一种基于压缩感知与物理信息神经网络融合的温度场重建方法与流程

本发明属于能源电力装备温度场感知与热管理，尤其是一种基于压缩感知与物理信息神经网络融合的温度场重建方法，适用于储能电池系统、电力电子装备及输变电主设备的温度场在线监测与热管理控制。

背景技术：

1、温度场是能源电力装备运行状态评估与安全控制中的关键物理量。在储能电池热安全、功率电子器件热可靠性以及变压器绝缘老化评估等场景中，对设备内部温度分布的实时、准确感知是热管理决策与故障预警的基础。然而，随着装备功率密度的不断提升、内部结构复杂度的增加以及实际运行工况的剧烈波动，传统温度场获取手段在工程上的适用性受到了显著限制。

2、目前工程实践中获取温度场的方法主要有两类。第一类是采用高密度温度传感器阵列对设备表面或内部关键点进行直接测量，但是受到传感器成本、电气绝缘安全、安装空间以及通信带宽与功耗等多重约束，难以在工程上布设足够数量的传感器对全场温度进行覆盖采样；第二类是基于有限元法或计算流体力学等数值仿真手段离线计算温度场分布，但是此类方法对边界条件与材料物性参数高度敏感，计算代价较大，难以满足在线监测或边缘部署的实时性要求。这就形成了能源电力装备热管理中的一个结构性矛盾：温度场本身是高维分布量，但工程上能够获取的观测信息却是极度低维、稀疏且带噪声的。

3、为缓解上述矛盾，近年来出现了两类典型的先进方法。压缩感知（compressedsensing, cs）方法利用温度场在适当变换域下的稀疏性或可压缩性，通过欠定线性观测实现场的近似重建，为传感器布点优化和通信压缩提供了理论支撑；物理信息神经网络（physics-informed neural networks, pinn）方法通过将热传导控制方程及其边界/初值条件嵌入神经网络的训练损失，在稀疏数据条件下保持重建结果的物理一致性。

4、然而，单独使用压缩感知或物理信息神经网络仍存在明显不足。纯压缩感知方法依赖于显式的稀疏先验假设，对测量噪声、模型失配以及极端稀疏观测的鲁棒性受限；纯物理信息神经网络方法在多尺度问题、刚性问题或复杂边界条件下，训练过程对损失权重、配点策略和优化器选择高度敏感，容易出现梯度病态与收敛不稳的问题；更重要的是，两者目前尚未形成统一的建模框架，难以充分发挥各自在"观测一致性"和"机理约束"两方面的互补优势。

5、综上，现有技术仍存在传感器数量需求高、噪声鲁棒性不足、训练稳定性差、稀疏观测与机理约束尚未统一建模等问题。因此，有必要提出一种基于压缩感知与物理信息神经网络融合的温度场重建方法，以在有限测量条件下实现高精度、物理一致、实时可行的温度场重建，并兼顾运行经济性、工程可部署性与多类设备的可迁移性。

技术实现思路

1、为解决现有能源电力装备在传感器数量受限条件下温度场难以高精度感知、纯压缩感知方法对噪声与模型失配鲁棒性不足、纯物理信息神经网络方法训练稳定性差，以及压缩感知与物理信息神经网络尚未形成统一建模框架等问题，本发明提供一种基于压缩感知与物理信息神经网络融合的温度场重建方法，其通过构建统一观测算子模型、神经网络参数化温度场表征以及多约束联合优化目标函数，将稀疏观测一致性与热传导机理约束统一为一个端到端可优化的标量目标，使温度场重建过程能够在仅依赖少量稀疏观测的条件下同时利用机理知识进行约束，从而在降低对传感器数量依赖的同时，实现温度场重建精度、物理一致性、实时性和工程可部署性之间的协调统一。

2、为实现上述目的，本发明采用如下技术方案：一种基于压缩感知与物理信息神经网络融合的温度场重建方法，其包括如下步骤：

3、s1.构建包括稀疏观测建模模块、神经网络参数化模块、物理约束嵌入模块、联合优化求解模块和工程应用扩展模块的温度场重建架构；

4、所述稀疏观测建模模块用于将工程上点测温与压缩测量两类感知模式抽象为统一的线性观测算子；神经网络参数化模块用于以深度神经网络对连续温度场进行函数化表示；物理约束嵌入模块用于将热传导控制方程及其边界/初值条件作为机理软约束施加于深度神经网络输出；联合优化求解模块用于将稀疏观测一致性、物理残差以及边界与初值约束统一为单一加权损失目标，并通过反向传播完成参数训练；工程应用扩展模块用于在所述训练得到的连续温度场表达基础上，进一步实现多物理场耦合扩展、热物性参数与对流换热系数的辨识、在线运行阶段的轻量校正以及面向热管理控制与故障预警的关键热指标输出；

5、s2.建立稀疏观测算子统一表示模型；

6、s3.构建神经网络参数化温度场与热传导物理约束嵌入模型；

7、s4.构建稀疏观测一致性与物理机理一致性的联合优化损失函数；

8、s5.采用基于自适应权重调整与自适应配点采样的两阶段训练求解算法；

9、s6.进行以多物理场耦合扩展、参数辨识、在线自更新和热点指标输出为核心的工程应用扩展，实现温度场监测结果向工程控制行为的闭环转化。

10、与现有技术相比，本发明具有以下有益效果：

11、（1）本发明通过将压缩感知的稀疏观测一致性与物理信息神经网络的机理约束统一为加权联合损失，使重建过程能够在传感器数量受限的情况下同时利用观测信息与机理知识进行约束，相比于纯压缩感知或纯物理信息神经网络方法，温度场重建精度尤其是热点温度预测精度得到显著提升。

12、（2）本发明将热传导控制方程及边界/初值条件作为软约束嵌入训练过程，所述物理残差项作为结构化隐式先验，使重建结果在稀疏观测条件下仍能满足热传导基本机理与边界/初值条件，避免出现非物理现象，提升重建结果的物理一致性。

13、（3）本发明通过损失权重的阶段化自适应调整、物理配点的基于残差自适应加密以及adam与l-bfgs的两阶段优化策略，缓解了纯物理信息神经网络在多尺度、刚性或复杂边界条件下易出现的梯度病态与收敛不稳问题，提高了训练过程的稳定性以及对测量噪声、模型失配和极端稀疏观测的鲁棒性。

14、（4）本发明将连续温度场表示为神经网络参数化函数，单次前向推断仅需毫秒量级即可完成任意时空点的温度查询，满足在线热管理控制、热失控早期预警及状态评估等场景对实时性的要求，并支持在边缘计算设备上通过模型压缩或量化部署。

15、（5）本发明从重建温度场中提取温度场分布、热点温度、升温速率、温差梯度以及热阻/热容辨识结果等具有明确物理意义的指标，可直接对接bms/ems、保护装置或绝缘老化评估系统，为热管理控制、寿命管理与故障预警提供可解释的依据。

16、（6）本发明所建立的方法框架与设备类型无关，通过在热传导控制方程算子中改变具体的耦合项形式，即可适用于储能电池系统、igbt/sic功率电子装备以及油浸式变压器等多类能源电力装备的温度场监测与热管理，具有良好的可迁移性与工程通用性。

1.一种基于压缩感知与物理信息神经网络融合的温度场重建方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的温度场重建方法，其特征在于，步骤s2中，在能源电力装备运行过程中，真实连续温度场是定义在求解区域与时间区间上的连续标量场，、，其空间离散化后的离散温度场向量表示为，表示实数集，n表示温度场空间离散后的自由度数量；受传感器成本、安装空间和电气绝缘约束，工程上可获取的观测维度远小于；利用统一的线性观测算子构造稀疏观测算子统一表示模型：，其中，为观测向量，为统一的线性观测算子，为零均值测量噪声；

3.根据权利要求2所述的温度场重建方法，其特征在于，步骤s3中，引入深度神经网络对真实连续温度场进行预测或重建，得到重建温度场；其中，x∈ω、t∈[0,t]为输入的时空坐标，为可训练的网络权值；同时引入热传导控制方程算子、边界条件算子与初始条件算子作为机理约束嵌入重建过程，、、、、分别表示材料密度、定压比热容、空间微分算子、导热系数、单位体积内部生热项；当工程中边界条件参数难以直接测得时，将其作为待辨识物理参数与网络权值一并纳入优化变量，实现温度场、参数与热源的协同反演。

4.根据权利要求3所述的温度场重建方法，其特征在于，步骤s4中，按预设采样策略构造四类训练点集：测量点集、物理配点集、边界点集与初始点集，在前述点集上分别构造数据一致性损失、物理残差损失、边界损失与初值损失，同时构造压缩感知稀疏先验损失，用于约束重建温度场在预设稀疏表示基或冗余字典下的系数稀疏性，并以加权和形式合成总损失：，其中，、、、、分别为对应五项损失的损失权重；

5.根据权利要求4所述的温度场重建方法，其特征在于，步骤s5中，在初始化神经网络权值、待辨识物理参数、损失权重和训练超参数后，按以下流程对网络进行训练：在第一阶段采用 adam一阶优化器，以学习率对参数进行快速下降，将网络从随机初始化迅速引导至损失盆地附近；在第二阶段切换至l-bfgs准牛顿优化器，利用近似hessian信息进行精细化的局部搜索，进一步提升收敛精度；在每一次参数更新中，分别在、、、上前向评估，通过自动微分在上计算 pde残差，按步骤s4计算总损失，再通过反向传播获取梯度完成参数更新。

6.根据权利要求5所述的温度场重建方法，其特征在于，步骤s6中，基于 s5训练得到的最优网络参数与最优重建温度场，从重建温度场中提取温度场分布、热点温度、温差梯度以及作为待辨识量输出的热阻/热容辨识结果关键热管理指标，并将上述指标对接至bms/ems、保护装置或绝缘老化评估系统，实现温度场监测结果向工程控制行为的闭环转化。

7.根据权利要求2所述的温度场重建方法，其特征在于，步骤 s2 中，线性观测算子为选点矩阵、随机投影矩阵、稀疏二元矩阵、压缩编码矩阵中的一种或多种；零均值测量噪声的统计特性纳入重建建模过程；步骤 s3 中，所述深度神经网络采用多层感知机结构，设置4~8个隐藏层、每层32~128个神经元，激活函数选取或swish；步骤 s4中，所述数据一致性损失在高噪声或异常值较多的工程场景下由均方误差形式替换为损失、huber损失或charbonnier损失中的一种或多种。

8.根据权利要求2所述的温度场重建方法，其特征在于，步骤 s5 中，所述损失权重按训练阶段动态调整：训练初期赋予物理残差损失较大权重，以确保网络从一开始即学习满足机理约束的温度场结构；训练中期逐步增大数据一致性损失权重，使重建结果向实测点收敛；训练后期再次调整权重，使物理一致性与观测吻合取得平衡。

9.根据权利要求2所述的温度场重建方法，其特征在于，步骤 s5 中，所述物理配点集通过均匀随机采样、拉丁超立方采样、基于残差大小的自适应加密采样中的一种或多种方式构造，所述自适应加密采样具体表现为每隔若干个训练周期评估一次配点上的残差分布，将残差较大的区域作为下一阶段的重点采样区域；训练收敛判据基于总损失的下降幅度、梯度范数以及在验证点集上的预测误差三者共同确定，当三者均小于预设阈值时认为训练收敛。

10.根据权利要求2所述的温度场重建方法，其特征在于，步骤 s6 中，在线自更新机制具体包括离线预训练阶段、在线轻量校正阶段以及事件触发重训练阶段三级更新过程：在离线预训练阶段，使用历史运行数据、工厂温升试验数据或低保真有限元仿真数据按 s5所述算法训练得到最优网络参数；在在线轻量校正阶段，每隔预设时间窗使用新采集的稀疏观测数据对最优网络参数进行少量步数的adam微调；当设备发生显著状态变化时，触发模型的完整重训练。