供热系统传感器数据过失误差侦破方法研究

2018-12-18李思璐柳耀文于景萍傅强刘海波周志刚薛普宁刘京

综合智慧能源 2018年11期

李思璐，柳耀文，于景萍，傅强，刘海波，周志刚，薛普宁，刘京

(1.中冶华天工程技术有限公司，南京 210019；2.华电能源热网检测和技术服务中心，哈尔滨 150090；3. 黑龙江省建工集团有限责任公司，哈尔滨 150046；4.哈尔滨工业大学 a.建筑学院；b.寒地城乡人居环境科学与技术工业和信息化部重点实验室，哈尔滨 150090)

0 引言

随着我国科技的进步，城市集中供热系统自动化程度不断提高，现已逐步迈入信息化时代，使得集中供热系统的运行及操作人员对其的控制愈发依靠供热系统的数据。近年来，我国新建的供热系统大多配置了现代化的仪表、控制装置，对于现有的供热系统，部分也进行了信息化改造，加装了传感器装置，可实现数据的远程监控。在供热系统中，通过压力、温度、流量检测仪表上传的数据，可实时监测供热系统的运行状况，但传感器上传的数据存在以下几个问题。

(1)数据格式不同。数据采集过程中，采用大量不同类型的数据采集设备，由于数据采集设备的规格、接口不同，通信速率甚至数据格式都不相同。

(2)受环境因素影响。在数据传输过程中会受周围电场、磁场的影响，各采集装置将测量数据传输到管理平台时会出现误差。

(3)仪表带病工作。由于供热管理部门的仪表维护技术力量有限，使仪表带病工作。

以上这些问题都会使上传数据出现误差，导致测量数据可信度降低，因此，为了提高集中供热系统上传数据的准确性，研究误差数据的识别方法对提高供热系统的安全性与稳定性有重要的意义[1]。

1 应用小波滤波方法侦破过失误差

小波滤波是一项可以将信号中特定波段频率滤除的技术，测试的含有噪声的信号模型为

zi=xi+wi(i=0,1,…,N-1) ，

(1)

式中：zi为测量信号；xi为原始信号；wi为过程噪声；N为测量信号长度。

现将供热系统中传感器上传的数据视为含噪的测量信号，采用基于小波分析的去噪方法从被污染的测量信号z中恢复出原始信号x，将恢复的原始信号与实际测量数据进行比较，得到实际测量数据中的异常值。

应用小波滤波侦破过失误差的流程如图1所示，具体步骤如下。

图1 小波滤波侦破过失误差流程

第1步：读取数据。若信号是连续的，z=f(t)(t为时间)，那么必须以能够捕获原信号必要细节的速率取样，若信号已离散化，则该步骤可以省略。

第2步：分解。应用分解算法对测量信号分解，得到测量信号的第1层分解系数，包括近似系数(低频系数，又叫尺度系数)和小波系数(高频系数，又叫细节系数)。对近似系数进一步分解可得到下一层近似系数和小波系数。重复使用分解公式直至达到一个合适的分解层。该步骤的输出是各层的小波系数和最后一层的近似系数，该系数集就是下一步要处理的对象。本文在对数据进行小波分解时，分解层数为4。

第3步：处理。对上一步得到的小波系数采用Donoho提出的小波阈值滤波方法进行处理，使测量信号去噪，重构后得到校正值。

第4步：误差计算。将上一步对信号重构后得到的校正值与测量数据作差，计算误差δ及误差的标准差σ。

第5步：侦破过失误差。将所有的误差δ与2σ比较，若误差δ>2σ，则该测量时间点的误差为过失误差，否则为随机误差。

2 应用中值滤波方法侦破过失误差

中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术。这种滤波器的优点是运算简单且速度较快，具有良好的边缘保持性和抑制脉冲噪声的能力。

中值滤波基本原理是把数字序列中任一点的值用该点邻域内各点值的中值来代替[2]，设一数字序列X，n个数按照值的大小排列，所求中值y的表达式如下

y= Med{x1，x2，…，xn}=

(2)

应用中值滤波侦破过失误差的流程如图2所示，主要为以下4个步骤。

图2 中值滤波侦破过失误差流程

第1步：读取数据。读取供热系统中需要进行过失误差侦破的实际测量数据。

第2步：中值滤波。将数据通过中值滤波器，得到滤波后的输出值。

第3步：计算测量误差及测量误差的标准差σ。测量误差为中值滤波后的输出值y与原始测量数据x之差的绝对值。

第4步：过失误差侦破。若|y-x|>2σ，则该时间点的测量数据含有过失误差，否则，该时间点的数据为正常数据。

需要说明的是，在智能仪表内使用的中值滤波技术和对智能仪表上传的测量数据所使用的中值滤波技术虽然原理相同，但是所滤除掉的噪声并不相同。由于智能仪表采集数据时速度特别快，基本是ms级的，所采集到的数据会受到非常大的电磁干扰，因此，在智能仪表内必须对采集到的数据进行滤波处理，但这种滤波只是滤掉了一些电磁干扰。而在使用中值滤波方法处理智能仪表上传的测量数据信号时，滤除的主要是测量数据信号中的脉冲信号，这个脉冲信号是由多方面原因所导致的，不单单是电路中的电磁干扰。

3 应用误差反向传播(BP)神经网络方法在线诊断

20世纪80年代中期，Rumelhart，McClelland等提出了著名的BP算法，解决了多层神经网络的学习问题。BP神经网络是迄今为止最成熟、应用最广泛的一种神经网络模型，它只依赖于历史数据即可进行快速简单的系统识别，从而突破了对约束条件的假设，并且对测量数据中随机误差的分布没有特殊的要求。

BP神经网络一般由输入层、隐含层和输出层组成，其核心是采用一边向后传递误差，一边修正误差的方法来不断调节网络参数(权值和阈值)，以实现或逼近所希望的输入、输出映射关系。对于供热系统中传感器上传的测试数据，应用BP神经网络侦破过失误差时的流程如图3所示，具体包括7个步骤。

第1步：输入数据。输入构造BP神经网络所需要的输入、输出，即换热站的历史测量数据。

第2步：数据初始化。为了加快网络的学习效率，需要对原始数据的输入、输出样本进行规范化处理。

第3步：设权值和阈值。

第4步：输入样本，计算误差。将换热站内待训练的测量数据输入，利用所构建好的BP神经网络，得到所期望的输出值，与实际的测量数据比较，计算误差。

图3 BP神经网络侦破过失误差流程

第5步：误差反向传播。将计算得到的误差与设定的误差容限进行比较，当样本误差小于误差容限时，则继续进行第6步；否则，回到第3步，根据误差调整权值。

第6步：测试。利用训练得到的BP神经网络，得到测试数据所对应的输出值。

第7步：过失误差侦破。将测试数据的输出值与实际上传的数据比较，得到测量误差及测量误差的标准差σ，若测量误差>2σ，则判断该处实际上传的数据为异常值；反之，若测量误差≤2σ，则判断该处为正常的数据。

4 3种过失误差侦破方法的对比

将这3种方法应用于实际的供热系统中，比较这3种方法对上传数据中过失误差的侦破结果，从中选出一种更适合的方法。实际的供热系统选取长春东岭区域供热系统，该供热系统总的供热面积约为290万m2，下属71个换热站和9个自管站，其中换热站内装有可远传数据的压力、温度及流量仪表，可上传数据到热力公司，而自管站不由热力公司管理，因此没有压力、温度及流量数据上传。长春东岭区域供热系统的一级网循环流量在整个采暖季基本保持不变，二级网采用循环泵启停的方式来控制供热量。

选取长春东岭区域供热系统中金水站换热站2014年9月18日至2015年4月30日上传的一级网流量数据，取该时间段内变化比较稳定的535个数据作为一级网流量数据的正常数据，接着在这些正常数据中随机添加50个异常值。正常的一级网流量数据如图4所示，添加异常值后的一级网流量数据如图5所示，添加异常值的数据序号如下：4，21，29，54，60，65，69，79，103，113，131，132，134，136，138，154，156，178，181，186，190，202，257，262，276，279，296，308，310，314，315，324，325，341，366，382，395，418，419，422，434，450，462，466，486，498，503，506，518，519。

图4 正常的一级网流量数据

图5 添加异常值后的一级网流量数据

现应用小波滤波、中值滤波及BP神经网络3种方法分别侦破这组含过失误差的一级网流量数据，得到测量数据与预测数据的对比情况和过失误差的侦破结果，如图6～图8所示。

图6 小波滤波过失误差侦破结果

图8 BP神经网络过失误差侦破结果

在表示过失误差侦破结果的图中，所有数据一共有2个值：0和1，其中值为0表示该时间点对应的测量数据为正常数据，而值为1表示该时间点对应的测量数据为含过失误差的异常数据。

现有2个指标评估3种方法的侦破结果，分别是过失误差侦破率和精度，表达式为

(3)

(4)

小波滤波、中值滤波、BP神经网络3种方法的过失误差侦破率和精度见表1。

表1 小波滤波、中值滤波、BP神经网络的过失误差侦破结果

由表1可见，过失误差侦破率最大的是中值滤波方法，最小的是BP神经网络方法。对含有相同数量过失误差的测量数据而言，过失误差侦破率越大，说明应用该方法可检测出越多的异常值，过失误差侦破的效果越好。精度最大的是中值滤波方法，最小的是小波滤波方法。对比小波滤波、中值滤波和BP神经网络3种方法，中值滤波方法的过失误差侦破率和精度在3种方法中均是最大值，说明中值滤波方法对一级网流量数据的过失误差侦破效果最好，侦破出的过失误差多且准，故选用中值滤波方法作为供热系统一级网流量数据过失误差侦破的方法。