陈坚红, 李 蔚, 盛德仁, 任浩仁
浙江大学电厂热能动力及自动化研究所，浙江 杭州310027
1 引言
火电机组的在线性能计算,对保证机组安全、经济运行起着重要作用。而在线性能计算结果的准确性和有效性有赖于机组运行参数测量的准确性，测量技术与信息技术的融合便是其有效方法之一。测量与信息技术的融合贯穿在测量信息从检测到决策、执行的全过程中。当对象的状态不能靠单一的传感器1次测量确定时,就需要将若干信号以一定方式融合。信息融合技术以其广阔的时空信息覆盖范围，强大的信息综合和提取能力，良好的性能稳健性，很高的测量维数以及较强的故障容错能力和系统重构能力，日益成为信息处理领域的强有力工具，它所揭示的信息处理的思想和方法论，也非常适用于火电机组在线性能计算中用来提高机组运行参数测量的准确性。
本文提出把信息融合技术应用于火电机组的在线性能计算中，指导火电机组运行参数的测量、采集、分析和数据处理，最终提高火电机组在线性能计算结果的准确性。
信息融合技术自20世纪70年代末提出以来，发展迅速，我国也于80年代掀起了研究信息融合技术的热潮。信息融合作为一门新兴的技术，虽然在理论上还需不断完善，但是在许多领域，特别是在军事领域的应用，譬如:自动目标识别、导弹精确制导;民用导航、卫星遥测遥感等,经证明是成功的。信息融合技术是一项多源信息综合处理新技术,是将系统中若干相同类型或不同类型的传感器所提供的相同或不同形式、同时刻或不同时刻的测量信息加以分析、处理与综合,得到被测对象全面、一致的估计。多源信息融合的结果可得到比单一信息源更精确更完整的判断。信息融合技术的最大优势在于它能合理协调多源数据，充分综合有用信息，提高在多变环境中正确决策的能力。信息融合技术的特点可以概括为以下两个方面。
(1) 信息融合可以扩大系统处理信息的空间覆盖范围。因为多个信息源可以从不同来源、不同环境、不同层次及不同的分辨率来观察同一个对象，得到的关于对象的信息更加充分。
(2) 信息融合还有强大的时间覆盖能力，亦即利用不同时间点的信息进行优化处理，融合系统可以以时间为定标尺度，配准历史数据与当前数据，使用合理的融合结构和算法，达到去除冗余、克服歧义，得到优化的一致性数据的目的。
多传感器信息融合的基本原理是充分利用多个传感器的资源，通过对这些传感器及其观测信息的合理支配和使用，把多个传感器在空间或时间上的冗余或互补信息依据某种准则来进行组合，以获得被测对象的一致性解释或描述，使该信息系统由此而获得比它的各组成部分的子集所构成的系统更优越的性能。在此概括出信息融合的基本模型，如图1所示。
与信息表征的层次类似，信息融合也可以分为：数据层融合、特征层融合和决策层融合。一般来说，大部分数据融合问题都是针对同一层次上的信息进行的，如数据层融合可以表示为图2所示的结构。
3.1 概述
火电机组的在线性能计算中，数据融合的目的就是根据有限的传感器资源，消除测量中的不确定性，获得比有限个传感器测量信息的算术平均值更准确、更可靠的测量结果，以数据融合后的运行参数作为原始数据进行在线性能计算而得的结果，更能反映火电机组实际的运行情况。应用数据融合方法，可以处理空间分布数据的融合和时间分布数据的融合。
3.2 空间分布数据的融合
3.2.1 测量数据的一致性检验
在火电厂中，常存在多个传感器分布在不同的空间来测量同一个运行参数的情况，如甲侧、乙侧主蒸汽管路各布置温度传感器来测量主蒸汽温度（为说明问题起见，假设甲侧、乙侧各布置四个温度传感器），如图3所示。
由于传感器本身的故障和在火电厂中存在很强的电磁干扰，不可避免地会产生疏失误差，影响测量数据的一致性。因此，在进行数据融合前，测量数据必须进行一致性检验。一致性检验的方法很多，通常有t检验、F检验、R检验等。在传感器数目有限的情况下，利用数据探测技术中的分布图法剔除疏失误差，可靠性较高，计算量也少，容易实现。主蒸汽温度测量的分布图中反映数据分布结构的参数主要是：中位数TM、上四分位数FU、下四分位数FL和四分位数离散度dF。
假设某一次测量时八个温度传感器测得的结果，按从小到大的顺序排列为：
T1,T2,…,T8
则T1称为测量列的下极限，T8称为上极限。
定义中位数（也称中值）TM为这列从小到大顺序排列的数中处在中间位置的一个数，如果数据总数是奇数，且数据无重复，则中位数就是最中间的那一个数；如果数据总数是偶数，且数据无重复，则中位数等于最中间的两个数的算术平均值。
然后再计算上四分位数FU为区间［TM,T8］的中位数，下四分位数FL为区间［T1,TM］的中位数。四分位数离散度为
dF=FU-FL (2)
认定那些测得的主蒸汽温度中与中位数的距离大于adF的数据为离异数据，即无效数据的判别区间为
｜Ti-TM｜＞adF (3)
式中，a为常数，其大小视系统的精度要求而定，一般可取为0.5、1.0、2.0等值。
测量数据序列剔除了疏失误差后，余下的数据被认为是有效的一致性测量数据，就可对它们进行数据融合处理了。
3.2.2 数据的融合
在火电厂中的运行参数由于都采用等精度的传感器测量，因此运行参数及测量噪声可以认为是正态分布的，数据的融合可以采用算术平均值算法与分批估计相结合的融合算法。具体方法是：对经一致性检验后得到的主蒸汽温度测量序列，按照甲侧、乙侧主蒸汽管路空间位置相邻两传感器不在一组的原则分为两组，即温度传感器1、3、5、7为第1组；温度传感器2、4、6、8为第2组，对两组测量数据的算术平均值采用分批估计算法，估计出接近温度真实值的融合值  ，从而得到主蒸汽温度的准确测量结果，消除测量过程中的不确定性。
假设第1组一致性主蒸汽温度测量序列为
两组一致性主蒸汽温度测量序列的算术平均值分别为
相应的均方根差分别为
假设主蒸汽温度的真值为 TT ，则主蒸汽温度的测量方程可表示为
T=HT T+V (8)
式中 T为主蒸汽温度的测量值；H为系数矩阵；V为测量噪声。
采用分批估计算法，同时考虑第1组、第2组一致性主蒸汽温度测量序列，测量方程(8)可变成
在分批估计的情况下， 同一批的两个测量数据，测量之前没有任何有关主蒸汽温度的统计资料，即此前测量结果的方差P- ∞ ，则 (P-)-1 =0。可以证明
式(9)即为基于多传感器参数估计数据融合的主蒸汽温度值。
传统的估计算法是建立在可靠的测量初值基础上的，没有可靠的测量初值，估计算法就失去了意义。基于算术平均值与分批估计相结合的数据融合方法，是在获得两组具有较高可靠性的测量数据即2个较可靠的测量初值的基础上，根据二者方差进行加权融合处理。由式(9)可见，方差大的测量数据赋予了较小的权数，而方差小的数据赋予了较大的权数，因此这种数据融合方法可以获得比算术平均值更可靠的测量结果。
理论与实际应用都证明，二组数据的误差越大，以式(9)的数据融合值为测量结果对误差的改善效果越明显；二组数据误差越小，数据融合相对算术平均值的优越性也越小。特殊情况下，当二者方差相等，即  = 时， 式(9)的计算实际上化成为算术平均值的计算。
3.3 时间分布数据的融合
3.3.1概述
在火电厂的在线性能计算中，也常存在时间分布数据的融合问题，如笔者研制开发的某电厂125 MW机组在线性能计算中，每2 s采集一次运行参数，而在线性能计算却每20 s钟计算一次。因此，在线性能计算的原始数据是10次实时采集的运行参数的数据融合，即把10次实时采集的运行参数时间上的冗余或互补信息，依据算术平均值与分批估计相结合的数据融合方法进行融合，以获得被测对象的一致性解释或描述，使由数据融合而得的结果比每次实时采集的运行参数更好地反映这段时间的机组的实际情况。
3.3.2 测量数据的一致性检验
与3.2.1中测量数据的一致性检验一样，可对10次实时采集的运行参数（以机组负荷为例）W1,W2,…,W10进行一致性检验。
3.3.3 数据的融合
按照奇数次采集的和偶数次采集的机组负荷不在同一组的原则，把W1,W2,…,W10分为两组，与3.2.2数据的融合方法一样，进行数据融合。由数据融合而得的结果作为这段时间的在线性能计算的原始数据。
4.1 空间分布数据融合的应用实例
以笔者研制开发的某电厂125MW机组在线性能计算中主蒸汽温度传感器空间分布数据融合为例说明上述数据融合方法。某次测量8个主蒸汽温度传感器的测量结果如表1。
8个传感器测量 [1] [2] 下一页
|
网友评论：（只显示最新10条。评论内容只代表网友观点，与本站立场无关！）
