[发明专利]基于有限测点的热源系统温度场实时重建方法

权利要求书

1.一种基于有限测点的热源系统温度场实时重建方法，其特征在于，包括：

获取多个训练数据，其中，所述训练数据包括监测数据和预测数据，所述监测数据包括一个组件布局中的多个监测点的位置及温度，所述预测数据包括相同组件布局中的至少一个预测点的位置及温度；

构建基于向量映射的机器学习模型；

利用所述训练数据训练所述基于向量映射的机器学习模型以拟合监测点的温度与预测点的温度之间的映射关系；

利用训练后的机器学习模型进行预测点的温度预测。

2.根据权利要求1所述的基于有限测点的热源系统温度场实时重建方法，其特征在于，所述获取多个训练数据，包括：

确定监测点和预测点在热源系统的组件布局区域中的位置，确定各个组件在所述组件布局区域中的位置；

针对每个组件，保持组件位置不变，从每个组件对应的预设功率范围内随机采样一个功率数值以确定每个组件的功率，得到一个组件布局，利用有限元方法仿真计算组件布局对应的温度场，从温度场中提取监测点的温度和预测点的温度，确定一个包括监测点的位置及温度的监测数据和一个包括预测点的位置及温度的预测数据，得到一个包括监测数据和预测数据的训练数据，重复进行多次随机采样和提取过程，直至得到预设数量的训练数据。

3.根据权利要求1或2所述的基于有限测点的热源系统温度场实时重建方法，其特征在于，所述基于向量映射的机器学习模型为多层感知机。

4.根据权利要求3所述的基于有限测点的热源系统温度场实时重建方法，其特征在于，所述利用所述训练数据训练所述基于向量映射的机器学习模型，包括：

将所述监测数据中监测点的温度作为所述多层感知机的输入，将所述预测数据中预测点的温度作为所述多层感知机的输出，训练所述多层感知机。

5.根据权利要求1或2所述的基于有限测点的热源系统温度场实时重建方法，其特征在于，所述基于向量映射的机器学习模型为条件神经过程模型，所述条件神经过程模型包括：第一全连接神经网络、第二全连接神经网络和特征处理模块；

所述第一全连接神经网络的输出连接所述特征处理模型，所述特征处理模块的输出连接所述第二全连接神经网络，所述第一全连接神经网络用于学习所述监测数据的特征，所述特征处理模块用于求取所述第一全连接神经网络输出的特征均值，所述第二全连接神经网络用于根据所述特征处理模块输出的特征均值预测预测点的温度。

6.根据权利要求5所述的基于有限测点的热源系统温度场实时重建方法，其特征在于，所述利用所述训练数据训练所述基于向量映射的机器学习模型，包括：

将所述监测数据中监测点的位置和温度作为所述第一全连接神经网路的输入，将所述特征处理模块的输出和所述预测数据中预测点的位置作为所述第二全连接神经网络的输入，将所述预测数据中预测点的温度作为所述第二全连接神经网络的输出，训练所述条件神经过程模型。

7.根据权利要求1或2所述的基于有限测点的热源系统温度场实时重建方法，其特征在于，所述基于向量映射的机器学习模型为自注意力机制模型，所述自注意力机制模型包括：第一全连接神经网络、第二全连接神经网络、第三全连接神经网络、编码器和解码器；

所述第一全连接神经网络的输出与所述编码器的输入连接，所述第二全连接神经网络的输出和所述编码器的输出分别与所述解码器的输入连接，所述解码器的输出与所述第三全连接神经网络的输入连接，所述第一全连接神经网络用于学习所述监测数据的特征，所述编码器用于根据自注意力机制对所述第一全连接神经网络输出的特征进行更新，所述第二全连接神经网络用于学习所述监测数据中监测点的位置的特征和所述预测数据中预测点的位置的特征，所述解码器用于根据自注意力机制对所述编码器输出的特征和所述第二全连接神经网络输出的特征生成预测点的特征，所述第三全连接神经网络用于根据所述解码器输出的特征预测预测点的温度。