CN118194607B - 一种用于锅炉机组数据动态建模方法及系统 - Google Patents

Abstract

本发明涉及预测模型构建技术领域，具体涉及一种用于锅炉机组数据动态建模方法及系统。该方法通过对预设时间段上每种影响数据与热效率数据在每个采样时刻下在波动和数值上的差异，以及波动时间的偏差，得到每种影响数据对热效率数据的初始主导度，并结合不同种类影响数据之间的变化关联获得最终主导度；根据采样时刻与当前时刻在不同种类影响数据上的数据偏差以及最终主导度，得到每个采样时刻的模型参数值结合所有热效率数据构建当前时刻的热效率ARIMA模型。本发明结合多种数据对热效率数据的关联影响，调整在历史时间上数据的参考程度，实现预测模型的自适应构建，获得当前时刻更准确的ARIMA模型进行数据监测。

Description

一种用于锅炉机组数据动态建模方法及系统

技术领域

本发明涉及预测模型构建技术领域，具体涉及一种用于锅炉机组数据动态建模方法及系统。

背景技术

锅炉机组指的是发电厂或工厂中的一种设备，由锅炉本体、燃料管道及其附属设备、测量仪表和其他锅炉附属机械等装置组成，通常用于产生蒸汽以驱动涡轮机发电或提供工业过程中所需的热能。锅炉负责将水加热至产生高压蒸汽，而涡轮机则利用这些高压蒸汽将动能转换为机械能，从而带动发电机产生电力或驱动其他设备。锅炉机组的热效率是评估系统健康状态和工作效率的一项重要指标，通过对热效率进行监控和预测可以更好地了解锅炉的运行状态，提前发现潜在的设备问题，从而帮助操作员及时调整参数或采取维护措施，提高企业的生产效率。

在现有对锅炉机组热效率的预测过程中，对于热效率的预测仅考虑主要因素，如温度、压力和燃料供给等，并且无法量化这些因素对热效率的影响大小，在实际中影响热效率的因素非常多，且相互之间关系复杂，部分因素之间还存在非线性关系，这导致现有预测模型如ARIMA模型对热效率的预测不够准确，其数据动态监测能力较弱。

发明内容

为了解决现有技术中现有预测模型如ARIMA模型对热效率的预测不够准确，其数据动态监测能力较弱的技术问题，本发明的目的在于提供一种用于锅炉机组数据动态建模方法及系统，所采用的技术方案具体如下：

本发明提供了一种用于锅炉机组数据动态建模方法，所述方法包括：

在锅炉机组工作过程中，获取当前时刻前预设时间段上每个采样时刻下的热效率数据和不同种类的影响数据；

根据每种影响数据以及热效率数据在每个采样时刻下的局部数据波动情况，获得每种影响数据以及热效率数据在每个采样时刻下的波动指标；

在预设时间段上，根据每种影响数据与热效率数据在数值和波动指标上的差异情况，以及波动的时间偏差情况，获得每种影响数据对热效率数据的初始主导度；

根据每种影响数据与其他所有种类的影响数据在预设时间段上波动指标的变化关联程度，以及每种影响数据对热效率的初始主导度，获得每种影响数据对热效率数据的最终主导度；

根据每个采样时刻与当前时刻在每种影响数据上的数值偏差程度，以及每种影响数据对热效率数据的最终主导度，获得每个采样时刻下热效率数据的模型参数值；依据预设时间段上所有采样时刻下的热效率数据和模型参数值，构建当前时刻的热效率ARIMA模型。

进一步地，所述波动指标的获取方法包括：

依次将影响数据的每个种类作为参考种类，对于任意一个采样时刻，将参考种类在该采样时刻的预设范围内除该采样时刻对应影响数据外的其他影响数据，作为参考种类在该采样时刻下的局部影响数据；将热效率数据在该采样时刻的预设范围内除该采样时刻对应热效率数据外的其他热效率，作为热效率数据在该采样时刻下的局部热效率数据；

计算参考种类在该采样时刻下的影响数据与每个局部影响数据之间的数值差的平方，获得参考种类在该采样时刻下的每个差异指标；计算参考种类在该采样时刻下的所有差异指标的平均值，获得参考种类在该采样时刻下的波动指标；

计算在该采样时刻下的热效率数据与每个局部热效率数据之间的数值差的平方，获得热效率数据在该采样时刻下的每个差异指标；计算热效率数据在该采样时刻下的所有差异指标的平均值，获得热效率数据在该采样时刻下的波动指标。

进一步地，所述初始主导度的获取方法包括：

对于任意一个影响数据的种类，计算该种影响数据与热效率数据在每个采样时刻下的数值差异，获得该种影响数据在每个采样时刻下的数值差异；计算该种影响数据在预设时间段上所有采样时刻下的数值差异的方差，获得该种影响数据的差异混乱度；

计算该种影响数据与热效率数据在每个采样时刻下的波动指标的差异，获得该种影响数据在每个采样时刻下的波动差异；计算该种影响数据在预设时间段上所有采样时刻下的波动差异的平均值，获得该种影响数据的波动差异度；

将该种影响数据在预设时间段上所有波动指标按照从大到小的顺序排序，获得该种影响数据的波动影响序列；将热效率数据在预设时间段上所有波动指标按照从大到小的顺序排序，获得热效率数据的波动热效率序列；

在波动影响序列与波动热效率序列的前预设第一数量个序号中，计算相同序号的波动指标对应的采样时刻之间的差异，获得每个序号对应的时刻偏差指标；计算前预设第一数量个序号对应的时刻偏差指标的平均值，获得该种影响数据的时间差异度；预设第一数量为正整数；

根据每种影响数据的差异混乱度、波动差异度和时间差异度，获得每种影响数据对热效率数据的初始主导度；差异混乱度、波动差异度和时间差异度均与初始主导度呈负相关，初始主导度为归一化处理后的值。

进一步地，所述最终主导度的获取方法包括：

对于任意一个影响数据的种类，将该种影响数据的波动影响序列中前预设第二数量个序号的波动指标作为该种影响数据的标记波动指标；所述预设第二数量为正整数；

依次将该种影响数据外的其他影响数据的种类作为该种影响数据的目标种类；在该种影响数据的每个标记波动指标对应的采样时刻下，将目标种类的影响数据的波动指标，作为每个标记波动指标的关联波动指标；根据该种影响数据中所有标记波动指标与对应的关联波动指标的波动程度偏差情况，获得该种影响数据与目标种类的影响数据的关联影响指标；

计算该种影响数据与其他所有种类的影响数据的关联影响指标的平均值并进行负相关映射，获得该种影响数据的关联调节系数；

将该种影响数据的关联调节系数与该种影响数据的初始主导度的乘积，作为该种影响数据对热效率数据的最终主导度。

进一步地，所述根据该种影响数据中所有标记波动指标与对应的关联波动指标的波动程度偏差情况，获得该种影响数据与目标种类的影响数据的关联影响指标，包括：

将每种影响数据在预设时间段上所有采样时刻下的波动指标的累加值，作为每种影响数据的波动和值；将每种影响数据在每个采样时刻下的波动指标与波动和值的比值，作为每种影响数据在每个采样时刻下波动指标的程度占比；

对于该种影响数据的任意一个标记波动指标，将该标记波动指标的关联波动指标的程度占比与该标记波动指标的程度占比的比值，作为该标记波动指标与目标种类的影响数据的相关度；

计算该种影响数据的所有标记波动指标与目标种类的影响数据的相关度的平均值，进行归一化处理，获得该种影响数据与目标种类影响数据的关联影响指标。

进一步地，所述模型参数值的获取方法包括：

对于任意一个采样时刻，对于任意一个影响数据的种类，将该采样时刻与当前时刻下该种影响数据在数值间的差异进行负相关映射，获得该采样时刻下该种影响数据的历史参考度；

计算该种影响数据的最终主导度在所有种类的影响数据的最终主导度的和值的比值，获得该种影响数据的影响系数；

将该采样时刻下该种影响数据的历史参考度与影响系数的乘积，作为该采样时刻下该种影响数据的影响参考度；

计算该采样时刻下所有种类的影响参考度的平均值，获得该采样时刻的模型参数值。

进一步地，所述依据预设时间段上所有采样时刻下的热效率数据和模型参数值，构建当前时刻的热效率ARIMA模型，包括：

将每个采样时刻的模型参考值与所有采样时刻的模型参考值的和值的比值，作为每个采样时刻的调整参数；

将每个采样时刻的调整参数作为自回归模型和移动平均模型中的参数，基于所有采样时刻下的热效率数据构建当前时刻的热效率ARIMA模型。

进一步地，所述预设范围设置为以采样时刻为中心，以11个采样时刻为边长大小的范围。

进一步地，所述预设时间段设置为当前时刻前连续200个采样时刻对应的时间段。

本发明提供了一种用于锅炉机组数据动态建模系统，包括存储器和处理器，处理器执行存储器存储的计算程序，以实现如上述一种用于锅炉机组数据动态建模方法。

本发明具有如下有益效果：

本发明考虑预测模型是基于历史数据进行构建的，分析历史采样时刻上的数据影响调整预测模型的参数，通过对预设时间段上不同种类的影响数据与热效率数据在每个采样时刻下的波动和数值的差异程度，以及波动的时间偏差情况，得到不同种类影响数据对热效率数据的初始主导度，量化每种影响数据对热效率数据影响的大小，并通过不同种类影响数据之间的波动变化关联程度调整初始主导度获得最终主导度，考虑不同种类数据间的复杂关联影响，使影响数据对热效率数据的影响情况表征更准确，在后续对历史每个采样时刻上热效率数据的特征分析更准确。进一步根据每个采样时刻与当前时刻在不同种类影响数据上的数据偏差以及对热效率数据的最终主导度，自适应得到每个采样时刻对应热效率数据的模型参数值，从多种影响数据的综合影响情况调整每个历史热效率数据在预测中的参考程度。最终通过模型参考值和所有时刻下的热效率构建当前时刻的热效率ARIMA模型，实现动态预测模型的构建。本发明结合多种数据对热效率数据的关联影响，调整热效率在历史时间上的参考程度，实现对预测模型的自适应调整，获得当前时刻更准确的ARIMA模型进行更可靠的数据监测。

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和优点，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的介绍，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的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的一种用于锅炉机组数据动态建模方法流程图；

图2为本发明一个实施例所提供的一种热效率数据及影响数据的分布示意图；

图3为本发明一个实施例所提供的一种采样时刻的预设范围选取示意图；

图4为本发明一个实施例所提供的一种初始主导度的获取方法流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种用于锅炉机组数据动态建模方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种用于锅炉机组数据动态建模方法及系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种用于锅炉机组数据动态建模方法流程图，该方法包括以下步骤：

S1：在锅炉机组工作过程中，获取当前时刻前预设时间段上每个采样时刻下的热效率数据和不同种类的影响数据。

在本发明实施例中，利用各种测试仪和传感器等测量设备采集锅炉机组工作过程中的各项影响数据，影响数据的种类包括温度、湿度、压力、空气供给量和燃料供给量等多个维度的数据，采集数据时，采样频率为10秒一次，预设时间段设置为当前时刻前连续200个采样时刻对应的时间段，并计算出每个采样时刻对应的热效率大小，锅炉机组的热效率指锅炉产生的热能与消耗的能量之间的比率，是评估锅炉机组的能源利用率的重要指标之一。采样频率和预设时间段的具体数值设置实施者可根据具体实施情况自行调控，在此不做限制。需要说明的是，数据采集为本领域技术人员熟知的技术手段，在此不做进一步赘述。

将采集到的数据传输至监测系统中进一步分析，为了便于分析不同种类的数据间的关系，在本发明实施例中，将热效率数据以及每种影响数据均进行标准化处理，将数值范围映射至0至10范围内，后续计算所指数值均为标准化处理后的数值，并采用最小二乘法进行曲线拟合，得到后续进行分析的热效率数据和不同种类的影响数据。请参阅图2，其出示了本发明一个实施例所提供的一种热效率数据及影响数据的分布示意图，横坐标为时间，纵坐标为标准值，也即为标准化处理后的数值。需要说明的是，标准化处理和最小二乘法拟合均为本领域技术人员熟知的技术手段，在此不做赘述，且数值映射范围的选取实施者可根据具体实施情况进行调整，在此不做限制。

S2：根据每种影响数据以及热效率数据在每个采样时刻下的局部数据波动情况，获得每种影响数据以及热效率数据在每个采样时刻下的波动指标。

热效率数据的大小与锅炉机组的各种影响数据之间存在复杂的非线性关系，这些关系是难以捕捉且动态变化的，即使同一种影响数据在不同情况下的变化对热效率的影响也可能存在一定差异。例如当温度超过一定范围后，再提高温度不会再显著增加热效率，但此时燃料供给量的变化对热效率的影响可能比平时更大。因此，要想获得准确的热效率预测模型，需要结合每种影响数据的局部时序表现，得到对热效率数据的动态影响大小，再根据影响大小去调整预测热效率的过程。因此先基于每个采样时刻下的局部波动特征进行分析，根据每种影响数据以及热效率数据在每个采样时刻下的局部数据波动情况，获得每种影响数据以及热效率数据在每个采样时刻下的波动指标。

优选地，依次将影响数据的每个种类作为参考种类，对于任意一个采样时刻，将参考种类在该采样时刻的预设范围内除该采样时刻对应影响数据外的其他影响数据，作为参考种类在该采样时刻下的局部影响数据，在时序上将参考种类在该采样时刻的局部数据筛选出。同理，将热效率数据在该采样时刻的预设范围内除该采样时刻对应热效率数据外的其他热效率，作为热效率数据在该采样时刻下的局部热效率数据。

在本发明一个实施例中，预设范围设置为以采样时刻为中心，以11个采样时刻为边长大小的范围，也即为将每个采样时刻包括前后各5个采样时刻的范围作为每个采样时刻的预设范围，请参阅图3，其出示了本发明一个实施例所提供的一种采样时刻的预设范围选取示意图。需要说明的是，具体边长大小实施者可自行调控，在此不做限制。

进一步地，计算参考种类在该采样时刻下的影响数据与每个局部影响数据之间的数值差的平方，获得参考种类在该采样时刻下的每个差异指标，反映每个局部影响数据与该采样时刻下的影响数据间的偏差程度，平方计算用于突显差异程度。在本发明其他实施例中，可将参考种类在该采样时刻下的影响数据与每个局部影响数据之间的差值绝对值，作为参考种类在该采样时刻下的每个差异指标，在此不做赘述。

计算参考种类在该采样时刻下的所有差异指标的平均值，获得参考种类在该采样时刻下的波动指标，反映在采样时刻下局部数据的波动强度，在本发明实施例中，每种影响数据的波动指标的表达式为：

式中，表示为第种影响数据在第个采样时刻下的波动指标，表示为第种影响数据在第个采样时刻下的局部影响数据的总数量，表示为第种影响数据在第个采样时刻下的影响数据的数值，表示为第种影响数据在第个采样时刻下的第个局部影响数据的数值。其中表示为第种影响数据在第个采样时刻下的影响数据与第个局部影响数据的差异指标。

同理，计算在该采样时刻下的热效率数据与每个局部热效率数据之间的数值差的平方，获得热效率数据在该采样时刻下的每个差异指标，计算热效率数据在该采样时刻下的所有差异指标的平均值，获得热效率数据在该采样时刻下的波动指标。

至此，完成对数据的局部特征分析，对每种影响数据以及热效率数据均进行在每个采样时刻下的波动指标的获取。

S3：在预设时间段上，根据每种影响数据与热效率数据在数值和波动指标上的差异情况，以及波动的时间偏差情况，获得每种影响数据对热效率数据的初始主导度。

在当前时刻的预设时间段上，可通过每种影响数据与热效率数据之间的相似情况来获得初始的主导程度，反映在时间较近的历史数据中每种影响数据对热效率数据的影响程度，因此在预设时间段上，根据每种影响数据与热效率数据在数值和波动指标上的差异情况，以及波动的时间偏差情况，获得每种影响数据对热效率数据的初始主导度。请参阅图4，其出示了本发明一个实施例所提供的一种初始主导度的获取方法流程图，该方法包括以下步骤：

S301：根据每种影响数据与热效率数据在所有采样时刻下的数值差异情况，获得每种影响数据的差异混乱度。

对于任意一个影响数据的种类，计算该种影响数据与热效率数据在每个采样时刻下的数值差异，获得该种影响数据在每个采样时刻下的数值差异，通过数值上的差异情况反映数据间的相似性。

在影响数据与热效率数据存在相似情况时，完全相似情况下数值差异为零，在趋势完全相似情况下所有数值差异均相等，因此计算该种影响数据在预设时间段上所有采样时刻下的数值差异的方差，获得该种影响数据的差异混乱度，通过数值差异的混乱分布反映数值上的差异情况，当数值分布差异越混乱，影响数据与热效率数据间越不相似。

S302：根据每种影响数据与热效率数据在所有采样时刻下的波动指标差异情况，获得每种影响数据的波动差异度。

当影响数据与热效率数据存在相似性时，其数据的波动情况应该越近似，因此计算该种影响数据与热效率数据在每个采样时刻下的波动指标的差异，获得该种影响数据在每个采样时刻下的波动差异，反映每个时刻下的波动程度的差异情况。

计算该种影响数据在预设时间段上所有采样时刻下的波动差异的平均值，获得该种影响数据的波动差异度，从整体波动指标差异的分布趋势反映波动上的差异情况，当差异情况越大，说明影响数据与热效率数据之间的相似性越低。在本发明其他实施例中，可将所有波动差异的累加值作为该影响数据的波动差异度，反映整体偏差程度，在此不做赘述。

S303：根据每种影响数据与热效率数据在波动上的时间偏差情况，获得每种影响数据的时间差异度。

将该种影响数据在预设时间段上所有波动指标按照从大到小的顺序排序，获得该种影响数据的波动影响序列，将热效率数据在预设时间段上所有波动指标按照从大到小的顺序排序，获得热效率数据的波动热效率序列，序列反映波动产生的特征，序列中的首尾部分对应数据产生波动的极值情况，对应极大波动或无波动的部分。

在波动影响序列与波动热效率序列的前预设第一数量个序号中，计算相同序号的波动指标对应的采样时刻之间的差异，获得每个序号对应的时刻偏差指标，反映极大波动的产生时刻之间的差异。由于极大波动产生时刻更具有波动表征性，因此计算前预设第一数量个序号对应的时刻偏差指标的平均值，获得该种影响数据的时间差异度，当发生波动性高的时刻差异越大，说明影响数据与热效率数据的相似性越低。

在本发明实施例中，预设第一数量为正整数设置为5，具体数值实施者可自行调控。举例说明，当预设第一数量为5时，在波动影响序列和波动热效率序列的前5个序号中，计算波动影响序列序号1位置的波动指标对应的采样时刻与波动热效率序列序号1位置的波动指标对应的采样时刻之间的差异，得到序号1对应的时刻偏差指标，前5个序号，每个序号对应一个时刻偏差指标。

S304：根据每种影响数据的差异混乱度、波动差异度和时间差异度，获得每种影响数据对热效率数据的初始主导度。

根据每种影响数据的差异混乱度、波动差异度和时间差异度，获得每种影响数据对热效率数据的初始主导度，表征每种影响数据与热效率数据的分布近似情况，反映每种影响数据变化对热效率数据变化的影响大小。差异混乱度、波动差异度和时间差异度均与初始主导度呈负相关，初始主导度为归一化处理后的值，在本发明实施例中，初始主导度的表达式为：

式中，表示为第种影响数据的初始主导度，表示为预设时间段上所有采样时刻的总数量，表示为第种影响数据在第个采样时刻下的波动指标，表示为热效率数据在第个采样时刻下的波动指标，表示为预设第一数量，表示为在热效率数据的波动热效率序列中第个序号的波动指标对应的采样时刻，表示为在第种影响数据的波动影响序列中第个序号的波动指标对应的采样时刻，表示为第种影响数据的差异混乱度，表示为绝对值提取函数，表示为以自然常数为底的指数函数。

其中，表示为第种影响数据与热效率数据在第个采样时刻下的波动差异，表示为第种影响数据的波动差异度，表示为在第种影响数据的波动影响序列与热效率数据的波动热效率序列中第个序号的波动指标对应的采样时刻之间的时刻偏差指标，表示为第种影响数据的时间差异度。

当差异混乱度越小，波动差异度越小，时间差异度越小，说明该种影响数据与热效率数据在数值分布越接近，在波动变化程度上越相似，以及在波动时间上越相近，因此初始主导度越大。通过对差异混乱度、波动差异度和时间差异度的乘积采用负指数函数形式进行负相关映射并归一化处理，在本发明其他实施例中，可以运用其他基础数学运算反映差异混乱度、波动差异度和时间差异度均与初始主导度呈负相关，如减法或除法等，在此不做限制。

至此，完成对每种影响数据与热效率数据之间关系的初步判断，得到初始主导度。

S4：根据每种影响数据与其他所有种类的影响数据在预设时间段上波动指标的变化关联程度，以及每种影响数据对热效率的初始主导度，获得每种影响数据对热效率数据的最终主导度。

仅通过相似性计算得到的每种影响数据的主导影响程度并不够准确，因为不同种类的影响数据之间也存在一定的关联，可能出现某种影响数据与热效率数据的变化相似性较高，但实际上该种影响数据对热效率数据的影响并不大的情况。例如燃料供给量增加时，锅炉内的压力和热效率都会随之增加，此时虽然压力和热效率表现出的相似性较高，但实际导致热效率变化的直接变量是燃料供给量，此时在分析压力对热效率的主导程度时还需要考虑燃料供给量对压力的影响。

因此通过对每种影响数据与其他种类的影响数据之间的变化关联情况，减小存在较多变化关联程度的影响数据对热效率的影响程度，使主导影响分析更准确，因此根据每种影响数据与其他所有种类的影响数据在预设时间段上波动指标的变化关联程度，以及每种影响数据对热效率的初始主导度，获得每种影响数据对热效率数据的最终主导度。

优选地，对于任意一个影响数据的种类，将该种影响数据的波动影响序列中前预设第二数量个序号的波动指标作为该种影响数据的标记波动指标，标记波动指标反映了该种影响数据中波动较大的情况，通过相同采样时刻下其他种类影响数据的波动程度进行比较，分析关联情况。在本发明实施例中，预设第二数量为正整数设置为20，具体数值实施者可自行调控。

依次将该种影响数据外的其他影响数据的种类作为该种影响数据的目标种类，在该种影响数据的每个标记波动指标对应的采样时刻下，将目标种类的影响数据的波动指标，作为每个标记波动指标的关联波动指标，对每个标记波动指标获取在目标种类中相同时刻下的波动指标。

在进一步分析影响数据之间的关联性时，考虑到虽然不同种类的影响数据存在波动的剧烈程度不同，但引起的波动的状态程度是相同的，也即是说，存在关联的影响数据虽然波动程度不同，但在发生最大波动情况的时间是一致的，例如燃料供给量本身数据波动程度比压力的波动程度显著，但燃料供给量与压力是存在关联变化的，故燃料供给量变化最大的时刻也即为压力变化最大的时刻。

基于此关联变化特征，进一步根据该种影响数据中所有标记波动指标与对应的关联波动指标的波动程度偏差情况，获得该种影响数据与目标种类的影响数据的关联影响指标，在本发明实施例中，将每种影响数据在预设时间段上所有采样时刻下的波动指标的累加值，作为每种影响数据的波动和值，将每种影响数据在每个采样时刻下的波动指标与波动和值的比值，作为每种影响数据在每个采样时刻下波动指标的程度占比，程度占比即为波动指标在整体波动的相对程度大小。

对于该种影响数据的任意一个标记波动指标，将该标记波动指标的关联波动指标的程度占比与该标记波动指标的程度占比的比值，作为该标记波动指标与目标种类的影响数据的相关度，由于标记波动指标本身即为该种影响数据的较大的波动指标，其占比情况也较大，故当关联波动指标在目标种类中的程度占比越大时，说明该种影响数据与目标种类的影响数据间的相关性越显著，相关度越大。

结合该种影响数据中所有标记波动指标反映的相关性，计算该种影响数据的所有标记波动指标与目标种类的影响数据的相关度的平均值，进行归一化处理，获得该种影响数据与目标种类影响数据的关联影响指标，通过较为明显的波动指标的程度相对大小反映两种影响数据间的关联性。在本发明实施例中，关联影响指标的表达式为：

式中，表示为第种影响数据与第种影响数据的关联影响指标，表示为预设第二数量，表示为第种影响数据在第个采样时刻下的波动指标，表示为第种影响数据在第个采样时刻下的波动指标，表示为预设时间段上所有采样时刻的总数量，表示为第种影响数据的第个标记波动指标，表示为第个标记波动指标在第种影响数据中对应的关联波动指标，且，表示为归一化处理函数，需要说明的是，归一化为本领域技术人员熟知的技术手段，归一化函数的选择可以为线性归一化或标准归一化等，具体的归一化方法在此不做限定。

其中，表示为第种影响数据的波动和值，表示为第种影响数据的波动和值，表示为第个标记波动指标的程度占比，表示为第个标记波动指标在第种影响数据中对应的关联波动指标的程度占比，表示为第个标记波动指标与第种影响数据的相关度。每个标记波动指标计算分析的相关度越高，则整体两种影响数据间的关联性越大，关联影响指标越大。

计算该种影响数据与其他所有种类的影响数据的关联影响指标的平均值并进行负相关映射，获得该种影响数据的关联调节系数，对该种影响数据与其他所有种类之间的整体关联性分析，当该种影响数据受到其他种类影响数据的整体关联变化影响越大，则该种影响数据对热效率数据的主导影响能力越弱，因此关联调节系数越小。最终将该种影响数据的关联调节系数与该种影响数据的初始主导度的乘积，作为该种影响数据对热效率数据的最终主导度，在本发明实施例中，最终主导度的表达式为：

式中，表示为第种影响数据的最终主导度，表示为第种影响数据的初始主导度，表示为影响数据的总种类数量，表示为第种影响数据与第种影响数据的关联影响指标，且，表示为以自然常数为底的指数函数。其中，表示为第种影响数据关联调节系数，平均的关联影响指标越高，关联调节系数越小。

至此，通过影响数据之间的关联关系调整每种影响数据的初始主导度，得到更准确表征每种影响数据对热效率数据变化影响程度的最终主导度。

S5：根据每个采样时刻与当前时刻在每种影响数据上的数值偏差程度，以及每种影响数据对热效率数据的最终主导度，获得每个采样时刻下热效率数据的模型参数值；依据预设时间段上所有采样时刻下的热效率数据和模型参数值，构建当前时刻的热效率ARIMA模型。

ARIMA模型全称为自回归差分移动平均模型（Autoregressive IntegratedMoving Average Model，ARIMA），主要由自回归模型、差分过程和移动平均模型三部分构成。其中，自回归模型的参数表示了过去的历史数据值对预测数据的影响大小，而移动平均模型的参数表示了过去的历史数据值的拟合残差对预测数据的影响大小，模型的参数主要用于模型公式的计算，反映每个历史点对当前点的关系。

对于热效率数据而言，每个历史时刻的热效率数据对当前热效率数据的参考程度是不同的，且每个历史时刻的热效率数据均受到多种影响数据的影响，故根据每个采样时刻与当前时刻在每种影响数据上的数值偏差程度，以及每种影响数据对热效率数据的最终主导度，获得每个采样时刻下热效率数据的模型参数值。

优选地，对于任意一个采样时刻，对于任意一个影响数据的种类，将该采样时刻与当前时刻下该种影响数据在数值间的差异进行负相关映射，获得该采样时刻下该种影响数据的历史参考度，通过采样时刻上影响数据与当前时刻上影响数据之间数值的差异反映采样时刻的参考价值程度，当差异越小，说明采样时刻对当前时刻后的预测更具参考价值。

进一步地计算该种影响数据的最终主导度在所有种类的影响数据的最终主导度的和值的比值，获得该种影响数据的影响系数，最终主导度反映影响数据对热效率数据变化的影响程度，对于影响程度越高的数据，在分析其参考价值时考虑其影响程度越高，故影响系数作为整体参考分析中的权重，主导影响程度高的影响数据参考价值更可信。

将该采样时刻下该种影响数据的历史参考度与影响系数的乘积，作为该采样时刻下该种影响数据的影响参考度，影响参考度为该采样时刻下单种类影响数据的参考价值，进一步计算该采样时刻下所有种类的影响参考度的平均值，获得该采样时刻的模型参数值，综合反映该采样时刻的参考价值，在本发明实施例中，模型参考值的表达式为：

式中，表示为第个采样时刻的模型参考值，表示为第种影响数据在第个采样时刻下的影响数据的数值，表示为第种影响数据在当前时刻下的影响数据的数值，表示为影响数据的总种类数量，表示为第种影响数据的最终主导度，表示为以自然常数为底的指数函数。

其中，表示为第个采样时刻下第种影响数据的历史参考度，表示为第种影响数据的影响系数，表示为第个采样时刻下第种影响数据的影响参考度，当多种影响数据在历史数据的差异上越接近，则表示该采样时刻与当前时刻的情况越接近，该采样时刻的参考价值越高，故采样时刻的模型参考值越高。

最后，依据预设时间段上所有采样时刻下的热效率数据和模型参数值，构建当前时刻的热效率ARIMA模型，优选地，将每个采样时刻的模型参考值与所有采样时刻的模型参考值的和值的比值，作为每个采样时刻的调整参数，使所有采样时刻的调整参数和值为1。将每个采样时刻的调整参数作为自回归模型和移动平均模型中的参数，基于所有采样时刻下的热效率数据构建当前时刻的热效率ARIMA模型。需要说明的是，自回归模型和移动平均模型的模型公式计算，以及ARIMA模型的构建为本领域技术人员熟知的技术手段，在此不做赘述。

在本发明实施例中，当前时刻的不断更新，使分析的历史数据，也即预设时间段中的热效率数据也在更新，实现动态热效率ARIMA模型的构建，通过热效率ARIMA模型可预测未来时刻的热效率数据，对锅炉机组的系统健康状态和工作效率进行评估，更好地了解锅炉的运行状态，同时可以为操作人员的后续决策提供数据支持，以实现更高效的能源管理和资源利用，同时避免设备故障影响企业的生产效率。

综上，本发明考虑预测模型是基于历史数据进行构建的，分析历史采样时刻上的数据影响调整预测模型的参数，通过对预设时间段上不同种类的影响数据与热效率在每个采样时刻下的波动和数值的差异程度，以及波动的时间偏差情况，得到不同种类影响数据对热效率的初始主导度，量化每种影响数据对热效率影响的大小，并通过不同种类影响数据之间的波动变化关联程度调整初始主导度获得最终主导度，考虑不同种类数据间的复杂关联影响，使影响数据对热效率的影响情况表征更准确，在后续对历史每个采样时刻上热效率的特征分析更准确。进一步根据每个采样时刻与当前时刻在不同种类影响数据上的数据偏差以及对热效率的最终主导度，自适应得到每个采样时刻对应热效率的模型参数值，从多种影响数据的综合影响情况调整每个历史热效率在预测中的参考程度。最终通过模型参考值和所有时刻下的热效率构建当前时刻的热效率ARIMA模型，实现动态预测模型的构建。本发明结合多种数据对热效率的关联影响，调整热效率在历史时间上的参考程度，实现对预测模型的自适应调整，获得当前时刻更准确的ARIMA模型进行更可靠的数据监测。

本发明提供了一种用于锅炉机组数据动态建模系统，包括存储器和处理器，处理器执行存储器存储的计算程序，以实现如上述一种用于锅炉机组数据动态建模方法。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (4)

1.一种用于锅炉机组数据动态建模方法，其特征在于，所述方法包括：

在锅炉机组工作过程中，获取当前时刻前预设时间段上每个采样时刻下的热效率数据和不同种类的影响数据；

根据每种影响数据以及热效率数据在每个采样时刻下的局部数据波动情况，获得每种影响数据以及热效率数据在每个采样时刻下的波动指标；

在预设时间段上，根据每种影响数据与热效率数据在数值和波动指标上的差异情况，以及波动的时间偏差情况，获得每种影响数据对热效率数据的初始主导度；

根据每种影响数据与其他所有种类的影响数据在预设时间段上波动指标的变化关联程度，以及每种影响数据对热效率的初始主导度，获得每种影响数据对热效率数据的最终主导度；

根据每个采样时刻与当前时刻在每种影响数据上的数值偏差程度，以及每种影响数据对热效率数据的最终主导度，获得每个采样时刻下热效率数据的模型参数值；依据预设时间段上所有采样时刻下的热效率数据和模型参数值，构建当前时刻的热效率ARIMA模型；

所述波动指标的获取方法包括：

依次将影响数据的每个种类作为参考种类，对于任意一个采样时刻，将参考种类在该采样时刻的预设范围内除该采样时刻对应影响数据外的其他影响数据，作为参考种类在该采样时刻下的局部影响数据；将热效率数据在该采样时刻的预设范围内除该采样时刻对应热效率数据外的其他热效率，作为热效率数据在该采样时刻下的局部热效率数据；

计算参考种类在该采样时刻下的影响数据与每个局部影响数据之间的数值差的平方，获得参考种类在该采样时刻下的每个差异指标；计算参考种类在该采样时刻下的所有差异指标的平均值，获得参考种类在该采样时刻下的波动指标；

计算在该采样时刻下的热效率数据与每个局部热效率数据之间的数值差的平方，获得热效率数据在该采样时刻下的每个差异指标；计算热效率数据在该采样时刻下的所有差异指标的平均值，获得热效率数据在该采样时刻下的波动指标；

所述初始主导度的获取方法包括：

对于任意一个影响数据的种类，计算该种影响数据与热效率数据在每个采样时刻下的数值差异，获得该种影响数据在每个采样时刻下的数值差异；计算该种影响数据在预设时间段上所有采样时刻下的数值差异的方差，获得该种影响数据的差异混乱度；

计算该种影响数据与热效率数据在每个采样时刻下的波动指标的差异，获得该种影响数据在每个采样时刻下的波动差异；计算该种影响数据在预设时间段上所有采样时刻下的波动差异的平均值，获得该种影响数据的波动差异度；

将该种影响数据在预设时间段上所有波动指标按照从大到小的顺序排序，获得该种影响数据的波动影响序列；将热效率数据在预设时间段上所有波动指标按照从大到小的顺序排序，获得热效率数据的波动热效率序列；

在波动影响序列与波动热效率序列的前预设第一数量个序号中，计算相同序号的波动指标对应的采样时刻之间的差异，获得每个序号对应的时刻偏差指标；计算前预设第一数量个序号对应的时刻偏差指标的平均值，获得该种影响数据的时间差异度；预设第一数量为正整数；

根据每种影响数据的差异混乱度、波动差异度和时间差异度，获得每种影响数据对热效率数据的初始主导度；差异混乱度、波动差异度和时间差异度均与初始主导度呈负相关，初始主导度为归一化处理后的值；

所述最终主导度的获取方法包括：

对于任意一个影响数据的种类，将该种影响数据的波动影响序列中前预设第二数量个序号的波动指标作为该种影响数据的标记波动指标；所述预设第二数量为正整数；

依次将该种影响数据外的其他影响数据的种类作为该种影响数据的目标种类；在该种影响数据的每个标记波动指标对应的采样时刻下，将目标种类的影响数据的波动指标，作为每个标记波动指标的关联波动指标；根据该种影响数据中所有标记波动指标与对应的关联波动指标的波动程度偏差情况，获得该种影响数据与目标种类的影响数据的关联影响指标；

计算该种影响数据与其他所有种类的影响数据的关联影响指标的平均值并进行负相关映射，获得该种影响数据的关联调节系数；

将该种影响数据的关联调节系数与该种影响数据的初始主导度的乘积，作为该种影响数据对热效率数据的最终主导度；

所述根据该种影响数据中所有标记波动指标与对应的关联波动指标的波动程度偏差情况，获得该种影响数据与目标种类的影响数据的关联影响指标，包括：

将每种影响数据在预设时间段上所有采样时刻下的波动指标的累加值，作为每种影响数据的波动和值；将每种影响数据在每个采样时刻下的波动指标与波动和值的比值，作为每种影响数据在每个采样时刻下波动指标的程度占比；

对于该种影响数据的任意一个标记波动指标，将该标记波动指标的关联波动指标的程度占比与该标记波动指标的程度占比的比值，作为该标记波动指标与目标种类的影响数据的相关度；

计算该种影响数据的所有标记波动指标与目标种类的影响数据的相关度的平均值，进行归一化处理，获得该种影响数据与目标种类影响数据的关联影响指标；

所述模型参数值的获取方法包括：

对于任意一个采样时刻，对于任意一个影响数据的种类，将该采样时刻与当前时刻下该种影响数据在数值间的差异进行负相关映射，获得该采样时刻下该种影响数据的历史参考度；

计算该种影响数据的最终主导度在所有种类的影响数据的最终主导度的和值的比值，获得该种影响数据的影响系数；

将该采样时刻下该种影响数据的历史参考度与影响系数的乘积，作为该采样时刻下该种影响数据的影响参考度；

计算该采样时刻下所有种类的影响参考度的平均值，获得该采样时刻的模型参数值；

所述依据预设时间段上所有采样时刻下的热效率数据和模型参数值，构建当前时刻的热效率ARIMA模型，包括：

将每个采样时刻的模型参考值与所有采样时刻的模型参考值的和值的比值，作为每个采样时刻的调整参数；

将每个采样时刻的调整参数作为自回归模型和移动平均模型中的参数，基于所有采样时刻下的热效率数据构建当前时刻的热效率ARIMA模型。

2.根据权利要求1所述一种用于锅炉机组数据动态建模方法，其特征在于，所述预设范围设置为以采样时刻为中心，以11个采样时刻为边长大小的范围。

3.根据权利要求1所述一种用于锅炉机组数据动态建模方法，其特征在于，所述预设时间段设置为当前时刻前连续200个采样时刻对应的时间段。

4.一种用于锅炉机组数据动态建模系统，包括存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算程序，以实现如权利要求1-3任一项所述一种用于锅炉机组数据动态建模方法。