[发明专利]一种热力设备运行数据深度清洗方法

说明书

本发明公开了一种热力设备运行数据深度清洗方法，包括：利用热力设备机理模型、基于机理模型和健康运行数据机器学习的伴随仿真模型和热力系统质热平衡方程，通过关键参数相似性分析、不同参数的关联性分析这些方法，实现仪表评估与在线校正、数据健康状态评估和缺失测点参数辨识这些功能。本发明的方法思路新颖、可行性高，具有显著的应用前景。

技术领域

本发明涉及节能技术，具体涉及一种热力设备运行数据深度清洗系统及方法。

背景技术

目前，在电力、化工、钢铁、冶金、水泥等工业领域，热力设备的安全、高效运行是关乎企业经济效益和生存空间的核心问题。随着自动化程度的提高，许多大型设备都配置了在线监测控制系统，如DCS、MIS、SIS等，通过大量的高精度传感器和数据采集、分析系统为设备的安全运行提供实时数据。理论上，基于这些测量数据还可以确定设备的实时运行状态和性能，为运行和管理提供决策依据。事实上，很多设备上已集成了设备运行状态和性能监测系统，但成功应用的少之又少，其主要原因是设备运行数据的可靠性达不到要求。

热力设备的测量数据主要包括压力、温度、流量等参数。在运行过程中，由于各种因素的影响，比如，一次元件积水或结垢、引压管液位变化、环境参数变化等等，都将导致仪表测量数据偏离实际值，但由于缺少有效的手段及时发现、消除这些偏差，设备运行状态和性能监测系统只能“带病”运行，显然无法得到可靠的结果。对于设备自动控制来说，只需要用到部分关键参数，而且控制信号都预留了一定的安全裕量，且各个信号都是独立的，发现问题时可对仪表进行人工检测和处理，所以监测数据的可靠性问题并不突出。然而，对于设备运行状态评估和性能分析来说，所需参数具有全面性和关联性，任何一个参数出现问题都会对最终结果产生影响，因此其对数据可靠性的要求比自动控制要高得多。

数据清洗是目前解决数据可靠性的最有效途径，其主要目的是检测和修复脏数据，主要包括冗余数据、冲突数据、异常数据和缺失数据等。常用的数据清洗方法是：通过预先设定数据域值过滤掉异常数据；通过挖掘同一数据源的时间相关性为缺失数据填补合理的数值并通过时间性判别异常值；通过挖掘同一数据源的空间相关性填补缺失数据并通过空间相关性判断异常值；通过汇聚其他节点数据挖掘节点间的相关性，判断异常数据；通过不同属性间的关联性，判断数据正确性，即扩展多种关联属性的数据清洗。这些方法大多是纯数学的，较少涉及设备自身特性，主要用于解决冗余和明显异常的数据，比如，剔除重复数据、通过阈值筛选数据、删除明显不符合物理规律和常理的数据、通过插值方法填补采集过程中丢失的数据等。然而，对于热力系统及设备来说，由于不同参数的关联性非常强，面临的数据问题可能更加复杂，例如，有些参数是热力分析必需的但没有安装测量仪表或者无法测量，设备下游参数随上游参数变化导致误判数据异常等等，利用上述数据清洗仍然无法解决数据可靠性问题。为此，必须探索更有效的数据清洗方法。

作为具有完整功能且强关联性的独立系统来说，任何数据异常必然引起相关特性参数的连锁反应，而要发现这些异常变化，必须理清设备各参数的关联性。本发明正是基于上述思路，提出了基于设备机理模型和系统质热平衡分析的数据深度清洗方法，为提高热力系统及设备在线监测数据的可靠性提供了有效的解决方案。

发明内容

本发明的主要目的在于提供一种热力设备运行数据深度清洗方法，利用设备机理模型、基于机理模型和健康运行数据机器学习的伴随仿真模型和热力系统质热平衡方程，通过关键参数相似性分析、不同参数的关联性分析等方法，实现仪表评估与在线校正、数据健康状态评估和缺失测点参数辨识等数据深度清洗功能，为热力设备智能运维分析提供可靠的数据源。

本发明采用的技术方案为：一种热力设备运行数据深度清洗方法，包括：

利用热力设备机理模型、基于机理模型和健康运行数据机器学习的伴随仿真模型和热力系统质热平衡方程，通过关键参数相似性分析、不同参数的关联性分析这些方法，实现仪表评估与在线校正、数据健康状态评估和缺失测点参数辨识这些功能。