一种基于时空耦合图神经网络的污泥热解气化废气排放预测方法

本发明属于环境工程，具体涉及一种基于时空耦合图神经网络的污泥热解气化废气排放预测方法。

背景技术：

1、污泥热解气化技术是污泥减量化与资源化的重要技术途径。受严格的行业排放标准约束，将尾气中的so2、nox、颗粒物等指标控制在限值范围以内，是该技术实现规模化应用的前提条件。传统末端治理设施虽然能够有效削减废气排放，但会显著增加运行成本，因此在源头实现高精度、实时的排放预测与主动调控，是兼顾环保合规与成本控制的重要突破口。

2、污泥热解气化工艺是一个高度关联的复杂工业系统，其主生产线由气化炉、燃烧炉、余热锅炉与布袋除尘器等设备串联构成：脱水污泥依次经过气化炉的干燥、热解与还原区生成可燃合成气；合成气在燃烧炉内剧烈燃烧，将化学能转化为高温烟气；烟气再经余热锅炉回收热量、布袋除尘器脱除颗粒物后达标排放。工艺流程沿线各设备的工况波动对末端排放具有明显的跨设备传递效应与时间滞后效应，上游扰动会沿工艺链条向下游逐级传导。同时，实际生产装置通常配置多条并行生产线，各生产线的烟气最终汇合后经同一监测点排放。分布式控制系统虽可采集大量机电运行指标，但这些指标易受随机噪声干扰，且与设备内部化学反应及末端排放的分子动态缺乏直接的物理对应关系。

3、现有排放预测技术主要包括机理建模与数据驱动建模两类。机理建模方面，热力学平衡模型可预测合成气组成，但忽略内部时滞与传质过程；动力学模型能够刻画中间变量的变化，但依赖僵化的线性化假设，难以适应强非线性工况；计算流体力学模型虽能较为准确地重构传输现象，但计算负担过重，难以满足实时控制的时效要求。单纯依靠机理建模的理想化假设，无法适应进料含水率波动、设备磨损等持续性工业扰动，也难以处理高维、含噪的现场运行数据，制约了其在线预测能力。

4、数据驱动方面，机器学习与深度学习方法已被广泛用于工业尾气排放预测任务，但现有框架普遍存在从原始运行指标到排放浓度的经验映射缺陷：基于静态特征或简单滑动窗口的黑箱模型未嵌入化学反应机理或具体装置构型信息，在偏离稳态工况时预测性能急剧下降；单纯的时间序列网络虽能捕捉时间依赖关系，但忽略设备间的空间拓扑结构与多生产线汇合路径，在排放骤升骤降的过程中容易出现预测滞后；直接预测污染物绝对浓度往往引入严重的自相关偏差。尽管已有研究尝试引入图神经网络刻画设备间的关联关系，但通常将各设备节点视为无权重、各向同性的节点，未能编码设备之间物料与能量传递的方向性关系，也未考虑不同运行参数相对排放指标的差异化时滞特性。此外，现有可解释性方法主要依赖统计归因工具，难以重构工艺过程中的物理质量与能量传递路径，也无法揭示模型内部随时间演化的空间响应机制，制约了数据驱动模型在实际工程中的部署与信任度。

5、因此，亟需一种能够同时刻画污泥热解气化工艺设备间有向空间耦合关系与特征级时滞效应，并兼具传感器异常鲁棒性与隐式工艺机理可解释能力的废气排放预测方法，以弥补现有纯时序黑箱模型与传统图神经网络在结构一致性、动态鲁棒性和机理可解释性方面的不足。

技术实现思路

1、本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

2、为此，本发明的第一个目的在于提出一种基于有向工艺拓扑图与图神经网络时空耦合建模的污泥热解气化废气排放预测方法。

3、本发明的第二个目的在于提出一种计算机设备。

4、本发明的第三个目的在于提出一种非临时性计算机可读存储介质。

5、为达上述目的，本发明第一方面实施例提出一种基于有向工艺拓扑图与图神经网络时空耦合建模的污泥热解气化废气排放预测方法，包括：

6、a，获取污泥热解气化目标工厂多条并行生产线的设备运行数据及废气排放数据，对所述数据进行有效性校验与异常值处理，得到用于建模的连续时间序列数据；

7、b，依据污泥热解气化工艺中设备之间物料与能量传递的先后次序，以及多条生产线向同一废气排放监测点汇合的实际连接关系，构建有向工艺拓扑图，将各设备抽象为所述有向工艺拓扑图中的节点，将设备之间的传递关系抽象为节点之间的有向连接边；

8、c，针对所述有向工艺拓扑图中各节点所对应设备的运行参数特征，分别计算该特征与目标废气排放指标之间的互相关函数，确定最优时滞步长，并依据所述最优时滞步长对该特征的历史序列进行时滞对齐，得到经时滞补偿后的节点输入特征；

9、d，基于所述有向工艺拓扑图，采用图神经网络在相邻节点之间进行有向消息传递，得到各节点的空间上下文消息；将所述经时滞对齐后的节点输入特征与所述空间上下文消息进行拼接，输入该设备所属类型专属的循环神经网络单元，更新该节点的隐藏状态；

10、e，引入层级注意力机制，先对同一生产线内各设备节点的隐藏状态进行产线内注意力加权聚合，再对各条生产线的产线表征向量进行产线间注意力加权聚合，得到全局感知向量；基于所述全局感知向量预测当前时刻废气排放浓度的变化增量，将所述变化增量与上一时刻的废气排放浓度叠加，得到当前时刻的废气排放预测浓度。

11、在本发明的一个实施例中，所述数据有效性校验与异常值处理包括：

12、采用分位数梯度跳变检测方法，扫描废气排放监测指标分位数分布曲线的下端区间和上端区间，将梯度异常突变的拐点确定为该指标的物理运行边界，剔除超出边界的数值；

13、将超出预设分位数范围的整数硬件故障值映射为缺失值；对传感器持续输出零值或读数卡滞的区间标记为无效数据；

14、当同一运行参数在任一生产线上的无效数据比例超过预设阈值时，在全部生产线上剔除该参数；

15、对其余有效区间内的数据，基于滑动窗口计算窗口内的均值、中位数与标准差，将与窗口中位数偏差超过预设倍数标准差的数据点判定为异常值，并采用线性插值方法予以修正。

16、在本发明的一个实施例中，还包括构建用于标记数据可信程度的样本级质量掩码：

17、对修正时长不超过预设时长阈值的连续异常数据区间，采用滑动窗口插值方式予以填补，并将对应掩码标记为可信；

18、对修正时长超过所述预设时长阈值的连续异常数据区间，以对应指标的全局均值进行填充，并将对应掩码标记为不可信。

19、在本发明的一个实施例中，所述有向工艺拓扑图的构建方法包括：

20、在污泥热解气化工艺的每条生产线上，依次将气化炉、燃烧炉、余热锅炉和布袋除尘器抽象为节点，并按照物料与能量沿气化炉、燃烧炉、余热锅炉、布袋除尘器方向依次传递的实际工艺顺序，在相邻节点之间建立有向连接边；

21、将各条并行生产线布袋除尘器所对应节点的输出共同连接至同一废气排放监测节点，以表征多条生产线废气在排放监测点处汇合的实际连接关系。

22、在本发明的一个实施例中，所述节点输入特征的确定方法还包括特征选择步骤：

23、对所述有向工艺拓扑图中各节点所对应设备的原始运行参数，分别计算该参数与目标废气排放指标之间的互信息与皮尔逊相关系数，仅保留互信息大于预设阈值或皮尔逊相关系数绝对值大于预设阈值的参数，并结合各设备单元物料与能量传递的工艺机理认知，进一步筛选出与目标废气排放指标存在因果关联的参数，构成用于构建各节点输入特征的最优特征子集。

24、在本发明的一个实施例中，所述图神经网络采用缩放点积注意力机制计算置信系数：

25、利用与上游节点和下游节点设备类型分别对应的可学习权重矩阵，将上游节点与下游节点的历史隐藏状态分别映射为消息键向量与信息查询向量，对所述消息键向量与信息查询向量进行点积运算并经sigmoid函数映射，得到由上游节点向下游节点传递的置信系数，以所述置信系数对上游节点的消息键向量进行缩放，得到由上游节点向下游节点传递的空间消息。

26、在本发明的一个实施例中，针对所述有向工艺拓扑图中不同类别的设备节点分别独立维护一组循环神经网络参数，使每一类设备具有各自独立的隐藏状态转移特性。

27、在本发明的一个实施例中，还包括面向传感器异常与工况突变的鲁棒性设计：

28、构建包含预测浓度变化增量均方误差与叠加后绝对浓度预测误差的双目标损失函数；

29、结合构建的样本级质量掩码，对标记为不可信的数据点在反向传播过程中的梯度贡献进行截断，阻止模型学习由人工填补数据引入的虚假规律，使所述方法在传感器局部失效或异常冻结的极端工况下，依靠所学习到的工艺惯性维持对废气排放趋势的稳定预测。

30、在本发明的一个实施例中，还包括采用滚动预测机制进行在线部署：

31、将预测时段划分为若干连续的固定时长区间，在每一区间起始时刻，以所述废气排放监测点的实测值初始化循环神经网络隐藏状态；

32、在该区间内的后续时刻，基于前一时刻的预测结果进行自回归滚动推理，输出该区间内的废气排放预测序列。

33、在本发明的一个实施例中，所述目标废气排放指标包括so2浓度、nox浓度和颗粒物浓度；所述层级注意力机制提取的产线内注意力权重与产线间注意力权重，用于识别不同时刻主导废气排放波动的关键生产线与关键设备单元，以实现对污泥热解气化工艺隐式反应机理的可解释挖掘。

34、在本发明的一个实施例中，所述废气排放监测点专属的循环神经网络单元以所述全局感知向量与上一时刻的废气排放目标值共同作为输入，更新其隐藏状态并预测当前时刻废气排放浓度的变化增量，再将所述变化增量与上一时刻的废气排放浓度叠加，输出当前时刻的废气排放预测浓度。

35、本发明实施例的一种基于时空耦合图神经网络的污泥热解气化废气排放预测方法，具有如下有益效果：

36、1、本发明公开的一种基于时空耦合图神经网络的污泥热解气化废气排放预测方法，通过构建反映设备间物料与能量传递方向及多条生产线汇合关系的有向工艺拓扑图，并采用图神经网络进行有向消息传递，能够真实刻画气化炉、燃烧炉、余热锅炉、布袋除尘器等设备之间的空间耦合关系与信号传播方向。相较于将设备节点视为无权重、各向同性节点的传统图神经网络方法，能够更准确地表征污泥热解气化工艺的实际拓扑结构，显著提升排放预测精度；

37、2、本发明公开的一种基于时空耦合图神经网络的污泥热解气化废气排放预测方法，针对拓扑图各节点的运行参数特征，基于互相关函数确定特征级最优时滞步长并进行时滞对齐，克服了不同工艺环节、不同运行参数相对排放指标存在差异化滞后的问题。相较于对全部特征统一采用固定滞后步长的方法，能够显著降低工况转换及排放峰值阶段的预测偏差，提升瞬态过程的预测稳定性；

38、3、本发明公开的一种基于时空耦合图神经网络的污泥热解气化废气排放预测方法，将图神经网络的空间消息传递与分设备类型循环神经网络的时间维度演化相耦合，并引入层级注意力机制逐级聚合产线内与产线间的运行状态。相较于单纯依赖历史时间序列或单纯依赖空间拓扑结构的预测方法，能够同时捕捉设备自身反应惯性与跨设备扰动传导，在排放骤升骤降等瞬态过程中实现更精准、更及时的预测；

39、4、本发明公开的一种基于时空耦合图神经网络的污泥热解气化废气排放预测方法，通过双目标损失函数与样本级质量掩码相结合的鲁棒性设计，对不可信数据点在反向传播中的梯度贡献进行截断。相较于直接以全部原始数据进行训练的方法，能够在传感器局部失效、异常冻结等极端工况下，依靠所学习到的工艺惯性维持对废气排放趋势的稳定预测，显著提升模型在复杂工业现场的部署可靠性；

40、5、本发明公开的一种基于时空耦合图神经网络的污泥热解气化废气排放预测方法，所提取的产线内与产线间层级注意力权重能够在无先验机理标签的条件下，自适应地识别不同时刻主导废气排放波动的关键生产线与关键设备单元，挖掘污泥热解气化工艺的隐式反应机理，为工艺诊断、源头调控及数字孪生系统构建提供可解释的决策依据。

41、为达上述目的，本技术第二方面实施例提出了一种计算机设备，包括：处理器和存储器；其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如第一方面实施例所述的一种基于时空耦合图神经网络的污泥热解气化废气排放预测方法。

42、为达上述目的，本技术第三方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面实施例所述的一种基于时空耦合图神经网络的污泥热解气化废气排放预测方法。

43、本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。