本技術(shù)屬于水利工程，更具體地，涉及一種水電機(jī)組多元振擺的交互圖神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法和裝置。

背景技術(shù)：

1、水電機(jī)組在高比例新能源電力系統(tǒng)中擔(dān)任重要的角色，并且作為電站能效轉(zhuǎn)換的核心設(shè)備，承擔(dān)著維護(hù)電網(wǎng)穩(wěn)定運(yùn)行的重要任務(wù)。水電機(jī)組運(yùn)行工況多變，需要根據(jù)需求進(jìn)行調(diào)節(jié)，因此需要頻繁地變化運(yùn)行狀態(tài)，在各運(yùn)行狀態(tài)下機(jī)組振動(dòng)特性存在差異。水電機(jī)組的振動(dòng)信號(hào)預(yù)測(cè)問(wèn)題一直是水電行業(yè)關(guān)注的焦點(diǎn)，長(zhǎng)期運(yùn)行導(dǎo)致機(jī)組狀態(tài)發(fā)生劣化，反映在振動(dòng)數(shù)據(jù)的波動(dòng)情況，這樣不僅影響著水電機(jī)組的安全穩(wěn)定運(yùn)行，還可能導(dǎo)致嚴(yán)重的設(shè)備損壞以致發(fā)生影響人身安全的重大事故。

2、現(xiàn)有技術(shù)中主要通過(guò)利用大數(shù)據(jù)分析和深度學(xué)習(xí)技術(shù)對(duì)水電機(jī)組的振動(dòng)進(jìn)行數(shù)據(jù)預(yù)測(cè)，常會(huì)忽略振動(dòng)信號(hào)的噪聲影響和變量之間的交互關(guān)系，在精確性和魯棒性方面存在不足。因此，如何提高預(yù)測(cè)的精確性和魯棒性，從而更好地保障水電機(jī)組的安全穩(wěn)定運(yùn)行是本領(lǐng)域技術(shù)人員亟待解決的技術(shù)問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)的缺陷，本技術(shù)的目的在于提供一種水電機(jī)組多元振擺的交互圖神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法和裝置，旨在解決現(xiàn)有技術(shù)中對(duì)水電機(jī)組振動(dòng)預(yù)測(cè)的精確性和魯棒性不足的問(wèn)題。

2、為實(shí)現(xiàn)上述目的，第一方面，本技術(shù)提供了一種水電機(jī)組多元振擺的交互圖神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法，包括。

3、獲取水電機(jī)組實(shí)時(shí)運(yùn)行時(shí)軸承擺度的穩(wěn)態(tài)數(shù)據(jù)；

4、將所述穩(wěn)態(tài)數(shù)據(jù)輸入至cross?gnn模型中，得到所述水電機(jī)組的歷史運(yùn)行數(shù)據(jù)的預(yù)測(cè)值；

5、將所述預(yù)測(cè)值結(jié)合水電機(jī)組運(yùn)行的報(bào)警閾值，對(duì)所述水電機(jī)組的未來(lái)健康狀態(tài)進(jìn)行預(yù)測(cè)，得到健康預(yù)測(cè)結(jié)果；

6、其中，所述cross?gnn模型是通過(guò)對(duì)水電機(jī)組多元陣擺實(shí)時(shí)運(yùn)行的穩(wěn)態(tài)數(shù)據(jù)樣本對(duì)應(yīng)的樣本訓(xùn)練集進(jìn)行降噪處理、時(shí)間特征提取、變量特征提取以及多層感知預(yù)測(cè)得到樣本預(yù)測(cè)結(jié)果，并基于樣本預(yù)測(cè)結(jié)果進(jìn)行模型迭代和參數(shù)更新訓(xùn)練得到的。

7、可選地，所述將所述穩(wěn)態(tài)數(shù)據(jù)輸入至cross?gnn模型中，得到所述水電機(jī)組的歷史運(yùn)行數(shù)據(jù)的預(yù)測(cè)值，包括：

8、將所述穩(wěn)態(tài)數(shù)據(jù)輸入至所述cross?gnn模型中，利用所述cross?gnn模型的amis模塊對(duì)所述穩(wěn)態(tài)數(shù)據(jù)進(jìn)行降噪處理，得到降噪數(shù)據(jù)；

9、將所述降噪數(shù)據(jù)通過(guò)所述cross?gnn模型的交叉尺度圖神經(jīng)網(wǎng)絡(luò)進(jìn)行分析，得到穩(wěn)態(tài)數(shù)據(jù)的時(shí)間尺度特征；

10、將所述時(shí)間尺度特征通過(guò)所述cross?gnn模型的跨變量交互網(wǎng)絡(luò)構(gòu)建跨尺度變量圖，通過(guò)正負(fù)權(quán)重建模變量間的同質(zhì)性和異質(zhì)性關(guān)系，得到跨變量交互信息；

11、利用多層感知機(jī)對(duì)所述跨變量交互信息進(jìn)行多步預(yù)測(cè)，以確定所述水電機(jī)組運(yùn)行的未來(lái)幾步的運(yùn)行趨勢(shì)，得到所述預(yù)測(cè)值。

12、可選地，所述利用所述cross?gnn模型的amis模塊對(duì)所述穩(wěn)態(tài)數(shù)據(jù)進(jìn)行降噪處理，得到降噪數(shù)據(jù)，包括：

13、確定所述穩(wěn)態(tài)數(shù)據(jù)中的擺度值數(shù)據(jù)；

14、將所述擺度值數(shù)據(jù)輸入amsi模塊中，得到多尺度時(shí)間序列；

15、將所述多尺度時(shí)間序列利用amsi模塊進(jìn)行降噪處理，生成降噪數(shù)據(jù)對(duì)應(yīng)的降噪后的多尺度時(shí)間序列；

16、其中，所述擺度值數(shù)據(jù)包括上導(dǎo)軸承x向擺度值數(shù)據(jù)、上導(dǎo)軸承y向擺度值數(shù)據(jù)、下導(dǎo)軸承x向擺度值數(shù)據(jù)、下導(dǎo)軸承y向擺度值數(shù)據(jù)以及水導(dǎo)軸承x向擺度值數(shù)據(jù)、水導(dǎo)軸承y向擺度值數(shù)據(jù)。

17、可選地，所述多尺度時(shí)間序列的獲取方式包括：

18、通過(guò)快速傅里葉變換在頻率域中分析水電機(jī)組的時(shí)間序列，計(jì)算每個(gè)時(shí)間序列在不同頻率下的振幅；

19、選擇目標(biāo)數(shù)量的具有最高振幅的頻率值，并計(jì)算各頻率值對(duì)應(yīng)的周期長(zhǎng)度，通過(guò)平均池化操作對(duì)原始的時(shí)間序列進(jìn)行下采樣，得到不同尺度的時(shí)間序列；

20、對(duì)所述不同尺度的時(shí)間序列進(jìn)行拼接，得到拼接多尺度時(shí)間序列，以構(gòu)建跨尺度時(shí)間圖。

21、可選地，所述跨尺度時(shí)間圖的構(gòu)建方法包括：

22、根據(jù)所述跨尺度時(shí)間圖的各節(jié)點(diǎn)確定不同尺度上的時(shí)間點(diǎn)，根據(jù)所述跨尺度時(shí)間圖的各邊確定各時(shí)間點(diǎn)之間的相關(guān)性權(quán)重；

23、通過(guò)可學(xué)習(xí)的第一向量和第二向量的乘積及relu激活函數(shù)生成初始權(quán)重矩陣，并應(yīng)用softmax對(duì)所述初始權(quán)重矩陣進(jìn)行歸一化；

24、對(duì)每個(gè)時(shí)間節(jié)點(diǎn)，限制細(xì)尺度關(guān)聯(lián)的鄰居節(jié)點(diǎn)數(shù)量多于粗尺度，保留時(shí)間節(jié)點(diǎn)與其前后節(jié)點(diǎn)的關(guān)聯(lián)以捕捉時(shí)間趨勢(shì)，得到時(shí)間節(jié)點(diǎn)特征；

25、根據(jù)所述relu激活函數(shù)、初始權(quán)重矩陣、各時(shí)間節(jié)點(diǎn)特征得到聚合的鄰居時(shí)間節(jié)點(diǎn)特征，以構(gòu)建所述跨尺度時(shí)間圖。

26、具體地，本實(shí)施例中，將降噪后的數(shù)據(jù)通過(guò)?cross?gnn?模型的交叉尺度圖神經(jīng)網(wǎng)絡(luò)進(jìn)行分析?？绯叨葧r(shí)間圖的構(gòu)建是此步驟的關(guān)鍵，具體方法為：

27、各節(jié)點(diǎn)表示不同尺度上的時(shí)間點(diǎn)，各邊確定各時(shí)間點(diǎn)之間的相關(guān)性權(quán)重。

28、通過(guò)可學(xué)習(xí)的第一向量和第二向量的乘積及?relu?激活函數(shù)生成初始權(quán)重矩陣，并使用?softmax?函數(shù)對(duì)其進(jìn)行歸一化。

29、對(duì)每個(gè)時(shí)間節(jié)點(diǎn)，限制細(xì)尺度關(guān)聯(lián)的鄰居節(jié)點(diǎn)數(shù)量多于粗尺度，同時(shí)保留時(shí)間節(jié)點(diǎn)與其前后節(jié)點(diǎn)的關(guān)聯(lián)以捕捉時(shí)間趨勢(shì)，得到時(shí)間節(jié)點(diǎn)特征。

30、根據(jù)?relu?激活函數(shù)、初始權(quán)重矩陣和各時(shí)間節(jié)點(diǎn)特征得到聚合的鄰居時(shí)間節(jié)點(diǎn)特征，從而構(gòu)建跨尺度時(shí)間圖，進(jìn)而得到穩(wěn)態(tài)數(shù)據(jù)的時(shí)間尺度特征。

31、可選地，所述跨尺度變量圖的構(gòu)建方法包括：

32、以變量作為節(jié)點(diǎn)，變量間的相關(guān)性權(quán)重作為邊；

33、通過(guò)可學(xué)習(xí)的第三向量和第四向量的乘積及relu激活函數(shù)生成初始相關(guān)性權(quán)重矩陣，并應(yīng)用softmax對(duì)所述初始相關(guān)性權(quán)重矩陣進(jìn)行歸一化；

34、選擇每個(gè)節(jié)點(diǎn)的相關(guān)性權(quán)重最高的前k個(gè)正鄰居和后k個(gè)負(fù)鄰居，構(gòu)建鄰居節(jié)點(diǎn)集合；

35、基于所述鄰居節(jié)點(diǎn)集合對(duì)相關(guān)性權(quán)重矩陣進(jìn)行重新歸一化，得到每個(gè)變量的受限鄰居節(jié)點(diǎn)集；

36、根據(jù)所述relu激活函數(shù)、初始相關(guān)性權(quán)重矩陣、各變量節(jié)點(diǎn)特征得到聚合的鄰居變量節(jié)點(diǎn)特征，得到所述跨尺度變量圖。

37、具體地，本實(shí)施例中，將時(shí)間尺度特征通過(guò)?cross?gnn?模型的跨變量交互網(wǎng)絡(luò)構(gòu)建跨尺度變量圖，以此建模變量間的同質(zhì)性和異質(zhì)性關(guān)系，得到跨變量交互信息?？绯叨茸兞繄D的構(gòu)建方法如下：

38、以變量作為節(jié)點(diǎn)，變量間的相關(guān)性權(quán)重作為邊。

39、通過(guò)可學(xué)習(xí)的第三向量和第四向量的乘積及?relu?激活函數(shù)生成初始相關(guān)性權(quán)重矩陣，并應(yīng)用?softmax?對(duì)其進(jìn)行歸一化。

40、選擇每個(gè)節(jié)點(diǎn)的相關(guān)性權(quán)重最高的前?k?個(gè)正鄰居和后?k?個(gè)負(fù)鄰居，構(gòu)建鄰居節(jié)點(diǎn)集合。

41、基于鄰居節(jié)點(diǎn)集合對(duì)相關(guān)性權(quán)重矩陣進(jìn)行重新歸一化，得到每個(gè)變量的受限鄰居節(jié)點(diǎn)集。

42、根據(jù)?relu?激活函數(shù)、初始相關(guān)性權(quán)重矩陣和各變量節(jié)點(diǎn)特征得到聚合的鄰居變量節(jié)點(diǎn)特征，完成跨尺度變量圖的構(gòu)建。

43、可選地，所述利用多層感知機(jī)對(duì)所述跨變量交互信息進(jìn)行多步預(yù)測(cè)，包括：

44、對(duì)所述跨變量交互信息進(jìn)行特征映射，從時(shí)間維度上對(duì)輸出特征進(jìn)行壓縮，得到壓縮特征；

45、對(duì)所述壓縮特征進(jìn)行時(shí)間步長(zhǎng)映射，將所述壓縮特征映射至預(yù)測(cè)序列長(zhǎng)度，輸出未來(lái)多步預(yù)測(cè)結(jié)果。

46、具體地，本實(shí)施例中，利用多層感知機(jī)對(duì)跨變量交互信息進(jìn)行多步預(yù)測(cè)，具體過(guò)程為：

47、對(duì)跨變量交互信息進(jìn)行特征映射，從時(shí)間維度上對(duì)輸出特征進(jìn)行壓縮，得到壓縮特征。

48、對(duì)壓縮特征進(jìn)行時(shí)間步長(zhǎng)映射，將其映射至預(yù)測(cè)序列長(zhǎng)度，輸出未來(lái)多步預(yù)測(cè)結(jié)果，即水電機(jī)組歷史運(yùn)行數(shù)據(jù)的預(yù)測(cè)值。

49、本技術(shù)還提供一種水電機(jī)組多元振擺的交互圖神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)裝置，包括：

50、獲取模塊，用于獲取水電機(jī)組實(shí)時(shí)運(yùn)行時(shí)軸承擺度的穩(wěn)態(tài)數(shù)據(jù)；

51、計(jì)算模塊，用于將所述穩(wěn)態(tài)數(shù)據(jù)輸入至cross?gnn模型中，得到所述水電機(jī)組的歷史運(yùn)行數(shù)據(jù)的預(yù)測(cè)值；

52、預(yù)測(cè)模塊，用于將所述預(yù)測(cè)值結(jié)合水電機(jī)組運(yùn)行的報(bào)警閾值，對(duì)所述水電機(jī)組的未來(lái)健康狀態(tài)進(jìn)行預(yù)測(cè)，得到健康預(yù)測(cè)結(jié)果；

53、其中，所述cross?gnn模型是通過(guò)對(duì)水電機(jī)組多元陣擺實(shí)時(shí)運(yùn)行的穩(wěn)態(tài)數(shù)據(jù)樣本對(duì)應(yīng)的樣本訓(xùn)練集進(jìn)行降噪處理、時(shí)間特征提取、變量特征提取以及多層感知預(yù)測(cè)得到樣本預(yù)測(cè)結(jié)果，并基于樣本預(yù)測(cè)結(jié)果進(jìn)行模型迭代和參數(shù)更新訓(xùn)練得到的。

54、第三方面，本技術(shù)提供一種電子設(shè)備，包括：至少一個(gè)存儲(chǔ)器，用于存儲(chǔ)程序；至少一個(gè)處理器，用于執(zhí)行存儲(chǔ)器存儲(chǔ)的程序，當(dāng)存儲(chǔ)器存儲(chǔ)的程序被執(zhí)行時(shí)，處理器用于執(zhí)行第一方面或第一方面的任一種可能的實(shí)現(xiàn)方式所描述的方法。

55、第四方面，本技術(shù)提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，當(dāng)計(jì)算機(jī)程序在處理器上運(yùn)行時(shí)，使得處理器執(zhí)行第一方面或第一方面的任一種可能的實(shí)現(xiàn)方式所描述的方法。

56、第五方面，本技術(shù)提供一種計(jì)算機(jī)程序產(chǎn)品，當(dāng)計(jì)算機(jī)程序產(chǎn)品在處理器上運(yùn)行時(shí)，使得處理器執(zhí)行第一方面或第一方面的任一種可能的實(shí)現(xiàn)方式所描述的方法。

57、可以理解的是，上述第二方面至第五方面的有益效果可以參見(jiàn)上述第一方面中的相關(guān)描述，在此不再贅述。

58、總體而言，通過(guò)本技術(shù)所構(gòu)思的以上技術(shù)方案與現(xiàn)有技術(shù)相比，具有以下有益效果：

59、（1）本技術(shù)通過(guò)?amis?模塊對(duì)穩(wěn)態(tài)數(shù)據(jù)降噪，去除復(fù)雜環(huán)境帶來(lái)的噪聲干擾，使數(shù)據(jù)更能反映機(jī)組真實(shí)運(yùn)行狀態(tài)。采用快速傅里葉變換和平均池化操作獲取多尺度時(shí)間序列，能捕捉不同時(shí)間粒度特征，全面挖掘數(shù)據(jù)信息。通過(guò)探尋水電機(jī)組振動(dòng)信號(hào)的長(zhǎng)期趨勢(shì)和變量之間的高維耦合關(guān)系，進(jìn)而提升預(yù)測(cè)準(zhǔn)確性與魯棒性。

60、（2）本技術(shù)通過(guò)交叉尺度圖神經(jīng)網(wǎng)絡(luò)分析時(shí)間尺度特征，能識(shí)別機(jī)組運(yùn)行的周期性與趨勢(shì)性變化，構(gòu)建跨尺度變量圖，建模變量間同質(zhì)性和異質(zhì)性關(guān)系，全面了解機(jī)組運(yùn)行狀態(tài)。兩者結(jié)合避免單一變量偏差與時(shí)間特征誤判，精準(zhǔn)捕捉數(shù)據(jù)規(guī)律，提高預(yù)測(cè)準(zhǔn)確性，增強(qiáng)模型應(yīng)對(duì)數(shù)據(jù)變化的魯棒性。

61、（3）本技術(shù)通過(guò)多層感知機(jī)對(duì)跨變量交互信息多步預(yù)測(cè)，深度整合不同變量和時(shí)間尺度信息，逐步修正預(yù)測(cè)結(jié)果。將預(yù)測(cè)值與報(bào)警閾值結(jié)合，及時(shí)發(fā)現(xiàn)異常并預(yù)警。通過(guò)多步預(yù)測(cè)提供長(zhǎng)遠(yuǎn)信息，閾值判斷優(yōu)化結(jié)果，增強(qiáng)預(yù)測(cè)準(zhǔn)確性和魯棒性。