[发明专利]基于时间相关性的工业系统时延确定及受控量预测方法

说明书

本发明公开了一种基于时间相关性的工业系统时延确定方法，自工业系统采集传感器特征和数据，提出结合预测目标Spearman的相关性系数、梯度提升机对海量特征进行特征选择后，根据TD‑CORT时延算法得到各特征与预测目标之间的时延大小；本发明也公开了一种基于时间相关性的工业系统时延确定方法的受控量预测方法，由时延大小进一步进行特征选择，并重构输入数据集，输入融合模型进行受控量的预测；本发明将各传感器参数的时滞时间量化，经过时延检测的数据，可以准确划分输入数据窗口，有效避免数据窗口不准确对模型预测结果的影响，在提高预测的准确性的同时有效降低了模型的计算量。

技术领域

本发明涉及机器学习技术领域，尤其涉及一种基于时间相关性的工业系统时延确定及受控量预测方法。

背景技术

工业系统比如火电机组系统相关的预测和控制已经成为一个值得重视的研究领域，如火电机组系统是典型的非线性、大滞后、高耦合和复杂的热系统，关键的生产过程指标受到许多因素的影响，往往与其他过程变量之间存在着复杂的非线性关系。对工业系统的主要关键指标进行预测对于有效提高工业系统的的运行效率、保证系统的的安全运行至关重要。由于工业系统通常是将化学反应或者物理反应的复杂过程，如火电机组为例，其将燃料的化学能、蒸汽的热势能、机械能等转化，分步骤最终转化为电能的复杂过程，各参数之间的关系以及时延现象非常复杂。同时，不同的工业系统的延迟特性有着较为明显的区别，系统容量越大，时延现象就越严重，很难得到预测对象与各参数之间准确的机理模型的数学表达式。即使通过现场试验的方法得到当时的数学模型，其也会随时间的推移和系统工况的变化发生越来越大的偏差。因此，对于这种复杂系统，必须提供系统性的特征及其时延特性的鉴别方法。此外，特征和时延的判定对于模型的机理分析、模型可解释性均有着重要的意义。

传统的特征选择通常是在质量平衡、能量平衡和动态原理的基础上发展的，这些都高度依赖于专家知识，导致需要较长的建模周期，近年来，数据驱动的方法被越来越多的采用，直接分析机组积累的大量历史数据即可提取特征，但都主要集中在寻找与建模目标参数相关的特征，并未涉及其时延的影响。目前对于特征的时延计算问题较少，即使涉及时延，也是通过建模误差反馈的方式对时延进行计算，存在着计算量较大的问题。

发明内容

(一)要解决的技术问题

基于上述问题，本发明提供一种基于时间相关性的工业系统时延确定及受控量预测方法，解决数据驱动的工业系统的时延确定方法复杂，时延影响火电机组等工业系统的受控量比如主汽温度的预测的问题。

(二)技术方案

基于上述的技术问题，本发明提供一种基于时间相关性的工业系统时延确定及受控量预测方法，包括以下步骤：

S1、自具有滞后性的工业系统采集传感器的特征和数据，预测目标Y为受控量；

S2、数据预处理；

S3、基于空间选择与所述受控物理量相关的特征，包括其中的任一特征X；

S4、通过TD-CORT时延算法求得特征X与预测目标Y之间的时延大小，包括：

S4.1、取所述预测目标Y的任意H长度的连续时序序列：

Y_K,H+K-1＝[Y_K,Y_K+1,Y_K+2,Y_K+3,Y_K+4,...,Y_H+K-1]；

S4.2、取所述特征X的(2K+1)个H长度的连续时序序列：