反向建模在復(fù)雜熱力系統(tǒng)建模中的應(yīng)用研究.pdf

1、火電機(jī)組的節(jié)能減排可從設(shè)備工藝的改進(jìn)與過(guò)程運(yùn)行優(yōu)化兩方面實(shí)現(xiàn),體現(xiàn)在后者,便是對(duì)機(jī)組運(yùn)行過(guò)程的狀態(tài)監(jiān)測(cè)、故障診斷、性能評(píng)估和智能控制等方面提出的要求。火電機(jī)組是典型復(fù)雜熱力系統(tǒng),對(duì)其進(jìn)行過(guò)程定量分析與研究本質(zhì)上屬于熱力系統(tǒng)建模的范疇,針對(duì)機(jī)理建模的局限與不足,反向建模方法將為熱力系統(tǒng)建模工作提供新的思路與途徑。
　　 基于特征變量提取對(duì)于建模工作的重要意義,提出了GL-MIV算法。GL-MIV算法中將原始變量區(qū)分為有效變量、無(wú)效

2、變量和冗余變量三類,算法設(shè)計(jì)初衷是剔除無(wú)效變量、解除冗余變量、同時(shí)不需要對(duì)原始變量進(jìn)行信息重構(gòu)。特征變量提取是直接影響模型性能與模型規(guī)模的重要因素,作為特征變量提取算法應(yīng)同時(shí)滿足有效性、可解釋性與精簡(jiǎn)性三方面的要求,不同于主成分分析與相關(guān)性分析,GL-MIV算法不僅能得到更高的信息壓縮比,重要的是所提取特征變量仍具備原始變量的全部物理意義,而不是原始變量的線性組合,這對(duì)于分析變量間的相關(guān)關(guān)系具有重要意義。
　　 深入研究廣義回歸

3、神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu),提出廣義回歸神經(jīng)網(wǎng)絡(luò)性能因子δ的概念,用來(lái)描述對(duì)模型訓(xùn)練精度與泛化能力兩方面的關(guān)注。摒棄以網(wǎng)絡(luò)訓(xùn)練精度作為網(wǎng)絡(luò)訓(xùn)練目標(biāo)的傳統(tǒng)做法,在目標(biāo)函數(shù)里添加包含網(wǎng)絡(luò)閥值的系數(shù)項(xiàng)κ以此來(lái)限制網(wǎng)絡(luò)閥值增長(zhǎng),得到更平滑的網(wǎng)絡(luò)輸出,實(shí)質(zhì)上是對(duì)網(wǎng)絡(luò)泛化能力的關(guān)注。為廣義回歸神經(jīng)網(wǎng)絡(luò)關(guān)鍵參數(shù)spread的選取提供理論依據(jù)。
　　 進(jìn)一步的,以上述研究成果為基礎(chǔ),以大型火電機(jī)組為研究對(duì)象,將反向建模思想應(yīng)用于復(fù)雜熱力系統(tǒng)建模工作?？偨Y(jié)反

4、向建模在復(fù)雜熱力系統(tǒng)中的應(yīng)用可歸結(jié)為兩類,一類為回歸問(wèn)題,一類為分類問(wèn)題。以汽輪機(jī)主蒸汽流量的測(cè)定為算例研究基于反向建模的熱力系統(tǒng)回歸模型,以機(jī)組綜合狀態(tài)評(píng)估和故障診斷為算例研究基于反向建模的熱力系統(tǒng)分類模型。前者使用廣義回歸神經(jīng)網(wǎng)絡(luò)算法,通過(guò)優(yōu)化網(wǎng)絡(luò)分布密度可有效地提高模型泛化能力;后者引入投影尋蹤原理和小波.神經(jīng)網(wǎng)絡(luò)混合模型,用于熱力系統(tǒng)狀態(tài)評(píng)估與故障診斷工作。最后給出模型測(cè)試結(jié)果對(duì)比分析,驗(yàn)證了反向建模思想在復(fù)雜熱力系統(tǒng)建模工作中