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】
本专利技术属于电磁场仿真,具体涉及一种基于差分融合神经网络的gis电磁场粗仿数据增强方法、系统及存储介质。
技术介绍
1、气体绝缘开关设备(gas insulated switchgear,gis)在现代电力系统中扮演着至关重要的角色。这种设备利用惰性气体作为绝缘介质,以实现在相对较小的空间内安全、可靠地进行高压电力的传输和分配。与传统的空气绝缘开关设备相比,gis具有更高的可靠性和更长的使用寿命,同时减少了设备对环境的影响。此外,由于其紧凑的设计,gis尤其适合于城市地区或空间受限的环境,其中土地利用成本较高。gis的高性能和可靠性对于保证电力系统的稳定运行、提高电网的传输效率以及确保电力供应的安全性至关重要。
2、随着电力系统的快速发展和对电网安全性能要求的提高,gis的电磁仿真成为了研究的重点之一。电磁仿真方法能够帮助工程师和研究人员深入理解gis内部的电磁场分布、电磁干扰以及其对gis性能的影响。
3、当前,电磁仿真主要采用有限元方法、边界元方法和传统的解析方法等,这些方法能够提供gis内部电磁场的详细信息,帮助优化gis设计,降低故障率。
4、近年来,随着计算技术的发展,更多先进的仿真技术如多物理场耦合仿真和基于机器学习的仿真优化方法也被逐渐应用于gis的研究中。这些研究不仅促进了gis技术的进步,还为提高电力系统的整体性能和安全性提供了重要支持。尽管如此,电磁仿真在处理极高电压和复杂结构时仍面临挑战,这要求未来的研究中需开发更为精确和高效的仿真工具和方法。
5、在相关技
6、也有研究人员建立了半封闭气体绝缘组合电器外壳传输特性模型,利用多导体传输线理论及相模变换方法,对隔离开关操作产生的特快速瞬态过电压和暂态壳体电压进行了详细的计算与分析;这种方式通过对模型简化在一定程度上提高了仿真的速度,但是模型简化和假设可能影响结果的准确性,接地网模型的简化可能无法完全捕捉实际情况的复杂性,以及研究结果的泛化能力和适用范围可能受限,从而导致仿真结果准确性不高。
7、在公布号为cn117725769a的专利申请文献中提出了一种基于多尺度有限元的复杂模型航空电磁三维快速正演方法,该方案用于实现航空电磁的三维快速正演仿真,基于多尺度有限元方法,通过粗细网格的划分和优化计算减少计算量,以及通过降低正演方程的阶数提高地球物理电磁计算的效率。但由于gis电磁场仿真更侧重于设备和电磁场之间细节交互的精确模拟,而非大范围的地质结构探测,gis电磁场仿真需要考虑电力设备的具体结构和材料属性对电磁场的影响,以及电磁场如何在这些设备内部分布和变化,这就要求模型能够在更细的尺度上进行准确计算,以及适应特定的物理和工程约束。而且该专利文献所提出的多尺度有限元方法在航空电磁正演仿真中的应用,侧重于处理介质界面的电磁波反射、折射等现象,以及介质内部的电磁波衰减等,对于大尺度变化敏感,不足以精细地处理gis设备内部的电磁场细节。
8、在公布号为cn113221403a的专利申请文献中提出了一种基于深度强化学习的有限元网格优化方法,该方法通过深度强化学习直接对有限元网格的质量进行优化,来提高有限元网格划分的精度,但该方法采用的深度强化学习的应用侧重于通过学习和决策过程直接对网格结构进行优化调整,这要求有明确的奖励或惩罚机制来评价网格优化的效果,是一个以网格质量为中心的优化过程。该方法提出了采用深度强化学习在网格优化上的应用,虽然能够提升有限元分析的网格质量,但其专注于网格结构的改进,并不直接针对电磁场仿真数据的质量和仿真过程的物理准确性进行优化。而且深度强化学习算法通常是为特定的环境或任务训练的,它们通过与环境的交互学习如何执行任务,模型的决策策略高度依赖于其训练时的环境特征,这意味着,如果环境发生变化(例如,从有限元网格优化变到gis电磁场仿真),之前训练得到的模型可能无法有效地适应新环境。
9、在公布号为cn113722951a的专利申请文献中提出利用神经网络建立由a维网格特征变量到远场雷达散射截面均方根误差的映射关系,采用差分进化算法求解最优网格特征变量值,获取散射体三维有限元网格的优化结果;但该方案是利用差分进化算法优化已建立的神经网络模型,目标是参数优化,具体是优化网络权重以达到预测性能的最优化,也就是说差分进化算法独立于神经网络的训练过程之外,是作为后续的参数调整步骤。
技术实现思路
1、本专利技术所要解决的技术问题在于如何兼顾gis电磁仿真的精度和效率。
2、本专利技术通过以下技术手段解决上述技术问题的:
3、本专利技术提出了一种基于差分融合神经网络的gis电磁场粗仿数据增强方法,所述方法包括以下步骤:
4、获取gis电磁场粗网格仿真数据集,其中,所述gis电磁场粗网格仿真数据集包括粗网格结构数据和粗网格场强数据;
5、将所述gis电磁场粗网格仿真数据集输入到差分深度学习网络模型,其中,所述差分深度学习网络模型包括依次连接的增强网络和结构相似性网络,所述增强网络包括自调节模块和差分卷积模块;
6、利用所述自调节模块和所述差分卷积模块分别对所述粗网格结构数据和所述粗网格场强数据进行计算,得到细网格增强网格结构特征和细网格增强场强特征;
7、利用所述结构相似性网络对所述细网格增强网格结构特征和所述细网格增强场强特征进行匹配,计算相似性特征;
8、基于所述相似性特征,计算gis细网格增强数据。
9、进一步地,所述自调节模块包括依次连接的第一卷积层和第二卷积层,所述第一卷积层的输出特征和所述第二卷积层的输出特征经相加操作后输出至激活函数层;
10、所述粗网格结构数据作为所述第一卷积层的输入,所述粗网格结构数据的网格尺寸补充信息作为所述第二卷积层的输入,所述粗网格结构数据的偏差向量作为所述第一相加操作的输入,所述粗网格结构数据和所述粗网格结构数据的网格尺寸补充信息经残差连接输出至所述第一相加操作。
11、进一步地,利用所述自调节模块对所述粗网格结构数据进行计算的过程公式表示为:
12、
13、式中,为细网格增强网格结构特征,为卷积操作,为所述粗网格结构数据,为所述粗网格结构数据的网格尺寸补充信息,为所述粗网格结构数据的偏差向量,为残差链接,为激活函数。
14、进一步地,所述差分卷积模块包括依次连接的差分卷积层、尺寸整合层、自注意力机制层和第三卷积层,所述第三卷积层后连接有激活函数;
15、所述粗网格场强数据作为所述本文档来自技高网...
【技术保护点】
1.一种基于差分融合神经网络的GIS电磁场粗仿数据增强方法,其特征在于,所述方法包括:
2.如权利要求1所述的基于差分融合神经网络的GIS电磁场粗仿数据增强方法,其特征在于,所述自调节模块包括依次连接的第一卷积层和第二卷积层,所述第一卷积层的输出特征和所述第二卷积层的输出特征经第一相加操作后输出至激活函数层;
3.如权利要求1所述的基于差分融合神经网络的GIS电磁场粗仿数据增强方法,其特征在于,利用所述自调节模块对所述粗网格结构数据进行计算的过程公式表示为:
4.如权利要求1所述的基于差分融合神经网络的GIS电磁场粗仿数据增强方法,其特征在于,所述差分卷积模块包括依次连接的差分卷积层、尺寸整合层、自注意力机制层和第三卷积层,所述第三卷积层后连接有激活函数;
5.如权利要求1所述的基于差分融合神经网络的GIS电磁场粗仿数据增强方法,其特征在于,利用所述差分卷积模块对所述粗网格场强数据进行计算的过程公式表示为:
6.如权利要求5所述的基于差分融合神经网络的GIS电磁场粗仿数据增强方法,其特征在于,所述差分卷积层的卷积核采用五
7.如权利要求1所述的基于差分融合神经网络的GIS电磁场粗仿数据增强方法,其特征在于,所述结构相似性网络包括第一分支网络、第二分支网络、第二相加操作和第一多层感知机,所述第一分支网络和所述第二分支网络的输出均接入所述第二相加操作,所述第二相加操作的输出连接至所述第一多层感知机,所述多层感知机后接有激活函数。
8.如权利要求7所述的基于差分融合神经网络的GIS电磁场粗仿数据增强方法,其特征在于,所述第一分支网络包括依次连接的卷积神经网络层CNN和批正则化操作,所述正则化操作之后接有激活函数;
9.如权利要求7所述的基于差分融合神经网络的GIS电磁场粗仿数据增强方法,其特征在于,所述利用所述结构相似性网络对所述细网格增强网格结构特征和所述细网格增强场强特征进行匹配,计算相似性特征,包括:
10.如权利要求1所述的基于差分融合神经网络的GIS电磁场粗仿数据增强方法,其特征在于,所述基于所述相似性特征,计算GIS细网格增强数据,包括:
11.如权利要求1所述的基于差分融合神经网络的GIS电磁场粗仿数据增强方法,其特征在于,在所述将所述GIS电磁场粗网格仿真数据集输入到差分深度学习网络模型之前,所述方法还包括:
12.如权利要求11所述的基于差分融合神经网络的GIS电磁场粗仿数据增强方法,其特征在于,所述场强与结构一致性损失函数的公式表示为:
13.如权利要求11所述的基于差分融合神经网络的GIS电磁场粗仿数据增强方法,其特征在于,所述基于麦克斯韦方程的约束损失函数的公式表示为:
14.一种基于差分GAN的GIS电磁场粗网格数据增强系统,其特征在于,所述系统包括:
15.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如权利要求1-13中任一项所述的方法。
...【技术特征摘要】
1.一种基于差分融合神经网络的gis电磁场粗仿数据增强方法,其特征在于,所述方法包括:
2.如权利要求1所述的基于差分融合神经网络的gis电磁场粗仿数据增强方法,其特征在于,所述自调节模块包括依次连接的第一卷积层和第二卷积层,所述第一卷积层的输出特征和所述第二卷积层的输出特征经第一相加操作后输出至激活函数层;
3.如权利要求1所述的基于差分融合神经网络的gis电磁场粗仿数据增强方法,其特征在于,利用所述自调节模块对所述粗网格结构数据进行计算的过程公式表示为:
4.如权利要求1所述的基于差分融合神经网络的gis电磁场粗仿数据增强方法,其特征在于,所述差分卷积模块包括依次连接的差分卷积层、尺寸整合层、自注意力机制层和第三卷积层,所述第三卷积层后连接有激活函数;
5.如权利要求1所述的基于差分融合神经网络的gis电磁场粗仿数据增强方法,其特征在于,利用所述差分卷积模块对所述粗网格场强数据进行计算的过程公式表示为:
6.如权利要求5所述的基于差分融合神经网络的gis电磁场粗仿数据增强方法,其特征在于,所述差分卷积层的卷积核采用五点差分卷积核、加权差分卷积核、多尺度差分卷积核、方向性差分卷积核、九点差分卷积核、混合模式差分卷积中的任一种。
7.如权利要求1所述的基于差分融合神经网络的gis电磁场粗仿数据增强方法,其特征在于,所述结构相似性网络包括第一分支网络、第二分支网络、第二相加操作和第一多层感知机,所述第一分支网络和所述第二分支网络的输出均接入所述第二相加操作,所述第二相加操作...
【专利技术属性】
技术研发人员:章海斌,李奇越,郭振宇,李帷韬,张学友,孙伟,许渊,马欢,彭登京,刘鑫,韩雨辰,
申请(专利权)人:国网安徽省电力有限公司超高压分公司,
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。