[發明專利]一種物理仿真模型訓練方法、裝置、設備和存儲介質

在審

• 申請號: 202210060135.1
• 申請日: 2022-01-19
• 公開（公告）號: CN114462309A
• 公開（公告）日: 2022-05-10
• 發明（設計）人: 陳曦;王超
• 申請（專利權）人: 蘇州浪潮智能科技有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/08
• 代理公司: 北京市萬慧達律師事務所 11111
• 代理人: 勞奕琴

本申請涉及一種物理仿真模型訓練方法、裝置、設備和存儲介質，屬于信息物理系統技術領域。上述方法包括：對機組工況歷史采樣數據進行數據清洗，獲得清洗后數據；對所述清洗后數據采用感知/擬合算法，獲得機組物理仿真模型；采用所述清洗后數據訓練神經網絡預測模型；將所述神經網絡預測模型改造為初始決策網絡，將所述機組物理仿真模型作為評價函數，通過強化學習優化決策網絡的性能。采用本方法能夠獲得適用于工業場景下信息物理系統的完備、實時優化解決方案，為機組中各部件的工況實時優化調整，提供實時數據預測。

技術領域

本發明涉及信息物理系統技術領域，特別涉及一種物理仿真模型訓練方法、裝置、設備和存儲介質。

背景技術

以動力、化工、航天和環境工程為代表的工業系統是現代社會運行的重要基礎。改善、提高工業系統的運行性能是進一步提高現有能源利用效率的有效途徑，具有重要的經濟與社會意義。然而，運行于工業場景下的機組及其部件通常受到外界負荷、大氣環境和燃料變化等因素的影響，其實際運行狀態時常偏離設計工況，導致機組未必總能達到最優狀態。因此，尋求變工況下的實時經濟性最優運行點是工業界的共同關注點。

傳統的工業場景僅配備運行調控和安全監視系統，機組中各個部件的協調運行通常采用人工經驗控制的方式，尚缺乏具備運行優化功能的協調調度方法，難以實現機組整體效益最大化。作為可能的解決方案，現有工業場景下的運行優化，至少需要：(1)收集機組各個部件的歷史運行數據，訓練模型；(2)基于各個部件的出廠特征參數，構建各部件的變工況模型和機組的物理仿真模型，在構建得到模型的基礎上結合啟發式優化算法進行運行參數優化。在收集歷史運行數據這一環節，一方面，由于機組歷史運行狀態無法保證最優，導致訓練得到的模型亦無法保證最優；另一方面，由于缺乏歷史運行數據，導致模型訓練的效果不佳。即使是長時間運轉的工業場景，歷史數據數量雖然充足，但多為重復的、動態的、含大量噪聲與誤差的測量數據，在此基礎上對模型展開訓練，亦無法達到理想效果。在構建模型這一環節，受現有仿真算法在大規模場景下的時間敏感性限制，無法滿足運行優化的實時性需求；因此，該思路僅適用于工業機組的設計優化計算，無法適應運行優化計算的實時性需求。綜上，現有工業場景下的信息物理系統，尚缺乏一種完備的實時優化解決方案，參與優化機組各部件工況的實時運行調整。

發明內容

為了解決現有技術的問題，本發明實施例提供了一種物理仿真模型的生成方法、裝置、設備和存儲介質，以克服現有技術在工業場景下的信息物理系統，缺乏完備的實時優化解決方案，參與優化機組各部件工況的實時運行調整的問題。

為了解決上述的一個或多個技術問題，本發明采用的技術方案如下：

第一方面，提供一種物理仿真模型訓練方法，用于構建工業場景下的機組工況預測模型，包括：

對機組工況歷史采樣數據進行數據清洗，獲得清洗后數據；

對清洗后數據采用感知/擬合算法，獲得機組物理仿真模型；

采用清洗后數據訓練神經網絡預測模型；

對清洗后數據使用啟發式優化算法，獲得各工況下的最優運行狀態特征參數組合；

使用最優運行狀態特征參數組合，訓練神經網絡預測模型；

將神經網絡預測模型改造為初始決策網絡，將機組物理仿真模型作為評價函數，通過強化學習優化決策網絡的性能。

進一步地，將神經網絡預測模型改造為初始決策網絡，將機組物理仿真模型作為評價函數，通過強化學習優化決策網絡的性能，包括：

保持神經網絡預測模型的整體結構不變，模型參數不變，輸入參數不變，將輸出參數由運行狀態特征參數改變為運行狀態特征參數的平均值和標準差；

設定評價函數用于評估決策網絡的輸出參數的優劣；

采用隨機梯度上升算法繼續訓練決策網絡。