[发明专利]一种燃煤电站回转式空气预热器漏风率预测方法

权利要求书

1.一种燃煤电站回转式空气预热器漏风率预测方法，其特征在于，所述预测方法包括以下步骤：

(S1)获取数据：获取燃煤电站DCS系统的原始数据；

(S2)数据清洗：对原始数据进行清洗，去除其中的异常数据；

(S3)变量筛选：对数据测点进行筛选，筛选结果作为输入集数据测点；

(S4)建立模型：建立漏风率预测模型，将筛选后的测点数据作为模型的输入，并对模型进行训练；

(S5)数据预测：对漏风率进行实时预测；

(S6)误差计算及寻优：计算预测误差，如果预测误差满足要求则不作处理；如果预测误差不满足要求，则对漏风率预测模型进行改进，优化模型参数；

其中，所述步骤(S3)是基于相关性分析的输入变量筛选；所述步骤(S4)是基于LSSVM最小二乘支持向量机理论建立漏风率预测模型；所述步骤(S6)采用PSO粒子群算法对模型参数进行寻优，包括以下步骤：

(S6-1)初始化PSO粒子群算法和LSSVM最小二乘支持向量机模型的参数：群体规模、学习因子、初始权重、终止权重、迭代最大次数、核函数和正规化的参数取值范围；初始化种群粒子速度参数和位置参数，并将位置参数作为PSO粒子群算法的初始解；根据粒子的位置确定LSSVM最小二乘支持向量机模型参数，计算训练样本的训练误差值，计算各个粒子的适应度值；

(S6-2)更新个体最优位置和群体最优位置；比较各个粒子的当前适应度值与其自身的个体最优适应度值，如果当前适应度值更大，则用当前值进行替代；对比群体最优适应度值与各粒子的个体最优适应度值，若存在个体最优适应度值优于群体最优适应度值，则用该个体的最优适应度值代替群体最优适应度值；

(S6-3)采用基于种群活性的粒子群改进算法中的优化操作对种群粒子当前的速度和位置进行进化或变异操作；若进化或变异操作失效，则对个体极值和全局采取极值扰动处理；

(S6-4)根据粒子速度和位置更新方程对种群粒子的速度和位置进行更新，然后开始下一次迭代；

(S6-5)判断是否达到最大迭代次数或满足精度要求，若满足条件则算法搜索结束，将搜寻到的全局最优位置作为模型的最优参数，代入LSSVM最小二乘支持向量机模型进行训练。

2.如权利要求1所述的燃煤电站回转式空气预热器漏风率预测方法，其特征在于，步骤(S1)中，所述获取数据包括以下步骤：

(S1-1)获取燃煤电站DCS系统中一个时间段的历史测量数据；

(S1-2)基于回转式空气预热器运转机理分析，筛选出与漏风率变化有关的参变量测点；

(S1-3)选取筛选后的测点并涵盖全工况变化范围的一段时间内的历史测量数据作为原始数据集。

3.如权利要求1所述的燃煤电站回转式空气预热器漏风率预测方法，其特征在于，步骤(S2)中，所述数据清洗包括以下步骤：

(S2-1)对原始数据集中的奇异值数据进行处理；

(S2-2)对原始数据集中的缺失数据进行处理；

(S2-3)对原始数据集中的噪声数据进行处理。

4.如权利要求3所述的燃煤电站回转式空气预热器漏风率预测方法，其特征在于，步骤(S2-1)中，所述对原始数据集中奇异值数据进行处理包括以下步骤：

(S2-1-1)如果数据值超出了测点量程范围，则判定为数据奇异点，予以剔除；

(S2-1-2)基于回转式空气预热器运转机理分析，如果某测点数据超出正常数值范围，则判定为数据奇异点，予以剔除。

5.如权利要求3所述的燃煤电站回转式空气预热器漏风率预测方法，其特征在于，步骤(S2-2)中，所述对原始数据集中缺失数据进行处理包括以下步骤：

(S2-2-1)数据缺失率小于设定值10％，采用统计方法中的前后相邻填充方法进行缺失数据填补；

(S2-2-2)数据缺失率大于或等于设定值10％，采用关联规则算法的类均值填补算法进行缺失数据填补，选取相关性最大的两个属性作为标准数据对缺失属性进行分组，然后用各组的均值去填补相应的缺失数据。