[发明专利]一种时间序列数据流中的关联规则的挖掘方法

说明书

技术领域

本发明涉及工业控制技术领域，尤其涉及一种基于关联规则挖掘的锅炉控制方法和装置。 

背景技术

在燃煤锅炉控制领域中，利用数据流的关联规则调整参数以控制设备，可以有效提高生产效率。现有的关于时间序列数据流关联规则挖掘的技术，一般可分为两个步骤：首先进行频繁模式的挖掘，然后根据频繁模式生成满足要求的关联规则。在时间序列数据流中挖掘频繁模式，大部分是基于Apriori算法的计数，多次遍历数据库，有一些针对Apriori技术进行了改进，最经典的就是FP-growth技术，该技术可以在有限次遍历数据库后得到频繁项集。在获得频繁项集后，生成关联规则的方法大体都相同的，都是根据已知的置信度来筛选关联规则。 

在时间序列上已有的技术，大部分都是基于时间窗口的技术，来对数据流上的数据进行本地限制。现有的时间窗口技术分三种，根据不同时序范围可以将数据流环境下的查询窗口划分为不同的三种窗口模式：界标窗口、衰减窗口、滑动窗口。 

在数据预处理方面已有的技术是数据的离散化，线性化和聚类。在时间序列频繁模式挖掘方面，已有的技术大部分是基于FP-growth基础上进行相关改进，使其可以适应数据流的相关特性。改进的方面主要有存储结构，有一些技术改进FP-growth技术提出的FP-tree存储结构，以减少为挖掘频繁模式而遍历数据库的次数，有一些技术通过存储结构的修改，来预测潜在的频繁项集，这对数据流上挖掘频繁模式有很大的帮助。 

但是，现有技术也存在若干缺点： 

1、现有技术大部分专注于单一的时间序列。一般情况下它们在挖掘时间序列关联规则中，只考虑了有一个流的存在。有些技术即便是考虑了多元时间流的存在，但是并没有考虑到不同元之间的相互作用，这样很可能失去许 多有益的关联规则。由现实生活可知，影响属性A当前值的因素不只是属性A以前的值，很可能另外一个属性B对A当前的影响也很大，但是在现有技术中，大部分都没有考虑这样的问题。 

2、现有技术在数据预处理的部分进行取元模式时都是根据时间点划分的，一般都是等时间间隔划分的元模式。等时间间隔划分元模式的好处是易于处理，但是这样却忽视了模式的自有特性，因为等时间间隔的划分元模式可能将一个完整的模式认为的分到两个或多个不同的模式中，致使破坏模式的自有特性，再者在实际工作中各个模式的自然长度几乎不能是等长的。 

3、现有技术在挖掘频繁项集时，一般都是将当前窗口内的所有数据加入到已存在的数据结构中。这样做的好处是处理简单，同时如果数据结构设计的好的话，也可以在有限时间内完成挖掘。但是随着时间的推移，数据量的增大，可能完成一次数据更新花的时间会越来越多。 

发明内容

为了解决现有技术中燃煤锅炉控制领域缺乏对锅炉状态数据进行有效的关联规则挖掘的技术问题，本发明提供了一种基于关联规则挖掘的锅炉控制方法和装置，以实现对锅炉状态数据进行统一挖掘，利用挖掘到的关联规则修改锅炉参数，从而达到智能控制锅炉运行的目的。 

本发明公开了一种基于关联规则挖掘的锅炉控制方法，该方法包括以下步骤： 

采集锅炉状态数据； 

对数据进行预处理，将数据进行分段线性化逼近，转化为二维空间中的向量，再将其拟合时间序列，对每段时间序列进行聚类，再将时间序列流转变为事务流； 

建立全局滑动窗口频繁项集树SWFI-tree和局部SWFI-tree，将局部SWFI-tree的信息添加到全局SWFI-tree，修剪全局SWFI_tree； 

根据FP-growth算法生成频繁项集； 

利用预先设置的置信度，由频繁项集生成关联规则； 

利用该关联规则预测指定时间过后锅炉的各参数的变化状态与趋势； 

根据预测结果提前修改参数，控制锅炉运行。 

本发明还公开了一种基于关联规则挖掘的锅炉控制装置，该装置包括以下步骤： 

采集模块，用于采集锅炉状态数据； 

预处理模块，用于对数据进行预处理，将数据进行分段线性化逼近，转化为二维空间中的向量，再将其拟合时间序列，对每段时间序列进行聚类，再将时间序列流转变为事务流； 

SWFI-tree建立模块，用于建立全局滑动窗口频繁项集树SWFI-tree和局部SWFI-tree，将局部SWFI-tree的信息添加到全局SWFI-tree，修剪全局SWFI_tree； 

频繁项集生成模块，用于根据FP-growth算法生成频繁项集；