一种基于物理信息图神经网络的热力管网压力场重构方法及系统
本发明涉及城市管网安全与智能监测,更具体的说是涉及一种基于物理信息图神经网络的热力管网压力场重构方法及系统。
背景技术:
1、热力管网是城市生命线工程的重要组成部分,其安全、稳定、高效运行直接关系到居民采暖质量、工业用热保障及能源利用效率。对供热管网内部水力状态进行准确、实时的感知,是开展管网泄漏诊断、水力平衡调节、水泵优化调度及事故预警的基础前提。然而,在实际工程中,受限于建设成本和维护条件,热力管网仅在进水主管、热源出口等极少数关键位置安装传感器,大量管段仍缺乏监测手段,导致无法掌握全管网的压力分布情况。当管网发生泄漏、堵塞或水力失衡等事故时,往往由于缺乏监测,导致发现严重滞后,造成大面积停热、管道冻裂等严重后果。
2、当前,热力管网系统的压力估计方法仍存在诸多不足。现有的数据驱动方法,可利用神经网络等模型学习传感器读数到全管网压力的映射,但在极稀疏传感器条件下缺乏足够训练样本,预测结果易违反物理定律,可信度低;基于空间距离,对稀疏观测数据通过插值或统计回归,完全忽略了管网拓扑和水力物理过程,预测结果精度较差。
3、综上所述,现有技术尚未提供一个能够在极稀疏传感器条件下,同时兼顾物理可解释性、重构精度与泛化能力的供热管网压力场实时重构方案。因此,提出一种能够融合管网拓扑、物理方程与稀疏监测数据的热力管网压力场重构方法,具有迫切的工程需求和重要的技术价值,是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此,本发明提供了一种基于物理信息图神经网络的热力管网压力场重构方法及系统,通过构建物理信息图神经网络,将管网水力方程作为软约束嵌入图神经网络损失函数,采用双输出结构预测压力与需水量,并结合动态损失权重与两阶段训练策略,实现极少量传感器下的管网系统压力重构。
2、为了实现上述目的,本发明采用如下技术方案:
3、一种基于物理信息图神经网络的热力管网压力场重构方法,包括:
4、s1.获取热力管网图数据;
5、s2.基于热力管网图数据构建双输出图神经网络预测模型;
6、s3.构建物理约束损失函数并实现动态权重优化;
7、s4.执行模拟预训练与真实稀疏数据微调的两阶段训练,结合物理约束损失函数进行微调,得到训练好的物理信息图神经网络模型;
8、s5.将训练好的物理信息图神经网络模型部署于供热管网在线监测系统,实时读取稀疏传感器的压力和流量数据,得到完整的管网状态信息。
9、优选的,所述s1具体包括:
10、热力管网图数据包括热力管网的拓扑结构、管道属性和监测数据;以管网节点为图节点、管段为边构建图数据结构;边特征包括管长、管径和粗糙系数,并计算水力阻力系数作为附加边特征;为每个节点提取包含归一化坐标、节点度、至热源的最短路径长度、传感器标记以及热用户类型的先验特征,形成融合多源信息的节点特征向量。
11、优选的,所述s2具体包括:
12、采用边条件图卷积网络作为主干,包括多个消息传递层,消息传递层以节点状态和边特征为输入,经聚合与更新后得到节点隐层表示;在消息传递层之上并联压力预测头和流量预测头,压力预测头输出节点压力值,流量预测头经softplus激活输出非负的节点支路循环流量预测值。
13、优选的,所述s3具体包括:
14、基于节点压力值通过可微的哈森-威廉姆斯公式计算各管段流量,并构建节点连续性损失、管段流量观测损失以及全局循环流量平衡损失,将物理损失与传感器节点压力监督损失进行组合,引入可训练的同方差不确定性参数对各项损失进行自适应加权,自动平衡多任务梯度,形成总损失函数。
15、优选的,所述s4两阶段训练包括:第一阶段基于热力管网的拓扑结构、属性特征以及热用户负荷的统计先验,建立供热管网水力仿真模型,利用供热管网水力仿真模型生成多工况下全网压力与节点支路循环流量的合成数据,以全监督方式对双输出图神经网络预测模型进行预训练,学习压力和流量分布的映射规律;第二阶段加载预训练权重,冻结双输出图神经网络预测模型的主体参数,仅利用进水主管上的压力与流量传感器的现场实测数据,结合总损失函数进行微调,使双输出图神经网络预测模型适配真实管网特性,得到最终的压力场重构模型。
16、优选的,所述s5中将训练好的物理信息图神经网络模型部署于供热管网在线监测系统,实时读取稀疏传感器的压力和流量数据,通过单次前向计算输出全网所有节点的压力分布及节点支路循环流量估计结果,得到完整的管网状态信息。
17、优选的,一种基于物理信息图神经网络的热力管网压力场重构系统,包括:
18、数据获取模块:用于获取热力管网图数据;
19、图神经网络模块:基于热力管网图数据构建双输出图神经网络预测模型;
20、约束模块:用于构建物理约束损失函数并实现动态权重优化;
21、训练微调模块:用于执行模拟预训练与真实稀疏数据微调的两阶段训练,结合物理约束损失函数进行微调,得到训练好的物理信息图神经网络模型;
22、信息读取模块:用于将训练好的物理信息图神经网络模型部署于供热管网在线监测系统,实时读取稀疏传感器的压力和流量数据,得到完整的管网状态信息。
23、经由上述的技术方案可知,与现有技术相比,本发明提供了一种基于物理信息图神经网络的热力管网压力场重构方法及系统,具有以下有益效果:
24、(1)本发明通过将哈森-威廉姆斯水力方程嵌入图神经网络的可微计算图,将物理规律以软约束形式作用于模型训练,使压力场重构模型既具备数据驱动的自适应能力,又严格遵循管网水力守恒定律。相较于纯数据驱动方法,本方法在极稀疏传感器条件下仍能输出物理自洽的全网压力分布,避免了违反质量守恒或压力逆梯度等非物理解的出现,显著提升了重构结果的可信度与可解释性。
25、(2)本发明采用双输出网络结构,同时预测节点压力与支路循环流量,并通过节点连续性损失将两者强制耦合。相较于仅输出压力的单任务模型,双输出结构将稀疏观测下的欠定反问题转化为物理约束下的联合推断问题,使局部传感器信息通过物理方程传播至未监测区域,大幅提升了全管网压力重构的唯一性和精度。
26、(3)本发明采用“仿真数据预训练+真实数据微调”的两阶段训练策略,利用水力仿真模型生成多工况合成数据进行全监督预训练,赋予网络管网水力先验知识,再仅凭进水主管极少量传感器实测数据进行微调。该策略有效克服了现场传感器极度稀疏、实测数据不足以从零训练网络的困难,使模型在仅有少量个测点的条件下仍能实现可靠的全网重构。
27、(4)本发明引入基于同方差不确定性的动态损失加权机制,为数据拟合损失、连续性损失、流量观测损失和全局平衡损失分别分配可训练的不确定性参数,在训练过程中自动平衡各项任务的梯度量级。该方法避免了传统固定权重方式下繁琐的人工调参过程,解决了物理损失与数据损失梯度不平衡导致的训练不稳定问题,提升了模型训练的收敛速度和最终精度。
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