1.一种针对化工企业流化床反应器的多变量预测系统，其特征在于，包括原始数据采集模块、历史数据数组模块、偏自相关函数模块、互相关函数模块、TimeGAN‑TCN‑GRU预测模块以及MDOS‑ELM校正模块；通过原始数据采集模块对给煤量、固定碳燃烧度及风量比数据进行采集处理；通过偏自相关函数模块选择炉内温度、发电负荷、炉内含氧量及一氧化碳排放量历史数据的滞后阶数；通过互相关函数模块，选择与历史数据数组模块储存的历史数据相关性较大的若干组数组作为TimeGAN‑TCN‑GRU预测模块的输入，输出炉内温度、发电负荷、炉内含氧量及一氧化碳排放量的预测结果；再通过MDOS‑ELM校正模块对预测结果进行校正，输出最终的预测结果；

所述原始数据采集模块包括给煤量数据处理模块、固定碳燃烧度数据处理模块以及风量比数据处理模块；所述给煤量数据处理模块包括多个重力传感器检测点，安置于流化床反应器底部的物料进口管道中，用于检测给煤量的数据，检测到的数据经流数据聚类，输出处理后的结果；固定碳燃烧度数据处理模块包括多个压力传感器检测点，安置于流化床反应器的承载结构上，用于检测固定碳的燃烧程度，检测到的数据经扩展卡尔曼滤波，输出滤波后的结果；风量比数据处理模块包括多个风速传感器检测点，安置于流化床反应器的气体进出口气体流动路径处，用于检测炉内风量比数据，检测到的数据经扩展卡尔曼滤波，输出滤波后的结果；

所述历史数据数组模块储存炉内温度历史数据、发电负荷历史数据、炉内含氧量历史数据以及一氧化碳排放量历史数据；

所述偏自相关函数模块，通过输入炉内温度、发电负荷、炉内含氧量及一氧化碳排放量历史数据，输出滞后阶数以及对应的偏自相关系数，判定并选择合适的滞后阶数；

所述互相关函数模块，通过输入炉内温度、发电负荷、炉内含氧量、一氧化碳排放量的时间序列历史数据与数据处理后的实测数据，计算互相关系数，选择相关性最大的若干实测数组作为输入数据；

所述TimeGAN‑TCN‑GRU预测模块，输入炉内温度、发电负荷、炉内含氧量、一氧化碳排放量的时间序列历史数据与选择后的实测数据，输出炉内温度、发电负荷、炉内含氧量、一氧化碳排放量的预测结果；

所述MDOS‑ELM校正模块，输入数据处理后的实测数据与TimeGAN‑TCN‑GRU预测模块的预测结果，对预测结果进行校正，输出最终的预测结果；

所述TimeGAN‑TCN‑GRU预测模块实现过程如下：

在计算过相关性后，将相关性较大的给煤量数据、固定碳燃烧度数据和风量比数据输入进入TimeGAN的对抗模块中的判别器，并与随机噪声进入生成器生成的数据不断对比，优化生成数据质量，其中评估生成器和判别器的价值函数表达式为：式中，σ为生成的随机噪声数据，ζ1:c为计算过相关性后输入的相关性较大的给煤量数据、固定碳燃烧度数据和风量比数据， 为生成的随机噪声数据的重构形式， 为计算过相关性后输入的相关性较大的给煤量等采集数据集的重构形式，u为原始数据对应的条件分布；

将相关性较大的给给煤量数据、固定碳燃烧度数据和风量比数据输入进入TimeGAN的自编码模块中的内嵌函数，再通过隐藏函数将数据转化，之后输入给判别器进行数据选择，再由恢复函数进行恢复变换，最终输出增强后的数据，其中，评估内嵌函数和恢复函数的判别式如下所示：式中r是恢复函数，e是内嵌函数；

输入炉内温度等历史数据进入TCN残差块，再将TCN残差块输出的结果与TimeGAN数据增强后的给煤量等数据一并输入给GRU神经网络进行预测，得到炉内温度、发电负荷、炉内含氧量与一氧化碳排放量。

2.根据权利要求1所述的一种针对化工企业流化床反应器的多变量预测系统，其特征在于，所述给煤量数据处理模块实现过程如下：利用重力传感器采集物料进口的管道中送入煤炭的重量数据样本；进行在线微聚类阶段，通过k‑means算法对重量数据样本进行处理，生成l个初始化微簇；对在线阶段不断流入的数据进行实时聚类处理，对于新流入的数据xi，首先计算xi与各个微簇中心的欧式距离，通过距离大小找到最近的微簇Ua；判断xi与微簇Ua中心距离是否超过设定的边界值，如果在边界范围内，则将xi加入到微簇Ua中；若不在边界范围内，则创建一个新的微簇，以xi为中心；将距离最近的两个微簇合并成一个微簇，并且删除最近一段时间内没有新数据点加入的老旧微簇，来保持微簇个数；进行离线宏聚类阶段，通过k‑means算法对金字塔时间帧内存储的微簇信息进行最终聚类。

3.根据权利要求1所述的一种针对化工企业流化床反应器的多变量预测系统，其特征在于，所述固定碳燃烧度模块实现过程如下：将固定碳燃烧度作为状态变量，传感器量测到的压力作为观测变量；

建立固定碳燃烧动力学模型和观测模型：

Dv＝f(Dv‑1,v‑1)+mv‑1

Gv＝h(Dv,v)+nv

式中，Dv表示固定碳燃烧动力学模型，Gv表示观测模型，f(·)和h(·)反应了状态变量和观测变量之间的映射关系，mv‑1和nv为相互独立且服从高斯分布的白噪声；

选择初始状态估计 和协方差矩阵 通过状态转移方程进行状态预测，得到先验状态* * *估计值 误差协方差矩阵P、状态噪声协方差矩阵R 和量测噪声协方差矩阵Q ；利用雅可比矩阵A和离散过程激励噪声矩阵Ql计算得出离散时刻η的误差协方差矩阵Pη；按照误差协*方差矩阵Pη和状态噪声协方差矩阵R 计算扩展卡尔曼增益K；利用扩展卡尔曼增益K计算量测值与实际值的残差更新预测值，并将残差融合到先验状态估计值 中，得到后验状态估计值 将后验状态估计作为下一时刻的先验估计，并重复进行线性化更新步骤；通过不断迭代，实现连续的固定碳燃烧度的更新过程。

4.根据权利要求1所述的一种针对化工企业流化床反应器的多变量预测系统，其特征在于，所述风量比数据处理模块实现过程如下：将风量比作为状态变量，传感器量测到的风速作为观测变量；建立动力学模型和观测模型；选择初始状态估计 和协方差矩阵 通过状态转移方程进行状态预测，得到先验状* * *态估计值 误差协方差矩阵T、状态噪声协方差矩阵Z 和量测噪声协方差矩阵O；利用雅可比矩阵A和离散过程激励噪声矩阵Of计算得出离散时刻φ的误差协方差矩阵Tφ；按照误*差协方差矩阵Tφ和状态噪声协方差矩阵Z计算扩展卡尔曼增益H；利用扩展卡尔曼增益H计算量测值与实际值的残差更新预测值，并将残差融合到先验状态估计值 中，得到后验状态估计值 将后验状态估计作为下一时刻的先验估计，并重复进行线性化更新步骤；通过不断迭代，实现连续的风量比的更新过程。

5.根据权利要求1所述的一种针对化工企业流化床反应器的多变量预测系统，其特征在于，所述偏自相关函数模块实现过程如下：将阶数为k的自然回归模型表示为：

式中， 为最后一个回归系数，数据集 为偏自相关函数；

用 表征Yule‑Walker方程 得出：

当j＝1,2,…,k时，将上式展开，得到：

当F0,F1,F2,…,Fk已知时，求出回归系数，即得到了PACF值 判定PACF的值是否大于等于阈值，若满足条件，则表明滞后阶数之间存在显著相关性，选定PACF值大于等于阈值时的滞后阶数

6.根据权利要求1所述的一种针对化工企业流化床反应器的多变量预测系统，其特征在于，所述互相关函数模块实现过程如下：输入两个离散信号采集数据值Xg(m)和历史数据值Yq(n)；g＝1,2,3分别表示输入的给煤量、固定碳燃烧度和风量比的数据，q＝1,2,3,4分别表示输入的炉内温度、发电负荷、含氧量和一氧化碳排放量历史数据；

对信号进行零均值化，消除直流分量的影响，其表达式如下所示：

X'g(m)＝Xg(m)‑meang(X)

Yq'(n)＝Yq(n)‑meanq(Y)

式中，meang(X)表示第g组数据中输入信号X的均值，meanq(Y)表示第q组数据中输入信号Y的均值；

计算输入数组之间的互相关系数，判定输入信号Xg(m)与输入信号Yq(n)之间的相关性，选择相关性较大的D组数据作为TimeGAN‑TCN‑GRU预测模块的输入，计算公式如下所示：式中， 表示在滞后阶数为 的位置上的互相关函数值， 的值越大，互相关性越强。

7.根据权利要求1所述的一种针对化工企业流化床反应器的多变量预测系统，其特征在于，所述TCN残差块单元实现过程如下：将炉内温度等历史数据添加到输出f(x)：

f(x)＝h(x)‑x

在第一个卷积单元中进行一维扩张因果卷积，调整扩张系数改变采样间隔，扩大网络记忆历史信息长度，其表达式如下：式中，x为输入炉内温度等历史数据的时间序列，f为过滤器，di为扩张系数，k为卷积核大小，s‑di确保只能对过去的输入做卷积操作；

对权重进行归一化处理；使用ReLU函数作为激活函数；采用Dropout操作，按照一定概率随机丢失神经元，防止过拟合；加入非线性映射，在残差单元输入和输出具有不同维度时，对高维度数据进行降维。

8.根据权利要求1所述的一种针对化工企业流化床反应器的多变量预测系统，其特征在于，所述MDOS‑ELM校正模块实现过程如下：进行初始阶段，确定MDOS‑ELM校正模块的输入为TimeGAN‑TCN‑GRU预测模块输出的预测结果和数据处理后的给煤量等采集数据，并将输入按照时间序列分为z个样本块；输入第一个样本块S1进入MDOS‑ELM初始模型，输出权重向量 在线更新阶段，加入训练模型样本S2后，计算隐含层输出矩阵H1，引入记忆因子后计算输出权重向量 并更新MDOS‑ELM校正模块；在输入z个样本块后，计算输出矩阵，即校正后炉内温度、发电负荷、炉内含氧量和一氧化碳排放量的预测值。