基于核主元分析与径向基神经网络的软测量方法及系统的制作方法
【技术领域】
[0001] 本发明涉及发电机组运行参数的软测量，尤其涉及一种基于核主元分析与径向基 神经网络的软测量方法及系统。
【背景技术】
[0002] 现代大型火力发电机组中的很多测量传感器工作在高温、高压、具有腐蚀性的复 杂环境中，有的还受到强电磁干扰，比系统中的其它部件更容易出现性能下降或故障，导致 其测量的数据不可信。当传感器出现性能蜕化、失效或故障时，会给后续的监测、控制、故 障诊断等系统带来严重影响，产生误报警、误诊断，甚至造成不可估量的损失。目前主要采 用物理冗余的方法来保证恶劣环境中传感器测量数据的准确性，但在一些特殊情况下，安 装额外传感器将受到限制或者信号直接不可测量时，只能依靠软测量技术（SoftSensor Technology)获得需要的测量信号。
[0003] 软测量技术的关键是软测量建模问题，即通过构造数学模型，描述可测量的关键 操作变量、被控变量和扰动变量与建模对象之间的函数关系。国内外学者对软测量建模方 法及应用进行了大量的研宄。单一的建模方法有PCR、PLS、神经网络方法和LS-SVM等；另 外许多混合的建模方法也被提出和应用到实际中，取得了很好的效果。继核方法提出后，核 方法被广泛应用于软测量建模和复杂工业过程的故障诊断。王强等提出了一种将核主成分 分析（KPCA)和最小二乘支持向量机（LSSVM)相结合的软测量建模方法，经过验证具有较好 的预测效果与泛化能力。赵欢等建立了基于KPCA-e-SVM的锅炉热效率和N0X的排放特性 响应模型。
[0004]有不少学者将PCA(Principle Component Analysis)与RBF(Radial Basis Function)网络结合建立软测量模型。杨尔辅等将PCA-RBF方法用于工业裂解炉收率的预 测建模；杨敏等将改进的动态DPCA-RBF网络应用于工业流化床乙烯气相聚合过程的软测 量建模中。由于采用PCA提取主元后，尽管能消除输入变量之间的相关性，但是提取的主元 并不能完整地反映原变量特征信息，提取主元效率不高。而KPCA方法特征信息提取速度 快、保留充分，是较多学者将KPCA应用于软测量建模的主要原因，通过验证可知，该方法具 有更高的精度和更好的泛化能力。
【发明内容】
[0005] 为了解决以上技术问题，本发明提供一种基于核主元分析与径向基神经网络的软 测量方法及系统。具体技术方案如下：
[0006] 一种基于核主元分析与径向基神经网络软的测量系统，包括
[0007] 测量辅助变量的智能仪表：发电机组所有可测变量都是通过现场的传感器测量后 存储到DCS数据库中，所述的辅助变量为经过机理分析模块后得到的与待建模变量具有依 赖关系的可测变量；
[0008] 存储数据的DCS数据库：在机组运行过程中，电厂的DCS数据库中存储着机组的所 有数据，软测量仪表建模及预测所用数据均来自DCS数据库；
[0009] 软测量系统，包括用于建模的PC机（通过人工机理分析、KPCA-RBF网络建模模 块）、用于软测量模型预测的服务器（数据采集模块、KPCA-RBF网络预测模块）、用于数据 显示和存储的设备（数据显示和存储模块）。
[0010] 本发明中，基于核主元分析与径向基神经网络的软测量系统的基本思路，是基于 历史数据与高精度的测量仪表，通过机理分析得到主要辅助变量，根据核主元分析提取数 据特征，再通过径向基神经网络建模，得到待测变量的模型进行实时在线预测。
[0011] 机理分析的目的是从机组的众多运行参数中是找出与待测量参数相关的变量。通 过质量守恒、能量守恒原理、机组运行机制、机组控制系统、及工艺流程来分析相关的辅助 变量。这样得到的相关变量组是软测量建模的基础。完备的相关变量组可以有效的降低建 模误差，提高软测量的测量精度。
[0012] KPCA-RBF网络建模模块利用KPCA方法提取辅助参数的高阶非线性特征，降低数 据维数，消除数据的冗余与噪声，再将经过特征值提取后的主元变量集，作为RBF神经网络 的输入建立软测量模型。KPCA提取数据特征采用径向基函数K(x，Xi) =exp(-|x-Xi |2/2 〇 2) 作为KPCA中的核函数，其中，K为核矩阵，x为输入空间的各变量，XiS基函数中心，〇为 基函数宽度系数。
[0013] 影响KPCA-RBF预测精度的参数主要有KPCA中的核参数〇k，提取的主元个 数以及RBF的扩展系数SPREAD。一般根据累计方差贡献率（CumulativePercentof Variance)
【主权项】
1. 一种基于核主元分析与径向基神经网络的软测量方法，其特征在于，包括步骤： 1) 测量发电机组的运行参数，并存储到DCS数据库中； 2) 任选取一项运行参数作为建模变量，通过机理分析从所述的DCS数据库中获取与所 述建模变量相关的辅助变量； 3) 利用KPCA方法提取所述辅助变量的高阶非线性特征，将经过特征值提取后的主元 变量集，和建模变量作为RBF神经网络的输入建立软测量模型； 4) 选取相应的待测参数，输入所述的软测量模型，得到对应的软测量值。
2. 如权利要求1所述的基于核主元分析与径向基神经网络的软测量方法，其特征在 于，所述的KPCA方法采用下式的径向基函数作为KPCA中的核函数， K (x, Xi) = exp (-1 X-Xi 12/2 σ 2) 式中，K为核矩阵，X为输入空间的各变量，XiS基函数中心，σ为基函数宽度系数。
3. 如权利要求2所述的基于核主元分析与径向基神经网络的软测量方法，其特征在 于，在步骤3)中，采用方差贡献薄
来选取若干个主元组成新特 征向量，作为所述的主元变量集；其中，k为当前主元的序号，s为主元总数，1为选取的主元 个数，λ k为第k个主元对应的特征值，E为方差贡献率的阈值。
4. 如权利要求3所述的基于核主元分析与径向基神经网络的软测量方法，其特征在 于，在步骤3)中，采用循环交叉验证动态寻优方法确定软测量模型的最佳参数组合，寻优 步骤如下： 4. 1)设定各个参数的寻优范围； 4. 2)设定CPV阈值不变； 4. 3)设定核参数σ ,和RBF的扩展系数SPREAD，并计算软测量模型相应的RMSE ; 4. 4)在每个参数的寻优范围内循环调整核参数〇 jP SPREAD的组合，得到这组参数的 MSE 值； 4. 5)改变CPV阈值，重复步骤4. 3)和4. 4)，取RMSE值最小时的参数组合，作为软测量 模型的最佳参数组合。
5. -种基于核主元分析与径向基神经网络的软测量系统，其特征在于，包括： 数据采集模块，通过传感器测量发电机组的各项参数； DCS数据库，内部存储着发电机组的运行参数； 测量辅助变量模块，通过机理分析从所述的DCS数据库获取与待建模变量相关的辅助 变量； KPCA-RBF网络建模模块，利用KPCA方法提取所述辅助变量的高阶非线性特征，将经过 特征值提取后的主元变量集，和待建模变量作为RBF神经网络的输入建立软测量模型； 选取相应的待测参数，输入所述的软测量模型，得到对应的软测量值。
6. 如权利要求5所述的基于核主元分析与径向基神经网络的软测量系统，其特征在 于，所述的KPCA方法采用下式的径向基函数作为KPCA中的核函数， K (x, Xi) = exp (-1 X-Xi 12/2 σ 2) 式中，K为核矩阵，X为输入空间的各指标，XiS基函数中心，σ为基函数宽度系数。
7. 如权利要求6所述的基于核主元分析与径向基神经网络的软测量系统，其特征在 于，在所述的KPCA-RBF网络建模模块中，采用方差贡献率 <
，来选 取若干个主元组成新特征向量，作为所述的主元变量集；其中，k为当前主元的序号，s为主 元总数，1为选取的主元个数，λ k为第k个主元对应的特征值，E为方差贡献率的阈值。
8. 如权利要求7所述的基于核主元分析与径向基神经网络的软测量系统，其特征在 于，在所述的KPCA-RBF网络建模模块中，采用循环交叉验证动态寻优方法确定软测量模型 的最佳参数组合，寻优步骤如下： (1) 设定各个参数的寻优范围； (2) 设定CPV阈值不变； (3) 设定核参数σ # RBF的扩展系数SPREAD，并计算软测量模型相应的RMSE ; (4) 在每个参数的寻优范围内循环调整核参数〇1;和SPREAD的组合，得到这组参数的 MSE 值； (5) 改变CPV阈值，重复步骤（3)和（4)，取RMSE值最小时的参数组合，作为软测量模 型的最佳参数组合。
【专利摘要】本发明公开了一种基于核主元分析与径向基神经网络的软测量系统，可应用于发电机组或者复杂工业过程的难测参数测量，包括测量辅助变量的智能仪表，用于存储数据的DCS数据库以及软测量系统。智能仪表，发电机组所有可测变量通过现场的智能仪表测量后存储到DCS数据库中；DCS数据库存储着机组的所有数据；软测量系统包括用于建模的PC机、用于软测量模型预测的服务器、用于数据显示的设备。本发明还公开了基于核主元分析与径向基神经网络的软测量方法。本发明具有较高的精度和泛化能力，性能好，适用于复杂的工业过程建模，具有通用性和普适性，可以解决高温、高压、腐蚀性、电磁干扰等复杂环境下运行参数的软测量问题，提高系统的安全性和可靠性。
【IPC分类】G05B13-04
【公开号】CN104536290
【申请号】CN201410618271
【发明人】陈坚红, 李鸿坤, 盛德仁, 李蔚
【申请人】浙江大学
【公开日】2015年4月22日
【申请日】2014年11月5日