本申請(qǐng)涉及軌道交通，尤其涉及一種弓網(wǎng)物理變量預(yù)測(cè)方法、裝置、系統(tǒng)及存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、弓網(wǎng)系統(tǒng)（pantograph-contact?system，pcs）是列車與供電系統(tǒng)之間的重要紐帶，其性能直接影響列車的穩(wěn)定受流和行車安全，弓網(wǎng)系統(tǒng)中受電弓與接觸網(wǎng)的良好交互性能對(duì)軌道車輛運(yùn)行安全至關(guān)重要，弓網(wǎng)系統(tǒng)中各自的運(yùn)動(dòng)狀態(tài)及其耦合響應(yīng)的有效分析，對(duì)弓網(wǎng)系統(tǒng)的優(yōu)化設(shè)計(jì)、提高運(yùn)行穩(wěn)定性，以及預(yù)防潛在故障都具有重要意義。

2、在相關(guān)技術(shù)中，受電弓與接觸網(wǎng)之間的相互作用異常復(fù)雜，通過(guò)弓網(wǎng)相互作用分析模型分析弓網(wǎng)相互作用關(guān)系依賴于大數(shù)據(jù)驅(qū)動(dòng)，導(dǎo)致泛化能力較差；弓網(wǎng)系統(tǒng)的整體動(dòng)力學(xué)行為受到質(zhì)量分布、剛度和阻尼等參數(shù)的影響，但在實(shí)際運(yùn)行工況下，弓網(wǎng)系統(tǒng)輸入?yún)?shù)具有時(shí)變特性且難以測(cè)量，使得弓網(wǎng)動(dòng)力學(xué)模型難以準(zhǔn)確表征弓網(wǎng)系統(tǒng)的動(dòng)態(tài)行為，傳統(tǒng)弓網(wǎng)相互作用分析模型對(duì)弓網(wǎng)系統(tǒng)響應(yīng)預(yù)測(cè)和狀態(tài)辨識(shí)的魯棒性和泛化能力較差。

技術(shù)實(shí)現(xiàn)思路

1、本申請(qǐng)?zhí)峁┝艘环N弓網(wǎng)物理變量預(yù)測(cè)方法、裝置、系統(tǒng)及存儲(chǔ)介質(zhì)，用于提高弓網(wǎng)系統(tǒng)中受電弓和接觸網(wǎng)之間相互作用分析任務(wù)的準(zhǔn)確性，也即響應(yīng)預(yù)測(cè)與狀態(tài)辨識(shí)的魯棒性和泛化能力。

2、本申請(qǐng)第一方面提供了一種弓網(wǎng)物理變量預(yù)測(cè)方法，包括：獲取目標(biāo)預(yù)測(cè)任務(wù)對(duì)應(yīng)的弓網(wǎng)系統(tǒng)輸入?yún)?shù)；

3、將所述弓網(wǎng)系統(tǒng)輸入?yún)?shù)輸入預(yù)訓(xùn)練的目標(biāo)phyfnonet模型的第一全連接層進(jìn)行轉(zhuǎn)換，得到初始時(shí)域狀態(tài)；

4、將所述初始時(shí)域狀態(tài)輸入所述目標(biāo)phyfnonet模型的特征提取層的多個(gè)目標(biāo)神經(jīng)算子迭代進(jìn)行頻域特征提取，得到目標(biāo)時(shí)域狀態(tài)，所述目標(biāo)神經(jīng)算子至少包括傅里葉神經(jīng)算子；

5、將所述目標(biāo)時(shí)域狀態(tài)輸入目標(biāo)phyfnonet模型的第二全連接層進(jìn)行轉(zhuǎn)換，得到初始弓網(wǎng)物理變量集合；

6、將所述初始弓網(wǎng)物理變量集合輸入所述目標(biāo)phyfnonet模型的殘差連接網(wǎng)絡(luò)層進(jìn)行修正，得到目標(biāo)弓網(wǎng)物理變量集合。

7、本申請(qǐng)第二方面提供了一種弓網(wǎng)物理變量預(yù)測(cè)裝置，包括：第一獲取模塊，用于獲取目標(biāo)預(yù)測(cè)任務(wù)對(duì)應(yīng)的弓網(wǎng)系統(tǒng)輸入?yún)?shù)；

8、第一轉(zhuǎn)換模塊，用于將所述弓網(wǎng)系統(tǒng)輸入?yún)?shù)輸入預(yù)訓(xùn)練的目標(biāo)phyfnonet模型的第一全連接層進(jìn)行轉(zhuǎn)換，得到初始時(shí)域狀態(tài)；

9、特征提取模塊，用于將所述初始時(shí)域狀態(tài)輸入所述目標(biāo)phyfnonet模型的特征提取層的多個(gè)目標(biāo)神經(jīng)算子迭代進(jìn)行頻域特征提取，得到目標(biāo)時(shí)域狀態(tài)，所述目標(biāo)神經(jīng)算子至少包括傅里葉神經(jīng)算子；

10、第二轉(zhuǎn)換模塊，用于將所述目標(biāo)時(shí)域狀態(tài)輸入目標(biāo)phyfnonet模型的第二全連接層進(jìn)行轉(zhuǎn)換，得到初始弓網(wǎng)物理變量集合；

11、修正模塊，用于將所述初始弓網(wǎng)物理變量集合輸入所述目標(biāo)phyfnonet模型的殘差連接網(wǎng)絡(luò)層進(jìn)行修正，得到目標(biāo)弓網(wǎng)物理變量集合。

12、本申請(qǐng)第三方面提供了一種弓網(wǎng)系統(tǒng)，包括：存儲(chǔ)器和至少一個(gè)處理器，所述存儲(chǔ)器中存儲(chǔ)有指令；所述至少一個(gè)處理器調(diào)用所述存儲(chǔ)器中的所述指令，以使得所述弓網(wǎng)系統(tǒng)執(zhí)行上述的弓網(wǎng)物理變量預(yù)測(cè)方法。

13、本申請(qǐng)的第四方面提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中存儲(chǔ)有指令，當(dāng)其在計(jì)算機(jī)上運(yùn)行時(shí)，使得計(jì)算機(jī)執(zhí)行上述的弓網(wǎng)物理變量預(yù)測(cè)方法。

14、本申請(qǐng)?zhí)峁┑募夹g(shù)方案中，通過(guò)提出一種物理驅(qū)動(dòng)和數(shù)據(jù)驅(qū)動(dòng)的物理傅里葉神經(jīng)算子網(wǎng)絡(luò)(physics?fourier?neural?operator?network，phyfnonet)來(lái)解決pcs的狀態(tài)辨識(shí)和響應(yīng)預(yù)測(cè)問(wèn)題，通過(guò)傅里葉神經(jīng)算子代替積分運(yùn)算，避免了積分離散化的需要，從而消除了離散化和截?cái)嗾`差，而且能夠在頻域中有效地捕捉高頻和低頻特征，從而全面描述弓網(wǎng)系統(tǒng)的動(dòng)態(tài)行為。設(shè)計(jì)了一種新穎的殘差連接網(wǎng)絡(luò)(physics-informed?residualnetwork，pirn)，利用這些物理變量之間的存在的先驗(yàn)知識(shí)來(lái)隱式地執(zhí)行物理定律，從而在物理變量特征之間建立軟約束關(guān)系，以對(duì)提高目標(biāo)神經(jīng)算子的預(yù)測(cè)結(jié)果進(jìn)行修正，顯著增強(qiáng)了模型在解決復(fù)雜?pcs?環(huán)境中預(yù)測(cè)時(shí)空動(dòng)態(tài)方面的性能，可以適應(yīng)不同的弓網(wǎng)參數(shù)和條件，具有很強(qiáng)的學(xué)習(xí)物理耦合方程系統(tǒng)的能力。

技術(shù)特征：

1.一種弓網(wǎng)物理變量預(yù)測(cè)方法，其特征在于，所述弓網(wǎng)物理變量預(yù)測(cè)方法包括：

2.根據(jù)權(quán)利要求1所述的弓網(wǎng)物理變量預(yù)測(cè)方法，其特征在于，所述將所述初始時(shí)域狀態(tài)輸入所述目標(biāo)phyfnonet模型的特征提取層的多個(gè)目標(biāo)神經(jīng)算子依次進(jìn)行頻域特征提取，得到目標(biāo)時(shí)域狀態(tài)，包括：

3.根據(jù)權(quán)利要求2所述的弓網(wǎng)物理變量預(yù)測(cè)方法，其特征在于，所述依次將上一個(gè)目標(biāo)神經(jīng)算子提取的頻域特征輸入下一個(gè)目標(biāo)神經(jīng)算子進(jìn)行特征提取，得到最后一個(gè)目標(biāo)神經(jīng)算子輸出的目標(biāo)頻域特征，包括：

4.根據(jù)權(quán)利要求3所述的弓網(wǎng)物理變量預(yù)測(cè)方法，其特征在于，所述目標(biāo)神經(jīng)算子還包括transformer神經(jīng)算子和/或卷積神經(jīng)算子；

5.根據(jù)權(quán)利要求1所述的弓網(wǎng)物理變量預(yù)測(cè)方法，其特征在于，所述殘差連接網(wǎng)絡(luò)層包括多個(gè)構(gòu)建塊；

6.根據(jù)權(quán)利要求1-5中任一項(xiàng)所述的弓網(wǎng)物理變量預(yù)測(cè)方法，其特征在于，在獲取目標(biāo)預(yù)測(cè)任務(wù)對(duì)應(yīng)的弓網(wǎng)系統(tǒng)輸入?yún)?shù)之前，還包括：

7.根據(jù)權(quán)利要求6所述的弓網(wǎng)物理變量預(yù)測(cè)方法，其特征在于，所述多維損失函數(shù)由數(shù)據(jù)損失函數(shù)、物理方程損失函數(shù)、偏導(dǎo)函數(shù)損失函數(shù)動(dòng)態(tài)加權(quán)平衡而得，其表達(dá)式為：

8.一種弓網(wǎng)物理變量預(yù)測(cè)裝置，其特征在于，所述弓網(wǎng)物理變量預(yù)測(cè)裝置包括：

9.一種弓網(wǎng)系統(tǒng)，其特征在于，所述弓網(wǎng)系統(tǒng)包括：存儲(chǔ)器和至少一個(gè)處理器，所述存儲(chǔ)器中存儲(chǔ)有指令；

10.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)上存儲(chǔ)有指令，其特征在于，所述指令在被讀取并運(yùn)行時(shí)執(zhí)行如權(quán)利要求1-7中任一項(xiàng)所述弓網(wǎng)物理變量預(yù)測(cè)方法。

技術(shù)總結(jié)
本申請(qǐng)涉及軌道交通技術(shù)領(lǐng)域，公開(kāi)了一種弓網(wǎng)物理變量預(yù)測(cè)方法、裝置、系統(tǒng)及存儲(chǔ)介質(zhì)，用于通過(guò)傅里葉神經(jīng)算子從頻域上捕捉弓網(wǎng)系統(tǒng)動(dòng)力學(xué)模型內(nèi)部各參數(shù)的復(fù)雜映射關(guān)系，并通過(guò)殘差連接網(wǎng)絡(luò)模擬弓網(wǎng)系統(tǒng)參數(shù)之間復(fù)雜的關(guān)聯(lián)關(guān)系提高目標(biāo)神經(jīng)算子的預(yù)測(cè)結(jié)果。弓網(wǎng)物理變量預(yù)測(cè)方法包括：獲取目標(biāo)預(yù)測(cè)任務(wù)對(duì)應(yīng)的弓網(wǎng)系統(tǒng)輸入?yún)?shù)；將弓網(wǎng)系統(tǒng)輸入?yún)?shù)輸入第一全連接層進(jìn)行轉(zhuǎn)換，得到初始時(shí)域狀態(tài)；將初始時(shí)域狀態(tài)輸入特征提取層的多個(gè)目標(biāo)神經(jīng)算子迭代進(jìn)行頻域特征提取，得到目標(biāo)時(shí)域狀態(tài)；將目標(biāo)時(shí)域狀態(tài)輸入第二全連接層進(jìn)行轉(zhuǎn)換，得到初始弓網(wǎng)物理變量集合；將初始弓網(wǎng)物理變量集合輸入殘差連接網(wǎng)絡(luò)層進(jìn)行修正，得到目標(biāo)弓網(wǎng)物理變量集合。

技術(shù)研發(fā)人員：王逸軒,顏靖柯,王奕凱
受保護(hù)的技術(shù)使用者：珠海市格努科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19