本发明属于高炉一氧化碳利用率特性辨识分析技术领域，涉及到一种高炉一氧化碳利用率时间序列混沌特性辨识方法和系统。
背景技术：
由于高能耗的存在，使得高炉炼铁过程一直以来是整个钢铁行业节能降耗的重点，因此对高炉能耗评价指标的研究，进而实时掌握和判断能耗变化情况，指导现场操作进行相应改变，以达到降低能耗的目的而成为关键。
在高炉冶炼过程中，作为高炉实时能耗评估指标，高炉一氧化碳利用率不仅可以间接反映还原发展进程，而且还能直接影响吨铁的能耗和高炉能量的利用；同时，在高炉炼铁过程中，一氧化碳利用率还是衡量气固相还原反应程度的关键参数，操作现场需时时把握一氧化碳利用率的变化趋势，以作为高炉炼铁过程短期调控的重要依据。因此，对高炉一氧化碳利用率的研究，分析其特性和变化趋势，对其进行准确预测和控制，从而为指导现场操作确保高炉的稳顺运行具有可行的意义。
然而，在炼铁过程时，由于高炉的密闭性以及一氧化碳利用率发展变化过程的复杂性，通常很难通过建立描述高炉一氧化碳利用率发展变化的状态方程或机理模型来分析高炉一氧化碳利用率，进而掌握其发展变化的规律。即使在已有的机理模型中也通常存在着诸多的假设条件和参数复杂等缺点，从而影响分析的精准性。同时，目前关于一氧化碳利用率研究中，很少涉及到高炉一氧化碳利用率本身特性研究，因此，高炉一氧化碳利用率本身特性分析的欠缺，使得现有诸多高炉一氧化碳利用率机理模型分析结果具有一定的局限性。所以对高炉一氧化碳利用率进行混沌特性辨识分析，为高炉一氧化碳利用率的混沌预测和控制打下基础，进而为高炉的能耗评价以及现场操作提供很好的指导作用，从而实现高炉降耗的目的，显得尤为重要。
技术实现要素：
针对现有高炉一氧化碳利用率预测模型和预测精确度的不足，提供一种高炉一氧化碳利用率混沌加权一阶局部预测方法和系统，来解决高炉能耗指标优化，降低能耗的目的。
为了实现上述目的，本发明提供了一种高炉一氧化碳利用率时间混沌特性辨识方法，包括如下步骤：
S1、输入原始高炉一氧化碳利用率的时间序列η(co)i，i＝1,2,…,N，其中N为高炉一氧化碳利用率样本时间序列的长度；
S2、对高炉一氧化碳利用率时间序列进行混沌特性定性辨识分析，判断时间序列混沌特性是否存在；
如果混沌特性不存在，退出流程；如果存在，则继续进行下一步流程；
S3、对S1中输入的原始高炉一氧化碳利用率的时间序列采用自相关函数法确定高炉一氧化碳利用率时间序列相空间嵌入时间τ；
S4、对S1中输入的原始高炉一氧化碳利用率的时间序列采用关联积分法确定高炉一氧化碳利用率时间序列相空间嵌入维数m；
S5、利用步骤S3和S4中确定的嵌入时间τ和嵌入维数m两个参数，采用延迟坐标法对高炉一氧化碳利用率时间序列进行相空间重构；
S6、对步骤S5中获得的时间序列重构相空间采用关联维数方法对高炉一氧化碳利用率时间序列的关联维数进行计算，求出饱和关联维数数值，获得混沌特性的特征属性值。
在本发明的一种高炉CO利用率时间序列混沌特性辨识方法中，步骤S3中的采用自相关函数法确定嵌入时间通过以下步骤实现：
S31、建立高炉一氧化碳利用率时间序列的自相关函数
S32、根据S31的自相关函数表达式，当Cτ取值趋向于0时的τ值即可确定为高炉一氧化碳利用率相空间的嵌入时间τ。
在本发明的一种高炉CO利用率时间序列混沌特性辨识方法中，步骤S4中的关联积分法确定嵌入维度通过以下步骤实现：
S41、获得高炉一氧化碳利用率相空间中点的个数M；
S42、建立高炉一氧化碳利用率时序的关联积分函数方程
其中，dij表示高炉一氧化碳利用率相空间中任意两矢量点之间的欧氏距离，r为相空间中任选的距离，为Heaviside函数；
S43、根据步骤S3确定的嵌入时间τ的数值及S42中的关联积分函数方程，得到高炉一氧化碳利用率关联维数D的计算表达式：
S44、由步骤S43中的关联维数计算公式可得，高炉样本空间的lnC(co)m(r)随lnr的斜率变化率小于预设的阈值k时，m为最佳嵌入维度，获得高炉一氧化碳利用率时间序列相空间嵌入维数m。
在本发明的一种高炉CO利用率时间序列混沌特性辨识方法中，步骤S5中的采用延迟坐标法对高炉一氧化碳利用率时间序列进行相空间重构，通过如下步骤得到：
S51：输入一氧化碳利用率重构相空间嵌入时间τ和嵌入维数m；
S52:采用延迟坐标法进行相空间重构，其重构后的相空间具体为：
其中，N是一氧化碳利用率原始样本时间序列的个数，M＝N-(m-1)τ为一氧化碳利用率时间序列嵌入相空间的向量个数。
在本发明的一种高炉CO利用率时间序列混沌特性辨识方法中，所述步骤S6中的饱和关联维数法具体计算过程为：
S61：选取不同的步长r数值，根据下式计算不同的r对应的自相关函数值
S62：根据公式计算关联维数；
S63：增大嵌入维数m，当m增大到一个数值时，对应的关联维数D(m)趋近一个极限值，用最小二乘法拟合确定饱和关联维数数值DZm。
进一步地，本发明还包含一种高炉CO利用率时间序列混沌特性辨识系统，包括以下模块：
初始输入模块，用于输入原始高炉一氧化碳利用率的时间序列η(co)i，i＝1,2,…,N，其中N为高炉一氧化碳利用率样本时间序列的长度；
定性分析判断模块，对高炉一氧化碳利用率时间序列混沌特性是否存在进行定性辨识分析；
确定嵌入时间模块，用于对原始高炉一氧化碳利用率的时间序列采用自相关函数法确定高炉一氧化碳利用率时间序列相空间嵌入时间；
确定嵌入维数模块，用于对原始高炉一氧化碳利用率的时间序列采用关联积分法确定高炉一氧化碳利用率时间序列相空间嵌入维数；
相空间重构模块，用于使用嵌入时间τ和嵌入维数m两个参数，采用延迟坐标法对高炉一氧化碳利用率时间序列进行相空间重构；
饱和关联维数模块，用于对时间序列重构相空间采用关联维数方法对计算关联维数；求出饱和关联维数数值，获得混沌特性的特征属性值。
与现有技术相比，本发明所具有的有益效果为：
1.从时间序列的角度入手，利用混沌相空间技术对高炉一氧化碳利用率进行特性辨识分析，弥补了高炉一氧化碳利用率特性分析的欠缺。
2.采用定性和定量的综合分析方法对来自于现场的高炉一氧化碳利用率样本时间序列的混沌特性进行辨识分析，保证了结论的可靠性。
3.采用自相关函数法和关联维数法对高炉一氧化碳利用率时间序列相空间重构的嵌入时间和嵌入维数进行计算，采用饱和关联维数方法对高炉一氧化碳利用率相空间重构的饱和关联维数进行计算，此三种方法简单，计算量小，耗时短，保证结果准确。
4.高炉一氧化碳利用率的混沌特性的证明存在，为下步混沌预测建模奠定了基础，从而为现场的实际操作提供有效的指引，实现高炉能耗指标优化、降低能耗的目的。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1为本发明辨识方法的流程简图；
图2为本发明1100m3高炉一氧化碳利用率样本时间序列图；
图3为本发明3200m3高炉一氧化碳利用率样本时间序列图；
图4为本发明1100m3高炉一氧化碳利用率样本时间序列功率谱分析图；
图5为本发明1100m3高炉一氧化碳利用率样本时间序列功率谱分析图；
图6为本发明1100m3高炉一氧化碳利用率样本时间序列自相关函数图；
图7为本发明3200m3高炉一氧化碳利用率样本时间序列自相关函数图；
图8为本发明1100m3高炉一氧化碳利用率样本时间序列关联积分图；
图9为本发明3200m3高炉一氧化碳利用率样本时间序列关联积分图；
图10为本发明1100m3高炉一氧化碳利用率样本时间序列饱和关联维数图；
图11为本发明3200m3高炉一氧化碳利用率样本时间序列饱和关联维数图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实例，对本发明进行进一步详细说明。
结合实际采样的高炉一氧化碳利用率样本时序数据，利用本发明流程图见图1，本实施具体步骤为：
本实施例中，选取了两组在不同工况条件下的，来自国内著名钢铁厂的两座具有代表性的中高型高炉A厂1100m3的7号高炉和B厂3200m3的2号高炉，以A厂7号高炉 2012年2月份采集的一氧化碳利用率((ηco))时间序列和B厂2号高炉2012年5月份的一氧化碳利用率((ηco))时间序列作为样本空间，容量为5000数据，采样周期为3分钟。
对于原始一氧化碳利用率ηco(1),ηco(2),ηco(3),…,ηco(n)的时间序列，见图2和图3，对该序列加上边界条件Nn+j＝Nj后，计算其自相关函数：
对上式进行傅里叶变换，而计算的傅里叶级数为：
由上节可知，P(ηco)k表征着第k个频率分量对高炉一氧化碳利用率实测时序η(co)j的作用，物理意义为每单位频率中的能量。
利用快速傅里叶变换算法对高炉一氧化碳利用率时间序列即ηco(i)的傅里叶系数计算，可得：
基于以上两式，可以推出：
从而可获得高炉一氧化碳利用率实测时间序列{ηco(i)}的一组然后对其采用求均值后，即可获得该时间序列的功率谱P(ηco)k。
利用Matlab编程可得，两座高炉一氧化碳利用率实际样本时序的功率谱仿真图形分别为图4和图5。
采用自相关函数法确定高炉一氧化碳利用率重构相空间的嵌入时间：
对于获取的一氧化碳利用率的时间序列η(co)i，i＝1,2,…,N，N为高炉一氧化碳利用率样本时间序列的长度。
则高炉一氧化碳利用率时间序列的自相关函数定义为：
两座高炉一氧化碳利用率的自相关函数仿真图形分别为图6和图7。从图6中可以看出，当τ＝10，高炉一氧化碳利用率的自相关函数系数Cτ最接近0点；同理在图7中也可以得出同样的结果。从而我们可知，这两座典型的高炉一氧化碳利用率时序重构相空间的时滞时间是10。
采用关联维数法确定高炉一氧化碳利用率重构相空间的嵌入维数：
对于原始高炉一氧化碳利用率的样本时间序列
(ηco)i＝{(ηco)1,(ηco)2,(ηco)3,…,(ηco)N}，i＝1,2,3,…N
两座高炉一氧化碳利用率时序的关联积分为：
上式中M为高炉一氧化碳利用率重构相空间中点的个数，dij表示高炉一氧化碳利用率重构相空间中任意两矢量点之间的欧氏距离，r为相空间中任选的距离。θ(·)为Heaviside 函数。其中
根据已求的嵌入时间τ的数值，采用关联维数法，可对一氧化碳利用率重构相空间的关联积分进行计算。
当M足够大时，且r→0时，关联积分C(co)m(r)与r存在如下关系式：
其中D是高炉一氧化碳利用率重构相空间的关联维数，恰当的选择r的数值，使得D能够刻画奇异吸引子的自相似结构，因此由上式可得关联维数的计算表达式：
两座高炉一氧化碳利用率时间序列的关联维数仿真图为图8和图9，由两图可得，当m 分别是7和9时，1100m3和3200m3两座高炉样本空间的lnC(co)m(r)随lnr的斜率变化率趋近于0。因此，m＝7可视为1100m3高炉的重构相空间的最佳嵌入维数；m＝9可视为3200m3高炉的重构相空间的最佳嵌入维数。
根据已获得的嵌入时间和嵌入维数的数值，采用延迟坐标法对高炉一氧化碳利用率时间序列进行相空间重构，其相空间具体表达式为：
采用饱和关联维数方法对高炉一氧化碳利用率时间序列的饱和关联维数进行计算，其具体步骤为：
根据高炉一氧化碳利用率实测样本时序重构相空间；
依次选取不同的r(即步长)数值，分半计算出同r相对应的
根据计算关联维数的估计值。通常是根据不同r值所对应的Cm(r)值作 logCm(r)～logr曲线，曲线中的线下部分的斜率即为关联维数D(m)。
不断提高嵌入维数m，关联维数D(m)也随之发生变化。此时，重复第二步和第三步，直到m提高到一个数值时，对应的关联维数D(m)不再随着嵌入维数的变化而变化，寻找曲线中的线性部分，用最小二乘法确定饱和关联维数数值。两座高炉的饱和关联维数数值图形分别为图10和图11。
根据已获得的高炉一氧化碳利用率时间序列相空间重构的关联维数数值，求出有无饱和关联维数数值，获得时间序列相空间混沌特性的特征属性值；
本实例中基于时间序列对高炉一氧化碳利用率进行混沌特性辨识分析，从定性和定量分析两个角度来进行考察分析。
定性分析结论：
通过功率谱的仿真图形，可以容易的对周期序列、拟周期序列和混沌序列进行区分开来。通常周期序列的功率谱图形是离散且分立的，时常还带有对应的尖峰特征；而拟周期序列图形也同样为离散分立的，但由于周期不固定，其尖峰之间的间隔也不固定；混沌序列功率谱图形则与前两者离散图形不同，其表现为连续的谱线且具有宽峰特征。
显然，在两座典型性高炉的原始序列图形中，我们可以看出，其数值曲线是不收敛于任意数值，且看起来像存在单峰特征的随机序列。由图4和图5可以看到，其功率谱图形中的曲线明显不存在任何尖峰特征且带有规律性的宽带频谱特征的连续曲线，这与混沌时序的功率谱图形特征完全吻合。因此可以初步定性的判定，两座中高型高炉一氧化碳利用率的实际时序具有混沌特性的特征，可以判断其为混沌时序。
定量分析结论：
根据关联维数法，高炉一氧化碳利用率的关联积分lnCm(r)和lnr的关系图(图8和图 9)的基础上，对两图中的线性部分分别进行最小二乘法拟合，可得关联维数与嵌入维数之间的关系图，(其中Dz是关联维数)的关系如图10和图11所示；而两个图的关联维数数值和嵌入维数数值之间的关系见表1和表2。
表1 3200m3高炉饱和关联维数数值表
表2 1100m3高炉饱和关联维数数值表
显然，从饱和关联维数与嵌入维数之间的关系曲线图10和图11中可以观察得到，随着嵌入维数m的增加，关联维数Dz的数值也随着不断的增大，但当m分别为9和7时，两图中的关联维数Dz都分别达到最大值。因此可知此时的关联维数数值已达到饱和，其数值分别为3.1988和3.1866，同样的结果也体现在表1和表2中，由表1和2可以看到3200m3高炉和1100m3高炉的重构相空间的最小嵌入维数分别为9和7，这也验证了关联维数法所得出的结果。显然3.1988和3.1866都是分数，因此可得出两座高炉的以一氧化碳利用率实际样本时序的重构相空间的运动轨迹最终会收敛于维数为3.1988和3.1866的混沌吸引子上，从而可以定量地获得混沌特性的特征属性值，也应证了上节中采用功率谱分析方法定性分析的结论。
综合功率谱定性分析方法和饱和关联维数定量分析方法，高炉一氧化碳利用率时间序列混沌特性辨识方法在一定程度上准确的分析了高炉炼铁过程中一氧化碳利用率混沌特性，为下步混沌预测建模奠定了基础，为现场的实际操作提供有效的指引，实现高炉能耗指标优化、降低能耗的目的。所以该方法具有较高的实用价值。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出若干改进和变形，这些均属于本发明的保护之内。