[发明专利]一种基于重采样的AAKR模型不确定度计算方法及系统

说明书

本发明公开了一种基于重采样的AAKR模型不确定度计算方法及系统，利用传感器历史状态数据集分为训练数据集和测试数据集，通过小波去噪方法对训练数据集进行去噪并计算噪声方差，提高数据精度，然后对传感器历史状态数据随机选择并进行替换，得到新训练数据集样本，以优化AAKR模型架构及多个模型预测值之间的变化即可得到多个模型预测值的模型预测方差，利用Bootstrap重采样训练数据，计算预测值和测试值之间的均方误差；结合原型模型方差计算模型偏差，形成95％的不确定度值，不需要进行经验分布模型对噪声估计值建模计算，简化了重采样过程，提高了计算效率，并且结合Jackknife方法降低了置信区间偏差保证其可靠性，在保持收敛性能基础上提高了估计效率。

技术领域

本发明涉及AAKR模型不确定性的量化方法，尤其是涉及一种基于重采样的AAKR模型不确定度计算方法及系统。

背景技术

核电厂关键设备在线状态监测系统，有助于减少灾难性故障的风险，降低由不必要的定期维修而产生的多余成本。其中基于经验模型的状态监测方法，不依赖于对故障机理模型的深入理解，从设备的历史运行数据和运行经验出发，判定设备是否发生异常，随着物联网、大数据技术的迅速发展被广泛应用。但经验模型在用于监控核电关键仪器设备时，涉及影响模型稳定性的不适定问题，必须伴随对其不确定性的估计，同时不确定性区间的准确估计可有效降低设备虚警和漏警率，从而减少设备停机带来的经济损失。而目前对模型回归值不确定分析研究较少，传统的蒙特卡罗不确定度确定方法使用概率分布模拟噪声获取采样数据，需总体分布的先验知识及足够大样本数据，效率低且经济成本高，无法有效确保关键设备传感器状态的预测精度。

发明内容

本发明的目的在于提供一种基于重采样的AAKR模型不确定度计算方法及系统，以克服现有技术的不足。

为达到上述目的，本发明采用如下技术方案：

一种基于重采样的AAKR模型不确定度计算方法，包括以下步骤：

步骤1)、将传感器历史状态数据集分为训练数据集和测试数据集；

步骤2)、通过小波去噪方法对训练数据集进行去噪并计算噪声方差；

步骤3)、通过Bootstrap方法对训练数据集进行多次重采样，每次重采样后得到一组新训练数据集，根据采样后各组新训练数据集建立多个新模型，根据多个新模型预测得到多个模型预测值，计算多个模型预测值之间的变化即可得到多个模型预测值的模型预测方差；

步骤4)、计算模型预测值与测试观察值之间的均方误差；

步骤5)、根据噪声方差、模型预测方差和均方误差计算得到模型偏差；

步骤6)、根据模型偏差和模型方差进行估计，可得到蒙特卡罗不确定度估计值为模型偏差的平方与模型方差之和的开方值的2倍。

进一步的，加载传感器历史数据，并对传感器历史数据进行检测纠正异常值，并将传感器历史状态数据集分为训练数据集和测试数据集。

进一步的，利用小波去噪方法对训练数据集去噪，

其中，ε_i是训练数据集中第i个训练观测值X_i的噪声估计；是训练数据集中第i个训练观测值X_i的真实值的估计值；训练数据集中i个变量噪声的方差为：

n_trn是训练观察次数；是噪声估计的期望值；是训练数据集噪声方差。

进一步的，利用下式计算多个模型预测值之间的变化即模型预测方差：