基于时间序列的SIS实时数据校正算法研究

    近年来，随着计算机信息技术和工业控制技术的不断发展，生产过程监控、性能检测、机组运行优化、设备故障分析诊断、运行优化指导等厂级监控信息系统（SIS）功能在火电厂得到了应用。由于SIS对实时数的准确性和完整性具有较高的要求，因此实时数据校正算法的研究成为SIS的重要基础。
    由于实时数据存在不可避免的误差，导致实时数据的失真和缺失，造成分析数据不完整，影响机组的安全经济运行。
    目前，稳态实时数据校正方法大多采用传统的统计检验和线性化处理方法，其计算量较大，耗时多，不适合实时在线计算，且不能充分利用过程历史数据。因此，利用具有时间冗余性的历史数据，采用神经网络预测的方法进行数据校正，计算速度快，能够实现实时的在线校正。
一、时间序列分析方法
    时间序列是依据时间次序排列且相互关联的数据。本文仅考虑等时间间隔采样的数据序列，时间序列分析方法为:令T为采样周期，对于某一已测变量X_i在KT时刻采集的实时数据为X^k_i,m(K=1，2，3...)；若(k=-1)T到kT时段存在不符合内在热工过程规律、仪表故障、仪表偏差较大等情况，使采集数据具有较大误差，则可以根据历史数据获得预测值取代采集数据。
二、实时数据的校正
2.1 数据校正的基本模型
    对于测量中存在不可避免的实时数据失真，假定实时数据只含有服从正态分布的随机误差，而实时数据的校正值既满足整个装置和单元设备的能量平衡及热力学规律，又与测量值之差的加权平方和最小，则表示求出满足一组等式约束条件方程组的最小二乘解:
                  
    其中:X为测量值向量; 为真实值向量;e为误差向量；为己测变量x的校正值向量;U为末测变量的估计值向量;Q为测量变量的方差-协方差矩阵;F为约束向量，表示热工过程能量平衡等规律。对于实际过程,F(x)和是未知的。
2.2 神经网络预测校正
    采用神经网络进行在线数据校正，需要及时地获得过程历史数据，以产生新的训练模式。对此，需解决以下问题:(1)判断何时网络需要重新训练;(2)如何在线获得新的训练模式;(3)确定神经网络的在线训练方法。过程处于稳态是保证校正数据准确性的关键。
    本文采用模糊集方法判断热工过程是否处于稳态。对实时数据所含过失误差的正确处理，可有效地校正目标值，并建立符合要求的模型。判断和识别实时数据过失误差的基础是数据校正问题具有足够的空间冗余度，但实际过程装置的空间冗余度往往较小，单纯基于空间冗余度的方法不能准确地判断和识别数据过失误差。热工过程中数据校正处理的测量变量都带有时序性，该特性为数据校正提供了很大的时间冗余度，可以用于弥补空间冗余度的不足。
    本文采用多种方法产生目标值:首先采用模糊集方法对过程实时数据进行预处理，去除实时数据中含有的大部分过失误差;其次采用时间序列预测法和最小一乘法拟合相结合的方法判断和识别实时数据其余的过失误差，使实时数据的方差大幅度降低，并采用传统的数据校正方法校正处理该数据;最后以具有硬件冗余的关键数据作为基准，建立关联模型，并结合实际测量值对一些实时数据的校正结果进行修正，使其符合热工过程约束平衡和实际生产过程趋势。由此，生成的样本模型经神经网络训练后，可直接用于含有不同误差类型的实时数据校正。                 
2.3 神经网络的训练样本
    前馈神经网络是有监督的学习，在网络训练过程中，首先需要将实时数据作为神经网络的目标值用于网络训练，然后使用训练好的神经网络预测求得校正值。在研究中发现无论是采用设定值或者迭代的方法得到目标值，都会使神经网络呈现单值映射，失去了应用神经网络方法的意义。因此，在系统运行一段时间后，取得一定数目的实时数据样本，在对样本进行数据校正之后得到神经网络的训练样本，对神经网络进行在线训练并用于实时数据校正。在神经网络训练完成后进行实时数据校正时，神经网络不仅可以校正含随机误差的数据，也可以在不进行数据预处理的情况下同时校正含有显著误差的数据。
2.4 神经网络预测校正流程
    程序运行后，首先判定实时过程是否处于稳态，若为稳态，则采集样本数据(实时数据)。对数据样本进行预处理:首先使用最小二乘法进行拟合，对其结果进行数据校正，将校正后的数据作为网络拟练样本进行神经网络训练。训练后，保存网络的结构和权值信息，并使用该权值信息进行在线数据校正。校正时，首先根据得到的历史数据，使用训练后的神经网络预测得到当前时刻的数据预测值，然后与当前时刻得到的实时数据进行比较计算，并结合关联模型得到当前时刻的校正值。在数据校正过程中，如果实时数据超出设定闽值，则发出报警信号。此时，为了使数据校正程序能够继续正常运行，则使用设定萌值作为实际测量值参与预测值的比较计算。神经网络预测校正流程见图1、图2。
            
            
    在数据校正过程中如果操作条件发生变化，系统将自动采集样本数据，重新拟练神经网络，当新模型的可靠性达到了较高水平后训练结束，并重新将网络的结构及权值信息保存到文件中，该网络新权值信息可用于新的过程状态下的数据校正。如果新模型的精度不够高，则重新训练网络直至满足精度要求。在神经网络训练的同时，数据校正系统可调用其它传统方法进行校正，即此时数据校正和神经网络的训练分别在各自的线程中并行运行。
三、仿真研究
    以主蒸汽温度为对象，对某电厂的性能计算所需要的实时数据进行校正。神经网络预设为20-40-1的结构，在机组正常运行范围内通过DCS采集数据，采样间隔60s，共采集320个样本，前160个样本作为训练样本，后160个样本作为实时数据用于测试。为了对校正模型进行全面检验，测试数据中应包含有存在显著误差的数据和缺失数据。对于缺失数据，在进行校正计算时，以零值处理。神经网络训练初始步长取为0.3，动量因子为0.85。当网络误差小于10^－6时，结束训练，共迭代6530次后输出权值与阑值，检验结果见图3。图3中，由于存在零值时使曲线跨度很大，因此在本仿真试验绘制曲线时，对于缺失数据按无数值处理。
          
    实现样本的自动获取、神经网络在线训练和数据在线校正。依据历史数据和神经网络方法对获取的实时数据预测值进行数据协调运算，充分利用了数据的有效信息，预测值符合测量变化规律，提高了协调校正的精度。但是，数据校正技术仅仅是一种补救措施，在提高SIS分析结果的有效性的同时还应保证测量设备的准确性和实时数据无损存储技术的支持。