文献综述（或调研报告）：
电站历史数据库内所记录的海量数据是电站机组运行状况的最真实的客观反应，充分对其中的数据进行深入挖掘和研究能够指导电厂的电力生产操作，能够促进电厂安全性，稳定性和经济性。数据挖掘是电厂研究的重要部分，也是近年来人工智能大数据算法的热点。
时域和频域是从两个不同的角度来刻画系统的特征[1]。直接的热工信号经过简单的统计分析可以得到比如均值，标准差，方差，偏度，散度[2]和峭度。散度被用来描述数据的聚集度。峭度（K）是反映随机变量分布特性的数值统计量，当K=3时，定义为曲线有正常峰度，此时为0峭度；当Kgt;3时，观测值的分散程度较小时，此时正态分布曲线峰顶的高度高于正常正态分布曲线，称为正峭度；当Klt;3时，即观测值的分散程度较大时，此时正态分布曲线峰顶的高度低于正常正态分布曲线，称为负峭度。这些统计量能够用来描述热工信号的时域特征，可以作为趋势分析和初级诊断的参考指标。在频域上，工程一般应用平均波动频率和形状因子来描述较为复杂的热工信号在频率上的特性。平均波动频率定义为在整个频域范围内信号的加权平均频率。形状因子是信号功率谱密度的均方根值与均值之比。
由于电厂数据库里的历史数据有一部分数据是变工况时的数据,在变工况条件下, 机组处于非稳态。因为热力系统是许多的设备组合在一起的,各个设备之间存在质量惯性和热惯性,导致机组运行数据里具有不同程度的延迟性。在不同的边界条件(机组功率,循环水,温度等)下，每个设备的延迟特性不同,使得各参数不同步变化,破坏了数据的一致性。应用这些数据的计算结果与真实值势必相差很大。因此进需要进行稳态判定。目前，对稳态的判定主要有三种手段。分别为：基于统计理论，基于机理分析，基于趋势提取。
基于统计理论的检测方法中最广泛使用的是组合统计法(CST)和置信度法(MTE)。 CST方法将过程数据分成相等的区间，并应用一个检验来判定两个连续区间的协方差矩阵是否相等。MTE方法的思想与CST方法相似。对于MTE，两个连续区间的均值和方差用T检验进行检验。然后，将测试结果用于判断过程是处于稳定还是非稳定状态。基于该方法，吴鹏等[3]详细研究了具体的案例，即600MW超临界机组在实际运行过程中产生多次振荡。他采用基于统计理论的检测方法和经验对数据进行稳态判定。他所针对提取的数据是机组运行5天内的数据。相比之下，数据量体量更小，而且由于样本更少，所以带来的总体误差也更小。基于统计理论的方法具有更高的契合度。然而，CST和MTE方法假设只有零均值的随机误差存在。此外，统计测试对总体误差很敏感，这可能会降低这些方法的鲁棒性。
作为替代方案，基于机理分析的方法被提出应用于稳态检测，张博等[4]对于数据预处理是采用基于机理分析的方法。与基于统计理论的稳态判定方法相对比，机理分析依赖操作人员对于运行状况中的机理了解，通过人为的选择来进行，一般是以操作人员的经验为主，在更换了目标对象之后就容易失灵，缺乏广泛的适用性，移植性差。
通常，操作状态可以通过从过程变量中提取趋势信息来检测，因为它与变量的变化相关联。Flehmig等[5]利用小波分析进行趋势提取。然后，通过小波特征来识别和去除随机和总体误差。此外，蒋天涛等[6]提出了基于小波的多尺度变换数据处理技术的稳态检测方法，该方法结合了一阶和二阶小波变换的模。当应用多尺度方法时，尺度的适当选择是关键的。规模过大或过小都会导致对过程状态的错误检测。在Sen等[7]的研究中，由于铝酸钠溶液的蒸发过程中生产环境的不确定性和随机测量噪声的存在，工艺条件变化频繁，容易导致生产不稳定，因此要进行稳态数据提取。他提出了一种自适应多元稳态检测策略。该策略主要是基于趋势提取以及工程师的知识水平，建立可靠的评价指标。Sen的稳态判定方法主要是为了解决在工程生产过程中高温高压强碱带来的影响。和基于统计测试相比，这种方法对于异常值敏感度明显降低，能够应用于检测工业规模的运行状态。基于趋势提取的稳态判定方法对于变化敏感，但是对于数据之间关系的变化不敏感。毕小龙等[8]基于神经网络和模糊推理系统的趋势提取方法，提出了一种应用于稳态检测的新方法，利用神经网络进行趋势提取，利用模糊推理得到检测因子SF，应用PCA故障诊断与稳态判定方法相结合。PCA检测方法（主成分分析法）其旨在利用降维的思想，把多指标转化为少数几个综合指标，对不同的工况采用不同的模型检测变量之间关系的改变，而瞬态过程中变量之间的关系不确定，容易产生误诊。Hu等[9]提出了在PCA（主成分分析法）的基础上基于统计距离的训练数据清洗策略（SPCA），显著提高故障检测效率。
在借鉴国外研究方法的基础上，国内的学者提出了新的稳态判定方法。李初福[10]等研究了滤波法不适用于含有误差数据的数据库,并且对其进行了改进，但滤波器的特性检测结果具有迟延，且对噪声敏感;付克昌等[11]提出了基于多项式滤波的自适应稳态检测方法。
王大勇等[12]归纳了火电机组回热系统常见的故障模式（含正常模式）:①抽汽管道逆止阀卡涩;②排汽管道排汽不畅;③排汽管道排汽量过大;④加热器管束污染、结垢;⑤加热器内部水侧短路;⑥加热器内部管系泄漏;⑦疏水不畅;⑧疏水器故障;⑨加热器旁路阀故障;⑩加热器满水; ⑪除氧器排汽带水; ⑫除氧器自身沸腾; ⑬运行正常。对于常见的故障模式，王大勇等选取以下9个运行参数作为故障征兆:①抽汽流量;②加热器抽汽压力;③加热器进口压力;④加热器进口水温;⑤加热器混合点前出口水温;⑥加热器出口水温;⑦加热器出口端差;⑧加热器疏水水位;⑨加热器疏水温度。对于火电机组海量数据，高萌等[13]提出了一种数据预处理的方法，其核心包括过程变量的选取，变量稳态数据的提取，样本数据点的合理选取和样本数据点的补全。Huyghues-Beaufond N[14]等提出了一种数据清洗方法，通过建立一个模型程序，训练神经网络，对于缺失的数值采用计算相近日期的数据来弥补。
本研究立足于火电机组回热系统中的历史数据库，通过对数据库中数据的处理以获得对控制的评价。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
