一种发电过程多时间尺度的时序预测方法及相关装置与流程

本发明属于发电过程智能分析与预测控制，尤其涉及一种发电过程多时间尺度的时序预测方法及相关装置。

背景技术：

1、随着电力系统智能化程度的不断提升，火电机组作为我国电力供应的主力军，其运行安全性与经济性直接关系到电力系统的稳定供应与整体能效水平。火电机组的运行过程涉及主蒸汽温度、主蒸汽压力、给水温度、烟气温度、负荷指令、燃料流量、阀位开度等数十个关键参数，各参数之间存在复杂的时序依赖关系与空间耦合关系，对关键运行参数的精准预测是实现机组优化调控、安全预警与能效提升的重要技术基础。目前针对发电过程的时序预测模型主要分为传统统计类模型与深度学习类模型，其中传统基于统计方法的预测模型难以充分捕捉参数间复杂的耦合关联，而单纯基于深度学习的预测模型又面临可解释性差、泛化能力弱、物理一致性难以保证等问题，均难以完全适配发电行业高安全性、高可靠性的应用要求。

2、现有发电过程时序预测技术仍存在诸多技术短板，具体体现为：一是缺乏对发电过程多时间尺度特征的显式建模，发电过程运行参数同时涵盖小时级的负荷变化周期、分钟级的调节波动以及秒级的扰动噪声等不同时间尺度的特征，现有方法普遍采用单一时间尺度的建模策略，无法同时对多尺度特征进行有效提取与建模；二是忽视物理先验知识的融入，发电过程遵循热力学定律、物质平衡方程等基本物理规律，此类物理约束本应作为模型训练的先验知识以保障预测合理性，但现有方法大多采用纯数据驱动的建模方式，易出现预测结果违背基本物理定律与设备安全边界的情况；三是预测结果缺乏不确定性量化能力，在发电安全关键场景中，运行人员不仅需要参数预测值，还需明确预测结果的可信程度，而现有方法大多仅输出点预测值，无法提供预测区间与置信度等可支撑决策的不确定性信息；四是模型可解释性不足，深度学习模型通常具备“黑箱”特性，其内部特征学习与预测逻辑难以直观解释，在发电这类高安全要求的行业中，可解释性的缺失会降低运行人员对模型预测结果的信任度，限制模型的工程落地应用。

3、由此可见，现有发电过程时序预测技术存在多时间尺度特征建模缺失、物理先验知识融入不足、不确定性量化能力欠缺以及模型可解释性差等问题，无法满足火电机组安全经济运行对高精度、高可靠、可解释的时序预测技术的应用需求。

技术实现思路

1、本发明提供一种发电过程多时间尺度的时序预测方法及相关装置，采用本方法能够有效解决现有发电过程时序预测技术存在的多时间尺度特征建模缺失、物理先验知识融入不足、不确定性量化能力欠缺以及模型可解释性差等问题，能够满足火电机组安全经济运行对高精度、高可靠、可解释的时序预测技术的应用需求。

2、为了达到上述目的，本发明采用如下技术方案：

3、一种发电过程多时间尺度的时序预测方法，包括：

4、基于经验模态分解法将实时采集多类运行参数的原始时序数据分解为若干固有模态函数，通过小波变换按周期尺度将各固有模态函数合并为随机分量、周期分量与趋势分量，同时提取各分量的统计特征与时频特征；

5、构建分别对应趋势分量、周期分量、随机分量的三层潜变量编码器，将对应分量的特征输入各层编码器进行特征映射，得到趋势潜变量、周期潜变量与随机潜变量；

6、构建发电过程的热力学物理模型与质量平衡模型，将物理模型转化为可微分的物理约束层，以各层潜变量与原始观测数据作为物理约束层的输入，计算生成物理一致性损失项；

7、基于物理一致性损失项，将趋势潜变量、周期潜变量、随机潜变量分别输入对应的transformer子模块进行时序特征推理，得到多尺度融合推理特征；

8、将多尺度融合推理特征输入并行设置的点预测输出头、区间预测输出头与置信度预测输出头，通过多任务损失函数联合优化三个预测任务，输出包括点预测值、预测区间与置信度评分的初始预测结果；

9、基于预设的物理约束规则对初始预测结果进行物理一致性校验，对校验不通过的预测值沿物理约束梯度反方向进行迭代修正，得到最终预测结果。

10、进一步地，所述多类运行参数的原始时序数据的采集过程，包括：从火电机组分散控制系统中实时采集主蒸汽温度、主蒸汽压力、给水温度、烟气温度、负荷指令、燃料流量和阀位开度的运行参数；采集后对原始时序数据进行质量控制，采用三倍标准差准则识别超出阈值范围的异常值，识别连续缺失时长超过预设时间的缺失数据段，识别时序中的高频振荡噪声数据；对异常数据采用基于变分自编码器的插值方法进行修正，对缺失数据采用基于潜变量推断的填补方法进行填补，将处理后得到的质量受控时序数据用于经验模态分解。

11、进一步地，所述通过小波变换按周期尺度将各固有模态函数合并为随机分量、周期分量与趋势分量，具体为：

12、设定分解层数为3层，其中高频随机分量的周期小于1小时，中频周期分量的周期为1至24小时，低频趋势分量的周期大于24小时；小波变换采用db4小波基函数；其中，提取的统计特征包括均值、方差、偏度和峰度；提取的时频特征包括瞬时频率和瞬时幅值；将提取得到的各分量特征输入对应的三层潜变量编码器。

13、进一步地，所述三层潜变量编码器分别为趋势潜变量编码器、周期潜变量编码器和随机潜变量编码器；其中，趋势潜变量编码器采用一维卷积网络提取趋势特征，经全连接层映射得到64维趋势潜变量；周期潜变量编码器采用傅里叶变换模块提取周期特征，经全连接层映射得到32维周期潜变量；随机潜变量编码器采用变分自编码器框架编码得到64维随机潜变量；各层编码器输出潜变量的库尔贝克-莱布勒散度作为正则化项参与模型训练，生成的三类潜变量分别输入对应的transformer子模块与物理约束层。

14、进一步地，所述热力学物理模型包括锅炉水冷壁换热模型、过热器换热模型与蒸汽状态方程；通过拉格朗日乘子法将物理约束项添加至损失函数中，物理约束权重通过可学习参数动态调整；计算得到的物理一致性损失项加入多任务损失函数，与预测任务损失共同参与模型的训练优化过程。

15、进一步地，所述transformer子模块分别为趋势transformer子模块、周期transformer子模块和随机transformer子模块；其中，趋势transformer子模块采用12层全注意力结构，每层设置8个注意力头，潜变量维度为512；周期transformer子模块采用6层周期感知稀疏注意力结构，每层设置8个注意力头，潜变量维度为256；随机transformer子模块采用6层标准自注意力结构，每层设置8个注意力头，潜变量维度为512；三个子模块之间通过跨层注意力机制进行信息交互，跨层注意力的权重通过可学习的参数矩阵确定，最终融合生成多尺度融合推理特征。

16、进一步地，所述点预测输出头采用两层全连接网络输出未来24小时的预测值，所述区间预测输出头采用分位数回归方法输出10%、25%、50%、75%、90%五个分位数的预测区间；所述置信度输出头采用贝叶斯线性回归层输出预测方差估计；三个预测任务通过动态权重的多任务损失函数联合优化；

17、所述物理一致性校验的内容包括温度范围检查、压力范围检查、热力学关系检查和质量平衡检查，对不通过校验的预测值以预设修正步长进行迭代修正，修正后得到并输出最终预测结果。

18、一种发电过程多时间尺度的时序预测系统，包括：

19、分解模块，用于基于经验模态分解法将实时采集多类运行参数的原始时序数据分解为若干固有模态函数，通过小波变换按周期尺度将各固有模态函数合并为随机分量、周期分量与趋势分量，同时提取各分量的统计特征与时频特征；

20、映射模块，用于构建分别对应趋势分量、周期分量、随机分量的三层潜变量编码器，将对应分量的特征输入各层编码器进行特征映射，得到趋势潜变量、周期潜变量与随机潜变量；

21、计算模块，用于构建发电过程的热力学物理模型与质量平衡模型，将物理模型转化为可微分的物理约束层，以各层潜变量与原始观测数据作为物理约束层的输入，计算生成物理一致性损失项；

22、推理模块，用于基于物理一致性损失项，将趋势潜变量、周期潜变量、随机潜变量分别输入对应的transformer子模块进行时序特征推理，得到多尺度融合推理特征；

23、预测模块，用于将多尺度融合推理特征输入并行设置的点预测输出头、区间预测输出头与置信度预测输出头，通过多任务损失函数联合优化三个预测任务，输出包括点预测值、预测区间与置信度评分的初始预测结果；

24、修正模块，用于基于预设的物理约束规则对初始预测结果进行物理一致性校验，对校验不通过的预测值沿物理约束梯度反方向进行迭代修正，得到最终预测结果。

25、一种发电过程多时间尺度的时序预测设备，包括：

26、存储器，用于存储计算机程序；

27、处理器，用于执行所述计算机程序时实现上述发电过程多时间尺度的时序预测方法。

28、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时用于实现上述发电过程多时间尺度的时序预测方法。

29、与现有技术相比，本发明具有如下有益效果：

30、本发明提供一种发电过程多时间尺度的时序预测方法，利用经验模态分解与小波变换将原始时序数据分解为随机、周期和趋势分量，并提取其时频与统计特征，从而实现对发电过程秒级扰动、分钟级调节和小时级负荷等多时间尺度特征的显式建模；随后通过构建三层潜变量编码器将各分量映射为对应潜变量，并将热力学物理模型与质量平衡模型转化为可微分的物理约束层，引入物理一致性损失项，使模型在学习过程中自动遵循基本物理定律与安全边界；在此基础上，采用transformer子模块对各潜变量进行时序推理获得多尺度融合特征，并通过并行设置的点预测、区间预测和置信度预测输出头，借助多任务损失联合优化，同时输出点预测值、预测区间与置信度评分；最后对初始预测结果进行物理一致性校验，沿物理约束梯度反向迭代修正违规值。采用本方法有效克服了现有技术在多尺度特征建模缺失、物理先验融入不足、不确定性量化欠缺和可解释性差等方面的短板，显著提升了发电过程时序预测的精度、可靠性与可信度，为火电机组安全经济运行提供了高精度、高可靠且可解释的预测支持。