CN116384244A - 一种基于物理增强神经网络的电磁场预测方法 - Google Patents
一种基于物理增强神经网络的电磁场预测方法 Download PDFInfo
- Publication number
- CN116384244A CN116384244A CN202310345186.3A CN202310345186A CN116384244A CN 116384244 A CN116384244 A CN 116384244A CN 202310345186 A CN202310345186 A CN 202310345186A CN 116384244 A CN116384244 A CN 116384244A
- Authority
- CN
- China
- Prior art keywords
- data
- electromagnetic field
- neural network
- model
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 79
- 230000005672 electromagnetic field Effects 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000010606 normalization Methods 0.000 claims abstract description 17
- 238000004088 simulation Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000002790 cross-validation Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 38
- 238000009826 distribution Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000005684 electric field Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 239000004020 conductor Substances 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002500 effect on skin Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001687 destabilization Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于物理增强神经网络的电磁场预测方法，包括如下步骤：构建电工装备电磁场数据采集***，采集电磁场数据；对采集到的数据进行归一化在内的预处理；根据电磁场预测数据的特点，确定神经网络架构；在神经网络架构中，构建特殊设计的损失函数，将数据驱动和物理驱动相结合，建立模型，并约束模型的边界和搜索空间；使用处理后的数据对模型进行训练；利用已经训练好的模型对目标数据进行电磁场预测，得到预测结果，并对预测结果进行反归一化处理，得到仿真电磁场数值。本发明有益效果：有效地解决传统电磁场预测方法计算量大、精度难以保证的问题，实现电工装备电磁场短期预测，提高电磁场预测的准确性和可靠性。
Description
技术领域
本发明属于电磁场预测领域，尤其是涉及一种基于物理增强神经网络的电磁场预测方法。
背景技术
电磁场在电工装备中具有重要的作用，因此对电磁场进行预测对于电力***的安全运行具有重要意义。
传统的电磁场预测方法需要依赖于偏微分方程数值求解等方法，计算量大且精度难以保证，近年来，随着深度学习技术的快速发展，基于神经网络的电磁场预测方法受到了越来越多的关注，现阶段，随着深度学习技术的不断发展和普及，研究者们将逻辑回归、决策树和支持向量机等传统机器学习方法应用到装备性能分析与优化中，并将这些算法不断创新与迭代，其性能已经越来越高，其中的ConvLSTM神经网络是结合了卷积神经网络和LSTM循环神经网络两者优点的深度学习模型，可以有效地处理具有时空关系的序列数据。
然而ConvLSTM神经网络作为基于数据驱动模型的电磁场预测模型在拥有大量的样本的前提下即使能进行预测，但仅基于数据平均意义上的指标往往会忽略物理过程，不能很好地满足物理约束，导致模型的预测结果不符合物理规律，限制了其在指导物理和工程领域场景中的应用。要想获得较好的预测结果，即需要大量的样本，又不能充分利用已知物理信息，这对电工装备的电磁场预测不利。
发明内容
有鉴于此，本发明旨在提出一种基于物理增强神经网络的电磁场预测方法，以期解决上述部分技术问题中的至少之一。
为达到上述目的，本发明的技术方案是这样实现的：
一种基于物理增强神经网络的电磁场预测方法，包括如下步骤：
S1：构建电工装备电磁场数据采集***，采集电磁场数据；
S2：对步骤S1采集到的数据进行归一化在内的预处理；
S3：根据电磁场预测数据的特点，确定ConvLSTM神经网络架构；
S4：在ConvLSTM神经网络架构中，构建特殊设计的损失函数，将数据驱动和物理驱动相结合，建立模型，并约束模型的边界和搜索空间；
S5：使用步骤S2处理后的数据对步骤S4中建立的模型进行训练；
S6：利用已经训练好的模型对目标装备进行电磁场预测，得到预测结果，并对预测结果进行反归一化处理，得到仿真电磁场数值。
进一步的，步骤S1的具体实施流程如下：
S101：根据电工装备的特点和需要采集的电磁场信息类型，确定采集点的数量、位置和采集方式；
S102：设计数据采集***；
S103：初始化设计传感器的参数，设定数据采集频率和规模，采集并传输电工装备运行时的电磁数据。
进一步的，步骤S2中的数据预处理过程包括以下几个方面：
S201：对电磁场数据中的噪声和异常值，进行数据清洗；
S202：对电磁场数据，进行数据归一化处理以及数据标准化处理；
S203：将原始的时间序列数据转换为网络输入格式；
S204：将数据集分成训练集、验证集和测试集三部分。
进一步的，步骤S3中确定ConvLSTM神经网络架构过程如下：
S301：根据输入数据的不同维度，选取不同的网络输入层结构；
S302：根据空间和时间依赖关系的复杂度，以及所需的拟合程度，选取相应的神经网络的深度；
S303：通过交叉验证来确定卷积核大小，并根据数据量确定卷积核数量；
S304：若预测任务较复杂、数据集规模较大，则选择较多的LSTM单元和层数；若预测任务较简单、数据集规模较小，则选择较少的LSTM单元和层数；
S305：根据具体任务和数据集调整全连接层的数量和大小。
进一步的，步骤S4中所述的损失函数分为数据驱动和物理驱动两部分；
数据驱动部分的损失函数为，通过神经网络得到的逼近函数值和通过实验观测、数值仿真获取的训练数据的残差；
物理驱动部分的损失函数为，先验物理知识构成的约束方程残差；
将两部分损失函数赋予不同的权重，并进行损失最小化处理。
进一步的，步骤S5中对模型进行训练的过程如下：
S501：将通过步骤S2得到的测试集数据输入步骤S4中建立的模型中；
S502：使用梯度下降算法及步骤S3中确定ConvLSTM神经网络架构的方法，设置损失阈值；
S503：通过神经网络的自动微分算法，快速求解偏微分方程中的梯度数据；
S504：进行多次迭代训练来调整神经网络的权重，直到神经网络损失降到损失阈值以下停止训练。
进一步的，步骤S5中对模型进行训练前需要进行模型测试，进行模型测试时，将测试集的输入数据输入到经过训练的物理增强ConvLSTM神经网络中，得到对应的预测输出，通过比较预测输出和测试集真实输出之间的差异，得出模型的预测精准度和泛化能力。
相对于现有技术，本发明所述的一种基于物理增强神经网络的电磁场预测方法具有以下有益效果：
本发明所述的一种基于物理增强神经网络的电磁场预测方法，通过在数据驱动模型中嵌入控制方程、边界条件、初始条件在内的相关物理知识，构建物理增强神经网络，使用机器学习的强拟合能力来描述变量之间高维复杂的映射关系，利用相关领域的先验知识保证预测结果符合物理规律；
相较于传统的神经网络方法，基于物理增强神经网络的电磁场预测方法能利用更少的样本模拟出更符合物理规律、更能指导实践的模型，和传统的有限元仿真模型相比，基于物理增强神经网络的电磁场预测方法又能将已知的数据信息充分利用；
基于物理增强神经网络的电磁场预测方法可以有效地解决传统电磁场预测方法计算量大、精度难以保证的问题，实现电工装备电磁场短期预测，提高电磁场预测的准确性和可靠性，具有重要的应用前景。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例所述的基于物理增强神经网络的电磁场预测方法的流程示意图；
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本发明。
一种基于物理增强神经网络的电磁场预测方法，包括如下步骤：
S1：构建电工装备电磁场数据采集***，采集电磁场数据；同时考虑精确性和经济性布置电场传感器和磁场传感器等传感器；
S101：根据电工装备的功能性、易用性、可靠性等特点和需要采集的电磁场信息类型，确定采集点的数量、位置和采集方式；其中采集点应该尽可能接近电工装备，采集方式可以选择实时采集或离线采集；
S102：设计数据采集***，包括采集设备、数据存储和数据传输等组成部分；其中采集设备应该选择稳定、可靠的硬件设备，并根据实际情况选择合适的采集软件；
S103：初始化设计传感器的参数，设定数据采集频率和规模，实时或离线采集并传输电工装备运行时的电磁数据。采集包括空间坐标、电压、电流、磁场强度、电场强度等在内的数据；其中，电磁场数据采集过程中需要严格遵守相关的安全规范和标准，保证数据采集的安全可靠；同时，还需要注意数据的质量和可靠性，以保证后续数据分析和应用的准确性和有效性。
S2：对数据进行预处理；数据预处理的目的是为了使原始数据满足网络的输入格式和要求，并提高模型的训练效果：
S201：数据清洗：数据清洗是指对原始数据进行去除异常值、填充缺失值等处理，以使数据质量达到模型训练的要求，对于电磁场数据，可能存在噪声和异常值，需要进行清洗；
S202：数据归一化：数据归一化是指将数据转换为统一的尺度，以便于神经网络的训练和优化。通常采用的方法是将数据缩放到[0,1]或[-1,1]之间。对于电磁场数据，可以使用最大最小归一化或标准化方法；
S203：时间序列重构：时间序列重构是将原始的时间序列数据转换为网络输入格式的过程。对于ConvLSTM网络，需要将时间序列数据转换为多个图像序列数据，以便于卷积层的处理；
S204：数据划分：数据划分是指将数据集分成训练集、验证集和测试集三部分，以便于模型训练和评估。通常采用的比例是70％的数据用于训练，30％的数据用于验证；
将处理后的数据存储和管理起来，可以选择使用数据库或文件***等方式进行数据存储和管理，以便后续的数据分析和应用。在完成数据预处理后，可以将数据集输入到ConvLSTM网络中进行训练和调优。需要注意的是，在训练和调优过程中，需要根据具体情况对数据集进行合理的划分和处理，以达到最优的模型效果。同时，还需要进行监控和调整，以解决可能出现的问题和提高模型的性能。
S3：根据电工装备的特点和电磁场的特点和需要解决的任务，确定ConvLSTM神经网络架构：
S301：根据输入数据的不同维度，选取不同的网络输入层结构；
输入数据的维度：输入数据的维度决定了网络的输入层结构，如图像数据通常是二维的，需要使用二维卷积层；视频数据通常是三维的，需要使用三维卷积层；
S302：根据空间和时间依赖关系的复杂度，以及所需的拟合程度，选取相应的神经网络的深度；
神经网络的深度：神经网络的深度可以影响模型的性能和泛化能力；较浅的网络可以提供更快的计算速度和较少的参数数量，但可能无法捕捉到更复杂的空间和时间依赖关系，导致预测精度不足；相反，较深的网络可以更好地学习这些依赖关系，但需要更多的计算资源和更多的参数，可能会导致过拟合；
S303：通过交叉验证来确定卷积核大小，并根据数据量确定卷积核数量；
卷积核大小和数量：卷积核大小和数量对模型的性能和计算速度都有很大的影响；卷积核大小决定了网络对数据的感受野大小，即决定了网络能够看到多远的空间范围内的数据；较大的卷积核可以提取更多的信息，但也会导致参数数量增加；较小的卷积核可以减少参数数量，但可能会丢失一些信息；如果输入数据的空间分辨率较低，那么可以适当增大卷积核大小来扩大网络感受野，提高网络对空间特征的把握能力；另外，卷积核大小也会影响网络的参数数量和计算复杂度，因此需要在准确性和效率之间进行权衡和选择；一般来说，可以通过交叉验证等方法来确定最优的卷积核大小；
S304：若预测任务较复杂、数据集规模较大，则选择较多的LSTM单元和层数；若预测任务较简单、数据集规模较小，则选择较少的LSTM单元和层数；
LSTM单元数和层数：LSTM单元数和层数对于长时序数据建模非常重要；在设计ConvLSTM模型时，需要根据数据的时间序列长度和复杂度确定LSTM单元数和层数；网格搜索法：选择一组可能的LSTM单元数和层数，使用交叉验证方法对每组参数进行评估，选择表现最好的参数组合作为最终的参数；可以基于经验规则选择LSTM单元数和层数，例如，LSTM单元数可以选择与输入数据维度相同的值，而层数可以选择3-5层；也可视任务而定，根据具体任务和数据集的特点来选择LSTM单元数和层数；例如，对于较复杂的预测任务和大规模数据集，可能需要更多的LSTM单元和层数，而对于简单的任务和小规模数据集，则可以选择较少的LSTM单元和层数；
S305：根据具体任务和数据集调整全连接层的数量和大小；
在确定网络架构后，可以使用深度学习框架，如TensorFlow、PyTorch等，搭建ConvLSTM神经网络模型，并进行训练和调优；在训练和调优过程中，需要根据具体情况对模型进行合理的参数设置和超参数调整，以达到最优的模型效果。
S4：构建特殊设计的损失函数，将数据驱动和物理驱动相结合，建立模型的并约束模型的边界和搜索空间：损失函数分为数据驱动和物理驱动两部分；
数据驱动部分的损失函数为，通过神经网络得到的逼近函数值和通过实验观测、数值仿真获取的训练数据的残差；如周围环境电磁强度值、绝缘条件与神经网络计算结果的残差，其中损失函数包括电磁传感器实测的电场强度和磁场强度分布图与物理增强神经网络计算的电场强度和磁场强度分布图的数值损失；
物理驱动部分的损失函数为，先验物理知识构成的约束方程残差；如将神经网络计算结果代入电工装备模型中蕴含的物理约束中后得到的残差，其中损失函数包括对空间位置、电压、电流、磁场强度、电场强度耦合成的麦克斯韦方程的符合度残差；
将两部分损失函数以不同权重的形式结合，并进行损失最小化处理；定义如下：
式中，x和y对应二维中的横纵坐标，β对应物理变量，{xb,yb,A(xb,yb,β)}为用于二维训练样本中边界点的数据，a{xf,yf,β}为区域内部点用于训练的数据，k是惩罚系数作为调节两部分损失函数的权重；损失函数Loss中第一项对应于边界上的计算值和样本值的残差，也就是数据驱动部分的损失函数；第二项对应于物理驱动的损失函数，充当惩罚作用的正则化项，保证了神经网络强制执行偏微分方程式所施加的物理定律约束。
S5：使用步骤S2处理后的数据对步骤S4中建立的模型进行训练；
模型进行训练的过程如下：
S501：将通过步骤S2得到的测试集数据输入步骤S4中建立的模型中；
S502：使用梯度下降算法及步骤S3中确定ConvLSTM神经网络架构的方法，设置损失阈值；
S503：通过神经网络的自动微分算法，快速求解偏微分方程中的梯度数据；
S504：进行多次迭代训练来调整神经网络的权重，直到神经网络损失降到损失阈值以下停止训练。
S6：利用已经训练好的模型对目标装备进行电磁场预测，得到预测结果，并对预测结果进行反归一化处理，得到仿真电磁场数值。
步骤S5中对模型进行训练前需要进行模型测试，进行模型测试时，将测试集的输入数据输入到经过训练的物理增强ConvLSTM神经网络中，得到对应的预测输出，通过比较预测输出和测试集真实输出之间的差异，得出模型的预测精准度和泛化能力。
物理增强神经网络的性能是指其在解决物理问题时的准确性、鲁棒性和效率；具体来说，物理增强神经网络的性能指标包括以下方面：
准确性：物理增强神经网络的目标是在物理先验知识的约束下精确地解决计算问题，因此其准确性是其性能的重要指标；这通常可以通过比较模拟结果和解析解、实验结果或其他数值方法的结果来评估。
鲁棒性：物理增强神经网络应该能够处理不同类型的边界条件、初始条件和物理参数等变化，同时保持准确性；因此，其鲁棒性也是评估其性能的重要指标。
效率：物理增强神经网络的性能也可以通过其计算效率来衡量。即使用尽可能少的计算资源，在给定的时间内尽可能精确地解决问题；这可以通过比较运行时间、内存使用等指标来评估。
对于物理增强神经网络，性能的好坏取决于它的准确性、鲁棒性和效率，在解决复杂的物理问题时，需要根据具体的问题选择最适合的物理增强神经网络模型和优化算法。
其中，平均绝对百分比误差(MAPE)是一种用来衡量预测值准确性的指标，其表示预测值误差的平均绝对百分比；MAPE的计算方法是将每个时刻预测值和真实值的误差除以真实值，求取绝对值后再求取平均值；在此基础上，再乘以100％得到百分比误差；MAPE的值越小，表示模型的预测精准度越高；另一个常用的指标是均方根误差(RMSE)，它是一种用来衡量预测值误差的指标，其表示预测值误差的平均平方根；RMSE的计算方法是将每个时刻预测值和真实值的误差求平方后再求取平均值，最后再对平均值进行开方；RMSE的值越小，表示模型的预测精准度越高；
在实际测试中，可以通过计算MAPE和RMSE的值，来评估模型的预测精准度和泛化能力；通常情况下，选择MAPE和RMSE作为评价指标可以全面考虑模型的预测精准度和误差大小，从而更好地评估模型的性能；
MAPE和RMSE的公式如下：
模型的性能受损失权值选择的影响，因此需要自适应学习这些损失权值，用模型输出和自适应权值采集给出的均值构建高斯概率模型，再进行梯度下降迭代将参数更新，基于最大似然估计定义自适应加权损失函数，通过Adam优化器调整自适应权重，以最大化满足约束的概率，从而提高模型的精度和鲁棒性。
其中自适应权值采集是一种基于数据分布的非参数估计方法，它可以根据数据的分布情况来动态调整每个数据点的权重，从而得到更准确的均值；具体来说，自适应权值采集的步骤如下：
假设有n个数据点x1,x2,…,xn；二、对于每个数据点xi，计算它与其他数据点之间的距离，通常可以使用欧氏距离或者曼哈顿距离；
对于每个数据点xi，根据它与其他数据点的距离来计算它的权值wi，通常可以使用高斯核函数或者指数核函数等来计算：
其中，K是核函数，d(xi,xj)是数据点xi和xj之间的距离，σ是一个控制核函数宽度的参数。
根据每个数据点的权值来计算均值：
其中，μ表示均值。
核函数的选择以及核函数宽度参数σ的设定对于自适应权值采集的效果具有很大的影响，需要根据具体的数据分布情况来进行调整；自适应权值采集还有一些变种，比如加入梯度下降算法来进行优化，可以在实际应用中根据需要选择不同的方法。
使用自适应损失权重的方法，需要已知学习速率lr和噪声收集的初始值ε。首先找到具有参数θ和优秀噪声标量ε的最佳模型，其中θ为所有权重矩阵和偏差向量的参数集合，ε为输出中用于决定不确定性的观测噪声；自适应损失权重方法的使用过程如下：
考虑具有初始参数θ的神经网络(x，t；θ)。
构建高斯概率模型，平均值由神经网络的输出和噪声集合ε给出。
使用梯度下降算法的步骤来更新参数ε和θ：
基于最大似然法，定义由物理约束和数据约束加权得到的损失函数L(ε；θ；N)；
通过Adam调整噪声参数ε，以最大化满足约束的概率；
通过Adam更新参数θ。
工作过程：
一种基于物理增强神经网络的电磁场预测方法用以预测电磁轨道炮的轨道界面电磁场，包括以下几个步骤：
A1：搜集目标电工装备数据集，使用传感器采集电磁轨道炮的电磁场数据，因发射成本高昂且采集数据难度大，选择使用相同情况下的Comsol仿真结果作为真实数据的补充，对实际发射工况下的电磁轨道炮进行数值模拟，采集的数据包括几何结构、空间坐标、电磁场分布等；将通过根据Comsol仿真得到的数值解根据稳定性分为稳定阶段和“伪振荡”阶段，对于稳定阶段，获取磁通密度模分布，得到激励电流、时间、速度与电磁场分布的映射关系；对于“伪振荡”阶段，使用稳定阶段仿真得到的样本数据，对ConvLSTM模型进行训练和泛化能力测试，然后使用此模型进行预测，得到“伪振荡”阶段的电磁场分布。
A2：使用仿真软件得到的稳定阶段的解是稳定且值得信赖的，将其用于训练和验证，“伪振荡”阶段的解因仿真软件的局限性难以得到准确的解，是物理增强ConvLSTM神经网络所需要预测的值；电磁场数值解的量级的较大，需要进行归一化处理，通过将数据按其均值和标准差的比例缩放，将数据转换为具有零均值和单位标准差的标准正态分布；标准化后的数据均值为0，标准差为1；将上述全部数据按照时间序列进行存储，以便符合神经网络的输入格式。
A3：根据电磁轨道炮轨道截面电磁场的特点，因截面是二维的，则需要使用二维卷积层；划分数据集：将数据集分为训练集、验证集和测试集；首先设置不同大小的卷积核作为模型的超参数，使用训练集对模型进行训练，并使用验证集对不同卷积核大小的模型进行评估，根据验证集上的评估指标选择表现最优的卷积核大小，使用测试集评估最终模型的性能，重复上述步骤多次，可以得到不同的卷积核大小下模型的表现情况，从而选择最优的卷积核大小；使用交叉验证方法选择表现最好的卷积核大小和数量；因电磁轨道炮的截面电磁场变化收到多物理场的影响，问题比较复杂，需要进行更精细的预测，需要增加全连接层的数量和大小，以提高模型的拟合能力；为了避免过拟合，使用正则化方法，使用Dropout方法随机丢弃一部分神经元，以提高模型的鲁棒性；确定上述网络架构后，使用PyTorch框架，搭建ConvLSTM神经网络模型。
A4：构建特殊设计的损失函数嵌入知识，损失函数分为数据驱动和物理驱动两部分，数据驱动部分的损失函数为使用ConvLSTM神经网络生成的逼近函数值和通过实验观测、数值仿真手段获取的电磁场分布的残差由此构建损失函数Ldata；物理驱动部分的损失函数为先验物理知识构成的约束方程残差，由于趋肤效应的存在，导体内部的电流会集中于导体的表面，且导体内电流密度随着距离表面深度增加呈指数减小，即越靠近内部电流密度数值越小，由此构建损失函数LS；由于临近效应的存在，在电流的上升沿阶段，上、下轨道中的磁通量持续增大，轨道内产生的涡流具有增强轨道内侧电流和减弱轨道外侧电流的趋势，导致其相邻内侧表面的电流密度较大，轨道外侧表面电流密度较小，由此构建损失函数LP；此时总的损失函数为：
Loss＝Ldata+λSLS+λPLP；
其中λS及λP分别为由于趋肤效应及邻近效应构成的损失函数的权重系数，此时构建出完整的物理增强ConvLSTM神经网络。
A5：使用发明内容S5中的方法自适应调整损失函数权重系数，采用平均MAPE和RMSE作为模型训练结果的评价指标，进行多次迭代更新神经网络权重直到损失函数小于设定的损失阈值，建立出轨道电磁炮轨道截面的电磁场预测模型；所涉及神经网络训练基于Python3.6环境下的PyTorch框架，在Pycharm中编译完成，有限元模拟均使用COMSOL6.0利用稳定阶段仿真得到的样本数据进行预测，最后对预测结果进行反归一化处理，得到真实的电磁场数值，并进行可视化展示，得到了“伪振荡”阶段的电磁场分布；将数值解稳定阶段数值模拟得到的电磁场与“伪振荡”阶段预测的电磁场分布叠加得到整个发射过程的电磁场分布。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤；这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件；专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围；
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和***，可以通过其它的方式实现；例如，以上所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行；上述单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的；
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中；
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。
Claims (7)
1.一种基于物理增强神经网络的电磁场预测方法，其特征在于：
包括如下步骤：
S1：构建电工装备电磁场数据采集***，采集电磁场数据；
S2：对步骤S1采集到的数据进行归一化在内的预处理；
S3：根据电磁场预测数据的特点，确定ConvLSTM神经网络架构；
S4：在ConvLSTM神经网络架构中，构建特殊设计的损失函数，将数据驱动和物理驱动相结合，建立模型，并约束模型的边界和搜索空间；
S5：使用步骤S2处理后的数据对步骤S4中建立的模型进行训练；
S6：利用已经训练好的模型对目标数据进行电磁场预测，得到预测结果，并对预测结果进行反归一化处理，得到仿真电磁场数值。
2.根据权利要求1所述的一种基于物理增强神经网络的电磁场预测方法，其特征在于：
步骤S1的具体实施流程如下：
S101：根据电工装备的特点和需要采集的电磁场信息类型，确定采集点的数量、位置和采集方式；
S102：设计数据采集***；
S103：初始化设计传感器的参数，设定数据采集频率和规模，采集并传输电工装备运行时的电磁场数据。
3.根据权利要求1所述的一种基于物理增强神经网络的电磁场预测方法，其特征在于：
步骤S2中的数据预处理过程包括以下几个方面：
S201：对电磁场数据中的噪声和异常值，进行数据清洗；
S202：对电磁场数据，进行数据归一化处理以及数据标准化处理；
S203：将原始的时间序列数据转换为网络输入格式；
S204：将数据集分成训练集、验证集和测试集三部分。
4.根据权利要求1所述的一种基于物理增强神经网络的电磁场预测方法，其特征在于：
步骤S3中确定ConvLSTM神经网络架构过程如下：
S301：根据输入数据的不同维度，选取不同的网络输入层结构；
S302：根据空间和时间依赖关系的复杂度，以及所需的拟合程度，选取相应的神经网络的深度；
S303：通过交叉验证来确定卷积核大小，并根据数据量确定卷积核数量；
S304：若预测任务较复杂、数据集规模较大，则选择较多的LSTM单元和层数；若预测任务较简单、数据集规模较小，则选择较少的LSTM单元和层数；
S305：根据具体任务和数据集调整全连接层的数量和大小。
5.根据权利要求1所述的一种基于物理增强神经网络的电磁场预测方法，其特征在于：
步骤S4中所述的损失函数分为数据驱动和物理驱动两部分；
数据驱动部分的损失函数为，通过神经网络得到的逼近函数值和通过实验观测、数值仿真获取的训练数据的残差；
物理驱动部分的损失函数为，由先验物理知识构成的约束方程残差；
将两部分损失函数赋予不同的权重，并进行损失最小化处理。
6.根据权利要求1所述的一种基于物理增强神经网络的电磁场预测方法，其特征在于：
步骤S5中对模型进行训练的过程如下：
S501：将通过步骤S2得到的测试集数据输入步骤S4中建立的模型中；
S502：使用梯度下降算法及步骤S3中确定ConvLSTM神经网络架构的方法，设置损失阈值；
S503：通过神经网络的自动微分算法，快速求解偏微分方程中的梯度数据；
S504：进行多次迭代训练来调整神经网络的权重，直到神经网络损失降到损失阈值以下停止训练。
7.根据权利要求1所述的一种基于物理增强神经网络的电磁场预测方法，其特征在于：
步骤S5中对模型进行训练前需要进行模型测试，进行模型测试时，将测试集的输入数据输入到经过训练的物理增强ConvLSTM神经网络中，得到对应的预测输出，通过比较预测输出和测试集真实输出之间的差异，得出模型的预测精准度和泛化能力。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310345186.3A CN116384244A (zh) | 2023-04-03 | 2023-04-03 | 一种基于物理增强神经网络的电磁场预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310345186.3A CN116384244A (zh) | 2023-04-03 | 2023-04-03 | 一种基于物理增强神经网络的电磁场预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116384244A true CN116384244A (zh) | 2023-07-04 |
Family
ID=86967034
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310345186.3A Pending CN116384244A (zh) | 2023-04-03 | 2023-04-03 | 一种基于物理增强神经网络的电磁场预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116384244A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117390961A (zh) * | 2023-10-25 | 2024-01-12 | 中南大学 | 一种利用物理信息神经网络求解地电模型电磁响应的方法 |
| CN117709170A (zh) * | 2024-02-05 | 2024-03-15 | 合肥工业大学 | 一种基于改进深度算子网络的磁场快速计算方法 |
-
2023
- 2023-04-03 CN CN202310345186.3A patent/CN116384244A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117390961A (zh) * | 2023-10-25 | 2024-01-12 | 中南大学 | 一种利用物理信息神经网络求解地电模型电磁响应的方法 |
| CN117709170A (zh) * | 2024-02-05 | 2024-03-15 | 合肥工业大学 | 一种基于改进深度算子网络的磁场快速计算方法 |
| CN117709170B (zh) * | 2024-02-05 | 2024-04-19 | 合肥工业大学 | 一种基于改进深度算子网络的磁场快速计算方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111738512B (zh) | 一种基于cnn-ipso-gru混合模型的短期电力负荷预测方法 | |
| Liu et al. | A hybrid WA–CPSO-LSSVR model for dissolved oxygen content prediction in crab culture | |
| CN110909926A (zh) | 基于tcn-lstm的太阳能光伏发电预测方法 | |
| CN116384244A (zh) | 一种基于物理增强神经网络的电磁场预测方法 | |
| CN115935834B (zh) | 一种基于深度自回归网络和持续学习策略的历史拟合方法 | |
| CN111784061B (zh) | 一种电网工程造价预测模型的训练方法、装置和设备 | |
| CN111967183A (zh) | 一种配电网台区线损的计算方法和*** | |
| CN112884236B (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及*** | |
| Huang et al. | Learning a continuous and reconstructible latent space for hardware accelerator design | |
| CN114298134A (zh) | 风电功率预测方法及装置、电子设备 | |
| Ge et al. | An improved PF remaining useful life prediction method based on quantum genetics and LSTM | |
| Damaševičius et al. | Decomposition aided attention-based recurrent neural networks for multistep ahead time-series forecasting of renewable power generation | |
| CN114925938A (zh) | 一种基于自适应svm模型的电能表运行状态预测方法、装置 | |
| CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及*** | |
| CN114239396A (zh) | 一种风机齿轮箱状态预测方法及*** | |
| CN113656707A (zh) | 一种理财产品推荐方法、***、存储介质及设备 | |
| CN117592370A (zh) | 一种基于pinn的二维赋形场求解方法、***及存储介质 | |
| CN116822742A (zh) | 一种基于动态分解-重构集成处理的电力负荷预测方法 | |
| CN116722541A (zh) | 一种基于卷积神经网络的电力***负荷预测方法及装置 | |
| CN115392441A (zh) | 量化神经网络模型的片内适配方法、装置、设备及介质 | |
| CN114720129A (zh) | 一种基于双向gru的滚动轴承剩余寿命预测方法及*** | |
| Sun et al. | Short-Term Exhaust Gas Temperature Trend Prediction of a Marine Diesel Engine Based on an Improved Slime Mold Algorithm-Optimized Bidirectional Long Short-Term Memory—Temporal Pattern Attention Ensemble Model | |
| CN112668770A (zh) | 一种基于信息与波形总体相似度的电力负荷预测方法 | |
| Wang et al. | Improved artificial bee colony algorithm and its application in classification | |
| Wu et al. | Application of Adaptive Machine Learning Systems in Heterogeneous Data Environments |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |