基于支持向量回归的不良数据检测研究.pdfVIP

中国电机工程学会第十届青年学术会议 ·吉林 基于支持向量回归的不良数据检测 王雷 张瑞青 盛伟 吴兴伟 肖增弘 （沈阳工程学院 动力工程系 辽宁 沈阳 110136） 摘要：针对电站实时数据中普遍存在不良数据的情况，提出一种基于支持向量回归的不良数据检测方法。该方法利用支 持向量回归估计模型不倾向于消除个别大的回归误差，而是从整体上考虑回归曲线的平滑程度的特点，通过比较回归估计值 与实测值之间的残差来识别测量数据中的不良数据。以某300MW机组的主蒸汽流量为具体对象，给出了该方法的算例和检测 结果，计算结果表明该方法能有效地实现不良数据的定位与分离，为提高电站性能计算的精确性奠定基础。 关键词：热能动力工程；不良数据；实时数据；支持向量回归 0 引言 目前，电站的运行性能计算和优化依赖于大量现场参数的测量值，一些分析优化算法都是以所需的参 数能被准确测量为前提的。但是由于各种原因，运行过程中不可避免的会出现测量参数失效，而运行过程 中只要有一个参数失效就可能使各种数学模型中的某些运算无法进行，使得各种运行优化性能计算系统的 现场应用受到限制，从而影响对设备的运行状态的监测，进而影响操作指导、经济性分析的准确度，严重 的甚至关系到安全性问题。研究表明，关键参数的测量数据即使发生 1%的漂移也可能造成非常显著的热耗 计算值的变化[1]，而往往这样的偏差是很难被直观地检测出来的，这就是测量过程中所谓的不良数据现象。 由于参数的随机性很强，不良数据很难避免，因此优化性能计算系统必须具有数据检测能力，即能对实时 测量参数进行有效的检测，从而达到剔除不良数据的目的。 不良数据检测方法已经有很多种，如基于机理模型的预测方法[2]，统计学方法[3-5]、基于距离的检测方 法[6]、神经网络方法[7-9] 以及最近刚刚兴起的支持向量机方法等。前面几种方法是比较常用的，也是目前研 究比较多的方法。基于支持向量机的不良数据检测方法是一个新兴的研究方向，在电站实时数据检测中的 研究刚刚展开。本文利用支持向量机算法中结构风险函数较好的平滑性，建立基于支持向量回归的数据估 计模型，实现不良数据的检验和分离。 1 基于支持向量回归的数据预测与不良数据检测 1.1 基于支持向量回归的数据预测 支持向量机(Support Vector Machine，SVM)是由 Vapnik[10]最早提出的一种统计学习方法，近年来已 经被成功地应用于语音识别、文字识别、时序数列预测等领域。该方法具有学习速度快、全局最优和泛化 能力强的优点，其学习结果明显好于其它的回归预测方法，并在很多领域得到了成功的应用[11-14]。 将支持向量机用于解决回归问题即支持向量回归(Support Vector Regression，SVR)。SVR 用来解决 回归预测的基本思想如下：对样本集为(x ，y )，…，(x ，y )的回归问题，首先寻找一个输入空间到输出 1 1 k k 空间的非线性映射Φ，通过这个映射，将样本集中的数据映射到高维空间F ，并在特征空间中用下述线性 函数在这个空间中进行线性回归。即： f (x ) w =⋅Φ(x )+b Φ: Rn →F ，w ∈F (2) 2 其中 是阈值。由于Φ固定不变，因此影响 的有经验风险的总和以及使其在高维空间平坦的|| w || ， b w 即： 1 2 k