一种空冷机组背压大数据智能预测方法

本发明涉及空冷机组背压预测领域，具体涉及一种空冷机组背压大数据智能预测方法。

背景技术：

1、空冷机组作为大型火电站的关键冷端设备，其运行状态直接关系到全厂的经济与安全效益，传感器阵列采集的机组关键数据往往伴随着强烈的脉冲噪声与异常离群点；传统的软测量预测模型对异常值极其敏感，易导致模型被污染，造成预测精度骤降和模型发散情况；因此，在含噪环境下构建一种既能强效抗拒异常干扰，又能兼顾收敛速度与预测精度的智能软测量模型，成为当前空冷机组智慧运行待解决的关键技术难题。

2、区间二型模糊神经网络（it2fnn）专用于在高度不确定性环境下进行非线性映射、预测与控制，针对含噪环境下的空冷机组背压预测具有良好的适应性。但针对复杂工况下传感器采样数据伴有脉冲噪声、非线性参数难收敛等问题，处理过程中依旧需要进一步优化抗噪防线。存在精准微调需求，测量模型收敛速度与抗噪预测精度也需要进一步提升。因此，亟需对it2fnn基于空冷机组背压预测进行进一步适配应用，以实现空冷机组智慧运行更完善方案。

技术实现思路

1、发明目的：为解决背景技术中提到的问题，本发明公开一种空冷机组背压大数据智能预测方法，通过引入最大互相关熵准则构建抗噪防线以主动屏蔽异常样本干扰，采用分层优化策略将浅层线性参数快速在线追踪，协同提升软测量模型的收敛速度与预测精度。

2、技术方案：

3、本发明公开一种空冷机组背压大数据智能预测方法，方法步骤如下：

4、s1：通过厂级监控系统实时采集空冷机组风机损耗、主汽压力，机组负荷等运行状态数据，构建以机组运行参数为输入、机组背压实测值为标签的输入输出样本对；

5、s2：样本输入样本可信度驱动的分层自组织区间二型模糊神经网络，与实测值对比得到预测误差；

6、s3：基于最大互相关熵准则，根据当前预测误差计算样本可信度权重筛选可信样本，进入后续规则自组织演化；

7、s4：基于可信样本计算其与各规则中心的广义马氏距离，结合欧氏距离和相似阈值判断覆盖情况触发规则增长，通过qr分解修剪不活跃规则，基于空间距离与时序同质性进行规则分裂与融合；

8、s5：构建分层参数优化策略更新神经网络参数，浅层线性后件参数通过带遗忘因子的mcc-krls快速更新；

9、s6：输出空冷机组背压预测值优化机组运行。

10、进一步地，s3基于最大互相关熵准则计算样本可信度权重并设置mcc区间，过程如下：

11、接收当前时刻的样本数据，通过初始样本可信度驱动的分层自组织区间二型模糊神经网络获取当前预测输出，结合工业传感器采集的真实观测值，利用高斯核函数计算当前样本的最大互相关熵评估值，将其作为样本可信度权重；建立长度为的滑动窗口，提取历史正常样本的可信度权重序列，计算该窗口内的均值标准差，自适应解算出当前时刻的动态置信阈值；将当前时刻样本的可信度权重与动态置信阈值进行比对，执行路由分发策略：

12、当时，判定当前时刻的样本位于正常区域，即当前样本为可信样本，系统放行该样本，并准许其进入后续的规则自组织演化过程与分层参数优化过程；

13、当时，判定当前时刻的样本位于异常区域，即当前样本为包含强脉冲噪声或离群点的低可信度异常样本，系统直接丢弃当前样本，并抑制该样本对网络模糊规则增长和模型参数更新的影响。

14、进一步地，s4结合欧氏距离和相似阈值判断覆盖情况触发规则增长，若最小距离超阈值，则新增区间二型模糊规则并初始化参数；若在覆盖内，则更新优胜规则的激活密度；计算广义马氏距离和规则增长的过程为：

15、利用系统误差触发判定机制实时解算包络宽度和绝对误差，采用均值等效法对区间方差进行处理以获取确定性测度，定义当前等效方差为上、下界隶属函数平方的均值；基于区间二型模糊规则构建对应的等效对角协方差矩阵，基于该矩阵定义，重新定义并更新输入样本的广义马氏距离，解算输入样本到当前规则的广义马氏距离。

16、进一步地，s4规则修剪过程如下：

17、当前数据输入系统时，由于区间二型模糊集的不确定性足迹特性，系统使用广义椭球函数分别计算规则库中当前神经元的上激发强度与下激发强度；由于激发强度呈现区间形态，系统采用平均激发强度来表征该规则对当前数据的综合响应度，在存量规则中寻找平均激发强度最大的神经元作为优胜规则，对其激活密度进行累加更新；达到预设修剪周期后，将满足激活密度小于或等于预设判断阈值的不活跃二型规则集合重构为tsk模型的全局等效线性回归模型，对回归矩阵进行qr分解，并引入正交空间下的中间变换向，计算各个基准向量对网络输出误差下降的显著性贡献比率：系统通过汇总显著性贡献比率，删除总值显著性贡献比率最小且低于修剪阈值的冗余规则。

18、进一步地，s4基于空间距离与时序同质性进行规则分裂与融合：对局部误差持续超限区域执行规则分裂，对空间交叠且时序同质的规则执行融合；

19、规则分裂机制：当隐藏层的第个规则在特征空间内的中心坐标偏移量满足触发准则：

20、

21、其中，与分别表示第条规则在第个小维度上当前时刻与初始化阶段的中心坐标；，为该神经元的维度综合；为该规则在聚类初始化阶段分配的最大不确定性上界宽度。

22、且局部逼近失效误差满足如下判据时触发分裂：

23、

24、其中，与分别为系统在时刻的期望输出与网络实际预测输出；为第条规则的上界激活强度；，为规则遍历索引，为当前隐藏层规则总数；为局部逼近误差容忍阈值；一旦神经元同时满足上述两种规则，则对所述神经元进行分裂，生成两个子神经元和，并进行拓扑自适应调整；通过引入空间偏移步长对新中心进行分配，利用收缩尺度系数限制并精细化子规则的支撑域宽度，采用基于局部激活强度的加权分配机制为子神经元分配权重，以确保系统输出的平滑过渡。

25、进一步地，规则融合机制具体如下：

26、当隐藏层中任意两个模糊规则和同时满足如下两条准则时触发融合：

27、

28、其中，与分别为规则和规则在当前时刻、第个小维度上的中心坐标；，为神经。的维度综合；和分别代表规则和规则的最大管辖半径；

29、时序动态同质性准则，即在长度为的滑动时间窗口内的历史上界激活强度序列的秩次相关系数满足：

30、

31、其中，，为滑动时间窗口内的时间节点索引；为两个规则的上界激活强度序列在对应时间节点的秩次偏差；为强相关性鉴别阈值；满足上述条件时触发融合，自适应解算出融合后的新神经元拓扑参数。

32、进一步地，s5分层参数优化策略具体为：将样本可信度驱动的分层自组织区间二型模糊神经网络的模型参数分为浅层线性后件和深层非线性前件，浅层参数用带遗忘因子的mcc-krls快速更新；深层参数在滑动窗口误差超限时，用信赖域dog-leg方法局部优化高激活规则的中心和宽度。

33、进一步地，s5浅层线性后件参数通过带遗忘因子的mcc-krls快速更新具体为：

34、建立由代表性历史输入特征向量构成的核字典，对当前输入特征执行在线向量投影判定，计算其与已有字典中成员的余弦相似度：当最大相似度大于等于相干阈时字典不扩张，引入最大互相关熵准则，定义当前时间步的动态误差权重因子计算增益向量，执行加权递归更新后件权重与协方差逆矩阵；当最大相似度小于相干阈值时，将输入特征加入所述字典以进行网络维度动态扩充。

35、有益效果：

36、1.本发明基于区间二型模糊神经网络（it2fnn），通过最大相关熵准则（mcc）构建样本可信度权重，在样本进入规则增长和参数更新前进行可信度判断；对于低可信度异常样本，抑制其对规则演化和参数更新的影响，避免脉冲噪声或离群点诱导虚假规则增长和模型参数污染，提高空冷机组背压预测的抗异常干扰能力、预测精度及运行稳定性。

37、2.本发明结合广义马氏距离、欧氏距离、规则激活密度和qr分解显著贡献率实现规则增长与修剪，并通过规则分裂与融合机制对复杂工况区域进行局部精细化建模，对冗余规则进行动态合并，在保证非线性表达能力的同时抑制网络规模过度膨胀，从而增强模型对空冷机组变工况特性的在线跟踪能力，提高背压预测的适应性和长期稳定性。

38、3.本发明基于最大相关熵准则（mcc）构建分层优化策略，浅层线性后件参数采用mcc-krls算法快速更新，深层非线性前件参数仅在滑动窗口误差持续超限时，采用信赖域dog-leg方法对高激活规则进行局部优化，避免统一优化造成计算负担大、收敛速度慢和非线性参数更新不稳定等问题，加快空冷机组背压预测模型的在线收敛速度，兼顾预测实时性与预测精度。）