融合多種模態特征的井下供水管網流量預測

趙安新，劉 鼎，郭仕林，戰仕發，陳志剛

(1.西安科技大學 通信與信息工程學院，陜西 西安 710054；2.陜西長武亭南煤業有限責任公司，陜西 長武 713600)

煤礦井下管網系統主要是指供排水、通風、制冷等管路綜合系統，常被稱作煤礦安全生產的 “生命線”，是煤礦生產中的重要組成部分，管網系統的安全可靠運行對整個礦井的生產至關重要，對管網系統進行高效的監測與調控，可以減少管道堵塞和泄漏等問題，提高生產效率和降低生產成本，避免安全事故的發生，保障工人的生命安全和生產設備的正常運行。目前的井下管網調控技術無論是SCADA系統或是GIS技術都是簡單的數據收集和分析計算，只實現遠程調控或是簡單的線性判斷調控，無法宏觀的做出智能決策，而傳統的依靠經驗手動調控除了難以保證系統的穩定性和效率外，還存在人為失誤的風險。想要實現井下管網的智能調控，關鍵的一步是對管網做出狀態評估，對未來時刻管網的狀態尤其是流量做出預測。一般的流量預測方法可以分為兩類，傳統的方法[1，2]如差分整合移動平均自回歸模型(ARIMA)，K 近鄰算法KNN)等，也有采用SWMM、EPANET等水文水力學模型及軟件，近年來，利用水力軟件對供水管網系統進行水力動態工況模擬的微觀模型，是國際上研究的熱點問題，很多結果發表在控制領域重要的國際期刊上[3]，由于優化帶來計算負荷的影響，借助于運行水力仿真軟件EPANET獲取迭代過程中每一步操縱變量的數值，一種很可能的結果在下次更新之前找不到最優的設置，因此這些水力仿真軟件應用于大型供水管網中進行實時、次優控制是不現實的，而且這些方法都需要詳細的地理信息數據和水文氣象數據，僅僅依靠自身的規律難以反映管網的一些特性，且需要大量的參數率定和校準工作，建模過程復雜。人工智能近年來得到了飛速發展和應用[4]，引來各行各業投入研究。許多深度學習方法如 RNN、GRU、LSTM、CNN、GAN 等，在一些場景的供排水系統中水流量預測方面取得了較好的效果。Zhang等[5]研究發現，LSTM 模型能夠有效用于管網中的水流量預測；在其對溢流監測的研究中，LSTM和GRU 在多步超前時間序列預測方面都顯示出了優越的性能[6]；最近幾年，將深度學習中的LSTM、GAN、GRU、CNN等算法組合起來進行預測的研究越來越多。研究表明[7]混合模型作為作為綜合能力比較輕的模型，比單一模型預測效果要更好，組合模型能發揮各部分優勢，這樣的預測方法也會是將來提高預測精度的大勢所趨。相比較深度學習的方法與傳統方法，深度學習的方法也具有更好的預測性能。

本研究提出一種多模態深度學習方法對井下供水管網多種模態特征進行表示，利用圖卷積網絡(GCN)[8]對井下供水管網的空間關系信息進行提取，同時通過循環神經網絡RNN)中的一個簡單而又強大的變體門控循環單元(GRU)對管網的時間依賴進行建模，并將井下生產作業時刻表作為另一特征學習；最后采用融合機制將管網的歷史數據中的周期特性分別從時、天、周考慮，綜合得到管網未來時刻的狀態數據。本研究融合多模態特征，通過搭建合理的模型算法實現高精度的預測，為礦井井下供水管網系統集中調控減少復雜度，實現智能調控，為管網狀態評估及智能調控提供參考。

1 亭南煤礦井下供水管網概況

本課題實地考察以陜西亭南煤礦的井下供水管網為數據來源研究，該礦一季度井下主要供水管網簡化示意如圖1所示。

圖1 陜西亭南煤礦供水管網簡圖Fig.1 Schematic diagram of water supply network of Tingnan Coal Mine in Shaanxi Province

供水系統有兩路水源，一路來自地面礦井水處理站，另一路來自井下深度水處理。兩路水源均通過一條鋼管與井下消防灑水管網相連接，延伸到各采、掘工作面。礦井主要包含3406工作面回采、3407運輸機頭硐室掘進供水、3407運輸機頭硐室掘進、3407回風巷里段正掘掘進、3406底部泄水巷TBM掘進、三盤區北翼輔運巷掘進工作面、西區1#回風大巷TBM掘進、西區2#回風大巷反掘掘進、西區運輸大巷掘進工作面、西區煤倉倉頂檢修通道掘進共9處掘進迎頭用水點。在深度水處理、環形車場、三盤區集

中輔運巷、西區清水泵房、西區1#回風大巷、西區2#回風大巷等10處關鍵位置各安裝有1臺本安型流量傳感器，每隔5 min記錄一次流量數據。

本研究的數據集包括該礦三盤區供水范圍內10個管道關鍵位置流量計的監測數據以及地理空間信息，數據范圍從2022年1月1日到2023年1月1日，一年內的數據按照1～3月、4～6月、7～9月、10～12月分為四個數據集，并將其按7∶2：1的比例分割為訓練集、驗證集和測試集。經過預實驗，將數據集的時間步長設置為5 min，歷史時間窗口設置為24 h，未來時間窗口為15 min。綜上，模型輸入10個流量監測點過去24 h的監測值，輸出各個監測點未來15 min流量預測值。

現場收集的監測數據最后形成的數據集是一個表格，其中行為傳感器ID，表示井下管網的不同點位，列為具體的采集時間，兩者相交的數值為流量數據，生成流量變化趨勢折線如圖2所示。本研究中，生成圖鄰接矩陣時考慮了各節點彼此之間的位置關系，并在構建圖鄰接矩陣時令所有監測點兩兩鄰接。

圖2 各節點水流量變化趨勢Fig.2 Variation trend of water flow at each node

2 供水管網水流量預測模型建立

模型主體由圖卷積網絡組成的空間模塊、門控遞歸單元和融合模塊三部分組成，如圖3所示。首先使用歷史n時間序列數據作為輸入，利用圖卷積神經網絡捕獲供水管網空間拓撲結構信息，并通過加入一種采樣操作來聚合鄰居節點的特征信息，從而給不同的鄰居節點分配不同的學習權重，使模型更關注被采樣的節點，這樣就可以自適應捕獲空間維度上節點之間的相關性，間接達到注意力機制的效果，獲得空間特征。接下來，將具有空間特征的時間序列輸入門控遞歸單元模型，并加入井下生產日程信息，通過單元間的信息傳遞獲得動態變化，捕捉時間依賴特征。最后，融合不同時間周期的流量特征，這樣得到多種模態特征的信息，最后通過全連通層得到結果。

圖3 MFANN模型結構Fig.3 MFANN model structure diagram

2.1 空間特征提取

傳統的深度學習神經網絡在計算機視覺和自然語言處理領域都取得了長足的進步，但它們只能夠處理具有一定規則的數據，即歐式空間數據。供水管網網絡不是二維網格，而是非歐式空間圖的形式，這意味著CNN模型不能反映管道網絡復雜的拓撲結構，因此不能準確地捕捉空間依賴關系。圖神經網絡GNN是專門為圖信息數據提供處理服務的神經網絡。它將圖形信息用節點和邊來表示，然后通過訓練過程將節點之間的信息進行傳遞訓練以此來學習圖數據中各節點的依賴關系。

使用GCN對管網結構進行建模，從管路流量數據中學習空間特征。如圖4所示，引入一個無向圖G=(V，E，A)，其中，V是節點集，即傳感器節點集；E是邊集，表示網絡中各傳感器之間的管道連接性；A表示G的鄰接矩陣。就建立起一個圖結構，圖神經網絡不僅可以從節點屬性中學習，還可以從網絡拓撲所代表的節點之間的連通性中學習，從而得到空間依賴關系。

圖4 供水管網的圖結構Fig.4 Diagram structure of water supply network

鄰接矩陣，A∈R(N×N)，鄰接矩陣只包含0和1的元素。

特征矩陣X∈R(N×P)。管道上的水流量信息是網絡中節點的屬性特征，P代表節點屬性的數量特征(歷史時間序列的長度)，Xt∈R(N×i)用于表示每條管道的水流速度。同樣，節點屬性特性可以是任何管道信息，比如水流量、水流速、水壓力。

因此，供水管網的水流量預測問題可以認為是在供水管網拓撲G和特征矩陣X的前提下學習映射函數f，然后計算未來T時刻的水流量信息，如式(1)所示：

[Xt+1，…，Xt+T]=f(G；(Xt-n，…，Xt-1，Xt))

(1)

給定的鄰接矩陣A和特征矩陣X，GCN模型在傅里葉域中構造一個過濾器。該濾波器作用于圖的節點上，通過它的一階鄰域捕獲節點之間的空間特征，然后通過疊加多個卷積層來構建GCN模型，可以表示為：

本研究選擇2層GCN模型捕捉空間依賴關系，可以表示為：

在空間維度上，不同監測點之間的水量情況相互影響，為了挖掘管道空間依賴關系的差異性，區分不同的相鄰傳感器節點隨時間推移對整個管網的重要性。本研究通過加入一種采樣操作來聚合鄰居節點的特征信息，為不同的鄰居節點分配不同的學習權重。使模型更關注被采樣的節點，從而自適應捕獲空間維度上節點之間的相關性，間接達到注意力機制的效果。為避免過多參數的引入，本研究利用平均池化和最大池化相結合的操作，通過池化操作對鄰居節點進行采樣，使模型更關注被采樣的節點，來達到為采樣的節點分配不同的權重的目的?？臻g注意模塊利用基于池化的采樣操作來學習傳感器在t時刻對其它流量傳感器貢獻的權重，即注意力權重為：

Satt=σ(f([A(φ[Xt，ht-1])，M(φ[Xt，ht-1])]))

(4)

式中，φ為映射函數；Xt為t時刻輸入的節點特征；f為全連接層，σ(·)為激活函數；A為平均池化；M為最大池化。

將空間注意機制應用于t時刻的每個節點i=1，…N上，得到輸出的聚合特征為：

最后將圖卷積提取的空間特征和空間注意系數集成到時間捕獲模塊中，從而獲得管網的時空依賴性。

2.2 時間依賴捕獲

循環神經網絡[10](RNN)可以有效處理時間序列數據，與前饋神經網絡相比，其具有記憶力機制，但矩陣連續乘積可以導致梯度消失或梯度爆炸等問題，在學術界已經提出了許多方法來解決這類問題，其中最先出現的方法是長短期記憶[11](LSTM)，門控循環單元[12](GRU)是后來提出的一個略簡化的變體，通常能夠提供同等的效果，并且計算的速度明顯更快。因此，選擇GRU模型獲取時間依賴性，其具體公式如下：

zt=σ(Wz·[ht-1，xt]+bz)

(6)

rt=σ(Wr·[ht-1，xt]+br)

(7)

圖5 GRU結構示意圖Fig.5 GRU structure diagram

使用門控循環單元(GRU)對歷史數據進行建模，將流量與生產日程表根據時間序列對數據進行建模。GRU可以學習數據的時間相關性，從而預測未來的數據。

2.3 融合模塊

井下供水流量的大小受影響因素較多，如生產日程與開采作業規程，決定著生產工作面的工作與否，而工作面的用水量是井下主要用水用途，在時間依賴捕獲模塊中考慮到生產作業表將會有效提升流量的預測精度。另外，由于井下生產作業的周期性，導致水流量也會帶有一定的周期性，所以，分別考慮加入不同時間維度的流量數據共同作為預測的特征，由于井下生產作業一般為一天三班倒的生產作息，將班生產、日生產、周生產之間的相似性作為特征將有助于模型可以更好的學習，融合公式可以表示為：

Yp=Wr·Xr+Wd·Xd+Wω·Xω

(10)

3 實驗與分析

為了驗證融合圖神經網絡與循環神經網絡對流量預測的有效性，將該方法用于預測陜西停南煤礦井下供水管中進行測試，以期驗證該算法在井下管網流量預測的有效性。本研究在預測準確性的方向上與傳統的預測方法進行了對比。

3.1 供水管網水流量預測模型評價指標

本研究采用平均絕對誤差(MAE)、均方根誤差(RMSE)、 平均絕對百分比誤差(MAPE)作為模型性能評價指標，計算公式為：

式中，Yr為真實值；Yp為預測值；N為樣本數量。

其中，平均絕對誤差反映了模型的誤差均值，均方根誤差反映了模型預測效果的穩定性，取值范圍為 [0，+∞)，平均絕對百分比誤差反映模型的相對誤差情況，取值范圍為[0%，100%)。

3.2 供水管網水流量預測模型有效性探索

本研究為一個適用于井下供水管網水量預測的組合模型，并針對實際應用做了一些改進，為了驗證本文研究的方法中不同模塊的有效性，設計了兩個變體進行消融實驗加以驗證：①None-A：表示沒有加入比重的采樣操作，即沒有注意力機制效果；②None-F：表示不考慮實際礦井生產日程與不同周期時序的流量特征，即沒有融合機制。

實驗結果如圖6所示，顯然，兩個變體誤差更大，表明模型的組件都是有效的。此外，沒有融合機制的模型表現最糟糕，表明本研究提出的融合模塊的重要性。

圖6 總體誤差Fig.6 Overall error

3.3 供水管網水流量預測模型的結果及分析

為了驗證本方法預測井下供水管網流量的有效性，實驗結果見表1，從中可知，在真實流量數據上，本研究方法各指標均優于傳統方法，而且相對于目前應用效果較好的STGCN模型，在本次選取的數據集上，本文提出的融合多種特征的預測井下供水流量模型，即MAFNN模型MAE減少了1.74，RMSE減少了4.49，MAPE降低了3.65%，這說明本文的融合模型既能降低預測偏差，又能保持預測的平穩性，證明了本文方法的有效性。

表1 不同模型實驗性能對比Table 1 Comparison of experimental performance of different models

表1顯示了本研究綜合模型網絡與其他基準模型對管網水流量的預測情況。其中，融合網絡的預測結果比其它模型更加準確，預測穩定性也更高。這可能是由于模型學習了管網的拓撲結構，從而在預測流量時考慮了節點之間的相互影響，而且在綜合學習了空間和時間依賴的基礎上融合了煤礦生產作業規律以及工作周期的特征，綜合學習得出結果比單一的時間序列模型效果有明顯改良效果。

不同方法預測值與真實值的對比曲線如圖7所示?？梢钥闯?，本實驗網絡模型對管網水流量整體的預測效果良好，突變程度較少，且可以較好地捕捉需水量的變化趨勢。

圖7 不同模型預測值與真實值對比曲線Fig.7 Comparison curve between the predicted value and the real value of different models

4 結 語

本研究使用圖深度學習的方法捕捉了煤礦井下供水系統各監測點短期水流量的空間-時間依賴關系，充分利用了監測點的拓撲特征，從而達到提升水流量預測準確度的目的。與目前先進的長短期記憶網絡、時空圖神經網絡相比，本文的網絡利用圖卷積層學習節點之間的空間關系，從而使時間卷積模塊專注于提升時間序列預測效果，降低了時間序列預測模塊的訓練復雜性。實驗結果表明，MFANN網絡的預測準確性整體優于對比模型，與STGCN相比，MAE減少了1.74，RMSE減少了4.49，MAPE降低了3.65%，這可能是由于平均池化和最大池化相結合的采樣操作可以有效捕捉節點之間的相互關系，使模型更關注被采樣的節點從而減小預測偏差，而且本文加入的融合機制相當于從多個維度給模型以更多的特征，充分挖掘管道網絡之間以及周期的相關性，從而使得預測結果相對更精確。井下的供水管網是一個具有圖結構的實體應用系統，是圖神經網絡的良好應用場景，通過充分利用數據的拓撲特性以及融合場景特有的特征可以提升模型性能，怎樣挖掘更多的潛在關系，將是提升預測精度的關鍵，也是下一步重點研究的問題。