賈雪楓，李存斌，周 穎

（華北電力大學經(jīng)濟與管理學院，北京 102206）

“碳達峰、碳中和”目標促進了我國新能源發(fā)電技術(shù)的發(fā)展[1]。但是，大量未到退役年限的煤電機組仍是我國能源需求的重要保障。據(jù)統(tǒng)計， 2020年我國火電占比為68.87%，500 MW及以上的煤電機組有629臺，其中586臺服役短于15年。日本和美國同類型機組服役可達30～40年[2]。這些機組的運行會增加碳排量，卻不能因低碳減排而強制退出，否則會成為擱淺資產(chǎn)[3]。煤電機組靈活性改造是延長煤電機組壽命、早日實現(xiàn)“雙碳”目標的有效手段。增加燃料靈活性的燃煤生物質(zhì)摻燒技術(shù)可在鍋爐熱效率不明顯降低的情況下，減少煤電機組的碳排放量[4]。有研究表明，木本生物質(zhì)是較為理想的摻燒物質(zhì)[5]，但會在煙道中積累灰渣，增加風機負荷，影響煙風系統(tǒng)的穩(wěn)定運行[6-7]。

煙風系統(tǒng)中一次風機、二次風機和引風機涉及諸多設(shè)備和控制回路，是機組運行過程中故障率較高的環(huán)節(jié)[8]，其風險狀態(tài)很可能影響摻燒機組的安全運行[9]。為降低生物質(zhì)摻燒對煙風系統(tǒng)的不利影響，保證摻燒技術(shù)的順利應(yīng)用，摻燒機組亟需能夠?qū)崟r辨識影響程度，及時預(yù)警風險狀態(tài)的煙風系統(tǒng)風險態(tài)勢感知模型[10]。目前，研究偏重于將機組整體風險視為調(diào)度考慮的因素之一，并未深入研究摻燒機組或某個系統(tǒng)的風險。如將風電不確定性作為考慮因素的經(jīng)濟調(diào)度模型[11]，或借助條件期望值，構(gòu)建多機組聯(lián)合調(diào)度模型，以多能互補的方式規(guī) 避風險[12]。此外，超超臨界機組輔機故障減負荷 時的運行參數(shù)也被重點討論，以確保機組的平穩(wěn)運行[13]。故現(xiàn)有文獻少有對摻燒機組煙風系統(tǒng)的風險態(tài)勢感知進行研究。

在對發(fā)電機組及其子系統(tǒng)的風險研究中，解析法與數(shù)據(jù)分析法最為常見。解析法的優(yōu)勢在于可確定風險及其影響因素的關(guān)系。萬書亭[14]確定了定子電流的頻率分布與故障發(fā)生的關(guān)系，明確了風速時空分布對風機葉輪故障的影響。黃圣鑫等[15]構(gòu)建了自洽先導(dǎo)事發(fā)模型，衡量了雷電流幅值和機組形狀等因素對雷擊截收區(qū)域面積的影響，確定了機組容量與雷擊的量化關(guān)系。數(shù)據(jù)分析法則是借助機器學習模型，依靠風險因素的歷史數(shù)據(jù)，計算風險發(fā)生可能性。數(shù)據(jù)分析法可充分考慮縱向的時間維度信息和橫向的數(shù)據(jù)相關(guān)性信息，具有準確、快速的優(yōu)勢。特征提取[16]、神經(jīng)網(wǎng)絡(luò)[17]、支持向量機[18]與小波分析[19]等均屬于數(shù)據(jù)分析法，可用于柴油機組、風電機組或艦船水輪發(fā)電機組的故障預(yù)測。

目前，尚無借助機器學習與大數(shù)據(jù)的方法，研究燃煤生物質(zhì)摻燒機組煙風系統(tǒng)風險態(tài)勢感知的先例。因此，本文借助機器學習方法與風機表象數(shù)據(jù)，提出了數(shù)據(jù)密度下基于Transformer與信息融合的風險態(tài)勢感知模型（density-based risk state awareness model using transformerand information fusionknearest neighbors，DRTIK）。本文提出了借助海量運行數(shù)據(jù)密度的典型狀態(tài)的識別方法；提出了應(yīng)用Transformer機制的未來特征預(yù)測模型，降低了摻燒機組煙風系統(tǒng)未來特征預(yù)測的誤差；實現(xiàn)了融合歷史數(shù)據(jù)信息的風險判別預(yù)警方法，提升了摻燒機組煙風系統(tǒng)風險狀態(tài)判別的準確率，縮短了預(yù)警時間。

1 風險態(tài)勢感知模型

風險態(tài)勢感知應(yīng)包括典型狀態(tài)識別、未來特征預(yù)測和風險態(tài)勢判別3個步驟[6]。借助數(shù)據(jù)密度抽樣（density based sample，DBS）有效降低歷史數(shù)據(jù)量后，DRTIK運用密度峰值聚類（density peak cluster，DPC）識別了摻燒機組煙風系統(tǒng)的典型運行狀態(tài)，結(jié)合歷史時間序列數(shù)據(jù)運用Transformer模型預(yù)測了煙風系統(tǒng)的未來運行特征，融合了近鄰點信息后運用k近鄰（information-fusionknearest neighbor，IkNN）算法判別并預(yù)警了煙風系統(tǒng)的運行是否處于風險態(tài)勢。摻燒機組煙風系統(tǒng)風險態(tài)勢感知流程如圖1所示。

1.1 數(shù)據(jù)密度驅(qū)動的海量數(shù)據(jù)抽樣

DRTIK借助自適應(yīng)網(wǎng)格動態(tài)密度抽樣方法（adaptive-grid DBS，DBSA）進行歷史數(shù)據(jù)抽樣。DBSA的抽樣與分布密度成反比，可減少數(shù)據(jù)集中程度。摻燒機組煙風系統(tǒng)的歷史數(shù)據(jù)分布不均，在海量數(shù)據(jù)下，某個較少數(shù)據(jù)的運行狀態(tài)會被視為異常狀態(tài)，從而造成典型運行狀態(tài)缺失。DBSA可稀釋密度過大的數(shù)據(jù)點，提高狀態(tài)挖掘效率。DBSA的4個步驟如下。

1）等深劃分

設(shè)數(shù)據(jù)集D包含M行N列數(shù)據(jù)。對D的每列進行升序排序，形成(xam,n)M×N，并根據(jù)數(shù)據(jù)量，將第n列等深劃分為kn個區(qū)間，則每個區(qū)間段內(nèi)包含了M/kn個數(shù)據(jù)。同時，第n個維度形成了kn個數(shù)據(jù)區(qū)間，其第n維度的第k個數(shù)據(jù)區(qū)間Ink可表示為

2）相似性計算ε

根據(jù)文獻[20]，可由區(qū)間段的長度|Ink|計算相鄰區(qū)間的相似性ε：

3）區(qū)間合并

若維度n的2個相鄰數(shù)據(jù)區(qū)間Ink和In,(k+1)的相似性ε大于閾值T（0

4）計算網(wǎng)格g的抽樣概率pg

經(jīng)上述動態(tài)區(qū)間劃分，數(shù)據(jù)集D被分為個網(wǎng)格。每個網(wǎng)格的樣本點個數(shù)稱為網(wǎng)格密度，直接影響網(wǎng)格樣本數(shù)據(jù)的抽樣概率。設(shè)第g個網(wǎng)格的樣本個數(shù)為Deng，網(wǎng)格密度也為Deng，抽樣概率為pg。抽樣概率與網(wǎng)格密度相關(guān)，故可將pg表示為Deng的函數(shù)pg=f(Deng)。根據(jù)文獻的推導(dǎo)過程，抽取樣本數(shù)為S的情況下，pg為[21]：

式中：e為抽樣指數(shù)，e∈(0,1)。

1.2 密度峰值下的典型狀態(tài)識別

DRTIK借助DPC識別典型運行狀態(tài)。DPC可以根據(jù)數(shù)據(jù)分布的密度進行數(shù)據(jù)聚類，解決了基于距離的聚類方法中無法處理非球面數(shù)據(jù)的問題。

DPC基于2個假設(shè)：1）數(shù)據(jù)集中，類簇中心點擁有較高的局部密度，且被密度較低的數(shù)據(jù)點包圍；2）類簇的中心點與大于該中心點密度的點之間會有較大的相對距離。

根據(jù)這2個假設(shè)，DPC引出了3個特定概念：截斷距離（cut-off distance，dc）、局部密度ρ和相對距離δ。dc為事先指定的一個固定的常數(shù)。ρ為某個點周圍的密集程度，如點xm的局部密度可表示為ρm，表示到xm小于dc的點的個數(shù)。δ為2個特殊點之間的距離，如δm表示局部密度大于xm的點到xm的最短距離；若xm的局部密度最大，則δm為xm到其他點的最大距離。

DPC主要包含了如下5個步驟。

1）計算局部密度

DRTIK采用文獻[22]中提出的高斯核函數(shù)計算ρ。在計算ρ之前，需要設(shè)定dc為所有樣本距離的下四分位點。ρm為點xm的密度，其計算方式為：

2）計算相對距離

相對距離的計算需要劃分為2種情況，非局部密度最大點和局部密度最大點。

對于非局部密度最大點，相對距離是該點到局部密度比該點大的所有點的距離的最小值，計算方式為：

對于局部密度最大點，相對距離是該點到其他所有點的距離的最大值，計算方式為：

式中：S為總體數(shù)據(jù)量，即1.1的抽樣結(jié)果。

3）確定聚類中心

聚類中心需要借助局部密度和相對距離確定。局部距離和相對密度都大的點可以當成聚類中心。

4）指派數(shù)據(jù)類簇

確定類簇中心后，其余點按就近原則進行類簇劃分。即當前點的類標簽（屬于哪個類）和局部密度大于當前點的最近點的標簽一致。

5）確定類簇邊界

首先，定義每個類簇的邊界區(qū)域，即分配到該類簇但與其他類簇的點的距離小于dc的點的集合。然后，找到這個集合中局部密度最大的點，以此點的密度作為閾值篩選類簇。

1.3 Transformer機制下未來特征預(yù)測

根據(jù)歷史運行數(shù)據(jù)，摻燒機組煙風系統(tǒng)可以借助機器學習中時間序列方法預(yù)測未來運行特征。故本文提出了基于Transformer時間序列預(yù)測模型。

Transformer模型為雙層結(jié)構(gòu)，分為編碼層和解碼層，其結(jié)構(gòu)示意如圖2所示。

1）編碼層

時間序列數(shù)據(jù)經(jīng)過輸入層和位置編碼層后會增加成sized維的數(shù)據(jù)，在執(zhí)行注意力過程時，需要將sized維的數(shù)據(jù)分成h個組，每組稱為1個頭[23]。在考慮時間順序信息的同時，多頭機制將時序數(shù)據(jù)放入多個子空間中，可增加預(yù)測的準確性。該過程稱為多頭注意力機制（圖3）。

首先，將輸入層與位置編碼結(jié)果相加形成初始輸入X。將X分別與3個可優(yōu)化的權(quán)重矩陣WQ、WK和WV相乘，形成了3個與X同維度的矩陣Q、K和V；然后，將Q、K和V劃分為h個頭，按照公式(6)計算注意力機制的結(jié)果；最后，將所有的Zh橫向拼接形成多頭注意力計算結(jié)果Z。多頭注意力機制如圖3所示。

2）解碼層

相比編碼層，解碼層多了編碼-解碼注意力子層。故本小結(jié)重點講述編碼-解碼注意力子層的計算過程。

編碼-解碼注意力子層借助編碼層中最后1個K矩陣和V矩陣實現(xiàn)注意力機制，其過程如圖4所示。首先，將第一個注意力子層的結(jié)果做殘差連接和歸一化，得到X，將X與權(quán)重矩陣WQ相乘，形成了該子層的Q，并接收由編碼層中傳入的矩陣K和V；然后，將Q、K和V進行多頭注意力機制運算，并按照式(6)計算結(jié)果；最后，將所有的Zh橫向拼接形成多頭注意力計算結(jié)果Z。

1.4 信息融合驅(qū)動的風險態(tài)勢判別

設(shè)xt為某個預(yù)測得到的未來時刻未經(jīng)態(tài)勢感知的數(shù)據(jù)，即待判別數(shù)據(jù)；xm為典型狀態(tài)庫中的任一數(shù)據(jù)，即典型狀態(tài)數(shù)據(jù)。本節(jié)將展示利用信息融合k近鄰（information-fusionknearest neighbor，IkNN）算法識別xt的風險態(tài)勢的詳細過程。

DRTIK模型需構(gòu)建成典型狀態(tài)集合Ω={sc|c=1, 2, …,C}（1.2聚類所得的C個類簇），以隸屬度mt({sc})來表征數(shù)據(jù)點xt屬于sc的可能性。若某運行狀態(tài)的數(shù)據(jù)不屬于Ω，本文規(guī)定該運行狀態(tài)屬未知狀態(tài)，用mt(Ω)表示未知狀態(tài)的隸屬度。mt(Ω)越大，風險發(fā)生的可能性越大。

1）k近鄰搜索

DRTIK模型借助信息融合k近鄰算法判別設(shè)備的運行狀態(tài)，故DRTIK的首要任務(wù)是確定近鄰點個數(shù)k。通常，xt與近鄰點的距離應(yīng)小于與2個相似樣本點之間的最大極限值dmax。該值的計算方法為：

式中：dmax為最大極限值；N為運行點的維度；θn為第n個維度上允許的最大偏差，θn取第n個維度的最小值與下四分位點的差值。

然后，對典型狀態(tài)庫中所有的數(shù)據(jù)xm，找出與xm的距離小于dmax的樣本點個數(shù)ηm。近鄰個數(shù)k的取值為ηm的平均值。

于是，這項深空探測競賽就有了來自兩個不同大陸的研究小組的加入。吉茲博士的工作設(shè)備是坐落于莫納克亞火山（該火山位于夏威夷最大的島嶼上）的10米凱克望遠鏡。根策爾博士的團隊則受益于歐南臺在智利建造的全新VLT望遠鏡。

式中：M同樣為典型狀態(tài)庫的樣本容量。

2）折現(xiàn)因子計算

借助文獻[24]提出的方法，DRTIK實現(xiàn)了根據(jù)訓練樣本密度自適應(yīng)調(diào)整的折現(xiàn)因子計算方法。

首先，用Φt表示xt的k近鄰集合，同時，DRTIK假設(shè)xt與Φt中元素的距離約等于Φt中元素到各自k個近鄰點的距離?；诖?，每個典型狀態(tài)數(shù)據(jù)xm都能產(chǎn)生1個能反映樣本在典型狀態(tài)中所處位置局部密度的折現(xiàn)因子γm：

式中：Dm為典型狀態(tài)樣本xm與其k個近鄰數(shù)據(jù)點之間的距離集合；函數(shù)quantile表示從Dm中找尋分位數(shù)的值；ε=0.8是分位數(shù)，配合quantile函數(shù)使用。

所有xm產(chǎn)生的折現(xiàn)因子γm構(gòu)成了折現(xiàn)因子集合γ={γ1,γ2,…,γM}。借助折現(xiàn)因子集合確定xt折現(xiàn)因子γt，的計算方法為：

3）狀態(tài)隸屬度計算

Φt中數(shù)據(jù)點的狀態(tài)可為xt提供狀態(tài)隸屬度信息。xt的狀態(tài)隸屬度信息m(·|xm)的表達為：

為了對xt進行運行狀態(tài)識別，需要將xm提供的隸屬度信息按式(13)和式(14)信息融合法則進行融合，以便綜合體現(xiàn)xt的狀態(tài)隸屬度。

上述計算過程得到的m函數(shù)之和可能不為1，需要歸一化：

式中：K1為歸一化因子。

上述過程可以計算設(shè)備某一時刻運行數(shù)據(jù)xt的典型狀態(tài)隸屬度mt(A)和未知狀態(tài)隸屬度mt(Ω)。借助此過程，可以掌握摻燒機組煙風系統(tǒng)可能產(chǎn)生的異常狀態(tài)，并對其提前預(yù)警。

2 算例分析

2.1 基礎(chǔ)數(shù)據(jù)

本文的算例分析選取了摻燒機組煙風系統(tǒng)中一次風機、引風機和送風機的8個軸承在X和Y兩個方向的振動數(shù)據(jù)，共3 546條。數(shù)據(jù)跨度為2020/09/01至2020/12/31，每條數(shù)據(jù)間隔約50 min。部分數(shù)據(jù)見表1。

表1 基礎(chǔ)數(shù)據(jù) 單位：mm Tab.1 Basic data

DBS抽樣需要確定3個參數(shù)，分別是kn=20，e=0.5，T=0.7。DPC聚類可以根據(jù)決策圖設(shè)置聚類中心局部密度ρ的上限和相對距離δ的上限2個參數(shù)。

在未來運行特征預(yù)測過程中，本文借助PyTorch實現(xiàn)了Transformer的未來運行特征預(yù)測。算法設(shè)定：輸入變量的維度為16，嵌入維度為12，頭的個數(shù)為3，時間跨度為29。同時，Transformer 神經(jīng)網(wǎng)絡(luò)采用Adam優(yōu)化算法，迭代500次，批處理的數(shù)量為720。在IkNN風險態(tài)勢感知過程中，需要確定的參數(shù)有1個，是未知狀態(tài)閾值mt(Ω)=0.2。

圖5展示了降成2維的抽樣前數(shù)據(jù)，共有3 546條。左側(cè)數(shù)據(jù)有3 142條，占比為88.61%。右側(cè)數(shù)據(jù)有404條，占比為11.39%。圖6為抽樣后數(shù)據(jù)，共1 968條。左側(cè)數(shù)據(jù)抽取了1 684條，占比85.57%。右側(cè)數(shù)據(jù)抽取了284條，占比14.43%。由圖5、 圖6可知，經(jīng)DBS抽樣后，減少了數(shù)據(jù)總量，增加了右側(cè)數(shù)據(jù)占比，也稀釋了密度過大的數(shù)據(jù)點。

2.2 典型運行狀態(tài)識別

圖7是1號軸承所有時刻振動幅度的散點圖，每個時刻即是圖7中的1個點。圖7的x軸和y軸分別表示了1號軸承X和Y方向的振動幅度。由圖7可知，典型狀態(tài)可分為高負荷狀態(tài)s1和低負 荷狀態(tài)s22類。其中，該機組大部分時刻處于高負荷狀態(tài)，只有少部分時刻處于低負荷狀態(tài)（如2020/10/21至2020/10/25等時間段）。

圖8為DPC決策圖，展示了1號軸承所有運行時刻局部密度ρ和相對距離δ。根據(jù)1.2節(jié)3），圖8上部具有較大ρ和δ的2個點可被確定為該數(shù)據(jù)集的2個聚類中心。由圖8可見：點A是高負荷狀態(tài)s1的聚類中心，其局部密度為105.72，相對距離為145.18；點B是低負荷狀態(tài)s2的聚類中心，其局部密度為235.56，相對距離為148.18。

2.3 未來運行特征預(yù)測

為了驗證Transformer模型在預(yù)測摻燒機組煙風系統(tǒng)未來特征的有效性，本文將其與長短時記憶（long-short term memory，LSTM）和BP神經(jīng)網(wǎng)絡(luò)進行對比。LSTM神經(jīng)網(wǎng)絡(luò)的主要參數(shù)為：輸入變量維度為1，隱藏層數(shù)量為2，隱藏層神經(jīng)元個數(shù)為32，時間跨度為29。BP神經(jīng)網(wǎng)絡(luò)的主要參數(shù)為：輸入變量維度為16，隱藏層數(shù)量為6，隱藏層神經(jīng)元個數(shù)為32。本文只展示1號軸承X方向的振動結(jié)果。

圖9為3種方法對1號軸承X方向振動數(shù)據(jù)的預(yù)測結(jié)果。由圖9可見：綠色的LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果比真實值大，而藍色的BP神經(jīng)網(wǎng)絡(luò)要比真實值??；相比于LSTM神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)，Transformer的預(yù)測結(jié)果更加貼近于真實值。這表明Transformer的預(yù)測結(jié)果更加準確。

圖10展示了3種方法預(yù)測結(jié)果的誤差對比。由圖10可知，LSTM神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)在異常值點的預(yù)測誤差比較大，而Transformer模型 的誤差甚微。這個現(xiàn)象也印證了Transformer的預(yù) 測準確性。

此外，本文采取了平均絕對百分比誤差δMAPE和均方根誤差δRMSE檢驗所提Transformer特征數(shù)據(jù)預(yù)測的準確性，其計算方法為：

式中：ym為預(yù)測值；my′為真實值；M為樣本容量。

表2展示了3種預(yù)測方法的δMAPE、δRMSE和預(yù)測耗時。單純預(yù)測時間耗時較短且差異不大，故耗時計及了網(wǎng)絡(luò)的訓練時間。

表2 預(yù)測結(jié)果評價指標 Tab.2 Evaluation indexes of the prediction results

由表2數(shù)據(jù)可知：Transformer的δMAPE與LSTM無太大差異，比BP神經(jīng)網(wǎng)絡(luò)小了44.24%；Transformer的δRMSE比LSTM小了67.27%，比BP神經(jīng)網(wǎng)絡(luò)小了35.59%；Transformer的耗時比LSTM減少了67.14%，比BP神經(jīng)網(wǎng)絡(luò)多了33.33%?？梢?，Transformer的預(yù)測精度大于LSTM和BP神經(jīng)網(wǎng)絡(luò)，且未花費過多時間。

Transformer的網(wǎng)絡(luò)結(jié)構(gòu)最為復(fù)雜，卻不是最耗時的。這證明了Transformer結(jié)構(gòu)的合理性，可使預(yù)測精度更高，且相比LSTM，Transformer將時間序列的順序性以矩陣的形式代替，而非循環(huán)數(shù)值計算，這令Transformer計算更加簡潔。此外，Transformer在周期性因素之上，考慮了各維度的數(shù)據(jù)信息，因此，Transformer可以借助注意力機制增加預(yù)測結(jié)果的準確性。

2.4 風險態(tài)勢判別

圖11展示了1號和2號軸承在2021/01/01至2021/01/10間的290條運行數(shù)據(jù)。從圖11中可看出：2021/01/01前9個時間點為低負荷運行狀態(tài)，振動幅度比較?。欢?日午后到5日凌晨的一段時間內(nèi)，振動幅度異常高，各軸承不同方向的振動也不成比例。因此，4日午后到5日凌晨這段時間應(yīng)該進行風險態(tài)勢判別，機組處于未知狀態(tài)。其他時間點則均處于高負荷運行狀態(tài)。

圖12展示了DRTIK與證據(jù)融合k近鄰方法（evidence k-nearest neighbor，EKNN）[24]和實時動態(tài)電力系統(tǒng)可靠性評估方法（electric system dynamic and real-time reliability evaluation，ESDRE）[25]的風險態(tài)勢判別結(jié)果對比。由圖12 a)可知：DRTIK認為該機組在1日上午處于低負荷狀態(tài)s1，午后切換到高負荷運行狀態(tài)s2，在切換過程中，m(Ω)出現(xiàn)了瞬時增加，但未達到早期閾值，故未預(yù)警風險態(tài)勢，該機組在s2保持了一段穩(wěn)定的運行時期；在4日12:16，m(Ω)持續(xù)增大到0.8以上，DRTIK將摻燒機組煙風系統(tǒng)判定為風險態(tài)勢并預(yù)警；經(jīng)過維修后，于5日凌晨4:00回歸高負荷運行狀態(tài)。DRTIK在對該段數(shù)據(jù)的預(yù)測檢測過程中未出現(xiàn)誤報。由 圖12b)可見，EKNN無法完成狀態(tài)的判別與預(yù)警，只能實現(xiàn)低負荷狀態(tài)s1的判別，其他2種狀態(tài)的判別結(jié)果較差。由圖12c)可見，ESDRE無法實現(xiàn)低負荷狀態(tài)1s的判別，雖然ESDRE的感知結(jié)果在1日出現(xiàn)波動，但并未正確判別此狀態(tài)。

為進一步驗證本文所提DRTIK模型的效率，利用上述3種模型對3類運行態(tài)勢繪制受試者工作特征（receiver operating characteristic，ROC）曲線。表3以狀態(tài)s1為例，展示了計算該狀態(tài)ROC曲線的所需數(shù)據(jù)。橫軸表示非s1狀態(tài)卻劃分到s1狀態(tài)的概率，即由fs1除以S1；同理，縱軸表示，s1狀態(tài)點劃分正確的概率，即由ts1除以T。

表3 計算狀態(tài)s1的ROC曲線所需數(shù)據(jù) Tab.3 The data required for ROC curve of state s1

ROC曲線(0,1)的實際意義為，狀態(tài)判別沒有錯誤，且狀態(tài)判別全部正確，曲線越接近(0,1)點，狀態(tài)判別效率越好。圖13為3種模型判別3種狀態(tài)的ROC曲線。由圖13a)和圖13b)可見，DRITK在狀態(tài)s1和狀態(tài)s2的判別中明顯強于其他2種方法。圖13c)也表明了DRITK在風險狀態(tài)Ω的判別中不弱于其他2種方法。因此，上述ROC曲線表明了DRTIK模型正確性和可靠性。

此外，ROC曲線下方面積（area under curve，AUC）接近于1，同樣可印證DRTIK風險感知效率。由圖13可知，DRTIK對于狀態(tài)s1、s2和Ω的AUC分別為0.937 9、0.902 6和0.916 3，均接近 于1，且強于ESDRE和EKNN的AUC。因此，AUC指標也證明了DRTIK模型對于風險態(tài)勢判別的準確性和可靠性。

3 結(jié)論與建議

1）隨著“碳達峰、碳中和”目標的推進，經(jīng)過靈活性改造后的煤電機組在具有更加精準快速的調(diào)峰性能和更低的二氧化碳排放量的同時，也加重了機組和煙風系統(tǒng)負擔，令其運行更具復(fù)雜性。為提高靈活性改造后的煤電機組，尤其是煤炭生物質(zhì)摻燒機組煙風系統(tǒng)的運行可靠性，本文提出了數(shù)據(jù)密度下基于Transformer與信息融合的煙風系統(tǒng)風險態(tài)勢感知模型。首先，借助海量運行數(shù)據(jù)的密度，識別了正常與風險的運行狀態(tài)；然后，應(yīng)用Transformer機制預(yù)測了煙風系統(tǒng)未來時刻的運行特征；最后，融合了歷史數(shù)據(jù)信息，感知并預(yù)警了煙風系統(tǒng)是否屬于風險狀態(tài)。

2）借助所提的自適應(yīng)網(wǎng)格的密度偏差抽樣和密度峰值聚類，實現(xiàn)了摻燒機組煙風系統(tǒng)的典型運行狀態(tài)識別—低負荷狀態(tài)s1和高負荷狀態(tài)s2。Transformer時間序列預(yù)測模型在未來運行特征預(yù)測的問題上具有準確性、快速性和魯棒性等優(yōu)勢，且能夠綜合考量歷史數(shù)據(jù)的時序性和多源數(shù)據(jù)的相關(guān)性。本文融合了歷史信息，實現(xiàn)了未來運行特征下的摻燒機組煙風系統(tǒng)風險感知與預(yù)警。同時，經(jīng)相關(guān)指標對比，證明了所提的DRTIK風險態(tài)勢感知模型的準確性。

3）對于摻燒機組或煙風系統(tǒng)運維監(jiān)控，運檢單位應(yīng)實現(xiàn)數(shù)據(jù)驅(qū)動的典型狀態(tài)識別。煙風系統(tǒng)或機組的穩(wěn)定運行由多設(shè)備多元件組成，獨立個體的表象數(shù)據(jù)不能表征典型狀態(tài)。此外，單憑特征的取值范圍判別典型狀態(tài)具有片面性，會導(dǎo)致狀態(tài)判別失誤，引發(fā)不必要的停機檢修損失。

4）機組風險狀態(tài)的判別應(yīng)融合未來與歷史信息，綜合多設(shè)備多元件信息。煙風系統(tǒng)或機組的狀態(tài)判別應(yīng)借助未來時刻的預(yù)測數(shù)據(jù)，以提高預(yù)警的前瞻性。