[发明专利]基于时间序列的工业控制系统态势组合预测方法

权利要求书

1.基于时间序列的工业控制系统态势组合预测方法，其特征在于，包括以下步骤：

1)数据预处理：将收集的历史数据序列进行数据预处理：删除其中的离群点；对历史数据序列进行假数据注入攻击，填充其中的缺失值，得到用于计算的时序数据，所述收集的历史数据序列为SCADA、DCS工业控制系统数据；

2)建立两种单一预测模型：将用于计算的时序数据序列分别输入到两种单一预测模型中，得到两种不同的预测结果序列；

3)组合方法优化：将两种不同的预测结果序列，分别进行均方误差的精确度检测，得到两种单一模型的均方误差集合，均方误差集合中元素经过对数函数的映射后获得新的集合，对新集合中元素进行归一化处理后，将其分别设置为两组模型的权值；

4)预测结果融合模型：将两组模型的预测结果序列和各自的权值作为输入，建立预测结果融合模型，输出态势预测的最终预测结果；

所述两种单一预测模型为ARIMA模型和灰度预测模型；

所述ARIMA模型包括以下步骤：

1.1)对输入的用于计算的时序数据序列进行判断，通过计算自相关系数ACF和偏自相关系数PACF判断是否为平稳非纯随机序列，若是平稳非纯随机序列，则进入步骤1.2)；否则，对用于计算的时序数据序列进行差分处理，处理后的序列是平稳非纯随机序列时再进入步骤1.2)；

1.2)根据计算得到的自相关系数ACF和偏自相关系数PACF，将平稳非纯随机序列依据AIC准则或BIC准则进行识别和定阶；

1.3)进入参数估计阶段：若识别和定阶后的平稳非纯随机序列通过残差方差检测，则进入步骤1.4)，开始预测序列阶段；否则，返回步骤1.2)，对平稳非纯随机序列重新进行识别和检验；

1.4)开始预测序列阶段：采用残差方差最小的平稳非纯随机序列拟合历史数据序列得到ARIMA模型预测结果序列；

所述灰度预测模型包括以下步骤：

当输入是过去n个时刻的数据序列为Y⁽⁰⁾＝(y⁽⁰⁾(1)，y⁽⁰⁾(2)，...，y⁽⁰⁾(n))时，灰度预测的步骤为：

2.1)首先对数据序列为Y⁽⁰⁾做级比校验，n为样本个数，y⁽⁰⁾(k)为序列为Y⁽⁰⁾中k时刻的值，当所有的级比校验λ(k)均落在区间(e^-2/(n+1)，e^2/(n+1))内，则此数据序列进行灰色预测；若不满足级比校验需要对数据序列做平移变换Y⁽⁰⁾′＝Y⁽⁰⁾+c，c为常数，使得平移后的数据序列Y⁽⁰⁾′满足级比校验；

2.2)对满足级比校验的数据序列Y⁽⁰⁾做累加操作，生成累加序列Y⁽¹⁾：

Y⁽¹⁾＝(y⁽¹⁾(1)，y⁽¹⁾(2)，...，y⁽¹⁾(n))

其中，y⁽¹⁾(k)为累加序列Y⁽¹⁾中k时刻的值且y⁽¹⁾(1)＝y⁽⁰⁾(1)，i为第i时刻；

此时，数据序列变成了符合灰色预测模型所适用的单调递增序列；

2.3)令Z⁽¹⁾为Y⁽¹⁾的相邻均值生成序列：

Z⁽¹⁾＝(z⁽¹⁾(2)，z⁽¹⁾(3)，...，z⁽¹⁾(n))

其中，z⁽¹⁾(k)＝0.5y⁽¹⁾(k)+0.5y⁽¹⁾(k-1)；

2.4)建立GM(1，1)的一阶微分方程模型为：

Y⁽¹⁾为累加序列；

微分方程的解即时间响应函数为：

t为离散时间参数k转换后的连续时间参数，n为样本个数；

用差分代替微分：

y⁽⁰⁾(t)+ay⁽¹⁾(t)＝b，t＝1，2，...，n

其中，a表示发展系数，b表示灰色作用量

上式化简后得到：

y⁽⁰⁾(t)+az⁽¹⁾(t)＝b，t＝2，3，...，n

将上式写成矩阵形式：

形式化简为：

Y_n为输入的历史n个时刻序列中时刻2至时刻n的元素值组成的矩阵，为待估参数向量，即B为方程化简后的待估参数向量前的系数；

用最小二乘估计参数满足：

将得到的估计值a，b代入相应的GM(1，1)模型中，灰色微分方程的时间响应序列为：

又因为y⁽¹⁾(1)＝y⁽⁰⁾(1)，那么

k为将连续时间t离散化后的时刻表示；

2.5)步骤2.4)得到的预测序列是经过一次累加的序列作为输入的结果，那么原始序列的预测序列就是系统预测值再做累减运算，则预测方程为：

y⁽⁰⁾(k+1)＝y⁽¹⁾(k+1)-y⁽¹⁾(k)，k＝1，2，...，n-1

2.6)在预测结束后，①相对残差ε(k)检验，计算

若ε(k)＜0.2，则认为灰度预测模型的预测效果合格，若ε(k)＜0.1，则认为灰度预测模型的预测效果优秀；

②级比偏差值ρ(k)校验：根据前面已经算出的级比λ(k)和发展系数a，计算相应的级比偏差：

若ρ(k)＜0.2，则认为灰度预测模型的预测效果合格，若ρ(k)＜0.1，则认为灰度预测模型的预测效果优秀；

根据①或②任选其一预测模型的预测值进行判断。