CN115309052A - 一种工业实时数据时序预测结果的在线修正方法 - Google Patents

一种工业实时数据时序预测结果的在线修正方法 Download PDF

Info

Publication number
CN115309052A
CN115309052A CN202211000231.3A CN202211000231A CN115309052A CN 115309052 A CN115309052 A CN 115309052A CN 202211000231 A CN202211000231 A CN 202211000231A CN 115309052 A CN115309052 A CN 115309052A
Authority
CN
China
Prior art keywords
moment
historical
time
deviation
industrial 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.)
Granted
Application number
CN202211000231.3A
Other languages
English (en)
Other versions
CN115309052B (zh
Inventor
阳赛
王栋
党海峰
夏建涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Quanying Technology Co ltd
Original Assignee
Beijing Quanying Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Quanying Technology Co ltd filed Critical Beijing Quanying Technology Co ltd
Priority to CN202211000231.3A priority Critical patent/CN115309052B/zh
Publication of CN115309052A publication Critical patent/CN115309052A/zh
Application granted granted Critical
Publication of CN115309052B publication Critical patent/CN115309052B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computational Mathematics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Automation & Control Theory (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Geometry (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供的工业实时数据时序预测结果的在线修正方法周期运行，在每一个周期内运行如下：在周期的第一时刻以后的第二时刻继续修正工业数据预测值时：获取从第一时刻至第二时刻的工业数据预测值和工业数据实际值，根据工业数据预测值和工业数据实际值，计算每一时刻的实时误差；根据每一时刻的实时误差和第一时刻不同历史偏差权重下的历史累计偏差，从第一时刻的下一时刻开始，依次计算出至第二时刻的每一时刻不同历史偏差权重下的历史累计偏差；根据最佳历史偏差权重下第二时刻的历史累计偏差修正第二时刻下一时刻的工业数据预测值。能显著提高对工业数据预测值的修正精度。

Description

一种工业实时数据时序预测结果的在线修正方法
技术领域
本发明涉及工业数据预测技术领域，尤其涉及一种工业实时数据时序预测结果的在线修正方法。
背景技术
工业数据有很明显的时序性，一方面工业数据随时间发展会受到外界条件如煤质、大气温度、给水温度等变化的影响，另一方面工业数据随时间发展会受系统内部参数和工况变化的影响。因此基于工业数据建立的工业实时数据预测模型在运行过程中容易出现模型失配现象，导致模型的预测结果与实际值存在较大的误差。
目前工业场景下的各种预测算法和模型的建立主要依据系统运行的物理化学规律，并对系统进行简化后得到理想状态假设下的数学模型，模型投入工程实际应用后往往预测精度没有达到预期，或者使用一段时间后存在较大的预测误差。误差一般分为系统误差和随机误差，随机误差对系统影响较小，服从或者近似服从正态分布，而系统误差具有线性、周期性等规律。系统误差和随机误差往往是同时产生的，当有显著系统误差时，随机误差就处于次要地位，因此如果能够从历史误差中找到规律，基于规律对模型的预测值进行实时矫正，就能够在一定程度上提高模型的预测准确性。
故如何对工业实时数据时序预测模型进行在线修正具有十分重要的工程价值。
发明内容
(一)要解决的技术问题
鉴于上述技术中存在的问题，本发明至少从一定程度上进行解决。为此，本发明的一个目的在于提出了一种工业实时数据时序预测结果的在线修正方法，能显著提高对工业数据预测值的修正精度。
(二)技术方案
为了达到上述目的，本发明提供一种工业实时数据时序预测结果的在线修正方法，该修正方法周期运行，在每一个周期内运行如下：
在周期的第一时刻初次修正工业数据预测值时：
获取从预设时刻至第一时刻的工业数据预测值和工业数据实际值，根据工业数据预测值和工业数据实际值，计算每一时刻的实时误差；初始化预设时刻不同历史偏差权重下的历史累计偏差，根据每一时刻的实时误差和预设时刻不同历史偏差权重下的历史累计偏差，从预设时刻的下一时刻开始，依次计算出至第一时刻的每一时刻不同历史偏差权重下的历史累计偏差；
根据每一时刻不同历史偏差权重下的历史累计偏差修正其下一时刻的工业数据预测值，获得每一时刻不同历史偏差权重下的工业数据修正值；根据各个时刻的工业数据实际值和每个历史偏差权重下各个时刻的工业数据修正值，计算每个历史偏差权重下工业数据的拟合程度；根据每个历史偏差权重下工业数据的拟合程度确定最佳历史偏差权重，根据最佳历史偏差权重下第一时刻的历史累计偏差修正第一时刻下一时刻的工业数据预测值；
在周期的第一时刻以后的第二时刻继续修正工业数据预测值时：
获取从第一时刻至第二时刻的工业数据预测值和工业数据实际值，根据工业数据预测值和工业数据实际值，计算每一时刻的实时误差；根据每一时刻的实时误差和第一时刻不同历史偏差权重下的历史累计偏差，从第一时刻的下一时刻开始，依次计算出至第二时刻的每一时刻不同历史偏差权重下的历史累计偏差；
根据最佳历史偏差权重下第二时刻的历史累计偏差修正第二时刻下一时刻的工业数据预测值。
可选地，根据工业数据预测值和工业数据实际值，计算每一时刻的实时误差，包括：
Figure BDA0003807054190000031
其中，errorn为n时刻的实时误差，predValuen为n时刻的工业数据预测值，realValuen为n时刻的工业数据实际值。
可选地，初始化预设时刻不同历史偏差权重下的历史累计偏差，包括：
offseta，0＝error0
其中，offseta，0为0时刻第a个历史偏差权重下的历史累计偏差，0时刻是指预设时刻，a＝0，1，...，9，历史偏差权重从列表[0，0.1，0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9]中进行选取；error0为预设时刻的实时误差。
可选地，计算每一时刻不同历史偏差权重下的历史累计偏差，包括：
offseta，n＝errorn*(1-offset_ra)+offseta，n-1*offset_ra
其中，offseta，n为n时刻第a个历史偏差权重下的历史累计偏差，a＝0，1，...，9；offseta，n-1为n-1时刻第a个历史偏差权重下的历史累计偏差；errorn为n时刻的实时误差；offset_ra为第a个历史偏差权重，历史偏差权重从列表[0，0.1，0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9]中进行选取。
可选地，根据每一时刻不同历史偏差权重下的历史累计偏差修正其下一时刻的工业数据预测值，获得每一时刻不同历史偏差权重下的工业数据修正值，包括：
Figure BDA0003807054190000032
其中，correctValuea，n+1为n+1时刻第a个历史偏差权重下的工业数据修正值；predValuen+1为n+1时刻的工业数据预测值；offseta，n为n时刻第a个历史偏差权重下的历史累计偏差。
可选地，根据各个时刻的工业数据实际值和每个历史偏差权重下各个时刻的工业数据修正值，计算每个历史偏差权重下工业数据的拟合程度，包括：
Figure BDA0003807054190000033
Figure BDA0003807054190000041
其中，S为不同历史偏差权重下的工业数据修正值与工业数据实际值的拟合程度，meanValue为工业数据实际值的平均值。
可选地，根据拟合程度确定待箅时刻最佳历史偏差权重，包括：选择最大拟合程度对应的历史偏差权重作为最佳历史偏差权重。
可选地，根据最佳历史偏差权重下第一时刻的历史累计偏差修正第一时刻下一时刻的工业数据预测值，和/或，根据最佳历史偏差权重下第二时刻的历史累计偏差修正第二时刻下一时刻的工业数据预测值，包括：
Figure BDA0003807054190000042
其中，correctValuen+1为n+1时刻工业数据预测值的修正值；predValuen+1为n+1时刻的工业数据预测值；offsetn为最佳历史偏差权重下n时刻的历史累计偏差。
可选地，在线修正方法对热电厂锅炉中的基于蒸汽产量预测耗氧速率的模型输出的预测值进行修正。
(三)有益效果
本发明的有益效果是：
本发明提出的工业实时数据时序预测结果的在线修正方法，采用历史偏差权重和历史累计偏差能够准确的对系统误差进行描述，并提出了自动选择最佳历史偏差权重的方法以进一步提高对系统误差描述的准确性，进而根据历史偏差权重和历史累计偏差对模型的工业数据预测值进行修正，提高了模型的自适应性和预测准确性。本发明方法对于工业时序预测场景具有普遍适用性，且实现简单便于用于工程实际。
此外，本发明方法获取的随时间分布的最佳历史偏差权重能够对模型误差序列特性进行准确描述，为进一步利用模型误差序列特性提供基础。比如，若某一模型在较长的时间段内最佳偏差权重保持不变，说明该模型误差序列的特性没有发生改变，这种情形下模型不需要频繁更新最佳偏差权重参数。
附图说明
本发明借助于以下附图进行描述：
图1为根据本发明具体实施方式的在每一个周期内工业实时数据时序预测结果的在线修正方法流程示意图。
具体实施方式
为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。
基于系统误差存在一定规律，相邻时刻的系统误差不会频繁产生较大突变的特性，本发明提出了根据当前时刻的系统误差修正当前时刻下一时刻工业数据预测值的方法。在本发明提出的工业实时数据时序预测结果的在线修正方法中，获取从预设时刻至当前时刻内工业数据预测模型的实时误差序列，通过分析实时误差序列的特性，采用历史偏差权重和每一时刻的历史累计偏差来分析描述实时误差序列，能够表明实时误差序列特性和量化系统误差占比，进而根据当前时刻的历史累计偏差修正当前时刻下一时刻的工业数据预测值，能显著提高对工业数据预测值的修正精度。
为了更好的理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更清楚、透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
下面就参照附图来描述根据本发明实施例提出的工业实时数据时序预测结果的在线修正方法。
本发明实施例提出的工业实时数据时序预测结果的在线修正方法周期运行，图1为本发明一个实施例的在每一个周期内工业实时数据时序预测结果的在线修正方法的流程示意图。
如图1所示，在每一个周期内工业实时数据时序预测结果的在线修正方法运行如下：
在周期的第一时刻初次修正工业数据预测值时，包括以下步骤：
步骤101、根据待修正的工业数据预测模型，获取从预设时刻至第一时刻的工业数据预测值和工业数据实际值。
步骤102、根据预设时刻至第一时刻的工业数据预测值和工业数据实际值，计算每一时刻的实时误差。
优选地，根据预设时刻至第一时刻的工业数据预测值和工业数据实际值，计算每一时刻的实时误差，包括：
Figure BDA0003807054190000061
其中，errorn为n时刻的实时误差，predValuen为n时刻的工业数据预测值，realValuen为n时刻的工业数据实际值。
步骤103、初始化预设时刻不同历史偏差权重下的历史累计偏差，根据预设时刻至第一时刻中每一时刻的实时误差和预设时刻不同历史偏差权重下的历史累计偏差，从预设时刻的下一时刻开始，依次计算出至第一时刻的每一时刻不同历史偏差权重下的历史累计偏差。
优选地，初始化预设时刻不同历史偏差权重下的历史累计偏差，包括：
offseta，0＝error0
其中，offseta，0为0时刻第a个历史偏差权重下的历史累计偏差，0时刻指预设时刻，a＝0，1，...，9，历史偏差权重从列表[0，0.1，0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9]中进行选取；error0为预设时刻的实时误差。
优选地，计算每一时刻不同历史偏差权重下的历史累计偏差，包括：根据待箅时刻的实时误差和待箅时刻上一时刻不同历史偏差权重下的历史累计偏差，计算待箅时刻不同历史偏差权重下的历史累计偏差。
如此计算获得的第一时刻的历史累计偏差，考虑了第一时刻以前的历史实时误差序列的特性，能够比较准确地描述出第一时刻的系统误差，进而基于第一时刻的历史累计偏差能够修正第一时刻下一时刻的工业数据预测值。
具体地，根据待箅时刻的实时误差和待箅时刻上一时刻不同历史偏差权重下的历史累计偏差，计算待箅时刻不同历史偏差权重下的历史累计偏差，包括：
offseta，n＝errorn*(1-offset_ra)+offseta，n-1*offset_ra
其中，offseta，n为n时刻第a个历史偏差权重下的历史累计偏差，a＝0，1，...，9；offseta，n-1为n-1时刻第a个历史偏差权重下的历史累计偏差；errorn为n时刻的实时误差；offset_ra为第a个历史偏差权重，历史偏差权重从列表[0，0.1，0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9]中进行选取。
基于不同offset_r，获得从预设时刻至第一时刻中每一时刻对应的历史累计偏差，得到下列数据：
Figure BDA0003807054190000071
其中，realValuei为第一时刻的工业数据实际值，predValuei为第一时刻的工业数据预测值，errori为第一时刻的实时误差，offset0，i为第一时刻第0个历史偏差权重(即历史偏差权重为0)下的历史累计偏差，offset9，i为第一时刻第9个历史偏差权重(即历史偏差权重为0.9)下的历史累计偏差。
步骤104、根据预设时刻至第一时刻中每一时刻不同历史偏差权重下的历史累计偏差修正其下一时刻的工业数据预测值，获得每一时刻不同历史偏差权重下的工业数据修正值；根据各个时刻的工业数据实际值和每个历史偏差权重下各个时刻的工业数据修正值，计算每个历史偏差权重下工业数据的拟合程度；根据每个历史偏差权重下工业数据的拟合程度确定最佳历史偏差权重。
根据步骤102中的实时误差公式进行变形得到
Figure BDA0003807054190000081
本发明认为n+1时刻的历史累计偏差近似代表着工业数据预测模型n时刻的误差，因此用offsetn-1替代errorn，得到
Figure BDA0003807054190000082
此时的realValuen际为用n-1时刻的历史累计偏差修正预测值后的修正值，因此获得工业数据修正值的计算公式：
Figure BDA0003807054190000083
其中，correctValuen为n时刻的工业数据修正值；predValuen为n时刻的工业数据预测值；offsetn-1为n-1时刻的历史累计偏差。
具体地，根据每一时刻不同历史偏差权重下的历史累计偏差修正其下一时刻的工业数据预测值，获得每一时刻不同历史偏差权重下的工业数据修正值，包括：
Figure BDA0003807054190000084
其中，correctValuea，n+1为n+1时刻第a个历史偏差权重下的工业数据修正值；predValuen+1为n+1时刻的工业数据预测值；offseta，n为n时刻第a个历史偏差权重下的历史累计偏差。
获得从预设时刻至第一时刻中每一时刻不同历史偏差权重下的工业数据修正值，得到下列数据：
Figure BDA0003807054190000085
其中，correctValue0，i为第一时刻第0个历史偏差权重下的工业数据修正值；correctValue9，i为第一时刻第9个历史偏差权重下的工业数据修正值。
具体地，根据各个时刻的工业数据实际值和每个历史偏差权重下各个时刻的工业数据修正值，计算每个历史偏差权重下工业数据的拟合程度，句括：
Figure BDA0003807054190000091
Figure BDA0003807054190000092
其中，S为不同历史偏差权重下的工业数据修正值与工业数据实际值的拟合程度，meanValue为工业数据实际值的平均值。
具体地，根据拟合程度确定待箅时刻最佳历史偏差权重，包括：选择最大拟合程度对应的历史偏差权重作为最佳历史偏差权重。即选择S中最大R2对应的offset_r作为最佳历史偏差权重。
步骤105、根据最佳历史偏差权重下第一时刻的历史累计偏差修正第一时刻下一时刻的工业数据预测值。
具体地，根据最佳历史偏差权重下第一时刻的历史累计偏差修正第一时刻下一时刻的工业数据预测值，包括：
Figure BDA0003807054190000093
其中，correctValuen+1为n+1时刻工业数据预测值的修正值；predValuen+1为n+1时刻的工业数据预测值；offsetn为最佳历史偏差权重下n时刻的历史累计偏差。如此，根据第一时刻的历史累计偏差修正第一时刻下一时刻工业数据预测值，能显著提高对工业数据预测值的修正精度。
在周期的第一时刻以后的第二时刻继续修正工业数据预测值时，包括以下步骤：
步骤201、获取从第一时刻至第二时刻的工业数据预测值和工业数据实际值。
步骤202、根据第一时刻至第二时刻的工业数据预测值和工业数据实际值，计算每一时刻的实时误差。
具体的每一时刻的实时误差的计算方式与步骤102中计算每一时刻的实时误差的方式类似，此处不再赘述。
步骤203、根据第一时刻至第二时刻中每一时刻的实时误差和第一时刻不同历史偏差权重下的历史累计偏差，从第一时刻的下一时刻开始，依次计算出至第二时刻的每一时刻不同历史偏差权重下的历史累计偏差。
具体地，步骤203中计算每一时刻不同历史偏差权重下的历史累计偏差的方式与步骤103中计算每一时刻不同历史偏差权重下的历史累计偏差的方式类似，此处不再赘述。
步骤204、根据最佳历史偏差权重下第二时刻的历史累计偏差修正第二时刻下一时刻的工业数据预测值。
具体地，步骤204中根据最佳历史偏差权重下第二时刻的历史累计偏差修正第二时刻下一时刻的工业数据预测值的方式，与步骤105中根据最佳历史偏差权重下第一时刻的历史累计偏差修正第一时刻下一时刻的工业数据预测值的方式类似，此处不再赘述。
综上，本发明提出的工业实时数据时序预测结果的在线修正方法，采用历史偏差权重和历史累计偏差能够准确的对系统误差进行描述，并提出了自动选择最佳历史偏差权重的方法以进一步提高对系统误差描述的准确性，进而根据历史偏差权重和历史累计偏差对模型的工业数据预测值进行修正，提高了模型的自适应性和预测准确性。本发明方法对于工业时序预测场景具有普遍适用性，且实现简单便于用于工程实际。
此外，本发明方法获取的随时间分布的最佳历史偏差权重能够对模型误差序列特性进行准确描述，为进一步利用模型误差序列特性提供基础。比如，若某一模型在较长的时间段内最佳偏差权重保持不变，说明该模型误差序列的特性没有发生改变，这种情形下模型不需要频繁更新最佳偏差权重参数。
作为一个示例，根据热电厂锅炉中的基于蒸汽产量预测耗氧速率的模型对本发明方法进行验证，验证过程如下：
获取电厂锅炉2022年6月14日0时至2022年6月17日24时内产生的工业数据实际值，以及获取模型从2022年6月14日0时至2022年6月16日24时内输出的工业数据预测值。
在2022年6月16日24时初次修正工业数据预测值：
根据2022年6月14日0时至2022年6月16日24时的工业数据预测值和工业数据实际值，计算每一时刻的实时误差。具体的每一时刻的实时误差计算方式参见步骤102。
初始化2022年6月14日0时不同历史偏差权重下的历史累计偏差，根据2022年6月14日0时至2022年6月16日24时中每一时刻的实时误差和2022年6月14日0时不同历史偏差权重下的历史累计偏差，从2022年6月14日0时的下一时刻开始，依次计算出至2022年6月16日24时的每一时刻不同历史偏差权重下的历史累计偏差。具体的计算每一时刻的历史累计偏差的方式参见步骤103。
根据2022年6月14日0时至2022年6月16日24时中每一时刻不同历史偏差权重下的历史累计偏差修正其下一时刻的工业数据预测值，获得每一时刻不同历史偏差权重下的工业数据修正值；根据各个时刻的工业数据实际值和每个历史偏差权重下各个时刻的工业数据修正值，计算每个历史偏差权重下工业数据的拟合程度；根据每个历史偏差权重下工业数据的拟合程度确定最佳历史偏差权重。拟合程度的计算方式参见步骤104。
根据最佳历史偏差权重下2022年6月16日24时的历史累计偏差修正2022年6月16日24时下一时刻的工业数据预测值。
在2022年6月16日24时以后的第二时刻继续修正工业数据预测值：
根据2022年6月16日24时至第二时刻的工业数据预测值和工业数据实际值，计算每一时刻的实时误差。具体的每一时刻的实时误差计算方式参见步骤202。
根据2022年6月16日24时至第二时刻中每一时刻的实时误差和2022年6月16日24时不同历史偏差权重下的历史累计偏差，从2022年6月16日24时的下一时刻开始，依次计算出至第二时刻的每一时刻不同历史偏差权重下的历史累计偏差。具体的计算每一时刻的历史累计偏差的方式参见步骤203。
根据最佳历史偏差权重下第二时刻的历史累计偏差修正第二时刻下一时刻的工业数据预测值。
本发明获取2022年6月16日24时以后100min内每一时刻的工业数据预测值、工业数据实际值和工业数据修正值，并进行比较，比较结果为工业数据修正值相比工业数据预测值更靠近工业数据实际值，即本发明方法能显著提高对工业数据预测值的修正精度。
需要说明的是，本发明提出的在线修正方法并不限定以热电厂锅炉中的基于蒸汽产量预测耗氧速率的模型进行验证，其他的工业数据预测模型同样适用本发明提出的在线修正方法。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例，或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。
应当注意的是，在权利要求中，不应将位于括号之间的任何附图标记理解成对权利要求的限制。词语“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的词语“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的权利要求中，这些装置中的若干个可以是通过同一个硬件来具体体现。词语第一、第二、第三等的使用，仅是为了表述方便，而不表示任何顺序。可将这些词语理解为部件名称的一部分。
此外，需要说明的是，在本说明书的描述中，术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述，是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已描述了本发明的优选实施例，但本领域的技术人员在得知了基本创造性概念后，则可对这些实施例作出另外的变更和修改。所以，权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也应该包含这些修改和变型在内。

Claims (9)

1.一种工业实时数据时序预测结果的在线修正方法，其特征在于，所述修正方法周期运行，在每一个周期内运行如下：
在周期的第一时刻初次修正工业数据预测值时：
获取从预设时刻至第一时刻的工业数据预测值和工业数据实际值，根据工业数据预测值和工业数据实际值，计算每一时刻的实时误差；初始化预设时刻不同历史偏差权重下的历史累计偏差，根据每一时刻的实时误差和预设时刻不同历史偏差权重下的历史累计偏差，从预设时刻的下一时刻开始，依次计算出至第一时刻的每一时刻不同历史偏差权重下的历史累计偏差；
根据每一时刻不同历史偏差权重下的历史累计偏差修正其下一时刻的工业数据预测值，获得每一时刻不同历史偏差权重下的工业数据修正值；根据各个时刻的工业数据实际值和每个历史偏差权重下各个时刻的工业数据修正值，计算每个历史偏差权重下工业数据的拟合程度；根据每个历史偏差权重下工业数据的拟合程度确定最佳历史偏差权重，根据最佳历史偏差权重下第一时刻的历史累计偏差修正第一时刻下一时刻的工业数据预测值；
在周期的第一时刻以后的第二时刻继续修正工业数据预测值时：
获取从第一时刻至第二时刻的工业数据预测值和工业数据实际值，根据工业数据预测值和工业数据实际值，计算每一时刻的实时误差；根据每一时刻的实时误差和第一时刻不同历史偏差权重下的历史累计偏差，从第一时刻的下一时刻开始，依次计算出至第二时刻的每一时刻不同历史偏差权重下的历史累计偏差；
根据最佳历史偏差权重下第二时刻的历史累计偏差修正第二时刻下一时刻的工业数据预测值。
2.根据权利要求1所述的工业实时数据时序预测结果的在线修正方法，其特征在于，根据工业数据预测值和工业数据实际值，计算每一时刻的实时误差，包括：
Figure FDA0003807054180000021
其中，errorn为n时刻的实时误差，predValuen为n时刻的工业数据预测值，realValuen为n时刻的工业数据实际值。
3.根据权利要求1所述的工业实时数据时序预测结果的在线修正方法，其特征在于，初始化预设时刻不同历史偏差权重下的历史累计偏差，包括：
offseta，0＝error0
其中，offseta，0为0时刻第a个历史偏差权重下的历史累计偏差，0时刻是指预设时刻，a＝0，1，...，9，历史偏差权重从列表[0，0.1，0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9]中进行选取；error0为预设时刻的实时误差。
4.根据权利要求1所述的工业实时数据时序预测结果的在线修正方法，其特征在于，计算每一时刻不同历史偏差权重下的历史累计偏差，包括：
offseta，n＝errorn*(1-offset_ra)+offseta，n-1*offset_ra
其中，offseta，n为n时刻第a个历史偏差权重下的历史累计偏差，a＝0，1，...，9；offseta，n-1为n-1时刻第a个历史偏差权重下的历史累计偏差；errorn为n时刻的实时误差；offset-ra为第a个历史偏差权重，历史偏差权重从列表[0，0.1，0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9]中进行选取。
5.根据权利要求1所述的工业实时数据时序预测结果的在线修正方法，其特征在于，根据每一时刻不同历史偏差权重下的历史累计偏差修正其下一时刻的工业数据预测值，获得每一时刻不同历史偏差权重下的工业数据修正值，包括：
Figure FDA0003807054180000022
其中，correctValuea，n+1为n+1时刻第a个历史偏差权重下的工业数据修正值；predValuen+1为n+1时刻的工业数据预测值；offseta，n为n时刻第a个历史偏差权重下的历史累计偏差。
6.根据权利要求1所述的工业实时数据时序预测结果的在线修正方法，其特征在于，根据各个时刻的工业数据实际值和每个历史偏差权重下各个时刻的工业数据修正值，计算每个历史偏差权重下工业数据的拟合程度，包括：
Figure FDA0003807054180000031
Figure FDA0003807054180000032
其中，S为不同历史偏差权重下的工业数据修正值与工业数据实际值的拟合程度，meanValue为工业数据实际值的平均值。
7.根据权利要求6所述的工业实时数据时序预测结果的在线修正方法，其特征在于，根据拟合程度确定待箅时刻最佳历史偏差权重，包括：
选择最大拟合程度对应的历史偏差权重作为最佳历史偏差权重。
8.根据权利要求1所述的工业实时数据时序预测结果的在线修正方法，其特征在于，根据最佳历史偏差权重下第一时刻的历史累计偏差修正第一时刻下一时刻的工业数据预测值，和/或，根据最佳历史偏差权重下第二时刻的历史累计偏差修正第二时刻下一时刻的工业数据预测值，包括：
Figure FDA0003807054180000033
其中，correctValuen+1为n+1时刻工业数据预测值的修正值；predValuen+1为n+1时刻的工业数据预测值；offsetn为最佳历史偏差权重下n时刻的历史累计偏差。
9.根据权利要求1所述的工业实时数据时序预测结果的在线修正方法，其特征在于，
在线修正方法对热电厂锅炉中的基于蒸汽产量预测耗氧速率的模型输出的预测值进行修正。
CN202211000231.3A 2022-08-19 2022-08-19 一种工业实时数据时序预测结果的在线修正方法 Active CN115309052B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211000231.3A CN115309052B (zh) 2022-08-19 2022-08-19 一种工业实时数据时序预测结果的在线修正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211000231.3A CN115309052B (zh) 2022-08-19 2022-08-19 一种工业实时数据时序预测结果的在线修正方法

Publications (2)

Publication Number Publication Date
CN115309052A true CN115309052A (zh) 2022-11-08
CN115309052B CN115309052B (zh) 2023-04-28

Family

ID=83863552

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211000231.3A Active CN115309052B (zh) 2022-08-19 2022-08-19 一种工业实时数据时序预测结果的在线修正方法

Country Status (1)

Country Link
CN (1) CN115309052B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116189805A (zh) * 2023-04-19 2023-05-30 北京全应科技有限公司 一种基于氧量预测的煤质变化监测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106408223A (zh) * 2016-11-30 2017-02-15 华北电力大学（保定） 基于气象相似日及误差校正的短期负荷预测方法
CN109800898A (zh) * 2017-11-17 2019-05-24 中国电力科学研究院有限公司 一种智能短期负荷预测方法及系统
CN110298501A (zh) * 2019-06-21 2019-10-01 河海大学常州校区 基于长短时记忆神经网络的电负荷预测方法
CN111507512A (zh) * 2020-04-10 2020-08-07 阳光电源股份有限公司 一种光伏超短期预测功率的修正方法及装置
WO2020160773A1 (en) * 2019-02-07 2020-08-13 Volvo Truck Corporation A method for predicting if at least one differential lock of a vehicle should be activated or deactivated during travelling
CN114329347A (zh) * 2022-03-07 2022-04-12 广东电网有限责任公司 一种电能表计量误差预测方法、装置及存储介质
CN114460526A (zh) * 2022-04-12 2022-05-10 华中科技大学 基于随动补偿的变电站电流互感器误差预测方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106408223A (zh) * 2016-11-30 2017-02-15 华北电力大学（保定） 基于气象相似日及误差校正的短期负荷预测方法
CN109800898A (zh) * 2017-11-17 2019-05-24 中国电力科学研究院有限公司 一种智能短期负荷预测方法及系统
WO2020160773A1 (en) * 2019-02-07 2020-08-13 Volvo Truck Corporation A method for predicting if at least one differential lock of a vehicle should be activated or deactivated during travelling
CN110298501A (zh) * 2019-06-21 2019-10-01 河海大学常州校区 基于长短时记忆神经网络的电负荷预测方法
CN111507512A (zh) * 2020-04-10 2020-08-07 阳光电源股份有限公司 一种光伏超短期预测功率的修正方法及装置
CN114329347A (zh) * 2022-03-07 2022-04-12 广东电网有限责任公司 一种电能表计量误差预测方法、装置及存储介质
CN114460526A (zh) * 2022-04-12 2022-05-10 华中科技大学 基于随动补偿的变电站电流互感器误差预测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
丁一鸣，等: "基于历史信息约束的室内行人三维惯性定位误差修正方法", 《中国惯性技术学报》 *
高伟， 姜水生: "分段曲线拟合与离散度加权的数据误差处理方法", 《中国测试技术》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116189805A (zh) * 2023-04-19 2023-05-30 北京全应科技有限公司 一种基于氧量预测的煤质变化监测方法

Also Published As

Publication number Publication date
CN115309052B (zh) 2023-04-28

Similar Documents

Publication Publication Date Title
CN103439887B (zh) 低阶系统itae最优的pi控制器参数整定方法及系统
CN115309052B (zh) 一种工业实时数据时序预测结果的在线修正方法
CN107657349B (zh) 一种水库分期发电调度规则提取方法
CN110598929A (zh) 一种风电功率非参数概率区间超短期预测方法
CN114721263B (zh) 基于机器学习和智能优化算法的水泥分解炉智慧调控方法
CN109782586B (zh) 参数自整定的miso异因子紧格式无模型控制方法
CN114971090A (zh) 一种电供暖负荷预测方法、系统、设备和介质
CN115994613A (zh) 一种基于电碳模型的碳排放监测方法，终端机及存储介质
CN111553529A (zh) 负荷预测方法、装置、计算机可读存储介质及电子设备
JP2020171217A (ja) 収穫量予測方法、装置およびプログラム
CN112415911A (zh) 一种基于敏感性分析和差分进化算法的参数自动校准方法
CN107436957A (zh) 一种混沌多项式构造方法
Nielsen et al. Risk-based decision making for deterioration processes using POMDP
CN112531725B (zh) 一种对静止无功发生器的参数进行识别的方法及系统
CN115271232A (zh) 一种污水水质预测方法及相关装置
CN114911169A (zh) 一种脱硫增效装置的优化方法、系统、设备及介质
CN113627687A (zh) 一种基于arima-lstm组合模型的供水量预测方法
CN110543724B (zh) 面向总体设计的卫星结构性能预测方法
Goudriaan Some techniques in dynamic simulation
CN113780655A (zh) 一种基于智慧供应链的钢材多品种需求预测方法
US20190130263A1 (en) Randomized reinforcement learning for control of complex systems
CN110778447A (zh) 一种混流式水轮发电机调速器空载pid参数优化方法
CN112580845A (zh) 气象数据处理方法、装置、设备及计算机可读存储介质
CN115130776B (zh) 基于拉氏非对称ν型TSVR的风电场负荷预测方法
CN111781821B (zh) SISO紧格式无模型控制器基于Attention机制循环神经网络的参数自整定方法

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
GR01 Patent grant
GR01 Patent grant