APP下载

基于逐步回归分析的高压缸工况条件参数选取

2013-11-25刘乐

湖南电力 2013年2期
关键词:因变量特征参数回归方程

刘乐

(湖南大唐先一科技有限公司,湖南 长沙410007)

SPSS 软件是世界上最早的统计分析软件,其全称为“统计产品与服务解决方案”。该软件以图形菜单驱动界面,具有非常强大的数据分析功能以及简便易学的操作方式。SPSS 软件已广泛应用于医药卫生、经济、文化科学、工业技术等行业,并已在各个领域中发挥了巨大作用〔1〕。

火电厂设备(系统)的自动寻优功能是SIS 系统的高级模块之一,是在机组稳定工作的前提下,实时记录反应设备性能的参数,并将该参数与历史同工况条件下对应的最优参数值进行比较,记录该工况下的最优值,同时,可利用DCS 实现闭环控制,自动将各运行可调参数调节至最优状况。

1 问题描述

在火电厂中,反映各设备性能的特征参数可根据理论分析与实际经验得出,而对于工况条件参数而言,则存在参数众多,且参数间耦合性较大的问题。与此同时,在工况条件参数的选取上,如果选取参数过多、各参数阀值设定过小,则可能会造成同工况数据量过小,达不到统计分析的数据要求;如果选取参数过少,各参数阀值设定过大,则工况分类精度达不到要求,无法得出具有指导意义的分工况参数自动寻优方案〔2〕。

除此之外,影响特征参数的工况条件参数的单位不同,不能仅从数值的大小来判断该参数对特征参数的影响程度,必须先将该参数进行无量纲化,才能根据数值的大小判断对特征参数的影响程度。

鉴于此,获取各工况参数之间的耦合特性以及对设备特征参数的无量纲影响程度是至关重要的。

2 逐步回归分析

逐步回归分析主要适用于自变量较多,各自变量对因变量的影响程度未知,且各自变量之间可能不完全相互独立的情况下。利用逐步回归分析,可有效减少自变量个数,得到用于表征无量纲化的各自变量对因变量的影响程度的偏回归系数及符合精度要求的回归方程〔3〕。

逐步回归分析方法的基本思想是在偏回归平方和经检验是显著的前提下,顺次引入自变量xi,同时每引入一个新自变量后,对已选入的变量逐个进行显著性检验,剔除不显著变量,直至得到所有自变量均显著的最优变量子集及回归方程〔4〕。在逐步回归分析中,回归平方和越大,剩余的平方和越小,剩余均方也随之较小,预测值Y 的误差也愈小,模拟效果愈好。

据此采用SPSS 软件自带的逐步回归分析模型来解决高压缸模块的工况条件参数选取问题。

3 结果分析

以高压缸为例,选取高压缸内效率作为反映高压缸经济性能的特征参数。反映机组工况的参数主要有负荷、凝汽器压力、循环水温等。以湖南某电厂经机组稳定判别的1 个月数据为基础数据,设高压缸内效率为因变量y,负荷、凝汽器压力、循环水温为自变量x1,x2,x3;利用SPSS 软件对其进行逐步回归分析,选择F 检验,进入、移除值分别设为0.05,0.10,结果见表1—3 所示。

表1 模型汇总

从表1 可知,仅将x1引入回归方程时(模型1),R=0.884,R2=0.781,拟合程度很好;而当将x1,x2或将x1,x2,x3都进入回归方程时(模型2 和模型3),R =0.887,R2=0.786,较模型1均有微小幅度提高。而随着自变量个数的增多,数据量越大,处理速度将成倍减慢,且容易造成某些不显著的自变量影响总回归方程的效果。

表2 方差表

从表2 可知,随着自变量引入回归方程的个数增多,其回归误差与残差误差的比例由3.56 提高至3.67,但F 检验总和则从167 802 降低至57 700。这说明,仅引入x1到回归方程的回归结果最为可信。

从表3 中标准偏回归系数一列可知,将自变量x1,x2,x3均引入到回归方程中,这3 个自变量对y 的影响程度依次为:x1,x2,x3,且x3对y 的影响是负方向(即在其他条件相同的情况下,循环水温越高,高压缸内效率越低),这与电厂运行实际情况是相符合的。同时,对比各参数可知,x1对y 的影响程度是x2对y 的影响程度的11 倍,是x3对y 的影响程度的55 倍。而当仅将x1引入回归方程时,因变量y 随自变量x1变化而变化,且y 的88.4% 变化均来自于x1的变化。据此,最终确定影响高压缸的工况条件参数为x1(负荷)。

表3 偏回归系数表

4 总结

根据逐步回归分析结果可知,将负荷作为高压缸的唯一工况条件参数时,负荷对其特征参数高压缸内效率的影响程度可高达到88.4%,且经F 检验、方差检验均有效,拟合度等符合统计要求。与之类似,对于火电厂其他设备(系统)而言,亦可用该方法寻找该设备(系统)的工况条件参数。

利用SPSS 软件的逐步回归分析方法可有效解决火电厂分工况自动寻优中工况条件参数选取的问题。也正是基于文章所述方法,自主研发的SIS3.5自动寻优高级模块已在湖南某电厂进入了实施阶段,将可有效提高该电厂的运行管理水平,为电厂节煤降耗提供较大的帮助。

〔1〕陆志波,汪毅,王娟. SPSS +10.0 在实验数据分析中的应用〔J〕. 环境技术,2003,21 (3):37-41.

〔2〕张景华. BP 神经网络在中储式制粉系统磨煤机自动寻优中应用〔J〕. 中国化工装备,2005 (Z1):180-182.

〔3〕顾伟欣,周红. 基于逐步回归分析的孔隙度预测方法〔J〕. 石油地质与工程,2008,22 (1):37-39.

〔4〕王桂智,唐德善. 基于SPSS 模型的黑河正义峡断面径流量变化分析〔J〕. 水电能源科学,2011,29 (9):24-27.

猜你喜欢

因变量特征参数回归方程
调整有限因变量混合模型在药物经济学健康效用量表映射中的运用
故障诊断中信号特征参数择取方法
基于特征参数化的木工CAD/CAM系统
采用直线回归方程预测桑瘿蚊防治适期
线性回归方程的求解与应用
线性回归方程要点导学
走进回归分析,让回归方程不再是你高考的绊脚石
适应性回归分析(Ⅳ)
——与非适应性回归分析的比较
基于PSO-VMD的齿轮特征参数提取方法研究
偏最小二乘回归方法