[发明专利]基于多变量相关性及时滞性的流程工业系统预测模型

权利要求书

1.基于多变量相关性及时滞性的流程工业系统预测模型，其特征在于，

确定待预测指标和相关指标，所述相关指标是指对待预测指标产生影响的指标变量；

获取待预测指标变量某一时段的时间序列，作为比较序列；

获取所述相关指标变量在同一时段的时间序列，作为参考序列；

计算所述参考序列和比较序列的相关联度；

设置关联度阈值，根据相关联度对相关指标进行筛选，得到相关指标的特征变量集合S；

将所述特征变量集合S作为人工神经网络的输入变量，将待预测指标变量作为判断的基准变量，以最小化预测误差为目标，去除特征变量集合S中的无关和冗余特征变量，并在此过程中调整人工神经网络的参数，最终得到最优输入特征子集A，同时也建立了有效的待预测指标预测模型。

2.如权利要求1所述的基于多变量相关性及时滞性的流程工业系统预测模型，其特征在于，所述根据相关联度对相关指标进行筛选，得到相关指标的特征变量集合S，具体是指，将比较序列与参考序列的最大关联度，和所述关联度阈值比较，将大于所述关联度阈值的最大关联度对应的特征变量组成特征变量集合S。

3.如权利要求1或2所述的基于多变量相关性及时滞性的流程工业系统预测模型，其特征在于，所述计算所述参考序列和比较序列的相关联度，包括：

设参考序列为X₀＝[x₀(1)，...，x₀(n)]，比较序列为X₁＝[x₁(1)，...，x₁(i)]；

对所述参考序列和比较序列进行无量纲化处理：

根据公式

其中，在区间[k，k+1]上的面积

变化量；为在区间[k，k+1]上的面积变化量；

计算X⁰₀和X⁰₁的相关联度为：

4.如权利要求2或3所述的基于多变量相关性及时滞性的流程工业系统预测模型，其特征在于，所述最大关联度是指：

S1：从参考序列X₀截取某一段序列并表示为第一参考序列X₀₀＝[x₀(1)，...，x₀(n-i)]，从同一时段的比较序列X₁中截取相应序列并表示为第一比较序列X₁₁＝[x₁(1+i)，...，x₁(n)]，其中0≤i＜n；

当i＝1时，X₀₀＝[x₀(1)，...，x₀(n-1)]，X₁₁＝[x₁(2)，...，x₁(n)]；

对第一参考序列X₀₀和第一比较序列进行X₁₁无量纲处理得到和

S2：计算和的当前关联度：此时，参考序列X₀和比较序列X₁的最大关联度κ_max＝κ_curr，时滞步数lags＝i；

S3：令i＝i+1更新第一参考序列X₀₀和第一比较序列进行X₁₁，重复步骤S2，得到二者的当前关联度：κ′_curr；

若κ′_curr＞κ_max，则令最大关联度κ_max＝κ_curr；否则，不处理；

S4：C为设定的循环次数，判断i≤C，是否成立，若成立，则重复步骤S3；

若不成立，则返回候选变量序列X₀和参考序列X₁最大关联度κ_max和相应的时滞步数lags，X₁相对于X₀的延迟时间T＝τ·lags，τ为采样周期。

5.如权利要求3或4所述的基于多变量相关性及时滞性的流程工业系统预测模型，其特征在于，所述去除特征集合S中的无关和冗余特征变量，得到最优输入特征子集A，同时建立有效的待预测指标预测模型，具体包括：

2.1初始化输入特征子集A′，即A′＝{s(i)}，i＝1，初始化人工神经网络隐含层神经元个数和学习率；

2.2将输入特征子集A′结合当前时刻t和延迟时间T的值以及历史时刻d的待预测指标的值作为人工神经网络的一个输入样本，送入人工神经网络，计算人工神经网络的实际输出；

t时刻待预测指标的预测值表示为：

计算预测值与真实值的差值y(t)为t时刻待预测指标的真实值；

根据差值D调整人工神经网络的参数；

对每个时刻重复上述过程，直到差值D不超过设定的范围；

其中：n为第i个变量的样本数量，y(j)为待预测指标的真实值，为待预测指标的预测值；

计算待预测指标预测误差ε(i)：

2.3更新输入特征子集A′＝{A′+s(i+1)}，得到待预测指标预测误差ε(i+1)；

比较ε(i)与ε(i+1)的大小，若ε(i)＞ε(i+1)，则认为第i+1个变量为有效变量，保留第i+1个变量，跳至步骤2.2；

否则，令A′＝{A′-s(i+1)}，跳至步骤2.2；

当i＝n-1时，循环结束，从而得到与待预测指标最相关的且去除无关和冗余特征变量的最优输入特征子集A，A＝A′，此时的人工神经网络就是有效的待预测指标预测模型。