《表3 误判案例分析:基于核主成分分析的油色谱在线监测装置异常状态快速辨识》
提示:宽带有限、当前游客访问压缩模式
本系列图表出处文件名:随高清版一同展现
《基于核主成分分析的油色谱在线监测装置异常状态快速辨识》
利用Matlab编制油色谱在线监测装置异常快速识别方法,提取677台油色谱监测装置(包括68台失效监测装置)1年历史在线数据共计19万条。将数据按月划分为12份,前1个月30天数据作为训练集,评估后1个月数据。选取高斯径向基核函数,计算核矩阵每台色谱监测设备核主元个数,主成分及残差空间分解,求取控制限aT2和Qa,提取异常数据区间进行特征识别,识别结果如表3。226台设备出现aT2和Qa同时越限的异常378次,其中包括129台装置出现241次短时扰动,判定97台出现不可恢复扰动的装置存在异常,根据《无效油色谱监测装置的识别和数据清理报告》,有效识别68台存在老化、劣化及干扰引起的不可逆异常的故障监测装置,但29台正常装置被误判为异常,准确率95.7%,相比于多判据融合方法96.7%准确率相差不大。统计装置误判原因如表3,误判均由噪声干扰引起。为避免漏判,阈值设定较为严格,当出现强干扰时会引起数据突变,导致单次数据超过设定阈值,引起8台装置阈值判据的误判。由于数据存在较强噪声干扰,导致计算初始偏移率、末端偏移率及均值时出现偏差时,KPCA识别异常区间特征气体偏移率之积为负,21台设备被误判为不可恢复异常。综上,干扰及噪声是引起误判的主要原因,但总体误判率仅为4.3%,小于5%,在可接受的范围内。为进一步提高算法的准确率,加强噪声下特征识别的抗干扰能力是今后的研究方向。
图表编号 | XD00100973500 严禁用于非法目的 |
---|---|
绘制时间 | 2019.10.31 |
作者 | 荣智海、齐波、张鹏、李成榕、杨祎、辜超、吴昊 |
绘制单位 | 新能源电力系统国家重点实验室(华北电力大学)、新能源电力系统国家重点实验室(华北电力大学)、新能源电力系统国家重点实验室(华北电力大学)、新能源电力系统国家重点实验室(华北电力大学)、国网山东省电力公司电力科学研究院、国网山东省电力公司电力科学研究院、广东电网有限责任公司电力科学研究院 |
更多格式 | 高清、无水印(增值服务) |