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 LSTM④ 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~−21​WD~−21​H(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)LtotalLmseλ1Ltrendλ2Lsmooth\mathcal{L}_{total} \mathcal{L}_{mse} \lambda_1 \mathcal{L}_{trend} \lambda_2 \mathcal{L}_{smooth}Ltotal​Lmse​λ1​Ltrend​λ2​Lsmooth​损失项公式作用MSE 损失1N∑i1N(y^i−yi)2\frac{1}{N}\sum_{i1}^N (\hat{y}_i - y_i)^2N1​∑i1N​(y^​i​−yi​)2保证基本拟合精度趋势损失$\frac{1}{N-1}\sum_{i1}^{N-1}\text{sign}(\Delta \hat{y}_i) - \text{sign}(\Delta y_i)平滑损失1N−2∑i1N−2(y^i2−2y^i1y^i)2\frac{1}{N-2}\sum_{i1}^{N-2} (\hat{y}_{i2} - 2\hat{y}_{i1} \hat{y}_i)^2N−21​∑i1N−2​(y^​i2​−2y^​i1​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SSS6, 12, 18对应 30, 60, 90 分钟历史预测 horizonTTT15, 30, 45 分钟短/中/长期预测4.4 核心实验结果定量结果 (S18, 表 I)模型15min RMSE30min RMSE45min RMSEGCN7.368.8911.98LSTM7.329.4913.78CNN-LSTM7.759.6812.46GCN-GRU6.298.4911.10Ours5.247.419.22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 13λ1\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​≈0.6–0.8λ2≈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。