一种能源化工生产系统多元监测时间序列回归预测方法技术方案

本发明专利技术公开了一种能源化工生产系统多元监测时间序列回归预测方法，采用符号传递熵计算方法度量能源化工系统多元监测时间的耦合关系，根据耦合关系强弱程度确定有助于目标监测时间序列回归预测精度的辅助监测时间序列，从而避免无关监测时间序列对目标监测时间序列回归预测的影响，在此基础上，采用深度回声状态网络模型作为回归预测模型，为提高模型的非线性映射能力，采用Leaky‑ReLU激活函数优化回归预测模型的激活函数，使得模型的非线性映射能力更强，采用差分进化算法进行回归预测模型超参数优化，从而使得多元监测时间序列的回归预测精度更高，为实现异常仪表的检测及数据重构提供一种有效方案，对维持能源化工生产系统的安全平稳运行具有重大意义。

【技术实现步骤摘要】
一种能源化工生产系统多元监测时间序列回归预测方法
本专利技术属于能源化工生产系统监测时间序列回归预测领域，具体涉及一种能源化工生产系统多元监测时间序列回归预测方法。
技术介绍
在能源化工生产系统中，各类测量仪表、传感器等测量设备的监测数据是实现设备状态监测和生产精准化管控的基础，然而系统中许多测量设备经常因为出现故障而向控制系统传送虚假数据，从而影响系统的平稳运行，通过基于能源化工生产系统多元监测时间序列回归预测的方式来实现异常仪表的检测及数据重构对于维持系统的安全平稳运行具有重大意义。当前，随着传感控制技术及计算机集成技术的普及和不断发展，能源化工生产系统不断向大型化、集成化、信息化、智能化方向高速发展，与此同时，对系统运行状态监测的要求也越来越高。因此，能源化工企业需要通过大量的各种测量仪表充分采集反映设备运行状态、产品质量等相关工业数据以实现对系统运行状态的准确评估，从而实现生产系统的高效、精准化控制。准确、可靠的测量数据是实现系统服役状态准确评估的基础，然而许多生产装置中的测量仪表因为受恶劣生产环境的影响而经常出现各种故障，这些故障仪表的虚假测量数据极易引起对系统服役状态的错误评估，进而引起控制系统的误操作，影响系统的安全平稳运行。因此，通过基于多元监测时间序列回归预测的方式来实现异常仪表的检测及数据重构对于维持能源化工生产系统的安全平稳运行具有重大意义。能源化工生产系统多元监测时间序列回归预测研究作为一个具有重大意义地研究课题，引起了国内外许多学者的关注。然而，现有的能源化工生产系统多元监测时间序列的回归预测研究没有严格的辅助监测时间序列选择方法，而且采用的回归预测模型一般都是基于主元回归分析、卡尔曼滤波器等只具备线性映射能力的模型。然而，在实际的工程应用中，能源化工生产系统中监测时间序列间耦合关系强度大不相同，部分监测时间序列耦合关系紧密，有的则只具有较弱的耦合关系，前者有助于目标监测时间序列的回归预测，后者则相反；更为重要的是能源化工生产系统中的监测时间序列具有混沌性、非线性、非平稳性等特征，传统的多元监测时间序列回归预测在针对此类回归预测任务时获得结果不甚理想。因此，亟需一种考虑能源化工生产系统监测时间序列间耦合关系，并且具备较强非线性映射能力的高精度多元监测时间序列回归预测方法。
技术实现思路
本专利技术的目的在于提供一种能源化工生产系统多元监测时间序列回归预测方法，以克服现有技术的不足。为达到上述目的，本专利技术采用如下技术方案：一种能源化工生产系统多元监测时间序列回归预测方法，包括以下步骤：步骤1)、收集能源化工生产系统多元监测时间序列历史数据，利用符号传递熵计算方法度量多元监测时间序列历史数据的耦合关系，根据耦合关系强弱程度确定目标监测时间序列回归预测的辅助监测时间序列；步骤2)、根据步骤1)得到辅助监测时间序列，采用深度回声状态网络建立目标监测时间序列的回归预测模型；步骤3)、采用Leaky-ReLU激活函数优化回归预测模型的激活函数；步骤4)、利用差分进化算法对步骤3)优化后的回归预测模型的超参数进行优化，利用超参数优化后的回归预测模型进行目标监测时间序列的回归预测。进一步的，步骤1)中多元监测时间序列耦合关系计算具体包括以下步骤：1.1)、对能源化工生产系统中每个监测时间序列进行相空间重构，相空间重构的延迟时间t和嵌入维数m分别采用互信息法和Cao方法确定；1.2)、对于进行符号传递熵计算的两个监测时间序列应该有相同的相空间重构参数，其公共相空间重构参数为：式中，m—表示公共嵌入维数，t—表示公共延迟时间，INT—表示取整；1.3)、通过步骤1.2)获得公共相空间重构参数后，进行监测时间序列的相空间重构，设监测时间序列X＝{x1,x2,…,xN-1,xN}的长度为N，按照嵌入理论，其相空间重构矩阵为：式中，Nm——重构的相空间矩阵中相点个数，且Nm＝N-(m-1)τ；τ——延迟时间；m——嵌入维数，且m≥2D+1；1.4)、对步骤1.3)获得的相空间矩阵进行符号化以获得符号序列，对每一个m维Xt＝(xt,xt+τ,...,xt+(m-1)τ)向量，时间t按等级kt1升序排列为相等幅值则按时间指数排列；每个m维向量的符号序列排列为：1.5)、通过步骤1.4)得到Nm个符号序列，统计每个符号序列出现的频率，计算相关条件概率和联合概率，按照公式(4)计算符号传递熵：1.6)、根据步骤1.5)符号传递熵的计算结果，选取与目标监测时间序列有较强耦合关系的监测时间序列作为辅助监测时间序列。进一步的，监测时间序列之间的耦合关系值若大于设定的耦合阈值，则作为辅助监测时间序列，监测时间序列之间的耦合关系值小于设定的耦合阈值，则舍弃。进一步的，将选择的辅助监测时间序列作为输入，采用回声状态网络DESN建立目标监测时间序列的回归预测模型，并对回归预测模型进行学习训练。进一步的，回声状态网络模型学习训练过程具体包括以下步骤：2.1)、初始化回声状态网络模型，在选取储备池参数L、N、SR、IS和SD的基础上生成储备池及其对应的邻接矩阵Wi，随机生成权值矩阵Wiin和Wback，设置储备池的初始状态x(0)；在之后的训练过程中，Wiin、Wi和Wback均不再更新；L—深度储备池的层数，N—单层储备池神经元个数，SR—储备池谱半径，IS—储备池输入单元尺度，SD—储备池稀疏程度；2.2)、深度储备池状态更新，回声状态网络模型的深度储备池层的状态更新方程方式如下：xi(t+1)＝(1-ξ)xt(t)+fout(Wiinli(t+1)+Wixi(t))(5)其中，xi代表第i个储备池的状态，代表第i个储备池的内部神经元间的连接权值矩阵，Ni代表第i个储备池内部的神经元个数；Wiin表示第i个储备池与外部输入间的输入权值矩阵，各储备池的输入矩阵大小符合如下公式：其中，Nu表示输入层的神经元个数；2.3)、网络状态收集：回声状态网络模型具有多个储备池，需要将各储备池每一步的网络状态矩阵都进行收集，组成一个状态收集矩阵S，即：S(t)＝[x1(t),x2(t)…,xL(t)](7)其中，L表示储备池层数；2.4)、计算输出权值矩阵，回声状态网络模型的输出状态矩阵D和网络状态矩阵S以及输出权值矩阵Wout有如下关系：D＝SWout(8)采用线性回归的方式求解Wout，即：Wout＝S-1D(9)使用状态矩阵S伪逆S+1代替S-1，即：Wout＝S+1D(10)。进一步的，对差分进化算法模型进行初始化：确定适应度函数、设置基本参数和确定解空间及解分量控制限，完成初始化后初始化种群并计算初始种群的适应度值，若初始种群中有个体的适应度值为零或者初始化达到设定的最大的进化代数，则停止进化并输出最优解，否则继续迭代进化直至达到设定的最大的进化代数本文档来自技高网...

【技术保护点】
1.一种能源化工生产系统多元监测时间序列回归预测方法，其特征在于，包括以下步骤：/n步骤1)、收集能源化工生产系统多元监测时间序列历史数据，利用符号传递熵计算方法度量多元监测时间序列历史数据的耦合关系，根据耦合关系强弱程度确定目标监测时间序列回归预测的辅助监测时间序列；/n步骤2)、根据步骤1)得到辅助监测时间序列，采用深度回声状态网络建立目标监测时间序列的回归预测模型；/n步骤3)、采用Leaky-ReLU激活函数优化回归预测模型的激活函数；/n步骤4)、利用差分进化算法对步骤3)优化后的回归预测模型的超参数进行优化，利用超参数优化后的回归预测模型进行目标监测时间序列的回归预测。/n

【技术特征摘要】
1.一种能源化工生产系统多元监测时间序列回归预测方法，其特征在于，包括以下步骤：
步骤1)、收集能源化工生产系统多元监测时间序列历史数据，利用符号传递熵计算方法度量多元监测时间序列历史数据的耦合关系，根据耦合关系强弱程度确定目标监测时间序列回归预测的辅助监测时间序列；
步骤2)、根据步骤1)得到辅助监测时间序列，采用深度回声状态网络建立目标监测时间序列的回归预测模型；
步骤3)、采用Leaky-ReLU激活函数优化回归预测模型的激活函数；
步骤4)、利用差分进化算法对步骤3)优化后的回归预测模型的超参数进行优化，利用超参数优化后的回归预测模型进行目标监测时间序列的回归预测。


2.根据权利要求1所述的一种能源化工生产系统多元监测时间序列回归预测方法，其特征在于，步骤1)中多元监测时间序列耦合关系计算具体包括以下步骤：
1.1)、对能源化工生产系统中每个监测时间序列进行相空间重构，相空间重构的延迟时间t和嵌入维数m分别采用互信息法和Cao方法确定；
1.2)、对于进行符号传递熵计算的两个监测时间序列应该有相同的相空间重构参数，其公共相空间重构参数为：



式中，m—表示公共嵌入维数，t—表示公共延迟时间，INT—表示取整；
1.3)、通过步骤1.2)获得公共相空间重构参数后，进行监测时间序列的相空间重构，设监测时间序列X＝{x1,x2,…,xN-1,xN}的长度为N，按照嵌入理论，其相空间重构矩阵为：



式中，Nm——重构的相空间矩阵中相点个数，且Nm＝N-(m-1)τ；τ——延迟时间；m——嵌入维数，且m≥2D+1；
1.4)、对步骤1.3)获得的相空间矩阵进行符号化以获得符号序列，对每一个m维Xt＝(xt,xt+τ,...,xt+(m-1)τ)向量，时间t按等级kt1升序排列为相等幅值则按时间指数排列；每个m维向量的符号序列排列为：



1.5)、通过步骤1.4)得到Nm个符号序列，统计每个符号序列出现的频率，计算相关条件概率和联合概率，按照公式(4)计算符号传递熵：



1.6)、根据步骤1.5)符号传递熵的计算结果，选取与目标监测时间序列有较强耦合关系的监测时间序列作为辅助监测时间序列。


3.根据权利要求2所述的一种能源化工生产系统多元监测时间序列回归预测方法，其特征在于，监测时间序列之间的耦合关系值若大于设定的耦合阈值，则作为辅助监测时间序列，监测时间序列之间的耦合关系值小于设定的耦合阈值，则舍弃。


4.根据权利要求1所述的一种能源化工生产系统多元监测时间序列回归预测方法，其特征在于，将选择的辅助监测时间序列作为输入，采用回声状态网络DESN建立目标监测时间序列的回归预测模型，并对回归预测模型进行学习训练。


5.根据权利要求4所述的一种能源化工生产系统多元监测时间序列回归预测方法，其特征在于，回声状态网络模型学习训练过程具体包括以下步骤：
2.1)、初始化回声状态网络模型，在选取储备池参数L、N、SR、IS和SD的基础上生成储备池及其对应的邻接矩阵Wi，随机生成权值矩阵Wiin和Wback，设置储备池的初始状态x(0)；在之后的训练过程中，Wiin、Wi和Wback均不再更新；L—深度储备池的层数，N—单层储备池神经元个数，SR—储备池谱半径，IS—储备池输入单元尺度，SD—储备池稀疏程度；
2.2)、深度储备池状态更新，回声状态网络模型的深度储备池层的状态更新方程方式如下：
xi(t+...

【专利技术属性】
技术研发人员：程亚辉，高智勇，梁艳杰，刘倩倩，徐光南，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61