[发明专利]一种基于残差后验的异常值在线检测及置信度评估方法

权利要求书

1.一种基于残差后验的异常值在线检测及置信度评估方法，其特征在于：包括以下步骤：

步骤1：采集燃煤机组超低排放浓度历史数据，根据历史数据建立时间序列数据，对时间序列数据进行线性拟合得到当前时刻的数据与之前p个数据的线性组合公式，预测后续时间的数据值；

步骤2：将步骤1预测的数据值与实际检测的数据值进行对比，得到预测残差序列；

步骤3：采用KDE核密度估计法确定预测残差序列的概率密度函数，根据概率密度函数计算当前时刻的残差概率；

步骤4：应用Bayesian原理对预测残差序列进行后验比检验，判断当前时刻的数据是否为异常点，如果为异常点，执行步骤5，否则输出正常并结束；

步骤5：采用SOM神经网络，以步骤1中的时间序列数据作为输入进行训练从而建立SOM状态模型，得到离散的状态序列和状态转移概率矩阵，定义异常打分函数，根据从状态转移概率矩阵查得的数据状态改变发生的概率计算当前时刻数据的异常得分，确定数据异常置信度；

步骤6：根据数据异常置信度，辨识燃煤机组污染物排放浓度时序数据中的异常值，实现污染物排放浓度数据的正常与否的在线检测。

2.根据权利要求1所述的基于残差后验的异常值在线检测及置信度评估方法，其特征在于：所述的步骤1包括：

(1)采集燃煤机组超低排放浓度历史数据，根据历史数据建立时间序列数据{x₁，x₂...，x_t}，其中t为时间，x_t为时刻t采集的数据，p阶AR模型AR(p)将时间序列当前值x_t建模为它的p个相邻历史值的线性组合，并加上常数项和随机误差，模型如下：

式中：a₀是常数项；a_i(i＝1，2，...，p)是自回归系数；ε_t代表随机误差，是均值为0、方差为σ²且相互独立的白噪声序列；

(2)选取一个大小固定为L的滑动窗口，从时间序列数据中选取需要预测的当前t时刻的前L个数据{x_t-L，x_t-L+1...，x_t-1}，将前L个数据{x_t-L，x_t-L+1...，x_t-1}导入滑动窗口内，利用窗口中的数据对AR模型进行在线训练，确定p、a₀、a_i和ε_t的值，用训练好的AR模型预测当前t时刻的数据。

3.根据权利要求2所述的基于残差后验的异常值在线检测及置信度评估方法，其特征在于：所述的步骤2包括：

(1)将步骤1中当前t时刻的实际检测数据减去预测数据从而求得当前t时刻的残差e_t，并按照下列公式(2)求得前L+1个预测数据的残差{e_t-L，e_t-L+1...，e_t-1}，从而获得残差序列公式如下：

其中i＝t-L，...，t，e_i为时刻i的残差，x_i为时刻i的实际检测的真实数据，为时刻i的预测数据。

4.根据权利要求3所述的基于残差后验的异常值在线检测及置信度评估方法，其特征在于：所述的步骤3包括：

采用KDE核密度估计法得到预测残差序列的概率密度函数，根据概率密度函数求得时间段(t-L，t)中任意时间点i的残差e_i的概率p(e_i)，p(e_i)取其所属值域区间的概率作为此点的概率，则当前t时刻的残差概率为：