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技术方案

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。

【技术实现步骤摘要】

本专利技术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。
技术介绍
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)。
技术实现思路
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、落入本专利技术的范围内，以及受到所附权利要求的保护。附图说明参考示例附图，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本文档来自技高网...

【技术保护点】
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。...

【技术特征摘要】
...

【专利技术属性】
技术研发人员：RV苏布，PP博尼索恩，NH埃克伦德，NS伊尔，RP夏，W彦，CE诺德尔，JJ施密德，
申请(专利权)人：通用电气公司，
类型：发明
国别省市：US[美国]