System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于深度学习以及电磁场分布建模,特别涉及一种基于机理数据融合的电磁场建模方法、系统、设备及介质。
技术介绍
1、变压器的可靠运行,是电网安全稳定的基础;其运行经验表明,依靠现有在线监测、带电检测、预防性试验等手段的设备状态评估技术,仅能够对部分已经出现的问题进行推演,但不能完全推断设备内部状态演变。在变压器内部,电磁场分布至关重要,会对设备内温度分布以及结构力分布产生重要影响,及时掌握变压器内部电磁状态的演变机理,提高其数字化程度,实现电网核心设备变压器数字化、智能化运维,是当前电网安全运行迫切需要解决的关键问题。
2、对于变压器电磁场分布情况的建模,常用的传统方式是数值计算方法,如有限元法、有限差分法、有限体积法等,上述传统方式的方法是通过数值方法对偏微分方程近似求解,会耗费大量时间,难以满足及时掌握电磁场分布状况的要求。
3、近些年来,随着人工智能的兴起,也有些人采用深度学习方法对电磁场进行建模;其中,基于深度学习构建数值计算或实验的替代模型,可以有效提升建模的效率,缩短建模所需的时间。然而,现有基于深度学习的替代模型具有其自身的局限性,主要包括:深度学习作为纯数据驱动模型,需要大量的高质量数据进行训练,会产生数据资源浪费的现象;另外,因为黑盒模型内部可解释性差,在真实开放的场景下模型的性能得不到保证、鲁棒性较差。
技术实现思路
1、本专利技术的目的在于提供一种基于机理数据融合的电磁场建模方法、系统、设备及介质,以解决上述存在的一个或多个技术问
2、为达到上述目的,本专利技术采用以下技术方案:
3、本专利技术第一方面提供的一种基于机理数据融合的电磁场建模方法,包括以下步骤:
4、基于待电磁场分布建模的变压器,获取电磁场分布建模所需数据;其中,所述电磁场分布建模所需数据包括电磁场分布建模区域坐标以及预设建模时刻;
5、基于获取的所述电磁场分布建模所需数据,利用训练好的物理约束神经网络模型进行预测,获得矢量磁位矩阵预测值;
6、基于获得的矢量磁位矩阵预测值计算获得电磁场量矩阵,基于所述电磁场量矩阵获得电磁场分布;
7、其中,所述训练好的物理约束神经网络模型在训练时,采用的损失函数为基于矢量磁位方程、边界条件、初始条件及数据信息构建的物理约束损失函数。
8、本专利技术公开方法的进一步改进在于,所述物理约束神经网络模型采用多层全连接神经网络,包括输入层、多个隐层以及输出层;其中,所述输入层用于输入位置坐标和时刻,所述输出层用于输出矢量磁位矩阵预测值。
9、本专利技术公开方法的进一步改进在于,所述训练好的物理约束神经网络模型的训练步骤包括:
10、基于所述待电磁场分布建模的变压器或者同型号的变压器进行部分模拟,获得电磁场分布模型样本;
11、基于所述电磁场分布模型样本,获取训练样本集;其中,所述训练样本集中的每个训练样本均包括配点边界条件位置坐标、时刻以及矢量磁位标签;
12、基于所述训练样本集对所述物理约束神经网络模型进行训练,达到预设收敛条件后,获得所述训练好的物理约束神经网络模型;其中,训练时,基于选定的训练样本计算物理约束损失函数,并计算物理约束神经网络输出到输入之间的梯度,根据梯度下降法依据物理约束损失函数对前馈神经网络进行反向传播,迭代更新网络中的权重和偏置。
13、本专利技术公开方法的进一步改进在于,所述物理约束损失函数mse表达式为,
14、
15、式中,mseb表示预测值满足边界条件程度;msef表示输入前馈神经网络所得预测值代入数学模型的误差;i表示第i个数据节点;nb为选择的边界条件的配点量;表示在边界条件的配点;表示输入神经网络训练后所得的矢量磁位预测值;为矢量磁位真实值;nf表示使用的数据点量;表示使用的数学模型;为输入神经网络训练后所得的矢量磁位预测值;μ为磁导率;σ为电导率;js表示源电流密度;x,y分别为所采用的平面场的横、纵坐标;t为时间。
16、本专利技术第二方面提供的一种基于机理数据融合的电磁场建模系统,包括:
17、数据获取模块,用于基于待电磁场分布建模的变压器,获取电磁场分布建模所需数据;其中,所述电磁场分布建模所需数据包括电磁场分布建模区域坐标以及预设建模时刻;
18、预测值获取模块,用于基于获取的所述电磁场分布建模所需数据,利用训练好的物理约束神经网络模型进行预测,获得矢量磁位矩阵预测值;
19、电磁场分布获取模块,用于基于获得的矢量磁位矩阵预测值计算获得电磁场量矩阵,基于所述电磁场量矩阵获得电磁场分布;
20、其中,所述训练好的物理约束神经网络模型在训练时,采用的损失函数为基于矢量磁位方程、边界条件、初始条件及数据信息构建的物理约束损失函数。
21、本专利技术公开系统的进一步改进在于,所述预测值获取模块中,所述物理约束神经网络模型采用多层全连接神经网络,包括输入层、多个隐层以及输出层;其中,所述输入层用于输入位置坐标和时刻,所述输出层用于输出矢量磁位矩阵预测值。
22、本专利技术公开系统的进一步改进在于,所述预测值获取模块中,所述训练好的物理约束神经网络模型的训练步骤包括:
23、基于所述待电磁场分布建模的变压器或者同型号的变压器进行部分模拟,获得电磁场分布模型样本;
24、基于所述电磁场分布模型样本,获取训练样本集;其中,所述训练样本集中的每个训练样本均包括配点边界条件位置坐标、时刻以及矢量磁位标签;
25、基于所述训练样本集对所述物理约束神经网络模型进行训练,达到预设收敛条件后,获得所述训练好的物理约束神经网络模型;其中,训练时,基于选定的训练样本计算物理约束损失函数,并计算物理约束神经网络输出到输入之间的梯度,根据梯度下降法依据物理约束损失函数对前馈神经网络进行反向传播,迭代更新网络中的权重和偏置。
26、本专利技术公开系统的进一步改进在于,所述预测值获取模块中,所述物理约束损失函数mse表达式为,
27、
28、式中,mseb表示预测值满足边界条件程度;msef表示输入前馈神经网络所得预测值代入数学模型的误差;i表示第i个数据节点;nb为选择的边界条件的配点量;表示在边界条件的配点;表示输入神经网络训练后所得的矢量磁位预测值;为矢量磁位真实值;nf表示使用的数据点量;表示使用的数学模型;为输入神经网络训练后所得的矢量磁位预测值;μ为磁导率;σ为电导率;js表示源电流密度;x,y分别为所采用的平面场的横、纵坐标;t为时间。
29、本专利技术第三方面提供的一种电子设备,包括:
30、至少一个处理器;以及,
31、本文档来自技高网...
【技术保护点】
1.一种基于机理数据融合的电磁场建模方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于机理数据融合的电磁场建模方法,其特征在于,所述物理约束神经网络模型采用多层全连接神经网络,包括输入层、多个隐层以及输出层;其中,所述输入层用于输入位置坐标和时刻,所述输出层用于输出矢量磁位矩阵预测值。
3.根据权利要求1所述的一种基于机理数据融合的电磁场建模方法,其特征在于,所述训练好的物理约束神经网络模型的训练步骤包括:
4.根据权利要求1所述的一种基于机理数据融合的电磁场建模方法,其特征在于,所述物理约束损失函数MSE表达式为,
5.一种基于机理数据融合的电磁场建模系统,其特征在于,包括:
6.根据权利要求5所述的一种基于机理数据融合的电磁场建模系统,其特征在于,所述预测值获取模块中,所述物理约束神经网络模型采用多层全连接神经网络,包括输入层、多个隐层以及输出层;其中,所述输入层用于输入位置坐标和时刻,所述输出层用于输出矢量磁位矩阵预测值。
7.根据权利要求5所述的一种基于机理数据融合的电磁场建模系统,其
8.根据权利要求5所述的一种基于机理数据融合的电磁场建模系统,其特征在于,所述预测值获取模块中,所述物理约束损失函数MSE表达式为,
9.一种电子设备,其特征在于,包括:
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的基于机理数据融合的电磁场建模方法。
...【技术特征摘要】
1.一种基于机理数据融合的电磁场建模方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于机理数据融合的电磁场建模方法,其特征在于,所述物理约束神经网络模型采用多层全连接神经网络,包括输入层、多个隐层以及输出层;其中,所述输入层用于输入位置坐标和时刻,所述输出层用于输出矢量磁位矩阵预测值。
3.根据权利要求1所述的一种基于机理数据融合的电磁场建模方法,其特征在于,所述训练好的物理约束神经网络模型的训练步骤包括:
4.根据权利要求1所述的一种基于机理数据融合的电磁场建模方法,其特征在于,所述物理约束损失函数mse表达式为,
5.一种基于机理数据融合的电磁场建模系统,其特征在于,包括:
6.根据权利要求5所述的一种基于机理数据融合的电磁场建模系...
【专利技术属性】
技术研发人员:仝杰,黄灿,唐鹏飞,张中浩,龙天航,李松原,
申请(专利权)人:中国电力科学研究院有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。