预测模型的训练方法、输水管线水锤预测方法和系统与流程

本发明涉及输水管线水力监测，具体而言，涉及一种预测模型的训练方法、输水管线水锤预测方法和系统。

背景技术：

1、灌区输调水工程是高原特色农业发展及城乡供水保障的核心基础设施。受高原季风气候影响、灌区干湿季分明、管线跨度长、工况切换频繁、在泵站启停、阀门调节、水源调度切换等操作下极易诱发水锤现象，瞬时高压可导致管道破损、设备故障乃至工程安全事故，严重制约灌区运行安全与调度效率。

2、现有技术中，采用模型进行输水管线水锤安全防护，存在以下缺陷：大语言模型及时序专用大模型在时序数据分析中展现出较强的长程依赖捕捉能力，但原生大模型参数量庞大、推理延迟较高，难以直接满足灌区水锤防控所需的毫秒级实时预测要求，同时，通用大模型缺乏水锤领域专业机理知识的嵌入，对灌区复杂工况下关键时序特征的敏感度较低，直接应用于灌区场景时泛化性不足，预测精度与工程适配性均存在明显局限。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种预测模型的训练方法、输水管线水锤预测方法和系统，以实现灌区水锤事件的超前精准预测和提高预测精度与工业现场低延迟要求。

2、第一方面，本申请提供了一种预测模型的训练方法，包括：

3、获取训练样本数据集合；其中，训练样本数据集合包括多个训练样本数据；每一训练样本数据包括全工况数据和预测指标标准数据，全工况数据包括实测工况数据和虚拟工况数据；

4、基于训练样本数据集合，对预测模型执行训练操作，预测模型包括基础模型和多预测头，基础模型的主干网络中包括低秩适配矩阵，且主干网络的原始参数在训练操作过程中被冻结，多预测头包括水锤发生概率分类头、水锤压力峰值回归头、水锤发生时间回归头和风险等级分类头；

5、训练操作包括：从训练样本数据集合中选择目标训练样本数据，并将目标训练样本数据中的全工况数据输入至预测模型，以使预测模型通过低秩适配矩阵对全工况数据进行特征提取得到特征向量，通过多预测头基于特征向量得到未来时刻的预测指标数据；基于预测指标数据以及目标训练样本数据中的预测指标标准数据之间的误差，仅更新低秩适配矩阵的矩阵参数和多预测头的网络参数。

6、可选地，本申请提供的预测模型的训练方法，还包括：

7、获取目标区域的实测工况数据；

8、基于实测工况数据，采用目标区域的水锤仿真模型进行瞬变流数据分析，得到虚拟工况数据。

9、可选地，本申请提供的预测模型的训练方法，还包括：

10、对虚拟工况数据和实测工况数据进行物理语义标注与格式转化，得到结构化的全工况数据。

11、可选地，基于预测指标数据以及目标训练样本数据中的预测指标标准数据之间的误差，仅更新低秩适配矩阵的矩阵参数和多预测头的网络参数，包括：

12、基于预测指标数据以及目标训练样本数据中的预测指标标准数据，采用多任务损失函数计算得到误差值；

13、基于误差值进行反向传播，更新低秩适配矩阵的矩阵参数和多预测头的网络参数。

14、可选地，基于预测指标数据以及目标训练样本数据中的预测指标标准数据之间的误差，仅更新低秩适配矩阵的矩阵参数，包括：

15、基于误差值，计算低秩适配矩阵的梯度；

16、对梯度进行动态梯度裁剪，当梯度的欧几里得范数超过阈值时，将梯度按照缩放系数进行线性压缩，使裁剪后的梯度的欧几里得范数不大于阈值；

17、基于裁剪后的梯度，以第一学习率同步更新低秩适配矩阵的矩阵参数，第一学习率低于基础模型的主干网络在预训练阶段所使用的训练学习率。

18、可选地，基于预测指标数据以及目标训练样本数据中的预测指标标准数据之间的误差，更新多预测头的网络参数，包括：

19、基于多任务损失函数中分类损失与回归损失的权重配比，分别计算水锤发生概率分类头和风险等级分类头的交叉熵梯度损失，以及水锤压力峰值回归头和水锤发生时间回归头的均方误差梯度损失；

20、将交叉熵梯度损失与均方误差梯度损失进行加权求和，得到联合更新梯度；

21、基于联合更新梯度，以第二学习率同步更新多预测头中全连接层的权重参数和偏置参数；其中，第二学习率大于第一学习率。

22、可选地，更新多预测头的网络参数后，还包括：

23、对水锤发生概率分类头的输出概率进行温度标定，以及对风险等级分类头的决策阈值进行自适应调整。

24、第二方面，本申请提供了一种输水管线水锤预测方法，包括：

25、获取目标区域的输水管线的实时工况数据；

26、将实时工况数据输入至预测模型，以使预测模型输出未来时刻的预测指标数据，预测模型是通过上述预测模型的训练方法得到；

27、基于预测指标数据，生成预警信息。

28、可选地，将实时工况数据输入至预测模型，以使预测模型输出未来时刻的预测指标数据，包括：

29、采用固定长度的滑动时间窗口从实时工况数据中截取当前时刻的局部时序序列，并基于局部注意力机制限制注意力计算范围，将局部时序序列对应的实时工况数据输入至预测模型，其中，在流式增量推理过程中，仅对滑动时间窗口的步长对应的增量新增实时工况数据进行特征提取，并基于缓存的历史滑动时间窗口对应的历史特征进行特征拼接后，通过预测模型中的多预测头输出未来时刻的预测指标数据。

30、第三方面，本申请提供了一种输水管线水锤预测系统，包括：

31、数据获取模块，用于获取目标区域的输水管线的实时工况数据；

32、数据预测模块，用于将实时工况数据输入至预测模型，以使预测模型输出未来时刻的预测指标数据，预测模型是通过上述预测模型的训练方法得到；

33、数据预警模块，用于基于预测指标数据，生成预警信息。

34、本申请提供了一种预测模型的训练方法、输水管线水锤预测方法和系统，通过获取目标区域的输水管线的实时工况数据；将实时工况数据输入至预测模型，以使预测模型输出未来时刻的预测指标数据，基于预测指标数据，生成预警信息，以实现灌区水锤事件的超前精准预测和提高预测精度与工业现场低延迟要求，推动大型灌区输调水工程从被动应对向主动防控的转型升级。

35、为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

1.一种预测模型的训练方法，其特征在于，包括：

2.根据权利要求1所述的预测模型的训练方法，其特征在于，还包括：

3.根据权利要求2所述的预测模型的训练方法，其特征在于，还包括：

4.根据权利要求1所述的预测模型的训练方法，其特征在于，基于所述预测指标数据以及所述目标训练样本数据中的所述预测指标标准数据之间的误差，仅更新所述低秩适配矩阵的矩阵参数和所述多预测头的网络参数，包括：

5.根据权利要求4所述的预测模型的训练方法，其特征在于，基于所述预测指标数据以及所述目标训练样本数据中的所述预测指标标准数据之间的误差，仅更新所述低秩适配矩阵的矩阵参数，包括：

6.根据权利要求4所述的预测模型的训练方法，其特征在于，基于所述预测指标数据以及所述目标训练样本数据中的所述预测指标标准数据之间的误差，更新所述多预测头的网络参数，包括：

7.根据权利要求6所述的预测模型的训练方法，其特征在于，更新所述多预测头的网络参数后，还包括：

8.一种输水管线水锤预测方法，其特征在于，包括：

9.根据权利要求8所述的输水管线水锤预测方法，其特征在于，将所述实时工况数据输入至预测模型，以使所述预测模型输出未来时刻的预测指标数据，包括：

10.一种输水管线水锤预测系统，其特征在于，包括：