CN101408769A - 一种基于乘积arima模型的在线能源预测系统及方法 - Google Patents

Abstract

一种基于乘积ARIMA模型的在线能源预测系统及方法，属于钢铁企业能源预测技术领域。该系统包括现场的可编程控制器PLC，集散控制系统DCS组成的过程控制系统PCS层，生产执行系统MES层，企业资源计划管理ERP层，网络体系；网络体系由安装在现场的数据采集系统SCADA，实时数据库服务器，数据库服务器，应用服务器，客户端工作站，防病毒数据库以及连接各个计算机、控制器、传感器的网络组成。优点在于：通过预测算法参数配置模块配置合适的模型级次，可以实现对多种数据类型包括平稳、非平稳、季节波动数据进行实时在线预测。

Description

一种基于乘积ARIMA模型的在线能源预测系统及方法

技术领域

本发明属于钢铁企业能源预测技术领域，提供了一种基于乘积ARIMA模型的在线能源预测系统及方法，可以对多种数据类型包括平稳，非平稳，季节波动进行建模预测，主要用于短期及中期预测。

背景技术

钢铁企业能源的流动和波动情况受很多因素的影响，复杂多变，难于把握，在很大程度上表现为一种随机不稳定状态，而影响其波动的因素又时有发生，不可能用一种固定的模型达到准确预测的效果，如果不能利用最近的信息对模型参数进行修正，将产生较大的预测偏差。因此本文提出一种基于乘积ARIMA模型的在线能源预测方法。

目前的预测技术大致分为三类：(1)定性预测方法。这种预测方法适用于缺乏历史统计数据的系统对象，一般是人们根据系统过去和现在的经验，判断和直觉进行预测，其中以人的逻辑为主，仅要求提供系统发展的方向、状态、形式等定性结果。目前钢厂方面的能源预测好多是基于此类的经验预测，对预测者的专家经验要求比较高。(2)因果关系预测方法。这类预测方法的理论基础是系统变量之间存在某种前因后果的关系，找出影响某种结果的几个因素，建立因与果的数学模型，根据因变量的变化预测结果变量的变化，即预测系统的发展方向又确定具体的数值变化规律。主要方法包括时间序列分析、线性回归分析、灰色预测、神经网络技术等。其中时间序列分析和灰色预测即可基于历史数据预测又可基于因果关系预测。基于因果关系的时间序列预测主要应用在控制领域。灰色预测技术比较常用的是GM(1，1)模型，具有建模简单，建模数据少的优点，但是它也有本身的不足例如：建模数据要求非负，数据趋势呈指数增长等，这就限制了其在实际中的广泛应用。尽管目前有很多方法例如经过数据预处理，使其负荷指数增长；改变建模方式等使其应用范围开阔了很多，但是也只是针对某些能源介质特定的变化趋势而言，预测效果较好，而对于钢厂复杂多变的环境并不适应。神经网络技术在能源预测领域也是广为应用的一种方法，但是由于神经网络技术建模训练时间较长，存在局部极值等缺陷，不适合用于在线预测。回归预测技术虽然是一种比较成熟的预测技术，但是由于钢铁行业影响能源波动的因素比较多，很难用一个因果关系的回归模型来描述，即使能拟合出这样一个比较满意的回归方程，其结果也很难用于预测。因为一般在因果关系中，因变量和自变量在时间上是同步的，如果因变量的未来状态无法获取，则这种回归模型，将无法用于预测。(3)时间序列预测方法。该方法适用于利用统计数据研究预测对象随时间变化的趋势。它主要是根据对象随时间变化的历史资料，只考虑系统变量随时间的变化规律，对系统未来的表现进行定量预测。主要有移动平均法(MA)，自回归方法(AR)，自回归滑动平均法(ARMA)，自回归求和滑动平均方法(ARIMA)，指数平滑法，趋势外推法等。其中ARMA方法是由Box-Jenkins在70年代初提出的一种时间序列方法，其中AR、MA模型，指数平滑模型只是作为它的特列包含在内。而ARIMA模型主要是针对非平稳过程的一类时间序列方法。它的应用范围比较广泛：平稳模型，非平稳模型，它适用于描述许多时间序列，一旦对序列确定出合适的模型，立刻就有最优的预报方法，在生产实践中获得了广泛应用，是一类非常重要的随机模型描述方法。而乘积ARIMA模型则是在ARIMA模型的基础之上针对具有季节波动性的数据列提出的一种描述模型，扩大了时间序列模型的应用范围，乘积ARIMA模型适用于平稳、非平稳、季节波动数据类型。

发明内容

本发明的目的在于提供一种基于乘积ARIMA模型的在线能源预测系统及方法，根据钢铁行业能源波动状况的随机，不稳定性，提出了一种基于ARIMA方法的能源在线预测技术，适用于平稳、非平稳、季节波动多种能源数据类型，并且结合钢厂的生产和检修计划对预测结果进行修正，形成比较完整的能源在线预测体系。预测结果可以为钢铁行业调度人员提供决策支持。

本发明的系统包括现场的PLC(可编程控制器)，DCS(集散控制系统)组成的PCS(过程控制系统)层，生产执行系统MES层，企业资源计划管理ERP层，网络体系；网络体系由安装在现场的数据采集系统SCADA，实时数据库服务器，数据库服务器，应用服务器，客户端工作站，防病毒数据库以及连接各个计算机、控制器、传感器的网络组成。

由PLC、DCS组成的PCS层是钢厂自动化系统的基础和核心，包括各种自动化生产设备、自动化控制仪表、自动化检测仪器等，负责现场设备的智能控制过程和生产中第一线实时数据的采集。

MES层是连接PCS层和ERP层的桥梁，它从ERP系统接受生产计划信息，并对生产计划进行分解，产生调度指令，指导企业生产活动。同时接受从PCS层传递来的数据，并进行整理，为ERP层提供决策支持。

ERP层可以根据市场状况及未来订单从全局出发制定生产计划，下发给MES层指导生产。

数据采集系统(SCADA)：主要实现数据采集和现场的控制。它包括两个层次的含义：一是分布式数据采集系统即智能数据采集系统，也就是通常所说的下位机；另一个是数据处理和显示系统，即上位机HMI。下位机一般意义上通常是指硬件层次上的，即各种数据采集设备，如RTU、FTU、PLC及各种智能控制设备等。这些智能采集设备与生产过程中的仪表相结合，感知设备各种参数的状态，并将这些状态转换成数字信号，通过数字通信网传递到HMI系统，上位机HMI系统接受这些信息后，会对这些信息进行处理同时以适当的形式如声音、图形、图像等方式展现给用户，以达到监视的目的。这些处理后的数据会保存到实时数据库(如InSql)中，以供给数据管理系统使用。

实时数据库服务器：负责实时存储数据采集系统传上来的能源数据，为能源预测功能及其他数据管理功能提供数据支持。

数据库服务器：运行专业的关系型数据库，将现场的生产过程数据和设备运行数据以及从ERP或者MES系统获得的能源计划数据和检修数据等存在数据库中。

应用服务器：它是整个系统的核心，主要通过与数据库以及客户端通信，担负着预测项目配置模块，预测模型参数配置模块，实时动态预测模块的数据请求和计算工作。

客户端工作站：主要提供人际交互的界面，以比较友好的方式展现预测结果及根据用户请求进行结果分析和验证。

防病毒服务器：主要负责网络病毒的防护、网络病毒库的更新。

能源预测的任务主要是通过一下几个功能模块实现的：1、预测项目配置模块2、预测算法参数配置模块3、能源预测模块4、预测结果展示及验证模块。其预测步骤为：

a、配置能源预测项目及相应的预测模型参数；

b、从模型库提取能源预测模型，利用实时数据，在线建模预测；

c、利用预测结果展示和验证模块进行预测结果展示及分析，当结果误差较大时，重新进行模型阶次参数配置。

1、预测项目配置模块：主要负责与数据库通讯，配置各种预测项目名称、相应描述信息、预测媒介、数据采集点等信息，并存入数据库，同时提供增加，删除，修改操作，方便用户更改预测项目信息。

2、预测算法参数配置模块：本发明基于乘积ARIMA算法对钢铁企业各能源介质波动状况进行预测，并且对该算法进行了封装，只提供以下7个参数作为该算法的输入参数：非季节自回归阶次p，非季节滑动平均阶次q，非季节差分阶次d，季节自回归阶次P，季节滑动平均阶次Q，季节差分阶次D，季节变动系数S。可以用(p，d，q)×(P，D，Q)_S模型来描述。模型适用于平稳、非平稳、季节波动特性的数据序列。针对各种能源介质的波动特点，设定模型参数，存入预测模型算法库。另外为了辅助模型参数的设定，此模块还提供了包括数据提取，数据分析，建模，模型验证在内的人际交互界面。

数据提取部分提供了5钟数据源的提取途径：Oracel关系数据库，SQLServer关系数据库，Excel数据文件，TxT文本数据文件，XML系统数据库。数据提取后把数据分为建模数据和模型测试数据两部分。

数据分析部分主要是提供对原始数据，各阶次差分数据的自相关函数(ACF)，偏相关函数(PACF)分析及图像化展示。

建模部分主要是利用分析结果确定模型阶次并运用建模数据进行建模预测。

模型验证部分主要是运用测试数据对建模预测结果进行分析检验及预测效果评估。它提供了各种量化指标来实现这部分功能包括绝对误差与相对误差、平均绝对相对误差、均方误差、均方根误差、灰色关联度、后验差检验。

3、能源预测模块：从数据库中提取各预测项目的历史数据，并进行数据预处理，主要是进行空值和异常值的处理。然后从算法库中抽取已配置好阶次的预测模型，进行相应阶次下的参数辨识并输出预测结果。同时检查生产和检修计划，如果预测时段内有检修任务，则对预测结果进行相应修正。预测结果会定时存入数据库，以备预测结果验证模块的调用。需要说明的是如果是短期预测，则此模块的历史数据直接来源于实时数据库，如果是中期预测则定时从关系型数据库中获取。

4、预测结果展示及验证：预测结果展示及验证模块可以根据用户的选择提供预测结果的图像化表示，如果有分析请求可以从数据库中提取预测时刻之前的预测数据和实测数据进行绝对误差与相对误差、平均绝对误差与相对误差、均方误差、均方根误差、灰色关联度等各种指标的量化分析，以方便对模型动态预测效果的验证。如果经分析预测误差较大，可以在预测算法参数配置模块重新配置参数，并更新到对应的算法库。

本发明的优点在于：

对乘积ARIMA算法进行封装使用，使其对外应用更加简单、便捷。并且提供了包括数据分析，建模及模型验证的相关方法来辅助对模型相应阶次的设定。使乘积ARIMA模型形成模型辨识、参数估计、建模、模型验证的整个体系，便于根据不同能源数据波动类型对模型进行配置。

系统整个预测体系分为静态配置和动态预测，功能分配合理，同时也使其使用更加灵活。静态配置部分可以根据用户需要对不同能源介质进行预测项目配置和预测模型配置，通过增加、修改和删除操作直接对数据库和模型库中的相应配置信息进行修改。如果动态预测效果不好，可以再次修改相应的配置信息。有比较友好的人际交互功能。

附图说明

图1是本发明的系统结构图。

图2是本发明的乘积ARIMA模型的参数配置流程图。

图3是本发明的能源预测模块算法流程图。

图4是本发明的预测系统功能结构图。

具体实施方式

图1～图4为本发明的一种具体实施方式。

图1为系统结构图，主要包括底层的数据采集系统，实时数据库服务器，数据库服务器，应用服务器，防病毒服务器，客户端。其中数据采集系统主要负责数据采集和现场监控；数据库服务器和实时数据服务器为预测功能的实现提供数据支持；应用服务器主要运行预测模块；客户端主要提供人际交互功能，以图像化的方式展现预测结果。

图2为乘积ARIMA模型的参数配置流程图。从数据源提取预测项目的能源数据，经过数据分析，初步确定模型阶次，根据确定的模型阶次建立乘积ARIMA模型，最后用所建模型对测试数据进行预测并对预测结果进行分析验证，如果满意预测结果，则把所确定的模型阶次存储到模型算法库，否则重新进行模型阶次的设定。

图3为能源预测模块算法流程图。从数据库提取建模历史数据，并对数据预处理，从算法库获取相应预测模型的阶次信息，然后运用历史数据和已配置的模型阶次在线辨识模型参数，并进行预测计算。同时检查检修计划，如果有检修，则修正预测结果，然后输出。否则，直接输出预测结果。

图4为预测系统功能结构图。主要包括预测项目配置模块，预测模型参数配置模块，能源预测模块，预测结果展示及验证模块。

1、利用钢厂以太网，连通数据采集系统、实时数据库服务器、数据库服务器、应用数据库服务器、防病毒服务器、客户端工作站以及企业的MES系统和ERP系统。

2、运用本发明中的预测项目配置工具及预测模型参数配置工具将配置好的预测项目信息和预测模型信息分别存储到数据库服务器和模型库文件。

3、开启本发明中的应用服务器中的能源预测服务，进行实时预测计算。在客户端根据用户需求选择相应的预测项目进行预测结果的图形化展示及预测结果分析验证。如果预测结果不满足要求，则重新进行预测模型参数配置，并保存到算法库，供能源预测模块使用。

Claims (3)

1、一种基于乘积ARIMA模型的在线能源预测系统，其特征在于：该系统包括现场的可编程控制器PLC，集散控制系统DCS组成的过程控制系统PCS层，生产执行系统MES层，企业资源计划管理ERP层，网络体系；网络体系由安装在现场的数据采集系统SCADA，实时数据库服务器，数据库服务器，应用服务器，客户端工作站，防病毒数据库以及连接各个计算机、控制器、传感器的网络组成；

由PLC、DCS组成的PCS层包括各种自动化生产设备、自动化控制仪表、自动化检测仪器，负责现场设备的智能控制过程和生产中第一线实时数据的采集；

MES层是连接PCS层和ERP层的桥梁，它从ERP系统接受生产计划信息，并对生产计划进行分解，产生调度指令，指导企业生产活动；同时接受从PCS层传递来的数据，并进行整理，为ERP层提供决策支持；

ERP层是整个系统架构的最高层，它制定生产计划，下发给MES层指导生产；

数据采集系统SCADA：负责底层DCS，PLC系统的数据采集和监控，将采集的数据上传到实时数据库，供给上层的数据管理系统使用；

实时数据库服务器：负责实时存储数据采集系统传上来的能源数据，为能源预测功能及其他数据管理功能提供数据支持；

数据库服务器：运行专业的关系型数据库，将现场的生产过程数据和设备运行数据以及从ERP或者MES系统获得的能源计划数据和检修数据等存在数据库中；

应用服务器：它是整个系统的核心，通过与数据库以及客户端通信，担负着预测项目配置模块，预测模型参数配置模块，实时动态预测模块的数据请求和计算工作；

客户端工作站：提供人际交互的界面，以比较友好的方式展现预测结果及根据用户请求进行结果分析和验证；

防病毒服务器：主要负责网络病毒的防护、网络病毒库的更新。

2、一种使用权利要求1所述系统基于ARIMA模型的在线能源预测方法，其特征在于：通过预测项目配置模块、预测算法参数配置模块、能源预测模块、预测结果展示及验证模块几个功能模块实现在线能源预测；其预测步骤为：

a、配置能源预测项目及相应的预测模型参数；

b、从模型库提取能源预测模型，利用实时数据，在线建模预测；

c、利用预测结果展示和验证模块进行预测结果展示及分析，当结果误差较大时，重新进行模型阶次参数配置。

3、按照权利要求2所述的方法，其特征在于：

预测项目配置模块：配置各种预测项目名称、相应描述信息、预测媒介、数据采集点等信息，并存入数据库，同时提供增加，删除，修改操作，方便用户更改预测项目信息；

预测算法参数配置模块：针对各种能源介质的波动特点，设定模型阶次参数，存入预测模型算法库；另外为了辅助模型参数的设定，此模块还提供了包括数据提取，数据分析，建模，模型验证在内的人际交互界面；使乘积ARIMA模型形成模型辨识、参数估计、建模、模型验证的整个体系，便于根据不同能源数据波动类型对模型进行配置；

能源预测模块：从数据库中提取各预测项目的历史数据，并进行数据预处理，主要是进行空值和异常值的处理；然后从算法库中抽取已配置好阶次的预测模型，进行相应阶次下的参数辨识并输出预测结果；同时检查生产和检修计划，如果预测时段内有检修任务，则对预测结果进行相应修正；预测结果会定时存入数据库，以备预测结果验证模块的调用。

预测结果展示及验证模块：根据用户的选择提供预测结果的图像化表示，如果有分析请求可以从数据库中提取预测时刻之前的预测数据和实测数据进行绝对误差与相对误差、平均绝对误差、均方误差、均方根误差、灰色关联度等各种指标的量化分析，以方便对模型动态预测效果的验证；如果经分析预测误差较大，在预测算法参数配置模块重新配置参数，并更新到对应的算法库。

Images