李 萌，宗學(xué)軍，連 蓮，何 戡，楊忠君

（沈陽化工大學(xué)信息工程學(xué)院，遼寧沈陽 110142）

在當今大數(shù)據(jù)時代的產(chǎn)業(yè)界，深度學(xué)習(xí)在大數(shù)據(jù)場景下更能揭示數(shù)據(jù)內(nèi)部邏輯關(guān)系，進而指導(dǎo)企業(yè)決策[1-2]。目前已有學(xué)者在電力領(lǐng)域廣泛使用深度學(xué)習(xí)技術(shù)，文獻[3]建立了基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）-門控循環(huán)網(wǎng)絡(luò)（Gate Recurrent Unit,GRU）的負荷預(yù)測模型；文獻[4]基于CNN 對電廠熱能循環(huán)進行了預(yù)測控制。但深度網(wǎng)絡(luò)耗時較長才可達到預(yù)期性能。另有部分學(xué)者將并行計算技術(shù)用于算法優(yōu)化[5]，文獻[6]提出了并行化深度卷積神經(jīng)網(wǎng)絡(luò)，提高收斂速度和并行效率。文獻[7]提出了一種基于Spark 平臺的并行決策樹算法，保持分類精度的同時提高大規(guī)模數(shù)據(jù)的訓(xùn)練效率。然而電廠運行狀態(tài)的并行預(yù)測模型仍有深入研究空間。文中在火電廠工業(yè)環(huán)境下將深度學(xué)習(xí)引入Hadoop 框架，實現(xiàn)設(shè)備健康狀態(tài)精準高效預(yù)測，與以往數(shù)據(jù)分析平臺相比，經(jīng)Hadoop 框架優(yōu)化的算法處理數(shù)據(jù)效率和模型的準確度有所提高。

1 火電廠環(huán)境的分布式框架

Hadoop 分布式框架主要解決大數(shù)據(jù)的存儲和挖掘分析問題[8]。分布式文件管理系統(tǒng)（Hadoop Distributed File System，HDFS）將現(xiàn)場工業(yè)設(shè)備傳感器采集的數(shù)據(jù)拆分多個數(shù)據(jù)塊，其中時間序列數(shù)據(jù)由Spark 引擎調(diào)用，采用內(nèi)存計算的方式實現(xiàn)鍋爐主蒸汽流量的實時預(yù)測。

2 CNN-ABC-BiGRU模型

2.1 理論基礎(chǔ)

CNN 主要包括卷積和池化兩個組件，它們通常交替出現(xiàn)在CNN的結(jié)構(gòu)中，以實現(xiàn)特征提取[9]。LSTM是循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）的改進，以緩解RNN 在訓(xùn)練時出現(xiàn)梯度消失和梯度爆炸等問題[10]。GRU 處理等量數(shù)據(jù)時相較于LSTM 網(wǎng)絡(luò)，裁汰了部分訓(xùn)練參數(shù)，降低了學(xué)習(xí)時間要求，并可防止LSTM 網(wǎng)絡(luò)經(jīng)過層層訓(xùn)練之后因參數(shù)過多而產(chǎn)生的過擬合問題[11]。傳統(tǒng)的GRU 結(jié)構(gòu)使用單向傳播，t時刻只與過去的時間相關(guān)。為使對輸入信息的分析更加完整，模型的準確性更高，遂構(gòu)建BiGRU 模型。BiGRU 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1 所示，其具體計算見式（1）-（3）[12]：

圖1 BiGRU神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

其中，GRU()函數(shù)表示對輸入時間數(shù)據(jù)的非線性變換，wf和wb分別為正反兩個方向預(yù)測過程中輸入層到隱含層的權(quán)重，ht為當前時刻的隱含層狀態(tài)，wy為隱含層到輸出層的權(quán)重，yt為當前時刻的輸出值。

由于某一時間點的過去與未來時刻對當前時刻隱含層狀態(tài)都有影響，BiGRU 相較于單向GRU 添加了一層隱含層，使預(yù)測過程改良為正向預(yù)測與反向預(yù)測兩個過程，新模型的輸出結(jié)果由正反雙向的隱含層共同決定。因此，BiGRU 網(wǎng)絡(luò)有能力學(xué)習(xí)過去和未來主蒸汽流量影響因素與當前主蒸汽流量之間的關(guān)系。

2.2 CNN-ABC-BiGRU網(wǎng)絡(luò)

ABC 是D.Karaboga 于2005 年提出的一種基于蜜蜂群體特定智能行為的最優(yōu)化算法。ABC 算法在每次迭代過程中都會執(zhí)行全局和局部最優(yōu)搜索任務(wù)，其控制參數(shù)較少、魯棒性強、收斂速度快。

文中提出一種基于CNN-ABC-BiGRU 網(wǎng)絡(luò)的預(yù)測模型，具體步驟為：

1）將實驗數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)、驗證數(shù)據(jù)和測試數(shù)據(jù)。

2）初始化ABC 參數(shù)，確定種群數(shù)、最大迭代次數(shù)、控制參數(shù)等其他參數(shù)的初始值。

3）構(gòu)建CNN-BiGRU 主蒸汽流量預(yù)測模型，確定所需尋優(yōu)的CNN-BiGRU 模型的超參數(shù)和尋優(yōu)范圍，然后在范圍內(nèi)依據(jù)式（4）隨機生成N個初始可行解，并將它們被分配給引領(lǐng)蜂：

其中，xij為第i個可行解的第j個參數(shù)。每個初始解xi(i∈(1,2,…,N))為D維向量，D是待優(yōu)化參數(shù)的數(shù)目，j∈{1,2,…,D}，和分別為第j個參數(shù)的最大值與最小值，即待優(yōu)化參數(shù)的可行區(qū)間；rand(0,1) 為[0,1] 范圍內(nèi)的隨機數(shù)。

4）針對初始解對CNN-BiGRU 模型展開訓(xùn)練，根據(jù)式（5）尋找初始種群中每個可行解的適應(yīng)度fit(xi)：

其中，f(xi)為可行解的目標函數(shù)。

5）引領(lǐng)蜂在每一個可行解鄰域進行搜索，根據(jù)式（6）尋找新的可行解vij(t+1)，并計算適應(yīng)度：

其中，i,k∈(1,2,…N)，j∈{1,2,…D}，k為隨機生成的數(shù)值且k≠i，vij為算法對第j個參數(shù)計算的新解，φij為[-1,1] 范圍內(nèi)的隨機數(shù)。

6）根據(jù)式（7）所示的貪婪算法，比較新解與現(xiàn)有解，保留適應(yīng)度大的可行解：

7）根據(jù)式（8）得出第i個可行解被選擇的概率值Pi：

8）跟隨蜂依據(jù)概率值Pi以輪盤賭的方式選定某一個可行解，并根據(jù)式（6）在其鄰域隨機搜索新的可行解以及計算新可行解的適應(yīng)度值。

9）根據(jù)式（7）所示的貪婪算法，更新可行解。

10）判斷是否存在因連續(xù)未更新次數(shù)達到限制而被放棄的可行解，若存在，則由偵查蜂根據(jù)式(4)隨機得到一個新的可行解替代它。

11）保留最優(yōu)可行解。

12）如果滿足終止條件，或者已經(jīng)用盡迭代次數(shù)，返回最優(yōu)可行解，否則跳轉(zhuǎn)到步驟5）重新循環(huán)。建立該預(yù)測模型的流程如圖2 所示。

圖2 CNN-ABC-BiGRU網(wǎng)絡(luò)建模流程圖

3 實驗與分析

3.1 數(shù)據(jù)選擇

利用基于逐步回歸的變量選擇方法選擇最優(yōu)變量，得出相關(guān)因素的相關(guān)性，然后采用VIF 檢驗排除因具有多重共線性而對算法結(jié)果有影響的變量，從而決定輸入模型變量數(shù)量。

3.1.1 逐步回歸分析

逐步回歸方程變量較少，且能保留最為顯著的變量[13]。逐步回歸分析變量之間的相關(guān)性，逐個引入新變量，每引入一個新變量時考慮模型包含的變量能否被剔除，直至不再引入新的變量，這時回歸模型是最優(yōu)模型。

3.1.2 基于VIF的多重共線性檢驗

假設(shè)存在不全為零的m+1 個數(shù)c0,c1,c2,…,cm，使得c0+c1xi1+c2xi2+…+cmxm≈0,i=1,2,…,n，此時自變量x1,x2,…xm有完全共線性。檢驗后若變量與變量出現(xiàn)多重共線性，消去共線性之后計算得到回歸方程系數(shù)并可以進行VIF 檢驗[14]。

自變量相關(guān)矩陣記為：

主對角線元VIFj=cjj是自變量xj的方差擴大因子(Variance Inflation Factor,VIF)，若1≤VIF≤5，則無多重共線性。

3.1.3 特征選擇結(jié)果

如表1 所示，對采集的10 組數(shù)據(jù)進行逐步回歸分析，最終得到六個特征變量，包括給水流量、汽包液位、一次風(fēng)量、二次風(fēng)量、爐膛床壓和氧含量，以主蒸汽流量作為因變量建立多元回歸方程組,對模型都進行顯著性和VIF 檢驗。

表1 逐步回歸模型及VIF檢驗結(jié)果

檢驗結(jié)果顯示，x1,x2,…,x6的VIF 皆小于5，表明該模型無多重共線性。檢驗統(tǒng)計量F=9 501.770，顯著性p＜0.05，表明該回歸方程顯著性較強，特征變量對主蒸汽流量影響性很強。將特征變量依次設(shè)為x1,x2,…,x6，主蒸汽流量設(shè)為y，可得：y=0.424x1+0.030x2+0.042x3-0.071x4-6.986x5+0.447x6+58.385。

3.2 實驗環(huán)境

實驗總計使用11 萬條電廠運行數(shù)據(jù)，預(yù)測模型中包括被選入訓(xùn)練集的九萬個數(shù)據(jù)，和被隨機選入測試集用來評估模型效果的兩萬個數(shù)據(jù)。Hadoop集群實驗硬件平臺選用三臺主機，包含一臺主節(jié)點和兩臺副節(jié)點。

3.3 算法評估與比較

根據(jù)均方根誤差（RMSE）、平均絕對誤差（MAE）以及平均百分比誤差（MAPE）三種評價指標評價所有模型，定義如下：

為了全面評估CNN-ABC-BiGRU 模型的預(yù)測效果，將其與CNN-BiGRU[15]、BiGRU、GRU[16]、LSTM、BP五種常見的預(yù)測方法進行預(yù)測性能比較。

3.4 預(yù)測結(jié)果分析

使用特征篩選后的數(shù)據(jù)集對提出的組合模型與其他對比模型進行訓(xùn)練和測試，所得預(yù)測結(jié)果如圖3、4 所示。

圖3 日期A預(yù)測曲線與真實曲線對比

圖3 中的主蒸汽流量波動較大，在21-30 個采樣點區(qū)間內(nèi)，主蒸汽流量值從220.736 16 t/h 增加到236.267 78 t/h 又減少到222.145 31 t/h，只有CNNABC-BiGRU 模型GRU 實現(xiàn)了準確跟蹤變化趨勢。圖4 中的主蒸汽流量值較為平穩(wěn)，除BP 算法以外，其余五種算法預(yù)測曲線都貼合真實值變化趨勢，其中CNN-ABC-BiGRU 模型預(yù)測曲線最接近真實值曲線。對比結(jié)果表明，自適應(yīng)CNN-ABC-BiGRU 模型在預(yù)測變化范圍較大和近乎穩(wěn)定的數(shù)據(jù)時，都具有良好的預(yù)測性能。

圖4 日期B預(yù)測曲線與真實曲線對比

如表2-3 所示，在兩天的預(yù)測結(jié)果中，所提組合模型相較于其他模型，具有最小的均方根誤差、平均絕對誤差和平均百分比誤差。

表2 2020年10月8日對比實驗結(jié)果

表3 2021年3月8日對比實驗結(jié)果

在六種模型的預(yù)測誤差對比中，深度學(xué)習(xí)模型誤差小于機器學(xué)習(xí)模型誤差，具體表現(xiàn)為深度學(xué)習(xí)的組合模型誤差最小，單一模型次之，機器學(xué)習(xí)模型誤差最大。在主蒸汽流量值波動較大的第一天，深度學(xué)習(xí)模型與機器學(xué)習(xí)模型誤差結(jié)果對比更為明顯，主蒸汽流量值較為平穩(wěn)的第二天差距較小。產(chǎn)生這種結(jié)果的原因是，在處理火電廠大數(shù)據(jù)時，深度學(xué)習(xí)模型利用訓(xùn)練集大量特征數(shù)據(jù)動態(tài)地進行學(xué)習(xí)，學(xué)習(xí)動態(tài)特征與預(yù)測目標之間的內(nèi)在規(guī)律，在解決非線性波動問題時表現(xiàn)效果更好。

分布式訓(xùn)練與單機訓(xùn)練用時比較如圖5 所示。

圖5 分布式CNN-ABC-BiGRU算法訓(xùn)練與單機用時對比

傳統(tǒng)單機CNN-ABC-BiGRU 算法運算用時表現(xiàn)為一次函數(shù)趨勢，樣本數(shù)量小于60 000 個時，單機運算和通過分布式運算用時相差不大，隨著訓(xùn)練樣本不斷增加，基于Hadoop 的CNN-ABC-BiGRU 算法用時緩慢增加，二者用時差距隨著樣本數(shù)量的增加而增大。實驗結(jié)果表明，處理火電廠運行積累的大規(guī)模數(shù)據(jù)時，Hadoop 框架下的分布式運算相較于單機運算有效節(jié)省訓(xùn)練時間，能夠更快得出預(yù)測結(jié)果，具有更好的可行性和高效性。

4 結(jié)論

文中面向大數(shù)據(jù)背景下的工業(yè)系統(tǒng)數(shù)據(jù)分析的現(xiàn)實需求，結(jié)合火電廠燃燒系統(tǒng)設(shè)備監(jiān)測大數(shù)據(jù)的特點構(gòu)建分布式深度學(xué)習(xí)模型，研究結(jié)果表明：

1）將CNN-ABC-BiGRU 網(wǎng)絡(luò)用于設(shè)備健康預(yù)測，避免了單一預(yù)測模型難以獲得最優(yōu)結(jié)果的問題。

2）基于Hadoop 框架的算法訓(xùn)練相較于傳統(tǒng)單機算法有效縮短模型訓(xùn)練時間，實時處理速度相較于傳統(tǒng)的數(shù)據(jù)分析平臺顯著提升，對比結(jié)果表明了該方法的優(yōu)越性。

3）該數(shù)據(jù)分析體系結(jié)合深度學(xué)習(xí)建模方法的提出為電力生產(chǎn)數(shù)據(jù)的處理提供了研究方向，實時追蹤鍋爐系統(tǒng)的動態(tài)運行過程，預(yù)測性維護可應(yīng)用于故障檢測、工業(yè)設(shè)備評估等方面。在后續(xù)的研究中，可通過增加集群數(shù)量，對建模方法進行進一步優(yōu)化研究。