监测模型（共8篇）
监测模型 篇1
0 引 言
变形监测资料的合理准确处理对于保障建筑物的安全, 防止变形朝不安全的方向发展具有重要意义。近年来, 随着进化计算研究热潮的兴起, 人们将微粒群优化算法 (Particle Swarm Optimization, PSO) 、神经网络 (Neural Network) 等智能技术应用到变形数据分析工作[1], 利用微粒群算法去训练神经网络, 表现出了优于传统优化方法的很多性能。其中, PSO是一种新的仿生群集智能 (Swarm Intelligence) 随机优化算法, 该算法使用参数较少且易于选择, 对目标函数的形式没有特殊要求[2], 以往的研究表明, PSO在优化神经网络方面具有很大的潜力。
PSO在搜索初期收敛速度很快, 但与其他全局优化算法如遗传算法 (Genetic Algorithm, GA) 一样, 在后期却易于陷入局部极优点, 即早熟收敛, 且存在搜索精度不理想、不能保证收敛等缺点。研究发现, 缺乏合理的变异机制, 是导致PSO运算后期收敛速度变慢, 且容易收敛到局部极值点的重要因素, 为此, 引入非均匀变异机制, 当算法出现早熟收敛时, 对微粒群进行变异操作, 使微粒在其他区域继续搜索, 且变异算子随算法的迭代进行动态调整, 逐渐由全空间变异逐步转为局部微调, 重点搜索有效范围, 从而避开局部极值点。同时, 为了进一步提高算法性能, 对标准PSO的惯性权重因子进行了改进, 然后将改进PSO (Improved PSO, IPSO) 用于优化BP神经网络的权重以及阈值, 并建立了IPSO-BP模型, 最后将该模型应用到大坝变形分析工作中, 通过算例表明, IPSO-BP模型在收敛速度、搜索精度方面优于标准PSO-BP模型以及回归分析模型。
1 标准PSO及其改进
1.1 基本原理
PSO由美国的Kennedy和Eberhart于1995年提出, 通过对生物群体行为的模拟来实现对解空间的有效搜索[3]。为了改进其收敛性能, Shi Y和Eberhart在文献[4]中提出在算法的速度进化方程中引入惯性权重, 目前, 大多数文献将带惯性权重的PSO称之为标准PSO。其数学描述如下:
假定目标搜索空间是D维的, 搜索粒子数有N个, 每个粒子在空间的位置坐标表示一个潜在的有效解。第i个微粒的位置向量维Xi= (xi1, xi2, …, xiD) , 此时的粒子飞行速度向量为Vi= (vi1, vi2, …, viD) , 粒子迄今为止搜索到的最优位置向量 (即此位置坐标处粒子具有最优的目标函数值) Pi= (pi1, pi2, …, piD) 。整个微粒群迄今的最优位置向量为Pg= (pg1, pg2, …, pgD) , 每次迭代时, 微粒群中的每个粒子的速度和位置更新公式如下:
式中:i=1, 2, …, N;rand () 为随机数, 服从 (0, 1) 上的均匀分布;v
进化过程中, vid应限制于一定范围内, 即vid∈[vmin, vmax], 其中, vmax=k·xmax, vmin=k·xmin, 0.1≤k≤1.0, 当vid超出该范围时, 则设为vmax或vmin。若微粒离开搜索空间时, 则位置更新为:
1.2 改进策略
1.2.1 惯性权重的改进
标准PSO算法具有运算简单、易于实现、需要调整的参数少等优点, 然而在实际优化问题的应用中, 其搜索精度存在一定缺陷, 且控制参数的选择对于算法的收敛速度及优化精度有很大影响, 若标准PSO的惯性权重因子w选择不合理, 将导致粒子飞离搜索空间而只能通过最大速度来限制粒子飞行, 增大搜索时间, 对微粒快捷搜索目标不利。针对这一问题, 文中w采用下式进行计算:
式中:w0为微粒飞行初始的取值;maxiter为微粒迭代的最大次数;iter为当前迭代次数。
这样, 在粒子搜索最初, 取值会大些, 有利于微粒的全局搜索, 可以不断搜索新的区域, 搜索过程中 取值适当减小, 开发能力逐渐增强, 使算法可在可能最优解周围精细搜索, 有效地平衡了收敛的全局性和收敛速度, 提高了算法的搜索精度。
1.2.2 变异算子
分析公式 (1) 不难发现, 当粒子的当前位置处在全局极值位置Pg时, 该粒子只有在先前速度和惯性权系数不等于0情形下, 才有可能离开这一点;如果种群中粒子的先前速度都接近于0, 一旦它们落于Pg, 则很难再移动, 这意味着算法将收敛到种群目前寻优到的最优解, 即Pg, 如果Pg对应的解只是优化问题的一个局部最优解, 则算法就会过早收敛[5]。
为了解决这一问题, 将变异思想引入到标准PSO算法。改进思路是:在算法出现早熟收敛现象时, 对微粒群进行变异操作, 使变异粒子在解空间的其他区域进行搜索, 寻找更优的全局解, 从而跳出局部最优, 避免算法陷入局部极值点。由于在均匀变异方式下, 发生变异的分量在其变化范围内均匀取值, 无法重点搜索局部范围, 因此本文采用非均匀变异机制。对于一个在[ai, bi]范围内变化的分量xi, 按下式对其进行变异:
如果随机产生的一位二进制数为0,
如果随机产生的一位二进制数为1,
式 (5) 、 (6) 中, α是闭区间[0, 1]内的随机数;β为一个确定非均匀性程度的参数, 一般可取β=2。由式 (5) 、 (6) 可见, 随着迭代次数iter的逐渐增大, 变异算子动态地由全空间变异逐步转为局部微调, 使搜索范围逐渐减小。改进PSO (IPSO) 的运算流程如图1。
2 IPSO-BP模型
1989年Robert Hecht-Nielson证明, 任何一个在闭区间连续的函数都可以用具有1个隐层的BP网络来逼近, 即1个3层网络可以完成任意n维到m维的映射, 因此本文采用3层前向神经网络, 即1个输入层、1个隐层、1个输出层。假定隐层节点数nhid足够多的初始网络隐层激励函数和输出层分别为ψ (x) 和ϕ (x) , 给定样本集Ω={Pi, qi|1≤i≤N;Pi, qi∈R}, 则前向神经网络的输出为:
其中:W, V为权值, 满足-1<W, V<1, k=max (q1, q2, …, qN) 。网络学习算法采用反向传播算法 (Back Propagation Algorithm, BP) 。
为了获得既稳定又相对快速的训练算法, 进化过程可分2步进行, 将BP算法和IPSO取长补短进行阶段性结合:首先, 利用IPSO训练网络的权值;然后, 在由IPSO得到的一个接近最优解的空间B (W*) 之后, 再使用BP算法进一步寻优, 得到网络权值的最优值W*。记这种组合训练法为IPSO-BP。
采用IPSO-BP训练法可以提高网络训练的精度和学习收敛的速度。应用IPSO优化BP的具体步骤如下:
(1) 将网络中所有神经元间的连接权编码成实数码串表示的个体, 即将微粒群中每一个体的分量映射为网络中的权重和阈值, 从而构成一个神经网络。
(2) 初始化IPSO, 设置微粒数M, 进化代数t以及加速因子c1, c2和权重w, 随机初始化微粒的位置和速度, vij∈[vmin, vmax]并设置算法停止条件。
(3) 运行IPSO算法训练BP神经网络, 对微粒适应值进行评价, 当适应值小于预设阈值或迭代达到最大预设次数时, 算法停止, 保存计算结果。由于每个微粒代表一组网络权值, 对微粒的评价就是对该组权值在训练集上产生的均方误差的评价, 故可将均方误差作为IPSO算法的适应度:
式中:X为微粒向量;tk, p为训练样本P在k输出端的给定输出;n为训练集样本个数;c为输出端个数;Yk, p为微粒对应的网络输出。这样, 可以保证通过IPSO算法寻优得到的D维参数W, 能够使得网络输出误差较小。
(4) 在用IPSO算法得到一个接近最优的网络权值后, 初始化BP算法, 将IPSO的训练结果作为BP算法训练的起始值, 设置算法停止条件。
(5) 当全部样本的输出误差小于设定的误差 时, 训练结束, 保存训练结果即完成神经网络个体的训练。利用BP算法得到网络权值最优值W*的训练过程主要由信息正向传递、误差信号逆向传播、权重和阈值的调整等步骤组成, 详见参考文献[6]。
3 应用实例
在某混凝土重力坝的变形监控工作中, 采用IPSO-BP模型对其坝顶引张线数据进行处理, 共选取120组观测数据, 前100组作为学习样本, 以确定最优连接权重、阈值等参数, 后20组数据作为预测样本, 以利用学习得到的网络模型求得水平位移预测值。为对结果进行对比分析, 同时建立PSO-BP模型 (其算法是基本PSO算法优化后的BP算法, 模型形式及输入和IPSO-BP模型相同) 和统计回归模型。
影响混凝土大坝水平位移的主要因素有上游水位、温度和时效, 因而BP算法采用多输入单输出模式, 输入节点为:水位分量, 大气温度和时效分量, 输出节点为坝顶水平位移, 隐含层神经元个数为9, 即采用的网络结构为3-9-1, 学习速率为0.016, 动量因子为0.012, 取误差平方和指标为0.01。在用IPSO寻找BP神经网络最佳权值和最佳阈值时, 各参数设置为:群体规模M=1 000, 每一个种群对应一个46维的参数 (包括36个可调权重和10个神经元阈值) , 进化代数t=2 000, 加速度c1=c2=1.8, 惯性因子的初始值w=0.9, 以后随着进化递减, 最小值为0.35, 微粒的最大速度vmax=1, 算法停止阈值ε=0.02, 非均匀变异率pm=0.01。统计模型采用的回归因子为:水位因子、温度因子、时效因子, 模型形式为:
式中:H为上游水位;θ=ti/100 (即以100 d为单位) ;ti为观测时刻距初始时刻的天数, d。
通过逐步回归分析 (显著水平α=0.05) , 得到统计模型的复相关系数为0.941, 回归中误差m=±1.06, 这表明所建立的统计模型拟合精度高, 具有较高的可靠性。3种模型的计算结果及拟合效果对比见表1和图2。从表1可以看出, 3种模型都能较好地拟合出实际变形情况, 其中, IPSO-BP模型的拟合精度比统计模型的拟合精度高, 略好于PSO-BP。从图2可以看出, IPSO-BP模型的拟合效果明显优于统计模型和PSO-BP模型。
为了评价模型的实际预报能力, 选用监测数据的后20组数据作为预测样本, 分别利用以上3种模型对某坝段的水平位移进行预测, 预报精度对比如表2所示。从表2可以看出:IPSO-BP模型的预测精度高于统计分析模型和PSO-BP模型, 其预测值和实测值最为吻合, 较好地反映了大坝水平位移的变化趋势。同时, 利用PSO对BP算法进行训练时需迭代750余次, 而采用IPSO只需迭代200次即能达到相近精度, 接近于全局最优, 可见IPSO-BP比PSO-BP在收敛速度方面有所进步。
4 结 语
能否准确分析建筑物变形状况的关键在于是否选择好的监测数据分析模型。本文结合BP神经网络算法, 将IPSO引入到大坝变形预测模型中, 通过分析和验证, 得到如下结论:
(1) IPSO-BP模型能较好地描述和预测建筑物的变形过程, 因此, 该模型在变形监测的数据分析和变形预报中有较好的实际应用价值;
(2) 标准PSO算法存在许多缺陷, 需要进一步的研究。本文通过引入非均匀变异机制, 选择合理的惯性权重因子对其进行改进, 并将IPSO应用于优化BP神经网络, 得到的数学模型在精度和预报能力等方面有明显提高;
(3) IPSO-BP具有原理清晰、公式简洁和全局寻优能力强等优点, 其拟合效果及预测精度明显优于统计回归模型和PSO-BP模型, 且具有较高的可靠性, 因此, 该方法在变形监测数据处理中有较好的应用前景。
参考文献
[1]李红连, 黄丁发, 陈宪东.大坝变形监测的研究现状与发展趋势[J].中国农村水利水电, 2006, (2) :89-93.
[2]张燕, 汪镭, 康琦, 等.微粒群优化算法及其改进形式综述[J].计算机工程与应用, 2005, (2) :1-3.
[3]J Kennedy, R Eberhart.Particle Swarm Opti mization[C]∥Inter-national Conference on Neural Networks.Piscataway, 1995:1 942-1 948.
[4]Shi Y, Eberhart R.A modified particle swarmopti mizer[C]∥In-ternational Conference on Computational Proceeding.Piscataway, 1998:69-73.
[5]Natsuki Higashi, Hitoshi Iba.Particle Swarm Opti mization withGaussian Mutation[C]∥Proceedings of the 2003 IEEE SwarmIntelligence Symposium.Indianapolis, 2003:72-79.
[6]Marin T.Hagan, Howard B.Demuth, Mark H.Beale, 著, 戴葵, 译注.神经网络设计[M].北京:机械工业出版社, 2002:95-98.
监测模型 篇2
灰色预测模型及其在大坝变形监测中的应用
传统的变形分析方法会受观测环境所产生的噪声影响,且要求观测数据为大样本,具有一定的特征分布,但在实际的工程中常常难以满足该要求.文章详细介绍了灰色预测模型在大坝变形观测中的`应用,阐述了它克服了传统方法的不足,具有很好的适用性.
作 者：黄钦 HUANG Qin 作者单位：柳州水利电力勘测设计研究院,广西,柳州,545005 刊 名：企业科技与发展 英文刊名：ENTERPRISE SCIENCE AND TECHNOLOGY & DEVELOPMENT 年，卷(期)：2009 “”(10) 分类号：P231 关键词：变形观测 小波变换 灰色系统预测理论
监测模型 篇3
遥感监测技术起源于美国, 早在1988年美国丹佛大学利用非扩散红外线检测技术开发出可以同时检测CO、CO2和HC污染物排放的检测设备, 至20世纪90年代利用非扩散紫外线检测技术开发出NOx排放的测量方法, 2001年该校和沙漠研究所分别利用紫外线反射光探测技术和透射光不透明度技术进行了颗粒物 (PM) 排放检测方法的开发, 但对于PM的遥感监测精确度还有待进一步验证。
1 机动车道路遥感监测实验与测试方法
机动车道路遥感监测技术采用长光程吸收光谱法, 测量光束通过道路打到角反射器上, 探测器连续测量角反射器返回的光束。遥感检测方法不能用来直接测量每种污染物的浓度, 而是以CO2为基准气体, 进行CO、NO和HC对CO2浓度比率的测量, 并且利用燃烧化学方程计算每个污染物排放的浓度值。需要说明的是, 传统检测方法中用丙烷表示燃烧产物中的HC, 由于本系统无法实现对丙烷的测量, 而采用丁二烯来替代。
2 道路遥感与台架测试评估IVE模型
2.1 研究方法
本文将通过IVE模型的计算得到不同类型车辆在不同控制技术水平下的排放因子, 与道路遥感监测以及台架测试获得的排放因子进行比较而对IVE模型进行评估。由台架测试和遥感监测数据分别获得了的各类型汽油车不同控制技术水平下的排放因子。由于这两种测试获得的是车辆在行驶时污染物的排放量而不包括车辆启动时的排放和HC的燃料蒸发排放, 为了便于比较, IVE模型的计算中将启动排放和蒸发排放不计算在内。车辆技术水平分布是IVE模型计算排放率的主要输入参数。由于乌市机动车监管办数据库中车辆行驶里程不全, 因此我们采用数据与实际调研所得数据相结合的方法按表填写。IVE模型中油品质量等参数按照乌市本地的实际情况填写, 道路遥感监测数据看作是乌市地区的基础普通数据, 为IVE模型提供参数。
2.2 结果与讨论
2.2.1 不同技术类型汽油PC排放因子的比较
不同技术类型汽油车排放IVE模型计算结果与遥感监测、台架测试获得的数据比较接近, 模型计算将乌市地区各类型车辆不同技术水平的车辆排放污染物CO设置较高, 无论是不同排量还是平均排放因子均比实测数据高出几倍;而NO的模型排放相比实测要较低一些。由实测与模型计算比较可看出乌市地区机动车CO的排放相对“标准”而言排放不算高, 主要污染物为NO排放, 无论是不同排量还是车队整体排放均比模型计算高出几倍。
2.2.2 计算柴油车排放因子
乌市地区柴油车台架测试受检测方法限制, 所以由道路遥感测试采集CO、HC和NO三种污染物, 因此采取遥感测试系统得到的数据对IVE模型进行修正计算乌市地区柴油车三种污染物的排放。下表1为遥感监测与IVE模型计算柴油车排放因子的比较。
3 小结
评估表明:IVE模型对各技术水平的机动车CO排放计算较高, 对NO排放计算较低, 说明模型高估了CO排放, 低估了NO的排放。本文提出了采用道路遥感监测修正IVE模型的方法。将道路遥感监测与模型相结合既可以将本地实测情况融入模型计算中, 提高模型计算准确性, 又弥补遥感受限制的不足, 使得遥感监测数据可以更好地运用。
摘要：机动车排放是我国城市大气污染的主要来源之一, 发展与利用先进的机动车排放检测技术和方法已成为机动车污染控制的必然趋势。机动车排放道路遥感监测反映实际道路行驶中的排放状况, 对全面分析排放水平有很强的统计意义。
关键词：机动车排放,遥感,运用,IVE模型
参考文献
[1]邓顺熙, 史宝忠.我国轻型汽车污染物排放因子的测试研究[J].中国环境科学, 1999, (2) :176-179.
[2]周昱, 傅立新, 杨万顺, 等.北京市机动车排放遥感监测分析[J].环境污染治理技术与设备, 2005, (10) :91-94.
[3]姚志良, 贺克斌, 王岐东, 等.IVE机动车排放模型应用研究[J].环境科学, 2006, (10) :9191-3391.
[4]王海鲲, 陈长虹, 黄成, 等.应用IVE模型计算上海市机动车污染物排放[J].环境科学学报, 2006, (1) :1-9.
监测模型 篇4
关键词：桥梁健康监测,多尺度模型,模型修正,响应面法,RTF
1 研究意义与背景
大跨径桥梁结构往往是交通路网中的关键节点, 其安全运营对交通系统的正常发挥作用至关重要, 而此类桥梁的健康监测与安全评价的实时性, 不影响交通、定量分析的可控性要求更高, 因此促成了大量大跨径桥梁结构体系的健康监测系统的布设。如连续刚构桥:新原高速公路小沟特大桥、杭州钱江六桥、下白石大桥等;悬索桥:如香港青马大桥、广东虎门大桥、江阴长江大桥、润扬长江大桥等;斜拉桥:如上海徐浦大桥、山东东营黄河公路大桥、芜湖长江大桥、郑州黄河大桥、苏通长江大桥、钱塘江六桥、南京长江二桥、三桥等, 钢管混凝土拱桥:钱塘江四桥等。目前有学者在探讨可应用于中小跨径桥梁健康监测系统。正如我们所知, 建立桥梁健康监测与安全评价系统, 目的是对运营阶段的桥梁结构受力状态及其所受荷载和工作环境进行实时监测, 并利用监测得到的数据分析桥梁的健康状态, 评价桥梁结构承受静载和动载的能力和桥梁的安全可靠性, 为其日常维护和运营管理提供科学的决策依据。而结构长期健康监测和状态评估, 需基于合理的有限元模型来研究结构静动力特性建立。
就大型桥梁结构而言, 时间尺度, 如桥梁服役期的长短, 可能造成材料劣化和局部应力集中程度的不同, 即造成桥梁材料特性随时间不同的特性, 其次, 在不同时间尺度, 部分环境变量, 荷载作用规律不同, 桥梁结构响应值也是个不确定量;空间尺度, 如桥梁结构的病害往往是长期损伤累积如局部材料损伤、构件损伤, 是在施工过程中逐步形成, 如混凝土的浇注和养护条件、钢结构的焊接工艺和工序、构件之间连接的刚域影响、材料的不均匀性和施工误差等因素造成, 在安装桥梁健康监测系统的桥梁, 时间尺度的荷载变量因素能得以测定[1,2], 但空间尺度变量, 目前主要的研究是通过比较有限元模型的结构响应参数与实测响应参数确定。
一般初始有限元模型根据施工图纸设计, 利用有限元分析软件建立而与真实桥梁结构在一定程度上等效的简化模型, 包含较多理想化信息或简化设计的单一模型。比如以梁单元模拟壳单元模型等, 整个桥面系采用梁单元来模拟, 满足设计阶段整体结构动力特性分析、静力响应分析的要求, 但是却无法得到反映结构关键构件及部位的局部应力集中分布。而若采用全桥精细模拟, 则会因结构过于复杂, 导致计算效率过低, 乃至无法计算。因而充分考虑模型的效率和精度, 亟需建立多尺度分布有限元模型。另一方面, 桥梁有限元模型的参数误差、有限元离散化等导致的误差等多种因素必将导致有限元模型的结构响应与实际结构响应存在一定的偏差。为减少这种差异, 必然需要采用一些理论和方法来减小有限元模型与实际结构在动力响应等方面的误差, 故对初始有限元模型进行修正显得尤为重要。
2 多尺度模型的建立
要实现动力特性的多尺度分析法, 须解决好以下几个问题: (1) 准确模拟结构质量及刚度的空间分布; (2) 准确模拟结构的边界条件; (3) 具有高的分析效率, 实际操作可行; (4) 能用同一个模型同时分析整体效应和局部效应。
2.1 基于实体退化的多尺度分析方法
浙江大学徐兴教授等在三维实体等参单元的基础上, 通过采用修改弹性系数矩阵和约束相应相对位移的方法, 直接引入各类构件的简化假定, 构造出实体退化系列单元, 并建立了离散钢筋模型。实体退化单元网格形式同三维实体等参元, 结构几何信息没有简化和丢失, 通过对整桥按整体尺度划分网格、对重点关注区域按细节尺度划分单元网格, 可建立多尺度有限元模型。从而非常方便地在同一模型中进行整体效应和局部效应分析。实际应用时, 可根据分析目的建立多个多尺度动力分析模型, 同时进行各动力响应分析, 以提高分析效率。由于模型的多尺度特征, 不可避免地存在整体尺度网格和细节尺度网格的协调问题, 用平面等参元形函数, 将衔接面上细节尺度网格的节点位移用整体尺度网格节点的位移来表示, 即可解决不同尺度网格的协调问题。
2.2 基于子结构的多尺度模型建立方法[3,4,5]
子结构法建立多尺度模型, 即运用有限元方法中的子结构法, 将复杂的结构分成较易处理的、较小的子结构, 在子结构内部, 采用单元特征长度为10-3m级的细观尺度来精细模拟所关注的局部细节部位, 然后将子结构内部自由度凝聚掉。整个子结构在整体宏观尺度下模拟的有限元模型中仅仅作为一个单元和整体结构有限元模型连接, 工作荷载作用在宏观尺度下模拟的整体结构上, 对在整体宏观尺度下建立的有限元模型可以求解得到结构整体特性, 而在子结构内部扩展求解结果可以得到小尺度下局部细节处的单元特性, 从而做到在一次分析的基础上同时得出兼顾结构整体和局部细节部位特性的结果。实现结构行为一致多尺度模拟, 其建立的基本步骤与方法:
(1) 建立大跨结构全尺度模型, 在设计载荷或者由结构健康监测系统记录的运营载荷作用下计算出结构主要构件的内力, 由此确定结构的关键构件和危险部位作为结构的重点关注构件。
(2) 建立如上确定的重点关注构件的构件尺度模型, 进行构件中的名义应力分析, 进一步确定构件中的关键焊连接细节;在此基础上, 关注局部部位的细节构造, 考虑局部的几何和材料特性, 建立局部的精细模型。
(3) 将上述三种尺度的模型以某种方式耦合为一体, 或者说, 将局部细节模型以某种方式“嵌入”构件尺度模型或者结构全尺度模型, 从而可以在结构载荷的作用下, 计算得到我们所关注的“热点”应力和局部损伤演化及其对构件名义应力乃至结构内力的影响。
由此可以看出, 结构多尺度模型就是能综合考虑不同的结构尺度下的因素, 而将多种尺度模型中的不同类型单元耦合在一起, 以满足不同研究需求所建立的模型。在上述结构多尺度模型中, 结构全尺度与构件尺度的有限元模型一般应用结构单元如梁、柱单元来构造, 分析时这些单元中的内力或应力在弹性范围内, 而局部细节尺度模型则采用板、壳或实体单元, 进行分析计算时, 如果局部量值超出材料的弹性范围同时存在损伤或裂纹等缺陷, 则进行塑性分析和损伤分析。
然而结构多尺度有限元模型仍然存在一些不足问题:在不同尺度交界面上也即子结构内外交接处, 采用耦合自由度处理方法带有一定的近似性。对于交界面上的计算结果有一定的误差, 这就要求局部细节部位要离开交界面一定距离才比较准确。所以对于此多尺度模型来说, 计算分析结果并不是处处都精确的, 如何提高不同尺度交界面的分析精度需要加以进一步研究。
3 多尺度模型分析修正的研究步骤与方法
3.1 基于响应面法的多尺度模型修正[6,7,8,9,10,11]
东南大学任伟新、宗周红及其学术团队陈华斌、邓苗毅等基于动力响应面和静力响应面进行了结构有限元模型修正的基础上, 夏璋华、钟儒勉等进一步以连续刚构桥、预应力梁桥的健康监测为背景, 探讨应用于工程实际的基于响应面的有限元模型修正的关键方法和主要步骤。
响应面法基本概念是:在变量的设计空间中, 对若干选定的样本点处的函数响应计算值或试验值, 用回归分析法建立拟合的函数关系式。响应面法用于有限元模型修正, 就是在参数的设计空间里, 用响应面重构设计变量与目标变量的关系, 在重构的响应面上进行优化迭代, 使有限元模型和试验模型的误差达到最小, 进而求得可靠的有限元模型。可以看出, 响应面法的主要步骤:
(1) 在已确定的设计空间里, 用试验设计方法, 通过多次有限元计算得到结构的模态参数、位移或应力响应等实测的目标变量的变化空间;进而进行参数筛选, 可通过方差分析挑选出对目标标量有显著影响的设计参数;
(2) 用响应面法进行多元回归或插值拟合, 得到重构的响应面模型;
(3) 进行结构系统的部件试验或全局试验, 得到目标变量的目标值;
(4) 用响应面模型进行优化迭代, 修正参数, 得到可靠的有限元模型。
从主要步骤也看以看出, 其核心在于试验设计、参数筛选、响应面模型。
3.1.1 试验设计
严格意义上说, 试验设计并非健康监测专有问题, 其实质是多学科设计优化代理模型的取样策略, 决定了构造代理模型所需样本点的个数和这些点的空间分布情况;由于影响要素的不同, 结构样本量是相当可观。试验设计解决如何确定出能用较少的样本量, 同时保证较高的响应面模型的精度的方法, 即用较少样本量, 但同时保证计算精度。其要点有三个:确定必要的试验因素、对选定的试验因素恰当地确定其水平、确定合理的水平区间。
在多学科试验设计方法主要包括:均匀设计、拉丁方设计、单纯型设计、区组化正交设计、全析因试验设计、中心点复合设计、D-最优设计、BBD设计、正交设计和均匀设计等。其中, 中心复合设计是最常用的试验设计方法, 它是根据二次多项式的特点来构造的, 所取的样本为各个因子的端点和设计空间的中心点, 因此特别适应于二次多项式响应面, 就可借助于类似matlab软件等方便进行分析。
3.1.2 参数筛选
参数筛选, 涉及两个方面, 一是什么参数, 二是如何筛选。常用的设计参数有模态参数、频响函数、静态挠度等。而筛选方法上, 传统的有限元模型修正技术是采用灵敏度分析方法进行待修正参数筛选或选择。灵敏度分析方法是通过比较响应特征对设计变量的灵敏度来确定是否选用该参数, 它是根据计算参数在某设计点处的灵敏度进行挑选。该方法只计算了特征量的局部灵敏度, 显然具有一定的局限性。有限元模型确认的参数筛选主要采用方差分析方法。方差分析方法是利用试验设计方法在参数的设计空间内确定样本点, 然后在样本点上进行有限元分析计算获得样本数据, 最后将特征量作为指标对样本数据进行方差分析。它是在整个设计空间上挑选对特征量有显著影响的设计参数, 是从全局的角度出发考虑的。
方差分析的F统计量方法, 是有限元模型确认所采用参数筛选的方法, 其基本思想是将样本数据的总偏差平方和分解为各因素以及误差的偏差平方和, 然后求出F值, 应用F值检验法进行假设检验, 找出显著性参数。它是在自变量的整个取值范围研究自变量与因变量的相关关系, 通过数量较少的样本数据, 辨明对因变量有显著性影响的自变量, 主要包括单因素的方差分析和三因素的方差分析等方法。
3.1.3 响应面模型
常见的响应面模型有多项式、非线性函数和BP神经网络模型、高斯函数等, 其中二阶多项式模型是研究和应用得最多的, 以响应面函数为二阶多项式为例。
假设系统的特征量y为因变量, xi (i=1, 2, , , k) 代表方差分析筛选出的k个设计参数, 则二阶多项式的形式如下:
xi或xj在设计参数范围内选取, 分别利用有限元模型计算设计参数范围内的n个样本及其对应的y0, y1, y2……yn, 未知参数β0, βi, βij, , βii采用最小二乘法估计, 而后检验响应面模型精度, 符合要求则进行设计参数修正, 不符合则重新进行参数选择, 直到精度满足。
3.1.4 响应面模型检验
响应面模型构建完成后还需要进行精度检验, 响应面模型的精度检验标准很多, 如残差的正态分布检验, 残差的均值是否接近零等, 但是对于多个响应面模型和较复杂模型, 主要采用R2检验、相对均方根误差 (RMSE) 检验和EISE检验等。R2判定系数、RMSE值、EISE值代表了响应面与真值之间的差异程度。其中R2判定系数在0~1之间取值, R2值越大, 则得到的回归模型就越接近实际情况;RMSE值, EISE值则相反, 值越接近0, 模型越准确。
3.2 基于神经网络法桥梁有限元模型修正[13,14]
由于桥梁结构往往比较复杂, 自由度众多, 节点连接复杂, 同时对桥梁结构监测信息的不完备性等, 因此在桥梁结构有限元模型中, 有限元中的各设计参数与结构响应特征向量之间的映射关系, 难以有效地用函数式表达;桥梁有限元模型修正往往需要解决大量的高维非线性方程, 因此, 在模型修正时需要特别考虑计算的效率和计算精度。利用神经网络进行模型修正是把结构的反应作为一种模式。通过对输入输出数据的学习、训练, 将输入输出的映射关系以神经元间连接权值存储下来。正因为如此, 神经网络具有较强的抗噪和容错能力, 并具有非线性映射能力强, 鲁棒性好的优势。神经网络通过这种学习, 将反问题正问题化, 在模型修正中也有其独到之处。一般说来, 利用神经网络进行模型修正有下面几个主要步骤:
(1) 选择输入的参数和输出的参数 (需要修正的参数) , 根据这些参数来设计神经网络模型, 包括网络的类型、层数和拓扑结构、输入层和输出层神经元个数、隐含层神经元的个数。
(2) 由结构模态正分析获得网络的学习样本和测试样本, 包括为了适应待识别模式的多样性和复杂性, 就必须尽可能多的建立各类参数修正的标准模式。
(3) 将学习样本送入网络进行训练、建立输入参数和修正参数间的映射关系, 在修正的似然尺度上作适当的数学描述。
(4) 将测试样本和其它样本输入网络中进行测试和推广。
(5) 最后将实际测量的响应数据输入网络得到输出的修正参数。
在模型修正中比较常用的神经网络类型主要有前馈型网络、多层感知器网络 (MLP) 、BP神经网络和径向基函数神经网络 (RSF) 等, 以RSF为例。
有限元模型, 设计参数x与结构的响应y的关系可以表示为:
根据实测结构响应数据, 响应y已知, 利用RBF神经网络来逼近, 获得两者之间的非线性映射关系, 便可将模型修正归结为求解参数x的正问题。
首先进行参数敏感性分析, 确定待修正参数在参数的设计空间内选择样本点, 通过有限元模型计算, 获得相应样本的结构特征值将样本归一化处理。在网络的训练阶段, 以不同设计参数条件下的结构特征值作为输入向量, 以参数修正系数作为输出向量, 训练神经网络利用初始设计模型进行检验, 检验合格的RBF网络即可视为f-1最后将实测的各阶频率作为目标值, 输入训练后的网络, 由于RBF神经网络的泛化特性, 可求得设计参数的目标值。
监测模型 篇5
20 世纪80 年代,灰色系统理论［1］由邓聚龙教授提出,GM( 1,1) 模型成为该理论主要模型,广泛用于工业、农业、社会和经济的各个领域,解决了日常生活、科研和生产中的诸多问题。灰色系统理论以其优越特性,在矿区开采沉陷预测中表现不俗,得到专家学者一致青睐［2－3］。灰色系统理论研究的是信息不完全的对象、内涵不确定的概念、关系不明确的机制,能从有限的、离散的数据中寻找规律,建立模型,并作出分析和预测。煤矿区开采沉降监测一般采用定期观测的常规测量方法,所获取的观测数据是有限的、离散的。因此,可依靠灰色系统理论,根据获取的数据来预测矿区沉降发展趋势。GM( 1,1)模型是有效的预测模型［4－6］,据此为提高预测精度,提出事件响应模型。
1 事件响应模型
1. 1 原理
等时间间隔观测数据X(0)(t)=[x(0)(1),x(0)(2),…,x(0)(t)],t=1,2,…,n,其中t是观测时间序号。X(0)(t)的1-AGO序列为X(1)(t)=[x(1)(1),x(1)(2),…,x(1)(t)],t=1,2,…,n,其中,k=1,2,…,t。X(1)(t)的紧邻均值生成序列为Z(1)(t)=[z(1)(2),z(1)(3),…,z(1)(t)],t=2,3,…,n,其中z(1)(k)=1/2[x(1)(k)+x(1)(k-1)],k=2,3,…,t。称为GM(1,1)模型的白化方程[7,8],式中a代表地表发展趋势,b代表地表沉降值。
若 Λ=[a b]T为参数,且
则GM( 1,1) 模型最小二乘估计参数序列满足:
事件响应模型函数为
式中:k=2,3,…,t;。
还原值:
式中k =1,2,…,t-1。
是事件响应模型预测第k个时间序号的预测值,是对应的1-AGO序列中的元素,事件响应模型[9]与GM(1,1)模型[10]相比,d的选取使得模型预测精度存在差异;事件响应模型采用统计学原理,考虑到每个数据的权重性,所有数据均参与预测计算,即;而GM(1,1)模型采用观测数据中的第1个数据进行所有预测计算,即d=x(1)(1)-b/a。
1. 2 试验验证
以赵楼煤矿1306 工作面地表沉降监测数据为例,验证事件响应模型的可用性。该工作面走向长2 295 m,倾向长2 068 m,采深800 m,表土层厚度为600 m,使用综采法进行开采,考虑实际情况沿走向和倾向分别布设25 个监测点,取走向和倾向交汇处监测点作为计算示例,数据获取依照规范,数据处理符合指标,提供实际有效的数据源,分别采用GM( 1,1) 模型［11］和事件响应模型,由前4 次观测值预测第5 次下沉值,并且同实测值进行比较,其中实测值通过二等水准测量获得。
建立等间隔观测数据:
X( 0)( 4) 的1-AGO序列:
X( 1)( 4) 的紧邻均值生成序列:
则
由GM ( 1,1) 模型最小二乘估计参数序列满足Λ=[a b]T= ( BTB)－1BTY得:
Λ =[a b]T= [0. 206 3 2. 221 3 ]T,代入公式( 2) 、( 3) 得:
事件响应模型预计函数为
GM( 1,1) 模型预计函数为
事件响应模型、GM( 1,1) 模型按照各自预测函数分别求得5 个观测点下沉值,结果见表1。
由表1 可见,事件响应模型在精度上要高于GM( 1,1) 模型,其预测值更接近实测值,理论上提高了预测精度,对生产实践有更好的指导作用。
2 理论精度分析
GM( 1,1) 模型采用后验方差法［12］和小误差概率［13］进行检验,模型精度等级由后验方差比值C和小误差概率P共同描述。
后验方差比值C计算公式为
小误差概率P计算公式为
式中: s1为原始数据标准差; s2为残差数据标准差;为残差数据均值; ε( k) 为残差检验值,k = 1,2,…,t。
式中: s22为残差数据方差; s21为原始数据方差;为模型预测值,k =1,2,…,t; 为原始数据均值。
表2 列出了预测模型精度标准值,作为模型精度评价的标准,用来衡量模型精度等级的优劣。
由公式( 4) 、( 5) 结合事件响应模型预测值,以及GM( 1,1) 模型预测值,分别计算两种模型后验方差比值C和小误差概率P。仅以事件响应模型为例,计算过程如下:
,其中k=1,2,3,4,5;
同理计算GM( 1,1) 模型,C =0. 129 5<0. 35; P =1 >0. 95。
在小误差概率P相同的情况下,事件响应模型后验方差比值小于GM( 1,1) 模型后验方差比值,说明事件响应模型在理论精度上优于GM( 1,1) 模型。
3 相关性分析
模型相关性主要是通过数理统计中的F分布［14－15］来判断模型在实际工作中应用的可行性,其验证公式如下:
式中:,i = 1,2,…,n; N-i2=1是分子自由度; QＲ(i=N1－2)是自由度为N-2 的随机变量; QE是自由度为1 的随机变量。
式( 6) 的含义是F服从第一自由度为N-2,第二自由度为1 的F分布。
对于给定的检验显著水平 α,当F>Fα( 1,N-2) ,接受假设检验,认为模型可用。否则,模型不可用。
本次试验选取5 个观测点作为试验对象,N = 5,α = 0. 05,则:
同理可得GM( 1,1) 模型指标。
模型理论精度和相关性分析结果对比见表3。
表3 说明,两种模型精度等级均属“良好”,贴近实际情况,但事件响应模型优于GM( 1,1) 模型。
4 结语
煤矿瓦斯和煤尘的监测与控制模型 篇6
中国是世界上最大的煤炭生产国，随着国民经济的快速增长，煤炭的需求量不断增长。而煤矿安全生产是我国目前亟待解决的问题之一，瓦斯和煤尘是影响煤矿安全的主要因素，为了实现安全生产，我们必须对井下瓦斯和煤尘进行严格的监测与控制。
试验表明，一般情况下煤尘的爆炸浓度范围是30～2000g/m3，而当矿井空气中瓦斯浓度增加时，会使煤尘爆炸下限降低，其变化情况如附表1所示。
本文结合附表1的监测数据，我们要按照煤矿开采的实际情况来研究和解决下列问题：
(1)根据《煤矿安全规程》的分类标准，既计算瓦斯相对涌出量和瓦斯绝对涌出量的范围来鉴别该矿是属于“低瓦斯矿井”还是“高瓦斯矿井”。
(2)根据《煤矿安全规程》的规定，不同工作面和回风巷的甲烷传感器报警浓度，断电浓度，复电浓度和断电范围，并参照附表1瓦斯浓度与煤尘爆炸下限浓度关系，来判断该煤矿发生爆炸事故的可能性有多大？
(3)为了保障安全生产，利用两个可控风门调节各采煤工作面的风量，通过一个局部通风机和风筒实现掘进巷的通风。根据各井巷风量的分流情况、对各井巷中风速的要求，以及瓦斯和煤尘等因素的影响，确定该煤矿所需要的最佳（总）通风量，以及两个采煤工作面所需要的风量和局部通风机的额定风量（实际中，井巷可能会出现漏风现象）。
2 模型的分析
在模型建立时，首先要对瓦斯的绝对涌出量和相对涌出量作以了解。
瓦斯绝对涌出量：是指单位时间内涌入采掘空间的瓦斯量（单位：m3/min）。
瓦斯相对涌出量：是指矿井在正常生产情况下，月平均生产一吨煤所涌出的瓦斯量（单位：m3/t）。
要判断该矿井属于低瓦斯矿井，还是属于高瓦斯矿井。就要根据国家《煤矿安全规程》中对瓦斯防治的规定：低瓦斯矿井瓦斯相对涌出量小于等于10m3/t且绝对涌出量小于等于40m3/min；高瓦斯矿井中相对涌出量大于10m3/t或绝对涌出量大于40m3/min。因此将此问题可以转化为计算瓦斯相对涌出量和绝对涌出量，计算出各个工作面的瓦斯绝对涌出量，判断出该矿井的瓦斯绝对涌出量的值，通过瓦斯绝对涌出量来计算瓦斯相对涌出量，并与国家标准进行比较，判断此矿井是否是高瓦斯矿井问题。
通过对实际生产数据的分析可知不会出现煤尘爆炸的现象。所以在建立模型时，我们只考虑瓦斯爆炸的情况。通过判断瓦斯浓度来计算不安全程度的大小。
问题(3)是一个最优化模型问题，要求该矿井所需的最佳（总）通风量，以及工作面和局部通风机的额定风量。对于求最佳（总）通风量，就是说在保证瓦斯在安全范围内，要求风速尽可能的小。而风速和瓦斯浓度又存在着指数关系，从而找出最佳瓦斯浓度，根据数据和图示分析计算出总风量，继续分析各个局部的风速。
3 模型的建立与求解
问题(1)：通过上述的分析以及定义，我们建立了关于瓦斯相对涌出量和绝对涌出量的公式：
(1)绝对涌出量=（风速*横截面积*瓦斯体积比*60)
(2)相对涌出量=（绝对涌出量*一天的时间*工作天数）/月生产煤总量
由公式可计算出各个工作面的瓦斯绝对涌出量如下：
工作面Ⅰ绝对涌出平均值Q1=3.794547m3/min，工作面Ⅱ绝对涌出平均值Q2=4.402101m3/min，掘进工作面绝对涌出平均值Q3=0.012339m3/min，回风巷Ⅰ绝对涌出平均值Q4=3.655376m3/min，回风巷Ⅱ绝对涌出平均值Q5=4.6948m3/min总回风巷绝对涌出平均值Q=9.75358m3/min。
注意：该矿井的瓦斯绝对涌出平均值是指总回风巷的瓦斯绝对涌出平均值，因为所有工作面的瓦斯量都会通过总回风巷流出。所以该矿井的瓦斯绝对涌出平均值为：Q=9.75358m3/min;
由矿井的瓦斯相对涌出量的计算公式可计算出该矿井的瓦斯相对涌出量：该矿井的瓦斯相对涌出平均值为：q=23.196404641m3/t;
问题(2)：因为我们判断该矿井为高瓦斯矿井，即采煤工作面Ⅰ与采煤工作面Ⅱ瓦斯浓度不应超过1.0%，回风巷Ⅰ与回风巷Ⅱ及掘进工作面的瓦斯浓度都不应超过1.0%。
因为该矿井的爆炸可能是由瓦斯爆炸和煤尘爆炸两方面引起的，而且瓦斯的浓度又影响煤尘爆炸下限，但是根据提供的数据及附件2的内容可知煤尘爆炸的可能性为0。因此考虑煤矿爆炸可能性只与瓦斯爆炸可能性有关。而引起瓦斯爆炸的条件中引火温度和氧气浓度是客观满足的，于是，只要瓦斯浓度达到爆炸条件将必引起爆炸。所以，我们用瓦斯浓度来刻画爆炸可能性程度。
我们可以根据层次分析法对各个瓦斯浓度阶段进行爆炸可能性评估，即可得下表2。
根据附表2中的工作面Ⅰ、掘进工作面、回风巷Ⅰ、总回风巷中的瓦斯浓度及上表可知工作面Ⅰ、掘进工作面、回风巷Ⅰ、总回风巷他们的不安全程度为0。
所以不安全程度计算公式为：（A*1+B*50%+C*35%+D*10%+F*5%)/N
A为一个月瓦斯浓度大于1.0%的个数，B为一个月瓦斯浓度在0.95%～1.0%的个数，C为一个月瓦斯浓度在0.90%～0.95%的个数，D为一个月瓦斯浓度在0.85%～0.90%的个数为一个月内测量瓦斯浓度总次数，F为一个月瓦斯浓度在0.80%～0.85%的个数，N为一个月内测量瓦斯浓度总次数；
所以，工作面Ⅱ的不安全程度为22.94%，回风巷Ⅱ的不安全程度为41.89%，由此看来工作面Ⅱ的不安全程度为22.94%，相对比较安全。而回风巷Ⅱ的不安全程度为41.89%，不安全系数较大，要加强防治。
问题(3)：通过分析所给信息，我们可以看出当瓦斯浓度升高到最大值1.0%时，煤尘爆炸下限浓度为（15g/m3～25g/m3），但是在一个月内，煤尘的最大浓度不超过10g/m3，所以在建立模型时将不再考虑风速和煤尘的关系。我们分析了数表（2）风速和瓦斯之间的关系，通过MATLAB拟合出了风速和瓦斯浓度之间的指数关系式为C=0.6032+467.3996*e-3.5877v，从关系表达式可知，当瓦斯浓度达到0.6032%时，再提高风速，将对瓦斯的浓度没有明显的影响。因而可将0.6032%定为瓦斯的最安全浓度，在此条件下计算出的总通风量为最安全和最佳总通风量。因而可建立模型：
瓦斯流入量=瓦斯流出量
即掘进工作面的平均瓦斯流出量+回风巷Ⅰ的平均瓦斯流入量+回风巷Ⅱ的平均瓦斯流入量
=总回风巷瓦斯的平均流出量
掘进工作面瓦斯浓度的均值*速度(v)*横截面积(s)*时间(t)+回风巷Ⅰ瓦斯浓度的均值*速度(v)*横截面积(s)*时间(t)+回风巷Ⅱ*速度(v)*横截面积(s)*时间(t)=总回风巷的速度(v)*0.6032*横截面积*时间(t)
得出V=5.63m/s;
即而得出最优通风量=5.63*24*3600*5=2432160m3/每天。
对于各个工作面与各个回风巷的最佳风速可建立模型为：
瓦斯均值*速度均值=V*0.6032
利用模型可计算出采煤工作I的最佳风速为V=2.623854采煤工作面II的最佳风速V=3.041033;
回风巷II的最佳风速V=3.243474；掘进工作面的最佳风速V=0.85317。
平均风速与最优风速如下表3。
因此可得到增加值与额定风量的关系：
回风巷I风量的增加值+回风巷II风量的增加值+局部通风机额定风量=总回风巷风量的增加值
(2.527806-2.107333)*4+(3.243474-2.120444)*4+局部通风机额定风量=(5.63-5.196444)*5
局部通风机额定风量为：4.0062m3/s=240.3720m3/min
局部通风机额定风量在150m3/min～400m3/min内符合安装局部通风机的要求。各个工作面和回风巷的风速也符合附件中一百零一条对风速的要求。因此，由此得到的通风量为最佳通风量。
4 模型评价
该论文所建立的模型比较简单，利用的软件是常用的办公软件，特别是层次分析法给出的标准化更容易理解。文章通过分析数据之间的关系，找到了风速与瓦斯浓度之间存在着指数关系。由于只考虑了浓度的最优，因而有可能浪费一部分不必要的通风量，使所得的通风量可能会偏大，但考虑在实际中存在间隙，误差也会有在一定程度上减小。风速越大，煤尘浓度越大，瓦斯浓度越小，并且煤尘和瓦斯浓度之间存在着一定的关系，然而，我们在建立模型时把它忽略了。而实际中它们是不能忽略的。
参考文献
[1]钟诚等.全国煤炭安全技术培训通用教材[M].北京:煤炭工业出版社,1996.10.
[2]安维默.用Excel管理和分析数据[M].北京:人民邮电出版社,2004.6.
[3]张志涌.精通MATLAB6.5[M].北京:航空航天大学出版社,2003.8.
监测模型 篇7
1 系统模型简介
火力发电机组能耗实时监测模型最关键的计算指标为供电煤耗率, 它是反映机组经济性水平的最直接技术指标。根据热力学原理, 供电煤耗率的计算公式为
式中:qr为汽轮机热耗率;ηg l为锅炉热效率;ηp为系统管道效率;e为单台机组的厂用电率。
1.1 锅炉效率计算方法
本计算模型锅炉效率采用反平衡方法, 其计算公式为
式中:化学未燃烧热损失q3、散热损失q5及其他热损失q6均可取定值或根据相关参数计算出来。
排烟热损失q2的计算方法:通过测量排烟中各烟气组分体积份额, 可以计算出单位体积烟气排烟焓。同时, 根据排烟中各烟气组分体积份额, 可计算出入炉燃料中各元素对应摩尔数及生成单位体积烟气所需放出的热量, 从而计算出排烟热损失q2。
机械未完全燃烧热损失q4的计算方法:在多次性能试验基础上, 拟合出q4随燃料特性系数β及煤种变化的曲线, 根据排烟中CO2和O2体积份额计算出β, 根据单位负荷下燃料消耗量判断煤种变化状况, 从而近似计算出q4。
q2和q4的计算避免了煤质分析过程, q2的计算从对排烟组份分析的角度, 避免了煤质测量计算煤的低位发热量。q4通过经验公式修正的方法来计算得到, 以单位负荷给煤量来反映入炉煤低位发热量的变化, 进而反映煤质分析中C元素含量的变化;以按实际烧掉碳含量计算的燃料特性系数的变化, 反映灰渣中未燃尽碳的变化, 从而对基准的q4加以修正, 虽然会产生一定的误差, 但由于目前300 MW以上火力发电机组相对来说煤质较为平稳, 煤质分析中的C/H比、C/Q比波动很小, 因而此模型在锅炉效率计算上的误差尚属可接受范围之内。例如2008年江苏省内各大火力发电机组煤质分析数据, 统计分析得到其C/H比、C/Q比波动就很小, 如图1所示。
从统计数据可以看出, 江苏省内300 MW以上机组所使用的煤种其C/H比平均值为16.688 8, 均方差为0.701 2;C/Q比平均值为0.002 651, 均方差为4.79×10-5;以燃煤低位发热量来反映燃煤中C元素含量可能产生的误差仅为1.8%, 造成机械未完全燃烧热损失与实际值的偏差率约为0.27%, 由此引起供电煤耗的偏差率约为0.256%。
1.2 汽轮机热耗率计算方法
汽轮机热耗率的计算公式为
式中:D0为主蒸汽流量;H0为主蒸汽焓值;DRH为再热蒸汽流量;HRH为再热蒸汽焓值;Dfw为主给水流量;Hfw为主给水焓值;DCR为冷再蒸汽流量;HCR为冷再蒸汽焓值;DSHS为过热减温水流量;HSHS为过热减温水焓值;DRHS为再热减温水流量;HRHS为再热减温水焓值;Pe l为发电机功率。在汽轮机计算模型中, 将进入汽轮机的总热量主要分为主蒸汽携带的和再热蒸汽携带的2部分, 各焓值通过温度、压力求取, 流量用能量平衡的方法获取。
1.3 厂用电率和管道效率的计算方法
通常, 系统的管道效率变化不大, 在此取定值作常数处理。火力发电机组的厂用电率采用机组的上网功率、发电机功率进行计算。
2 能耗实时计算模型应用前提———数据处理技术[2]
热工过程是一个大滞后、大惯性的过程, 同一时标采集过来的一批实时运行数据并不代表彼此就能匹配起来, 只有在工况稳定的情况下, 各数据才能真正反映机组的实际运行情况, 此时计算出来的能耗才是比较准确的。因此, 上述火力发电机组能耗实时计算模型成功应用的关键就是必须是在工况稳定的情况下计算, 才能得出正确的结果。如果工况不稳定, 各参数的不匹配程度很大, 极有可能导致计算结果错误。下面将从数据调和技术、规则性判断2方面介绍此计算模型必须的数据处理技术。
2.1 数据调和技术[3]
数据调和技术, 即为在满足质量、能量平衡的基础上, 对计算模型的测量输入进行相应的调整, 以使得调和后的计算结果和测量数据最大程度地匹配。比如, 在本计算模型中, 影响计算结果最大的是给水流量, 因为流量测量不准一直是热工测量的难题。为了尽量减小它对计算结果的影响, 可在大量历史数据的基础上, 先拟合功率与给水流量之间的关系, 再判断测量的给水流量和拟合出来的给水流量之间的误差, 进而决定是否用其他流量进行反算给水流量, 替代直接测量的给水流量。
数据调和技术的应用对流量问题的解决具有很大作用, 为计算结果的准确性奠定了基础。
2.2 数据规则性判断技术
数据规则性判断主要包括以下几个方面:
(1) 数据的光滑与滤波, 去除高频噪声。系统的预处理模型相当于一个低通滤波器, 将测量数据中的噪声去除, 以获取稳定工况。
(2) 数据的有效性判断。对测量的数据进行上下限、斜率等判断, 以保证计算数据的合理性、稳定性。
(3) 交叉判断技术。热工模型, 各参数之间必然存在很多联系, 可以通过彼此之间的纽带桥梁判断数据的质量。
3 能耗实时计算模型的应用
应用上面介绍的实时火力发电机组能耗实时计算模型, 采用数据调和、数据规则性判断技术, 可开发出较为准确的在线能耗实时监测系统。采集某630 MW机组运行数据, 再开启实时计算模块, 根据一段时间计算结果拟合出来的功率—能耗曲线[4], 如图2所示。
4 能耗实时计算模型的延伸———智能诊断分析功能[5]
根据此能耗实时计算模型, 可以开发出能耗实时监测系统, 在此系统搭建的基础平台上, 可以开发远程智能诊断、专家分析系统。实时计算模型最关键计算指标为供电煤耗率, 它主要包含以下几个部分:锅炉效率、汽轮机热耗率、厂用电率。3个分计算指标又由其他各计算子指标计算得到, 因此可以“树”型结构表达这种关系, 如图3所示。
系统计算通道为“自下而上”数据流结构, 通过采集数据逐层计算相关指标最终得到机组的供电煤耗率。系统分析通道为“自下而上”+“自上而下”数据流结构, 一方面通过与标准源进行比较, 逐层向下递推, 分析导致机组能耗变化的主要原因;另一方面通过与标准源进行采集数据层比较, 通过影响因子叠加方法将这种差别折算到对各层计算指标的影响, 并最终反映到对机组供电煤耗率的影响上。对某1 000 MW机组进行逐层分析, 得到的关键影响因子树形结构图, 如图4所示。
图4中, 以900.236 MW工况为基准工况, 将同负荷段的2条计算结果 (负荷分别为900.236 MW, 898.502 MW) 进行了对比剖析, 虽负荷非常接近, 但供电煤耗率却相差达9.35 g/ (k W·h) 。通过对影响供电煤耗率因子分解, 可发现汽机热耗率的差值折算到对供电煤耗率影响最大, 达到8.48 g/ (k W·h) (锅炉效率偏差对供电煤耗率的影响是0.995 g/ (k W·h) , 厂用电率偏差对供电煤耗率的影响是0.147 g/ (k W·h) , 然后再对汽机热耗率进行分解, 可以发现主给水流量的偏差折算到对汽机热耗率的影响最大, 达到了316.92 8 k J/ (k W·h) 。因此, 可以看出, 主给水流量的偏差是导致这2个工况下供电煤耗率偏差如此之大的关键因素。图4中每行最右边的数据, 代表该行因子的变化对其上层因子的影响程度。
5 结束语
通过锅炉效率算法的修改, 避免了煤质分析等滞后环节影响能耗的实时监测。通过数据调和、数据规则性判断技术判断机组运行状态的稳定性, 保证本能耗计算模型的应用环境, 避免计算结果的误差性。最后结合上述能耗实时计算模型, 分析了建立在此基础上的智能诊断分析模型。
摘要：介绍了一种新的锅炉效率计算模型, 并分析了建立在此基础上火力发电机组能耗实时监测模型的研究方法, 最后介绍了能耗在线智能诊断基本思路。
关键词：实时监测,模型,智能诊断
参考文献
[1]周克毅.国外电站性能监测与诊断概况[J].动力工程, 1999, 19 (1) :58-63.
[2]王培红, 李强, 李琳, 等.厂级监控系统中数据校正算法模型的研究[J].东南大学学报 (自然科学版) , 2005, 35 (1) :11-15.
[3]廖志伟, 孙雅明.数据挖掘技术及其在电力系统中的应用[J].电力系统自动化, 2001, 25 (11) :62-66.
[4]毕政益.火电机组运行优化在线管理系统[J].能源研究与信息, 2000, 16 (1) :12-17.
监测模型 篇8
电能质量监测是智能电网建设的一项重要内容, 同时也是组成“友好供电系统”的主要环节。有效利用电能质量监测信息, 对建立电能质量问题的综合评估体系, 合理选择电能质量治理方案, 确保电力系统安全运行和维护用户的合法用电权益都有积极意义。
目前, 国内外都相当重视电能质量监测管理。美国建立了基于Web的I-Grid TM分布式终端对终端 (End-to-End) 的电能质量及可靠性监测与通知系统;土耳其已经建立起全国性的电能质量监测网, 并构建了电能质量领域本体, 试图将电能质量监测信息的高效利用提升到一个新的台阶[1,2]。而在中国, 上海电业局和江苏电力公司等都已经建立了具有上百个监测点的电能质量监测网[3,4]。因此, 随着智能电网的迅猛发展, 电能质量监测点将急剧增加, 目前电能质量监测管理系统采用的基于目录查询方式使用资源少、检索效率低且速度慢等缺点难以满足人们高效获取信息的要求。
与传统检索不同, 智能检索能用集成技术对异构信息源的数据进行自动标引、匹配和整合, 允许用户对不同资源进行统一查询, 用统一方式使用来自不同数据源的数据。本文提出了基于本体的电能质量监测信息智能检索模型 (Intelligent Retrieval Model for Power Quality Monitoring Information, IRMPQ-MI) ;在电能质量领域本体的指导下, 详细阐述了IRMPQMI的本体关系模型及构建方法、体系结构和检索流程与关键步骤。算例分析表明所提出的IRMPQMI设计思路对实际电能质量监测信息智能检索系统的实现具有一定的指导意义和工程实用价值。
1 本体在电能质量智能检索中应用
1.1 本体的概念
本体概念源于哲学, 它是指客观存在的一个系统的解释或说明, 关心的是客观现实的抽象本质[5]。在20世纪60年代, 本体开始受到人工智能界的关注, Studer等人[6]在1998年提出的定义最具有代表性, 即“本体是共享概念模型的明确的形式化规范说明。”它包括概念模型、明确、形式化和共享四个层次。本体的目标[7]是捕获相关领域的共有知识, 提供对该领域知识的共同理解, 确定该领域内共同认可的术语, 并从不同层次的形式化模型上给出这些术语和术语间相互关系的明确定义, 实现对领域知识的推理。简单的说, 本体就是一种具有层次结构和语义关联的知识模型。
1.2 电能质量监测信息智能分析现状
基于本体的智能检索研究仍处于发展前期, 还有很多研究难题, 但已经引起了包括图书情报界在内的相关专家学者们的广泛关注[8,9]。虽然在电能质量信息智能分析上已有一些研究成果, 如基于短板效应的电能质量综合评估[10], 短时扰动分类[11], 谐波发射水平评估[12], 这些成果在某些方面具备电能质量信息智能诊断特征, 但在组成电能质量信息知识模型从而实现电能质量监测信息智能检索时还有很多工作要做。例如, 不同的电能质量指标有不同的量纲, 如何综合评价其相互影响程度?
2 基于本体的IRMPQMI模型
2.1 IRMPQMI本体类及关系模型
如图1所示, IRMPQMI本体包括四个类, 分别为:电能质量指标类, 评估等级类, 统计特征量类, 检索限制条件类。
2.2 基于本体的IRMPQMI系统框架
如图2所示, 基于本体的IRMPQMI系统框架包括:本体管理、IRMPQMI数据准备与预处理、IRM-PQMI检索预处理、IRMPQMI特征表的建立等四个最主要的模块。
2.2.1 IRMPQMI数据准备与预处理
如图3所示, 电能质量监测原始数据存入历史数据库中, 但不能直接对这些数据进行查询和检索, 需要经过一系列的数据准备与预处理之后, 每一个监测数据将可以用一个特征向量表示, 每一个特征向量里面包含一组特征属性:
A= (监测点编号, 监测时间段, 监测指标, 监测指标统计特征值, 超标, 不超标) 。
2.2.2 IRMPQMI检索预处理
图4说明了用户输入的检索条件一般是某一个问题或短语关键词, 这需要通过查询检索系统内部已经建立的特征表, 对用户的检索式进行分词, 特征量抽取, 语义推理和查询扩展, 最后就形成了计算机能够读懂的反映用户检索要求的特征向量, 再通过一定的算法与从检索数据库中抽取的数据进行匹配, 输出满足用户检索要求的结果, 如按相似度高低排序。
当本体建立好之后, 将用本体生成IRMPQMI的特征表在检索预处理和数据预处理之间建立检索特征向量和数据源特征向量的语义映射关系。如表1所示, 本文建立了五种类型的特征表, 下面以谐波为例说明检索预处理和原始数据预处理的具体过程。
2.2.3 IRMPQMI特征表的建立及作用
当用户在检索窗口中输入“请问2010年10月10日监测点L1_1、L1_2、L1_3的谐波污染哪个更严重一些?”或者关键词“谐波”、“严重”时, 在选择限制条件“以95%概率值作为指标”, 计算机就会自动通过图5所示的流程对谐波检索条件进行预处理, 从而计算机就明白用户的意思是“检索2010年10月10日监测地点L1_1、L1_2、L1_3的谐波水平而且是以95%概率值这一统计特征量对其严重程度排序”。那么, 计算机就可以自动以一个特征向量来对这一检索请求形式化表示, 并将其实例化。
检索请求形式化表示:Q= (电能质量监测内容, 不超标, 超标, 统计特征量, 检索限制条件)
实例化后:Q= (谐波, 严重, 95%概率值, 2010年10月10日, L1_1、L1_2、L1_3)
如图6所示, 通过查询特征表, 计算机可以将用户的检索特征向量A与数据源特征向量Q之间建立一种简单的映射关系, 使两者具有一定的关联性, 此映射的目的在于从历史数据库中提取数据进入检索数据库时, 只需要提取所关心的那很少部分数据来计算, 对电能质量进行评估, 而不需要去查询所有的历史数据库来寻找所需要的数据, 这大大地节约了检索的时间和效率。
2.2.4 提炼IRMPQMI电能质量分级评估原始数据
通过前面形成的两个特征向量建立映射关系之后, 这些词汇与我们对数据的预处理后的词汇是一致的, 也就是说, 每一个数据源特征向量Q通过这种映射的建立之后就已经被实例化了, 计算机已经自动选择了Q中的每一个所必须的元素变量, 由于在数据的预处理过程中, 计算机已经将每一个元素变量与检索数据库中的数据关联起来了。
数据源特征向量Q与检索数据库中数据关联示意图如图7所示。在图中, 数据源特征向量Q中的每一个数据元素与经过数据预处理后的数据块可以建立一一对应关系, 这就实现了对电能质量分级评估数据源的提炼过程。
3 实例分析
假设某一个地区电网中的110k V变电站有三个电能质量监测点L1_1, L1_2, L1_3, 在某一个时间段内, 对三个监测点谐波水平进行排序。用Ui (i=1, 2, 3, 4) 来表示上述四个指标:95%概率值、3 s均方根、10min均方根和2h均方根。根据国标GB/T 14549-1993《公用电网谐波》中的规定, 110 k V电压等级下的THDu限值为2.0%。
(1) 将把数据源特征向量Q (谐波, 严重, 95%概率值, 2010年10月10日, L1_1、L1_2、L1_3) 在特征表的指导下从检索数据库中提炼的110k V监测数据如式 (1) 所示, 用百分比表示。
其中, xli表示第l个监测点的第i个指标值。
(2) 以L1_1监测点为例, 确定指标集中每个指标对评估结果集的隶属度。
将指标等级进行量化, 即定义隶属度如下:
其中, Vj表示评估结果集中第j个元素量化值 (隶属度标准值) ;C-j为量化值的左侧模糊度;C+j为量化值的右侧模糊度。具体定义如下:
V (不严重) = (2.0, 0, 0.3) ;V (轻微严重) = (2.5, 0.3, 0.3) ;V (一般严重) = (3.0, 0.3, 0.3) ;V (较严重) = (3.5, 0.3, 0.3) ;V (严重) = (4.0, 0.3, 0.3) 。
可通过式 (3) 确定每个监测点对应的每个指标实际监测值对评估结果集中每个元素的隶属度为:
其中, xli为第l个监测点的第i个指标值;xlij为xli对第j等级的隶属度;Vk为每一个等级的标准隶属度。
(3) 模糊综合评估结果及检索结果
假设各指标权重为:A= (0.3, 0.3, 0.2, 0.2) 。
因此, 每个监测点通过模糊综合评估后的检索结果如表2所示。
4 结论
本文在分析了目前国内外电能质量监测管理系统普遍采用基于目录查询的方式进行数据检索, 不能满足用户从海量的电能质量监测数据中快速、高效、个性化的检索出所需要的数据进行电能质量水平的综合评估问题, 提出了基于本体的IRMPQMI的体系结构和检索流程, 并阐述了电能质量本体构建的思路, 以谐波为例, 详细说明了基于本体的IRM-PQMI的工作原理及其与传统检索方式相比的优越性。这对实际的电能质量监测信息智能检索系统的开发具有一定的指导意义和工程实用价值。
参考文献 (References) :
参考文献
[1]Dilek Küük, Tolga.Inan, zgül Salor, et al.An exten-sible database architecture for nationwide power qualitymonitoring[J].Electrical Power and Energy Systems, 2010, 32 (6) :559-570.
[2]Dilek Küük, zgül Salor, Tolga.Inan, et al.PQONT:A domain ontology for electrical power quality[J].Ad-vanced Engineering Informatics, 2010, 24 (1) :84-95.
[3]何维国, 谢伟, 张健 (He Weiguo, Xie Wei, ZhangJian) .上海电网电能质量监测系统 (Power quality mo-nitoring system of Shanghai grid) [J].华东电力 (EastChina Electric Power) , 2010, 38 (4) :497-499.
[4]王玲, 康健, 邹宏亮, 等 (Wang Ling, Kang Jian, ZouHongliang, et al.) .实时电能质量监测系统的构建及应用 (Construction and application of real-time powerquality monitoring system) [J].电力系统保护与控制 (Power System Protection and Control) , 2011, 39 (2) :108-111.
[5]邓志鸿, 唐世渭, 张铭, 等 (Deng Zhihong, Tang Shi-wei, Zhang Ming, et al.) .Ontology研究综述 (Over-view of ontology) [J].北京大学学报 (自然科学版) (Acta Scientiarum Naturalium Universitatis Pekinensis) , 2002, 38 (5) :730-738.
[6]Studer R, Benjamins V R, Fensel D.Knowledge engi-neering:principles and methods[J].Data and Knowl-edge Engineering, 1998, 25 (1-2) :161-197.
[7]陆建江, 张亚非, 徐伟光, 等 (Lu Jianjiang, ZhangYafei, Xu Weiguang, et al.) .智能检索技术 (Intelli-gent retrieval technology) [M].北京:科学出版社 (Beijing:Science Press) , 2009.
[8]尹焕亮, 孙四明, 张峰 (Yin Huanliang, Sun Siming, Zhang Feng) .基于本体的Web智能检索研究 (Re-search of web intelligent retrieval based on ontology) [J].计算机工程 (Computer Engineering) , 2009, 35 (23) :44-49.
[9]Harith Alani, Sanghee Kim, David E Millard, et al.Au-tomatic ontology-based knowledge extraction from webdocuments[J].IEEE Intelligent Systems, 2003, 18 (1) :14-21.
[10]陶顺, 肖湘宁 (Tao Shun, Xiao Xiangning) .基于短板效应的电能质量综合等级评价 (Synthetic grading eval-uation of power quality based on incentive mechanism) [J].电工电能新技术 (Advanced Technology of Electri-cal Engineering and Energy) , 2008, 27 (2) :16-20.
[11]刘鑫, 杨洪耕, 赵俊 (Liu Xin, Yang Honggeng, ZhaoJun) .基于S变换模时频矩阵局部相似度的短时电能质量扰动分类 (Classification for short duration powerquality disturbance based on S-transform with moduletime-frequency matrixes partial similarity) [J].电力系统自动化 (Automation of Electric Power Systems) , 2009, 33 (8) :62-67.
【监测模型】推荐阅读：
状态监测信息模型07-18
状态监测(在线监测)08-29
生物监测与环境监测10-30
3工区施工监测监测点保护管理办法07-11
播种监测07-14
感染监测07-15
监测手段07-17
雨量监测07-18
肺/监测07-18
施工监测07-19