1 引言 　　20世紀(jì)90年代以來，以DCS（集散控制系統(tǒng)）為代表的現(xiàn)代化自動(dòng)控制系統(tǒng)在火電機(jī)組中得到了普遍應(yīng)用，數(shù)以千計(jì)的傳感器數(shù)據(jù)提供了大量反映電站設(shè)備運(yùn)行狀態(tài)的信息。但是由于傳感器的故障、漂移和各種干擾的存在使得測(cè)量數(shù)據(jù)中可能會(huì)產(chǎn)生一些不良值，從而使基于這些數(shù)據(jù)開發(fā)的系統(tǒng)性能下降，甚至造成系統(tǒng)無法工作。對(duì)測(cè)量數(shù)據(jù)中不良值的檢驗(yàn)已經(jīng)引起了國(guó)內(nèi)外學(xué)者的重視[1]。 　　測(cè)量數(shù)據(jù)優(yōu)化估計(jì)值的求取是不良數(shù)據(jù)檢驗(yàn)問題的關(guān)鍵，當(dāng)前有如下幾種求取方法：基于硬件冗余的互判法，該方法簡(jiǎn)單實(shí)用，但是要增加相應(yīng)的硬件投入，只能適用于對(duì)一些關(guān)鍵參數(shù)的測(cè)量，而且當(dāng)冗余傳感器的數(shù)目較少時(shí)不能準(zhǔn)確定位故障傳感器；基于采樣數(shù)據(jù)的時(shí)間序列關(guān)系的AR、ARMA以及Kalman等時(shí)間序列預(yù)測(cè)模型，但它們對(duì)過程數(shù)據(jù)的突變會(huì)產(chǎn)生誤判，同時(shí)其模型參數(shù)要求大采樣，實(shí)際過程常常不能滿足；帶時(shí)間窗的新陳代謝方法，采用有限樣本進(jìn)行預(yù)測(cè)，避免了大采樣的要求，但該方法只能對(duì)不良數(shù)據(jù)進(jìn)行質(zhì)疑，不能完全檢驗(yàn)，同時(shí)不能實(shí)現(xiàn)糾錯(cuò)的目的；基于機(jī)理模型，采用解析冗余技術(shù)進(jìn)行參數(shù)預(yù)測(cè)，但是這要求有足夠精確的機(jī)理模型，同時(shí)對(duì)于非線性復(fù)雜系統(tǒng)模型計(jì)算量大，有時(shí)不能滿足實(shí)時(shí)的要求[2～4]。 [align=left]　 本文給出了基于自聯(lián)想神經(jīng)網(wǎng)絡(luò)AANN（Auto-associate Neural Networks）的不良數(shù)據(jù)自校正檢驗(yàn)方法，利用AANN進(jìn)行過程參數(shù)間的主要特征識(shí)別與相關(guān)估計(jì)，采用參數(shù)預(yù)測(cè)模型并通過殘差決策邏輯實(shí)現(xiàn)網(wǎng)絡(luò)輸入數(shù)據(jù)的選擇，有效地避免“野點(diǎn)”引起的“殘差污染”問題，以便正確估計(jì)測(cè)量參數(shù)。 [b]2 自聯(lián)想神經(jīng)網(wǎng)絡(luò)AANN 　　2.1 AANN網(wǎng)絡(luò)結(jié)構(gòu) [/b]　　自聯(lián)想神經(jīng)網(wǎng)絡(luò)是在1987年由Ballard針對(duì)編碼/解碼問題首先提出的[5]，其網(wǎng)絡(luò)原型是一種具有對(duì)稱拓?fù)浣Y(jié)構(gòu)的五層前饋傳遞網(wǎng)絡(luò)，如圖1所示。AANN應(yīng)用到數(shù)據(jù)檢驗(yàn)問題時(shí)具有比較明顯的物理意義，首先通過輸入層、映射層以及瓶頸層實(shí)現(xiàn)了輸入數(shù)據(jù)信息的壓縮。從網(wǎng)絡(luò)輸入的高維參數(shù)空間中提取了反映系統(tǒng)結(jié)構(gòu)的最具代表性的低維子空間，同時(shí)有效地濾去了測(cè)量數(shù)據(jù)中的噪聲和測(cè)量誤差，再通過瓶頸層、解映射層和輸出層實(shí)現(xiàn)數(shù)據(jù)的解壓縮，將前面壓縮的信息還原到各個(gè)參數(shù)值，從而實(shí)現(xiàn)各測(cè)量數(shù)據(jù)的重構(gòu)。 　　為了達(dá)到信息壓縮的目的，AANN網(wǎng)絡(luò)瓶頸層節(jié)點(diǎn)數(shù)目明顯小于輸入層，又為了防止形成輸入輸出之間的簡(jiǎn)單單一映射，除了輸出層激勵(lì)函數(shù)采用線形函數(shù)外，其它各層均采用非線形的激勵(lì)函數(shù)。 　　[b]2.2 AANN樣本選擇與學(xué)習(xí)算法 　　2.2.1 樣本選擇 [/b]　　AANN學(xué)習(xí)的是輸入?yún)?shù)間的相關(guān)性，一般可以認(rèn)為測(cè)量數(shù)據(jù)中的噪聲是不相關(guān)的，因此可直接將帶有噪聲的測(cè)量數(shù)據(jù)同時(shí)作為網(wǎng)絡(luò)的輸入和訓(xùn)練目標(biāo)值，并以式（1）作為網(wǎng)絡(luò)訓(xùn)練的目標(biāo)函數(shù)[/align][align=left]　式中 n為訓(xùn)練樣本數(shù)；xi、yi分別為網(wǎng)絡(luò)的輸入輸出數(shù)據(jù)。 　　由于噪聲的存在，網(wǎng)絡(luò)訓(xùn)練結(jié)束的條件不是E的最小化，而是當(dāng)E收斂到一個(gè)小的定值而趨向不變時(shí)就停止訓(xùn)練，否則網(wǎng)絡(luò)將試圖對(duì)噪聲進(jìn)行學(xué)習(xí)，即所謂的“過學(xué)習(xí)”，從而降低網(wǎng)絡(luò)的“泛化”能力。 　　2.2.2 改進(jìn)的BP算法 　　本文在AANN訓(xùn)練時(shí)應(yīng)用改進(jìn)的BP算法，訓(xùn)練時(shí)增加了附加動(dòng)量因子并采用自適應(yīng)學(xué)習(xí)速率[6]。 　　節(jié)點(diǎn)權(quán)值的調(diào)整公式為[/align][align=left][b]3 基于AANN的測(cè)量數(shù)據(jù)自校正檢驗(yàn)方法 　　3.1 常規(guī)檢驗(yàn)方法[/b] [/align] 　　AANN網(wǎng)絡(luò)能夠提取測(cè)量數(shù)據(jù)中主要信息，濾去噪聲等次要信息，通過數(shù)據(jù)重構(gòu)可以對(duì)測(cè)量數(shù)據(jù)進(jìn)行估計(jì)，因此可以直接用來進(jìn)行測(cè)量數(shù)據(jù)的檢驗(yàn)，如圖2所示。將過程測(cè)量矢量x （k）作為網(wǎng)絡(luò)輸入，網(wǎng)絡(luò)輸出矢量y（k）即為測(cè)量數(shù)據(jù)的估計(jì)值，再根據(jù)估計(jì)余差矢量e（k）進(jìn)行數(shù)據(jù)檢驗(yàn)。但是，當(dāng)網(wǎng)絡(luò)輸入?yún)?shù)中存在大的異常值時(shí)，如儀表發(fā)生大的漂移或者故障時(shí)，其測(cè)量數(shù)據(jù)明顯不可信，這樣會(huì)使網(wǎng)絡(luò)輸入數(shù)據(jù)的完整性受到大的破壞，如果還以此測(cè)量參數(shù)作為輸入值，會(huì)將其錯(cuò)誤傳遞到其它參數(shù)中去，引起所謂的“殘差污染”，不能得到正確的結(jié)果。 3.2 基于AANN的測(cè)量數(shù)據(jù)自校正檢驗(yàn)方法 　　為了克服常規(guī)檢驗(yàn)方法的不足，本文提出如圖3所示的基于AANN的測(cè)量數(shù)據(jù)自校正檢驗(yàn)方法。 [img=338,190]http://zszl.cepee.com/cepee_kjlw_pic/files/wx/zgdjgcxb/2002-6/153-5.jpg[/img] 　　圖中 A為殘差生成模塊，通過過程測(cè)量參數(shù)x （k）、AANN輸出參數(shù)有y（k）以及單參數(shù)預(yù)測(cè)模型輸出參數(shù)[img=26,15]http://zszl.cepee.com/cepee_kjlw_pic/files/wx/zgdjgcxb/2002-6/153-6.jpg[/img]生成殘差；T為網(wǎng)絡(luò)輸入?yún)?shù)選擇模塊。 　　數(shù)據(jù)檢驗(yàn)時(shí)，首先以當(dāng)前時(shí)刻測(cè)量數(shù)據(jù)x （k）作為AANN的輸入，得到網(wǎng)絡(luò)對(duì)應(yīng)的輸出數(shù)據(jù) y（k），再根據(jù)網(wǎng)絡(luò)的歷史輸出數(shù)據(jù)通過單參數(shù)預(yù)測(cè)模型，求得各參數(shù)的預(yù)測(cè)值[img=26,15]http://zszl.cepee.com/cepee_kjlw_pic/files/wx/zgdjgcxb/2002-6/153-6.jpg[/img]，然后通過殘差決策邏輯確定是否存在大的不良數(shù)據(jù)，如果第i個(gè)測(cè)量參數(shù)存在大的異常數(shù)據(jù)，通過T模塊將相應(yīng)的測(cè)量數(shù)據(jù)xi（k）替換為[img=36,25]http://zszl.cepee.com/cepee_kjlw_pic/files/wx/zgdjgcxb/2002-6/154-3.jpg[/img]，重新形成網(wǎng)絡(luò)的輸入?yún)?shù)[img=34,22]http://zszl.cepee.com/cepee_kjlw_pic/files/wx/zgdjgcxb/2002-6/154-1.jpg[/img]，產(chǎn)生網(wǎng)絡(luò)新的輸出。 [b] 3.2.1 單參數(shù)預(yù)測(cè)模型 [/b]　　在連續(xù)采樣的系統(tǒng)中，測(cè)量參數(shù)序列本身也是一個(gè)離散的隨機(jī)時(shí)間序列。同樣，經(jīng)過AANN處理后的輸出量也具有一定的時(shí)序特性，因此可以利用時(shí)間序列預(yù)測(cè)方法對(duì)單參數(shù)進(jìn)行初步預(yù)測(cè)。根據(jù)預(yù)測(cè)值可以對(duì)單參數(shù)的大異常值進(jìn)行質(zhì)疑，如果測(cè)量參數(shù)與預(yù)測(cè)參數(shù)相差不大，則此測(cè)量參數(shù)可以作為網(wǎng)絡(luò)的輸入?yún)?shù)。反之，可以用比測(cè)量參數(shù)更可信的預(yù)測(cè)值作為網(wǎng)絡(luò)輸入，以減少大的異常值對(duì)網(wǎng)絡(luò)輸出數(shù)據(jù)的影響。 　　3.2.2 殘差決策邏輯 　　對(duì)于同一個(gè)參數(shù)，除了測(cè)量數(shù)據(jù)外，還有AANN的估計(jì)值與單參數(shù)預(yù)測(cè)模型的估計(jì)值，這些數(shù)據(jù)之間存在一定的殘差。 　?。?）當(dāng)所有測(cè)量數(shù)據(jù)與AANN對(duì)應(yīng)的輸出數(shù)據(jù)之間的殘差小于一定的閾值時(shí)，即式（6）成立時(shí)，表明不存在不良數(shù)據(jù)。 [img=328,27]http://zszl.cepee.com/cepee_kjlw_pic/files/wx/zgdjgcxb/2002-6/154-2.jpg[/img] 　　式中 n為測(cè)量參數(shù)個(gè)數(shù);δi為相應(yīng)的閾值。 （2）當(dāng)式（6）不成立時(shí)，取[sub][img=104,30]http://zszl.cepee.com/cepee_kjlw_pic/files/wx/zgdjgcxb/2002-6/154-ss.jpg[/img][/sub]， j=1,2,...,n ，其中σj為第j個(gè)測(cè)量參數(shù)的方差。如果式（7）不成立，則第i個(gè)測(cè)量參數(shù)中存在大的偏差，以[img=36,25]http://zszl.cepee.com/cepee_kjlw_pic/files/wx/zgdjgcxb/2002-6/154-3.jpg[/img]替代xi（k）組成新的網(wǎng)絡(luò)輸入數(shù)據(jù)[img=34,22]http://zszl.cepee.com/cepee_kjlw_pic/files/wx/zgdjgcxb/2002-6/154-1.jpg[/img]，重新進(jìn)行網(wǎng)絡(luò)計(jì)算。如果式（7）成立，則表明發(fā)生測(cè)量參數(shù)偏差不大，AANN輸出可以看作是測(cè)量數(shù)據(jù)的估計(jì)值。 [img=380,56]http://zszl.cepee.com/cepee_kjlw_pic/files/wx/zgdjgcxb/2002-6/154-5.jpg[/img] 　　式中 αi為檢測(cè)閾值，且αi>δi。 　　4算例 　　以圖4所示的某電廠200 MW機(jī)組回?zé)嵯到y(tǒng)為例，根據(jù)現(xiàn)場(chǎng)DCS系統(tǒng)測(cè)點(diǎn)的具體布置情況，以表1所列測(cè)點(diǎn)的測(cè)量數(shù)據(jù)作為研究對(duì)象。在機(jī)組的正常運(yùn)行范圍內(nèi)通過DCS采集了各測(cè)點(diǎn)對(duì)應(yīng)的運(yùn)行參數(shù)，采樣間隔為30s，共400個(gè)樣本,并對(duì)它們進(jìn)行了標(biāo)準(zhǔn)化處理。其中前200個(gè)作為網(wǎng)絡(luò)訓(xùn)練樣本，后200個(gè)作為測(cè)試樣本。數(shù)據(jù)檢驗(yàn)時(shí)，AANN網(wǎng)絡(luò)結(jié)構(gòu)為5-8-3-8-5，采用改進(jìn)的BP算法以此處理模式進(jìn)行訓(xùn)練，誤差曲線如圖5所示。 [align=left] 為了驗(yàn)證本文算法的有效性，以流量測(cè)點(diǎn)F2為例，在測(cè)試數(shù)據(jù)上迭加如式（8）所示定斜率漂移的不良數(shù)據(jù)。圖6顯示了應(yīng)用常規(guī)方法進(jìn)行數(shù)據(jù)檢驗(yàn)的結(jié)果，圖7顯示了本文方法的檢驗(yàn)結(jié)果，兩圖中（a）為F2的測(cè)量值、估計(jì)值與真實(shí)值，（b）為各參數(shù)估計(jì)殘差的平方值，即各參數(shù)測(cè)量值與估計(jì)值之間的差的平方。[/align][align=center][img=288,44]http://zszl.cepee.com/cepee_kjlw_pic/files/wx/zgdjgcxb/2002-6/155-2.jpg[/img] 可見，應(yīng)用AANN網(wǎng)絡(luò)能夠正確地反映測(cè)量數(shù)據(jù)中存在的不良數(shù)據(jù)，但是，圖6中明顯地看出“殘差污染”的存在，從而使其它測(cè)量數(shù)據(jù)的估計(jì)值也具有比較大的重構(gòu)殘差。而采用本文方法（如圖7）可以對(duì)該現(xiàn)象進(jìn)行有效地抑制。圖8（b）則顯示了應(yīng)用自校正方法前后各參數(shù)估計(jì)殘差平方和的變化情況，而如圖8（a）為不采用自校正方法時(shí)的檢驗(yàn)結(jié)果。盡管F2對(duì)應(yīng)的殘差平方和明顯增大，但是其它測(cè)量數(shù)據(jù)的殘差也發(fā)生不合理的增加，顯然不能保證這些測(cè)量參數(shù)的估計(jì)精度。而采用本節(jié)的自校正方法后如圖8（b），只有故障儀表對(duì)應(yīng)的數(shù)據(jù)殘差發(fā)生大的變化，其它測(cè)量數(shù)據(jù)的殘差變化不大[/align][align=left]5 結(jié)論 　　測(cè)量數(shù)據(jù)的正確性對(duì)電站監(jiān)測(cè)與優(yōu)化系統(tǒng)都是至關(guān)重要的，離開了數(shù)據(jù)的準(zhǔn)確性，任何研究與監(jiān)測(cè)算法是不切實(shí)際的。本文提出的基于AANN網(wǎng)絡(luò)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，避免了數(shù)據(jù)檢驗(yàn)時(shí)出現(xiàn)的“殘差污染”， 從而對(duì)測(cè)量數(shù)據(jù)中不良值進(jìn)行正確檢測(cè)與定位，同時(shí)能夠?qū)Σ涣紨?shù)據(jù)進(jìn)行正確的重構(gòu)與估計(jì)。通過現(xiàn)場(chǎng)實(shí)際采集數(shù)據(jù)驗(yàn)證了該方法的有效性，表明本文方法具有十分重要的現(xiàn)實(shí)意義。[/align]