基于數(shù)據(jù)驅(qū)動(dòng)的發(fā)電機(jī)組軟測(cè)量建模方法優(yōu)化研究

陳凱亮，陳堅(jiān)紅，盛德仁，李 蔚

（浙江大學(xué) 熱工與動(dòng)力系統(tǒng)研究所，浙江 杭州 310027）

0 引 言

現(xiàn)代大型火力發(fā)電機(jī)組的控制和優(yōu)化決策依賴于測(cè)量數(shù)據(jù)的準(zhǔn)確性，而在工程實(shí)際中，要做到參數(shù)的準(zhǔn)確測(cè)量是不容易的，有一些參數(shù)（如燃?xì)廨啓C(jī)的壓氣機(jī)進(jìn)氣流量等）是很難準(zhǔn)確測(cè)量的；另一類參數(shù)（如汽輪機(jī)排汽濕度等）是無法直接測(cè)量的；而且很多測(cè)量傳感器是工作在高溫、高壓、易腐蝕的復(fù)雜環(huán)境下，受到電磁干擾，測(cè)量數(shù)據(jù)的準(zhǔn)確與否難以保證。

針對(duì)以上問題，研究者們主要采用基于機(jī)理分析結(jié)合數(shù)據(jù)驅(qū)動(dòng)建模的方法建立測(cè)量參數(shù)間的近似模型，用可測(cè)量準(zhǔn)確的變量估計(jì)測(cè)不準(zhǔn)和無法直接測(cè)量的變量，或進(jìn)一步用這個(gè)模型檢測(cè)測(cè)量數(shù)據(jù)的有效性。

目前，基于數(shù)據(jù)驅(qū)動(dòng)的軟測(cè)量建模方法主要包括主元分析法（Principal component analysis，PCA）、偏最小二乘方法（partial least square，PLS）和神經(jīng)網(wǎng)絡(luò)方法（neural netword，NN）等，這些方法各有優(yōu)點(diǎn)和局限，PCA和PLS利用信息壓縮技術(shù)將高維數(shù)據(jù)降維簡(jiǎn)化數(shù)學(xué)模型，特別適用于處理相關(guān)性強(qiáng)的數(shù)據(jù)，但對(duì)非線性問題處理能力不強(qiáng)。徑向基神經(jīng)網(wǎng)絡(luò)（radial basic functimneural netword，RBFNN）具有良好的非線性逼近能力，而且訓(xùn)練過程中不易陷入局部極小的解域中，特別適用于非線性建模，但存在復(fù)雜網(wǎng)絡(luò)訓(xùn)練時(shí)間長(zhǎng)、不易收斂等問題。

近年來，針對(duì)以上方法存在的缺陷，學(xué)者們做了很多研究，并進(jìn)行了不同程度的改進(jìn)。如文獻(xiàn)［1－2］提出的遞歸偏最小二乘法（RPLS）適用于非線性建模和動(dòng)態(tài)建模問題。文獻(xiàn)［3］提出的基于自聯(lián)想神經(jīng)網(wǎng)絡(luò)（AANN）的自校正數(shù)據(jù)檢驗(yàn)方法通過對(duì)神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)的處理與選擇，提高了神經(jīng)網(wǎng)絡(luò)方法在線應(yīng)用的準(zhǔn)確率。文獻(xiàn)［4］將最小二乘支持向量機(jī)與自適應(yīng)遺傳算法相結(jié)合，提高了模型的精度和預(yù)測(cè)能力。

盡管通過各類方法的組合優(yōu)化，基于數(shù)據(jù)驅(qū)動(dòng)的軟測(cè)量建模方法已日趨成熟，但在實(shí)際應(yīng)用的過程中仍存在不少問題。如王惠文［5］提出的基于樣條變換的PLS方法有效解決了PLS方法非線性擬合能力差的問題。但該方法在建模時(shí)，相關(guān)參變量的選取是經(jīng)機(jī)理分析定性得出的，研究者未考察變量間依賴關(guān)系大小，而全部引入模型中，因此會(huì)導(dǎo)致模型因引入相關(guān)性不強(qiáng)的變量而相當(dāng)復(fù)雜，擬合效果不佳。劉波平等［6］提出了將PLS與廣義神經(jīng)網(wǎng)絡(luò)（GRNN）結(jié)合的方法，即利用PLS數(shù)據(jù)壓縮提取主成分，將主成分作為神經(jīng)網(wǎng)絡(luò)的輸入，從而有效地簡(jiǎn)化了神經(jīng)網(wǎng)絡(luò)模型，提高了訓(xùn)練速率和模型的可靠性。但這種方法實(shí)際上并未真正實(shí)現(xiàn)變量的篩選工作，主成分中仍然包含相關(guān)性不強(qiáng)的參變量的相關(guān)信息。王建星等［7］將GRNN與平均影響值（MIV）結(jié)合的方法用于機(jī)組主蒸汽流量的測(cè)定，通過評(píng)比待建模變量與參變量的相關(guān)程度，有效地篩選了變量，并得到了較準(zhǔn)確的神經(jīng)網(wǎng)絡(luò)模型。但由于GRNN神經(jīng)網(wǎng)絡(luò)模型參數(shù)的數(shù)量隨著訓(xùn)練樣本數(shù)的增加而爆炸式地增加，給存儲(chǔ)模型的數(shù)據(jù)庫(kù)的運(yùn)行和維護(hù)帶來極大困難，尤其在發(fā)電機(jī)組系統(tǒng)中同時(shí)存在成百上千的測(cè)點(diǎn)需要軟測(cè)量或檢測(cè)測(cè)量數(shù)據(jù)的準(zhǔn)確性，模型存儲(chǔ)和維護(hù)成本必然會(huì)影響該方法的實(shí)際應(yīng)用。

針對(duì)以上方法存在的不足，本研究提出基于GRNN和B樣條PLSR的融合建模方法，下文簡(jiǎn)稱NN－PLS方法。NN－PLS方法采用非線性擬合能力較好的GRNN預(yù)建模，計(jì)算機(jī)理分析初步選定的參變量對(duì)因變量的平均貢獻(xiàn)率，然后將篩選出的主要參變量采用B樣條PLS建模后得出最終簡(jiǎn)化的非線性模型。這樣充分利用了GRNN優(yōu)秀的非線性擬合能力完成了變量篩選，同時(shí)采用模型結(jié)構(gòu)相對(duì)簡(jiǎn)單但擬合能力同樣優(yōu)秀的PLS完成最終建模，可有效規(guī)避保存GRNN模型海量參數(shù)給機(jī)組監(jiān)控系統(tǒng)及數(shù)據(jù)庫(kù)的運(yùn)行和維護(hù)帶來的麻煩。

本研究先介紹GRNN建模及篩選變量的原理及特性，再給出B樣條PLS的建模理論，然后說明所提出的NN_PLS建模方法的實(shí)現(xiàn)過程，最后通過算例驗(yàn)證該方法的經(jīng)濟(jì)性和有效性。

1 GRNN建模理論

1.1 GRNN的拓?fù)浣Y(jié)構(gòu)

廣義神經(jīng)網(wǎng)絡(luò)（GRNN）是一種基于非線性回歸理論的前饋式神經(jīng)網(wǎng)絡(luò)模型。GRNN具有很強(qiáng)的非線性映射能力和柔性網(wǎng)絡(luò)結(jié)構(gòu)以及高度的容錯(cuò)性和魯棒性，適用于解決非線性問題。GRNN的拓?fù)浣Y(jié)構(gòu)如圖1所示，包括輸入層、模式層、求和層、輸出層。輸入層節(jié)點(diǎn)數(shù)量為自變量參數(shù)個(gè)數(shù)p，模式層節(jié)點(diǎn)數(shù)量為訓(xùn)練樣本數(shù)n，求和層節(jié)點(diǎn)數(shù)量比因變量參數(shù)個(gè)數(shù)k多1個(gè)，即k+1個(gè)，輸出層節(jié)點(diǎn)數(shù)量為因變量參數(shù)個(gè)數(shù)k。

圖1 廣義回歸網(wǎng)絡(luò)結(jié)構(gòu)圖

GRNN的優(yōu)勢(shì)在于當(dāng)訓(xùn)練樣本數(shù)目很大時(shí)能夠快速學(xué)習(xí)并收斂到樣本積聚最多的最優(yōu)回歸平面，并且可以處理不穩(wěn)定的數(shù)據(jù)。然而由GRNN的拓?fù)浣Y(jié)構(gòu)可知，訓(xùn)練好的GRNN中權(quán)值、閾值參數(shù)的個(gè)數(shù)隨著樣本數(shù)的增加而急劇增加，僅輸入層至模式層的個(gè)數(shù)就有p×n+n個(gè)，假若對(duì)于p=8,n=50的模型，僅前兩層參數(shù)個(gè)數(shù)就為450個(gè)，要在發(fā)電機(jī)組監(jiān)控系統(tǒng)中保存并維護(hù)成百上千個(gè)這樣的模型，顯然極為困難。因此，采用GRNN方法建立的模型不適合用于在線的軟測(cè)量及數(shù)據(jù)驗(yàn)證等應(yīng)用。但鑒于GRNN神經(jīng)網(wǎng)絡(luò)非線性擬合能力強(qiáng)、收斂快的優(yōu)勢(shì)，可以采用GRNN預(yù)建模，考察由機(jī)理分析初步選定的自變量參數(shù)對(duì)因變量參數(shù)的影響值，從而篩選出主要的建模參數(shù)，使后續(xù)建立的模型得到簡(jiǎn)化。

1.2 基于GRNN的MIV相關(guān)變量篩選

預(yù)建模時(shí)，本研究將機(jī)理分析得出的輸入輸出樣本輸入到GRNN中，采用循環(huán)訓(xùn)練［8］的方法確定合理的網(wǎng)絡(luò)分布密度使GRNN收斂，并達(dá)到最佳的預(yù)測(cè)效果。

網(wǎng)絡(luò)訓(xùn)練終止后，本研究將訓(xùn)練樣本P中每一個(gè)參變量特征在其原值的基礎(chǔ)上分別±10%構(gòu)成新的兩個(gè)訓(xùn)練樣本P1和P2，將P1和P2分別作為仿真樣本利用已建成的網(wǎng)絡(luò)進(jìn)行仿真，得到兩個(gè)仿真結(jié)果A1和A2，求出A1和A2的差值，即為變動(dòng)該變量后對(duì)輸出產(chǎn)生的影響變化值（IV），最后將IV按樣本數(shù)平均得出該參變量對(duì)于因變量的MIV。最后本研究根據(jù)MIV［9］絕對(duì)值的大小為各參變量排序，得到各參變量對(duì)網(wǎng)絡(luò)輸出影響的相對(duì)重要性位次表，從而判斷出輸入特征對(duì)網(wǎng)絡(luò)結(jié)果的影響程度，即實(shí)現(xiàn)了變量篩選。

1.3 基于B樣條變換的PLS建模

偏最小二乘回歸（PLSR）是一種將主成分分析、典型相關(guān)分析以及多元線性回歸相結(jié)合的回歸建模方法。該方法能夠同時(shí)提取輸入變量和輸出變量數(shù)據(jù)中數(shù)據(jù)的變化信息，選擇對(duì)數(shù)據(jù)累積方差最大的主元數(shù)目，使得輸入變量和輸出變量間的相關(guān)程度達(dá)到最大［10］。 PLS在參變量存在嚴(yán)重多重相關(guān)性及樣本個(gè)數(shù)較少的線性系統(tǒng)建模過程中優(yōu)勢(shì)明顯。

而發(fā)電機(jī)組系統(tǒng)存在非線性關(guān)系，采用線性PLS建模無法取得令人滿意的結(jié)果，本研究選用擬線性的方法來解決非線性問題。樣條變換采用了分段擬合的思想，可以按需要裁剪以適應(yīng)任意曲線的連續(xù)變化，擬合曲線對(duì)原始數(shù)據(jù)的特異點(diǎn)并不敏感，這使得模型在排除原始數(shù)據(jù)噪聲方面效果較好。

基于樣條變換的偏最小二乘回歸建模就是將自變量與因變量之間的未知非線性關(guān)系按照各維自變量對(duì)因變量的擬線性關(guān)系相加展開，再進(jìn)行偏最小二乘回歸求參，從而得到自變量對(duì)因變量的整體函數(shù)解析式。

設(shè)待建模型有p個(gè)自變量{x1,x2,…,xp}和一個(gè)因變量y，選取n個(gè)樣本點(diǎn)構(gòu)成自變量與因變量原始數(shù)據(jù)表X=[x1,x2,… ,xp]n×p和Y=[y]n×1。自變量和因變量的非線性關(guān)系式可表示為：

式中：β0—常數(shù)項(xiàng)，fj(xj)—自變量xj對(duì)因變量y的非線性關(guān)系，ε—隨機(jī)誤差項(xiàng)。

式中：Mj—第j個(gè)變量的樣條變換分段數(shù)；β0,βj,l—模型的待定參數(shù)。

由式（2，3），可得到自變量和因變量的非線性關(guān)系式為：

在式（4）中，y與zj,l=Ω3((xj-ξj,l-1)/hj)呈線性關(guān)系，可以采用偏最小二乘方法求解模型。

相對(duì)于GRNN神經(jīng)網(wǎng)絡(luò)模型，B樣條PLS模型的參數(shù)較少，與樣本數(shù)n無關(guān)，對(duì)于p=8,n=150的訓(xùn)練樣本，參數(shù)個(gè)數(shù)僅為80個(gè)，且不隨n增加而增加。因而相對(duì)于GRNN模型更易保存在數(shù)據(jù)庫(kù)中，適用于各種在線應(yīng)用。

但由于發(fā)電機(jī)組運(yùn)行參數(shù)之間關(guān)系的復(fù)雜性，研究者通過機(jī)理分析很難確定模型的參變量與待建模變量相關(guān)性強(qiáng)弱的定量關(guān)系，很難在模型的完備性、性能和模型的復(fù)雜性、計(jì)算量等代價(jià)之間作取舍。為了得到完備的模型，由機(jī)理分析初步選定的參變量常常含有相關(guān)性不強(qiáng)的冗余變量，如果不在B樣條PLS建模前進(jìn)行變量篩選，那么最終得到的模型將因含有這部分信息而更加復(fù)雜，且擬合性能下降。因而研究者為了得到完備、精確、簡(jiǎn)化的模型，有必要在B樣條PLS建模前，對(duì)由機(jī)理分析初步選定的參變量進(jìn)行篩選。

2 基于NN－PLS的數(shù)據(jù)驅(qū)動(dòng)建模方法

對(duì)于發(fā)電機(jī)組等復(fù)雜非線性系統(tǒng)，本研究所要建立的軟測(cè)量模型應(yīng)適應(yīng)各個(gè)典型工況（不同負(fù)荷、春、夏、秋、冬等），因而必須使用大數(shù)量的樣本訓(xùn)練，模型性能才能符合實(shí)際。而GRNN神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本數(shù)不宜過多，否則需要保存在數(shù)據(jù)庫(kù)中的參數(shù)將隨著樣本數(shù)的增加而爆炸式的增長(zhǎng)。當(dāng)訓(xùn)練樣本數(shù)較少時(shí)，雖然對(duì)部分?jǐn)?shù)據(jù)仍能取得較好的擬合效果，但由于神經(jīng)網(wǎng)絡(luò)的泛化能力較弱，對(duì)于與訓(xùn)練樣本相差較大的數(shù)據(jù)預(yù)測(cè)效果較差。所以GRNN不適宜用來建立最終在線應(yīng)用的模型。但GRNN的優(yōu)點(diǎn)在于非線性擬合能力強(qiáng)，利用Matlab軟件可以方便地用于對(duì)樣本數(shù)據(jù)建模并考察建模參變量的影響值，實(shí)現(xiàn)變量篩選。而B樣條PLS方法采用擬線性的方法解決非線性的問題，雖然最終得到的模型泛化能力較好，且結(jié)構(gòu)簡(jiǎn)單，參數(shù)少，但由于建模過程較為復(fù)雜，該方法無法在建模的同時(shí)實(shí)現(xiàn)變量篩選，常常因引入很多相關(guān)性不強(qiáng)的變量使模型精度下降。

結(jié)合兩者的優(yōu)勢(shì)，本研究提出了NN－PLS建模方法，建模流程圖如圖2所示。

圖2 建模流程圖

在對(duì)變量Y建模時(shí)，首先，本研究采用機(jī)理分析方法定性地得到對(duì)測(cè)量數(shù)據(jù)Y建模需要的全部相關(guān)參變量X1～XP，然后選取合適的樣本數(shù)據(jù)建立GRNN模型，應(yīng)用該GRNN模型考察模型中每個(gè)參變量對(duì)因變量Y的MIV值以篩選出主要變量X'1～X'm，將篩選出的變量重新構(gòu)成樣本空間，進(jìn)行三次B樣條變換，從而將自變量空間X'非線性映射到PLS自變量空間Z中，然后進(jìn)行PLS建模求取Y對(duì)Z的回歸方程，并可以還原得到Y(jié)對(duì)X'的回歸方程，該模型即為最終的簡(jiǎn)化模型。NN－PLS不但利用了采用大量樣本訓(xùn)練時(shí)GRNN預(yù)建模在復(fù)雜非線性問題中能夠迅速收斂，且進(jìn)一步與MIV方法結(jié)合，可以方便地定量篩選出建模所需要的主要參變量的優(yōu)勢(shì)，彌補(bǔ)了“PLS建模過程復(fù)雜，常因無法對(duì)機(jī)理分析初步選定的變量定量篩選而導(dǎo)致模型中引入部分相關(guān)性不強(qiáng)的變量從而使模型性能下降”的劣勢(shì)，而且研究者采用結(jié)構(gòu)簡(jiǎn)單、參數(shù)少且泛化能力較好的B樣條變換擬線性PLS方法將篩選變量建模，得到了精度、泛化能力、結(jié)構(gòu)都十分理想的模型，有效解決了“GRNN建模因大量樣本訓(xùn)練而導(dǎo)致參數(shù)過多，從而不易用在需要保存模型的各種在線應(yīng)用中”的問題。

本研究顯示Lp-PLA2及hsCRP的濃度變化有助于客觀有效的判定頸動(dòng)脈粥樣硬化的治療效果。但樣本量少，仍需更多大樣本的研究。

3 NN－PLS建模方法的驗(yàn)證與應(yīng)用

雖然本研究闡述的建模方法以測(cè)量測(cè)不準(zhǔn)變量、無法直接測(cè)量變量和驗(yàn)證數(shù)據(jù)有效性為目的，但為了驗(yàn)證該方法的有效性，現(xiàn)筆者選取測(cè)量較為準(zhǔn)確的功率測(cè)點(diǎn)加以驗(yàn)證，以某聯(lián)合循環(huán)電廠4#機(jī)組（400 MW）燃機(jī)有功功率數(shù)據(jù)建模為例，根據(jù)聯(lián)合循環(huán)電廠系統(tǒng)結(jié)構(gòu)的熱力分析，同時(shí)考慮到燃機(jī)有功功率與相關(guān)熱力參數(shù)之間的關(guān)系，初步選取大氣溫度、大氣壓力、燃機(jī)擴(kuò)散控制閥閥位、燃機(jī)預(yù)混控制閥閥位、燃機(jī)值班控制閥閥位、燃機(jī)IGV開度、壓氣機(jī)進(jìn)口壓差、壓氣機(jī)出口壓力、壓氣機(jī)進(jìn)口溫度、燃機(jī)值班氣流量、燃機(jī)排氣溫度1B、燃機(jī)排氣溫度5B、燃機(jī)排氣溫度9B、燃機(jī)排氣溫度13B、燃機(jī)排氣溫度17B、燃機(jī)排氣溫度21B共16個(gè)參數(shù)作為模型的輸入變量。

訓(xùn)練樣本的選取是影響模型性能的重要因素，樣本數(shù)不宜過少，否則無法滿足訓(xùn)練要求；而樣本數(shù)過多又會(huì)導(dǎo)致過擬合，影響模型的泛化能力。同時(shí)更重要的是選取的樣本要分布均勻，是各工況下的典型數(shù)據(jù)，以使所建模型泛化性能較好。本研究選取的訓(xùn)練樣本覆蓋了春、夏、秋、冬，溫度從－5℃～35℃，大氣壓力從99 kPa～104 kPa，功率負(fù)荷段從30%～100%之間的共150組典型運(yùn)行工況數(shù)據(jù)。

3.1 廣義神經(jīng)網(wǎng)絡(luò)MIV篩選相關(guān)變量

在構(gòu)建神經(jīng)網(wǎng)絡(luò)之前，為了避免由于輸入變量物理意義及單位不同而對(duì)神經(jīng)網(wǎng)絡(luò)模型及相應(yīng)MIV值的影響，本研究首先對(duì)各變量進(jìn)行歸一化處理，即：

式中：x?(i,j)—第j個(gè)變量的第i個(gè)樣本值；(j)，(j)—第j個(gè)變量的最大、最小值；x(i,j)—變量特征歸一化序列。

本研究在Matlab R2009b下編制神經(jīng)網(wǎng)絡(luò)訓(xùn)練程序，實(shí)現(xiàn)基于MIV的變量篩選，最終得到各輸入變量的平均影響值。

16個(gè)變量的平均影響值（MIV）絕對(duì)值分布如圖3所示，對(duì)其排序后，選取占MIV絕對(duì)值總和前85%的變量作為模型輸入變量，其MIV（絕對(duì)值）大小分別為0.02、0.017 4、0.017 3、0.006 8、0.006 4、0.006 2、0.005 2、0.005 1。分別代表：壓氣機(jī)出口壓力、燃機(jī)排氣溫度13B、燃機(jī)排氣溫度5B、燃機(jī)值班氣流量、大氣溫度、燃機(jī)排氣溫度9B、燃機(jī)IGV開度、壓氣機(jī)進(jìn)口溫度，這8個(gè)變量平均影響值占總體影響值87.03%。

圖3 各變量平均影響值圖

3.2 基于樣條變換的偏最小二乘回歸建模

本研究篩選出的8組自變量和因變量燃機(jī)有功功率的原始數(shù)據(jù)共同構(gòu)成了樣條變換偏最小二乘回歸建模的原始樣本數(shù)據(jù)。

在對(duì)標(biāo)準(zhǔn)化的PLS自變量空間Z~和因變量Y~建模時(shí)，根據(jù)交叉有效性原則，本研究提取了6個(gè)主成分，最終得到的模型中因變量Y對(duì)PLS自變量空間Z的回歸系數(shù)。

PLS模型各變量回歸系數(shù)圖如圖4所示。

圖4 PLS模型各變量回歸系數(shù)圖

3.3 NN-PLS模型的適用性和精度

模型的適用性需要考察模型預(yù)測(cè)值和因變量實(shí)際樣本值之間的預(yù)測(cè)誤差，為了考察該模型的適用性，本研究另外選取對(duì)應(yīng)9組建模變量的50組典型數(shù)據(jù)作為測(cè)試樣本，并對(duì)其進(jìn)行樣條變換，然后用已建好的PLS模型對(duì)其進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果如圖5所示。

圖5 各樣本點(diǎn)樣本值和預(yù)測(cè)值擬合關(guān)系圖

從圖5中可以看出，在不同的負(fù)荷段模型預(yù)測(cè)值與樣本值均基本重合，預(yù)測(cè)效果十分理想。

此外，為了比較NN－PLS與GRNN建模的預(yù)測(cè)效果，本研究使用前述150組數(shù)據(jù)作為訓(xùn)練樣本，分別采用兩種方法對(duì)經(jīng)篩選變量后的9組變量建模，并另外選取5組測(cè)試樣本分別比較兩者的預(yù)測(cè)性能及精度，結(jié)果如表1所示。

從表1中可以看出，在不同負(fù)荷工況下，NN－PLS的預(yù)測(cè)相對(duì)誤差均低于1%，與GRNN的預(yù)測(cè)精度相近，某些點(diǎn)甚至更好。同時(shí)，由于測(cè)試樣本選取的是未經(jīng)訓(xùn)練過的不同負(fù)荷段上的樣本，經(jīng)模型預(yù)測(cè)，效果均十分理想，證明NN－PLS模型能同時(shí)滿足精度和泛化能力的要求。

表1 模型擬合結(jié)果對(duì)比表

雖然采用大量樣本訓(xùn)練的GRNN在變工況下同樣能取得較好的預(yù)測(cè)效果，但筆者注意到此時(shí)的模型參數(shù)僅GRNN輸入層至模式層的權(quán)值參數(shù)已經(jīng)多達(dá)150×8=1 200個(gè)，這樣復(fù)雜的模型對(duì)于難測(cè)參數(shù)軟測(cè)量及校驗(yàn)實(shí)時(shí)測(cè)量數(shù)據(jù)準(zhǔn)確性等在線應(yīng)用是不可取的。而相比GRNN神經(jīng)網(wǎng)絡(luò)而言，NN－PLS在保證了模型性能和精度的同時(shí)，需要保存的模型參數(shù)僅為回歸系數(shù)56個(gè)，B樣條變換的參數(shù)24個(gè)，總計(jì)不足百個(gè)，大大簡(jiǎn)化了模型，對(duì)于在線應(yīng)用優(yōu)勢(shì)明顯。

4 結(jié)束語(yǔ)

本研究提出了融合GRNN與B樣條PLS優(yōu)勢(shì)的NN－PLS數(shù)據(jù)驅(qū)動(dòng)軟測(cè)量建模方法，用以解決發(fā)電機(jī)組等復(fù)雜系統(tǒng)中難測(cè)準(zhǔn)數(shù)據(jù)的軟測(cè)量或已測(cè)量數(shù)據(jù)的有效性驗(yàn)證的問題。GRNN預(yù)建?？疾鞕C(jī)理分析初步選定的參變量對(duì)因變量的影響值，篩選出主要建模變量。B樣條PLS對(duì)篩選出的變量建模得出的最終模型不但結(jié)構(gòu)簡(jiǎn)單、參數(shù)少，而且預(yù)測(cè)精度和泛化能力都較好。

本研究采用某聯(lián)合循環(huán)電站的校準(zhǔn)后的實(shí)測(cè)數(shù)據(jù)驗(yàn)證該建模方法，研究結(jié)果表明NN－PLS方法建立的模型能很好地?cái)M合出不同工況下的測(cè)量值，其精度與得到充分訓(xùn)練的GRNN神經(jīng)網(wǎng)絡(luò)模型相當(dāng)，且由于NN－PLS模型本身結(jié)構(gòu)簡(jiǎn)單、參數(shù)較少，更加適合用于發(fā)電機(jī)組系統(tǒng)中難測(cè)參數(shù)的軟測(cè)量及已測(cè)量數(shù)據(jù)準(zhǔn)確性的實(shí)時(shí)校驗(yàn)等在線應(yīng)用中。

（

）：

［1］LI C，YE H，WANG G.A recursive nonlinear PLS algorithm for adaptive nonlinear process modeling［J］.Chemical Engineering and Technology，2005，28（2）：141－152.

［2］蘇金明，李春富，孫如田，等.遞推PLS方法及其在過程監(jiān)控中的應(yīng)用［J］.機(jī)電工程，2010，27（3）：93－95，99.

［3］司風(fēng)琪，徐治皋.基于自聯(lián)想神經(jīng)網(wǎng)絡(luò)的測(cè)量數(shù)據(jù)自校正檢驗(yàn)方法［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2002，22（6）：152－155.

［4］尚萬(wàn)峰，趙升噸，申亞京.遺傳優(yōu)化的偏最小二乘支持向量機(jī)在開關(guān)磁阻電機(jī)建模中的應(yīng)用［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2009，29（12）：65－69.

［5］王惠文，黃海軍，蘇建寧.基于樣條變換的PLS回歸的非線性結(jié)構(gòu)分析［J］.系統(tǒng)科學(xué)與數(shù)學(xué)，2008，28（2）：243－250.

［6］劉波平，秦華俊，羅 香，等.PLS－GRNN法近紅外光譜多組分定量分析研究［J］.光譜學(xué)與光譜分析，2007，27（11）：2216－2220.

［7］王建星，付忠廣，靳 濤，等.基于廣義回歸神經(jīng)網(wǎng)絡(luò)的機(jī)組主蒸汽流量測(cè)定［J］.動(dòng)力工程學(xué)報(bào)，2012，2（2）：130－134.

［8］傅薈璇，趙 紅.Matlab神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)［M］.北京：機(jī)械工業(yè)出版社，2010.

［9］GEORGE D，PARTHA N，JONATHAN S，et al.Prediction of rib fracture injury outcome by an artificial neural network［J］.Journal of Trauma-Injury Infection&Critical Care，1995，39（5）：915－921.

［10］BASTIEN P，VINZI V E，TENENHAUS M.PLS generalized linear regression［J］.Computational Statistics&Data Analysis，2005，48（1）：17－46.