[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

说明书

基于多变量相关性及时滞性的流程工业系统预测模型，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。

技术领域

本发明涉及流程工业生产领域，特别涉及一种基于多变量相关性及时滞性的流程工业系统预测模型。

背景技术

流程工业普遍包含诸多重要的生产过程指标或变量，现场操作人员仅根据经验对某些特别关注的关键指标进行监测，从而调控整个生产过程，最终达到稳定生产的目标，如高炉炼铁过程中铁水温度，硅含量以及多种质量指标等。工业生产过程通常具有非线性和大滞后等特征，对这些指标的测量往往耗时长，难以检测，或根本无法检测，因此针对其建立有效的数学模型进行实时预测就显得尤为重要。另外，从实时生产调度出发，操作人员希望预先了解某些关键指标的未来变化趋势，这也使得指标趋势预测成为目前流程工业生产过程监控的重要任务。

被预测的指标值往往与生产过程中的多个过程变量相关，进行生产过程指标预测首先需要将与被预测指标最相关的特征变量从众多候选变量中挑选出来。通常数据变量(特征)的选择包括通过经验知识手动选择和基于数据分析的选择方法。通过经验知识的方法虽然方便快捷，但时常会因为经验不足出现错选漏选或特征冗余的情况。流程工业生产过程通常具有时滞性，输入变量的变化往往需要经过一段时间才能反映到被预测的指标上，所以需将输入变量的时滞性考虑到预测建模中。但是目前通常基于人工经验来手动选取延迟时间，预测模型建模的效果往往是难以保证的。传统的生产过程指标预测采用基于机理的建模方法，该方法在工艺机理分析的基础上，依据物料平衡、热量平衡和动力学建立数学模型。由于工业生产常常具有非平衡、非稳定和强非线性等特点，此类机理模型成本高、难度大，其准确性和可靠性难以保证，往往存在模型精度低和容易失配等问题。基于数据的预测建模与机理建模不同的是此类方法只关注模型的输入和输出，而无需对生产过程的反应或动力学等机理信息进行研究。

发明内容

本发明的一个目的是克服现有技术通过经验知识和基于数据分析的方法预测某些关键指标未来变化趋势，容易出现错选漏选或特征冗余的问题，提供了一种基于多变量相关性及时滞性的流程工业系统预测模型。

本发明解决其技术问题所采用的技术方案是：基于多变量相关性及时滞性的流程工业系统预测模型，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。

进一步地，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。

进一步地，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)]；