锅炉检验的策略论文提纲

论文题目：基于高斯过程回归的热工系统数据驱动建模研究

摘要：随着计算机、传感器网络、数据存储技术的快速发展及其在大型火电机组中的广泛应用,海量的历史运行数据得以保存。由于历史运行数据是对机组运行状况最直观的反映,并且随着电站信息化的发展使得数据获取变得十分容易、成本低廉,为构建数据驱动模型提供了良好的基础。但是,想要构建性能优异的模型往往并不容易,如何对建模数据进行选择和处理,选择哪种建模方法都会对模型最终的效果产生影响。也正是因为如此,基于数据驱动的建模方法才会成为研究热点,持续受到研究人员的关注。针对热工过程数据驱动建模过程中存在的一些问题,本文以基于历史运行数据的建模方法为研究主题,围绕数据预处理、稳态检测、静态模型和动态模型的构建、多模型建模方法等方面,开展了以下研究工作:（1）针对历史运行数据中存在数据异常和数据缺失的问题,对历史数据异常值检测和校正方法进行了研究。针对异常值检测,提出一种基于经验小波变换和局部异常因子相结合的异常值检测方法。该方法首先使用经验小波变换提取并去除数据的运行趋势;然后对去除趋势的序列求取局部异常值;最后采用箱型图对异常值进行自适应判别。针对数据中存在异常值和数据缺失的问题,采用基于滑动窗口和Nadaraya-Watson回归相结合的方法,对相关数据进行校正和补全。以某1000MW火电机组负荷数据和总风量数据为例,分别验证了所提方法的有效性。（2）针对历史运行数据中动态数据和稳态数据交替出现的现象,为了实现对不同数据的区分,提出了一种基于信号分解与统计检验方法相结合的热工过程稳态检测方法,用以对稳态工况样本进行筛选。首先采用经验小波变换对原始信号进行分解,得到原始信号的运行趋势和震荡信息;然后结合修改过的R统计检验法对热工过程数据进行稳态检测。以仿真数据和某1000MW火电机组协调控制系统数据为例,验证了方法的有效性。（3）针对热工过程稳态数据存在的数据量大、属性维度高、数据重复性大的特点,提出了一种基于样本稀疏化和特征变量选择的高斯过程回归建模方法。首先使用基于数据相似性和信息熵相结合的样本选择方法对稳态数据进行样本稀疏化处理;然后使用基于皮尔森相关系数和最小角回归算法相结合的方法对建模特征变量进行数据融合和特征选择;最后结合高斯过程回归方法建立系统模型。使用历史运行数据建立某1000MW火电机组锅炉烟气含氧量静态模型。通过与其他方法对比,证明了使用该方法建立的模型具有更小的模型误差和更高的静态准确度,可以取得很好的预测效果。（4）针对动态过程中变量间存在强非线性、过程复杂多变、输入输出变量间存在时延的特点,提出一种考虑输入时延的组合核函数动态高斯过程回归建模方法。首先采用灰色关联度分析方法对变量的时延参数进行估计,根据估计值重新构造数据集;然后根据核函数闭包性质,将局部核函数和全局核函数组合起来构成新的核函数,构建组合核函数动态高斯过程回归模型;最后使用历史运行数据建立某1000MW火电机组锅炉烟气含氧量的动态模型验证所提方法的有效性。实验结果表明,采用该方法建立的动态模型具有模型准确度高、泛化能力强的特点,可以满足实际需要。（5）针对热工过程中存在多种工况、工况变化范围大,采用单一模型描述生产过程特性时易导致训练过拟合、模型泛化能力差的问题,提出一种基于自适应模糊聚类的多模型动态高斯过程回归建模方法。使用提出的模糊聚类方法对数据集进行划分并根据划分的子数据集分别建立其动态高斯过程回归模型,然后采用基于预测方差的贝叶斯融合方法得到最终的输出模型。结合某1000MW火电机组历史运行数据建立锅炉烟气含氧量模型,通过与单一全局动态高斯过程回归模型和采用其他合成策略的多模型动态高斯过程回归模型进行对比,结果表明所提方法具有很好的模型预测精度和泛化能力。

关键词：热工过程;数据驱动建模;高斯过程回归;数据处理;动态模型;多模型

学科专业：控制理论与控制工程

摘要

Abstract

第1章 绪论

1.1 课题研究的背景及意义

1.2 热工系统数据驱动建模方法研究现状

1.2.1 统计建模方法

1.2.2 神经网络建模方法

1.2.3 模糊逻辑建模方法

1.2.4 混合建模方法

1.2.5 传递函数建模方法

1.3 热工过程历史运行数据特性分析

1.4 高斯过程回归的预备知识

1.4.1 高斯过程回归方法的研究现状

1.4.2 高斯过程基本概念

1.4.3 高斯过程回归

1.4.4 高斯模型的训练

1.5 本文主要研究内容和章节安排

第2章 热工过程数据异常值处理方法研究

2.1 引言

2.2 异常值检测及校正技术

2.3 热工过程历史运行数据异常值检测

2.3.1 经验小波变换方法

2.3.2 局部离群因子算法

2.3.3 EWT-LOF异常值检测方法

2.4 异常数据校正与缺失值补全

2.4.1 Nadaraya-Watson回归

2.4.2 校正与补全方法

2.5 热工过程数据实例

2.5.1 热工过程数据异常值检测

2.5.2 热工过程数据异常值校正与缺失值补全

2.6 本章小结

第3章 热工系统稳态检测方法研究

3.1 引言

3.1.1 稳态工况的定义

3.1.2 现有稳态检测方法回顾

3.2 基于信号分解和R统计检验法的稳态检测方法

3.2.1 R统计检验法

3.2.2 稳态检测方法描述

3.2.3 仿真数据验证

3.3 热工系统稳态工况检测实例

3.3.1 单变量稳态检测

3.3.2 多变量系统稳态检测

3.4 本章小结

第4章 基于样本稀疏化和特征变量选择的GPR建模

4.1 引言

4.2 基于样本稀疏化和特征变量选择的GPR建模方法

4.2.1 基于相关系数的多测点数据融合

4.2.2 基于数据相似性和信息熵的样本稀疏化方法

4.2.3 基于LARS的特征变量选择

4.2.4 Pc-lars-s-GPR模型结构

4.3 烟气含氧量的Pc-lars-s-GPR建模

4.3.1 建模数据准备

4.3.2 样本稀疏化与特征变量选择

4.3.3 建模结果分析

4.4 本章小结

第5章 考虑输入时延的组合核函数动态GPR建模

5.1 引言

5.2 动态模型描述

5.3 考虑输入时延的组合核函数动态模型构建

5.3.1 灰色关联度分析

5.3.2 组合核函数

5.3.3 GRA-CKDGPR模型结构

5.4 烟气含氧量的GRA-CKDGPR建模

5.4.1 建模数据准备

5.4.2 建模结果分析

5.5 本章小结

第6章 基于自适应模糊聚类的多模型动态GPR建模

6.1 引言

6.1.1 多模型策略

6.1.2 数据划分策略

6.1.3 模型合成策略

6.2 一种自适应多目标模糊聚类方法

6.2.1 算法基本原理

6.2.2 基于自适应NSGA-II的动态模糊聚类方法

6.2.3 算法流程及时间复杂度分析

6.2.4 聚类实例验证

6.3 基于多模型策略的动态GPR建模方法

6.3.1 GPR动态子模型构建

6.3.2 子模型合成策略

6.3.3 基于自适应模糊聚类的多模型动态GPR模型结构

6.4 烟气含氧量的多模型建模

6.4.1 建模数据准备

6.4.2 建模结果分析

6.5 本章小结

第7章 结论与展望

7.1 论文的主要工作和创新点

7.2 后续工作展望

参考文献

致谢