聚类分析是对样本或指标进行分类的一种多元统计分析方法，其目的是在事物类别未知的情况下，把研究的对象按照一定的规则分成若干类，使各个类内的对象尽可能具有最大的相似性，不同类之间的对象尽可能有最大的相异性。灰色聚类分析是众多聚类方法中的一种，本文主要运用灰色星座聚类法，其基本原理为：将每个样本点按一定的数量关系，点在一个上半圆之中，一个样点用一颗“星点”来表示，同类的样点便组成一个“星座”，然后勾画出不同星座的界线，这样就可以进行分类。此方法遵循的聚类准则为类内方差准则［１０］。分析步骤如下：在聚类结束之后，运用类内方差对聚类结果进行验证，σ较小时证明聚类结果合理；反之，聚类结果不合理，需重新进行聚类。本文根据数据分析取０．３作为判断σ的标准。
１小波算法进行去噪滤波
小波变换采用改变时间－频率窗口形状的方法，很好地解决了时间分辨率和频率分辨率的矛盾，在时间域和频率域里都具有很好的局部化性质。对信号中的低频成分，采用宽的时间窗，得到高的频率分辨率；对信号中的高频成分，采用窄的时间窗，得到低的频率分辨率［１１－１２］。由于小波变换是线性变换，所以降质信号的小波系数是信号的小波系数和噪声的小波系数之和，降质信号的离散逼近部分和离散细节部分，分别是信号变换后的离散逼近部分和离散细节部分与噪声变换后的离散逼近部分和离散细节部分的和。因此，在消噪过程中，利用信号与噪声在小波变换后，各自的小波系数的性质不同，可以消除或减弱噪声。
２在火电厂燃煤量计量中的应用
本文的数据处理是基于Ｍａｔｌａｂ运算环境。首先，对在某电厂获得的７月１日至７月１５日的转速和给煤率近１万条数据进行处理（采样时间间隔为１ｍｉｎ），得到转速比给煤率的值。如式（１２），式中ｎ与时间有关，ｎ为９８７１。对得到的转速比给煤率的值进行聚类处理，利用极坐标与直角坐标的关系，求出每个样本点对应的横坐标值和纵坐标值。在进行计算时权值ｗ取１。将得到的坐标绘制聚类星座图，如图２所示。分别求取各个样本的综合指标值，并对综合指标值进行作图，如图３所示。由图３可以发现：综合指标值绝大多数落在２．８７６５～２．８７７５。通过星座图和综合指标值的综合分析可以得出：转速比给煤率有效范围为１９．５～２２．５，类内方差为０．１８５４。通过对半个月的转速比给煤量近１万个数据统计发现，按照类内方差为０．１８５４进行划分，不在此范围内的样点一共有６７个，因此，在此范围内的数据可以反映转速比给煤量的数据特性，具有统计意义。对在上述范围内的转速比给煤率进行小波去噪，本文选用ｄｂ３作为基本小波，并进行３级去噪。去噪前后的图像如图４ａ和图４ｂ所示。由图４可以看出：去噪后的信号很好地保留了原有的趋势特征。最后，对去噪后的数据进行求期望值，结果为２０．９６０。此期望值可以反映本台给煤机在这一段时间内的皮带秤的测量水平，运行人员可以根据这个值对皮带秤进行校核。下面运用８月３日至８月１７日的转速和给煤率数据对上述求取的范围进行验证。通过处理发现：在１万个数据中，只有１７个不在范围内，类内方差为０．０４２７，有９９．７９％的数据在此范围内，证明了范围的有效性和通用性。然后，对范围内的数据进行去噪处理，去噪前后的图像如图５ａ和图５ｂ所示。对去噪后的数据求期望值，结果为２０．７６２。
３结论
（１）通过引入转速比给煤率，为运行人员提供了判断皮带秤测量准确性的依据，同时提高了燃煤量计量的准确性。（２）由于在数据采集过程中存在干扰，引起数据测量的不准确，本文通过灰色聚类法的有效处理，很好地解决了这一问题，提取了有效样本。（３）在应用灰色聚类的基础上，运用小波去噪算法对得到的有效数据进行去噪处理，对去噪后的数据进行求期望值，此期望值可以反映皮带秤在一段时间内测量水平，运行人员可以通过此期望值来判断皮带秤测量的准确性。本次针对半个月的数据进行处理，随着运行时间的增长、数据量的增大，得到的转速比给煤率合理波动范围将更加准确。
作者：钱虹 陕西职称郜建良 陈纲 周泉 单位：上海电力学院自动化工程学院 上海市电站自动化技术重点实验室
