论文基本信息
| 项目 | 内容 |
|---|---|
| 标题 | Dynamic Correlation-Guided Graph Spatiotemporal Learning for Bed Temperature Prediction of Circulating Fluidized Beds |
| 中文标题 | 动态相关性引导的图时空学习用于循环流化床床温预测 |
| 发表期刊 | IEEE Transactions on Industrial Informatics (TII) |
| 卷期 | Vol. 22, No. 2, February 2026 |
| 页码 | 1406-1417 |
| 作者单位 | 北京工业大学信息科学与技术学院 |
| 基金支持 | 国家自然科学基金 (62403018, 92467205)、北京市教委科研计划 (KM202410005032) |
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)
| 贡献 | 说明 |
|---|---|
| ① 多策略融合特征选择 | 方差阈值 → Pearson 相关分析 → 随机森林重要性排序，从大量候选变量中筛选关键输入 |
| ② 动态相关性引导的 GCN | 用先验知识（Pearson 相关系数）初始化图结构，再通过反向传播自适应学习边权重 |
| ③ GCN-LSTM 时空融合架构 | GCN 提取空间特征，LSTM 捕获时序动态，且原始特征与图特征并行输入 LSTM |
| ④ 多目标损失函数 | MSE + 趋势损失 + 平滑损失，兼顾拟合精度、趋势一致性和输出平滑性 |
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~−21WD~−21H(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+λ1Ltrend+λ2Lsmooth
| 损失项 | 公式 | 作用 |
|---|---|---|
| MSE 损失 | 1N∑i=1N(y^i−yi)2\frac{1}{N}\sum_{i=1}^N (\hat{y}_i - y_i)^2N1∑i=1N(y^i−yi)2 | 保证基本拟合精度 |
| 趋势损失 | $\frac{1}{N-1}\sum_{i=1}^{N-1} | \text{sign}(\Delta \hat{y}_i) - \text{sign}(\Delta y_i) |
| 平滑损失 | 1N−2∑i=1N−2(y^i+2−2y^i+1+y^i)2\frac{1}{N-2}\sum_{i=1}^{N-2} (\hat{y}_{i+2} - 2\hat{y}_{i+1} + \hat{y}_i)^2N−21∑i=1N−2(y^i+2−2y^i+1+y^i)2 | 抑制非物理波动 |
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
| 模型 | 特点 |
|---|---|
| GCN | 纯图卷积，无时间建模 |
| LSTM | 纯时序建模，无空间关系 |
| CNN-LSTM | 用 CNN 替代 GCN 提取空间特征 |
| GCN-GRU | 用 GRU 替代 LSTM 做时序建模 |
| Ours (本文) | GCN + LSTM + 多目标损失 |
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)：
| 模型 | 15min RMSE | 30min RMSE | 45min RMSE |
|---|---|---|---|
| GCN | 7.36 | 8.89 | 11.98 |
| LSTM | 7.32 | 9.49 | 13.78 |
| CNN-LSTM | 7.75 | 9.68 | 12.46 |
| GCN-GRU | 6.29 | 8.49 | 11.10 |
| Ours | 5.24 | 7.41 | 9.22 |
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)
| 变体 | 说明 | 关键发现 |
|---|---|---|
| w/o DynInit | 边权重固定不可学习 | 长期预测性能下降明显 |
| w/o MultiLoss | 仅使用 MSE 损失 | 短期预测 RMSE 增加 30.5% |
| Full Model | 完整模型 | 各 horizon 均最优 |
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
- 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
- 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
- 多目标损失有效— 趋势损失和平滑损失显著提升预测质量
- 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
| 亮点 | 价值 |
|---|---|
| 先验知识 + 数据驱动融合 | 保留物理可解释性，同时提升表达能力 |
| 原始特征与图特征并行输入 | 避免信息瓶颈，增强时序建模能力 |
| 多目标损失设计 | 工业预测不仅看精度，还要看趋势和平滑性 |
| 系统性验证 | 消融实验、敏感性分析、多次重复实验，结论可靠 |
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。
)
 agent和组件)