[发明专利]一种基于多源时空信息的分布式参数系统状态预测方法

说明书

针对非线性分布式参数系统的过程状态难以预测问题，本发明提出一种新型的多源时空建模方法，以提高实时测量精度。为了解决具有多源时空特征的分布式参数系统的建模问题，构建了一个多源时空网络模型，该模型基于长短记忆（LSTM）网络来提取具有时序特征的过程变量信息，基于卷积长短记忆（ConvLSTM）网络来提取具有时空特征的时空变量信息。综合利用各种过程信息，有利于提高模型的拟合精度，同时也可以提高模型的泛化能力。为了防止在提取复杂时空数据特征时因网络层数增加而导致梯度消失或梯度爆炸，提出了一种基于ConvLSTM的残差网络模型结构，用于训练模型。由于残差网络可以避免模型退化，建立的模型可以充分提取过程的时空特征。

技术领域

本发明涉及一种参数系统状态预测方法，特别涉及一种基于多源时空信息的分布式参数系统状态预测方法。

背景技术

众多的物理和化学工业过程(如热力和对流-扩散-反应过程)是非线性分布参数系统(DPS)，因为它们的输入、输出和状态可以在时间和空间上发生变化。随着工业向智能工业模式的发展，更安全的生产和更少的故障对工业过程特别重要，尤其是对具有时空特性的DPS。为了确保安全的工业生产，必须对过程状态进行准确预测和早期检测。为了进行系统仿真和过程动态预测，通常需要一个合适的系统模型来描述过程。

为了描述DPS，已经进行了大量的研究工作。根据DPS的已知与否，DPS的建模大致可以分为两类，即已知DPS建模和未知DPS建模。

对于已知的DPS，通常使用从第一原理知识中得出的偏微分方程(PDEs)来描述系统模型。物理知识可以利用适当的空间基函数对系统进行严格的描述，而且时间的空间性可以被解耦。系统模型可以通过解决阶常微分方程(ODEs)获得，然而，这些技术需要已知的PDEs，并产生极高阶的ODEs，这在实际生产中很难应用。

对于未知的DPS，可分为两种类型，一种是模型结构已知，参数未知；另一种是模型结构也未知。当模型结构已知时，通常可以采用最小二乘法或其他传统优化算法来估计参数。这实际上转化为一个传统的参数估计问题，当模型结构未知时，需要对模型结构和参数进行估计。在这种情况下没有标准的解决方案。基于Karhunen-Loève(KL)分解的数据驱动建模方法因其简单方便而成为最常用的方法之一。这种方法首先根据实验数据建立有限空间基函数，产生低阶ODE模型；然后实现神经网络的建模。KL方法是一种线性建模方法，忽略了非线性空间动态的影响。因此，KL方法只能用于线性或弱非线性系统的建模，对强非线性的DPS建模效果较差。除了最近开发的KL-模糊法、KL-高斯法、时空最小二乘支持向量机和基于时空的循环神经网络模型，几乎所有数据驱动的建模方法对于复杂非线性的DPS建模都不是非常有效。因此，对于非线性和复杂的DPS，目前还缺乏有效的建模方法。

深度学习方法由于其强大的特征表示能力，在各种数据驱动建模中越来越受到学者的关注，并为复杂非线性DPS建模呈现出巨大的建模潜力。例如，以长短记忆(LSTM)为代表的深度学习方法对时间特征具有良好的特征提取能力，以卷积长短记忆(ConvLSTM)为代表的深度学习方法对空间-时间特征具有良好的特征提取能力。对于DPS，尤其是大型工业过程，为了监测整个系统，不仅需要在大型装置上安装大量具有时空特征的传感器，还需要大量的传感器来监测过程中的各种运行变量，这就造成了DPS具有多源时空特征。然而，现有的方法往往忽略了过程数据的多源特性，这无形中阻碍了模型精度的提高。

发明内容

为了解决上述问题，本发明提供了一种基于多源时空信息的分布式参数系统状态预测方法。包括以下步骤：

(1)数据转换