[发明专利]一种汽轮机低压末级温度场预测方法及装置

权利要求书

1.一种汽轮机低压末级温度场预测方法，其特征在于，包括：

对获取到的汽轮机历史运行状态参数进行筛选，得到历史运行状态参数样本集及目标参数温度场数据集；

利用K最近邻算法对所述历史运行状态参数样本数据集及所述目标参数温度场数据集进行训练，得到近邻样本参数；

根据获取到的汽轮机当前运行状态参数及所述近邻样本参数，生成所述当前运行状态参数对应的汽轮机低压末级温度场预测值。

2.根据权利要求1所述的汽轮机低压末级温度场预测方法，其特征在于，利用K最近邻算法对所述历史运行状态参数样本数据集及所述目标参数温度场数据集进行训练，得到近邻样本参数，包括：

对所述历史运行状态参数样本数据集中的历史运行状态参数样本数据进行特征降维，得到所述历史运行状态参数样本数据对应的主成分重建原数据；

对所述历史运行状态参数样本数据对应的所述主成分重建原数据进行归一化处理，得到主成分重建标准化数据；

将所述主成分重建标准化数据划分为训练样本集与测试样本集；

利用K最近邻算法对所述训练样本集、所述测试样本集及所述目标参数温度场数据集进行训练，调整预先设定的近邻样本初始参数，得到近邻样本参数。

3.根据权利要求2所述的汽轮机低压末级温度场预测方法，其特征在于，对所述历史运行状态参数样本数据集中的历史运行状态参数样本数据进行特征降维，得到所述历史运行状态参数样本数据对应的主成分重建原数据，包括：

计算所述历史运行状态参数样本数据集中所述历史运行状态参数样本数据的特征均值向量；

根据所述特征均值向量，将所述历史运行状态参数样本数据中心化，得到历史运行状态参数样本数据矩阵；

构造所述历史运行状态参数样本数据矩阵的协方差矩阵；

对所述协方差矩阵进行特征分解，求取所述协方差矩阵的特征值及各所述特征值对应的特征向量；

根据计算得到的各所述特征值的贡献率提取前d个主成分，其中d的数量小于所述特征向量的维度；

根据所述主成分计算所述历史运行状态参数样本数据对应的主成分重建原数据。

4.根据权利要求2所述的汽轮机低压末级温度场预测方法，其特征在于，利用K最近邻算法对所述训练样本集、所述测试样本集及所述目标参数温度场数据集进行训练，调整预先设定的近邻样本初始参数，得到近邻样本参数，包括：

逐一计算所述测试样本集中各历史运行状态参数样本与所述训练样本集中各历史运行状态参数样本之间的欧式距离；

针对所述测试样本集中的每一所述历史运行状态参数样本，选取与所述训练样本集中各历史运行状态参数样本之间欧式距离最近的k个历史运行状态参数样本，其中，1≤k≤N-1，N为所述训练样本集中所述历史运行状态参数样本的个数；

针对所述测试样本集中的每一历史运行状态参数样本，获取所述k个历史运行状态参数样本的温度场参数；

根据所述k个历史运行状态参数样本的温度场参数，生成所述测试样本集中的每一历史运行状态参数样本的汽轮机低压末级温度场预测值；

计算所述测试样本集中每一所述历史运行状态参数样本在不同k值下的汽轮机低压末级温度场预测值的均方误差；

选取最小的所述均方误差所对应的k值，作为近邻样本参数。

5.根据权利要求1所述的汽轮机低压末级温度场预测方法，其特征在于，根据获取到的汽轮机当前运行状态参数及所述近邻样本参数，生成所述当前运行状态参数对应的汽轮机低压末级温度场预测值，包括：

对所述当前运行状态参数进行特征降维，得到所述当前运行状态参数对应的主成分重建原数据；

对所述当前运行状态参数对应的主成分重建原数据进行归一化处理，得到所述当前运行状态参数对应的主成分重建标准化数据；

根据所述近邻样本参数，利用K最近邻算法生成所述当前运行状态参数对应的汽轮机低压末级温度场预测值。