滑因子參數(shù)σ的特點(diǎn)，本文嘗試將PSO 算法用于PNN 的參數(shù)優(yōu)化中，用PSO 算法對(duì)PNN 中的σ進(jìn)行尋優(yōu)，克服常規(guī)參數(shù)尋優(yōu)方法不能完整表示整體空間概率特性的缺點(diǎn)，將訓(xùn)練數(shù)據(jù)輸出的預(yù)測(cè)值和實(shí)際值之間的誤差概率作為當(dāng)前粒子的最佳適應(yīng)度值。

1.2.3 算法整體流程步驟

PNN 非線(xiàn)性描述性能優(yōu)越、神經(jīng)元擴(kuò)充性能高且容錯(cuò)性強(qiáng)，具有良好的非線(xiàn)性逼近特性和網(wǎng)絡(luò)擴(kuò)充屬性，但其中的平滑因子的參數(shù)值選取是難點(diǎn)之一。PSO算法是一種用于尋找全局最優(yōu)解的經(jīng)典算法，被廣泛應(yīng)用于算法的參數(shù)尋優(yōu)和求取函數(shù)最值的問(wèn)題。結(jié)合燃煤機(jī)組熱工過(guò)程數(shù)據(jù)集的特點(diǎn)，采用PSO 算法尋優(yōu)求解PNN 最優(yōu)平滑因子，使模型達(dá)到最佳的異常檢測(cè)效果。

PSO-PNN 的熱工過(guò)程異常檢測(cè)算法的具體實(shí)現(xiàn)步驟如下：①初始化PNN 的參數(shù)。結(jié)合熱工過(guò)程數(shù)據(jù)集合特性，確定輸入層、隱含層、求和層和輸出層的層數(shù)，設(shè)定最大迭代次數(shù)、種群數(shù)量M、粒子最大速度Vmax、動(dòng)態(tài)慣性因子參數(shù)ωstart和ωend、粒子學(xué)習(xí)因子c1和c2等參數(shù)。②確定粒子群算法適應(yīng)度。將平滑因子參數(shù)以粒子解的形式導(dǎo)入PNN，通過(guò)計(jì)算訓(xùn)練數(shù)據(jù)輸出的預(yù)測(cè)值和實(shí)際值之間的誤差概率得出粒子當(dāng)前的適應(yīng)度值。對(duì)比各個(gè)適應(yīng)度數(shù)值的分布，選出每個(gè)粒子的歷史最優(yōu)解Pbest和種群全局最優(yōu)解Gbest。③確定粒子更新位置及速率。④以Pbest和Gbest為基準(zhǔn)，將當(dāng)前粒子的適應(yīng)度值與它們進(jìn)行比較，如當(dāng)前粒子的適應(yīng)度小于Pbest的適應(yīng)度，則將當(dāng)前粒子的位置替換為新的；如當(dāng)前粒子的適應(yīng)度大于Pbest的適應(yīng)度，則當(dāng)前粒子的歷史最優(yōu)解不變。進(jìn)一步將當(dāng)前粒子的適應(yīng)度與Gbest作比較，如當(dāng)前粒子的適應(yīng)度更小，則將當(dāng)前粒子位置作為新的Gbest，否則全局最優(yōu)解不變。⑤當(dāng)適應(yīng)度值滿(mǎn)足最小誤差要求，或目前迭代次數(shù)達(dá)到最初設(shè)定的最大迭代次數(shù)時(shí)，迭代算法停止。否則返回步驟二繼續(xù)進(jìn)行迭代計(jì)算。⑥輸出當(dāng)前PNN 模型的最優(yōu)平滑因子參數(shù)，建立異常檢測(cè)模型。

2 熱工過(guò)程數(shù)據(jù)實(shí)例

以1 000 MW 超超臨界燃煤機(jī)組煙氣SCR 脫硝系統(tǒng)出口NOx質(zhì)量濃度某時(shí)間段的歷史運(yùn)行數(shù)據(jù)集作為實(shí)驗(yàn)數(shù)據(jù)。數(shù)據(jù)集總數(shù)據(jù)量為1 000，數(shù)據(jù)點(diǎn)采樣間隔為5 s，總采樣時(shí)長(zhǎng)為5 000 s。在實(shí)驗(yàn)數(shù)據(jù)集特定位置添加±2%、±5%、±8%和±10%4 種誤差模擬工業(yè)生產(chǎn)中所出現(xiàn)的誤差情況，每種誤差下的異常數(shù)據(jù)總計(jì)60 個(gè)。模型性能評(píng)價(jià)指標(biāo)用漏檢率和誤判率進(jìn)行評(píng)判，具體定義表達(dá)式為：

誤差設(shè)定位置如表1 所示。

表1 實(shí)驗(yàn)數(shù)據(jù)集異常數(shù)據(jù)設(shè)定表（單位：%）

首先進(jìn)行參數(shù)初始化處理。模型中各參數(shù)設(shè)置如下：M=25、ωstart=0.8、ωend=0.5、Maxgen=80、Vmax=0.8、Vmin=-0.8、c1=c2=3，同時(shí)將PNN 中的平滑因子參數(shù)設(shè)定為每次的粒子解，適應(yīng)度為將粒子解代入到PNN中得出的輸出預(yù)測(cè)值和實(shí)際值的誤差概率，參數(shù)迭代結(jié)果如圖3 所示。

圖3 PNN 平滑因子參數(shù)尋優(yōu)迭代過(guò)程

由圖3 可知，最終PSO 算法通過(guò)45 次迭代即可得到最優(yōu)解。由此得到全局平滑因子最優(yōu)參數(shù)為0.81，誤差概率為0.057。在PSO 算法對(duì)PNN 中平滑因子的迭代中，收斂速度快，經(jīng)過(guò)較短的迭代過(guò)程即可獲得全局最優(yōu)解，具有良好的算法收斂性能。

參數(shù)尋優(yōu)完成后，將最優(yōu)參數(shù)輸入PNN 中進(jìn)行熱工過(guò)程數(shù)據(jù)集的樣本訓(xùn)練與測(cè)試，實(shí)現(xiàn)異常數(shù)據(jù)的定位與篩選。圖4 和圖5 分別為誤差為±5%和±8%下的異常檢測(cè)結(jié)果圖，表2 為實(shí)驗(yàn)數(shù)據(jù)集異常檢測(cè)結(jié)果表。

表2 實(shí)驗(yàn)數(shù)據(jù)集異常檢測(cè)結(jié)果

圖4 ±5%誤差下SCR 脫硝系統(tǒng)出口NOx質(zhì)量濃度異常值檢測(cè)

圖5 ±8%誤差下SCR 脫硝系統(tǒng)出口NOx質(zhì)量濃度異常值檢測(cè)

由圖4、圖5 和表2 可知，在1 000 組實(shí)驗(yàn)數(shù)據(jù)中，具有±2%、±5%、±8%和±10%等4 種誤差的數(shù)據(jù)集異常檢測(cè)結(jié)果準(zhǔn)確率分別為85.0%、90.0%、96.7%和100%；當(dāng)誤差大于±5%時(shí)，誤判率均為0。

3 結(jié)論

本文針對(duì)燃煤電站熱工過(guò)程異常數(shù)據(jù)，提出利用PSO-PNN 異常檢測(cè)算法進(jìn)行數(shù)據(jù)預(yù)處理。相較于傳統(tǒng)的PNN 異常檢測(cè)方法，利用PSO-PNN 算法能夠較快地獲取到最優(yōu)平滑因子參數(shù)，并且異常值檢測(cè)的誤判率有一定程度降低，具有優(yōu)越的異常值檢測(cè)性能，為后續(xù)燃煤電站熱工過(guò)程的數(shù)據(jù)驅(qū)動(dòng)建模工作奠定了良好的基礎(chǔ)。