一种基于信息熵特征和概率神经网络的锅炉燃烧工况识别方法

摘要

本发明公开了一种基于信息熵特征和概率神经网络的锅炉燃烧工况识别方法，首先，进入输入数据预处理环节，通过数据输入接口机获得典型负荷点和相应的排烟氧量和炉膛压力信号的特性样本集；然后进入样本数据熵分析环节，计算排烟氧量和炉膛压力信号在对应工况下奇异谱熵和功率谱熵；然后，将求得的熵值信号和对应的负荷工况点作为训练数据集构造PNN锅炉燃烧工况识别模型；最后将结果输出到客户端参与优化运行指导和状态检测。本发明不仅可以解决炉内过程状态表征的问题，而且能更及时准确地反映锅炉运行性能属性，避免虚假数据或者错误数据给运行人员带来的误指导，同时能为电厂监测信息系统的锅炉运行优化、状态监测与故障诊断等高级功能模块提供可参考模型。

主权项

1.一种基于信息熵特征和概率神经网络的锅炉燃烧工况识别方法，其特征在于：包括以下步骤：（1）来自DCS的现场数据通过网络交换机进入数据输入接口机，进入输入数据预处理环节，通过数据输入接口机获得典型负荷点和相应的排烟氧量和炉膛压力信号的特性样本集，每种工况取n个样本进行分析：D={x₁,x₂,x₃,...x_L;y₁,y₂,y₃,...y_L}下标L为样本个数，并将特性样本集作为计算样本集；（2）进入样本数据熵分析环节，计算排烟氧量和炉膛压力信号在对应工况下奇异谱熵和功率谱熵：①对上述样本各个负荷点的数据求解奇异谱熵：对于给定的离散时间序列信号{x_iory_i|i＝1,2,...,n}，给定嵌套维数m(m＜n/2)，构造嵌入空间的时滞矩阵A，$A=\left[\begin{array}{cccc}{x}_1& x_2& ...& x_{n-m+1}\\ x_2& x_3& ...& x_{n-m+2}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ x_m& x_{m+1}& ...& x_n\end{array}\right]---\left(1\right)$对矩阵A进行奇异值分解，计算得奇异值为λ₁≥λ₂≥…≥λ_m，设k为非零奇异值的个数，则k值反映了时滞矩阵中包含的不同模式的数目；②对上述样本各个负荷点的数据求解功率谱熵：通过离散傅里叶变换得到频谱X(k)和功率谱S_k(k＝1,2,...n)。S_k可以看作是原始信号在频域空间的一种能量划分，则可定义信号的功率谱熵H_f，$H_f=-\underset{k=1}{\overset{n}{\Sigma }}{p}_k\log p_k---\left(2\right)$式中p_k——第k个功率谱在整个功率谱中所占的比例，表示第k个频率能量的组分概率，为时域离散信号{x₁,x₂,...,x_n}的傅里叶变换为X(ω)的功率谱估计的定义式；（3）将步骤（2）求得的熵值信号和对应的负荷工况点作为训练数据集构造PNN锅炉燃烧工况识别模型，排烟氧量和炉膛压力的奇异谱熵以及炉膛压力的功率谱熵作为PNN神经网络的输入，对应的工况种类作为输出，对PNN模型进行训练和测试：①将训练样本和待识别样本进行归一化后送入网络输入层；②将归一化以后的训练样本W和待识别样本X送入模式层，完成点积运算z_i＝(X-W_i)^Τ(X-W_i)，式中z_i——第i个模式层节点的输出，W_i——第i个训练样本向量；③在求和层中，依据Pazen窗函数法计算各类别的概率密度并求和，得到求和层的输出$y_k=\frac{1}{N_k}\underset{j=1}{\overset{N_k}{\Sigma }}\exp [-\frac{z_j}{{2\sigma }^2}],$式中N_k——隶属于第k类的训练样本数，σ——平滑因子；④在输出层采用竞争函数，根据贝叶斯分类规则判别式，输出最大的模式即为X所属的类别；最终实时获得PNN模型，可用于锅炉运行状态识别；（4）将结果输出到客户端参与优化运行指导和状态检测。