1 引言 　　20世紀90年代以來，以DCS（集散控制系統(tǒng)）為代表的現(xiàn)代化自動控制系統(tǒng)在火電機組中得到了普遍應用，數(shù)以千計的傳感器數(shù)據(jù)提供了大量反映電站設備運行狀態(tài)的信息。但是由于傳感器的故障、漂移和各種干擾的存在使得測量數(shù)據(jù)中可能會產(chǎn)生一些不良值，從而使基于這些數(shù)據(jù)開發(fā)的系統(tǒng)性能下降，甚至造成系統(tǒng)無法工作。對測量數(shù)據(jù)中不良值的檢驗已經(jīng)引起了國內(nèi)外學者的重視[1]。 　　測量數(shù)據(jù)優(yōu)化估計值的求取是不良數(shù)據(jù)檢驗問題的關鍵，當前有如下幾種求取方法：基于硬件冗余的互判法，該方法簡單實用，但是要增加相應的硬件投入，只能適用于對一些關鍵參數(shù)的測量，而且當冗余傳感器的數(shù)目較少時不能準確定位故障傳感器；基于采樣數(shù)據(jù)的時間序列關系的AR、ARMA以及Kalman等時間序列預測模型，但它們對過程數(shù)據(jù)的突變會產(chǎn)生誤判，同時其模型參數(shù)要求大采樣，實際過程常常不能滿足；帶時間窗的新陳代謝方法，采用有限樣本進行預測，避免了大采樣的要求，但該方法只能對不良數(shù)據(jù)進行質(zhì)疑，不能完全檢驗，同時不能實現(xiàn)糾錯的目的；基于機理模型，采用解析冗余技術進行參數(shù)預測，但是這要求有足夠精確的機理模型，同時對于非線性復雜系統(tǒng)模型計算量大，有時不能滿足實時的要求[2～4]。 [align=left]　 本文給出了基于自聯(lián)想神經(jīng)網(wǎng)絡AANN（Auto-associate Neural Networks）的不良數(shù)據(jù)自校正檢驗方法，利用AANN進行過程參數(shù)間的主要特征識別與相關估計，采用參數(shù)預測模型并通過殘差決策邏輯實現(xiàn)網(wǎng)絡輸入數(shù)據(jù)的選擇，有效地避免“野點”引起的“殘差污染”問題，以便正確估計測量參數(shù)。 [b]2 自聯(lián)想神經(jīng)網(wǎng)絡AANN 　　2.1 AANN網(wǎng)絡結(jié)構(gòu) [/b]　　自聯(lián)想神經(jīng)網(wǎng)絡是在1987年由Ballard針對編碼/解碼問題首先提出的[5]，其網(wǎng)絡原型是一種具有對稱拓撲結(jié)構(gòu)的五層前饋傳遞網(wǎng)絡，如圖1所示。AANN應用到數(shù)據(jù)檢驗問題時具有比較明顯的物理意義，首先通過輸入層、映射層以及瓶頸層實現(xiàn)了輸入數(shù)據(jù)信息的壓縮。從網(wǎng)絡輸入的高維參數(shù)空間中提取了反映系統(tǒng)結(jié)構(gòu)的最具代表性的低維子空間，同時有效地濾去了測量數(shù)據(jù)中的噪聲和測量誤差，再通過瓶頸層、解映射層和輸出層實現(xiàn)數(shù)據(jù)的解壓縮，將前面壓縮的信息還原到各個參數(shù)值，從而實現(xiàn)各測量數(shù)據(jù)的重構(gòu)。 　　為了達到信息壓縮的目的，AANN網(wǎng)絡瓶頸層節(jié)點數(shù)目明顯小于輸入層，又為了防止形成輸入輸出之間的簡單單一映射，除了輸出層激勵函數(shù)采用線形函數(shù)外，其它各層均采用非線形的激勵函數(shù)。 　　[b]2.2 AANN樣本選擇與學習算法 　　2.2.1 樣本選擇 [/b]　　AANN學習的是輸入?yún)?shù)間的相關性，一般可以認為測量數(shù)據(jù)中的噪聲是不相關的，因此可直接將帶有噪聲的測量數(shù)據(jù)同時作為網(wǎng)絡的輸入和訓練目標值，并以式（1）作為網(wǎng)絡訓練的目標函數(shù)[/align][align=left]　式中 n為訓練樣本數(shù)；xi、yi分別為網(wǎng)絡的輸入輸出數(shù)據(jù)。 　　由于噪聲的存在，網(wǎng)絡訓練結(jié)束的條件不是E的最小化，而是當E收斂到一個小的定值而趨向不變時就停止訓練，否則網(wǎng)絡將試圖對噪聲進行學習，即所謂的“過學習”，從而降低網(wǎng)絡的“泛化”能力。 　　2.2.2 改進的BP算法 　　本文在AANN訓練時應用改進的BP算法，訓練時增加了附加動量因子并采用自適應學習速率[6]。 　　節(jié)點權值的調(diào)整公式為[/align][align=left][b]3 基于AANN的測量數(shù)據(jù)自校正檢驗方法 　　3.1 常規(guī)檢驗方法[/b] [/align] 　　AANN網(wǎng)絡能夠提取測量數(shù)據(jù)中主要信息，濾去噪聲等次要信息，通過數(shù)據(jù)重構(gòu)可以對測量數(shù)據(jù)進行估計，因此可以直接用來進行測量數(shù)據(jù)的檢驗，如圖2所示。將過程測量矢量x （k）作為網(wǎng)絡輸入，網(wǎng)絡輸出矢量y（k）即為測量數(shù)據(jù)的估計值，再根據(jù)估計余差矢量e（k）進行數(shù)據(jù)檢驗。但是，當網(wǎng)絡輸入?yún)?shù)中存在大的異常值時，如儀表發(fā)生大的漂移或者故障時，其測量數(shù)據(jù)明顯不可信，這樣會使網(wǎng)絡輸入數(shù)據(jù)的完整性受到大的破壞，如果還以此測量參數(shù)作為輸入值，會將其錯誤傳遞到其它參數(shù)中去，引起所謂的“殘差污染”，不能得到正確的結(jié)果。 3.2 基于AANN的測量數(shù)據(jù)自校正檢驗方法 　　為了克服常規(guī)檢驗方法的不足，本文提出如圖3所示的基于AANN的測量數(shù)據(jù)自校正檢驗方法。 [img=338,190]http://zszl.cepee.com/cepee_kjlw_pic/files/wx/zgdjgcxb/2002-6/153-5.jpg[/img] 　　圖中 A為殘差生成模塊，通過過程測量參數(shù)x （k）、AANN輸出參數(shù)有y（k）以及單參數(shù)預測模型輸出參數(shù)[img=26,15]http://zszl.cepee.com/cepee_kjlw_pic/files/wx/zgdjgcxb/2002-6/153-6.jpg[/img]生成殘差；T為網(wǎng)絡輸入?yún)?shù)選擇模塊。 　　數(shù)據(jù)檢驗時，首先以當前時刻測量數(shù)據(jù)x （k）作為AANN的輸入，得到網(wǎng)絡對應的輸出數(shù)據(jù) y（k），再根據(jù)網(wǎng)絡的歷史輸出數(shù)據(jù)通過單參數(shù)預測模型，求得各參數(shù)的預測值[img=26,15]http://zszl.cepee.com/cepee_kjlw_pic/files/wx/zgdjgcxb/2002-6/153-6.jpg[/img]，然后通過殘差決策邏輯確定是否存在大的不良數(shù)據(jù)，如果第i個測量參數(shù)存在大的異常數(shù)據(jù)，通過T模塊將相應的測量數(shù)據(jù)xi（k）替換為[img=36,25]http://zszl.cepee.com/cepee_kjlw_pic/files/wx/zgdjgcxb/2002-6/154-3.jpg[/img]，重新形成網(wǎng)絡的輸入?yún)?shù)[img=34,22]http://zszl.cepee.com/cepee_kjlw_pic/files/wx/zgdjgcxb/2002-6/154-1.jpg[/img]，產(chǎn)生網(wǎng)絡新的輸出。 [b] 3.2.1 單參數(shù)預測模型 [/b]　　在連續(xù)采樣的系統(tǒng)中，測量參數(shù)序列本身也是一個離散的隨機時間序列。同樣，經(jīng)過AANN處理后的輸出量也具有一定的時序特性，因此可以利用時間序列預測方法對單參數(shù)進行初步預測。根據(jù)預測值可以對單參數(shù)的大異常值進行質(zhì)疑，如果測量參數(shù)與預測參數(shù)相差不大，則此測量參數(shù)可以作為網(wǎng)絡的輸入?yún)?shù)。反之，可以用比測量參數(shù)更可信的預測值作為網(wǎng)絡輸入，以減少大的異常值對網(wǎng)絡輸出數(shù)據(jù)的影響。 　　3.2.2 殘差決策邏輯 　　對于同一個參數(shù)，除了測量數(shù)據(jù)外，還有AANN的估計值與單參數(shù)預測模型的估計值，這些數(shù)據(jù)之間存在一定的殘差。 　?。?）當所有測量數(shù)據(jù)與AANN對應的輸出數(shù)據(jù)之間的殘差小于一定的閾值時，即式（6）成立時，表明不存在不良數(shù)據(jù)。 [img=328,27]http://zszl.cepee.com/cepee_kjlw_pic/files/wx/zgdjgcxb/2002-6/154-2.jpg[/img] 　　式中 n為測量參數(shù)個數(shù);δi為相應的閾值。 （2）當式（6）不成立時，取[sub][img=104,30]http://zszl.cepee.com/cepee_kjlw_pic/files/wx/zgdjgcxb/2002-6/154-ss.jpg[/img][/sub]， j=1,2,...,n ，其中σj為第j個測量參數(shù)的方差。如果式（7）不成立，則第i個測量參數(shù)中存在大的偏差，以[img=36,25]http://zszl.cepee.com/cepee_kjlw_pic/files/wx/zgdjgcxb/2002-6/154-3.jpg[/img]替代xi（k）組成新的網(wǎng)絡輸入數(shù)據(jù)[img=34,22]http://zszl.cepee.com/cepee_kjlw_pic/files/wx/zgdjgcxb/2002-6/154-1.jpg[/img]，重新進行網(wǎng)絡計算。如果式（7）成立，則表明發(fā)生測量參數(shù)偏差不大，AANN輸出可以看作是測量數(shù)據(jù)的估計值。 [img=380,56]http://zszl.cepee.com/cepee_kjlw_pic/files/wx/zgdjgcxb/2002-6/154-5.jpg[/img] 　　式中 αi為檢測閾值，且αi>δi。 　　4算例 　　以圖4所示的某電廠200 MW機組回熱系統(tǒng)為例，根據(jù)現(xiàn)場DCS系統(tǒng)測點的具體布置情況，以表1所列測點的測量數(shù)據(jù)作為研究對象。在機組的正常運行范圍內(nèi)通過DCS采集了各測點對應的運行參數(shù)，采樣間隔為30s，共400個樣本,并對它們進行了標準化處理。其中前200個作為網(wǎng)絡訓練樣本，后200個作為測試樣本。數(shù)據(jù)檢驗時，AANN網(wǎng)絡結(jié)構(gòu)為5-8-3-8-5，采用改進的BP算法以此處理模式進行訓練，誤差曲線如圖5所示。 [align=left] 為了驗證本文算法的有效性，以流量測點F2為例，在測試數(shù)據(jù)上迭加如式（8）所示定斜率漂移的不良數(shù)據(jù)。圖6顯示了應用常規(guī)方法進行數(shù)據(jù)檢驗的結(jié)果，圖7顯示了本文方法的檢驗結(jié)果，兩圖中（a）為F2的測量值、估計值與真實值，（b）為各參數(shù)估計殘差的平方值，即各參數(shù)測量值與估計值之間的差的平方。[/align][align=center][img=288,44]http://zszl.cepee.com/cepee_kjlw_pic/files/wx/zgdjgcxb/2002-6/155-2.jpg[/img] 可見，應用AANN網(wǎng)絡能夠正確地反映測量數(shù)據(jù)中存在的不良數(shù)據(jù)，但是，圖6中明顯地看出“殘差污染”的存在，從而使其它測量數(shù)據(jù)的估計值也具有比較大的重構(gòu)殘差。而采用本文方法（如圖7）可以對該現(xiàn)象進行有效地抑制。圖8（b）則顯示了應用自校正方法前后各參數(shù)估計殘差平方和的變化情況，而如圖8（a）為不采用自校正方法時的檢驗結(jié)果。盡管F2對應的殘差平方和明顯增大，但是其它測量數(shù)據(jù)的殘差也發(fā)生不合理的增加，顯然不能保證這些測量參數(shù)的估計精度。而采用本節(jié)的自校正方法后如圖8（b），只有故障儀表對應的數(shù)據(jù)殘差發(fā)生大的變化，其它測量數(shù)據(jù)的殘差變化不大[/align][align=left]5 結(jié)論 　　測量數(shù)據(jù)的正確性對電站監(jiān)測與優(yōu)化系統(tǒng)都是至關重要的，離開了數(shù)據(jù)的準確性，任何研究與監(jiān)測算法是不切實際的。本文提出的基于AANN網(wǎng)絡的自校正數(shù)據(jù)檢驗方法，通過對神經(jīng)網(wǎng)絡輸入數(shù)據(jù)的處理與選擇，提高了神經(jīng)網(wǎng)絡方法在線應用的準確率，避免了數(shù)據(jù)檢驗時出現(xiàn)的“殘差污染”， 從而對測量數(shù)據(jù)中不良值進行正確檢測與定位，同時能夠?qū)Σ涣紨?shù)據(jù)進行正確的重構(gòu)與估計。通過現(xiàn)場實際采集數(shù)據(jù)驗證了該方法的有效性，表明本文方法具有十分重要的現(xiàn)實意義。[/align]