CN113723693A - 多因素模糊时间序列算法对设备指标进行预测的方法 - Google Patents

Abstract

本发明提出了一种多因素模糊时间序列算法对设备指标进行预测的方法，包括：步骤1：获取目标设备运行数据并选取相关指标；步骤2：对指标数据求变换率；步骤3：对数据进行论域划分；步骤4：定义模糊集合，对数据模糊处理；步骤5：构造多因素模糊时间序列预测模型，预测指标；步骤6：对预测值去模糊化处理；步骤7：得到最终的预测值；步骤8：计算预测模型的预测准确率，借此，本发明能提取并模糊化处理相关指标的变化率数据以得到多因素模糊时间序列，基于模糊时间序列提出新的融合多因素信息的模糊时间序列预测模型，对目标指标进行预测，为机组设备指标预测以及趋势预测提供有效方法预测准确率高、对实现设备指标预测具有重要意义。

Description

多因素模糊时间序列算法对设备指标进行预测的方法

技术领域

本发明属于电力设备数据分析技术领域，特别涉及一种多因素模糊时间序列算法对设备指标进行预测的方法。

背景技术

目前，众所周知，电厂设备发生故障有可能会造成人力、物力的极大损失，因此电厂设备的预测及预警是维护电厂设备安全运行的关键技术。设备预测技术可以预测电厂设备数据未来的数值，提前发现潜在故障，避免和减少设备损坏和不必要的损失，确定合理的维护时间和维修方案，从而降低设备维护成本、提高设备维护效率，保证设备安全、稳定的运行。精准的设备数据预测是制定设备维护计划的基础，由此可见设备数据指标预测的重要性。

以时间序列算法为基础的预测算法是常见的数据预测方法，近年来模糊时间序列由于结合了模糊数学及时间序列算法的优势，使得基于模糊时间序列的预测应用更加广泛，但是常见的模糊时间序列预测算法主要为单变量的时间序列预测。

传统的模糊时间序列预测模型大多数情况下仅仅考虑单变量的情形，但是在实际生活中，变量和变量之间都有着千丝万缕的关系，几乎没有一个变量是单独存在的，变量之间是相互影响、相互依存的。单变量、单因素模糊时间序列，忽略了变量之间的相互影响，不能很好地应用其他变量的重要信息。因此，如何充分利用这些变量所包含的信息以及变量之间的关系，建立高效的多变量、多因素的模糊时间序列模型对变量预测具有重要作用。

发明内容

本发明提出一种多因素模糊时间序列算法对设备指标进行预测的方法，基于设备数据的变换率数据，构建多因素的模糊时间序列，并提出新的方法构建多因素模糊时间序列的模糊逻辑关系矩阵，并实现对目标指标的预测。

本发明的技术方案是这样实现的：一种多因素模糊时间序列算法对设备指标进行预测的方法，包括：

步骤1：获取目标设备运行数据并选取相关指标；

步骤2：对指标数据求变换率；

步骤3：对数据进行论域划分；

步骤4：定义模糊集合，对数据模糊处理，得到多因素的模糊时间序列；

步骤5：构造多因素模糊时间序列预测模型，预测指标；

步骤6：对预测值去模糊化处理；

步骤7：对预测值“反变化率”转换，得到最终的预测值；

步骤8：计算预测模型的预测准确率。

作为一种优选的实施方式，步骤1中，从系统数据库中选取需要研究的设备指标数据，其中数据为设备正常运行的数据选取若干影响因素指标即待预测测点指标。

作为一种优选的实施方式，步骤2中对电厂设备原始数据计算指标数据的变化率计算如下：若采集得到的某个指标的原始真实数据为X_t＝{x₁,x₂...x_n}；数据长度为n，则经过变换后的数据的长度将变为n-1，计算方法为：

作为一种优选的实施方式，步骤3中对数据进行论域划分包括：对步骤2得到数据的变化率值进行下一步运算及处理：若U为某个指标变化率数据的论域，将论域划分为P个子区间，则{u₁,u₂...u_p}代表区间有序的分割集合。

作为一种优选的实施方式，在p个子区间{u₁,u₂...u_p}上定义模糊子集，将各个区间数据归到对应的模糊子集中；计算各个区间对各个模糊子集的隶属度，将所有数据转化为模糊数据，通过以上过程则得到了由模糊值构成的模糊时间序列；对指标Fi以及指标Se皆进行以上处理，则得到了步骤4中多因素的模糊时间序列。

作为一种优选的实施方式，步骤5中，对若干个模式时间序列进行运算，计算若干指标序列的合成基向量，并计算操作矩阵；通过对操作矩阵和基准矩阵运算，得到模糊逻辑关系矩阵，并在模糊逻辑关系矩阵上进行计算，得到测点在t时刻的预测值。

作为一种优选的实施方式，步骤5中得到的预测值为模糊值，对预测值进行步骤6中的去模糊化处理得到真实的预测值。

作为一种优选的实施方式，步骤6得到的数值为变换率数值，将变化率数值进行“反变化率”转换，得到t时刻的预测值，去模糊化处理后得到预测变化率值为σ，则测点在t时刻的预测值为：

x_t＝(1+σ)x_t-1

其中，x_t-1为测点在t-1时刻的实时值。

作为一种优选的实施方式，步骤8中计算预测模型的预测准确率使用平均相对误差方法来计算，计算方法如下：

其中a_i代表某个指标的真实值，f_i代表某个指标的预测值，相对误差越小代表了预测模型的预测准确率越高。

采用了上述技术方案后，本发明的有益效果是：

1.本发明以模糊时间序列预测模型为基础，提出了多因素模糊时间序列预测算法，结合了模糊数学理念以及时间序列的理念，对设备指标进行预测。

2.本发明提出的多因素模糊时间序列预测方法，不是考虑单指标的信息，而是能够融合多个指标的信息，对目标指标进行预测，更加符合实际需求。

3.本发明提出的多因素模糊时间序列预测，首先提取设备指标的变化率特征，然后再建立时间序列模型，能够有效学习指标的数值变化信息，丰富预测模型的信息。

4.本发明提出的多因素模糊时间序列预测，通过运用建模方法充分挖掘指标间的相互影响关系，并且充分学习序列间的时序关系，能够建立有效的模型对设备指标预测，有利于提前掌握设备指标发展趋势，保障机组设备安全可靠的运行。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明多因素模糊时间序列预测的流程图；

图2为具体实施方式中“一次风机轴承Y向振动”的预测值和真实值曲线示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，一种多因素模糊时间序列算法对设备指标进行预测的方法，包括：

步骤1：获取目标设备运行数据并选取相关指标；

步骤2：对指标数据求变换率；

步骤3：对数据进行论域划分；

步骤4：定义模糊集合，对数据模糊处理，得到多因素的模糊时间序列；

步骤5：构造多因素模糊时间序列预测模型，预测指标；

步骤6：对预测值去模糊化处理；

步骤7：对预测值“反变化率”转换，得到最终的预测值；

步骤8：计算预测模型的预测准确率。

本方法基于设备的运行数据，提出了一种新的多因素模糊时间序列预测方法。基于设备数据的变换率数据，构建多因素的模糊时间序列，并提出新的方法构建多因素模糊时间序列的模糊逻辑关系矩阵，并实现对目标指标的预测。

步骤1中，从系统数据库中选取需要研究的设备指标数据，其中数据为设备正常运行的数据选取若干影响因素指标即待预测测点指标。

从系统数据库中，选取需要研究的指标数据，其中数据为设备正常运行的数据。选取第一影响因素指标即待预测测点指标Fi，第二影响因素指标Se即影响待测测点的指标，又可称作辅助指标，本发明主要对两个因素为对象，来展示本发明的方法，即两因素模糊时间序列预测算法来阐明本发明的多因素模糊时间序列预测方法。

步骤2，对电厂设备原始数据计算指标数据的变化率计算如下：若采集得到的某个指标的原始真实数据为X_t＝{x₁,x₂...x_n}；数据长度为n，则经过变换后的数据的长度将变为n-1，计算方法为：

步骤3中对数据进行论域划分包括：对电厂原始指标数据经过以上公式(1)的处理后，将指标数据转换为数据的变化率值。然后对变化率数据进行下一步运算及处理。假设U为某个指标变化率数据的论域，将论域划分为P子区间，则{u₁,u₂...u_p}代表区间有序的分割集合。

在p个子区间{u₁,u₂...u_p}上定义模糊子集，将各个区间数据归到对应的模糊子集中；计算各个区间对各个模糊子集的隶属度，将所有数据转化为模糊数据，通过以上过程则得到了由模糊值构成的模糊时间序列；对若干指标均进行以上处理，则得到了步骤4中多因素的模糊时间序列。

对某个指标，在p个子区间{u₁,u₂...u_p}上定义模糊子集，将各个区间数据归到对应的模糊子集中，数值属于哪个u_i子区间，则将该数据归到对应的模糊子集。然后计算各个区间对各个模糊子集的隶属度，将所有数据转化为模糊数据，通过以上过程则得到了由模糊值构成的模糊时间序列。对指标Fi以及指标Se皆进行以上处理，则得到了多因素的模糊时间序列。

步骤5中，对若干个模式时间序列进行运算，计算若干指标序列的合成基向量，并计算操作矩阵；通过对操作矩阵和基准矩阵运算，得到模糊逻辑关系矩阵，并在模糊逻辑关系矩阵上进行计算，得到测点在t时刻的预测值。

由测点Fi得到的时间序列称作为第一因素时间序列F(t)，其对应的基准向量为Fv(t)，由测点Se得到的时间序列称作为第二因素时间序列S(t)，其对应的辅助向量为Sv(t)。模糊逻辑关系是模糊时间序列的核心内容。

以下为本发明改进的多因素模糊时间序列预测算法生成模糊关系矩阵的方法：模糊逻辑关系矩阵是由操作矩阵和基准矩阵运算而成。假设要预测测点Fi的t时刻的值，通过运算得到模糊时间序列F(t-1)以及S(t-1)的基准向量，则各自的基准向量如下：

Fv(t)＝F(t-1)＝[Fv₁Fv₂...Fv_p]

Sv(t)＝S(t-1)＝[Sv₁Sv₂...Sv_p]······(2)

设定模糊阶数为k，O^k(t)代表运算矩阵，本发明我们改进的关系矩阵计算方式如下：

其中：我们称M(t)为合成基向量，合成了第一因素基准向量和第二因素基准向量，其具体运算如下所示，此处运算是本发明的核心，创新地改进了多因素模糊时间序列的合成运算。

其中运算矩阵为：

则得到关系矩阵：

通过求得的模糊逻辑关系矩阵R(t)，求出模糊逻辑关系矩阵每列的最大值，即可求得模糊时间序列F(t)，即得到了测点Fi在t时刻的值，即测点的预测值。具体运算过程如以下公式：

F(t)＝[max(R₁₁ R₂₁...R_k1)max(R₁₂ R₂₂...R_kP)...max(R_1pR_2p...R_kP)]······(7)

步骤5中得到的预测值为模糊值，对预测值进行步骤6中的去模糊化处理得到真实的预测值。

由于预测得到值是模糊值，即模糊时间序列，因此需要对预测值进行去模糊化处理得到真实的预测值，此处的真实预测值为测点指标的变化率值。作为优选本发明采用平均最大隶属度方法对模糊数据进行去模糊化处理，若模糊集合的隶属函数有且仅有一个峰值，则将该值作为清晰值，否则取多个峰值的平均值作为清晰值。

步骤6得到的数值为变换率数值，将变化率数值进行“反变化率”转换，得到t时刻的预测值，去模糊化处理后得到预测变化率值为σ，则测点在t时刻的预测值为：

x_t＝(1+σ)x_t-1······(8)

其中，x_t-1为测点在t-1时刻的实时值。

假设步骤6去模糊化处理后得到预测变化率值为σ，则测点Fi通过公式(8)在t时刻的预测值为：其中x_t-1为测点Fi在t-1时刻的实时值。通过分析以上步骤及公式，我们可以看出，本发明算法改进的实质是改进的模糊关系的生成方式，相比传统的单因素模糊时间序列预测算法来说，通过引入合成基准向量，在预测模型中增加了辅助测点的信息，有利于增加模型的信息，提高模型的可用性。

步骤8中计算预测模型的预测准确率使用平均相对误差方法来计算，计算方法如下：

其中a_i代表某个指标的真实值，f_i代表某个指标的预测值，相对误差越小代表了预测模型的预测准确率越高。

本实施例以某火力发电厂一次风机为对象，通过本实施例的详细阐述，进一步说明本发明的实施过程。具体实施步骤如下：

步骤1：获取目标运行数据并选取相关指标。

在电厂SIS系统数据库中，以1分钟为间隔，获取一次风机正常运行的5个月的数据。选取指标测点“一次风机轴承Y向振动”作为第一影响因素，选取指标测点“一次风机总一次风量”为第二影响因素。

步骤2：对指标数据求变换率

采用公式(1)计算得到“一次风机轴承Y向振动”以及“一次风机总一次风量”指标的变化率序列。

步骤3：对数据进行论域划分

对“一次风机轴承Y向振动”以及“一次风机总一次风量”变化率序列分别进行论域划分。作为优选本发明采用等间距划分的方式，进行论域划分，具体为：计算指标的区间范围，在区间范围内等距离划分，将区间划分为p个子区间：U＝{u₁,u₂...u_p}。

步骤4：定义模糊集合，对数据模糊处理，得到多因素的模糊时间序列，经过步骤3，完成了对“一次风机轴承Y向振动”和“一次风机总一次风量”指标的论域划分，然后在各自的论域上，定义模糊集合，然后将数据归到模糊子集，得到两个指标的模糊时间序列。

本发明对“一次风机轴承Y向振动”定义的模糊集FF＝{FF₁,FF₂...FF_p}具体如下：

对“一次风机总一次风量”定义的模糊集FS＝{FS₁,FS₂...FS_p}具体如下：

步骤5：构造多因素模糊时间序列预测模型，预测指标

经过步骤4得到“一次风机轴承Y向振动”和“一次风机总一次风量”的模糊时间序列，对两个模式时间序列进行运算，具体步骤使用公式(2)-公式(6)，计算两个指标序列的合成基向量，计算操作矩阵，然后通过对操作矩阵和基准矩阵运算，最终得到模糊逻辑关系矩阵。

然后使用公式(7)在模糊逻辑关系矩阵上进行计算，得到“一次风机轴承Y向振动”t时刻的预测值。

步骤6：对预测值去模糊化处理。

步骤5得到的“一次风机轴承Y向振动”的预测值，实质上是模糊值，对其采用平均最大隶属度方法将数值进行去模糊化。

步骤7：对预测值“反变化率”转换，得到最终的预测值。

使用步骤6得到的“一次风机轴承Y向振动”数值为变换率数值，采用公式(8)将变化率数值进行“反变化率”转换，最终得到“一次风机轴承Y向振动”的预测值。经过以上步骤，则完成了“一次风机轴承Y向振动”的预测建模并得到t时刻的预测值。

步骤8：计算预测模型的预测准确率

对所有数据，经过步骤2-步骤7进行多因素模糊时间序列的预测。对5个月数据分别建模和预测，并分别计算统计模型的预测准确率。图2展示了“一次风机轴承Y向振动”在某个时间段的真实值和预测值曲线对比图。“线”曲线代表指标真实值，“点”曲线代表预测值。

使用公式(9)统计模型的准确率。表1展示了本发明方法在各个月份实验数据上预测得到的平均相对误差结果。预测“一次风机轴承Y向振动”的平均相对误差如下表所示：

月份	第一个月	第二个月	第三个月	第四个月	第五个月
						平均相对误差	1.4325	0.0107	0.0103	1.9368	0.0123

对测点“一次风机轴承Y向振动”五个月数据进行预测测试，结果显示本发明方法预测误差低、准确率高，且预测误差在生产允许的误差范围内。

通过以上步骤，则完成了对一次风机设备指标进行多因素模糊时间序列的预测过程，结果表明模型的预测准确率较高，有利于指导实际生产运行。本发明提出的多因素模糊时间序列方法，能够有效对设备指标进行数值及趋势预测，而且不受设备类型的影响，具有推广性。

在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种多因素模糊时间序列算法对设备指标进行预测的方法，其特征在于，包括：

步骤1：获取目标设备运行数据并选取相关指标；

步骤2：对指标数据求变换率；

步骤3：对数据进行论域划分；

步骤4：定义模糊集合，对数据模糊处理，得到多因素的模糊时间序列；

步骤5：构造多因素模糊时间序列预测模型，预测指标；

步骤6：对预测值去模糊化处理；

步骤7：对预测值“反变化率”转换，得到最终的预测值；

步骤8：计算预测模型的预测准确率。

2.根据权利要求1所述的多因素模糊时间序列算法对设备指标进行预测的方法，其特征在于，所述步骤1中，从系统数据库中选取需要研究的设备指标数据，其中数据为设备正常运行的数据选取若干影响因素指标即待预测测点指标。

3.根据权利要求2所述的多因素模糊时间序列算法对设备指标进行预测的方法，其特征在于，所述步骤2中对电厂设备原始数据计算指标数据的变化率计算如下：若采集得到的某个指标的原始真实数据为X_t＝{x₁,x₂...x_n}；数据长度为n，则经过变换后的数据的长度将变为n-1，计算方法为：

4.根据权利要求3所述的多因素模糊时间序列算法对设备指标进行预测的方法，其特征在于，所述步骤3中对数据进行论域划分包括：对步骤2得到数据的变化率值进行下一步运算及处理：若U为某个指标变化率数据的论域，将论域划分为P个子区间，则{u₁,u₂...u_p}代表区间有序的分割集合。

5.根据权利要求4所述的多因素模糊时间序列算法对设备指标进行预测的方法，其特征在于，在p个子区间{u₁,u₂...u_p}上定义模糊子集，将各个区间数据归到对应的模糊子集中；计算各个区间对各个模糊子集的隶属度，将所有数据转化为模糊数据，通过以上过程则得到了由模糊值构成的模糊时间序列；对若干指标均进行以上处理，则得到了步骤4中多因素的模糊时间序列。

6.根据权利要求5所述的多因素模糊时间序列算法对设备指标进行预测的方法，其特征在于，所述步骤5中，对若干个模式时间序列进行运算，计算若干指标序列的合成基向量，并计算操作矩阵；通过对操作矩阵和基准矩阵运算，得到模糊逻辑关系矩阵，并在模糊逻辑关系矩阵上进行计算，得到测点在t时刻的预测值。

7.根据权利要求1所述的多因素模糊时间序列算法对设备指标进行预测的方法，其特征在于，所述步骤5中得到的预测值为模糊值，对预测值进行步骤6中的去模糊化处理得到真实的预测值。

8.根据权利要求1所述的多因素模糊时间序列算法对设备指标进行预测的方法，其特征在于，步骤6得到的数值为变换率数值，将变化率数值进行“反变化率”转换，得到t时刻的预测值，去模糊化处理后得到预测变化率值为σ，则测点在t时刻的预测值为：

x_t＝(1+σ)x_t-1

其中，x_t-1为测点在t-1时刻的实时值。

9.根据权利要求1所述的多因素模糊时间序列算法对设备指标进行预测的方法，其特征在于，所述步骤8中计算预测模型的预测准确率使用平均相对误差方法来计算，计算方法如下：

其中a_i代表某个指标的真实值，f_i代表某个指标的预测值，相对误差越小代表了预测模型的预测准确率越高。

Images