融合多种模态特征的井下供水管网流量预测

赵安新，刘 鼎，郭仕林，战仕发，陈志刚

(1.西安科技大学 通信与信息工程学院，陕西 西安 710054；2.陕西长武亭南煤业有限责任公司，陕西 长武 713600)

煤矿井下管网系统主要是指供排水、通风、制冷等管路综合系统，常被称作煤矿安全生产的 “生命线”，是煤矿生产中的重要组成部分，管网系统的安全可靠运行对整个矿井的生产至关重要，对管网系统进行高效的监测与调控，可以减少管道堵塞和泄漏等问题，提高生产效率和降低生产成本，避免安全事故的发生，保障工人的生命安全和生产设备的正常运行。目前的井下管网调控技术无论是SCADA系统或是GIS技术都是简单的数据收集和分析计算，只实现远程调控或是简单的线性判断调控，无法宏观的做出智能决策，而传统的依靠经验手动调控除了难以保证系统的稳定性和效率外，还存在人为失误的风险。想要实现井下管网的智能调控，关键的一步是对管网做出状态评估，对未来时刻管网的状态尤其是流量做出预测。一般的流量预测方法可以分为两类，传统的方法[1，2]如差分整合移动平均自回归模型(ARIMA)，K 近邻算法KNN)等，也有采用SWMM、EPANET等水文水力学模型及软件，近年来，利用水力软件对供水管网系统进行水力动态工况模拟的微观模型，是国际上研究的热点问题，很多结果发表在控制领域重要的国际期刊上[3]，由于优化带来计算负荷的影响，借助于运行水力仿真软件EPANET获取迭代过程中每一步操纵变量的数值，一种很可能的结果在下次更新之前找不到最优的设置，因此这些水力仿真软件应用于大型供水管网中进行实时、次优控制是不现实的，而且这些方法都需要详细的地理信息数据和水文气象数据，仅仅依靠自身的规律难以反映管网的一些特性，且需要大量的参数率定和校准工作，建模过程复杂。人工智能近年来得到了飞速发展和应用[4]，引来各行各业投入研究。许多深度学习方法如 RNN、GRU、LSTM、CNN、GAN 等，在一些场景的供排水系统中水流量预测方面取得了较好的效果。Zhang等[5]研究发现，LSTM 模型能够有效用于管网中的水流量预测；在其对溢流监测的研究中，LSTM和GRU 在多步超前时间序列预测方面都显示出了优越的性能[6]；最近几年，将深度学习中的LSTM、GAN、GRU、CNN等算法组合起来进行预测的研究越来越多。研究表明[7]混合模型作为作为综合能力比较轻的模型，比单一模型预测效果要更好，组合模型能发挥各部分优势，这样的预测方法也会是将来提高预测精度的大势所趋。相比较深度学习的方法与传统方法，深度学习的方法也具有更好的预测性能。

本研究提出一种多模态深度学习方法对井下供水管网多种模态特征进行表示，利用图卷积网络(GCN)[8]对井下供水管网的空间关系信息进行提取，同时通过循环神经网络RNN)中的一个简单而又强大的变体门控循环单元(GRU)对管网的时间依赖进行建模，并将井下生产作业时刻表作为另一特征学习；最后采用融合机制将管网的历史数据中的周期特性分别从时、天、周考虑，综合得到管网未来时刻的状态数据。本研究融合多模态特征，通过搭建合理的模型算法实现高精度的预测，为矿井井下供水管网系统集中调控减少复杂度，实现智能调控，为管网状态评估及智能调控提供参考。

1 亭南煤矿井下供水管网概况

本课题实地考察以陕西亭南煤矿的井下供水管网为数据来源研究，该矿一季度井下主要供水管网简化示意如图1所示。

图1 陕西亭南煤矿供水管网简图Fig.1 Schematic diagram of water supply network of Tingnan Coal Mine in Shaanxi Province

供水系统有两路水源，一路来自地面矿井水处理站，另一路来自井下深度水处理。两路水源均通过一条钢管与井下消防洒水管网相连接，延伸到各采、掘工作面。矿井主要包含3406工作面回采、3407运输机头硐室掘进供水、3407运输机头硐室掘进、3407回风巷里段正掘掘进、3406底部泄水巷TBM掘进、三盘区北翼辅运巷掘进工作面、西区1#回风大巷TBM掘进、西区2#回风大巷反掘掘进、西区运输大巷掘进工作面、西区煤仓仓顶检修通道掘进共9处掘进迎头用水点。在深度水处理、环形车场、三盘区集

中辅运巷、西区清水泵房、西区1#回风大巷、西区2#回风大巷等10处关键位置各安装有1台本安型流量传感器，每隔5 min记录一次流量数据。

本研究的数据集包括该矿三盘区供水范围内10个管道关键位置流量计的监测数据以及地理空间信息，数据范围从2022年1月1日到2023年1月1日，一年内的数据按照1～3月、4～6月、7～9月、10～12月分为四个数据集，并将其按7∶2：1的比例分割为训练集、验证集和测试集。经过预实验，将数据集的时间步长设置为5 min，历史时间窗口设置为24 h，未来时间窗口为15 min。综上，模型输入10个流量监测点过去24 h的监测值，输出各个监测点未来15 min流量预测值。

现场收集的监测数据最后形成的数据集是一个表格，其中行为传感器ID，表示井下管网的不同点位，列为具体的采集时间，两者相交的数值为流量数据，生成流量变化趋势折线如图2所示。本研究中，生成图邻接矩阵时考虑了各节点彼此之间的位置关系，并在构建图邻接矩阵时令所有监测点两两邻接。

图2 各节点水流量变化趋势Fig.2 Variation trend of water flow at each node

2 供水管网水流量预测模型建立

模型主体由图卷积网络组成的空间模块、门控递归单元和融合模块三部分组成，如图3所示。首先使用历史n时间序列数据作为输入，利用图卷积神经网络捕获供水管网空间拓扑结构信息，并通过加入一种采样操作来聚合邻居节点的特征信息，从而给不同的邻居节点分配不同的学习权重，使模型更关注被采样的节点，这样就可以自适应捕获空间维度上节点之间的相关性，间接达到注意力机制的效果，获得空间特征。接下来，将具有空间特征的时间序列输入门控递归单元模型，并加入井下生产日程信息，通过单元间的信息传递获得动态变化，捕捉时间依赖特征。最后，融合不同时间周期的流量特征，这样得到多种模态特征的信息，最后通过全连通层得到结果。

图3 MFANN模型结构Fig.3 MFANN model structure diagram

2.1 空间特征提取

传统的深度学习神经网络在计算机视觉和自然语言处理领域都取得了长足的进步，但它们只能够处理具有一定规则的数据，即欧式空间数据。供水管网网络不是二维网格，而是非欧式空间图的形式，这意味着CNN模型不能反映管道网络复杂的拓扑结构，因此不能准确地捕捉空间依赖关系。图神经网络GNN是专门为图信息数据提供处理服务的神经网络。它将图形信息用节点和边来表示，然后通过训练过程将节点之间的信息进行传递训练以此来学习图数据中各节点的依赖关系。

使用GCN对管网结构进行建模，从管路流量数据中学习空间特征。如图4所示，引入一个无向图G=(V，E，A)，其中，V是节点集，即传感器节点集；E是边集，表示网络中各传感器之间的管道连接性；A表示G的邻接矩阵。就建立起一个图结构，图神经网络不仅可以从节点属性中学习，还可以从网络拓扑所代表的节点之间的连通性中学习，从而得到空间依赖关系。

图4 供水管网的图结构Fig.4 Diagram structure of water supply network

邻接矩阵，A∈R(N×N)，邻接矩阵只包含0和1的元素。

特征矩阵X∈R(N×P)。管道上的水流量信息是网络中节点的属性特征，P代表节点属性的数量特征(历史时间序列的长度)，Xt∈R(N×i)用于表示每条管道的水流速度。同样，节点属性特性可以是任何管道信息，比如水流量、水流速、水压力。

因此，供水管网的水流量预测问题可以认为是在供水管网拓扑G和特征矩阵X的前提下学习映射函数f，然后计算未来T时刻的水流量信息，如式(1)所示：

[Xt+1，…，Xt+T]=f(G；(Xt-n，…，Xt-1，Xt))

(1)

给定的邻接矩阵A和特征矩阵X，GCN模型在傅里叶域中构造一个过滤器。该滤波器作用于图的节点上，通过它的一阶邻域捕获节点之间的空间特征，然后通过叠加多个卷积层来构建GCN模型，可以表示为：

本研究选择2层GCN模型捕捉空间依赖关系，可以表示为：

在空间维度上，不同监测点之间的水量情况相互影响，为了挖掘管道空间依赖关系的差异性，区分不同的相邻传感器节点随时间推移对整个管网的重要性。本研究通过加入一种采样操作来聚合邻居节点的特征信息，为不同的邻居节点分配不同的学习权重。使模型更关注被采样的节点，从而自适应捕获空间维度上节点之间的相关性，间接达到注意力机制的效果。为避免过多参数的引入，本研究利用平均池化和最大池化相结合的操作，通过池化操作对邻居节点进行采样，使模型更关注被采样的节点，来达到为采样的节点分配不同的权重的目的。空间注意模块利用基于池化的采样操作来学习传感器在t时刻对其它流量传感器贡献的权重，即注意力权重为：

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

(4)

式中，φ为映射函数；Xt为t时刻输入的节点特征；f为全连接层，σ(·)为激活函数；A为平均池化；M为最大池化。

将空间注意机制应用于t时刻的每个节点i=1，…N上，得到输出的聚合特征为：

最后将图卷积提取的空间特征和空间注意系数集成到时间捕获模块中，从而获得管网的时空依赖性。

2.2 时间依赖捕获

循环神经网络[10](RNN)可以有效处理时间序列数据，与前馈神经网络相比，其具有记忆力机制，但矩阵连续乘积可以导致梯度消失或梯度爆炸等问题，在学术界已经提出了许多方法来解决这类问题，其中最先出现的方法是长短期记忆[11](LSTM)，门控循环单元[12](GRU)是后来提出的一个略简化的变体，通常能够提供同等的效果，并且计算的速度明显更快。因此，选择GRU模型获取时间依赖性，其具体公式如下：

zt=σ(Wz·[ht-1，xt]+bz)

(6)

rt=σ(Wr·[ht-1，xt]+br)

(7)

图5 GRU结构示意图Fig.5 GRU structure diagram

使用门控循环单元(GRU)对历史数据进行建模，将流量与生产日程表根据时间序列对数据进行建模。GRU可以学习数据的时间相关性，从而预测未来的数据。

2.3 融合模块

井下供水流量的大小受影响因素较多，如生产日程与开采作业规程，决定着生产工作面的工作与否，而工作面的用水量是井下主要用水用途，在时间依赖捕获模块中考虑到生产作业表将会有效提升流量的预测精度。另外，由于井下生产作业的周期性，导致水流量也会带有一定的周期性，所以，分别考虑加入不同时间维度的流量数据共同作为预测的特征，由于井下生产作业一般为一天三班倒的生产作息，将班生产、日生产、周生产之间的相似性作为特征将有助于模型可以更好的学习，融合公式可以表示为：

Yp=Wr·Xr+Wd·Xd+Wω·Xω

(10)

3 实验与分析

为了验证融合图神经网络与循环神经网络对流量预测的有效性，将该方法用于预测陕西停南煤矿井下供水管中进行测试，以期验证该算法在井下管网流量预测的有效性。本研究在预测准确性的方向上与传统的预测方法进行了对比。

3.1 供水管网水流量预测模型评价指标

本研究采用平均绝对误差(MAE)、均方根误差(RMSE)、 平均绝对百分比误差(MAPE)作为模型性能评价指标，计算公式为：

式中，Yr为真实值；Yp为预测值；N为样本数量。

其中，平均绝对误差反映了模型的误差均值，均方根误差反映了模型预测效果的稳定性，取值范围为 [0，+∞)，平均绝对百分比误差反映模型的相对误差情况，取值范围为[0%，100%)。

3.2 供水管网水流量预测模型有效性探索

本研究为一个适用于井下供水管网水量预测的组合模型，并针对实际应用做了一些改进，为了验证本文研究的方法中不同模块的有效性，设计了两个变体进行消融实验加以验证：①None-A：表示没有加入比重的采样操作，即没有注意力机制效果；②None-F：表示不考虑实际矿井生产日程与不同周期时序的流量特征，即没有融合机制。

实验结果如图6所示，显然，两个变体误差更大，表明模型的组件都是有效的。此外，没有融合机制的模型表现最糟糕，表明本研究提出的融合模块的重要性。

图6 总体误差Fig.6 Overall error

3.3 供水管网水流量预测模型的结果及分析

为了验证本方法预测井下供水管网流量的有效性，实验结果见表1，从中可知，在真实流量数据上，本研究方法各指标均优于传统方法，而且相对于目前应用效果较好的STGCN模型，在本次选取的数据集上，本文提出的融合多种特征的预测井下供水流量模型，即MAFNN模型MAE减少了1.74，RMSE减少了4.49，MAPE降低了3.65%，这说明本文的融合模型既能降低预测偏差，又能保持预测的平稳性，证明了本文方法的有效性。

表1 不同模型实验性能对比Table 1 Comparison of experimental performance of different models

表1显示了本研究综合模型网络与其他基准模型对管网水流量的预测情况。其中，融合网络的预测结果比其它模型更加准确，预测稳定性也更高。这可能是由于模型学习了管网的拓扑结构，从而在预测流量时考虑了节点之间的相互影响，而且在综合学习了空间和时间依赖的基础上融合了煤矿生产作业规律以及工作周期的特征，综合学习得出结果比单一的时间序列模型效果有明显改良效果。

不同方法预测值与真实值的对比曲线如图7所示。可以看出，本实验网络模型对管网水流量整体的预测效果良好，突变程度较少，且可以较好地捕捉需水量的变化趋势。

图7 不同模型预测值与真实值对比曲线Fig.7 Comparison curve between the predicted value and the real value of different models

4 结 语

本研究使用图深度学习的方法捕捉了煤矿井下供水系统各监测点短期水流量的空间-时间依赖关系，充分利用了监测点的拓扑特征，从而达到提升水流量预测准确度的目的。与目前先进的长短期记忆网络、时空图神经网络相比，本文的网络利用图卷积层学习节点之间的空间关系，从而使时间卷积模块专注于提升时间序列预测效果，降低了时间序列预测模块的训练复杂性。实验结果表明，MFANN网络的预测准确性整体优于对比模型，与STGCN相比，MAE减少了1.74，RMSE减少了4.49，MAPE降低了3.65%，这可能是由于平均池化和最大池化相结合的采样操作可以有效捕捉节点之间的相互关系，使模型更关注被采样的节点从而减小预测偏差，而且本文加入的融合机制相当于从多个维度给模型以更多的特征，充分挖掘管道网络之间以及周期的相关性，从而使得预测结果相对更精确。井下的供水管网是一个具有图结构的实体应用系统，是图神经网络的良好应用场景，通过充分利用数据的拓扑特性以及融合场景特有的特征可以提升模型性能，怎样挖掘更多的潜在关系，将是提升预测精度的关键，也是下一步重点研究的问题。