论文基本信息

一、研究背景与问题

1.1 为什么研究循环流化床 (CFB) 床温预测？

循环流化床 (CFB) 燃烧技术是中国热电联产、低热值燃料利用和垃圾焚烧等领域的主流技术路线。床温是 CFB 运行的关键参数，直接影响：

• 燃烧效率— 温度过低导致燃烧不完全
• 污染物排放— 温度影响 NOx、SOx 生成
• 设备安全— 温度过高引发结焦、腐蚀等安全问题

准确预测床温趋势可以提前预警异常工况，及时干预以避免安全风险。

1.2 核心挑战

CFB 系统具有以下复杂特性，使得床温预测极具挑战性：

• 多相流复杂— 气-固两相流动态耦合
• 非线性化学反应— 燃烧过程高度非线性
• 强时空耦合— 变量间存在复杂的空间拓扑关系和时间滞后效应
• 多变量交互— 煤量、风量、汽量等操作变量相互影响

二、核心贡献 (四大创新点)

三、方法详解

3.1 多策略特征选择 (Section II-A)

原始变量集 ↓ [方差阈值] 剔除方差 < 0.1 的近似常数特征 ↓ [Pearson 相关] 保留与床温相关系数 r > 0.4 的变量 ↓ [随机森林] 按特征重要性排序，取 Top 7 ↓ 最终输入：一次风量、二次风量、主蒸汽流量、给煤量、 发电机功率、省煤器入口烟气温度、炉膛左侧床压(3号)、 冷渣器入口温度、历史床温（共9个特征）

3.2 动态相关性引导的图卷积网络 (Section II-B)

图结构定义：

• 节点V={v1,v2,...,vN}V = \{v_1, v_2, ..., v_N\}V={v1​,v2​,...,vN​}：每个节点对应一个操作变量
• 边权重矩阵W∈RN×NW \in \mathbb{R}^{N \times N}W∈RN×N：量化变量间连接强度

边权重初始化（先验知识 + 数据驱动）：

wij={∣rij∣,if ∣rij∣>θ0,otherwisew_{ij} = \begin{cases} |r_{ij}|, & \text{if } |r_{ij}| > \theta \\ 0, & \text{otherwise} \end{cases}wij​={∣rij​∣,0,​if∣rij​∣>θotherwise​

其中rijr_{ij}rij​是变量iii和jjj的 Pearson 相关系数，θ\thetaθ为阈值。

关键创新：边权重可学习

WWW被设为可训练参数，通过反向传播迭代更新，使模型能自适应捕捉非线性动态关系。

GCN 传播公式：

H(k)=σ(D~−12WD~−12H(k−1)Wg(k))H^{(k)} = \sigma\left(\tilde{D}^{-\frac{1}{2}} W \tilde{D}^{-\frac{1}{2}} H^{(k-1)} W_g^{(k)}\right)H(k)=σ(D~−21​WD~−21​H(k−1)Wg(k)​)

其中D~\tilde{D}D~是包含自环的度矩阵，用于对称归一化，防止高度节点主导信息传播。

3.3 GCN-LSTM 时空融合架构 (Section II-D)

这是论文的核心架构，如图 2 所示：

┌─────────────────────────────────────────┐ │ 输入层：9个特征的时间序列 X_t │ │ ↓ │ │ ┌─────────────────┐ ┌─────────────┐ │ │ │ GCN 空间特征提取 │ │ 原始特征 │ │ │ │ f(X_t, W) │ │ X_t │ │ │ └────────┬────────┘ └──────┬──────┘ │ │ └────────┬─────────┘ │ │ ↓ [并行拼接] │ │ LSTM 输入 = [h_{t-1}, f(X_t,W)] │ │ ↓ │ │ LSTM 时序建模 │ │ ↓ │ │ 全连接层输出 │ │ ↓ │ │ 床温预测值 ŷ_t │ └─────────────────────────────────────────┘

关键设计：LSTM 不仅接收 GCN 提取的空间特征，还并行接收原始输入特征，避免图卷积中的时间序列平均化导致的信息损失。

3.4 多目标损失函数 (Section II-E)

Ltotal=Lmse+λ1Ltrend+λ2Lsmooth\mathcal{L}_{total} = \mathcal{L}_{mse} + \lambda_1 \mathcal{L}_{trend} + \lambda_2 \mathcal{L}_{smooth}Ltotal​=Lmse​+λ1​Ltrend​+λ2​Lsmooth​

超参数搜索：λ1∈{0,0.1,0.3,0.5,1.0}\lambda_1 \in \{0, 0.1, 0.3, 0.5, 1.0\}λ1​∈{0,0.1,0.3,0.5,1.0}，λ2∈{0,0.01,0.05,0.1,0.2}\lambda_2 \in \{0, 0.01, 0.05, 0.1, 0.2\}λ2​∈{0,0.01,0.05,0.1,0.2}

四、实验验证

4.1 数据集

• 来源：某 350MW 亚临界燃煤 CFB 机组
• 采样间隔：5 分钟
• 数据量：约 8500 个样本点（1 个月运行数据）
• 划分：训练集:测试集 = 8:2，训练集内再分 9:1 做验证

4.2 对比模型

4.3 预测任务设置

• 输入序列长度SSS：6, 12, 18（对应 30, 60, 90 分钟历史）
• 预测 horizonTTT：15, 30, 45 分钟（短/中/长期预测）

4.4 核心实验结果

定量结果 (S=18, 表 I)：

相比最优基线模型的提升：

• RMSE 降低12.57% ~ 30.57%
• R2R^2R2提升1.05% ~ 29.85%

4.5 可视化分析

论文提供了丰富的可视化结果：

• 图 5-7：不同 horizon 下各模型的预测曲线对比 → 本文方法最贴近真实值
• 图 8-10：预测误差分布 → 本文误差最接近零线
• 图 11：柱状图对比四指标 → 本文在所有 horizon 上均最优
• 图 12：箱线图（多次实验）→ 本文方差最小，稳定性最好

4.6 消融实验 (Section III-F)

结论：两个模块互补，共同提升模型性能。

4.7 敏感性分析 (Section III-G)

• 图 13：λ1\lambda_1λ1​-λ2\lambda_2λ2​-R2R^2R2三维曲面
• 最优区域：λ1≈0.6–0.8\lambda_1 \approx 0.6\text{–}0.8λ1​≈0.6–0.8，λ2≈0.15–0.20\lambda_2 \approx 0.15\text{–}0.20λ2​≈0.15–0.20时形成性能平台
• 说明模型对权重选择具有一定鲁棒性

五、结论与展望

主要结论

1. GCN-LSTM 架构有效— 同时建模空间拓扑依赖和时间动态演化，优于单一模块或替代组合
2. 动态边权重机制有效— 先验知识初始化 + 数据驱动优化，兼顾可解释性和灵活性
3. 多目标损失有效— 趋势损失和平滑损失显著提升预测质量
4. 工业适用性强— 在真实电厂数据上验证，短中长期预测均表现优异且稳定

未来工作

• 增强模型对故障数据的鲁棒性
• 引入WSET (小波同步提取变换)提升输入信号质量
• 探索动态图学习机制— 让图拓扑随运行工况自适应演化

六、技术亮点总结

这篇论文为工业过程时空数据建模提供了一个很好的范例，特别是在能源电力领域的应用具有明确的工程价值。