CN112000927A - 基于相关系数的最近历史工况选择方法 - Google Patents
基于相关系数的最近历史工况选择方法 Download PDFInfo
- Publication number
- CN112000927A CN112000927A CN202010894477.4A CN202010894477A CN112000927A CN 112000927 A CN112000927 A CN 112000927A CN 202010894477 A CN202010894477 A CN 202010894477A CN 112000927 A CN112000927 A CN 112000927A
- Authority
- CN
- China
- Prior art keywords
- working condition
- correlation coefficient
- historical
- output variable
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明是基于相关系数的最近历史工况选择方法,首先确定研究对象,研究对象包括当前工况下的输出变量以及影响输出变量的n个输入变量;并对全部输出变量数据和输入变量数据进行归一化处理;接着,计算输入变量与输出变量间相关系数;通过相关系数计算当前工况与历史工况间的加权欧式距离;最后计算得到加权欧式距离最小时对应的历史工况为最接近工况。该种最近历史工况选择方法利用各输入变量对输出变量的影响,以此作为权重,保证从历史数据库中选择出与当前工况最接近的历史工况。
Description
技术领域
本发明是涉及工况选择技术领域,具体的说是基于相关系数的最近历史工况选择方法。
背景技术
着计算机和数据库技术的发展,工业生产过程中越来越多的数据被记录和保存下来,形成了海量历史工况库,这些历史工况是设备运行情况最真实的反映。从历史工况库中找到与当前输入工况最接近的工况数据,一方面可以根据对应的历史工况输出值预测当前设备输出值,另一方面可以根据相似输入工况下历史输出与当前输出的不同反映出设备状态的变化,可以说,与当前工况最接近的历史工况数据是非常有价值的。然而与当前工况完全相同的历史工况往往极少,如何确定历史工况库中哪一条工况与当前工况最为接近,就成了亟待解决的问题。
发明内容
本发明针对现有技术中的不足,提供一种基于相关系数的最近历史工况选择方法,能够从历史数据库中选择出与当前工况最接近的历史工况。
为实现上述目的,本发明采用以下技术方案:
基于相关系数的最近历史工况选择方法,其特征在于:计算各输入变量对输出变量的相关系数作为加权因子,再结合历史工况与当前工况欧式距离,获取与当前工况最接近的历史工况,具体步骤如下:
步骤1,确定研究对象,所述的研究对象包括当前工况下的输出变量以及影响输出变量的n个输入变量;
步骤2,对步骤1中全部输出变量数据和输入变量数据进行归一化处理;
步骤3,计算输入变量与输出变量间相关系数;
步骤4,计算当前工况与历史工况间的加权欧式距离;
步骤5,计算得到加权欧式距离最小时对应的历史工况为最接近工况。
所述的步骤2中输出变量数据和输入变量数据进行归一化处理的公式如下:
所述的步骤3中第j个输入变量与输出变量y间的相关系数计算如下:
所述的步骤4中前工况与历史工况间的加权欧式距离的计算公式如下:
本发明基于相关系数的最近历史工况选择方法的有益效果是:利用各输入变量对输出变量的影响,以此作为权重,保证选择出的最近历史工况中,对输出变量影响较大的输入变量与当前输入变量是接近的。
附图说明
图1是本发明基于相关系数的最近历史工况选择方法的工作流程图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
如图1所示,基于相关系数的最近历史工况选择方法,其特征在于:计算各输入变量对输出变量的相关系数作为加权因子,再结合历史工况与当前工况欧式距离,获取与当前工况最接近的历史工况,具体步骤如下:
步骤1,确定研究对象,所述的研究对象包括当前工况下的输出变量以及影响输出变量的n个输入变量;
步骤2,对步骤1中全部输出变量数据和输入变量数据进行归一化处理;
步骤3,计算输入变量与输出变量间相关系数;
步骤4,计算当前工况与历史工况间的加权欧式距离;
步骤5,计算得到加权欧式距离最小时对应的历史工况为最接近工况。
本实施例中,步骤2中输出变量数据和输入变量数据进行归一化处理的公式如下:
式中:是归一化后数据;z是归一化前数据;zmax是归一化前数据最大值;zmin是归一化前数据最小值。所述的归一化前数据包括连续t个时刻内的输出变量y和连续t个时刻内的n个输入变量,分别对每组数据进行归一化处理,实现量纲统一。
本实施例中,步骤3中第j个输入变量与输出变量y间的相关系数计算如下:
式中,ρXj,Y是输入变量xj与输出变量y的相关系数;矩阵矩阵Y=(y1,y2,...,yt);j=1,2,···,n;i=1,2,···,t。最终可以得到每个输入变量与输出变量之间的相关系数分别为ρX1,Y,ρX2,Y,ρX3,Y,...,ρXn,Y。
本实施例中,步骤4中前工况与历史工况间的加权欧式距离的计算公式如下:
以某火电机组SCR脱硝系统为例来介绍基于相关系数的历史工况选择方法的具体实施步骤如下:
步骤1,确定研究对象:其中,输出变量为机组最终排放NOx浓度;输入变量为发电机功率、SCR装置A侧入口NOx浓度、SCR装置A侧入口含氧量、SCR装置A侧喷氨量、SCR装置A侧出口NOx浓度、SCR装置B侧入口NOx浓度、SCR装置B侧入口含氧量、SCR装置B侧喷氨量、SCR装置B侧出口NOx浓度。
步骤2,对数据进行归一化处理:在所选时间段内,最终排放NOx浓度最大值为100mg/m3,最小值为0。发电机功率最大值为660MW,最小值为0。SCR装置A,B侧入口NOx浓度最大值为800mg/m3,最小值为0。SCR装置A,B侧出口NOx浓度最大值为500mg/m3,最小值为0。SCR装置A,B侧入口含氧量最大值为21%,最小值为0。SCR装置A,B侧喷氨量最大值为500L/h,最小值为0。
根据上述归一化公式对所选时间段内各个输入变量和输出变量数据进行归一化处理。
步骤3,计算输入变量与输出变量间相关系数:取对象30分钟的过程数据,采样周期为10秒,利用上述相关系数计算公式计算各变量与输出变量间相关系数,结果如表1所示:
表1相关系数
最终排放NOx浓度 | |
发电机功率 | 0.2 |
SCR装置A侧入口NOx浓度 | 0.25 |
SCR装置A侧入口含氧量 | 0.2 |
SCR装置A侧喷氨量 | 0.9 |
SCR装置A侧出口NOx浓度 | 0.95 |
SCR装置B侧入口NOx浓度 | 0.22 |
SCR装置B侧入口含氧量 | 0.19 |
SCR装置B侧喷氨量 | 0.8 |
SCR装置B侧出口NOx浓度 | 0.85 |
步骤4,计算当前工况与历史工况间加权欧式距离:利用表1中各输入变量相对于输出变量之间的相关系数作为权重,从历史工况中计算输入变量与当前工况的加权欧式距离,可得到最近历史工况。采用加权欧式距离与传统欧式距离计算得到的历史最近工况对比如表2所示,可以看出采用加权欧式距离选择出的历史最近工况,其输入与当前工况输出更加接近。
表2预测结果表
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (5)
1.基于相关系数的最近历史工况选择方法,其特征在于:计算各输入变量对输出变量的相关系数作为加权因子,再结合历史工况与当前工况欧式距离,获取与当前工况最接近的历史工况,具体步骤如下:
步骤1,确定研究对象,所述的研究对象包括当前工况下的输出变量以及影响输出变量的n个输入变量;
步骤2,对步骤1中全部输出变量数据和输入变量数据进行归一化处理;
步骤3,计算输入变量与输出变量间相关系数;
步骤4,计算当前工况与历史工况间的加权欧式距离;
步骤5,计算得到加权欧式距离最小时对应的历史工况为最接近工况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010894477.4A CN112000927A (zh) | 2020-08-31 | 2020-08-31 | 基于相关系数的最近历史工况选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010894477.4A CN112000927A (zh) | 2020-08-31 | 2020-08-31 | 基于相关系数的最近历史工况选择方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112000927A true CN112000927A (zh) | 2020-11-27 |
Family
ID=73464701
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010894477.4A Pending CN112000927A (zh) | 2020-08-31 | 2020-08-31 | 基于相关系数的最近历史工况选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112000927A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852511A (zh) * | 2019-11-13 | 2020-02-28 | 苏文电能科技股份有限公司 | 基于天气温度与k邻近理论的居民短期用电预测方法 |
CN111444942A (zh) * | 2020-03-11 | 2020-07-24 | 中南大学 | 一种高炉铁水硅含量智能预报方法及系统 |
-
2020
- 2020-08-31 CN CN202010894477.4A patent/CN112000927A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852511A (zh) * | 2019-11-13 | 2020-02-28 | 苏文电能科技股份有限公司 | 基于天气温度与k邻近理论的居民短期用电预测方法 |
CN111444942A (zh) * | 2020-03-11 | 2020-07-24 | 中南大学 | 一种高炉铁水硅含量智能预报方法及系统 |
Non-Patent Citations (1)
Title |
---|
IAN BENTLEY: "Particle-hole symmetry numbers for nuclei", 《INDIAN JOURNAL OF PHYSICS》, vol. 90, pages 1069, XP036019861, DOI: 10.1007/s12648-016-0843-8 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210132904A1 (en) | Apparatus and methods for neural network operations supporting floating point numbers of short bit length | |
US20190122094A1 (en) | Apparatus and Methods for Neural Network Operations Supporting Fixed Point Numbers of Short Bit Length | |
CN112365045A (zh) | 一种基于大数据的主蒸汽温度智能预测方法 | |
CN105117326A (zh) | 一种基于组合混沌序列的测试用例集生成方法 | |
CN113094988A (zh) | 一种基于数据驱动的浆液循环泵运行优化方法及系统 | |
CN112580784A (zh) | 基于多输入多输出卷积神经网络的设备智能预警方法 | |
CN112417764A (zh) | 一种面向锅炉特种设备蒸汽量预测的k近邻回归预测方法 | |
Prusty et al. | Feasibility of ANFIS towards multiclass event classification in PFBR considering dimensionality reduction using PCA | |
CN114662406A (zh) | 机器学习辅助建立岩石节理峰值抗剪强度预测模型的方法 | |
CN115829157A (zh) | 基于变分模态分解和Autoformer模型的化工水质指标预测方法 | |
Kim et al. | Deep learning-based data augmentation for hydraulic condition monitoring system | |
Yao et al. | Fault diagnosis based on RseNet-LSTM for industrial process | |
CN109698366A (zh) | 一种燃料电池阳极流道氮浓度估计方法及装置 | |
CN112000927A (zh) | 基于相关系数的最近历史工况选择方法 | |
CN113157561A (zh) | 一种数控系统软件模块的缺陷预测方法 | |
CN115018162B (zh) | 一种工业精加工过程加工质量实时预测方法和系统 | |
CN108549757B (zh) | 一种模型自选择的往复式混输泵排出流率预测方法 | |
CN115983137A (zh) | 基于相似性原理和深度学习的涡轮流场预测方法及相关装置 | |
CN116029433A (zh) | 基于灰色预测的能效基准值判定方法、系统、设备和介质 | |
Hosseinzadeh Lotfi et al. | An MOLP based procedure for finding efficient units in DEA models | |
TW202221564A (zh) | 硫氧化物的預測方法與燒結工廠 | |
Fang et al. | Attention enables zero approximation error | |
Mihály et al. | Optimization of the Wastewater Treatment Plant Recycle Flowrates Using Artificial Neural Networks | |
Li et al. | An improved fuzzy k-means clustering with k-center initialization | |
CN111460005B (zh) | 一种基于jsd的时序数据的离群点检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |