基于频域信息引导的凝汽器真空度预测方法和装置与流程

1.本发明涉及火电厂设备运行优化领域，具体为一种凝汽器真空度预测方法和装置。


背景技术：

2.凝汽器作为火电厂汽轮机的主要辅助设备，其对机组安全运行起着非常重要的作用。凝汽器真空是综合反映凝汽器运行状态的指标，是火力发电机组运行的一个重要参数，不论在凝汽器的热力设计中还是在汽轮机冷端设备运行时,都要求凝汽器真空有一个最佳值，对其进行严格监控是每个电厂的工作重点。
3.凝汽器真空增加，机组出力增大，但循环水泵、真空泵的耗功也同时增大，当汽轮机功率与循环水泵和真空泵功率之差有极大值时，这时的凝汽器真空称为最佳真空。凝汽器真空度主要受到循环水流量，凝汽器进出口循环水温度、压力，循环水泵电流等诸多因素影响，且关系较为复杂。因此需要一种行之有效的方法对凝汽器真空度进行预测，保障机组运行安全、稳定、经济、有效。
4.目前，已经有多种基于机器学习和深度学习算法的真空度预测模型，并取得的了一些成效。包括：基于集成学习的凝汽器真空度预测模型、基于多层lstm的火电厂凝汽器真空度预测方法、基于机器学习中回归算法的真空度预测模型、基于改进果蝇算法优化svm的凝汽器真空预测、基于果蝇算法优化广义回归神经网络的凝汽器真空预测、基于k-means聚类的多元回归预测模型、基于pso-svr模型的凝汽器真空目标值预测、粒子群算法与径向神经网络相结合的凝汽器真空预测模型以及应用pso算法改进elman神经网络的双压凝汽器真空预测等。这些模型有些使用机器学习的算法，没有考虑到数据和真空度之间的复杂关系，有些没有考虑数据的时序关系，有些没有考虑历史真空度序列信息的作用，导致预测不够准确。


技术实现要素：

5.为了克服现有技术中存在的不足，提高预测的精度，本发明提供一种结合变分模态分解、transformer编码器、基于频域信息引导的特征融合方式的凝汽器真空度预测方法。该方法首先通过变分模态分解挖掘历史真空度序列数据中隐含的周期性特征，通过transformer编码器提取历史工况数据中的时域特征，然后使用注意力机制，得到基于频域信息引导的融合特征，最后使用多层感知机进行真空度的预测。
6.为实现上述目的，本发明采用的技术方案为：
7.一方面本发明提供一种基于频域信息引导的凝汽器真空度预测方法，包括以下步骤：
8.获取凝汽器历史真空度序列以及各历史真空度对应时刻的历史工况数据；
9.利用真空度预测模型获取要预测时刻的凝汽器真空度，包括：使用变分模态分解方法和一维卷积网络提取历史真空度序列中的频域特征，使用transformer编码器提取历
史工况数据中的时域特征；
10.利用注意力机制融合频域特征和时域特征，通过计算频域特征和时域特征的注意力分数得到基于频域信息引导的融合特征编码；
11.将提取到的融合特征编码通过多层感知机获取要预测时刻的凝汽器真空度。
12.进一步地，获取凝汽器历史真空度序列以及各历史真空度对应时刻的历史工况数据，包括对原始的凝汽器历史真空度序列以及各历史真空度对应时刻的历史工况数据进行预处理，所述预处理包括：
13.对每个样本的数据进行判断，若该样本的数据中包含空值或异常值，直接删除；并对保留的数据进行归一化处理。
14.进一步地，包括训练所述真空度预测模型，训练过程包括：
15.获取凝汽器历史真空度序列以及各历史真空度对应时刻的历史工况数据；
16.对获取的历史真空度序列以及历史工况数据进行预处理；
17.对于每个待预测时刻t构造相应的训练样本(v
t-b:t-1
,x
t-a:t
,
t
)，其中v
t
为t时刻的真实真空度，v
t-b:t-1
为历史真空度序列，x
t-a:t
为历史工况数据，a为历史工况数据长度，b为历史序列长度；v
t
是t时刻的真实凝汽器真空度；
18.使用变分模态分解方法和一维卷积网络提取历史真空度序列中的频域特征，使用transformer编码器提取历史工况数据中的时域特征；
19.利用注意力机制融合频域特征和时域特征，通过计算频域特征和时域特征的注意力分数得到基于频域信息引导的融合特征编码；
20.对于每个时刻t，对于相应的融合特征编码通过多层感知机获取其对应时刻的预测真空度输出；通过梯度下降和反向传播迭代优化参数，使损失最小化，直至收敛或达到最大迭代次数。
21.再进一步地，所述损失的计算方法如下：
[0022][0023]
其中l为损失，为预测的t时刻的真实凝汽器真空度。
[0024]
进一步地，使用变分模态分解方法和一维卷积网络提取历史真空度序列中的频域特征的步骤如下：
[0025]
(1)对于时刻t，随机初始化第1次迭代中第k个子模态对应的傅里叶变换参数第k个模态中心频率朗格朗日乘子设迭代次数n为1；通过引入二次惩罚因子α和拉格朗日乘子λ(t)，将约束性变分问题转化为非约束性变分问题；
[0026]
(2)将n 1赋值给n，利用如下更新公式：
[0027][0028]
[0029][0030]
得到第n次迭代中第k个子模态对应的傅里叶变换参数第k个模态中心频率以及拉格朗日乘子其中，是子模态集合{uk}傅里叶变换后的结果；{ωk}是中心频率集合；ω是中心频率；k是本征模态函数数量；δ(t)是狄拉克函数；n为迭代次数
[0031]
(3)判断若成立，则停止循环；否则返回(2)继续迭代循环，其中，∈表示收敛精度；
[0032]
(4)对历史时空度序列v
t-b:t-1
使用变分模态分解得到的k个本征模态函数构成本征模态函数矩阵u＝[u1,u2,
…
,un]
t
,其中，u1,u2,
…
,un为第n次迭代获得的k个模态对应的傅里叶变换参数通过傅里叶逆变换得到的本征模态函数，n表示本征模态函数的维度；将矩阵u通过一维卷积神经网络得到历史真空度序列的频域特征o
t
。
[0033]
进一步地，使用transformer编码器提取历史工况数据中的时域特征包括如下步骤：
[0034]
对于时刻t的a个历史工况数据x
t-a:t
，将基于多头自注意力机制的transformer编码器分为m个头；
[0035]
(1)在每个头中分别使用自注意力计算公式得到x
t-a:t
的预编码向量将中的所有项连接起来得到x
t-a:t
的预编码e
t
，将e
t
与x
t-a:t
求和得到e
t
′
，将e
t
′
通过一个前馈神经网络得到e
t
″
，对e
t
′
和e
t
″
求和得到x
t-a:t
的单层编码结果h
t
；
[0036]
(2)对于l层的编码器，将(2)中的单层编码结果h
t
作为下一层编码器的输入，执行(2)，得到历史工况数据的时域特征h
t
。
[0037]
进一步地，利用注意力机制，使用频域信息去引导特征的融合，具体步骤如下：
[0038]
(1)对于t时刻的频域特征o
t
，使用线性变换得到1
×
|x|维的频域特征向量o
′
t
，其中x∈x
t-a:t
表示任意一个历史数据节点，a为历史工况数据个数；
[0039]
(2)对于频域特征向量o
′
t
和时域特征h
t
，随机初始化三个矩阵，随机初始化三个矩阵其中x∈x
t-a:t
表示任意一个历史工况数据节点，表示子空间编码长度；
[0040]
(3)将频域特征向量o
′
t
与wq相乘获得频域引导向量qo，将时域特征h
t
分别与wk、wv相乘得到时域键向量kh，时域值向量vh：
[0041]qo
＝o
′
t
·
wq[0042]
kh＝h
t
·
wk[0043]vh
＝h
t
·
wv[0044]
(4)使用频域引导向量qo分别与时域键向量中每个元素点乘，其中表示第i个历史工况数据对应的时域键；
[0045]
计算出每一个历史工况数据的注意力得分s＝{s1,s2,
…
,sa}；
[0046]
(5)对每个得分si∈s进行归一化操作，得到
[0047]
(6)将所有的分别与对应的时域值向量相乘并求和，得到频域信息引导的融合特征编码f
t
：
[0048][0049]
为归一化后的第i个得分，为时域值向量vh中的第i个元素。
[0050]
进一步地，所述归一化操作采用如下公式：
[0051][0052]
其中dk为缩放尺度，缩放尺度dk设置为时域键向量kh的维度。
[0053]
第二方面，本发明还提供了一种基于频域信息引导的凝汽器真空度预测装置，包括数据获取模块和真空度预测模型，其中真空度预测模型包括频域特征获取模块、时域特征获取模块、特征融合模块和多层感知机；
[0054]
所述数据获取模块，用于获取凝汽器历史真空度序列以及各历史真空度对应时刻的历史工况数据；
[0055]
所述频域特征获取模块，用于使用变分模态分解方法和一维卷积网络提取历史真空度序列中的频域特征；
[0056]
所述时域特征获取模块，用于使用transformer编码器提取历史工况数据中的时域特征；
[0057]
所述特征融合模块，用于利用注意力机制融合频域特征和时域特征，通过计算频域特征和时域特征的注意力分数得到基于频域信息引导的融合特征编码；
[0058]
所述多层感知机，用于根据提取到的融合特征编码获取要预测时刻的凝汽器真空度。
[0059]
进一步地，还包括预处理模块，用于对原始的凝汽器历史真空度序列以及各历史真空度对应时刻的历史工况数据进行预处理，所述预处理包括：
[0060]
对每个样本的数据进行判断，若该样本的数据中包含空值或异常值，直接删除；并对保留的数据进行归一化处理。
[0061]
本发明所取得的有益技术效果：
[0062]
本发明提供的基于频域信息引导的凝汽器真空度预测方法通过结合变分模态分解和卷积神经网络捕获历史真空度序列数据中隐含的频域特征、通过transformer编码器获取历史工况数据中的时域特征，最后使用注意力机制得到基于频域信息引导的融合特征。与集成学习中的xgboost方法和机器学习中的回归算法相比，具有更高的预测精度。
附图说明
[0063]
图1是本发明实施例的方法流程图。
具体实施方式
[0064]
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本技术所附权利要求所限定的范围。
[0065]
变分模态分解是一种自适应、完全非递归的模态变分和信号处理的方法。该技术具有可以确定模态分解个数的优点，其自适应性表现在根据实际情况确定所给序列的模态分解个数，随后的搜索和求解过程中可以自适应地匹配每种模态的最佳中心频率和有限带宽，并且可以实现本征模态函数的有效分离、信号的频域划分、进而得到给定信号的有效分解成分，最终获得变分问题的最优解。凝汽器的真空度在转换到频域后会表现出一定的周期性，变分模态分解方法可以提取凝汽器真空度时序数据的平稳特征，有效提升预测精度。
[0066]
注意力机制在自然语言处理中应用十分广泛，并且表现出了良好的效果。自注意力机制可以很好地解决神经网络在实际训练的时候无法充分发挥输入之间的关系而导致模型训练结果效果极差的问题。transformer编码器中堆叠了许多自注意力模块，可以充分的挖掘不同时间数据之间的相关性，更好地挖掘数据中的时域特征。而且在其他领域的预测模型中，对于频域特征和时域特征只是简单的连接或相加进行融合，使用基于注意力机制的特征融合方式可以让时域特征和频域特征进行交互，以得到基于频域信息引导的融合特征，提升最终的预测精度。
[0067]
本发明提供的基于频域信息引导的凝汽器真空度预测方法通过结合变分模态分解和卷积神经网络捕获历史真空度序列数据中隐含的频域特征、通过transformer编码器获取历史工况数据中的时域特征，最后使用注意力机制得到基于频域信息引导的融合特征。与集成学习中的xgboost方法和机器学习中的回归算法相比，具有更高的预测精度。
[0068]
实施例：基于频域信息引导的凝汽器真空度预测方法，如图1所示，该方法包含数据预处理和训练集生成、特征提取及融合、预测三个步骤。
[0069]
问题可以描述如下：用v＝{v1,v2…vn
}表示历史凝汽器真空度序列数据,用x＝{x1,x2…
xn}表示工况数据，凝汽器真空度预测的任务就是基于前b个历史真空度序列数据v和工况数据x预测当前时刻的真空度。
[0070]
一、数据预处理和训练集生成
[0071]
步骤1，在数据预处理和训练集生成阶段，对收集到的每个时刻的数据进行判断，若该时刻的数据中包含空值或异常值，直接删除；对数据进行归一化处理；对于每个待预测时刻t构造相应的训练样本(v
t-b:t-1
,x
t-a:t
,
t
)，其中v
t
为t时刻的真实真空度，v
t-b:t-1
为历史真空度序列，为历史序列长度，x
t-a:t
为历史工况数据，a为历史工况数据个数。最后将11月份之前的时刻作为训练集，11月份之后的时刻作为测试集。
[0072]
二、特征提取及融合
[0073]
步骤2，在模型的特征提取阶段中，分别使用变分模态分解和transformer编码器提取频域特征和时域特征的步骤如下：
[0074]
(1)对于时刻t，随机初始化第1次迭代中第k个子模态对应的傅里叶变换参数第k个模态中心频率朗格朗日乘子迭代次数n＝1；通过引入二次惩罚因子α和拉格朗日乘子λ(t)，可以将约束性变分问题转化为非约束性变分问题。
[0075]
(2)将n 1赋值给n，利用如下更新公式：
[0076][0077][0078][0079]
得到第n次迭代中第k个子模态对应的傅里叶变换参数第k个模态中心频率以及拉格朗日乘子其中，是子模态集合{uk}傅里叶变换后的结果；{ωk}是中心频率集合；ω是中心频率；k是本征模态函数数量；δ(t)是狄拉克函数；n为迭代次数；
[0080]
(3)判断若成立，则停止循环；否则返回(2)继续迭代循环。
[0081]
其中，∈表示收敛精度；
[0082]
(4)对历史时刻真空度序列数据w
t-b:t-1
使用变分模态分解得到的k个本征模态函数可以构成本征模态函数矩阵u＝[u1,u2,
…
,un]
t
,其中，u1,u2,
…
,un为第n次迭代获得的k个模态对应的傅里叶变换参数通过傅里叶逆变换得到的本征模态函数，表示本征模态函数的维度。将矩阵u通过一维卷积神经网络得到历史真空度序列的频域特征o
t
；
[0083]
(5)对于时刻t的a个历史工况数据x
t-a:t
，首先将基于多头自注意力机制的transformer编码器分为m个头；
[0084]
(6)在每个头中分别使用自注意力计算公式得到x
t-a:t
的预编码向量将中的所有项连接起来得到x
t-a:t
的预编码e
t
，将e
t
与x
t-a:t
求和得到e
t
′
，然后将e
t
′
通过一个前馈神经网络得到e
t
″
，对e
t
′
和e
t
″
求和得到x
t-a:t
的单层编码结果h
t
；
[0085]
(7)对于l层的编码器，将(6)中的单层编码结果作为下一层编码器的输入，执行(6)，即可得到历史工况数据的时域特征编码h
t
。
[0086]
步骤3，在模型的特征融合阶段，利用注意力机制，使用频域信息去引导特征的融合，具体步骤如下：
[0087]
(1)对于t时刻的频域特征o
t
，首先使用线性变换得到1
×
|x|维的向量o
′
t
，其中x∈x
t-a:t
表示任意一个历史数据节点；
[0088]
(2)对于频域特征o
′
t
和时域特征h
t
，随机初始化三个矩阵，随机初始化三个矩阵其中x∈x
t-a:t
表示任意一个历史工况数据节点，表示子空间编码长度；
[0089]
(3)将o
′
t
与wq相乘获得频域引导向量qo，将h
t
分别与wk、wv相乘得到时域键向量kh，时域值向量vh：
[0090]qo
＝o
′
t
·
wq[0091]
kh＝h
t
·
wk[0092]vh
＝h
t
·
wv[0093]
(4)使用频域引导向量qo分别与所有时域键向量点乘，能够计算出每一个历史工况数据的注意力得分s＝{s1,s2,
…
,sa}；
[0094]
(5)对每个得分si∈s进行归一化操作，得到可选地，本实施例中采用如下的归一化操作
[0095][0096]
其中dk为缩放尺度，一般设置为kh的维度。
[0097]
(6)然后将所有的分别与对应的时域值向量相乘并求和，得到频域信息引导的融合特征编码f
t
：
[0098][0099]
三、预测
[0100]
步骤4，对每一时刻t，相应的融合特征编码f
t
通过多层感知机获取其对应时刻的预测真空度输出多层感知机(multi-layer perceptron,mlp)，是深度神经网络(deep neural networks,dnn)的基础算法，其为现有技术，在本技术中不做赘述。
[0101]
基于频域信息引导的凝汽器真空度预测方法流程如下：
[0102]
[0103][0104]
与以上实施例相对应地，本发明实施例还提供了一种基于频域信息引导的凝汽器真空度预测装置，包括数据获取模块和真空度预测模型，其中真空度预测模型包括频域特征获取模块、时域特征获取模块和特征融合模块和多层感知机；
[0105]
所述数据获取模块，用于获取凝汽器历史真空度序列以及各历史真空度对应时刻的历史工况数据；
[0106]
所述频域特征获取模块，用于使用变分模态分解方法和一维卷积网络提取历史真空度序列中的频域特征；
[0107]
所述时域特征获取模块，用于使用transformer编码器提取历史工况数据中的时域特征；
[0108]
所述特征融合模块，用于利用注意力机制融合频域特征和时域特征，通过计算频域特征和时域特征的注意力分数得到基于频域信息引导的融合特征编码；
[0109]
所述多层感知机，用于根据提取到的融合特征编码获取要预测时刻的凝汽器真空度。
[0110]
可选地还包括预处理模块和训练模块；
[0111]
预处理模块，用于对原始的凝汽器历史真空度序列以及各历史真空度对应时刻的历史工况数据进行预处理，所述预处理包括：
[0112]
对每个样本的数据进行判断，若该样本的数据中包含空值或异常值，直接删除；并对保留的数据进行归一化处理。
[0113]
训练模块，用于训练整个真空度预测模型，训练过程包括：
[0114]
获取凝汽器历史真空度序列以及各历史真空度对应时刻的历史工况数据；
[0115]
对获取的历史真空度序列以及历史工况数据进行预处理；
[0116]
对于每个待预测时刻t构造相应的训练样本(v
t-b:t-1
,x
t-a:t
,v
t
)，其中v
t
为t时刻的真实真空度，v
t-b:t-1
为历史真空度序列，x
t-a:t
为历史工况数据，a为历史工况数据长度，b为历史序列长度；v
t
是t时刻的真实凝汽器真空度；
[0117]
使用变分模态分解方法和一维卷积网络提取历史真空度序列中的频域特征，使用transformer编码器提取历史工况数据中的时域特征；
[0118]
利用注意力机制融合频域特征和时域特征，通过计算频域特征和时域特征的注意力分数得到基于频域信息引导的融合特征编码；
[0119]
对于每个时刻t，对于相应的融合特征编码通过多层感知机获取其对应时刻的预测真空度输出；通过梯度下降和反向传播迭代优化参数，使损失最小化，直至收敛或达到最大迭代次数。
[0120]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0121]
本发明使用的基于频域信息引导的凝汽器真空度预测方法，在江苏某发电厂的实测数据上进行训练和测试。采用均方根误差(root mean squared error,rmse)和平均绝对误差(mean absolute error,mae)作为评估指标，指标越低说明效果越好。在实验中本文预测方法的rmse为0.1174，mae为0.0917，优于基线模型中最优的decision tree regression方法的0.7786和0.6081。
[0122]
本发明通过结合变分模态分解和卷积神经网络捕获历史真空度序列数据中隐含的频域特征、通过transformer编码器获取历史工况数据中的时域特征，最后使用注意力机制得到基于频域信息引导的融合特征。与集成学习中的xgboost方法和机器学习中的回归算法相比，具有更高的预测精度。
[0123]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0124]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实
现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0125]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0126]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0127]
以上结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。