熱工過程數(shù)據(jù)校正技術(shù)研究與應(yīng)用.pdf

1、熱工過程測量數(shù)據(jù)的準確性對機組過程控制、性能監(jiān)測與優(yōu)化運行等系統(tǒng)有著至關(guān)重要的作用，相關(guān)研究對于保證機組的安全與經(jīng)濟運行有著重要意義。本文針對熱工過程測量數(shù)據(jù)校正技術(shù)進行研究，主要內(nèi)容如下：
　　提出基于輸入訓練神經(jīng)網(wǎng)絡(luò)的熱工過程數(shù)據(jù)檢驗?zāi)Ｐ停迷摼W(wǎng)絡(luò)良好的自映射特點進行數(shù)據(jù)真值重構(gòu)。對網(wǎng)絡(luò)訓練與測試算法進行改進，在網(wǎng)絡(luò)訓練模型中引入動量因子和自適應(yīng)調(diào)整網(wǎng)絡(luò)學習率，并在網(wǎng)絡(luò)目標函數(shù)中施加參數(shù)限制項，以增加網(wǎng)絡(luò)權(quán)值調(diào)整的穩(wěn)定性，提

2、高模型收斂速率。
　　提出基于魯棒輸入訓練神經(jīng)網(wǎng)絡(luò)(RITNN)的數(shù)據(jù)檢驗方法，在測試目標函數(shù)中引入影響因子函數(shù)和可靠性系數(shù)，抑制了多測點顯著誤差的不良影響，減小了殘差污染。針對RITNN實時性差的問題，提出一種新型魯棒自聯(lián)想神經(jīng)網(wǎng)絡(luò)(RAAN)算法，通過對網(wǎng)絡(luò)解映射子網(wǎng)和映射子網(wǎng)分別訓練的方式建立多測點顯著誤差魯棒數(shù)據(jù)檢驗?zāi)Ｐ?，并引入擴展訓練數(shù)據(jù)集以增加模型的魯棒性。
　　在基于RAAN的數(shù)據(jù)檢驗?zāi)Ｐ椭屑尤敕从诚到y(tǒng)物理規(guī)律

3、的約束方程，研究系統(tǒng)機理性建模與數(shù)據(jù)驅(qū)動建模相結(jié)合的數(shù)據(jù)校正綜合建模方法。給出了基于RAAN/遺傳算法(RAAN-GA)的數(shù)據(jù)校正模型，對RAAN數(shù)據(jù)重構(gòu)值進行調(diào)整，使其滿足給定的約束條件。為了改善RAAN-GA數(shù)據(jù)校正模型的實時性，同步進行顯著誤差檢測和數(shù)據(jù)協(xié)調(diào)，提出了基于改進魯棒自聯(lián)想神經(jīng)網(wǎng)絡(luò)(IRAAN)的數(shù)據(jù)校正綜合建模方法，在目標函數(shù)中引入約束方程，提高了建模準確性，改善了模型運行效率。
　　基于電廠SIS系統(tǒng)平臺開發(fā)了