基于目标锚定时间状态网络的工业目标变量多步预测方法

摘要: 本发明涉及一种基于目标锚定时间状态网络的工业目标变量多步预测方法,属于工业过程时序预测。背景技术:1、在现代工业生产或处理过程中,对关键目标变量未来变化轨迹进行...
基于目标锚定时间状态网络的工业目标变量多步预测方法

本发明涉及一种基于目标锚定时间状态网络的工业目标变量多步预测方法,属于工业过程时序预测。

背景技术:

1、在现代工业生产或处理过程中,对关键目标变量未来变化轨迹进行多步预测,可为过程监测、异常预警、调度优化和预测控制提供重要依据。目前在燃煤锅炉运行、化工生产、污水处理、能源转换、冶金生产和制药等工业过程中,温度、压力、流量、液位、氧浓度、ph值和电导率等大量过程变量被持续采集,用于过程监测、状态评估和闭环控制;然而,实际生产决策通常围绕与产品质量、污染物排放、能源利用效率或运行安全相关的关键目标变量展开,上述所采集的大量过程变量仅能够反应当下状态,为了保障工业过程稳定、高效运行,需要预测关键目标变量未来多个时刻的变化轨迹。

2、传统的数据驱动工业目标变量预测方法主要包括主成分回归、偏最小二乘回归、支持向量回归、高斯过程回归、随机森林和浅层神经网络等统计或浅层机器学习方法。上述方法通过历史辅助变量和目标变量数据建立过程变量与目标变量之间的非机理映射关系,实现目标变量预测。然而,受表征深度和时序建模能力的限制,此类方法难以充分刻画工业过程中复杂的非线性依赖关系和动态演化规律,其预测能力受到一定制约。

3、随着工业过程数据规模的持续增长,深度学习技术进一步推动了工业动态建模领域的发展。相关研究围绕工业目标变量预测构建了多种深度学习模型。qin等在文献“adual-stage attention-based recurrent neural network for time seriesprediction”(international joint conference on artificial intelligence,2017)中提出双阶段注意力循环神经网络da-rnn,该方法面向非线性自回归外生输入预测问题,利用目标变量历史序列以及多个辅助变量历史序列进行预测,并通过输入注意力和时间注意力分别选择相关辅助变量和相关历史时刻。liu等在文献“dstp-rnn: a dual-stage two-phase attention-based recurrent neural network for long-term and multivariatetime series prediction”(expert systems with applications,2020,143:113082)中提出双阶段两相注意力循环神经网络dstp-rnn,该方法考虑辅助变量序列之间以及辅助变量序列与目标变量序列之间的动态关系,通过两相注意力增强辅助变量之间的空间相关性,并通过目标序列上的多重注意力增强长期依赖建模能力。yang等在文献“input-outputdriven cross-attention for transformer for quality prediction of lightnaphtha in industrial hydrocracking processes”(ifac-papersonline,2024,58(14):85-90)中提出输入输出驱动交叉注意力transformer模型,该方法将历史标签作为输入序列的一部分,将目标变量历史观测值作为输入信息,并通过交叉注意力建立目标变量历史信息与辅助变量信息之间的关联,用于工业加氢裂化过程中的质量变量预测。上述深度学习模型验证了同时利用目标变量历史信息和多变量过程历史信息有助于提高目标变量预测性能。但是,在上述方法中,目标变量历史序列通常作为解码输入、历史标签或注意力建模对象,与多变量过程历史序列共同进入递归网络或注意力网络进行融合建模。目标变量自身历史轨迹所反映的局部连续性和短期演化趋势主要被隐含在融合表示中,难以形成能够直接参与未来轨迹预测的目标历史预测依据。

4、与此同时,通用时间序列预测领域在多步序列建模方面也取得了较多进展。zeng等在文献“are transformers effective for time series forecasting?”(aaaiconference on artificial intelligence,2023)中提出dlinear等线性预测结构,通过序列分解和线性映射实现长序列预测,在多个通用时间序列数据集上取得了较好的预测效果。liu等在文献“itransformer: inverted transformers are effective for timeseries forecasting”(international conference on learning representations,2024)中提出itransformer,将变量序列作为token进行建模,以增强多变量时间序列预测中的变量关系表征能力。上述通用时间序列方法为多步预测、序列外推和多变量关系建模提供了有益的技术参考。然而,此类方法通常面向一般序列预测或多变量序列整体预测任务,重点在于对输入序列整体进行表征并直接输出未来多个预测步的结果。在工业目标变量多步预测场景中,未来不同预测步对应的过程状态影响、动态滞后程度和历史信息保留程度并不完全相同,若仅由统一预测表示直接承担多个未来预测步的输出,难以明确组织不同预测步上的状态演化关系。

5、综合来看,深度学习预测方法和通用时间序列预测方法为工业目标变量预测及多步序列建模提供了重要基础。然而,工业多步目标变量预测通常围绕关键目标变量未来轨迹展开,预测过程中需要处理目标变量历史序列和多变量过程历史两类信息。目标变量历史序列反映目标自身的局部连续性和短期演化趋势,多变量过程历史则包含工况变化、扰动传播、控制作用以及动态滞后响应等过程信息。因此,如何从多变量过程历史中刻画工况变化、扰动传播和动态滞后响应,形成适应不同未来预测步的过程动态预测信息,同时显式保留目标变量自身历史轨迹所反映的局部连续性和短期演化趋势,形成目标历史预测信息,并在未来多步预测过程中有效结合两类预测信息,是工业过程目标变量多步预测中需要解决的技术问题。

技术实现思路

1、为了解决工业过程目标变量多步预测中由于目标历史预测信息和过程动态预测信息未被有效组织而导致目标变量多步预测结果预测精度衰减、输出不稳定的问题,本发明提供了一种基于目标锚定时间状态网络的工业目标变量多步预测方法,应用于热力工业装置蒸汽温度的多步预测中。

2、一种基于目标锚定时间状态网络的工业目标变量多步预测方法,所述方法以热力工业装置中燃烧系统、汽水系统、风烟系统、换热系统和减温调节系统的运行及调节参数作为辅助变量,蒸汽温度作为目标变量,利用辅助变量和目标变量的连续历史观测数据构造历史多变量输入窗口,后续构造并列的目标锚定预测分支、全局时间状态分支和变量级时间状态分支;其中,目标锚定预测分支根据目标变量历史序列生成目标锚定基线预测序列,全局时间状态分支和变量级时间状态分支基于统一的衰减状态扫描机制对辅助变量和目标变量的连续历史观测数据拼接构成的多变量过程历史进行双粒度时间状态建模,其中全局时间状态分支从单个时刻辅助变量和目标变量的历史观测数据拼接构成的完整多变量观测向量中提取整体过程时间状态得到全局时间状态,变量级时间状态分支内部通过变量级注意力信息聚合获得目标感知变量时间状态,将全局时间状态和目标感知变量时间状态进行融合,并通过状态衰减展开和预测步嵌入生成各未来预测步对应的条件化时间状态,进而生成时间状态预测序列和自适应门控融合权重;最后将目标锚定基线预测序列与时间状态预测序列进行融合,再将融合后的预测结果恢复至目标变量原始尺度,得到热力工业过程蒸汽温度的未来多步预测结果。

3、可选的,所述方法包括:

4、步骤s1:获取热力工业过程中辅助变量和目标变量的历史运行数据,构建样本数据库,并进行预处理后划分得到训练数据集、验证数据集和测试数据集;

5、步骤s2:构建目标锚定时间状态网络预测模型,并基于步骤1获得的训练数据集、验证数据集和测试数据集进行训练、调参和验证;所述目标锚定时间状态网络预测模型包括历史多变量输入窗口模块、末时刻锚定归一化模块、目标锚定预测分支、全局时间状态分支、变量级时间状态分支、时间状态预测模块、自适应门控融合模块、反归一化模块;

6、步骤s3:获取待预测热力工业装置最近连续

l个采样时刻的辅助变量和目标变量观测值,构造待预测历史多变量输入窗口,将其输入训练完成的目标锚定时间状态网络预测模型,依次完成末时刻锚定归一化、目标锚定基线预测、双粒度时间状态提取、时间状态预测、自适应门控融合和反归一化,最后输出热力工业过程目标变量未来个预测步的预测序列。

7、可选的,所述目标锚定时间状态网络预测模型中历史多变量输入窗口模块用于构造历史多变量输入窗口,构造过程包括:

8、假设热力工业过程中包含个辅助变量和1个目标变量,第个采样时刻采集到的辅助变量观测向量和目标变量观测值分别记为和,则完整过程向量为:

9、(1)

10、给定历史窗口长度 l 和预测步长 h,以时刻 t 为预测起点,历史多变量输入窗口为:

11、(2)

12、将窗口内第个历史位置的完整过程向量记为:

13、(3)

14、与对应的目标变量未来多步输出序列为:

15、(4)。

16、可选的,所述目标锚定时间状态网络预测模型中末时刻锚定归一化模块用于对历史多变量输入窗口进行尺度归一化处理,包括:

17、对于每个历史多变量输入窗口,将其末时刻完整过程向量作为锚定向量:

18、(5)

19、沿历史位置维度分别计算各变量通道的窗口内标准差,并设置预设正数下限:

20、(6)

21、归一化历史多变量输入窗口为:

22、(7)

23、其中,表示对个历史位置逐变量通道计算标准差,表示逐元素取最大值,和分别表示长度为和的全1向量;减法和除法按照变量通道广播并逐元素计算,归一化向量,其第个通道记为,同时,目标变量通道对应的锚定值和尺度值被保留,用于后续将归一化空间下的预测结果恢复至目标变量原始尺度。

24、可选的,所述目标锚定时间状态网络预测模型中目标锚定预测分支用于从归一化历史多变量输入窗口中单独提取目标变量通道,并将归一化目标变量历史序列映射至多个未来预测步,得到目标锚定基线预测序列;所述全局时间状态分支则将归一化历史多变量输入窗口中各历史采样时刻的多变量观测向量编码为全局过程状态表示,并采用衰减状态扫描机制沿时间维度对所述全局过程状态表示进行递推聚合,得到全局时间状态;所述变量级时间状态分支将归一化历史多变量输入窗口中各变量通道在各历史采样时刻的观测值映射为变量级表示,并采用衰减状态扫描机制沿时间维度分别对各变量通道的变量级表示进行递推聚合,得到变量级时间状态矩阵;在所述变量级时间状态分支内部,通过变量级注意力信息聚合进行变量通道间的信息交互,并提取目标变量通道对应的状态,得到目标感知变量时间状态。

25、可选的,所述目标锚定时间状态网络预测模型中时间状态预测模块包括状态融合单元、预测步条件化单元、时间状态预测头和门控预测头;

26、所述状态融合单元用于将所述全局时间状态与目标感知变量时间状态进行融合,得到集成时间状态;所述预测步条件化单元用于对所述集成时间状态进行预测步衰减展开,并叠加各预测步对应的预测步嵌入,得到多个未来预测步对应的条件化时间状态;所述时间状态预测头用于根据所述条件化时间状态生成时间状态预测序列,所述门控预测头用于根据所述条件化时间状态生成各预测步对应的自适应门控融合权重。

27、可选的,所述目标锚定时间状态网络预测模型中自适应门控融合模块用于根据所述自适应门控融合权重对目标锚定基线预测序列和时间状态预测序列进行融合,得到归一化空间下的目标变量多步融合预测序列。

28、可选的,所述目标锚定时间状态网络预测模型中反归一化模块用于利用所述末时刻锚定归一化模块所保留的目标变量通道对应的锚定值和尺度值,对归一化空间下的目标变量多步融合预测序列进行反归一化处理,得到原始尺度下的目标变量多步预测结果。

29、可选的,所述步骤s1中预处理包括缺失值处理、异常值处理、时间戳校正、时间对齐和重采样中的一种或多种;所述训练数据集、验证数据集和测试数据集按照时间先后顺序划分。

30、可选的,所述热力工业装置为燃煤锅炉时,所述辅助变量包括炉膛压力、烟气温度、空气预热器出口温度、一次及二次风量、氧浓度、减温水流量和主蒸汽流量,所述目标变量为燃煤锅炉出口蒸汽温度。

31、本发明有益效果是:

32、通过末时刻锚定归一化模块,以历史窗口末时刻完整过程向量作为局部锚定状态,并结合历史窗口内各变量通道的尺度信息,将历史多变量输入窗口转换为相对于预测起点的局部变化表示,有利于减弱不同运行片段之间工况水平差异、局部状态偏移以及变量尺度差异对模型训练和预测的影响。进一步地,本发明通过目标锚定预测分支,根据目标变量历史序列生成目标锚定基线预测序列,使目标变量自身历史轨迹所反映的局部连续性和短期演化趋势能够作为目标历史预测信息参与未来轨迹预测。本发明还通过全局时间状态分支和变量级时间状态分支,基于统一的衰减状态扫描机制分别提取多变量过程的整体时间状态和各变量通道的时间状态,并在变量级时间状态分支内部通过变量级注意力信息聚合获得目标感知变量时间状态,从而增强模型对工况变化、扰动传播、控制作用以及动态滞后响应等过程动态信息的表征能力。最后,本发明通过时间状态预测模块,对全局时间状态和目标感知变量时间状态进行融合,并通过状态衰减展开和预测步嵌入生成各未来预测步对应的条件化时间状态,进而生成时间状态预测序列和自适应门控融合权重;通过自适应门控融合模块对目标锚定基线预测序列和时间状态预测序列进行融合,使目标历史预测信息和过程动态预测信息能够共同作用于未来多步轨迹预测,有利于提高工业过程目标变量多步预测的准确性和稳定性。