专利名称：用于执行基于模型的多目标资产优化和决策的方法和系统的制作方法
技术领域：
本发明公开一般地涉及过程建模、优化和控制系统，并且更特别地涉及用于执行基于模型的资产优化和决策的方法和系统。
背景技术：
预测模型通常用于各种商业、工业和科学应用中。这些模型可基于数据驱动构造技术、基于根据物理的构造技术、或基于这些技术的组合。
神经网络建模是数据驱动预测建模的已知实例。利用在数学上良好定义的算法(例如学习算法)，这种数据驱动模型是可训练的。即是，这种模型可通过将它们训练成基于测量的或存在的过程数据精确地把过程输入映射到过程输出上来进行开发。这种训练要求把若干输入-输出数据向量元组的各种集合呈现给训练算法。被训练的模型可接着精确地表示根本过程的输入-输出行为。
一旦确定预测模型在给定一组输入时，能够如实地预测各种过程输出，那么所述预测模型与优化器进行接口。这个确定可通过在对所述模型执行验证过程期间比较预测值和实际值来完成。各种优化方法可被进行接口，例如进化算法(EA)，其是模拟自然进化过程的优化技术，或者梯度下降优化技术。与优化器耦合的预测模型可用于实现过程控制器(例如，通过将优化器应用来以已知的方式来操纵过程输入，从而导致所期望的模型和过程输出)。
现有的解决方案利用神经网络来用于非线性的资产建模和探测这些模型的单目标优化技术，以便为该过程识别优化的输入-输出向量。这些优化技术使用单目标的基于梯度的或进化的优化器，其优化目标的复合函数(即借助ad hoc线性或非线性组合)。
所需要的是在多目标空间中提供建模和优化的架构，在多目标空间中存在一个以上的有关目标，目标可相互冲突并且不能组成到复合函数。这种架构能够在多个通常是冲突的目标的空间中得到最优的折衷解决方案。在冲突目标的空间中的最优的折衷解决方案集合通常被称为柏拉图效率边界(Pareto Frontier)。
发明内容
根据示例实施例，提供了一种借助预测建模用于执行多目标资产优化和决策的方法和系统。
一种利用预测建模来执行多目标资产优化和决策的方法，包括为资产建立至少两个预测模型。所述建立包括将操作历史数据分类为下列至少一类可控变量；不可控变量；输出目标；和约束条件。建立还包括选择至少两个输出目标或约束条件，并且识别适合于得到所述至少两个输出目标或约束条件的至少一个可控或不可控变量。该方法还包括将至少一个可控或不可控变量输入到所述至少两个预测模型的每一个，并且验证每个预测模型。如果验证的结果指示信用级别高于规定的阈值，那么该方法包括将输入的实况数据流应用于所述预测模型。如果验证的结果指示信用级别处于或低于规定的阈值，那么该方法包括选择至少一个备选的可控或不可控变量，以供输入到预测模型。该方法还包括利用预测模型来执行多目标优化。多目标优化包括规定搜索约束条件，其包括每个输入变量的上界和下界；表示用于实现最优输出目标和约束条件的值的范围的宽容度。多目标优化还包括应用多目标优化算法。该方法还包括生成柏拉图效率边界，该柏拉图效率边界包括最优输入-输出向量；并选择一个柏拉图输入-输出向量。
一种利用预测建模来执行多目标资产优化和决策的系统，包括处理器；与所述处理器通信的网络；和由所述处理器实现的过程管理器。该过程管理器执行为资产建立至少两个预测模型。所述建立包括将操作历史数据分类为下列至少一类可控变量；不可控变量；输出目标；和约束条件。建立还包括选择至少两个输出目标或约束条件，并且识别适合于得到所述至少两个输出目标或约束条件的至少一个可控或不可控变量。该过程管理器还执行将至少一个可控或不可控变量输入到所述至少两个预测模型的每一个，并且验证每个预测模型。如果验证的结果指示信用级别高于规定的阈值，那么该过程管理器执行将输入的实况数据流应用于所述预测模型。如果验证的结果指示信用级别处于或低于规定的阈值，那么该过程管理器选择至少一个备选的可控或不可控变量，以供输入到预测模型。该过程管理器还利用预测模型来执行多目标优化。多目标优化包括规定搜索约束条件，其包括每个输入变量的上界和下界；表示用于实现最优输出目标和约束条件的值的范围的宽容度。多目标优化还包括应用多目标优化算法。该过程管理器还执行生成柏拉图效率边界，该柏拉图效率边界包括最优输入-输出向量；并选择一个柏拉图输入-输出向量。
通过参考下面的附图和详细的说明，根据示例实施例的其它系统、方法和/或计算机程序产品对于本领域技术人员来说将变得清楚。所有这些附加的系统、方法和/或计算机程序产品旨在包括在该说明书内、落入本发明的范围内，以及受到所附权利要求的保护。
参考示例附图，其中在附图中类似的元素被类似地标号图1描述了基于模型的多目标优化和决策系统的框图，在此之上可根据示例实施例来实现过程管理系统；图2是描述各种输入变量的优化过程结果的输出目标的柏拉图效率边界曲线图；图3是描述用于实现多目标预测建模的过程的流程图，在此之上可根据示例实施例来实现过程管理系统；图4是过程输入和输出之间相关性的图；图5是支持创建和净化在生成示例实施例中的预测模型中使用的模型训练数据矩阵的界面；图6是支持在生成示例实施例中的预测模型中使用的样本候选列表和操作数选择的界面；图7是用于训练示例实施例中的预测模型的验证图；图8是描述利用示例实施例中的预测模型来执行多目标优化和决策的过程的流程图；并且图9是描述经由示例实施例中的过程管理系统来实现预测模型的监控和更新功能的过程的流程图。
具体实施例方式
根据示例实施例，提供了一种过程管理系统。过程管理系统利用数据驱动和基于基本原理的非线性模型的组合来执行闭环的、基于模型的资产优化和决策，和基于进化算法和梯度下降的柏拉图效率边界多目标优化技术。该过程管理系统还执行在线监控和非线性资产模型的适配。预测模型是指在执行模型生成和/或校准中致力于被测量的特定设备并通常使用采样数据的一般化模型。柏拉图效率边界优化技术提供用于在期望的元素属性之间折衷分析的架构(例如其中用于分析的两个相对的属性可包括与飞机设计关联的转弯角速度与可达距离，并且最优转弯角速度(机动性)的折衷可以是变小的可达距离的实现)。
柏拉图效率边界可提供所有可能的最优结果或最优解的图形描述。进化算法(EA)可应用于在实现优化功能中使用。EA基于模拟的自然进化范例并使用对生物进化的简化规则进行建模的“通用”算子，这些算子接着被应用于创建新的和所期望的更高级的解的总数。在给定的搜索期间多目标EA涉及搜索和维护多个柏拉图最优解，该多个柏拉图最优解允许通过单次执行EA算法来提供柏拉图最优(柏拉图效率边界)解的全集。
优化算法通常需要启动搜索的起始点。与EA将初始总数应用为起始点不同，基于梯度的搜索算法将初始解应用为起始点(其可从给定的搜索空间被随机生成)。
在示例实施例中，构建按照资产的历史数据被训练和验证的非线性预测的、数据驱动模型，以表示资产的输入-输出行为。资产的历史数据是指可测量的由资产操作得到的输入-输出元素。例如，如果资产是烧煤的锅炉，可测量的元素可例如包括一氧化二氮、一氧化碳和氧化硫的排放水平。历史数据还可包括资产的操作条件，比如燃料消耗和效率。环境条件，比如空气温度和燃料质量也可被测量并与历史数据一起被包括。
基于基本原理的方法可联合数据驱动模型来使用，该数据驱动模型构建表示资产输入-输出关系的预测模型，基本原理预测模型基于的是支配资产输入-输出关系的根本自然物理原理的数学表示。但是，可能需要在基本原理模型适于使用之前，基于资产的历史数据来首先调谐基本原理模型。假定有关资产的环境条件集合，多目标优化器探测资产的非线性预测模型以识别满足资产的操作约束条件的输入-输出向量元组的柏拉图最优集合。该多目标优化器可将一组历史上相似的操作点用作为种子点，以启动这些点周围的给定搜索空间的可灵活限制的搜索。基于域的判定函数叠加到输入-输出向量元组的柏拉图最优集合上，以为环境条件集合过滤和识别最优输入-输出向量元组。可支配资产来获得这个最优状态。这个优化过程可作为时间的函数或者改变资产状态中的操作和环境条件的函数来重复。
在线监控模块观察作为时间的函数的非线性模型的预测性能，并启动对各种非线性预测模型的动态调谐和更新，以在建模和闭环最优操作决策中达到高保真度。
尽管依照燃煤工厂中找到的资产来描述本发明，可以理解过程管理系统同样地可适于在各种其它工业中使用并且适于各种各样资产(例如燃气涡轮、燃油锅炉、精炼厂锅炉、飞机发动机、船舶发动机、汽油发动机、柴油发动机、混合发动机等)。本发明还可适用于这种资产队伍的最优管理。为了说明而提供了在这里描述的燃煤锅炉实施例，并且该实施例不认为是限制了范围。
现在转到图1，现在描述一种基于模型的多目标优化和决策系统，在此之上在示例实施例中实现过程管理系统。图1包括过程管理器120，其与用户系统101、存储设备102、控制系统103和网络105通信。
过程管理器120包括用户接口和监控器107、预测模型104、多目标优化器和决策器106、以及目标/适合性函数108。过程管理器120可通过在服务器、或备选的诸如用户系统101的计算机设备上执行的计算机指令(一个或多个软件应用)实现。如果在服务器上执行，那么用户系统101可通过网络105访问过程管理器120的特征。用户系统101可利用通用计算机来实现，该通用计算机执行一个或多个运行这里所描述的过程的计算机程序。用户系统101可以是个人计算机(例如，膝上电脑、个人数字助理)或者附着于主机的终端。如果用户系统101是个人计算机、这里描述的处理可由用户系统101和主机系统服务器来共享(例如通过向用户系统101提供小应用程序)。用户系统101可由供应商实体的工程队成员或经理来操作。可如这里进一步所述的那样来应用实现预测和优化功能的各种方法。
网络105可以是任何类型的已知网络，包括但不限于广域网(WAN)、局域网(LAN)、全球网(例如互联网)、虚拟个人网络(VPN)和内联网。网络105可利用无线网络或者本领域中已知的任何类型的物理网络实现方式来实现。
存储设备102可利用包括在用户系统101或主机系统中的存储器来实现，或者其可以是单独的物理设备。存储设备102在包括网络105的分布式环境中作为固定数据源是逻辑可寻址的。存储在存储设备102中的信息可经由主机系统被检索和操纵并且经由用户系统101被观看。
现在转到图2，现在将描述输出目标的柏拉图效率边界曲线图，该曲线图描述了各种输入变量的优化过程的结果。示出了一个示例柏拉图最优边界，其共同地使在400MW基本负载的燃煤工厂中的400MW目标负载需求的NOx和耗热率最小化。所示的圆形图示符号集群表示来自NOx-耗热率透视图的历史操作点的范围。星形图示符号和互连的凹曲线示出了NOx-耗热率空间中优化的柏拉图效率边界。不在该效率边界上的每个点是次最优操作点。“最知名的操作区域”是历史上达到的NOx-耗热率透视图中最有利的区域。识别“优化操作区域”或柏拉图效率边界允许附加的灵活性以折衷NOx信誉和燃料成本。
现在转到图3，现在描述用于实现多目标预测建模的过程的流程图，在此之上可根据示例实施例来实现过程管理系统。在步骤302，收集和过滤与被建模的资产有关的历史数据，以移除任何坏的或丢失的数据。如上所述，历史数据可包括通过操作资产得到的可测量的元素(例如排放水平)、资产的操作条件(例如燃料消耗)和环境条件(例如空气温度)。在步骤304，可将剩余的历史操作数据分类成三种。与可控变量(也称为“X”)有关的数据表示第一类。这些都是可被改变或正在改变的参数。可控参数的例子是燃料流量。与不可控变量有关的数据(也称为“Z”)表示第二类。例如，环境温度量度可被分类为不可控变量，因为这可能不在过程管理系统的直接控制之下。不可控变量的另一个例子是燃料质量参数，并且这也可能不在过程管理系统的直接控制之下。
与输出或者目标有关的数据(也称为“Y”)表示第三类。“Y”目标是指诸如耗热率、一氧化二氮排放等的目标。“Y”约束条件是指对输出所要求的约束条件，并且可以是诸如所要求的功率输出的约束条件。这类数据存储在存储器(例如存储设备102)中并且被维护为当前和今后使用。过程管理系统使得能过滤数据，其例子在图5中描述。如图5中的界面500所示，“X”、“Y”、和“Z”变量被分别分类在列502、504和506中，并且被表示在由行508指明的各种时间周期上。过滤函数可包括信号处理算法，用于使训练预测模型中的错误数据的影响最小化。
在设立过程管理系统时可初始地实现步骤302和304，并且按需要周期地更新它们。现在可利用如下所述的信息来创建预测模型。
在步骤306，识别资产的有关目标和约束条件。多个有时冲突的目标和约束条件可按期望地来确定。在步骤308，基于可控和不可控变量(X，Z)实现所期望目标或所需要的目标(Y)的适用性来选择这些可控和不可控变量。(X，Z)变量和Y目标或约束条件之间的相关性的分析是确定(X，Z)变量在达到Y目标或约束条件中适用性的重要步骤。这个相关性分析的例子在图4中描述。该过程管理系统提供用于选择这些输入的界面，如图6中所示的例子。在步骤310，构建每个所选目标的预测模型。
在步骤312，为了精确性而训练和验证预测模型。该预测模型训练和验证可通过检查图7的实际相对预测的曲线图714(与性能的精确性有关)以及每个预测模型训练的每个时期的误差相对时期(训练周期)曲线图716来进行。
在步骤314，如果预测模型有效，意味着预测值符合实际值，那么在步骤316，将实况数据流应用于预测模型。在步骤314，如果预测模型无效，那么过程返回到步骤308，由此选择备选的输入(X，Z)。因此，这些预测模型可用于经由过程管理系统来进行优化。
现在转到图8，在图8中示出和描述了利用多个预测模型来执行多目标优化的过程。在步骤802，用户规定了搜索约束条件。用户可规定每个X集合点的上界和下界。上界和下界分别表示输入的最大和最小可允许值。此外，用户可规定每个输入的搜索容差。搜索容差表示历史上类似的操作点周围的值的范围，该历史上类似的操作点将被用作为种子点以在搜寻“Y”的最优值时启动这些点周围的给定搜索空间的可灵活限制的搜索。此外，用户可为每个目标“Y”规定最优值(最小值/最大值)。
一旦用户已经配置了这些元素，在步骤804，过程管理器120通过将多目标优化算法106应用到预测模型104来识别对应的柏拉图效率边界。目标/适合性函数108在识别柏拉图效率边界时提供反馈给多目标优化器106。柏拉图效率边界提供满足操作约束条件的输入-输出向量元组的最优集合。
可选地，在步骤806可将判定函数应用于柏拉图效率边界。可将该判定函数应用到输入-输出向量元组的最优集合，以减小其中输入-输出向量元组的数量，其在步骤808中被称为次效率边界。一个这样的判定函数可基于的是向目标应用的成本或权重，由此可识别最接近目标权重的柏拉图最优解的子集。可应用另外的判定函数，比如能够选择最优输入-输出元组之一的判定函数，这个最优输入-输出元组使资产的当前状态扰动最小。在该过程中，过程管理器120提供使用户能够生成柏拉图效率边界曲线图的特征，该曲线图绘制了这些数据值。在图2中示出了示例柏拉图效率边界曲线图。
在步骤810，在步骤101的用户或根据在步骤120的用户的过程管理器可利用判定函数的结果来选择可部署的输入-输出向量。在步骤812，所选的可部署的最优输入-输出向量接着被传送到控制系统103或资产的操作员。
在时间上，监控预测模型以确保它们是正确的。在许多资产建模和优化应用中，需要调谐/更新预测模型以便有效地调节资产行为中适度的变化(例如作为时间的函数)，同时最小化训练预测模型所要求的时间。如图9中所描述的，过程管理系统使在线调谐能够用于预测模型。
现在转到图9，现在描述一个流程图，其描述监控和更新预测模型的的过程。在步骤902，表示新的可用的过程输入-输出信息的新数据点(X，Y)被输入到过程管理器120。在步骤904，过程监控器107验证每个预测模型以确定其精确性。在步骤906，执行误差计算。例如，误差计算可表示为在步骤908，如果误差率“E”超过了预定数目或者阈值，那么在步骤910，经由增量学习技术来更新当前模型。基于训练数据库，经由学习算法来递增地更新先前训练的预测模型的模型参数(例如，权重)，使得所得的预测模型适于逼进有关的函数。
在步骤912，在更新每个当前模型时，或可替换地，如果误差率“E”没有超过预定的阈值“Et”时，将新的数据点添加到临时存储器。临时存储器或缓冲器具有固定的尺寸“D”。
如果在步骤914，将新的数据点添加到临时存储器使缓冲器溢出(Db＞D)，那么在步骤916，创建新的训练集合。否则，过程返回到步骤902。在步骤918，经由成批训练技术来更新当前模型，并且在步骤920清空临时存储器。成批训练利用在步骤916中形成的数据集合来训练预测模型。与增量学习不同，成批训练更加彻底，并且可包括训练、交叉验证、和模型配置优化。可在固定的时间间隔或者在达到存储新数据的缓冲器的最大数据尺寸时执行成批训练。在预测模型的增量训练允许其连续地适于改变资产条件的同时，预测模型的成批训练有助于利用更严格的途径来周期性重新校准模型。
如上所述，发明的实施例可以计算机实现的过程和用于实施这些过程的设备的形式来具体化。本发明的实施例还以计算机程序代码的形式来具体化，所述代码包含在诸如软盘、CD-ROM、硬盘或任何其它计算机可读存储介质的有形媒体中具体化的指令，其中，当所述计算机程序代码被加载到计算机中并被执行时，该计算机变为用于实施本发明的设备。
本发明的实施例还可以计算机程序代码的形式来具体化，这些计算机程序代码例如存储在存储介质中，加载到计算机中和/或由计算机执行，或者通过某种传输介质来传输，比如通过电线或电缆、通过光纤、或经由电磁辐射，其中，当所述计算机程序代码被加载到计算机中并被执行时，该计算机变为用于实施本发明的设备。当在通用微型处理器上实现时，计算机程序代码段将微型处理器配置成创建专门的逻辑电路。可执行代码的技术效果是促进了基于模型的资产的预测和优化。
尽管已经参考示例实施例来描述了本发明，本领域技术人员应当理解的是，可作出各种变化，并且等效物可代替其元素而不会偏离本发明的范围。此外，可作出许多修改以使特定的情况和材料适应本发明的教导，而不会偏离本发明的实质范围。因此，本发明旨在不限制于作为最优所公开的或仅作为打算用来执行本发明的模式的特定实施例，而是本发明将包括所有落入所附权利要求的范围内的实施例。此外，使用术语第一、第二等不表示任何顺序或重要性，相反，术语第一、第二等用来将一个元素与另一个相区别。此外，使用术语一、一个等不表示数量限制，而是表示存在至少一个参考物品。
权利要求
1.一种利用预测建模来执行多目标资产优化和决策的方法，包括为资产建立至少两个预测模型(104)，包括将操作历史数据分类(102)为下列至少一类可控变量(502)；不可控变量(506)；输出目标(504)；和约束条件(504)；选择至少两个输出目标或约束条件(504)；并且识别适合于得到所述至少两个输出目标或约束条件(504)的至少一个可控(502)或不可控变量(506)；将至少一个可控(502)或不可控变量(506)输入到所述至少两个预测模型(104)的每一个；验证每个预测模型(104)；如果验证的结果指示信用级别高于规定的阈值，那么将输入的实况数据流应用于所述预测模型(104)；如果验证的结果指示信用级别处于或低于规定的阈值，那么选择至少一个备选的可控(502)或不可控变量(506)，以供输入到预测模型(104)；利用预测模型(104)来执行多目标优化，包括规定搜索约束条件，包括每个输入变量的上界和下界(502，506)；表示用于实现最优输出目标(504)和约束条件(504)的值的范围的宽容度；应用多目标优化算法(106)；生成柏拉图效率边界，该柏拉图效率边界包括最优输入-输出向量；并且选择一个柏拉图最优输入-输出向量。
2.权利要求1的方法，其中可控变量(502)包括可改变的输入参数。
3.权利要求1的方法，其中不可控变量(506)包括静态的输入参数。
4.权利要求1的方法，还包括将判定函数(106)应用于生成柏拉图效率边界的结果，其中为部署而选择输入-输出向量基于的是应用能够降低输入-输出向量数量的判定函数(106)的结果。
5.权利要求4的方法，还包括为部署选择柏拉图最优输入-输出向量之一，这个最优输入-输出向量使资产现有的可控变量配置扰动最小。
6.一种利用预测建模来执行多目标资产优化和决策的系统，包括处理器；与所述处理器通信的网络(105)；和由所述处理器实现的过程管理器(120)，该过程管理器(120)执行为资产建立至少两个预测模型(104)，包括将操作历史数据(102)分类为下列至少一类可控变量(502)；不可控变量(506)；输出目标(504)；和约束条件(504)；选择至少两个输出目标(504)或约束条件(504)；并且识别适合于得到所述至少两个输出目标(504)或约束条件(504)的至少一个可控(502)或不可控变量(506)；将至少一个可控(502)或不可控变量(506)输入到所述至少两个预测模型(104)的每一个；验证每个预测模型(104)；如果验证的结果指示信用级别高于规定的阈值，那么将输入的实况数据流应用于所述预测模型(104)；如果验证的结果指示信用级别处于或低于规定的阈值，那么选择至少一个备选的可控(502)或不可控变量(506)，以供输入到预测模型(104)；利用预测模型(104)来执行多目标优化，包括规定搜索约束条件，包括每个输入变量的上界和下界；表示用于实现最优输出目标和约束条件的值的范围的宽容度；应用多目标优化算法(106)；生成柏拉图效率边界，该柏拉图效率边界包括最优输入-输出向量；并且选择一个柏拉图最优输入-输出向量。
7.权利要求6的系统，其中可控变量(502)包括可改变的输入参数。
8.权利要求6的系统，其中不可控变量(506)包括静态的输入参数。
9.权利要求6的系统，其中过程管理器(120)还执行将判定函数应用于生成柏拉图效率边界的结果，其中为部署而选择输入-输出向量基于的是应用能够降低输入-输出向量数量的判定函数的结果。
10.权利要求9的系统，其中过程管理器(120)还执行为部署选择柏拉图最优输入-输出向量之一，这个最优输入-输出向量使资产现有的可控变量(502)配置扰动最小。
全文摘要
提供了一种执行基于模型的多目标资产优化和决策的方法和系统。该方法包括为资产建立至少两个预测模型。所述建立包括将操作历史数据分类为下列至少一类可控变量(502)，不可控变量(506)，输出目标(504)，和约束条件(504)。建立还包括选择至少两个输出目标或约束条件(504)，并且识别适合于得到所述至少两个输出目标或约束条件(504)的至少一个可控(502)或不可控变量(506)。该方法还包括验证每个预测模型(104)，并利用预测模型(104)来执行多目标优化。多目标优化包括规定搜索约束条件(504)，并应用多目标优化算法(106)。该方法还包括生成柏拉图效率边界，并选择一个柏拉图最优输入－输出向量。
文档编号G06Q10/00GK1855141SQ200610077230
公开日2006年11月1日 申请日期2006年4月28日 优先权日2005年4月28日
发明者R·V·苏布, P·P·博尼索恩, N·H·埃克伦德, N·S·伊尔, R·P·夏, W·彦, C·E·诺德尔, J·J·施密德 申请人:通用电气公司