一种基于测量重构与最大相关熵门控KalmanNet的输油管道远程状态估计方法
本技术涉及智能管道监测,尤其涉及网络化状态估计、智能管道监测和深度学习滤波。
背景技术:
1、输油管道是石油能源输送过程中的重要基础设施,其运行状态直接关系到能源运输安全和工业生产稳定性。为了实现对输油管道系统的安全监测,通常需要利用压力、流量等传感器数据对管道内部状态进行实时估计。然而,输油管道系统具有明显的非线性动态特性,传感器测量数据也会受到随机噪声、通信扰动和异常干扰的影响,这使得管道状态估计面临较大挑战。
2、在实际管道远程监测场景中,传感器与远程估计器通常通过通信网络连接。由于通信带宽和能量受限,原始高维测量数据直接传输会带来较高的通信负担。为降低通信成本,可采用压缩测量方式,将原始测量信号转换为低维压缩信号后再传输。同时,为扩展通信覆盖范围和增强信号传输能力,放大转发中继信道常被用于无线传感器网络或远程监测系统中。
3、压缩传输、放大转发中继和接收端测量重构会引入压缩误差、中继噪声、接收端噪声、重构误差和信道增益扰动,使远程估计器用于状态修正的重构观测信号与原始测量信号存在显著差异。当通信异常或传感器异常导致重构远程新息出现稀疏随机重尾扰动时,传统估计器容易出现过度修正,从而降低估计精度。
4、传统扩展卡尔曼滤波方法虽然可用于非线性系统状态估计,但其依赖线性化近似和准确噪声协方差信息,当系统非线性较强或通信噪声呈非高斯特性时,估计精度容易下降。kalmannet作为一种融合模型驱动和数据驱动的估计框架,能够保留kalman滤波预测—更新结构,并利用循环神经网络从数据中学习更新增益,从而降低对精确噪声统计信息的依赖。但是,传统kalmannet通常采用均方误差准则训练,并在在线更新时直接使用原始新息。
5、最大相关熵准则能够通过核函数对大误差赋予较低权重,适合处理非高斯噪声和重尾异常干扰。现有方法多将最大相关熵准则用于训练损失或传统滤波增益设计,但仅改变训练损失并不能直接阻止异常重构远程新息进入在线状态更新过程。因此,有必要设计一种能够在压缩放大转发中继观测和接收端测量重构条件下直接对异常重构远程新息进行抑制的鲁棒状态估计方法。
技术实现思路
1、本发明目的是为了解决在输油管道远程监测过程中,测量数据经压缩传输、放大转发中继信道和接收端测量重构后,重构远程观测信号受到压缩误差、中继噪声、接收端噪声、重构误差、信道增益扰动和稀疏随机重尾通信异常共同影响,导致传统滤波方法和基于均方误差的kalmannet方法估计精度下降、鲁棒性不足的问题的技术问题,提供了一种基于测量重构与最大相关熵门控kalmannet的输油管道远程状态估计方法。
2、本发明为解决上述问题采取的技术方案是:一种基于测量重构与最大相关熵门控kalmannet的输油管道远程状态估计方法,包括以下步骤:
3、步骤一、建立输油管道非线性状态空间模型,确定输油管道的状态变量和测量变量;
4、步骤二、对所述测量变量进行压缩处理,得到低维压缩测量信号;
5、步骤三、将所述低维压缩测量信号经放大转发中继信道传输至远程估计器,并在远程估计器端进行等效信道补偿和接收端测量重构,得到重构远程观测模型;
6、步骤四、利用所述输油管道非线性状态空间模型对当前时刻状态进行预测,得到预测状态;
7、步骤五、根据所述预测状态和所述重构远程观测模型计算预测重构测量,并由重构远程观测与预测重构测量之差得到重构远程新息;
8、步骤六、基于最大相关熵准则计算所述重构远程新息的门控权重,并利用所述门控权重对重构远程新息进行加权,得到鲁棒重构远程新息;
9、步骤七、构造包含鲁棒重构远程新息、状态预测差、重构远程新息范数、等效放大转发信道增益和门控权重的特征向量;
10、步骤八、将所述特征向量输入门控循环单元神经网络,递推学习kalman更新增益;利用所述kalman更新增益和鲁棒重构远程新息对预测状态进行修正,得到输油管道当前时刻状态估计值。
11、进一步地,步骤一中所述输油管道的状态变量包括输油管道内部压力水头和输油管道节点流量,得到状态向量;选取可测量的流量和压力水头作为测量变量,得到测量向量。
12、进一步地,步骤二中所述压缩测量信号满足:
13、
14、其中,为压缩测量信号,为压缩矩阵,为压缩误差,且压缩测量信号维度小于原始测量变量维度。
15、进一步地,步骤三中所述放大转发中继信道包括传感器至中继信道、中继放大转发过程以及中继至远程估计器信道;
16、远程估计器接收的压缩观测表示为:
17、
18、其中,为远程接收的压缩观测,为等效放大转发信道增益,为中继端噪声和接收端噪声组成的等效噪声;
19、远程估计器对所述远程接收的压缩观测进行等效信道补偿,并利用重构矩阵对补偿后的压缩测量进行接收端测量重构,得到重构远程观测模型:
20、
21、其中,为重构远程观测,ψ为重构矩阵,φ为压缩矩阵,为测量函数,为包含测量噪声、压缩误差、中继噪声、接收端噪声和重构误差的等效扰动。
22、进一步地,步骤五中所述预测重构测量和重构远程新息分别为:
23、
24、
25、其中,k表示当前采样时刻,k-1表示上一采样时刻;为基于k-1时刻及以前信息得到的当前时刻预测状态,为预测重构测量,为重构远程新息。
26、进一步地,步骤六中所述重构远程新息的最大相关熵准则门控权重为:
27、
28、其中,为门控权重,为新息核带宽;
29、所述鲁棒重构远程新息为:
30、
31、进一步地,步骤七中所述特征向量为:
32、
33、其中,,表示当前预测状态相对于上一时刻后验状态估计的状态预测差;表示等效放大转发信道增益的向量化形式。
34、进一步地,步骤八中门控循环单元神经网络的隐藏状态递推为:
35、
36、并通过全连接映射生成kalman更新增益:
37、,
38、其中,为隐藏状态,为网络参数,为kalman更新增益,为增益缩放系数,和为可训练参数,·)表示矩阵重塑操作;
39、所述状态更新为:
40、
41、其中,为当前时刻状态估计值。
42、第二方面,本发明提供一种基于如上文所述的压缩放大转发中继信道下基于测量重构与最大相关熵门控kalmannet的输油管道远程状态估计方法的系统,所述系统包括:
43、输油管道状态建模模块,用于建立输油管道非线性状态空间模型;
44、测量压缩模块,用于对输油管道测量信号进行低维压缩;
45、放大转发中继观测与测量重构模块,用于建立包含等效放大转发信道增益的压缩重构远程观测模型,并对压缩重构远程观测进行接收端测量重构;
46、状态预测模块,用于根据状态转移模型生成预测状态;
47、重构远程新息计算模块,用于根据重构远程观测和预测重构测量计算重构远程新息;
48、最大相关熵门控模块,用于计算重构远程新息的门控权重并生成鲁棒重构远程新息;
49、gru增益学习模块,用于根据特征向量递推学习kalman更新增益;
50、状态更新模块,用于利用所述kalman更新增益和鲁棒重构远程新息生成当前时刻状态估计值。
51、第三方面,本发明提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,当所述处理器运行所述存储器存储的计算机程序时执行如上文所述的基于测量重构与最大相关熵门控kalmannet的输油管道远程状态估计方法的步骤。
52、本发明的有益效果:
53、本发明建立了适用于压缩放大转发中继信道和接收端测量重构的输油管道远程观测模型,能够同时考虑测量压缩、af中继增益、重构误差和等效通信扰动对远程估计的影响;
54、本发明在kalmannet预测—更新结构中引入最大相关熵门控机制,能够在状态更新之前自适应抑制异常重构远程新息,避免随机重尾通信异常导致过度状态修正;
55、本发明利用gru神经网络从鲁棒重构远程新息、状态预测差、新息范数、af信道增益和门控权重等特征中学习kalman更新增益,降低了对精确噪声协方差信息的依赖;
56、本发明适用于输油管道非线性动态系统,可实现对压力水头和节点流量等关键状态的远程估计,提高复杂通信环境下输油管道监测的准确性和鲁棒性。
57、本发明通过输油管道流量状态、压力水头状态以及最大相关熵门控权重变化结果验证了所述方法的有效性,结果表明该方法能够在稀疏随机重尾通信异常出现时降低估计波动,提高压缩放大转发中继通信和接收端测量重构条件下输油管道远程状态估计的稳定性。
58、本发明适用于输油管道远程监测。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com