[发明专利]基于相加模型的冷却水泄漏量预测方法

权利要求书

1.一种基于相加模型的冷却水泄漏量预测方法，其特征在于：其包括以下步骤；

S1：对输入的原始冷却水泄漏量时间序列数据，采用CEEMDAN分解方法，获得原始泄漏量时间序列数据在不同特征频率限带下的K个分量序列；

S2：利用N种时间序列信号预测模型，构建预测模型方法库，作为各个分量序列进行单独预测时预测模型的备选库；

S3：对步骤S2的预测模型进行优化:给定输入步数，基于改进的遗传算法，依据各分量相加预测结果，对整体预测模型进行联合学习与优化，优化各个分量预测所使用的预测模型类型、预测模型未知参数与分量相加权重，其具体包括以下子步骤：

S31：确定各预测模型待优化的目标参数及其参数优化搜索域；

S32：采用二进制编码，根据分解获得的分量序列个数与目标优化参数随机初始化种群编码，种群编码的内容包括预测模型的类型、预测模型的未知参数与各分量相加权重，即种群中每个染色体的编码包含了所有K个分量序列对应的各自预测模型类型、预测模型参数与分量预测结果相加权重3部分信息；染色体的编码长度随分量序列的个数与模型类型的选择不同而不同，并设定种群包含染色体的个数为S；

S33：建立由各模型各分量最优参数与对应均方根误差RMSE组成的最优参数-RMSE数据库，最优参数-RMSE数据库包括两个矩阵，矩阵的大小均为N×K维，两个矩阵分别命名为历史最优参数矩阵和历史RMSE矩阵；历史最优参数矩阵中各元素的初始值设为各模型参数搜索域的中值，历史RMSE矩阵中元素的初始值设为无穷大；两个矩阵中元素M_ij与P_ij一一对应，M_ij与P_ij分别代表了第j个分量利用第i种模型预测时的最优模型参数与该最优模型参数下的RMSE,矩阵具体如下所示：

S34：对种群中每个染色体，利用解码后的信息分别训练各分量序列对应的预测模型，并计算各分量序列预测模型的预测结果与分量序列真实值的RMSE；

S35：将步骤S34得到的各分量序列预测结果与最优参数-RMSE数据库中数据进行对比，更新最优参数-RMSE数据库，具体对比方法为，对比当前预测中，各分量序列模型获得预测结果的RMSE值与历史RMSE矩阵中存储的该分量序列使用对应模型的RMSE值，若当前RMSE值小于历史RMSE矩阵中的值，则当前模型参数相比历史模型参数为较优，更新历史最优参数矩阵和历史RMSE矩阵，即保存当前较优的模型参数与对应RMSE值；反之，则不进行更新操作；

S36：将分量序列预测结果按权重相加，得到原始泄漏量数据的最终预测结果，并对预测结果进行适应度函数评价；

S37：对种群进行选择、交叉以及变异等进化操作，获得下一代种群；

S38：重复步骤S34～S37，直至种群中每个染色体均满足遗传算法的终止条件，迭代次数G达到设定的迭代次数，之后输出最终优化结果；

S4：根据最终优化结果建立预测模型，获得最终优化预测结果。

2.根据权利要求1所述的基于相加模型的冷却水泄漏量预测方法，其特征在于：步骤S2具体为结合具有不同模型复杂度的共N种时间序列信号预测模型，以构建预测模型方法库，从而能够与步骤S1分解获得的分量序列具有不同复杂度这一特点相适应。

3.根据权利要求1所述的基于相加模型的冷却水泄漏量预测方法，其特征在于：步骤S3依据各分量相加预测结果，对预测模型中各分量的预测模型类型、预测模型未知参数与分量预测结果相加权重进行联合学习与优化。

4.根据权利要求1所述的基于相加模型的冷却水泄漏量预测方法，其特征在于：步骤S37所采用的交叉考虑染色体内部存在相互关联或耦合关系，即每个分量所采用的模型都具有与之对应的参数与分量权重编码，步骤S37中所述交叉是以染色体内一个分量对应的所有完整编码为单位进行的交叉，交叉的信息包括分量对应的预测模型、模型参数和分量权重信息。

5.根据权利要求1所述的基于相加模型的冷却水泄漏量预测方法，其特征在于：步骤S37所采用的变异包括模型类型、模型参数与分量权重三种变异模式，且三种变异模式以相等概率发生。