技術特征：

1.一種熱力系統(tǒng)閥門內(nèi)漏量監(jiān)測方法，其特征在于，所述監(jiān)測方法包括以下步驟：

(1)通過閥門內(nèi)漏建模來獲取閥門內(nèi)漏量與特征參數(shù)間樣本大數(shù)據(jù)；

(2)數(shù)據(jù)預處理，為提高識別模型的學習精度和效率，對步驟(1)中所述閥門內(nèi)漏量與特征參數(shù)間樣本大數(shù)據(jù)進行有效性驗證，并剔除錯誤數(shù)據(jù)對數(shù)據(jù)進行歸一化處理；

(3)基于改進SVM非線性組合識別模型的方法，將BP神經(jīng)網(wǎng)絡識別模型、RBF徑向識別模型和GRNN神經(jīng)網(wǎng)絡識別模型進行結合，計算在特定特征參數(shù)下熱力系統(tǒng)閥門內(nèi)漏量，從而實現(xiàn)對閥門內(nèi)漏量的監(jiān)測。

2.如權利要求1所述的熱力系統(tǒng)閥門內(nèi)漏量監(jiān)測方法，其特征在于：所述步驟(1)包括：通過測量獲得熱力系統(tǒng)管道長度、內(nèi)徑、外徑以及保溫層厚度，隨后建立管道微元段徑向方向溫度場；建立管道微元段軸向方向溫度場，沿管道工質(zhì)流動方向，對每一微元段逐段計算，最終得到閥門前管道溫度場，每一個泄漏量對應一個管壁溫。

3.如權利要求2所述的熱力系統(tǒng)閥門內(nèi)漏量監(jiān)測方法，其特征在于：將所述熱力系統(tǒng)管道劃分為多個微元管段，根據(jù)傳熱學原理對所述微元管段進行徑向和軸向建模，并利用迭代法沿工質(zhì)流動方向求解；根據(jù)第N段微元管段的沿程阻力損失和換熱量計算第N段所述微元管段出口參數(shù)，并以此作為第N+1段所述微元管段的進口參數(shù)，直至獲得閥門前的最后一個微元管段的壁面溫度，建立起溫度場與特征參數(shù)間的大樣本模型。

4.如權利要求1所述的熱力系統(tǒng)閥門內(nèi)漏量監(jiān)測方法，其特征在于：所述基于改進SVM非線性組合識別模型的方法的步驟(3)包括以下具體步驟：

步驟A：用所述BP神經(jīng)網(wǎng)絡識別模型、RBF徑向基識別模型和GRNN神經(jīng)網(wǎng)絡識別模型對步驟(2)中預處理的閥門內(nèi)漏量與特征參數(shù)間樣本大數(shù)據(jù)分別進行識別，將獲得到的各種識別方法的識別值與實際值形成新的測試樣本與訓練樣本，將其作為改進SVM非線性組合模型的樣本；

步驟B：初始化SVM模型，對拉格朗日乘子α_i、及閾值b進行隨機賦值；

步驟C：將新的訓練樣本建立為符合SVM算法的目標函數(shù)，利用LIBSVM算法對其進行求解，得到拉格朗日乘子α_i、及閾值b的值；

步驟D：將經(jīng)過步驟C計算的拉格朗日乘子α_i、及閾值b值帶入到目標函數(shù)中，用測試樣本計算基于改進SVM非線性組合識別模型在特定特征參數(shù)下的閥門泄漏量；

步驟E：將經(jīng)過步驟D計算的閥門泄漏量和閥門實際的泄漏量進行比對，計算誤差，當誤差小于確定的精度時，則結束學習過程，若達不到確定精度，則返回步驟B繼續(xù)進行學習；

步驟F：利用學習完成后的組合識別模型在輸入特定特征參數(shù)后進行計算，得出熱力系統(tǒng)閥門內(nèi)漏量，實現(xiàn)對閥門內(nèi)漏量的監(jiān)測。

5.如權利要求1所述的熱力系統(tǒng)閥門內(nèi)漏量監(jiān)測方法，其特征在于：所述步驟(3)中的所述BP神經(jīng)網(wǎng)絡識別模型為包含1層隱含層的三層網(wǎng)絡結構，輸入層神經(jīng)元數(shù)為3個，所述輸入層神經(jīng)元分別為熱力系統(tǒng)管道入口工質(zhì)壓力、入口工質(zhì)溫度和閥門前管壁溫度；輸出層神經(jīng)元為閥門泄漏量；中間層神經(jīng)元的數(shù)量采用逐步實驗法，以訓練樣本均方根誤差最小為目標來確定，所述中間層神經(jīng)元的數(shù)量為12個；隱含層神經(jīng)元傳遞函數(shù)采用S型正切函數(shù)，輸出層神經(jīng)元傳遞函數(shù)采用S型對數(shù)函數(shù)，訓練算法采用Levenberg-Marquardt算法。

6.如權利要求1所述的熱力系統(tǒng)閥門內(nèi)漏量監(jiān)測方法，其特征在于：所述步驟(3)中的所述RBF徑向識別模型采用輸入層、隱含層、輸出層的三層結構，輸入層神經(jīng)元數(shù)量為3個，輸入層神經(jīng)元分別為熱力系統(tǒng)管道入口工質(zhì)壓力、入口工質(zhì)溫度和閥門前管壁溫度；輸出層神經(jīng)元為閥門泄漏量；對于隱含層高斯函數(shù)中心，采用正交最小二乘法進行選取，并應用最小二乘法對網(wǎng)絡輸出權值進行訓練。

7.如權利要求1所述的熱力系統(tǒng)閥門內(nèi)漏量監(jiān)測方法，其特征在于：所述步驟(3)中所述GRNN神經(jīng)網(wǎng)絡識別模型的結構和神經(jīng)元之間的連接權值由所述步驟(1)中所述閥門內(nèi)漏量與特征參數(shù)間樣本大數(shù)據(jù)確定，所述GRNN神經(jīng)網(wǎng)絡識別模型的平滑參數(shù)由試驗法進行確定，根據(jù)樣本特征，選擇平滑參數(shù)為0.1-0.9，并以步長為0.05變化。