基于Informer模型的天然气场站调节阀动态开度预测与优化方法

本发明涉及人工智能工业化。更具体地，本发明涉及一种基于informer模型的天然气场站调节阀动态开度预测与优化方法。

背景技术：

1、天然气场站调节阀是输气管网系统中调控管路气流、稳定进出口压力的核心执行设备。在实际的工业运行过程中，调节阀需要根据下游用户用气需求波动、上游气源压力波动、管网负荷切换等多重外界扰动，频繁调节阀门开度，以保障输气系统稳定、安全、高效运行。在传统的技术中，通常会采用pid控制算法来实现针对阀门开度的反馈调节，受限于pid控制算法的自身性能影响，其通常存在天然的超调或滞后问题，且需要耗费大量的时间调试pid相关参数。

2、针对上述问题，现有技术已经提出了将lstm（长短期记忆网络）、gru（门控循环单元）等经典时序模型应用到天然气场站调节阀系统中，但是，此类人工智能模型对超长距离时序依赖关系捕捉能力弱，且难以结合阀门内部流体物理特性约束，在气源压力突变、负荷大幅波动等复杂工况下，预测误差会急剧上升，难以满足高精度调控需求。除了上述通过人工智能手段，现有技术还提出了采用cfd（computational fluid dynamics）仿真技术来克服上述难题，然而，cfd仿真技术虽然能够精准复现不同开度、不同压差下阀门内部流场分布、压力损失、流速特征等关键物理参数，但仿真输出结果均为离散静态工况点数据，无法直接适配时序预测模型的训练输入要求，海量高价值流体仿真数据长期闲置，难以实现物理机理与数据驱动模型的融合应用，持续调控或优化能力不足。还需要特别注意的是，无论是人工智能方案还是仿真方案，其阀门开度优化策略大多仅围绕流量调节精度或设备运行能耗单一指标开展优化，未综合考量阀门动作频次、机械磨损、设备使用寿命、流场安全限值等工程关键要素；同时，优化过程未引入阀门流场压力损失、最大流速等物理边界约束，优化结果理论性虽强但现场落地能力差。其中，采用高精度深度学习预测模型来执行复杂的多目标优化运算，其数据传输与运算延迟较高，难以满足天然气场站调节阀毫秒级闭环实时控制的工业要求，进一步限制了智能调控技术的现场落地。

3、因此，现有技术主要存在预测精度低、持续调控能力弱以及落地效果差的问题。

技术实现思路

1、为解决上述现有技术预测精度低、持续调控能力弱以及落地效果差的技术问题，本发明公开了一种基于informer模型的天然气场站调节阀动态开度预测与优化方法。

2、第一方面，本发明公开了一种基于informer模型的天然气场站调节阀动态开度预测与优化方法，包括：

3、s10：基于cfd数据仿真法，获取离散静态仿真样本；其中，离散静态仿真样本至少包含目标系统中各调节阀的阀门开度、管路压差、出口流量、压力损失和流场流速；

4、s20：对离散静态仿真样本进行插值与滑动窗口截取，生成虚拟时序样本，并将实测运行数据与虚拟时序样本进行融合，得到三维融合时序数据；

5、s30：将实时工况数据输入预训练及微调后的informer模型中，输出目标调节阀的开度预测结果；其中，informer模型以经过小波分解与主成分提取后的三维融合时序数据作为输入特征，还采用虚拟时序样本及实测运行数据进行预训练与微调；

6、s40：对开度预测结果进行寻优，得到最优开度控制序列；

7、s50：以最优开度控制序列驱动目标调节阀执行开度调节动作。

8、有益效果：本发明首先通过cfd仿真获取包含阀门开度、管路压差及流场特征等参数的离散静态仿真样本，经插值与滑动窗口截取重构为虚拟时序样本，并与场站实测运行数据相融合，构建三维融合时序数据；随后，对时序数据进行小波分解与主成分特征提取，并依托仿真样本预训练与实测数据微调的策略，采用informer模型输出高精度的动态开度预测结果；最后，对开度预测结果进行寻优，并以最优序列驱动调节阀执行动作。区别于现有技术，本发明方法兼顾了流体物理机理与数据驱动优势，有效解决了长时序预测精度低、持续调控能力弱以及落地效果差的技术问题。

9、优选的，步骤s40具体为：

10、根据开度预测结果，建立目标函数；

11、以阀门动作次数最小化、系统能耗最小化及流量调节偏差最小化为优化目标，并结合管路安全限值、阀门设备参数、流场极限指标设置多维度物理约束；

12、采用引入流场压力损失因子的改进粒子群优化算法，在物理约束条件下对目标函数进行寻优求解，得到最优开度控制序列。

13、优选的，还包括边缘部署步骤：

14、对训练及微调后的informer模型进行结构化剪枝与整数量化，得到轻量化预测模型；

15、将轻量化预测模型与改进粒子群优化算法部署至边缘计算设备。

16、优选的，本发明方法还包括：

17、根据网络权重数值分布，剔除informer模型中的冗余神经元与卷积通道；

18、将剪枝后模型的浮点型权重参数转换为整型数据格式。

19、优选的，步骤s20包括：

20、将离散静态仿真样本按调节阀的阀门开度与管路压差依次进行升序排列；

21、采用三次样条插值算法对升序后的数学序列进行密值补全，生成连续工况序列；

22、设定滑动窗口长度对连续工况序列进行滑动截取，得到虚拟时序样本；

23、将滑动窗口末端对应的阀门开度作为模型训练标签。

24、优选的，步骤s30包括：

25、提取三维融合时序数据在时域、频域及能量域的多维特征指标；

26、采用主成分分析法对多维特征指标进行降维，保留满足预设累计贡献率的主成分作为输入特征。

27、优选的，步骤s30中，对informer模型进行训练及微调的具体过程包括：

28、在预训练阶段，采用虚拟时序样本初始化模型权重参数；

29、在微调阶段，冻结informer模型的底层编码层参数，并采用实测运行数据对informer模型顶层网络及解码层参数进行微调。

30、优选的，步骤s40还包括：

31、采用层次分析法计算各优化目标的权重配比，并通过一致性检验确定最终的多目标权重系数。

32、优选的，步骤s30中的小波分解过程采用改进软阈值函数进行系数降噪。

33、第二方面，本发明还公开了一种基于informer模型的天然气场站调节阀动态开度预测与优化系统，包括：

34、仿真层，用于基于cfd数据仿真法，获取离散静态仿真样本；其中，离散静态仿真样本至少包含目标系统中各调节阀的阀门开度、管路压差、出口流量、压力损失和流场流速；

35、现场感知层，用于采集天然气场站的实测运行数据与实时工况数据；

36、边缘计算层，用于对离散静态仿真样本进行插值与滑动窗口截取，生成虚拟时序样本，并将实测运行数据与虚拟时序样本进行融合，得到三维融合时序数据；还用于将实时工况数据输入预训练及微调后的informer模型中，输出目标调节阀的开度预测结果；其中，informer模型以经过小波分解与主成分提取后的三维融合时序数据作为输入特征，还采用虚拟时序样本及实测运行数据进行预训练与微调；以及对开度预测结果进行寻优，得到最优开度控制序列；

37、现场执行层，以最优开度控制序列驱动目标调节阀执行开度调节动作。

38、区别于现有技术，本发明的有益效果在于：

39、其一，本发明方法结合小波变换实现时序信号多尺度时频特征分离，依托informer模型稀疏自注意力机制，高效捕捉了阀门运行时序数据的超长距离依赖关系与非线性变化规律；同时，本发明方法还结合物理仿真数据约束，避免纯数据驱动模型泛化性不足的缺陷。最终，模型预测平均绝对误差可以低至0.87%，均方根误差1.23%，决定系数可达0.986，即使在极端压力扰动工况下仍可维持高精度预测。

40、其二，本发明方法提出了离散仿真数据排序+三次样条插值密化+滑动窗口切片的虚拟时序构建方法，突破了静态流体仿真数据无法用于时序模型训练的行业技术壁垒；同时采用仿真预训练+现场实测微调的迁移学习架构，能够保证模型输出结果符合流体力学物理机理，同时适配场站实际复杂运行工况，模型跨工况泛化误差控制在2.15%以内，实现机理模型与数据驱动模型深度融合。

41、其三，本发明方法兼顾了阀门机械寿命、系统能耗及流量调控精度三大核心指标，构建多目标协同优化体系；具体地，将阀门压力损失、最大流速等cfd流场参数作为硬性约束嵌入优化算法，使得优化方案的工程落地能力更强；改进后的流场约束粒子群算法相较于传统算法，可有效减少阀门频繁动作、降低管网输送能耗并缩小流量控制偏差，在长期运行下可显著降低阀门检修频次与场站运维成本。

42、其四，本发明方法采用的模型轻量化程度更高，能够满足工业边缘实时控制要求。

43、其五，本发明系统的适配范围更广且工程普适性更强。