基于長短時記憶模型網絡的水處理系統參數預測與評價

王競一，曹 歡，劉曉冬，楊文廣，張 明

（1.河北涿州京源熱電有限責任公司，河北 保定 072750；2.南京天洑軟件有限公司，江蘇 南京 211106）

1 引言

隨著火電廠運行管理模式的精細化，特別是隨著智能化技術在火電廠中的應用，優化火電廠整個系統中關鍵環節的運行方式、降低輔機等設備的異常停機、提高設備運行經濟性和可靠性，成為火電廠提質增效的重要手段。火電廠化學水處理系統是火電廠的重要輔助系統。火電廠化學水處理系統通常包括鍋爐補給水、凝結處理、廢水處理三個部分，是整個電力生產系統中的重要組成部分。由于火電廠不同環節對水質的高要求，化學水處理系統通常較為復雜，且運行過程對異常和故障的容忍度低。為保持化學水處理系統運行在較優狀態，需定期對化學水處理系統進行清洗，清洗周期的優化對于水質的保持和運行的經濟性都具有十分重要的影響。通過關鍵參數趨勢預測，可以對設備的性能狀態退化進行趨勢預測，可以輔助運行人員發現參數異常以及合理安排清洗計劃。

本文以化學水處理系統關鍵設備的運行參數預測為目標，提出了一種基于mRMR和LSTM的時間序列預測方法，可以針對運行數據中影響水處理系統性能的關鍵參數，建立高準確度的水處理系統參數預測與評價方法，通過與隨機森林數等多種算法進行對比，證明了方法的有效性，為短期趨勢預測和清洗周期預測提供方法支撐。

2 基于mRMR和LSTM的時間序列預測方法

典型的時間序列預測訓練的過程包括輸入參數的選擇、時間序列的數據步長和窗口的選擇、訓練算法的選擇以及超參的選擇。在建立預測模型的過程中，需要根據選擇的時間長度進行時間序列的預處理，由于實際系統的采樣率較高，每秒1次數據采集，在預測較長時間的參數狀態值時，需考慮中長期的歷史趨勢，存在了時間序列長度難以被長短時記憶模型有效捕獲的困難，即數據數據的時間間隔和窗口大小將對結果具有顯著影響。

對此，本文提供了一種分層的超參優化選擇思路，即首先使用mRMR來進行特征參數的選擇，然后通過對比訓練進行時間序列的數據步長和窗口的選擇，最后進行LSTM網絡層數和神經元個數的超參選擇，最終完成模型的訓練。對于本方法中的關鍵組成部分的原理描述如下。

2.1 數據預處理

進行特征參數選擇之前，首先要根據測量數據進行數據的預處理，入口流量的分布規律如圖1所示。

圖1 入口流量分布規律

由圖1可知，入口流量為0的時間占據了相當的比例，這表明，在數據預處理中，需要對數據進行篩選，去掉停機時間的數據，同時利用清洗時間將數據進行分割，以正確捕獲數據規律，為預測模型的建立提供良好的數據基礎。

2.2 特征參數選擇

在原始測量參數中，存在較多的變量，為分析變量直接的相關性，特別是對預測性能的相關性，本文采用最小冗余最大相關性的特征參數選擇方法。

最小冗余最大相關性（mRMR）是一種濾波式的特征選擇方法，一種常用的特征選擇方法是最大化特征與分類變量之間的相關度，就是選擇與分類變量擁有最高相關度的前k個變量。但是，在特征選擇中，單個好的特征的組合并不能增加分類器的性能，因為有可能特征之間是高度相關的，這就導致特征變量的冗余。因此最終有了mRMR，即最大化特征與分類變量之間的相關性，而最小化特征與特征之間的相關性。這就是mRMR的核心思想。它不僅考慮到了特征和label之間的相關性，還考慮到了特征和特征之間的相關性。度量標準使用的是互信息（Mutual Information，MI）。對于mRMR方法，特征子集與類別的相關性通過各個特征與類別的信息增益的均值來計算，而特征與特征的冗余使用的是特征和特征之間的互信息加和再除以子集中特征個數的平方。

（1）互信息

定義：給定兩個隨機變量x和y，他們的概率密度函數（對應于連續變量）為p(x)，p(y)，p(x，y)，則互信 息為

互信息是信息論里一種有用的信息度量，它可以看成是一個隨機變量中包含的關于另一個隨機變量的信息量，或者說是一個隨機變量由于已知另一個隨機變量而減少的不確定性。

（2）mRMR目標

mRMR的目標就是找出含有m個特征的特征子集S，這m個特征需滿足以下兩點條件：

1）保證特征和類別的相關性最大；

2）確保特征之間的冗余性最小。

2.3 長短時記憶神經網絡模型

由于RNN存在梯度消失的問題，學者提出了長短時記憶神經網絡模型（Long Short-Term Memory，LSTM）來解決這個問題。除了隱狀態向量外，LSTM還維護一個能夠對截止時間步所觀測到的信息進行編碼的記憶單元。記憶單元由三個門結構控制：輸入門、輸出門和遺忘門。

LSTM單元的具體結構如圖2所示。在每一個時間步t，首先，遺忘門的向量f通過一個關于當前時刻輸入x和上一個時刻的隱狀態f的函數得到。當遺忘門的值接近1時，來自上一個記憶單元c的信息將會被保留，當遺忘門的值接近0時，來自上一個記憶單元的信息將會被遺忘。之后，另一個關于當前時刻輸入x和上一個時刻的隱狀態h的函數將會導出輸入門向量i。該輸入門向量將會被加到記憶單元中形成c。最后，輸出門將會決定哪些來自記憶單元的信息被用來形成新的新狀態h。

圖2 LSTM單元結構圖

3 應用案例

為驗證本文所提出的方法，針對化學水處理的反滲透設備的一段壓差，基于本文提出的方法，進行了4h和12h提前預測，為狀態的識別和預警提供方法和模型基礎。原始數據集的采樣間隔為10s，長度為1年。采用前文中的方法，剔除停機時間的數據，得到有效數據共計142萬組，其中訓練數據占比70%，測試數據占比30%。

3.1 特征參數的選擇

利用mRMR方法，針對反滲透設備進行了特征參數選擇，選擇結果見表1。

表1 特征參數選擇結果

3.2 模型建立和訓練

利用特征參數選擇得到的參數，以及優化選擇的時間窗口參數，構建了多個LSTM訓練模型，自動篩選模型超參數，按訓練結果從中選取合適的組合。

4h預測的LSTM模型最優的層數為2層，神經元的個數為10個。建立的短時記憶模型網絡結構如圖3所示。

圖3 長短時記憶模型網絡結構

通過訓練得到的預測結果如圖4所示。

圖4 差壓4h預測

對于12h預測模型，選擇網絡層數為2，通過訓練，得到的預測結果如圖5所示。利用特征參數選擇得到的參數，構建了訓練模型，自動篩選模型超參數，按訓練結果從中選取合適的組合。

圖5 差壓12h預測

3.3 時間窗口參數優化選擇

從機理的角度看，對于不同的目標預測時長，最優的輸入參數的時間間隔和窗口大小是不同的。對于4h和12h的壓差預測，本文分別計算了時間間隔為2 min和10 min， 窗口大小為2 h、3 h和4 h，對于預測準確度的影響，最終得到的結果見表2和表3。

表2 4 h提前預測效果

表3 12 h提前預測結果

可以看到，當預測時長為4 h時，數據間隔取10 min，數據窗口為3 h是預測效果最好。當預測時長為12 h時，數據間隔為10 min，數據窗口為4 h，預測效果更好。

3.4 不同預測方法對比

作為對比，本文在相同輸入樣本之下，同時使用支持向量機SVR、隨機森林RF和集成學習梯度提升決策樹GBDT，SVR使用RBF核函數，隨機森林中數目的個數為100，GBDT中弱學習器的個數為100。

根據最終訓練的結果（表4）可以得出。不論對于4h預測還是12 h預測，使用LSTM的精度要好于另外三種算法，進一步證明了本文提出的組合算法的有效性。

表4 不同預測方法對比表

4 結束語

本文以火電廠化學水處理系統為對象，提出了一種基于mRMR和LSTM的時間序列預測方法，提供分層的超參優化選擇思路，即首先使用mRMR來進行特征參數的選擇，然后使用通過對比訓練進行時間序列的數據步長和窗口的選擇，最后進行LSTM網絡層數和神經元個數的超參選擇，最終完成模型的訓練。

將該方法應用在反滲透設備一段壓差的預測之中，分析了運行數據中影響該參數的關鍵參數，針對4h和12h的差壓參數預測優化選擇了時間步長和窗口大小的，最后建立基于長短時記憶模型網絡的參數預測模型，并通過與其他算法進行對比，取得了較好的預測效果。本文所建立的方法可以為化學水處理系統短期趨勢預測和清洗周期預測提供方法支撐。同時也可以為相似設備的趨勢預測和清洗周期預測提供方法 支持。