一种基于物理约束时空图神经网络的三维磁场快速预测方法
本发明涉及电磁场计算、人工智能代理建模以及电磁装备智能分析,更具体地说,涉及一种基于物理约束时空图神经网络的三维磁场快速预测方法。
背景技术:
1、随着电力电子技术、高性能电磁装备以及智能电网技术的快速发展,变压器、电机、电磁屏蔽结构等复杂电磁设备在能源转换、工业控制以及高精度装备领域得到广泛应用。准确获取设备内部三维磁场分布对于设备性能分析、结构优化、故障诊断以及运行状态评估具有重要意义。传统复杂电磁设备磁场分析主要依赖有限元法(finite elementmethod,fem)。有限元方法能够基于麦克斯韦方程组建立高精度数值模型,通过空间离散和时间步进求解获得设备内部详细磁场分布。然而,对于三维复杂结构而言,有限元计算通常需要大量网格节点以及较长计算时间,当需要开展多工况分析、参数优化或者实时状态预测时,传统有限元方法难以满足快速计算需求。
2、近年来,随着人工智能技术的发展,基于数据驱动的代理模型逐渐应用于电磁场快速求解领域。现有方法通常采用人工神经网络、卷积神经网络等结构建立输入参数与磁场响应之间的映射关系,从而替代部分有限元计算过程。然而,传统卷积神经网络主要针对规则二维或三维网格数据设计,而实际电磁有限元计算结果通常来源于非结构化网格,其空间节点分布不规则,节点之间不存在固定邻接关系,导致卷积网络难以直接描述有限元空间拓扑结构。此外,传统数据驱动模型主要依赖样本拟合能力,缺少电磁场物理规律约束,在预测过程中容易产生局部磁场不连续、物理一致性不足等问题。
3、在实际工程应用中,复杂电磁设备内部磁场不仅具有明显的空间耦合特性,同时具有随时间变化的动态演化规律。例如,变压器励磁过程中磁场随电流变化产生周期性变化,不同空间区域之间存在磁通连续和能量传递关系。因此,仅考虑空间特征或者时间特征均难以准确描述复杂磁场演化过程。现有技术中,如何针对有限元非结构化磁场数据建立有效的数据表示方法,如何融合空间拓扑关系和时间演化规律,以及如何将电磁物理约束引入深度学习预测模型,提高磁场预测精度和物理可靠性,仍然是复杂电磁场快速计算领域亟待解决的问题。
技术实现思路
1、有鉴于此,本发明提供了一种基于物理约束时空图神经网络的三维磁场快速预测方法,旨在解决现有有限元磁场计算过程复杂、计算效率低以及传统数据驱动模型难以保持电磁物理一致性的问题。本发明通过将有限元非结构化磁场数据转换为图结构数据,利用图神经网络描述空间节点之间的磁场耦合关系,同时结合时间特征编码方法提取磁场动态变化规律,并进一步引入电磁物理约束构建联合优化目标,实现复杂电磁设备三维磁场分布的快速预测。
2、为了实现上述目的,本发明提供一种基于物理约束时空图神经网络的三维磁场快速预测方法,具体技术方案如下:
3、1)有限元磁场数据获取与图结构构建。首先,通过有限元电磁仿真方法建立目标电磁设备模型,并获取多个时间步下的三维磁场计算结果。
4、所述磁场数据包括空间离散节点坐标以及对应节点处的磁感应强度矢量,其数据形式表示为:,其中,表示第个空间离散节点的位置坐标,分别表示该节点处沿三个空间方向的磁感应强度分量,表示对应时间步。根据节点空间坐标建立节点连接关系,形成图结构:。其中,e表示节点之间的连接边。为了描述不同空间节点之间的磁场耦合关系,本发明根据节点空间距离建立邻域连接关系。采用k近邻方法搜索空间距离最近的邻居节点,并建立节点之间的信息传播路径。同时,根据节点间欧氏距离设计空间关联权重:,其中,,分别表示节点和节点的位置坐标,表示防止分母为零的极小值。通过上述方法,使构建后的图结构能够保留有限元模型中的空间拓扑关系和磁场传播特性。
5、2)时空磁场特征融合预测模型构建。针对复杂电磁设备磁场同时具有空间耦合和时间演化特点的问题,本发明构建时空图神经网络预测模型。首先,根据历史时间窗口内的磁场信息构造节点输入特征:,其中,表示历史时间窗口长度。通过时间特征编码模块提取磁场随时间变化规律,通过空间特征学习模块传播节点邻域信息,实现空间磁场关联关系学习。在空间特征学习过程中,模型根据图结构中的邻接关系,对节点邻域信息进行聚合:
6、,其中:表示节点当前特征;表示节点邻域节点集合;表示节点之间空间关联权重。通过空间信息传播,模型能够学习不同区域之间磁场分布关系。
7、3)基于电磁物理约束的联合优化策略设计:由于传统深度学习模型主要依靠数据样本进行参数优化,其预测结果虽然能够逼近有限元计算结果,但缺少对电磁场基本物理规律的约束,在复杂磁场区域容易出现局部振荡、空间不连续以及物理不可解释等问题。
8、针对上述问题,本发明在时空图神经网络模型训练过程中引入电磁物理约束机制,通过构建数据误差项与物理一致性约束项相结合的联合损失函数,使预测模型在保证数据拟合精度的同时满足电磁场基本物理规律。所述联合优化目标函数表示为:,其中:表示预测磁场与有限元计算磁场之间的数据误差;表示电磁物理约束损失;表示时间连续性约束损失;表示空间平滑约束损失;表示各约束项对应权重系数。其中,数据误差项用于约束模型输出结果与有限元真实计算结果之间的一致性,其表达形式为:,其中,表示有限元计算得到的真实磁感应强度,表示模型预测得到的磁感应强度。所述电磁物理约束损失用于约束预测磁场满足磁场基本物理规律。根据麦克斯韦方程组,在无磁荷区域内磁感应强度满足:,因此,本发明利用预测磁场结果计算磁场散度残差,并将其作为物理约束项,通过引入磁场散度约束,使预测结果满足磁通连续性要求,提高模型预测结果的物理合理性。针对有限元空间节点之间存在连续磁场分布特征的问题,本发明建立空间邻域一致性约束:,其中,表示图结构中的节点连接关系, 表示节点空间关联权重。通过空间平滑约束,使相邻空间节点之间保持合理磁场变化关系,避免深度学习模型产生局部异常预测。
9、4)模型训练与磁场快速预测:根据上述方法构建完成基于物理约束时空图神经网络的三维磁场预测模型后,将有限元磁场数据划分为训练数据集、验证数据集以及测试数据集。训练阶段,将历史时间窗口内的磁场信息以及节点空间特征输入预测模型,通过前向传播获得目标时间步磁场预测结果,并利用联合损失函数计算预测误差。采用优化算法对模型参数进行迭代更新,使联合损失函数逐渐收敛。在训练过程中,通过数据误差项保证模型具有较高预测精度,通过物理约束项提高模型预测结果的电磁一致性。训练完成后,仅需输入目标设备历史磁场状态,即可快速输出未来时间步对应的三维磁场分布结果。相比传统有限元方法,本发明方法无需重新进行复杂网格剖分和电磁方程求解,而是利用训练完成的代理模型直接完成磁场预测,因此能够显著降低计算时间,提高复杂电磁设备多工况分析和实时状态评估效率。
1.一种基于物理约束时空图神经网络的三维磁场快速预测方法,其特征在于:获取目标电磁设备在多个时间步下的三维磁场数据,所述三维磁场数据包括空间离散节点的位置坐标信息以及对应节点处的磁感应强度矢量信息;根据所述空间离散节点之间的空间关联关系建立磁场图结构,将有限元非结构化离散节点转换为图数据形式,并构建节点之间的信息传播关系;基于历史时间步磁场信息和空间位置特征构造节点输入特征,通过时间特征编码模块提取磁场随时间变化的动态演化特征,并通过空间特征学习模块提取节点之间的空间耦合关系;将所述时间特征与空间特征进行融合,建立三维磁场预测模型,实现目标时间步下三维磁场分布预测;在模型训练过程中构建包含数据拟合误差和物理一致性约束项的联合优化目标,通过物理约束优化模型参数;利用训练完成的预测模型实现复杂电磁设备三维磁场分布的快速预测与重构。
2.根据权利要求1所述的方法,所述三维磁场数据由有限元电磁仿真方法获得,所述数据表示为:其中,表示第个空间离散节点的位置坐标,分别表示该节点处沿三个空间方向的磁感应强度分量,表示对应时间步。所述目标电磁设备包括变压器、电机、电磁装置以及具有三维磁场分布特征的其他电磁设备。
3.根据权利要求1所述的方法,所述所述磁场图结构构建方法,其特征在于:将有限元空间离散节点作为图节点集合v,根据节点空间坐标建立节点连接关系,形成图结构:。其中,e表示节点之间的连接边;根据节点之间的空间距离关系选择邻域节点,并建立空间关联权重:其中,和分别表示节点和节点的空间坐标,表示防止分母为零的预设极小值。通过所述空间关联权重表征不同空间节点之间磁场信息传播的重要程度。
4.根据权利要求1所述的方法,所述三维磁场预测模型包括时间特征编码模块和空间特征学习模块其特征在于:其中,所述时间特征编码模块用于根据节点历史时间窗口内的磁场变化信息提取时间演化特征;所述空间特征学习模块用于根据图结构中的节点邻域关系实现磁场空间关联信息传播;通过融合时间演化特征和空间关联特征,获得包含时空信息的节点隐藏特征,并输出目标时间步对应的预测磁场。
5. 根据权利要求1所述的方法,所述三维磁场预测模型进一步包括自适应特征权重调整模块其特征在于:所述自适应特征权重调整模块根据不同节点之间的空间关联程度以及节点特征信息,动态调整邻域节点对于目标节点预测结果的贡献权重;通过所述自适应特征权重调整,提高模型对于局部磁场变化区域以及复杂空间耦合区域的特征表达能力。
6.根据权利要求1所述的方法,所述联合优化目标其特征在于:包括数据拟合损失、磁场物理约束损失、时间连续性约束损失以及空间平滑约束损失;所述联合损失函数表示为
7.一种基于物理约束时空图神经网络的三维磁场快速预测系统,其特征在于,包括:数据获取模块,用于获取目标电磁设备有限元磁场数据;图结构构建模块,用于根据空间节点关系建立磁场拓扑图;时空特征提取模块,用于提取磁场时间演化特征和空间关联特征;物理约束优化模块,用于根据电磁场物理规律构建联合优化目标;磁场预测模块,用于输出目标时间状态下的三维磁场分布结果。通过上述模块协同工作,实现复杂电磁设备三维磁场分布的快速预测。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com