基于对抗shapelet学习的阳极效应早期预报方法

1.本发明涉及阳极效应检测技术领域，特别是指一种基于对抗shapelet学习的阳极效应早期预报方法。


背景技术：

2.阳极效应(ae)是铝电解生产过程中的一种特殊现象。当ae发生在一个或几个阳极上时，这种阳极的电压和阳极电流密度会在短时间内急剧上升，会降低铝电解槽电流效率，同时会缩短电解槽(aec)寿命。此外，ae会产生两种有害的全氟碳化合物气体：cf4和c2f6，它们的全球变暖能力分别是co2的11100倍和6630倍。因此，采用阳极效应早期检测(aeed)降低铝电解槽的效应次数是很有意义的。然而，ae呈现出由氧化铝浓度减少引起的区域分布特征。此外，aec是非线性的多变量耦合时变系统。因此，构建准确的aeed模型是一个巨大的挑战。
3.在实际铝电解过程中，在aec控制系统中的ae预报程序是通过氧化铝浓度与aec抗性曲线关系来实现的。然而，aec电阻不仅由受氧化铝浓度影响也会受到其他因素的影响，比如氟化物。因此这样的曲线很难准确地反映出氧化铝浓度在aec中的变化。因此，其他的更详细速率方法需要研究。近年来，一些用于aeec的数据驱动的方法被提出来了。文献[hang r,liu q,hong d,et al.cascaded recurrent neural networks for hyperspectral image classification[j].ieee transactions on geoscience and remote sensing,2019,57(8):5384-5394.]中提到ae是由整体的信号来预测的，包括累斜的变化趋势和槽电阻的累计斜率。此外，整体信号平均电压和其他特征也被用于通过构造奇异值阈值和极值梯度升压模型来预测阳极效应。然而，ae一般先在一个阳极上产生，然后传递到其他的阳极上。因此，阳极效应的特征一般会出现在其他多维度的阳极电流信号上。因此，aeed应该使用分布式的信号。文献[1]-[wang g,zhang z,bian z,et al.a short-term voltage stability online prediction method based on graph convolutional networks and long short-term memory networks[j].international journal of electrical power&energy systems,2021,127:106647.]对acs的功率谱进行了分析，并将其用于局部阳极效应的检测。然而，文献[1]将每个阳极电流信号的维度当成一个单独的信号，这样会忽视不同维度之间的空间联系。因此隐藏在acs中的关键的时空特征不能被获取。从而限制了这些方法对ae的早期检测方法的可靠性。


技术实现要素：

[0004]
针对上述背景技术中存在的不足，本发明提出了一种基于对抗shapelet学习的阳极效应早期预报方法。
[0005]
本发明的技术方案是这样实现的：
[0006]
一种基于对抗shapelet学习的阳极效应早期预报方法，其步骤如下：
[0007]
步骤一：根据铝电解槽阳极的位置关系计算阳极电流信号的邻接矩阵；
[0008]
步骤二：根据步骤一的阳极电流信号的邻接矩阵，获取自适应空间结构的shapelet学习分类器；
[0009]
步骤三：基于自适应空间结构的shapelet学习分类器构建多头对抗神经网络；
[0010]
步骤四：利用梯度下降优化算法对抗神经网络进行优化，得到最终的多头对抗神经网络模型；并将输入时间序列输入多头对抗神经网络模型得到分类结果。
[0011]
优选地，所述阳极电流信号的邻接矩阵的计算方法为：
[0012]
定义阳极电流信号的图结构；并根据阳极电流信号的平面图计算阳极电流信号的距离表示矩阵ma：
[0013][0014]
其中，代表了阳极vi和vj之间的水平距离，va＝{v
1a
,v
2a
,
…
,v
12a
},vb＝{v
1b
,v
2b
,
…
,v
12b
}是在同一阳极母线下的阳极的集合；
[0015]
对ma进行滤波得到矩阵mr：
[0016][0017]
对矩阵mr进行标准化，得到阳极电流信号的邻接矩阵m：
[0018][0019]
其中，是对角矩阵，是度矩阵；
[0020]
将阳极电流信号的邻接矩阵m定义为固定的邻接矩阵m，将自适应的邻接矩阵定义为动态的邻接矩阵p，则综合邻接矩阵a＝(1-τ)m+τp，其中，w1＝xm1，w2＝xm2。t是输入特征的维度，c
out
是输出特征的维度，m1和m2是两个映射空间的参数，m1和m2通过将输入x映射到两个空间w1＝xm1和w2＝xm2中，其中
[0021]
优选地，所述多头对抗神经网络包括多头鉴别器和多头生成器；
[0022]
生成器gk包括三层的反卷积层和批归一化层，所有的批归一化层后面都有一个relu激活函数；多头生成器的损失函数定义如下：
[0023]
lossgk＝λgbceloss(d(sk),label
real
)+lossc；
[0024]
其中，lossgk是生成器gk的损失函数，λg表示鉴别器损失的权重，d(sk)表示鉴别器d对应输入子序列sk预测的标签，label
real
表示真实的标签，bceloss是线性交叉熵损失函数，sk＝gk(z)是第k个shapelet，k＝1,2,
…
,k，k是shapelets的数量，lossc是分类器c的最小化损失函数；
[0025]
bceloss表达式为：
[0026]
[0027]
其中，v是一个分类器，输入是x，输出是y。
[0028]
鉴别器包括三个卷积层，鉴别器d的损失函数为lossd，表达式为：
[0029][0030]
其中，label
fake
表示假的标签。
[0031]
优选地，所述自适应空间结构的shapelet学习分类器的实现方法为：
[0032]
计算sk与原始序列x的最小距离：
[0033][0034]
其中，表示sk与单变量时间序列xn的距离，α表示软距离近似值的调整参数；的表达式为：
[0035][0036]
其中，d(sk,x
j”,n
)表示子序列sk与x
j”,n
之间的欧式距离；
[0037]
通过定义参数矩阵wk获取x的预测标签
[0038][0039]
其中，dk表示sk与原始序列x的最小距离；
[0040]
通过最小化损失函数lossc来获取准确率比较高的shapelets：
[0041][0042]
其中，λw表示分类器规则化的参数，λa表示自调整空间网络规则化的参数，w表示分类器的参数矩阵，表示第k个shapelet对应输入时间序列第u个变量的距离值，表示表示第k个shapelet对应输入时间序列第v个变量的距离值，a表示输入数据x的网络空间联系，δ表示调节的系数，b表示输入数据x的反网络空间联系。
[0043]
优选地，所述将输入时间序列输入对抗神经网络模型得到分类结果的方法为：
[0044]
将噪声z输入多头生成器以生成类似于shapelet的子序列，将生成的shapelet与真实的时间序列x输入判别器，用于判断shapelet与真实子序列的相似程度。将生成的
shapelet和x输入分类器，可以用于判断生成器生成的shapelet是否具有鉴别输入x的能力。最后对判别器、生成器和分类器进行迭代更新，可以获得更像子序列和鉴别性更强的shapelet和一个分类效果更好的分类器。
[0045]
与现有技术相比，本发明产生的有益效果为：
[0046]
1)本发明结合了不同维度阳极电流信号之间的空间联系，提取了可解释性的shapelet特征；
[0047]
2)通过邻接矩阵定义了阳极之间的整体相关性和动态的图结构，可以获取动态的空间结构变化；
[0048]
3)通过建立自调节邻接矩阵作为自适应网络和多样性规则化的约束为后续的子序列特征学习；
[0049]
4)通过结合对抗网络与shapelet学习方法，加强了shapelets的可解释性。
附图说明
[0050]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0051]
图1为本发明的流程图。
[0052]
图2为本发明的自适应网络shapelet学习的算法框图。
具体实施方式
[0053]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0054]
如图1所示，本发明实施例提供了一种基于对抗shapelet学习的阳极效应早期预报方法，具体步骤如下：
[0055]
步骤一：根据铝电解槽阳极的位置关系计算阳极电流信号的邻接矩阵；
[0056]
本发明定义了阳极电流信号的邻接矩阵m∈rn×n和阳极电流信号的图结构。图结构说明了阳极之间的联系，邻接矩阵用矩阵的方式来说明这种联系。邻接矩阵中的每个元素说明了阳极之间是否有边进行连接。根据阳极电流信号的平面图计算阳极电流信号的距离表示矩阵ma：
[0057][0058]
其中，代表了阳极vi和vj之间的水平距离，va＝{v
1a
,v
2a
,
…
,v
12a
},vb＝{v
1b
,v
2b
,
…
,v
12b
}是在同一阳极母线下的阳极的集合；由于同一集合的阳极是并联的，因此相邻
的阳极有更紧密的联系。如公式1所示：属于同一个阳极母线下vi,vj对应的ma[vi,vj]的值比不属于同一阳极母线ma[vi,vj]的值要大。ma[vi,vj]计算了阳极之间的相关距离，说明了联系的边的强度。所有的ma中的元素被限制在[0,1]范围之内。
[0059]
对ma进行滤波得到矩阵mr：
[0060][0061]
根据公式mr，定义了公式2用来定义纠错函数来对之前的ma里面的值进行滤波。根据公式2，可以屏蔽弱连接，并加强最相关的连接。矩阵mr中的值都是0或1。
[0062]
由于不同的节点有不同的度，因此标准化是很重要的。对矩阵mr进行标准化，得到阳极电流信号的邻接矩阵m：
[0063][0064]
其中，是对角矩阵，是度矩阵；由于图是无向图，所以
[0065]
将阳极电流信号的邻接矩阵m定义为固定的邻接矩阵m，将自适应的邻接矩阵定义为动态的邻接矩阵p，则综合邻接矩阵a＝(1-τ)m+τp，其中，t是输入特征的维度，c
out
是输出特征的维度，m1和m2是两个映射空间的参数，m1和m2通过将输入x映射到两个空间w1＝xm1和w2＝xm2中，其中中，其中p中的所有元素属于[0,1]的范围内，代表了xi与xj相似的水平。p的定义很容易去计算相似性和梯度。
[0066]
步骤二：根据步骤一的阳极电流信号的邻接矩阵，获取自适应空间结构的shapelet学习分类器；
[0067]
步骤三：基于自适应空间结构的shapelet学习分类器构建多头对抗神经网络；
[0068]
多头对抗神经网络用于提高自适应图结构shapelet学习的可解释性。主要包含两个部分：1、多头鉴别器。2、多头生成器。多头生成器用于学习生成多种shapelets，鉴别器用于调整shapelets与真实子序列之间的相似性。图2中的分类器用于在shapelet的帮助下分类时间序列。总的来说，分类器为了找到鉴别性的子序列，鉴别器用于帮助保持shapelet的可解释性。生成器用于生成保持鉴别性和可解释性的shapelets。
[0069]
如图2所示，多头对抗神经网络主要包含三个部分：生成器gk，鉴别器d和分类器c。分类器用于对原始的时间序列进行分类。生成器是为了生成具有鉴别性的子序列。鉴别器用于判断shapelets像不像真实的子序列。为了让生成的子序列shapelet更加代表真实的类别，我们结合了维度之间的空间特征。方法主要包含三个部分：1、通过设计固定邻接矩阵和自适应邻接矩阵，获取了阳极电流信号的空间联系和图结构。2、整体网络框架：多头鉴别生成对抗网络的设计。在原来的shapelet学习网络基础上，增加了多对抗神经网络，可以增加学习的shapelet的可解释性。3、结合了自适应图结构的网络shapelet的学习方法。自适应网络shapelet学习的流程如表1.
[0070]
表1自适应网络shapelet学习
[0071][0072][0073]
生成器gk由三层的反卷积层和批归一化层组成。所有的批归一化层后面都有一个relu激活函数。多头生成器的损失函数定义如公式4所示，其中如果shapelets的数量是k，就需要k个生成器gk，第k个生成器是通过公式4的损失函数来进行训练的。
[0074]
lossgk＝λgbceloss(d(sk),label
real
)+lossc
ꢀꢀꢀꢀ
(4)；
[0075]
其中，lossgk是生成器gk的损失函数，λg表示鉴别器损失的权重，d(sk)表示鉴别器d对应输入子序列sk预测的标签，label
real
表示真实的标签，bceloss是线性交叉熵损失函数，是用来解决线性问题；sk＝gk(z)是第k个shapelet，k＝1,2,
…
,k，k是shapelets的数量，lossc是分类器c的最小化损失函数。
[0076]
bceloss表达式为：
[0077][0078]
其中，v是一个分类器，输入是x，输出是y。label
real
表示真实的标签，设置为1，label
fake
表示假的标签，设置为0。
[0079]
多头鉴别器d用于鉴别多个生成器gk生成的像不像真实的子序列。鉴别器是由卷积层组成，如图2所示。鉴别器d的损失函数是lossd，通过让损失函数变小，会寻找到更加像真实序列x的sk。lossd的表达式为：
[0080][0081]
其中，label
fake
表示假的标签。
[0082]
基于自适应空间结构的shapelet学习分类器的实现方法为：
[0083]
计算sk与原始序列x的最小距离：
[0084][0085]
其中，表示sk与单变量时间序列xn的距离，α表示软距离近似值的调整参数；的表达式为：
[0086][0087]
其中，d(sk,x
j”,n
)表示子序列sk与x
j”,n
之间的欧式距离；
[0088]
通过定义参数矩阵wk获取x的预测标签
[0089][0090]
其中，dk表示sk与原始序列x的最小距离；
[0091]
通过最小化损失函数lossc来获取准确率比较高的shapelets：
[0092][0093]
其中，λw表示分类器规则化的参数，λa表示自调整空间网络规则化的参数，w表示分类器的参数矩阵，表示第k个shapelet对应输入时间序列第u个变量的距离值，表示表示第k个shapelet对应输入时间序列第v个变量的距离值，a表示输入数据x的网络空间联系，δ表示调节的系数，b表示输入数据x的反网络空间联系。
[0094]
在损失函数c中，通过增加了空间结构的限制：邻接矩阵a和反转邻接矩阵b，反转邻接矩阵b的每个元素值是1-对应的a中的元素值。最后获取的shapelet不仅像真实的子序列，而且有很好的鉴别性，同时也考虑是原始时间序列x的空间限制。
[0095]
步骤四：利用自适应网络shapelet学习对对抗神经网络进行优化，得到对抗神经网络模型；并将输入时间序列输入对抗神经网络模型得到分类结果。
[0096]
将输入时间序列输入对抗神经网络模型得到分类结果的方法为：
[0097]
将噪声z输入多头生成器以生成类似于shapelet的子序列，将输入时间序列x输入shapelet学习分类器，利用多头鉴别器判断生成的shapelet子序列与真实时间序列x之间的相似性以更新生成器、分类器和鉴别器的参数；
[0098]
更新后的shapelet学习分类器借助于生成的shapelet子序列，对输入时间序列x进行分类，输出分类结果和鉴别性比较强的shapelet。
[0099]
本发明所提出的基于shapelet转换方法的阳极电流信号分类方法为铝电解槽的局部槽况分析和铝电解的智能生产提供重要支撑。该方法将应用于故障位置、故障信号趋势的诊断与预测。
[0100]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。