本發(fā)明涉及冷端優(yōu)化控制系統(tǒng)領(lǐng)域，尤其是一種基于物理信息神經(jīng)網(wǎng)絡(luò)的直接空冷機(jī)組軸流風(fēng)機(jī)群風(fēng)場(chǎng)重建方法。

背景技術(shù)：

1、軸流風(fēng)機(jī)風(fēng)場(chǎng)是直接空冷凝汽器的重要特征，高速旋轉(zhuǎn)的風(fēng)機(jī)葉片將環(huán)境空氣加壓后吹到凝汽器表面，從而凝結(jié)在汽輪機(jī)中做完功的乏汽。但是經(jīng)過(guò)高速旋轉(zhuǎn)的風(fēng)機(jī)葉片加壓后的空氣容易受到環(huán)境因素的影響（風(fēng)向、風(fēng)速等），使得實(shí)際參與凝結(jié)的空氣變少，從而降低了凝結(jié)的效率。為了維持背壓穩(wěn)定就需要加大風(fēng)機(jī)轉(zhuǎn)速，進(jìn)而導(dǎo)致耗電量增加，使得電廠的經(jīng)濟(jì)效益降低。

2、同時(shí)，參與完換熱的空氣由于環(huán)境風(fēng)、建筑的影響難以及時(shí)排走，容易再次被風(fēng)機(jī)吸入?yún)⑴c換熱，這將導(dǎo)致凝結(jié)效率的進(jìn)一步下降，進(jìn)一步對(duì)電廠的經(jīng)濟(jì)效益造成影響。綜上所述，軸流風(fēng)機(jī)群風(fēng)場(chǎng)的建立尤為重要，通過(guò)建立軸流風(fēng)機(jī)群風(fēng)場(chǎng)，我們可以了解軸流風(fēng)機(jī)群附近的空氣流動(dòng)，從而調(diào)節(jié)軸流風(fēng)機(jī)的轉(zhuǎn)速、運(yùn)行方式或者加裝擋風(fēng)板，從而改變軸流風(fēng)機(jī)附近流場(chǎng)，使得參與換熱的空氣增加，增強(qiáng)經(jīng)濟(jì)效益。然而，直接空冷機(jī)組軸流風(fēng)機(jī)群風(fēng)場(chǎng)的高效預(yù)測(cè)一直以來(lái)都是一個(gè)技術(shù)難題，亟待解決。

3、為了探索直接空冷機(jī)組軸流風(fēng)機(jī)群風(fēng)場(chǎng)的變化規(guī)律以及其對(duì)凝汽器換熱的影響機(jī)理，國(guó)內(nèi)外科研工作者開(kāi)展了大量的研究，主要包括試驗(yàn)方法和數(shù)值模擬方法。

4、試驗(yàn)方法雖然可以反應(yīng)軸流風(fēng)機(jī)群真實(shí)的工作情況，但考慮到成本問(wèn)題，軸流風(fēng)機(jī)群附近布置的傳感器有限，使得所獲取的數(shù)據(jù)是往往難以準(zhǔn)確描述軸流風(fēng)機(jī)群風(fēng)場(chǎng)的整體形態(tài)和局部渦旋形態(tài)細(xì)節(jié)；數(shù)值模擬方法是最近比較流行的方法(fluent,cfd)，但其對(duì)網(wǎng)格質(zhì)量要求非常高，想要模擬軸流風(fēng)機(jī)高速旋轉(zhuǎn)產(chǎn)生的湍流場(chǎng)時(shí)，所需的前處理、計(jì)算時(shí)間以及海量數(shù)據(jù)的后處理是十分驚人的。

5、物理信息神經(jīng)網(wǎng)絡(luò)是一種在訓(xùn)練過(guò)程中施加了物理信息約束的神經(jīng)網(wǎng)絡(luò)，相較于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，物理信息神經(jīng)網(wǎng)絡(luò)能夠用更少的數(shù)據(jù)樣本獲得較強(qiáng)的泛化能力。同時(shí)，物理信息神經(jīng)網(wǎng)絡(luò)方法又能充分利用數(shù)據(jù)信息，解決高維非線性、物理模型難以建立等問(wèn)題。為此，本發(fā)明提出一種基于物理信息神經(jīng)網(wǎng)絡(luò)的軸流風(fēng)機(jī)群風(fēng)場(chǎng)重建方法。

技術(shù)實(shí)現(xiàn)思路

1、為解決現(xiàn)有技術(shù)所存在的問(wèn)題，本發(fā)明提供一種基于物理信息神經(jīng)網(wǎng)絡(luò)的直接空冷機(jī)組軸流風(fēng)機(jī)群風(fēng)場(chǎng)重建方法，利用風(fēng)速和壓力傳感器的測(cè)量數(shù)據(jù)，結(jié)合神經(jīng)網(wǎng)絡(luò)技術(shù)和納維斯托克斯方程構(gòu)建替代模型，能夠在不完備數(shù)據(jù)信息條件下充分挖掘隱藏的物理信息，通過(guò)最小化損失函數(shù)得到各輸出物理量和模型輸入之間的映射關(guān)系，利用有限的傳感器的監(jiān)測(cè)數(shù)據(jù)快速準(zhǔn)確的預(yù)測(cè)出直接空冷機(jī)組軸流風(fēng)機(jī)群風(fēng)場(chǎng)。

2、本發(fā)明采取以下技術(shù)方案：一種基于物理信息神經(jīng)網(wǎng)絡(luò)的直接空冷機(jī)組軸流風(fēng)機(jī)群風(fēng)場(chǎng)重建方法，包括：

3、s1：在直接空冷機(jī)組軸流風(fēng)機(jī)群附近布置多個(gè)風(fēng)速和壓力傳感器，以機(jī)組軸流風(fēng)機(jī)群風(fēng)場(chǎng)各向風(fēng)速和壓力作為目標(biāo)變量，采集軸流風(fēng)機(jī)高速旋轉(zhuǎn)時(shí)的樣本數(shù)據(jù)；

4、s2：對(duì)樣本數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，并構(gòu)建訓(xùn)練數(shù)據(jù)矩陣，將數(shù)據(jù)矩陣劃分為訓(xùn)練集和測(cè)試集；

5、s3：確定軸流風(fēng)機(jī)群區(qū)域滿(mǎn)足的流體運(yùn)動(dòng)的微分方程，構(gòu)建軸流風(fēng)機(jī)群物理信息神經(jīng)網(wǎng)絡(luò)；

6、s4：利用s2中得到的預(yù)處理數(shù)據(jù)對(duì)軸流風(fēng)機(jī)群物理信息神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，并在訓(xùn)練過(guò)程中對(duì)反向傳播梯度進(jìn)行優(yōu)化；通過(guò)最小化由物理學(xué)損失項(xiàng)和數(shù)據(jù)損失項(xiàng)共同組成的損失函數(shù)，以得到模型輸入與各輸出物理量之間的映射關(guān)系，對(duì)軸流風(fēng)機(jī)風(fēng)場(chǎng)參數(shù)進(jìn)行快速預(yù)測(cè)；將測(cè)試集輸入訓(xùn)練好的模型，對(duì)模型的準(zhǔn)確性和泛化性進(jìn)行評(píng)估；

7、s5：根據(jù)s4中訓(xùn)練好的軸流風(fēng)機(jī)群物理信息神經(jīng)網(wǎng)絡(luò)模型，重構(gòu)出直接空冷機(jī)組軸流風(fēng)機(jī)群風(fēng)場(chǎng)。

8、在一些實(shí)施例中，步驟s1包括：

9、s11：在機(jī)組軸流風(fēng)機(jī)群附近布置的多個(gè)風(fēng)速傳感器測(cè)點(diǎn)，采集得到時(shí)空坐標(biāo)處的各向風(fēng)速測(cè)量值；

10、s12：在機(jī)組軸流風(fēng)機(jī)群附近布置的多個(gè)壓力傳感器測(cè)點(diǎn)，采集得到時(shí)空坐標(biāo)處的壓力測(cè)量值；

11、s13：讀取對(duì)應(yīng)采樣時(shí)刻的環(huán)境溫度、環(huán)境風(fēng)速和汽輪機(jī)乏汽量的測(cè)量數(shù)據(jù)；

12、s14：根據(jù)相應(yīng)的測(cè)點(diǎn)坐標(biāo)對(duì)應(yīng)的采集時(shí)間、對(duì)應(yīng)采樣時(shí)刻的環(huán)境溫度、環(huán)境風(fēng)速和汽輪機(jī)乏汽量的測(cè)量數(shù)據(jù)與相應(yīng)的機(jī)組軸流風(fēng)機(jī)群附近傳感器測(cè)得的各向風(fēng)速和壓力數(shù)據(jù)，構(gòu)建由采樣時(shí)間t、測(cè)點(diǎn)空間坐標(biāo)x、y、z、環(huán)境溫度、環(huán)境風(fēng)速、汽輪機(jī)乏汽流量、橫向速度 u、縱向速度 v、豎向速度 w、壓力 p組成的樣本數(shù)據(jù)。

13、在一些實(shí)施例中，步驟s2包括：

14、s21：采用max—min歸一化的方法，將傳感器所測(cè)得的數(shù)據(jù)映射到[0,1]之間；

15、s22：將預(yù)處理后的數(shù)據(jù)組成一個(gè)[ n d,11]的測(cè)量數(shù)據(jù)矩陣a，其中， n d表示測(cè)量數(shù)據(jù)矩陣中測(cè)量點(diǎn)的總數(shù)量，測(cè)量數(shù)據(jù)矩陣a的第i行包括時(shí)空坐標(biāo)點(diǎn)，環(huán)境、工況信息和該位置處對(duì)應(yīng)的流場(chǎng)信息；

16、其中，為第i行數(shù)據(jù)對(duì)應(yīng)的時(shí)間信息，為對(duì)應(yīng)的橫軸坐標(biāo)，為對(duì)應(yīng)的縱軸坐標(biāo)，為對(duì)應(yīng)的豎軸坐標(biāo)，為對(duì)應(yīng)的時(shí)刻的環(huán)境溫度，為對(duì)應(yīng)時(shí)刻的環(huán)境風(fēng)速，為對(duì)應(yīng)時(shí)刻的汽輪機(jī)乏汽量；為該時(shí)空坐標(biāo)點(diǎn)對(duì)應(yīng)的橫向速度，為對(duì)應(yīng)的縱向速度，為對(duì)應(yīng)的豎向速度，為對(duì)應(yīng)的壓力信息；

17、s23：將測(cè)量數(shù)據(jù)矩陣a劃分為訓(xùn)練集和測(cè)試集。

18、在一些實(shí)施例中，步驟s3包括：

19、s31：構(gòu)建全連接神經(jīng)網(wǎng)絡(luò)：

20、s32：在全連接神經(jīng)網(wǎng)絡(luò)中，嵌入反映流場(chǎng)規(guī)律的偏微分方程，學(xué)習(xí)風(fēng)場(chǎng)中流體流動(dòng)規(guī)律。

21、在一些實(shí)施例中，步驟s31中，全連接神經(jīng)網(wǎng)絡(luò)表示為如下的遞歸形式：

22、

23、其中，為神經(jīng)網(wǎng)絡(luò)的輸入層；t為時(shí)間信息；x、y、z表示空間坐標(biāo)；表示環(huán)境溫度，表示環(huán)境風(fēng)速，表示汽輪機(jī)乏汽流量；為神經(jīng)網(wǎng)絡(luò)的第 i層；和分別表示該網(wǎng)絡(luò)的權(quán)重和偏置；為神經(jīng)網(wǎng)絡(luò)的第 i-1層；為激活函數(shù)； l為神經(jīng)網(wǎng)絡(luò)隱藏層層數(shù)；為輸出層；和別表示輸出層權(quán)重和偏置，為第 l-1層； u為橫向速度信息， v為縱向速度信息， w為豎向速度信息， p為壓力信息。

24、在一些實(shí)施例中，步驟s32中，反映流場(chǎng)規(guī)律的偏微分方程為：

25、

26、其中是偏微分符號(hào)；t為時(shí)間；x、y、z表示空間坐標(biāo)； u為橫向速度， v為縱向速度， w為豎向速度；為空氣密度； p為壓力；為空氣的運(yùn)動(dòng)粘度。

27、在一些實(shí)施例中，步驟s4包括：

28、s41：構(gòu)建由物理學(xué)損失項(xiàng)和數(shù)據(jù)損失項(xiàng)共同組成的總損失函數(shù)；

29、s42：使用adam優(yōu)化函數(shù)在反向傳播過(guò)程中對(duì)訓(xùn)練參數(shù)進(jìn)行更新。

30、s43：利用s2中所構(gòu)建的測(cè)試集輸入訓(xùn)練好的模型中，用于對(duì)模型準(zhǔn)確性和泛化性的評(píng)價(jià)。

31、步驟s41中，總損失函數(shù)包括為：

32、

33、

34、

35、其中， loss表示總損失函數(shù)，、分別表示數(shù)值損失，偏微分方程損失的權(quán)重系數(shù)；和分別為數(shù)值、偏微分方程的數(shù)據(jù)集，為橫向速度的預(yù)測(cè)值；為縱向速度的預(yù)測(cè)值；為豎向速度的預(yù)測(cè)值；為壓力信息的預(yù)測(cè)值；為第行測(cè)量數(shù)據(jù)對(duì)應(yīng)的時(shí)間信息；為對(duì)應(yīng)的橫軸坐標(biāo)；為對(duì)應(yīng)的縱軸坐標(biāo)；為對(duì)應(yīng)的豎軸坐標(biāo)；為橫向速度的測(cè)量值；為縱向速度的測(cè)量值；為豎向速度的測(cè)量值；為壓力信息的測(cè)量值；為連續(xù)性方程殘差；分別為納維斯托克斯方程三項(xiàng)的殘差；為第 i行坐標(biāo)數(shù)據(jù)對(duì)應(yīng)的時(shí)間信息；為對(duì)應(yīng)的橫軸坐標(biāo)；為對(duì)應(yīng)的縱軸坐標(biāo)；為對(duì)應(yīng)的豎軸坐標(biāo)。

36、9.根據(jù)權(quán)利要求7所述的基于物理信息神經(jīng)網(wǎng)絡(luò)的直接空冷機(jī)組軸流風(fēng)機(jī)群風(fēng)場(chǎng)重建方法，其特征在于，所述步驟s42包括：

37、使用adam優(yōu)化函數(shù)反向傳播更新訓(xùn)練參數(shù) w， b，獲取最佳的訓(xùn)練參數(shù)，使得由物理學(xué)損失項(xiàng)和數(shù)據(jù)損失項(xiàng)組成的損失函數(shù)最?。?

38、

39、其中， w為權(quán)重； b為偏置。

40、10.根據(jù)權(quán)利要求1所述的基于物理信息神經(jīng)網(wǎng)絡(luò)的直接空冷機(jī)組軸流風(fēng)機(jī)群風(fēng)場(chǎng)重建方法，其特征在于，所述步驟s5包括：

41、s51：基于步驟s4訓(xùn)練好的網(wǎng)絡(luò)重構(gòu)出直接空冷機(jī)組軸流風(fēng)機(jī)群風(fēng)場(chǎng),并運(yùn)用三維矢量合成法則將網(wǎng)絡(luò)輸出的橫向、縱向、豎向速度 u、v、w合成最終的風(fēng)速矢量；

42、s52：基于訓(xùn)練好的軸流風(fēng)機(jī)群物理信息神經(jīng)網(wǎng)絡(luò)模型，利用傳感器實(shí)時(shí)采集的數(shù)據(jù)，離線對(duì)軸流風(fēng)機(jī)群物理信息神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練調(diào)整更新，同時(shí)在線計(jì)算反演出的風(fēng)場(chǎng)的風(fēng)速和風(fēng)壓與實(shí)際測(cè)點(diǎn)風(fēng)速和風(fēng)壓之間的誤差、、和，并根據(jù)實(shí)際工程需要，設(shè)置誤差閾值：若實(shí)時(shí)計(jì)算得到的預(yù)測(cè)誤差、、和均小于閾值，即誤差在可接受范圍內(nèi)，則繼續(xù)使用當(dāng)前物理神經(jīng)網(wǎng)絡(luò)模型；若實(shí)時(shí)計(jì)算得到的預(yù)測(cè)誤差、、和中的一個(gè)或多個(gè)大于閾值，即誤差超出可接受范圍，則使用離線訓(xùn)練的軸流風(fēng)機(jī)群物理信息神經(jīng)網(wǎng)絡(luò)模型，重新反演出風(fēng)場(chǎng)。

43、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：

44、本發(fā)明提出了一種基于物理信息神經(jīng)網(wǎng)絡(luò)的直接空冷機(jī)組軸流風(fēng)機(jī)群風(fēng)場(chǎng)重建方法，通過(guò)引入n-s方程，構(gòu)建內(nèi)嵌物理信息損失函數(shù)的深度神經(jīng)網(wǎng)絡(luò)模型，能夠在有限數(shù)據(jù)樣本的情況下充分挖掘所隱藏的物理信息，實(shí)現(xiàn)接空冷機(jī)組軸流風(fēng)機(jī)群風(fēng)場(chǎng)重建和預(yù)測(cè)，為直接空冷機(jī)組軸流風(fēng)機(jī)群風(fēng)場(chǎng)的快速準(zhǔn)確預(yù)測(cè)提供了一個(gè)新的思路。

45、本發(fā)明通過(guò)使用物理信息神經(jīng)網(wǎng)絡(luò)方法對(duì)直接空冷機(jī)組軸流風(fēng)機(jī)群風(fēng)場(chǎng)數(shù)據(jù)進(jìn)行快速準(zhǔn)確預(yù)測(cè)，相較于傳統(tǒng)的數(shù)值模擬、試驗(yàn)和機(jī)器學(xué)習(xí)等方法，能夠節(jié)省大量的計(jì)算資源及試驗(yàn)成本，并較為完整準(zhǔn)確地反映流場(chǎng)規(guī)律，為后續(xù)的冷端優(yōu)化提供技術(shù)指導(dǎo)。