基于信息融合的电厂磨煤机运行状态研究

2018-11-28王博维刘爱莲杜景祺张文涛

电子科技 2018年12期

王博维，刘爱莲，杜景祺，张文涛，杨俊

(1.昆明理工大学信息工程与自动化学院，云南昆明 650500；2.云南电网有限责任公司电力科学研究院，云南昆明 650504)

电厂磨煤机一般为电厂磨煤常用的钢球磨煤机，大型火电厂为提高燃煤效率都是燃烧煤粉，在火电厂磨煤机完成磨粉研磨工作以后，会通过热风将煤粉吹进锅炉，然后煤粉在锅炉充分燃烧之后形成的热烟气会沿着锅炉流动进行放热，所以磨煤机就显得非常重要了。火电厂磨煤机是火力发电厂燃煤机组中的重要设备，其运行的安全和稳定性直接关系到整台火力发电机组的整体工作，对整个电厂安全和经济效益都有着决定性的影响。

所以对电厂磨煤机的研究具有重要意义。神经网络具有从输入到输出的一个映射功能，可以实现一个复杂的非线性映射功能。使用神经网络将从传感器端采集到的信息映射出设备状态，从而实现对运行状态的预测。但是传感器间虽然在时间和空间上有很大的差异，但其均属于同一系统，受同样的条件所制约，故其采集的信息之间必有一定的关联性。本文使用神经网络将这种具有关联性的数据进行映射，使用不同的神经网络产生不同的映射进行预测，可大幅降低这种关联性带来的误差。最后再利用D_S证据理论进行融合，使结果变得更加可靠。

1 神经网络和证据理论

1.1 BP神经网络

BP网络是一种单向传播的多层前向网络，是一种具有3层或3层以上的神经网络，包括输入层、中间层(隐层)和输出层。BP网络结构中，上下层之间实现全连接，而每层神经元之间无连接。当一对学习样本提供给网络后，神经元的激活值从输入层经各个中间层向输出层传播，在输出层的各神经元获得网络的输入响应。接下来，按照减少目标输出与实际误差的方向，从输出层经过各中间层逐层修正各连接权值，最后回到输入层，这种算法称为“误差逆传播算法”。图1为1个3层的BP神经网络结构图。

图1 3层BP神经网络结构图

1.2 D_S证据理论融合

D_S证据理论于20年代70世纪提出，而后经过多人的研究和发展，形成了一套处理不确定性问题的完整理论。用于各种不确定性信息中。但其还存在问题待解决，应用D_S证据理论需要极强的一个条件，即被融合数据间的绝对相互独立，目前而言很难真正实现这一条件。

1.2.1 D_S证据理论的基本概念

识别框架：定义某一事物为X，它可能取值的集合为U，则称U为识别框架。

基本概率分配：如果U是一个识别框架，则函数m:2U→[0,1]为其基本概率分布，满足下面两个条件，简记BPA。

(1)

m(A)为A的基本概率数。使m(A)≠0的A称为焦元。

信任函数：对于任意一个假设而言，其信任度Bel(A)定义为A中全部子集对应的基本概率之和。

(2)

似然函数：在识别框架U上基于BPA(m)的似然函数定义为

(3)

信任区间：在D-S证据理论中，相对于识别框架U中的某一个假设A， [Bel(A)，Pl(A)]为A的信任区间。

1.2.2 Dempster合成规则

设m1，m2分别是同一个识别框架U上的两个基本信任度函数，焦元分别为：{u11,u12,…,u1i}，{u21,u22,…,u2j}。设

(4)

则由下式定义函数

(5)

当uk=φ时,m(uk)=0,式中：i、j、k=1,2,…,n；其中

(6)

为联合后的信度函数分配。

2 火电厂磨煤机运行状态模型

设备运行时，随着时间的增加，性能会急剧劣化，直至发生故障，其性能的劣化曲线如图2所示。

图2 设备性能劣化曲线

设备运行初期处于(a-b)段，设备刚刚安装，性能劣化比较快。随后进入(b-c)段，设备已经磨合完成并平稳运行。再而后进入(c-d)段，此时设备出现部分磨损，性能劣化加剧，但还不至于导致事故。最后进入(d-e)段，设备长时间运行，正常工作条件被破坏，性能激剧劣化，运行到e后将随时发生事故。当运行到(c-d)段时，如果能够及时发现并进行处理，便可避免事故的发生。

根据上图可使用BP神经网络进行预测，通过传感器采集的数据使用BP网络将其映射到性能劣化值，从而达到预测的目的。使用单个BP神经网络的输出的结果不稳定，故采用3个BP神经网络同时进行预测，而通过BP神经网络后关联性会大幅减低，此时再通过D_S证据理论将其融合可以得到较为准确的结果，其流程如图3所示。

图3 预测模型结构图

2.1 基于BP神经网络的模型预测

2.1.1 样本数据的预处理

火电厂机组中有大量的传感器来采集数据，但这些数据中有很多具有较大的关联性，全部采用将会导致预测模型的累赘，需进行筛选。舍弃火电机组在开机和关机之时的数据，另选取每天白天10点到16点之间的数据。选取其中22项数据作为输入，以设备性能劣化曲线图中的4种状态作为输出。

在BP神经网络的训练中要加快收敛速度，需要对数据进行归一化处理，使数据变换到(0,1)区间上，其处理变换公式如下

(7)

2.1.2 BP神经网络结构

输入层节点为22个，其为火电厂磨煤机的重要特征值数据。输出层为4个节点，分别是设备性能劣化曲线图中的4个状态，设备磨合(a-b)段后小部分，设备健康(b-c)段，设备损伤但可继续使用(c-d)段，事故(d-e)段；这里对于设备磨合段不采用全部(a-b)段是因为其磨合段波动较大，不利于处理。针对3个不同的BP神经网络，使用不同的层数处理，分别为4,9,12，节点数也各不相同。也使用不同的训练算法进行训练。

2.1.3 网络的训练和预测

使用处理后的数据分别训练3个BP神经网络，使其误差值达到预设或小于预设时，保存网络。将采集到的数据输入进行预测。

2.2 基于D_S证据理论的状态预测

通过3个训练好的BP神经网络进行预测得到火电厂磨煤机4个状态的基本概率，将其用做D_S证据理论进行融合，最终得到更为准确的预测结果。

2.2.1 基本概率分配

将训练好的3个BP神经网络的预测值作为证据体，预测结果可能的取值集合作为识别框架，U={磨合,健康,损伤,事故}，m1，m2，m3分别作为3个BP神经网络在识别框架U上的基本概率分配。第i个BP神经网络输出的结果值作为识别框架U中每个对应元素A的基本概率分配值mi(A)，来构建基于BP神经网络的基本概率分配(BPA)。

2.2.2 D_S证据融合

使用Dempster合成规则进行合成，先将两个BP神经网络的预测值进行融合，再与第3个BP神经网络进行融合，得到结果。

3 实例分析

数据采用火电厂机组2016年1月～2017年10月的数据，然后使用2016年1月～2017年4月的数据进行预处理再通过网络进行训练得到3个可用的BP神经网络。

由于数据过于庞大，现只列出其中最为重要的7组数据。表1为经过数据预处理后的部分数据，图4为3组BP神经网络的训练误差曲线。

使用训练好的BP神经网络对2017年8～10月共3个月的数据进行预测，得到预测结果，如表2所示，其中识别框架U={磨合,健康,损伤,事故}，然后进行融合得到最终预测结果，数据如表3所示。

图4 3组BP神经网络的训练误差曲线

表1 预处理后的部分数据

表2 3个BP神经网络的预测结果

表3 D_S证据理论融合后的最终结果

对于预测的最终结果可见，预测在整体结果上符合，其中对于磨合这一运行状态的预测率大于90%，可以起到较好的预测效果。如果可以提前预测出事故的发生，便可交早的做出相应的对策，从而减少经济损失和人员伤亡。同时使用多个神经网络进行预测较单个网络有更高的准确性，再使用D_S证据理论进行融合，进一步提高了磨煤机状态预测的可靠性。