數(shù)據(jù)驅(qū)動下火電機組時延鑒別及主汽溫度預測

桂 寧，華菁云

（1.中南大學計算機學院，長沙 410083；2.浙江理工大學信息學院，杭州 310038）

（?通信作者電子郵箱huajingyun@hotmail.com）

0 引言

火電機組系統(tǒng)相關(guān)的預測和控制已經(jīng)成為一個值得重視的研究領域，火電機組系統(tǒng)是典型的非線性、大滯后、高耦合和復雜的熱系統(tǒng)［1］。關(guān)鍵的生產(chǎn)過程指標受到許多因素的影響，往往與其他過程變量之間存在著復雜的非線性關(guān)系，其中主汽溫度是火電機組最重要的參數(shù)之一［2］。主汽溫度過高會造成管道和高壓缸變形；而溫度過低會將水蒸氣帶入汽輪機，打斷和腐蝕低壓缸末級的葉片，從而降低機組的效率。因此，準確預測主汽溫度對于提高火電機組的運行效率、保證機組的安全運行至關(guān)重要［3］。由于火電機組是將燃料的化學能、蒸汽的熱勢能、機械能分步驟最終轉(zhuǎn)化為電能的復雜過程，各參數(shù)之間的關(guān)系以及時延現(xiàn)象非常復雜；同時，由于各機組的特性有著較為明顯的區(qū)別，機組容量越大，時延現(xiàn)象就越嚴重［4］，很難得到預測對象與各參數(shù)之間準確的機理模型的數(shù)學表達式［5］。即使通過現(xiàn)場實驗的方法得到當時的數(shù)學模型，其也會隨時間的推移和機組工況的變化發(fā)生越來越大的偏差。因此，對于這種復雜系統(tǒng)，必須提供系統(tǒng)性的特征及其時延特性的鑒別方法。此外，特征和時延的判定對于模型的機理分析、模型可解釋性均有著重要的意義。

傳統(tǒng)的特征選擇通常是在質(zhì)量平衡、能量平衡和動態(tài)原理的基礎上發(fā)展的，這些都高度依賴于專家知識，導致需要較長的建模周期［6-7］。近年來，數(shù)據(jù)驅(qū)動的方法被越來越多的采用，直接分析機組積累的大量歷史數(shù)據(jù)即可提取特征［8］。Buczyński 等［9］通過敏感性分析判斷篩選出對CFD（Computational Fluid Dynamics）模型產(chǎn)生實質(zhì)性影響的特征，用于預測使用固定燃料燃燒的家用中央供暖鍋爐的性能；Pisica等［10］選擇互信息來評估特征子集相關(guān)性，以確定電力系統(tǒng)的運行狀態(tài)；Wang等［11］利用改進的隨機森林的輸出作為反向傳播神經(jīng)網(wǎng)絡的輸入來加權(quán)特征的重要性，并提高NOx的預測精度。

上述的工作主要集中在尋找與建模目標參數(shù)相關(guān)的特征，并未涉及其時延的影響。目前對于特征的時延計算問題較少，Lv 等［12］使用粒子群優(yōu)化來確定時延，并使用最小二乘支持向量機來預測循環(huán)流化床鍋爐的床溫，然而這種方法在大規(guī)模數(shù)據(jù)集建模時會存在計算復雜性的問題；Shakil 等［13］應用動態(tài)神經(jīng)網(wǎng)絡對NOx和O2進行軟測量；Xiong等［14］構(gòu)建了基于局部時延重構(gòu)的移動窗口時差高斯過程回歸方法來動態(tài)的計算化學工程中的反應時延的問題，該方法主要通過動態(tài)的進行窗口狀態(tài)匹配的方法來計算時延，特別是動態(tài)變化的時延。這些研究主要是通過建模誤差反饋的方式對時延進行計算，存在計算量較大的問題。

本文提出利用火電機組DCS（Distributed Control System）中的歷史運行數(shù)據(jù)，根據(jù)機組各特征和預測目標的時間和空間維度上的關(guān)系進行特征選擇和TD-CORT（Temporal Correlation Coefficient-based Time Delay）時延計算。本文算法根據(jù)各參數(shù)與預測目標主汽溫度之間的時延計算結(jié)果，重新匹配滑動窗口以重構(gòu)準確考慮時延特性的建模數(shù)據(jù)集，然后采用深度神經(jīng)網(wǎng)絡（Deep Neural Network，DNN）與長短期記憶（Long Short-Term Memory，LSTM）模型相結(jié)合的融合模型對火電機組30 s 后的主汽溫度進行精確建模，實現(xiàn)了從機組的運行參數(shù)的變化到機組的物理模型的變化的辨識。該工作已部署應用于國內(nèi)某1 000 MW 超超臨界火電機組，本模型已在前期構(gòu)建的基于容器的火電機組的邊緣計算網(wǎng)關(guān)［15］上部署，準確運行了10 個月，為機組的效率提高與安全運行提供了有效的指導。結(jié)果表明，該預測系統(tǒng)具有較高的精度，平均絕對誤差（Mean Absolute Error，MAE）值達到0.101 6，相較于傳統(tǒng)的未考慮時延的深度神經(jīng)網(wǎng)絡的預測MAE值0.238 6，準確度提升了57.42%。

1 特征選擇

1.1 火電機組特征的基本說明

常見的火電機組結(jié)構(gòu)如圖1 所示，其由多個子系統(tǒng)構(gòu)成：磨煤機、排粉風機、送風機、空氣預熱器、鍋爐、引風機、除塵器等。在燃料的化學能最終轉(zhuǎn)化為電能的過程中，火電機組部分參數(shù)對建模目標有著不同程度和不同時延的影響，影響的差異通常是由各機組的物理模型決定的。

在本文研究的某1 000 MW 超超臨界火電機組中，直接傳感器的數(shù)量高達15 824 個，其采樣頻率為3 s?；痣姍C組中的檢測設備眾多且機組產(chǎn)線多，傳感器分布非常廣，分為總線儀表、功能塊、系統(tǒng)點、中間變量以及IO 點特征。根據(jù)本文的建模任務，排除總線儀表、功能塊、系統(tǒng)點3 個部分的特征，選擇更有實際建模價值的中間變量和IO 點部分的特征，其中，中間變量包括DS、AS、DMI、AMI 中的傳感器特征，IO 點部分包括DVI、DVO、AVI、AVO、PUI、SOE_DH、REALOUT、REALIN、BITOUT、BITIN 中的傳感器特征。在這些特征中，一部分是“COUNTER 計數(shù)器”特征，共計588 個，這些特征對預測重要參數(shù)是沒有實際價值的，因此直接過濾這部分特征。

圖1 火電機組結(jié)構(gòu)示意圖Fig.1 Schematic diagram of thermal power unit structure

另外，通過統(tǒng)計發(fā)現(xiàn)，其中存在一部分特征為恒定值，這部分特征也被認為是對預測重要參數(shù)是沒有價值的，共計9 711個，過濾后剩余保留的特征量為5 525個。

1.2 數(shù)據(jù)預處理

1.2.1 缺失值處理

由于火電機組工業(yè)生產(chǎn)過程中數(shù)據(jù)為時間序列連續(xù)性數(shù)據(jù)，正常合理的樣本數(shù)據(jù)被認為應當具有連續(xù)性且不會發(fā)生突變。因此，對于缺失值，采用前值填充的方式進行數(shù)據(jù)處理。

1.2.2 異常值處理

在數(shù)據(jù)采集的過程中，因外界環(huán)境變化等非正常生產(chǎn)的影響，采樣數(shù)據(jù)存在異常值。采用3σ準則對異常值進行相關(guān)處理。計算σ值：

其中xi為x 特征在i 時刻的數(shù)值大小。若殘差3σ，則xi為異常點，考慮到火電機組流程工業(yè)大數(shù)據(jù)的時序連續(xù)性，采用前值對異常值進行替換。

1.2.3 歸一化

在本文火電機組建模場景中，采樣數(shù)據(jù)可能會受到離群點的干擾，本文所有特征數(shù)據(jù)進行零均值規(guī)范化（Z-Score Normalization），公式如下：

特征A 的值基于A 的平均值和標準差進行規(guī)范化。A 的值vi被規(guī)范化為，其中，是特征A的均值，σA是特征A的標準差。這種規(guī)范化方式會將原始數(shù)據(jù)映射到均值為0、標準差為1的分布上。

1.3 結(jié)合相關(guān)性系數(shù)和梯度提升機的特征選擇

火電機組數(shù)據(jù)主要具有三種特性：非線性、高耦合性以及高維性。各傳感器數(shù)據(jù)并非都與建模目標相關(guān)，因而必須進行有效的篩選，即特征選擇。一般來說，相關(guān)性系數(shù)是特征選擇的主要方法，但是這種特征選擇方法一般面臨在特征較多的時候性能下降的問題。本文提出通過相關(guān)性系數(shù)進行粗篩并結(jié)合梯度提升機的特征選擇方法進行細篩，最終篩選出與建模目標高相關(guān)的特征用于后期建模。

1.3.1 基于Spearman的相關(guān)度分析

相比于Pearson 相關(guān)系數(shù)，Spearman 秩相關(guān)系數(shù)并不依賴數(shù)據(jù)必須服從正態(tài)分布這一假設。因此，對于火電機組實際運行數(shù)據(jù)而言，Spearman 秩相關(guān)系數(shù)是一種用來表征特征之間相關(guān)性的非常合適的系數(shù)。其計算公式如下：

首先，計算各特征兩兩之間的相關(guān)性系數(shù)，對冗余特征進行篩除；然后，計算各特征變量與預測目標之間的相關(guān)性系數(shù)以篩選出高Spearman 秩相關(guān)系數(shù)的特征，也就是與預測目標相關(guān)性較強的特征。

冗余特征篩除 冗余特征是指相互高度相關(guān)的特征。在機器學習中，高方差的共線性特征及低可解釋性的模型，會嚴重導致預測模型泛化性差，通過計算兩兩特征之間的Spearman秩相關(guān)系數(shù)可對特征進行篩選。本文中將判定為冗余特征的相關(guān)性系數(shù)閾值設置為0.98，高于此閾值則該組特征被認為互為冗余，只保留其一。篩選掉高于0.98 的高共線性特征后，刪除了55.0%的特征，剩余特征數(shù)量為2 484。

高相關(guān)性的特征選擇 在實際建模場景中，通過Spearman 秩相關(guān)性系數(shù)的特征選擇方法，選取與建模目標相關(guān)性系數(shù)高于相關(guān)性系數(shù)的較大四等分點的特征作為保留特征。通過該方法，在火電機組的傳感器特征中，保留下了585個特征。

1.3.2 基于梯度提升機的特征選擇

更精確的特征選擇采用梯度提升機（Gradient Boosting Machine，GBM）來進行。使用篩選出的特征組成數(shù)據(jù)集構(gòu)造決策樹，不出現(xiàn)在樹中的特征在此被認為是無關(guān)特征，出現(xiàn)在決策樹中的特征會有一個相應的重要性指標。重要性指標的絕對值并不那么重要，但其相對值可用于確定與預測目標最相關(guān)的特征。借助主成分分析（Principal Component Analysis，PCA）的思路，特征選擇最終只保留累計達到某百分比的總重要性的那部分特征，并將其他低重要性特征直接刪除。

在保留的585 個特征中，通過基于梯度提升機的特征選擇方法，在該特征子集中再次進行篩選，保留特征的累積貢獻度閾值選取為99%。為減小每次樹模型結(jié)果差異的影響，重要性指標取三次梯度提升機訓練結(jié)果的均值。對應累計貢獻度0.99的特征數(shù)量為161，因此，最終保留按照特征重要性降序排列的前161個特征作為對預測目標建模的重要特征。

2 基于TD-CORT的時延計算

上述的特征選擇本質(zhì)上是空間維度的建模特征選擇，事實上，時間維度的特征選擇同樣重要。在火電機組中，不同特征對于預測目標還存在著不同的時延特性?；痣姍C組DCS系統(tǒng)采集的傳感器數(shù)值來自分布全機組不同位置的各個傳感器，這些傳感器記錄下的特征其中一部分的變化可能會在一定時間延遲后反映到預測目標上，而另一部分可能會落后于預測目標變化。為進行空間維度的特征選擇（即保留先于預測目標變化的特征而刪除落后于預測目標的特征）和重構(gòu)考慮時延特性的建模數(shù)據(jù)集，提出了TD-CORT 時延計算算法，對時延進行精確的判斷和分析以獲得更精準的建模效果。

考慮到各特征和預測目標的時序序列存在趨勢性，本文提出了基于一階時序相關(guān)性系數(shù)的TD-CORT 算法來量化時序序列之間的相似度以計算傳感器特征之間的時滯時間。一階時序相關(guān)性系數(shù)的計算公式如下：

其中：XT、YT分別為兩段T 長度的時序序列；xt、xt+1分別為XT序列在t、t+1 時刻的數(shù)值；yt、yt+1分別為YT序列在t，t+1 時刻的數(shù)值。

計算兩個時序序列XT、YT之間的CORT(XT，YT)相關(guān)性的數(shù)值，便可以合理地量化兩時序序列之間的相似度。兩個時間序列的一階時序相關(guān)性系數(shù)CORT(XT，YT)的大小在［-1，1］。當CORT(XT，YT)=1時表示兩時序序列之間有類似的趨勢，它們會同時上升或下降，并且漲幅和跌幅相同；CORT(XT，YT)數(shù)值越接近1，表示兩時序序列之間的上升或下降趨勢越類似；CORT(XT，YT)=-1 表示兩時間序列之間上升或下降的趨勢恰好相反；CORT(XT，YT)=0 表示兩時間序列之間在單調(diào)性方面不存在相關(guān)性。

假設在前后K 個數(shù)據(jù)點范圍內(nèi)計算時延的大小。TDCORT 算法計算特征X 與預測目標Y 之間時延大小的具體步驟如下：

步驟1 取預測目標Y的任意H長度的連續(xù)時序序列：

步驟2 取特征X的(2K+1)個H長度的連續(xù)時序序列：

步 驟3 將這(2K+1)個序列fX1，H，fX2，H+1，fX3，H+2，…，fX2K+1，H+2K分別與YK，H+K-1計算(2K+1)次CORT 一階時序相關(guān)性系數(shù)，得到一個長度為(2K+1)的特征X 與預測目標Y的CORTX，Y序列：

步驟4 將這個長度為(2K+1)的CORTX，Y序列進行五點平滑（構(gòu)建數(shù)據(jù)集時滑窗大小也設置為五個點），平滑后的CORTX，Y序列的最大值點對應特征X 與預測目標Y 之間的時延差，即為特征X與預測目標Y之間的時延大小。

構(gòu)建建模數(shù)據(jù)集時，使用N 個特征對預測目標（target）進行建模，通過本文提出的TD-CORT 算法獲得的N 個特征對于預測目標的時延大?。ㄈ〗^對值，皆為非負數(shù)）分別為d1，d2，…，dN，那么在構(gòu)建預測模型的輸入時，分別以時延dx(x=1，2，…，N)為中心，取滑窗大小為5 個時間點，覆蓋盡可能涵蓋30 s后預測目標的信息。如當預測t -1時刻后30 s的target時，構(gòu)建的輸入數(shù)據(jù)即為：

當預測t時刻后30 s的target時，構(gòu)建的輸入的數(shù)據(jù)即為：

以此類推，這種考慮時延的重構(gòu)數(shù)據(jù)集的方法在圖2 中詳細可視化展示。

3 基于模型融合的建模方法

長短期記憶（LSTM）模型和深度神經(jīng)網(wǎng)絡（DNN）都是目前主流的深度學習模型：LSTM 模型是一種時間遞歸神經(jīng)網(wǎng)絡，適合進行時間擴展，具有長期記憶功能，適合處理時間序列預測問題，這種預測模型能夠具有時間維度的特征表達能力；DNN 模型是具有很多隱藏層的神經(jīng)網(wǎng)絡，是由大量處理單元互聯(lián)組成的非線性、自適應信息處理系統(tǒng)。相比淺層神經(jīng)網(wǎng)絡，深度神經(jīng)網(wǎng)絡提供了更高的抽象層次，因而能夠提高模型的預測能力。

在火電機組的實際建模場景中，不僅需要考慮各傳感器參數(shù)間空間維度上的關(guān)系，還需要考慮各傳感器在時間維度上的關(guān)系。綜合考慮，本文采用LSTM 與DNN 相結(jié)合的ensemble 融合模型，抽象出工業(yè)大數(shù)據(jù)在時間維度與空間維度兩個維度的特征，從而更好地對目標特征進行建模。融合模型結(jié)構(gòu)示意圖如圖3 所示，ensemble 模型融合的基本思路是通過對多個單模型融合以提升整體性能。

圖3 融合模型結(jié)構(gòu)示意圖Fig.3 Schematic diagram of fusion model structure

采用加權(quán)模型融合方法，即分別取DNN 與LSTM 預測結(jié)果的加權(quán)平均進行模型融合，公式如下：其中：n表示單模型的個數(shù)，Wi表示第i個單模型權(quán)重，predictt表示對應單模型的預測值。本文實驗部分具體的融合模型選取LSTM 的模型權(quán)重為0.6，DNN 模型的權(quán)重為0.4，即n為2，W1為0.6，W2選取0.4。

4 實驗與分析

為驗證所提出的時延計算方法與融合模型的有效性，在TensorFlow 機器學習平臺上進行實驗。通過火電機組DCS 系統(tǒng)采集的數(shù)據(jù)對30 s后的主汽溫度進行建模預測。本文的數(shù)據(jù)來源于某1 000 MW 超超臨界發(fā)電機組，選取從2018年5月1 日到2018 年7 月31 日三個月的數(shù)據(jù)作為訓練數(shù)據(jù)，將2018年8月1日至31日一個月的數(shù)據(jù)作為測試數(shù)據(jù)。

4.1 時延計算及數(shù)據(jù)集重構(gòu)

根據(jù)本文提出的TD-CORT 算法，計算各特征對應主汽溫度的時延大小。在本文的火電機組工業(yè)生產(chǎn)過程中，兩個特征之間合理的時延應落在前后3 min 范圍內(nèi)。由于本文數(shù)據(jù)的采樣時間間隔為3 s，前后3 min 范圍即前后60 個數(shù)據(jù)點范圍。采用TD-CORT 算法計算時延時，K、L 數(shù)值分別設為60、10 000。

圖4 展示了主汽溫度重要性較高的6 個參數(shù)的時延曲線圖。圖中橫軸為時延的大小，從-60到60，虛線為對應時延下該特征的序列與具有30 s時間差的主汽溫度序列的一階時序相關(guān)性系數(shù)的大小，實線為一階時序相關(guān)性系數(shù)的大小的五點平滑后的結(jié)果。在每一個曲線圖中，五點平滑后的一階時序相關(guān)性都存在一個最大值點，該最大值點對應的時延大小即作為該特征與主汽溫度的時延大小。

從圖4 可以看出，AM24SIG0304 特征的CORT 最大值為0.682 8，該特征與主汽溫度的時延為領先3 個時間點；AM24SIG0601 特征的CORT 最大值為0.393 0，該特征與主汽溫度的時延為領先8 個時間點；AM24SIG0307 特征的CORT最大值為0.369 5，該特征與主汽溫度的時延為領先33個時間點；HAH51CT255 特征的CORT 最大值為0.315 0，該特征與主汽溫度的時延為落后15個時間點；T1AMICVMTMPIN 特征的CORT 最大值為0.196 9，該特征與主汽溫度的時延為落后32個時間點；T1AIMSVMTMP 特征的CORT最大值為0.113 0，該特征與主汽溫度的時延為落后47個時間點。

圖4 主汽溫度權(quán)重較高的6個參數(shù)時延曲線展示Fig.4 Six parameter delay curves with higher main steam temperature weight

表1 記錄了與主汽溫度高相關(guān)的前6 個特征的時延大小和該時延下對應的CORT 值，其中每個時延時間點為3 s。時延為負數(shù)，則說明該特征領先于預測特征變化；時延為正，則說明該特征落后于預測特征變化。落后于預測目標變化的特征，并未對預測目標產(chǎn)生影響，因此直接刪除。最終保留所有時延為負的特征，共計57個。

由于在實際問題中，時滯不可能是一個確切的數(shù)值，事實上，時延大小會受很多因素影響在一定區(qū)間內(nèi)波動，因此得到的時延大小應該為一個時間窗口，會覆蓋在一定波動區(qū)間的一個時延范圍，因此，在重構(gòu)考慮時延的數(shù)據(jù)集時，本文時間窗口取為5個時間點。

表1 與主汽溫度高相關(guān)的前6個特征的時延大小和該時延下對應的CORT值Tab.1 Time delays of the first six features highly associated with main steam temperature and the corresponding CORT values

4.2 預測建模

LSTM 模型采用節(jié)點數(shù)為72 的LSTM 單元，再接一個128節(jié)點的全連接層，激活函數(shù)為ReLU（Rectified Linear Unit），輸出層的輸出為1維。訓練時，batch_size 為10 000，優(yōu)化器選取Adam，學習率為4E-4。DNN 模型采用7 層全連接網(wǎng)絡模型，其中輸入層的維度為預測目標對應的特征個數(shù)的5 倍（時間滑窗大小設為5）。隱藏層設置為7層，每層神經(jīng)元個數(shù)為64，隱藏層激活函數(shù)設置為Sigmoid，輸出層的輸出為1 維。訓練時，層間的dropout 參數(shù)設置為0.2，batch_size 大小設置為10 000，優(yōu)化器選取Adam，學習率設置為2E-3。

融合模型選取LSTM 的模型權(quán)重為0.6，DNN 模型的權(quán)重為0.4，窗口大小統(tǒng)一設置為5。分別對考慮時延重構(gòu)后的數(shù)據(jù)集和未考慮時延重構(gòu)的數(shù)據(jù)集進行融合模型建模，并與單一的DNN和LSTM模型在數(shù)據(jù)集上分別進行對比實驗。

傳統(tǒng)的主汽溫度建模，通過專家知識對機組進行機理分析得出主汽溫度容易受到的影響因素。例如，煙氣溫度的變化、煙氣壓力的波動、機組負荷的變化、主汽壓力的變化、燃料量的變化、給水溫度和給水流量的波動、煤水比的變化等都會引起主汽溫度的變化［2］。

機組對于火電機組主汽溫度一般采用二級減溫水結(jié)構(gòu)對末級過熱器出口溫度進行控制，其中，一級減溫水起到粗調(diào)作用，二級減溫水起到細調(diào)作用。因此，本文將一級減溫水流量、二級減溫水流量的變化也作為影響主汽溫度的特征。

傳統(tǒng)的建模方式采用以上機理分析得到的相關(guān)特征，通過傳統(tǒng)線性回歸模型對主汽溫度進行建模。

為衡量模型性能，本文采用平均絕對誤差（MAE）、均方根誤差（Root Mean Square Error，RMSE）、平均反切絕對百分比誤差（Mean Arctangent Absolute Percentage Error，MAAPE）［16］作為評價指標，計算公式分別如式（6）～（8）所示：

其中：y(t)為真實值，yd(t)為預測值。以上三個指標IMAE、IRMSE、IMAAPE數(shù)值越小表明預測值越接近真實值，即模型性能越好。

五種模型在測試集上的預測結(jié)果如圖5 所示，誤差指標的數(shù)值結(jié)果記錄于表2中。

表2 不同模型預測30 s后主汽溫度的評價指標值Tab.2 Evaluation index values of main steam temperature after 30 s predicted by different models

觀察圖5中的預測效果及表2所示的各項模型評價指標，通過比較可以看出本文提出的基于LSTM 和DNN 的融合模型的建模效果都明顯優(yōu)于單一DNN 模型的效果。這組對比，體現(xiàn)了本文提出的LSTM 與DNN 相結(jié)合的融合模型的建模有效性。

圖5 不同模型預測30 s后主汽溫度效果對比Fig.5 Effect comparison of different models on the prediction of main steam temperature after 30 s

觀察圖5 中的預測效果及表2 中對應的各項模型評價指標，通過比較可以看出根據(jù)本文提出的基于TD-CORT 計算的特征與預測目標之間的時延構(gòu)建的模型能夠更好地覆蓋表征了30 s 后主汽溫度變化的信息?？紤]特征時延大小，并基于以這個時延大小為中心構(gòu)建五時間點滑窗的這種構(gòu)建輸入量的方法，建立了更精準的模型輸入特征數(shù)據(jù)集。不論是對于單一DNN 模型而言，還是對于DNN 與LSTM 的融合模型而言，考慮TD-CORT 時延時的建模效果都明顯優(yōu)于未考慮時延時的建模效果。實驗充分體現(xiàn)了本文提出的TD-CORT 時延計算方法的有效性，相對于傳統(tǒng)的未考慮時延的深度神經(jīng)網(wǎng)絡預測MAE 值為0.238 6，本文的預測結(jié)果MAE 值為0.101 6，相較于傳統(tǒng)機理分析的線性模型的建模準確度提升了64.66%，相較于未考慮時延的神經(jīng)網(wǎng)絡的模型的預測準確度提升了57.42%。

5 結(jié)語

針對數(shù)據(jù)驅(qū)動的工業(yè)系統(tǒng)建模面臨的特征種類繁多、特征的時延關(guān)系復雜帶來的建模特征構(gòu)建復雜、計算量大的問題，提出了一種基于特征關(guān)系的時延計算方法，根據(jù)數(shù)據(jù)間關(guān)聯(lián)自動計算特征的時延特性。準確的時延特性構(gòu)建可以在有限的建模復雜度的情況下，實現(xiàn)模型高精度的預測。在DNN和LSTM 的融合模型上進行了測試，實驗結(jié)果證明，準確的特征時延鑒別可以最多達到57.42%的精度提升。本方法也可以用在其他模型的建模之上，為其提供延遲窗口自動化鑒別。系統(tǒng)已經(jīng)在某1 000 MW 機組上實現(xiàn)了部署，在長達10 個月的持續(xù)化服務中，對多個運行參數(shù)的預測一直保持較高的預測精度，為電廠的實際操作調(diào)度提供了有效的指導。