本發(fā)明涉及控制調節(jié)領域。更具體地，本發(fā)明涉及一種用于天然氣高壓長輸管線的調節(jié)閥開度控制方法。

背景技術：

1、天然氣高壓長輸管線的調節(jié)閥開度控制主要用于調節(jié)流體的流量和壓力，確保傳輸系統(tǒng)運行的穩(wěn)定性和安全性。通過精確控制開度，可以優(yōu)化能源效率，減少損耗，同時避免管道內的過壓或真空狀態(tài)，從而保護設備并延長其使用壽命。這種控制對于確保傳輸系統(tǒng)的高效性和可靠性至關重要。

2、為了實現(xiàn)天然氣高壓長輸管線的調節(jié)閥的準確控制，需根據(jù)各種影響因素對天然氣高壓長輸管線的調節(jié)閥的開度狀態(tài)進行預測。長短期記憶網(wǎng)絡（long?short-termmemory，lstm）作為數(shù)據(jù)預測的常用網(wǎng)絡，其不僅能夠擬合短期變動規(guī)律，同時還能擬合數(shù)據(jù)的長期變動規(guī)律，因而其具有較高的預測精度。為了讓lstm網(wǎng)絡具有調節(jié)閥開度預測的功能，需對lstm網(wǎng)絡進行學習訓練。而在對lstm網(wǎng)絡學習訓練的過程中，超參數(shù)設置的好壞會影響到lstm網(wǎng)絡的訓練效果，特別是用于控制lstm網(wǎng)絡訓練步長的學習率，當其設置不良時會嚴重影響lstm網(wǎng)絡的預測精度以及訓練效率。因而如何設置合適的學習率成為本發(fā)明的研究重點。

3、公開號為cn112269314a的專利申請文件中公開了一種基于lstm神經(jīng)網(wǎng)絡的汽車底盤解耦控制方法，該專利申請文件中方法僅使用lstm進行預測分析，未涉及學習率的設置問題，因而該專利申請文件中方法不能解決本發(fā)明中問題。

技術實現(xiàn)思路

1、為解決如何設置學習率的問題，本發(fā)明提出一種用于天然氣高壓長輸管線的調節(jié)閥開度控制方法，該方法包括以下步驟：

2、獲取影響調節(jié)閥開度控制的每種因素時序序列；

3、獲取預先構建的開度控制網(wǎng)絡，利用所述因素時序序列中數(shù)據(jù)對開度控制網(wǎng)絡進行迭代訓練，以實現(xiàn)調節(jié)閥開度控制；

4、在對所述開度控制網(wǎng)絡的一次迭代訓練過程中，計算所述開度控制網(wǎng)絡中輸入門的學習率，將該次迭代訓練時輸入到所述開度控制網(wǎng)絡中的數(shù)據(jù)對應的時刻記為分析時刻，在每種因素時序序列中獲取以分析時刻為中心的預設數(shù)量個數(shù)據(jù)構成的數(shù)據(jù)段記為每種分析段，表示預設基準學習率，表示第種分析段與第種分析段的相關性，表示去除分析時刻數(shù)據(jù)之后的第種分析段與去除分析時刻數(shù)據(jù)之后的第種分析段的相關性，表示因素時序序列的種類數(shù)，表示第種分析段中分析時刻的數(shù)據(jù)，表示利用第種分析段中其他數(shù)據(jù)得到的分析時刻的擬合數(shù)據(jù)，表示第種分析段與上一時刻的輸出向量的相關性，表示歸一化函數(shù)；

5、利用輸入門的學習率完成對該次迭代訓練的控制。

6、本發(fā)明通過對每次迭代訓練過程中的輸入門網(wǎng)絡參數(shù)的學習率進行調整，使開度控制網(wǎng)絡能夠根據(jù)預測分析時對分析時刻的輸入信息的需求量，對分析時刻的輸入信息進行不同程度的學習，從而讓開度控制網(wǎng)絡更快的學習到預測必要信息，從而提高開度控制網(wǎng)絡的預測精度以及開度控制網(wǎng)絡的訓練效率；進一步地，在調整輸入門網(wǎng)絡參數(shù)的學習率時，通過引入分析時刻數(shù)據(jù)去除前后的相關性差異以及分析時刻數(shù)據(jù)與擬合數(shù)據(jù)的差異來準確度量分析時刻數(shù)據(jù)對預測分析的重要性情況，從而實現(xiàn)對學習率的準確調整；進一步地，在調整輸入門網(wǎng)絡參數(shù)的學習率時，通過引入分析段與上一時刻輸入向量的相關性，來準確度量開度控制網(wǎng)絡學習到分析時刻規(guī)律信息的情況，從而判斷開度控制網(wǎng)絡對分析時刻輸入信息的學習必要性，進而實現(xiàn)對學習率的準確調整。

7、優(yōu)選的，獲取所述開度控制網(wǎng)絡中遺忘門的學習率，包括：

8、；

9、其中，將分析時刻之前的時刻記為前置時刻，表示第種因素時序序列中前置時刻的數(shù)據(jù)的自相關性，表示第種因素時序序列中前置時刻的數(shù)據(jù)與第種因素時序序列中同時刻數(shù)據(jù)的關聯(lián)性的自相關性，表示所述開度控制網(wǎng)絡中遺忘門的學習率。

10、本發(fā)明在調整遺忘門的學習率時，通過引入分析時刻之前的所有數(shù)據(jù)的規(guī)律情況，來度量分析時刻之前的所有數(shù)據(jù)的規(guī)律對預測分析的重要性情況，從而控制開度控制網(wǎng)絡對之前信息的學習記錄情況；進一步地，在調整遺忘門的學習率時，通過引入分析段與上一時刻輸出向量的相關性來度量未來預測分析對之前所有數(shù)據(jù)規(guī)律的需求情況，從而控制開度控制網(wǎng)絡對之前信息的學習記錄情況。

11、優(yōu)選的，所述關聯(lián)性的自相關性的獲取方法，包括：

12、將每種分析段與同時段的另外一種分析段的皮爾遜相關系數(shù)的絕對值記為每種因素時序序列中每個數(shù)據(jù)與另外一種因素時序序列中同時刻數(shù)據(jù)的關聯(lián)性；

13、獲取每種因素時序序列中所有數(shù)據(jù)與另外一種因素時序序列中同時刻數(shù)據(jù)的關聯(lián)性的自相關值。

14、本發(fā)明通過關聯(lián)性的自相關性來反映之前時刻的不同種因素數(shù)據(jù)之間的關聯(lián)規(guī)律情況，從而為遺忘門的學習率的準確調整提供基礎。

15、優(yōu)選的，所述上一時刻的輸出向量的獲取方法，包括：

16、獲取開度控制網(wǎng)絡中輸出門在分析時刻的上一時刻的輸出向量記為上一時刻的輸出向量。

17、優(yōu)選的，所述獲取預先構建的開度控制網(wǎng)絡，包括：

18、構建lstm網(wǎng)絡作為開度控制網(wǎng)絡。

19、本發(fā)明利用lstm網(wǎng)絡作為開度控制網(wǎng)絡，讓開度控制網(wǎng)絡不僅可以學習短時間的規(guī)律特征，同時還能學習長時刻的規(guī)律特征，使開度控制網(wǎng)絡擁有更強的預測準確性。

20、優(yōu)選的，所述利用輸入門的學習率完成對該次迭代訓練的控制，包括：

21、利用輸入門的網(wǎng)絡參數(shù)的學習率和遺忘門的網(wǎng)絡參數(shù)的學習率分別控制該次迭代訓練過程中輸入門的網(wǎng)絡參數(shù)和遺忘門的網(wǎng)絡參數(shù)的更新幅度，以實現(xiàn)該次迭代訓練過程中輸入門和遺忘門的網(wǎng)絡參數(shù)的梯度更新。

22、本發(fā)明通過對開度控制網(wǎng)絡的遺忘門和輸入門的學習率進行調整，使得開度控制網(wǎng)絡能夠更快的學習到預測分析所需信息，提高開度控制網(wǎng)絡迭代訓練的速度以及開度控制網(wǎng)絡的預測精度。

23、優(yōu)選的，所述以實現(xiàn)調節(jié)閥開度控制，包括：

24、獲取迭代訓練完成的開度控制網(wǎng)絡，將新采集的當前時刻的每種因素數(shù)據(jù)輸入到迭代訓練完成的開度控制網(wǎng)絡中得到調節(jié)閥的開度值，根據(jù)所述開度值對調節(jié)閥進行調整。

25、優(yōu)選的，所述擬合數(shù)據(jù)的獲取方法，包括：

26、利用最小二乘法對分析段中除分析時刻之外的數(shù)據(jù)進行擬合處理得到擬合函數(shù)，利用擬合函數(shù)擬合出分析時刻的數(shù)據(jù)記為分析時刻的擬合數(shù)據(jù)。

27、本發(fā)明具有以下有益效果：

28、本發(fā)明通過對每次迭代訓練過程中的輸入門網(wǎng)絡參數(shù)的學習率進行調整，使開度控制網(wǎng)絡能夠根據(jù)預測分析對分析時刻的輸入信息需求量，對分析時刻的輸入信息進行不同程度的學習，從而讓開度控制網(wǎng)絡更快的學習到預測必要信息，從而提高開度控制網(wǎng)絡的預測精度以及開度控制網(wǎng)絡的訓練效率；

29、進一步地，在調整輸入門網(wǎng)絡參數(shù)的學習率時，通過引入分析時刻數(shù)據(jù)去除前后的相關性差異以及分析時刻數(shù)據(jù)與擬合數(shù)據(jù)的差異來準確度量分析時刻數(shù)據(jù)對預測分析的重要性情況，從而實現(xiàn)對學習率的準確調整；

30、進一步地，在調整輸入門網(wǎng)絡參數(shù)的學習率時，通過引入分析段與上一時刻輸入向量的相關性，來準確度量開度控制網(wǎng)絡學習到分析時刻規(guī)律信息的情況，從而判斷開度控制網(wǎng)絡對分析時刻輸入信息學習的必要性，進而實現(xiàn)對學習率的準確調整。