[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

说明书

本发明公开了一种基于残差后验的异常值在线检测及置信度评估方法，包括：采集数据,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；将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；采用KDE核密度估计法确定预测残差序列的概率密度函数；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；以时间序列数据作为输入，建立SOM状态模型，得到状态序列和状态转移概率矩阵，定义异常打分函数，输出异常评分。本发明通过比较数据为异常点和正常点的概率大小，在线辨识污染物排放浓度时序数据中的异常值，提高了异常值判断的准确性和可靠性。

技术领域

本发明涉及燃煤机组污染物排放浓度数据监测领域，具体涉及一种基于残差后验的异常值在线检测及置信度评估方法。

背景技术

为了有效降低燃煤机组污染物排放指标，我国近年来提出了燃煤机组污染物排放达到燃气机组排放指标的相关政策，即燃煤机组超低排放。江苏省燃煤机组于2014年开始大力开展超低排放改造，目前，约80％左右的135MW及以上机组已完成超低排放改造，并实现了污染物相关参数的在线监管，其中包括负荷工况参数和烟囱排口SO₂、NOx、烟尘浓度、氧量、温度、湿度、压力以及相关环保系统过程辅助参数。

随着超低排放改造工作的不断开展，燃煤机组污染物排放浓度数据的正常与否成为发电企业关注的焦点问题之一。燃煤机组超低排放监测数据随时间变化，是典型的时间序列数据。此外，超低排放浓度数据以10秒的时间间隔采集，一年的数据记录条数在315万左右。因此，超低排放浓度异常值辨识方法有2个任务：

1)异常值检测：根据近期数据的变化趋势，动态识别现场采集数据中与当前变化规律不一致的异常点；

2)异常值置信度评估：根据历史数据的长期变化规律，判断任务1)中发现的异常点是否合理，降低误报警的可能性。

早期的异常值检测方法大多基于统计学原理，需要事先假设样本的数据分布模型，然后采用假设检验的方法判断数据是否异常，但是通常情况下都缺少对样本的先验知识，假设检验的前提不成立，这就极大地降低了检测方法的可信度。

发明内容

本发明所要解决的技术问题是针对上述现有技术的不足提供一种基于残差后验的异常值在线检测及置信度评估方法，本基于残差后验的异常值在线检测及置信度评估方法通过比较数据为异常点和正常点的概率大小，在线辨识污染物排放浓度时序数据中的异常值。

为实现上述技术目的，本发明采取的技术方案为：

一种基于残差后验的异常值在线检测及置信度评估方法，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，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。

作为本发明进一步改进的技术方案，所述的步骤1包括：