一种物理仿真模型训练方法、装置、设备和存储介质制造方法及图纸

本申请涉及一种物理仿真模型训练方法、装置、设备和存储介质，属于信息物理系统技术领域。上述方法包括：对机组工况历史采样数据进行数据清洗，获得清洗后数据；对所述清洗后数据采用感知/拟合算法，获得机组物理仿真模型；采用所述清洗后数据训练神经网络预测模型；将所述神经网络预测模型改造为初始决策网络，将所述机组物理仿真模型作为评价函数，通过强化学习优化决策网络的性能。采用本方法能够获得适用于工业场景下信息物理系统的完备、实时优化解决方案，为机组中各部件的工况实时优化调整，提供实时数据预测。提供实时数据预测。提供实时数据预测。

【技术实现步骤摘要】
一种物理仿真模型训练方法、装置、设备和存储介质


[0001]本专利技术涉及信息物理系统
，特别涉及一种物理仿真模型训练方法、装置、设备和存储介质。

技术介绍

[0002]以动力、化工、航天和环境工程为代表的工业系统是现代社会运行的重要基础。改善、提高工业系统的运行性能是进一步提高现有能源利用效率的有效途径，具有重要的经济与社会意义。然而，运行于工业场景下的机组及其部件通常受到外界负荷、大气环境和燃料变化等因素的影响，其实际运行状态时常偏离设计工况，导致机组未必总能达到最优状态。因此，寻求变工况下的实时经济性最优运行点是工业界的共同关注点。
[0003]传统的工业场景仅配备运行调控和安全监视系统，机组中各个部件的协调运行通常采用人工经验控制的方式，尚缺乏具备运行优化功能的协调调度方法，难以实现机组整体效益最大化。作为可能的解决方案，现有工业场景下的运行优化，至少需要：(1)收集机组各个部件的历史运行数据，训练模型；(2)基于各个部件的出厂特征参数，构建各部件的变工况模型和机组的物理仿真模型，在构建得到模型的基础上结合启发式优化算法进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种物理仿真模型训练方法，用于构建工业场景下的机组工况预测模型，其特征在于，所述方法包括：对机组工况历史采样数据进行数据清洗，获得清洗后数据；对所述清洗后数据采用感知/拟合算法，获得机组物理仿真模型；采用所述清洗后数据训练神经网络预测模型；将所述神经网络预测模型改造为初始决策网络，将所述机组物理仿真模型作为评价函数，通过强化学习优化决策网络的性能。2.根据权利要求1所述的一种物理仿真模型训练方法，其特征在于，所述将所述神经网络预测模型改造为初始决策网络，将所述机组物理仿真模型作为评价函数，通过强化学习优化决策网络的性能包括：保持所述神经网络预测模型的整体结构不变，模型参数不变，输入参数不变，将输出参数由运行状态特征参数改变为运行状态特征参数的平均值和标准差；使用所述评价函数评估所述决策网络的输出参数的优劣；采用随机梯度上升算法继续训练所述决策网络。3.根据权利要求1所述的一种物理仿真模型训练方法，其特征在于，所述对机组工况历史采样数据进行数据清洗，获得清洗后数据包括：对所述机组工况历史采样数据执行数据删除，和/或数据增补；对执行过数据删除，和/或数据增补后的机组工况历史采样数据采用3σ准则进行粗大误差校正；对执行过粗大误差校正后的机组工况历史采样数据采用基于滑动窗口的高斯滤波法进行噪声数据校正；对执行过噪声数据校正后的机组工况历史采样数据采用迪基
‑
福勒检验方法进行稳态工况筛选，获得所述清洗后数据。4.根据权利要求3所述的一种物理仿真模型训练方法，其特征在于，所述对所述机组工况历史采样数据执行数据删除，和/或数据增补包括：删除所述机组工况历史采样数据中的长期缺失的数据；和/或，采用线性插补法处理所述机组工况历史采样数据中的短时缺失的数据。5.根据权利要求1所述的一种物理仿真模型训练方法，其特征在于，所述对所述清洗后数据采用感知/拟合算法，获得机组物理仿真模型包括：根据所述清洗后数据，求解机组中各个部件运行状态特征参数的变工况模型；叠加所述机组中各个部件运行状...

【专利技术属性】
技术研发人员：陈曦，王超，
申请(专利权)人：苏州浪潮智能科技有限公司，
类型：发明
国别省市：