一種火電系統中燃煤機組建模預測的工作方法與流程
2023-05-26 17:46:13
1.本發明涉及時間序列異常檢測技術領域，具體為一種火電系統中燃煤機組建模預測的工作方法。
背景技術：
2.燃煤電廠是一個多模塊、高耦合及長時滯的複雜的燃燒系統。然而，燃煤機組的建模通常需要大量的專家知識，建模周期長，可移植性差，並且模型的性能隨著時間快速的下降，維護開銷較大。其中，時間序列數據是燃煤電廠中最典型、重要的數據類型，且隨著信息化技術不斷提高，火電系統中時序數據規模呈指數級增長，為時間序列建模預測算法在火電系統中的應用提供了契機和挑戰，也使其逐步成為數據分析領域新增的研究熱點。時間序列預測背後的一個基本假設是其變量相互依賴，但仔細觀察，現有方法未能充分利用成對變量之間的潛在空間依賴性。
3.多維時間序列預測方法固有地假設變量之間的相互依賴關係。換句話說，每個變量不僅取決於其歷史價值，還取決於其他變量。然而，現有方法並沒有有效地利用變量之間潛在的相互依賴關係。統計方法，例如向量自回歸模型和高斯過程模型，假設變量之間存在線性相關性。統計方法的模型複雜度隨著變量的數量呈二次方增長。他們面臨著大量變量過擬合的問題。最近開發的基於深度學習的方法在捕獲非線性模式方面非常強大。沒有顯式地對變量之間的成對依賴關係進行建模，這削弱了模型的可解釋性。圖是一種特殊形式的數據，它描述了不同實體之間的關係。
4.最近，圖神經網絡由於其排列不變性、局部連通性和組合性而在處理圖數據方面取得了巨大成功。通過結構傳播信息，圖神經網絡允許圖中的每個節點了解其鄰域上下文。多維時間序列預測可以從圖的角度自然地看待。來自多元時間序列的變量可以被視為圖中的節點，它們通過隱藏的依賴關係相互關聯。因此，使用圖神經網絡對多元時間序列數據進行建模可能是一種很有前途的方法，可以在利用時間序列之間的相互依賴關係的同時保留其時間軌跡。最適合多維時間序列的圖神經網絡類型是時空圖神經網絡。時空圖神經網絡以多元時間序列和外部圖結構作為輸入，旨在預測多元時間序列的未來值或標籤。與不利用結構信息的方法相比，時空圖神經網絡取得了顯著的改進。然而，由於以下挑戰，這些方法仍然無法對多變量時間序列進行建模：
5.挑戰1：未知的圖結構。現有的圖神經網絡方法嚴重依賴預定義的圖結構來執行時間序列預測。在大多數情況下，多元時間序列沒有明確的圖結構。變量之間的關係必須從數據中發現，而不是作為基本事實知識提供。
6.挑戰2：儘管圖結構可用，但大多數gnn方法只關注消息傳遞，而忽略了圖結構不是最優的並且應該在訓練期間更新的事實。那麼問題是如何在端到端框架中同時學習圖形結構和時間序列的gnn。
技術實現要素：
7.本發明的目的在於提供一種火電系統中燃煤機組建模預測的工作方法，以解決上述背景技術中提出的問題。
8.為實現上述目的，本發明提供如下技術方案：
9.一種火電系統中燃煤機組建模預測的工作方法，包括圖學習模塊，所述圖學習模塊自動提取變量之間的單向關係，所述圖學習模塊由圖結構學習、圖卷積、時間卷積組成，其步驟為：
10.s1、多維時序數據首先經過圖結構學習層學習圖結構；
11.s2、根據學到的圖結構做圖卷積；
12.s3、再通過改進的一維卷積來捕獲時間上的相關性；
13.s4、得到預測結果。
14.作為本發明優選的方案，具體步驟如下：
15.步驟一、方案概要：提出了一個圖學習層，能夠自適應地從數據中抽取稀疏圖鄰接矩陣；
16.步驟二、圖學習模塊具體結構：一個圖學習層，m個圖卷積模塊，m個時間卷積模塊和一個輸出模塊；
17.步驟三、s1中的圖神經網絡學習層：如果使用現存的度量節點之間相似性來構建圖，例如歐式距離，計算複雜度就是o(n2)，計算和存儲成本隨圖大小的增加呈二次增長，在大圖中將無法使用，另一個問題是，現有的距離度量通常是雙向的，本發明認為節點之間的關係應該是單向的，所以本發明構建有向的圖結構，圖學習層是專門為提取單向關係而設計的；
18.步驟四、s2中的圖卷積操作和混跳傳播操作：圖卷積的目的是將節點的信息與相鄰節點的信息融合，以獲得空間依賴關係，混跳傳播操作包含兩個子模塊，分別為消息傳遞和消息選擇；
19.步驟五、s3中的時間卷積：時間卷積包含兩部分膨脹inception卷積，兩部分使用不同的激活函數；
20.步驟六、s4中的預測結果。
21.作為本發明優選的方案，所述步驟一中，基於學習得到的圖鄰接矩陣，使用圖卷積進行變量之間空間依賴學習，同時圖學習層和圖卷積參數都是可學習的，意味著圖結構也是在訓練過程中不斷優化的。
22.作為本發明優選的方案，所述步驟二中，圖學習層計算一個得到圖鄰接矩陣，然後將其作為所有圖卷積模塊的輸入。
23.作為本發明優選的方案，所述步驟二中，圖卷積模塊與時間卷積模塊交叉使用，分別捕捉空間和時間依賴性，輸出模塊將隱藏的特性投影到所需的輸出維度。
24.作為本發明優選的方案，所述步驟四中，所述混跳傳播操作與圖卷積操作相互融合。
25.作為本發明優選的方案，所述步驟四中，圖卷積模塊由兩個mix-hop傳播層組成，分別處理通過每個節點的流入和流出信息，最終將兩個信息相加所謂最終的模塊輸出信息。
26.作為本發明優選的方案，所述步驟四中，消息傳遞也就是下面一層，計算公式如下：
[0027][0028]
其中β是超參數,用來控制保持原輸入的比率，表示一般卷積中對鄰接矩陣的變換，h
in
代表輸入的狀態；
[0029]
作為本發明優選的方案，消息選擇就是上面一層，主要是多層感知器,公式如下：
[0030][0031]
其中k代表消息傳遞的深度，也就是圖神經網絡層的層數，h
out
表示輸出的隱式狀態，在消息傳遞層,層數增加會使最後網絡節點的表徵趨於一致,公式(1)中則是通過加入初始節點信息保持原始差異來緩解,而在一些節點信息會被丟失的問題上使用公式(2)中維護一個的參數矩陣wk，充當特徵選擇器來選擇有用的信息,如果信息傳播公式進行k步傳播後沒有空間依賴,則可以通過調整k大於該值時的wk為0即可。
[0032]
作為本發明優選的方案，所述步驟五中，首先是卷積核的選擇問題，不同於常規的選擇，根據時間上7,12,24,28,和60這幾個時間周期數字，選擇使用1
×
2,1
×
3,1
×
6和1
×
7作為卷積核。
[0033]
與現有技術相比，本發明的有益效果是：
[0034]
本發明通過圖學習模塊來學習變量之間隱藏的空間依賴關係，可以在沒有顯式圖結構的情況下處理數據。同時本發明採用了用於建模多元時間序列數據和學習圖結構的聯合框架，具有廣泛的通用性。
附圖說明
[0035]
圖1為本發明多維時序數據預測的流程圖；
[0036]
圖2為本發明多維時序數據預測算法的圖神經網絡卷積層框架圖；
[0037]
圖3為本發明多維時序數據預測算法的混跳傳播操作流程圖；
[0038]
圖4為本發明多維時序數據預測算法的時間卷積層框架圖；
[0039]
圖5為本發明多維時序數據預測算法的空洞inception卷積框架圖。
具體實施方式
[0040]
下面將結合本發明實施例，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例,基於本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬於本發明保護的範圍。
[0041]
為了便於理解本發明，下面將參照相關附圖對本發明進行更全面的描述。給出了本發明的若干實施例。但是，本發明可以以許多不同的形式來實現，並不限於本文所描述的實施例。相反地，提供這些實施例的目的是使對本發明的公開內容更加透徹全面。
[0042]
需要說明的是，當元件被稱為「固設於」另一個元件，它可以直接在另一個元件上或者也可以存在居中的元件。當一個元件被認為是「連接」另一個元件，它可以是直接連接
到另一個元件或者可能同時存在居中元件。本文所使用的術語「垂直的」、「水平的」、「左」、「右」以及類似的表述只是為了說明的目的。
[0043]
除非另有定義，本文所使用的所有的技術和科學術語與屬於本發明的技術領域的技術人員通常理解的含義相同。本文中在本發明的說明書中所使用的術語只是為了描述具體的實施例的目的，不是旨在於限制本發明。本文所使用的術語「及/或」包括一個或多個相關的所列項目的任意的和所有的組合。
[0044]
請參閱圖1-5，本發明提供一種技術方案：一種火電系統中燃煤機組建模預測的工作方法，包括圖學習模塊，所述圖學習模塊自動提取變量之間的單向關係，進一步對空間上圖卷積層和時間上空間卷積層進行改進來捕獲時間序列中的空間和時間依賴性，所述圖學習模塊由圖結構學習、圖卷積、時間卷積組成，可以概括為圖1的步驟為：
[0045]
s1、多維時序數據首先經過圖結構學習層學習圖結構；
[0046]
s2、根據學到的圖結構做圖卷積；
[0047]
s3、再通過改進的一維卷積來捕獲時間上的相關性；
[0048]
s4、得到預測結果。
[0049]
具體步驟如下：
[0050]
步驟一、方案概要：提出了一個圖學習層，能夠自適應地從數據中抽取稀疏圖鄰接矩陣，基於學習得到的圖鄰接矩陣，使用圖卷積進行變量之間空間依賴學習，同時圖學習層和圖卷積參數都是可學習的，意味著圖結構也是在訓練過程中不斷優化的。
[0051]
步驟二、圖學習模塊具體結構：一個圖學習層，m個圖卷積模塊，m個時間卷積模塊和一個輸出模塊，圖學習層計算一個得到圖鄰接矩陣，然後將其作為所有圖卷積模塊的輸入，圖卷積模塊與時間卷積模塊交叉使用，分別捕捉空間和時間依賴性，輸出模塊將隱藏的特性投影到所需的輸出維度。
[0052]
步驟三、s1中的圖神經網絡學習層：如果使用現存的度量節點之間相似性來構建圖，例如歐式距離，計算複雜度就是o(n2)，計算和存儲成本隨圖大小的增加呈二次增長，在大圖中將無法使用，另一個問題是，現有的距離度量通常是雙向的，本發明認為節點之間的關係應該是單向的，所以本發明構建有向的圖結構，圖學習層是專門為提取單向關係而設計的；
[0053]
步驟四、s2中的圖卷積操作和混跳傳播操作：所述混跳傳播操作與圖卷積操作相互融合，圖卷積的目的是將節點的信息與相鄰節點的信息融合，以獲得空間依賴關係，圖卷積模塊由兩個mix-hop傳播層組成，分別處理通過每個節點的流入和流出信息，最終將兩個信息相加所謂最終的模塊輸出信息，具體結構如圖2所示；
[0054]
混跳傳播操作包含兩個子模塊，如圖3所示，分別為消息傳遞和消息選擇，消息傳遞也就是下面一層，計算公式如下：
[0055][0056]
其中β是超參數,用來控制保持原輸入的比率，表示一般卷積中對鄰接矩陣的變換，h
in
代表輸入的狀態；
[0057]
一種火電系統中燃煤機組建模預測的工作方法，其特徵在於，消息選擇就是上面一層，主要是多層感知器,公式如下：
[0058][0059]
其中k代表消息傳遞的深度，也就是圖神經網絡層的層數，h
out
表示輸出的隱式狀態，在消息傳遞層,層數增加會使最後網絡節點的表徵趨於一致,公式(1)中則是通過加入初始節點信息保持原始差異來緩解,而在一些節點信息會被丟失的問題上使用公式(2)中維護一個的參數矩陣wk，充當特徵選擇器來選擇有用的信息,如果信息傳播公式進行k步傳播後沒有空間依賴,則可以通過調整k大於該值時的wk為0即可。
[0060]
步驟五、s3中的時間卷積：時間卷積包含兩部分膨脹(空洞)inception卷積，兩部分使用不同的激活函數，如圖4所示，而膨脹inception卷積具體結構如圖5所示，首先是卷積核的選擇問題，不同於常規的選擇，根據時間上7,12,24,28,和60這幾個時間周期數字，選擇使用1
×
2,1
×
3,1
×
6和1
×
7作為卷積核，在結合幾種卷積結果上，本發明使用在圖像上廣泛使用的直接拼接(即inception)，沒有用一般上使用的殘差連接的深度模型。
[0061]
步驟六、s4中的預測結果。
[0062]
實施例，實驗中對864000
×
101(100個輔助特徵+1個目標特徵)的數據集在時間維度上進行10秒間隔的採樣得到86400
×
101的數據集，由於數據本就來自於填充因此採樣可以在降低計算複雜度的同時幾乎不影響數據本身的信息。訓練數據為101個特徵的差值序列，每次輸入包括當前點在內的168個時間點的信息(28分鐘)，對18個時間點(3分鐘)後的值進行預測，使用mse作為損失函數進行訓練。訓練集、驗證集、測試集的劃分比例為6：2：2。展示了模型在測試集上的預測結果，可以得到不論目標變量是在大幅度變化還是小範圍抖動，整體上模型對於其變化趨勢可以達到較好的預測效果，但在值的預測精度上還有改進空間。
[0063]
儘管已經示出和描述了本發明的實施例，對於本領域的普通技術人員而言，可以理解在不脫離本發明的原理和精神的情況下可以對這些實施例進行多種變化、修改、替換和變型，本發明的範圍由所附權利要求及其等同物限定。