基于高斯过程回归的风机负载预测方法、系统及存储介质与流程

本发明涉及工业节能与智能控制，具体地涉及一种基于高斯过程回归的风机负载预测方法、系统及存储介质。

背景技术：

1、工艺空调是现代工业生产中的关键辅助系统，在维持生产环境稳定性、保障产品加工质量、优化能源消耗等方面发挥着至关重要的作用。在卷烟工厂中，工艺空调系统负责精准调控生产车间、仓储以及其他关键区域的温湿度环境，以保证烟支及成品在最佳条件下储存和加工，确保其质量的稳定性。而风机作为其核心执行部件，其负载变化直接决定环境调控精度与能源利用效率，精准的风机负载预测成为实现工艺空调智能化运维、降低能源消耗的关键前提。

2、在卷烟工厂中，工艺空调现有工艺空调风机负载预测技术难以适配负载的多因素耦合及长时序依赖特性，单独高斯过程回归模型存在时序建模短板，单一核函数无法精准捕捉负载的非线性、日内周期性及室外温湿度驱动的局部波动特征，导致预测精度偏低；同时传统预测模型多仅输出单一预测值，缺乏对预测不确定性的量化，难以支撑工业场景下运维决策的可靠性需求，且部分模型引入冗余特征，增加了计算成本，降低了工业落地适配性。

3、因此，亟需一种基于高斯过程回归的风机负载预测方法及系统，实现工艺空调风机负载的精准预测。

技术实现思路

1、本发明实施例的目的是提供一种基于高斯过程回归的风机负载预测方法及系统，以解决现有技术存在的难以适配负载的多因素耦合及长时序依赖特性的问题，实现工艺空调风机负载的精准预测。

2、为了实现上述目的，本发明实施例提供一种基于高斯过程回归的风机负载预测方法包括：

3、获取风机运行数据，构建标准数据集，所述标准数据集包括时序特征、工艺特征和状态特征；

4、对所述标准数据集进行特征提取，以获取多源特征向量；

5、对所述多源特征向量进行特征融合，以获取训练数据集；

6、构建高斯过程回归预测模型，并采用所述训练数据集进行训练；

7、采用训练后的高斯过程回归预测模型对风机负载进行预测。

8、可选地：对所述标准数据集进行特征提取，以获取多源特征向量包括：

9、基于所述时序特征，采用lstm特征提取网络进行时序特征提取，以获取时序特征向量和时序概率先验参数；

10、对所述工艺特征进行归一化处理，以获取工艺特征向量；

11、对所述状态特征进行离散特征编码，以获取状态特征向量。

12、可选地：基于所述时序特征，采用lstm特征提取网络进行时序特征提取，以获取时序特征向量包括：

13、将所述时序特征输入至预设的注意力增强模块，通过所述注意力增强模块计算所述时序特征的注意力权重；

14、基于所述注意力权重对所述时序特征进行加权更新，获取增强时序特征；

15、将所述增强时序特征输入至双向lstm网络，提取所述增强时序特征的前向隐状态序列和后向隐状态序列，并对所述前向隐状态序列和后向隐状态序列进行拼接，以获取最终隐状态序列；

16、提取所述最终隐状态序列的时间窗口最后一个时间步的隐状态，获取时序特征向量；

17、将所述最终隐状态序列分别输入至全连接层，获取时序概率先验参数。

18、可选地：对所述多源特征向量进行特征融合，以获取训练数据集包括：

19、根据公式（1）获取融合特征，

20、，（1）

21、其中，为融合特征，为门控网络的权重，为最终时序特征，为工艺特征，为状态特征，为门控网络的偏置；

22、基于所述融合特征，采用特征交叉网络，经过l层交叉后，获取增强特征；

23、基于所述增强特征和所述多源特征向量的时序概率先验参数，构建训练数据集。

24、可选地：构建高斯过程回归预测模型，并采用所述训练数据集进行训练：

25、选取多种核函数，构建混合核函数；

26、基于所述混合核函数构建高斯过程回归预测模型；

27、将所述训练数据集输入所述高斯过程回归预测模型，获取风机负载预测值与置信区间；

28、基于所述风机负载预测值和真实值，获取所述高斯过程回归预测模型的性能评价指标；

29、基于所述性能评价指标优化所述高斯过程回归预测模型参数。

30、可选地：选取多种核函数，构建混合核函数包括：

31、构建rbf核函数；

32、构建周期核函数；

33、采用公式（2）构建热负荷机理核函数，

34、，（2）

35、其中，为热负荷机理核函数，为热负荷机理核函数的信号方差，为室内外温差，为另一个特征向量下的室内外温差，为工艺产能热负荷，为另一个特征向量下的工艺产能热负荷；

36、构建扰动敏感局部核函数；

37、对所述rbf核函数、周期核函数、热负荷机理核函数和扰动敏感局部核函数进行自适应加权融合处理，获取混合核函数。

38、可选地：将所述训练数据集输入所述高斯过程回归预测模型，获取风机负载预测值与置信区间包括：

39、基于所述训练数据集，采用所述高斯过程回归预测模型，获取预测均值和预测标准差；

40、对所述预测均值进行反归一化处理，以获取风机负载预测值；

41、基于所述风机负载预测值和所述预测标准差，获取风机负载的置信区间。

42、可选地：基于所述训练数据集，采用所述高斯过程回归预测模型，获取预测均值和预测标准差包括：

43、采用公式（3）构建协方差矩阵，

44、，（3）

45、其中，为协方差矩阵，为混合核函数矩阵，为增强特征，为动态噪声对角矩阵，为先验噪声；

46、采用所述高斯过程回归预测模型，根据公式（4）获取预测均值，

47、，（4）

48、其中，为预测均值，为先验均值函数，为新的增强特征，为风机负载真实值。

49、另一方面，本发明还提供一种基于高斯过程回归的风机负载预测系统，所述系统包括：

50、数据采集及预处理模块，用于获取风机运行数据，构建标准数据集；

51、特征提取模块，用于对所述标准数据集进行特征提取，以获取多源特征向量；

52、特征融合模块，用于对所述多源特征向量进行特征融合，以获取训练数据集；

53、预测模型构建模块，用于构建高斯过程回归预测模型，并采用所述训练数据集进行训练；

54、风机负载预测模块，用于采用训练后的高斯过程回归预测模型对风机负载进行预测；

55、处理器，与所述数据采集及预处理模块、所述特征提取模块、所述特征融合模块、所述预测模型构建模块和所述风机负载预测模块连接，所述处理器被配置成执行如上述任一所述的方法。

56、再一方面，本发明提供一种机器可读存储介质，所述机器可读存储介质上存储有指令，所述指令用于使得机器执行本技术上述任一所述的方法。

57、本发明的有益效果：

58、本发明实施方式通过构建高斯过程回归预测模型，有效适配风机负载在多因素耦合作用下呈现出的复杂特性，精准捕捉风机负载与逐时湿温度、外界环境、生产班次等因素的动态关联，从而切实提高工艺空调风机负荷的预测精准度，实现对风机负载的精准预测。

59、本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。