《基于小波变换与D-S证据理论的热工目标模式识别》由会员分享，可在线阅读，更多相关《基于小波变换与D-S证据理论的热工目标模式识别（9页珍藏版）》请在金锄头文库上搜索。
1、基于小波变换与D-S证据理论的热工目 标模式识别洪雨楠刘鑫屏华北电力大学控制与计算机工程学院摘要：受对象动态特性不同的影响，火电机组各参数在受到同一干扰源影响时出现变 化的时间尺度存在差异。针对此问题，研究了一种小波变换与D-S证据理论相结 合的目标模式识别方法:基于用小波变换的多分辨率特性，提取特征参数并在时 域内动态对齐，再通过典型样本构造隶属度函数，最后运用D-S证据理论得到 识别结果。实例分析表明，该方法可以有效地解决不同尺度的燃烧相关信号在时 域内动态对齐问题，减小因各个信号出现变化的时间点不一致而导致的目标模 式识别的不确定性。关键词：热工信号;锅炉燃烧;小波变换;D-S证据理论;
2、目标模式识别;作者简介：洪雨楠(1993),男，江苏盐城人，在读硕士研究生，研究方向为数 据挖掘与信息融合。作者简介：刘鑫屏(1975),女，河北保定人，副教授，工学博士，研究方向为 大型火电机组建模及软测量。收稿日期：2017-05-24基金：国家重点基础研究发展计划(973计划)项目(2012CB215203)Thermal Target Mode Recognition Based on Wavelet Transform and D-S Evidence TheoryHONG Yunan LIU XinpingSchool of Control and Computer Enginee
3、ring,North China Electric Power University;Abstract：Due to different dynamic characteristics of objects, there are differences in varied time scales of parameters of the thermal power generating unit caused by influence of the same interference source. Therefore, the paper studies a kind of target m
4、ode recognition method combining wavelet transform and D-S evidence theory which is to use multi-resolution characteristic of wavelet transform to extract characteristic parameters and dynamically align in time-domain, then by means of typical sampling to construct subordinating degree function and
5、finally apply DS evidence theory to obtain recognition result. Actual example analysis indicates this method can effectively solve the problem of dynamic aligning of combustion signals of different scales in time-domain and reduce uncertainty of target mode recognition caused by inconsistent varied
6、time points of signals.Keyword：thermal signal; boiler combustion; wavelet transform; D-S evidence theory; target mode recognition;Received： 2017-05-24复杂热力系统中热工信号往往具有惯性和延迟特点，随着工况的改变，又具有 时变性和不确定性。在电力系统故障诊断I1W1与目标模式识别3-4领域,已知 方法如D-S证据理论、粗糙集理论以及模糊集理论等的应用适用于静态系统 5-7,而热力系统属于一个离散事件的动态连续系统，直接将火电厂现场信号 用于目标模式
7、识别，会导致因证据时间先后不同而造成的识别错误。因此，需要 研究一种能够将热工信号按不同时间尺度分解对齐的方法，以提高动态系统目 标模式识别的准确率。根据信号频域变化特性的不同，一般可以通过高频成分找到信号的突变信息， 再寻找合适的尺度将信号在时域内对齐。对于热工信号在时域内的分解对齐，文 献8提出了基于主成分分析的频域分解对齐方法，适用于分析具有线性关系的 测点。实际上热工信号是具有非线性、噪声与异常点的复杂信号，为有效解决热 工信号时间动态对齐问题，需要找到一种多尺度分解分析方法。小波变换具有多分辨率特性9T1,可以在几乎不损失能量的前提下将原始信 号分解成具有不同时间信息的简单分支，因此
8、适用于热工信号在时域内的分解 对齐。与傅里叶变换12仅提供信号频域的信息相比，小波变换同时保存了信号在频域和时域的有效信息，基于小波变换的多尺度分解相比于“频域分解” “功率谱分解”等传统分解方法更具有优势13-14 o基于小波变换的D-S 证据理论在磨煤机临界堵塞状态识别顷、传感器故障检测16-18等领域已获 得成功应用。本文利用小波变换对燃烧扰动过程相关参数信号进行多尺度分 解，将时间对齐后的证据信号进行重构并构造信度函数分配，再进行目标模式 识别，可以有效地解决热工信号时间动态对齐的问题，准确识别锅炉燃烧扰动。1燃烧扰动分析1. 1火电厂锅炉燃烧扰动锅炉燃烧是一个复杂的物理化学过程，缺少
9、大尺度范围的直接测量方法，难以 建立准确的机理模型。一方面锅炉燃烧受给煤量、一次风、送风、引风以及煤质 等因素的影响，另一方面燃烧过程也影响着炉膛负压、汽包水位、氧量、给水流 量等其他信号，同时这些信号也有可能受燃烧以外的其他系统或参数变化的影 响而出现波动。考虑到热力系统的复杂性，通过单一信号判断是否发生燃烧扰动 可信度很差。以磨煤机启动造成锅炉燃烧扰动为例，某600MW机组升负荷时，磨煤机启动过 程中总燃料量、机组功率、炉膛负压以及汽包水位等参数的变化趋势如图1所示。 由图1可见，在第500 s处，磨煤机启动导致燃料量有一个瞬间的升降突变，虽 然其持续时间很短，但已经对其他参数产生了影响，
10、可以看出炉膛负压和汽包 水位在磨煤机启动过程中产生了比较明显的波动.从频域角度分析，磨煤机启动 过程中燃料量、炉膛负压以及汽包水位等参数时域信号所对应的频率要高于其他 时刻，这说明锅炉燃烧扰动发生时，受其影响的热工信号在某个时刻存在特定 的频率与之相对应，提取出受影响信号的特定频率信息作为证据源可以有效地 识别和评估燃烧扰动。图1某600MW机组磨煤机启动过程参数变化下载原图1. 2基于小波变换的锅炉燃烧扰动识别Jlai火电厂锅炉燃烧扰动是使锅炉运行参数大幅波动的原因之一。目前，对于锅炉燃 烧扰动的目标识别方法大都是直接利用现场数据进行证据理论判别并得出结论， 文献19提出利用D-S证据理论对
11、燃烧扰动进行识别判断，适用于分析平稳信 号。实际上现场数据是典型的非平稳信号，强烈的多尺度特性往往导致识别准确 率降低甚至得到完全相反的结果，因而无法直接应用在锅炉燃烧扰动模式识别 中。基于现场数据多尺度的特性，提出了一种小波变换与D-S证据理论相结合的目 标模式识别方法，利用小波变换多分辨率分析的特点提取出受影响信号的特定 频率信息，将热工信号在时域内动态对齐后再作为证据源可以有效解决现场数 据滞后、非线性等问题，降低目标模式识别难度，提高识别结果准确率。基于小 波变换的D-S证据理论模式识别方法首先选择典型工况下现场数据，寻找合适 的小波基对其进行多尺度分解（小波分解尺度标准为:根据热工信
12、号采样频率， 结合小波函数和尺度函数的频率确定最终分解层数），将各证据信号在时域对 齐，然后进行信度函数分配，最后形成决策并给出结论。锅炉燃烧扰动识别流程 如图2所示。图2锅炉燃烧扰动识别流程下载原图2实例分析以某 600 MW 机组厂级监控信息系统（supervisory information system, SIS） 历史数据库为研究平台，选取一段机组升负荷时磨煤机启动工况数据作为算例 进行分析验证。从测点表中选取10个燃烧过程相关的测点，分别为总燃料量、 功率、机前压力、汽包水位、炉膛负压、排烟氧量（体积分数）、过热汽温、再 热汽温、排烟温度、给水流量，采样时间2 000 so原始信号
13、曲线如图3所示，可 以看出总燃料量在1 050 s附近有一个明显的尖峰扰动，汽包水位、炉膛负压在 燃料量扰动发生后也出现了明显的波动，而其他测点信号的时域波动被低频趋 势所覆盖，无法直接作为证据信号来确定是否发生燃烧扰动。为获取反映锅炉燃烧扰动的特征参数，首先利用db4小波基函数对原始数据进 行5层小波分解和重构，提取原始信号的特征时间信息，选择对齐时间序列的 证据信号构造信度函数。小波基函数的选择原则为:根据原始信号的数学特性， 先定量分析确定几种较为合适的小波基，再结合实验手段测试其对信号的分析 能力及重构误差，选择最佳小波基并提取相应的证据。图3原始数据曲线下载原图原始数据经过小波分解重
14、构后，计算各证据信号在每层分解尺度下对目标模式 的支持度，形成如图4所示的证据带。图4中波峰即表示证据信号在某层小波尺 度下对目标模式的支持度达到最大，可以发现对目标模式支持度较高的证据大 都集中在第3层和第4层高频部分，说明燃烧扰动所对应的频率较高。然后选取 各证据信号对目标模式支持度最高的信号分量，并在时域内进行动态对齐，经 过小波分解对齐后的证据信号如图5所示，可以看出经过处理后的证据信号滞 后性明显减弱并且信噪比显著增强。图4证据在不同尺度下对目标模式的支持度下载原图图5小波分解对齐后证据信号下载原图将原始信号与小波分解对齐后证据信号分别应用于D-S证据理论，进行燃烧扰 动识别判断，计
15、算结果见表k对比表1中原始信号与小波分解动态对齐后的信 号分别作为证据进行目标模式识别的判别结果，可以发现原始信号对诊断结果 的不确定性支持度明显大于动态对齐后的证据信号;动态对齐后的证据信号对目 标模式有较高的支持度，从而加大了识别准确度。通过机理分析，磨煤机启动过 程中燃料量的突然波动造成炉膛火焰扰动，进而影响到与燃烧过程密切相关的 其他参数信号的波动，而这些信号的波动往往体现在其高频部分，同时热工信 号具有惯性和迟延的特点，也导致证据信号在时域上无法动态对齐，最终影响 目标模式识别结果。由此可见，热工信号无法直接作为证据信号来进行目标模式 识别；小波变换与D-S证据理论相结合的目标模式识
16、别方法可以有效地解决信号 时域动态对齐问题，同时挖掘信号高频特征信息，降低热工模式识别难度，提 高目标模式识别准确率。表1 D-S证据理论融合结果下载原表3结论&）基于小波变换的多分辨率特性，研究了一种信号在时域内动态对齐的数据处 理方法。现场数据应用表明，小波多尺度分解方法可以有效地减弱热工信号的滞 后性，并获取反映设备运行状况的特征参数，为热力系统动态分析和故障诊断 提取特征信息。b）提出了一种小波变换与D-S证据理论相结合的目标模式识别方法，利用小波 多尺度分解将热工信号在时域上动态对齐，再通过D-S融合得出结论，减小识 别结果的不确定性。实例分析结果表明，基于小波变换的D-S证据理论方法比直 接使用D-S证据结果准确度提高20%o项目简介:申请单位华北屯力大学项目名称多元发电过程分散协调控制与智能调度项目概述紧密结合我国规模化新能
