[发明专利]一种物理仿真模型训练方法、装置、设备和存储介质

权利要求书

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态特征参数的变工况模型，获得机组物理仿真模型。

6.根据权利要求5所述的一种物理仿真模型训练方法，其特征在于，所述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包括：

对所述机组中的每一个部件，执行如下方法：

选取多项式函数作为机组中某一个部件的运行状态特征参数的变工况模型；

采用感知/拟合算法求解运行状态特征参数的变工况模型中的待定系数；

通过k折交叉验证判断多项式函数选取的准确性；

若判断多项式函数选取准确，则将拟合后的多项式函数作为所述部件的运行状态特征参数的变工况模型，并开始求解机组中下一个部件运行状态特征参数的变工况模型；

若判断多项式函数选取不准确，则重新选取多项式函数作为所述机组中某一个部件的运行状态特征参数的变工况模型。

7.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，所述采用所述清洗后数据训练神经网络预测模型包括：

对所述清洗后数据使用启发式优化算法，获得各工况下的最优运行状态特征参数组合；

使用所述最优运行状态特征参数组合，训练神经网络预测模型。