[发明专利]一种工控系统主动防危的方法

权利要求书

1.一种基于LS-SVM的时间序列预测模型，应用与工业控制系统局部单点主动防危。其特征在于，他包括以下步骤：

步骤一、确定滑动窗口参数，选取工业控制系统满足滑动窗口数量的实时数据，对不同数据进行加权；、根据加权实时数据作为训练样本建立LS-SVM模型；

步骤二、对新输入样本进行预处理，去除工业现场噪声影响，根据嵌入维数和延迟时间对输入样本进行相空间重构并归一化，使得输入向量满足预测要求，根据输入向量建立加权LS-SVM预测模型；

步骤三、将处理的输入向量作为预测模型输入至步骤一建立的训练模型，得到输出预测值；

步骤四、将得到的预测输出值作为反馈，迭代为输入向量，进行迭代自适应多步预测；

步骤五、将预测值与实际值进行比对，判断是否进行模型更新，需要更新则重建LS-SVM预测模型。

2.根据权利要求1所述的时间序列预测模型，其特征在于，步骤一中获取的加权输入数据过程为：

步骤11、确定工业控制现场采集数据的滑动窗参数，获得输入的数据；

步骤12、确定不同输入数据的权值，用于提高预测模型的鲁棒性，构建加权预测模型。

3.根据权利要求2所述的时间序列预测模型，其特征在于，步骤一中权值的确定使用柯西分布加权。

4.根据权利要求1所述的时间序列预测模型，其特征在于，步骤二中建立加权LS-SVM预测模型：

步骤21、对输入样本进行预处理，去除工业现场噪声；

步骤22、确定向量重构参数嵌入维数和延迟时间。进行向量相空间重构；

步骤23、根据重构向量作为训练样本进行LS-SVM建模；模型表示为

其中α_i为Lagrange乘子，核函数选取小波核，公式中参数公式如下：

5.根据权利要求4所述的时间序列预测模型，其特征在于，步骤二中参数确定采用贝叶斯证据框架方法。

6.根据权利要求1所述的时间序列预测模型，其特征在于，步骤五判定LS-SVM预测效果，当模型使用的预测时间超过设定值，或者模型预测精度低于阈值时进行更新。