本发明属于电磁场仿真，具体涉及一种基于差分融合神经网络的gis电磁场粗仿数据增强方法、系统及存储介质。
背景技术：
1、气体绝缘开关设备（gas insulated switchgear，gis）在现代电力系统中扮演着至关重要的角色。这种设备利用惰性气体作为绝缘介质，以实现在相对较小的空间内安全、可靠地进行高压电力的传输和分配。与传统的空气绝缘开关设备相比，gis具有更高的可靠性和更长的使用寿命，同时减少了设备对环境的影响。此外，由于其紧凑的设计，gis尤其适合于城市地区或空间受限的环境，其中土地利用成本较高。gis的高性能和可靠性对于保证电力系统的稳定运行、提高电网的传输效率以及确保电力供应的安全性至关重要。
2、随着电力系统的快速发展和对电网安全性能要求的提高，gis的电磁仿真成为了研究的重点之一。电磁仿真方法能够帮助工程师和研究人员深入理解gis内部的电磁场分布、电磁干扰以及其对gis性能的影响。
3、当前，电磁仿真主要采用有限元方法、边界元方法和传统的解析方法等，这些方法能够提供gis内部电磁场的详细信息，帮助优化gis设计，降低故障率。
4、近年来，随着计算技术的发展，更多先进的仿真技术如多物理场耦合仿真和基于机器学习的仿真优化方法也被逐渐应用于gis的研究中。这些研究不仅促进了gis技术的进步，还为提高电力系统的整体性能和安全性提供了重要支持。尽管如此，电磁仿真在处理极高电压和复杂结构时仍面临挑战，这要求未来的研究中需开发更为精确和高效的仿真工具和方法。
5、在相关技术中，研究人员建立了1000kv特高压交流gis设备套管、隔离开关、分支母线、管母线、绝缘法兰等元件，接地支柱和接地网的宽频等效电路模型，提出了多导体传输线与集总宽频元件耦合的快速瞬态过电压和瞬态外壳电压联合仿真模型，通过对特高压gis试验回路各快速瞬态过电压和瞬态外壳电压测量点的实测结果与仿真结果比较，验证建模方法和仿真模型的有效性，但是该方法仿真速度慢无法满足高精度和快速性的要求。
6、也有研究人员建立了半封闭气体绝缘组合电器外壳传输特性模型，利用多导体传输线理论及相模变换方法，对隔离开关操作产生的特快速瞬态过电压和暂态壳体电压进行了详细的计算与分析；这种方式通过对模型简化在一定程度上提高了仿真的速度，但是模型简化和假设可能影响结果的准确性，接地网模型的简化可能无法完全捕捉实际情况的复杂性，以及研究结果的泛化能力和适用范围可能受限，从而导致仿真结果准确性不高。
7、在公布号为cn117725769a的专利申请文献中提出了一种基于多尺度有限元的复杂模型航空电磁三维快速正演方法，该方案用于实现航空电磁的三维快速正演仿真，基于多尺度有限元方法，通过粗细网格的划分和优化计算减少计算量，以及通过降低正演方程的阶数提高地球物理电磁计算的效率。但由于gis电磁场仿真更侧重于设备和电磁场之间细节交互的精确模拟，而非大范围的地质结构探测，gis电磁场仿真需要考虑电力设备的具体结构和材料属性对电磁场的影响，以及电磁场如何在这些设备内部分布和变化，这就要求模型能够在更细的尺度上进行准确计算，以及适应特定的物理和工程约束。而且该专利文献所提出的多尺度有限元方法在航空电磁正演仿真中的应用，侧重于处理介质界面的电磁波反射、折射等现象，以及介质内部的电磁波衰减等，对于大尺度变化敏感，不足以精细地处理gis设备内部的电磁场细节。
8、在公布号为cn113221403a的专利申请文献中提出了一种基于深度强化学习的有限元网格优化方法，该方法通过深度强化学习直接对有限元网格的质量进行优化，来提高有限元网格划分的精度，但该方法采用的深度强化学习的应用侧重于通过学习和决策过程直接对网格结构进行优化调整，这要求有明确的奖励或惩罚机制来评价网格优化的效果，是一个以网格质量为中心的优化过程。该方法提出了采用深度强化学习在网格优化上的应用，虽然能够提升有限元分析的网格质量，但其专注于网格结构的改进，并不直接针对电磁场仿真数据的质量和仿真过程的物理准确性进行优化。而且深度强化学习算法通常是为特定的环境或任务训练的，它们通过与环境的交互学习如何执行任务，模型的决策策略高度依赖于其训练时的环境特征，这意味着，如果环境发生变化（例如，从有限元网格优化变到gis电磁场仿真），之前训练得到的模型可能无法有效地适应新环境。
9、在公布号为cn113722951a的专利申请文献中提出利用神经网络建立由a维网格特征变量到远场雷达散射截面均方根误差的映射关系，采用差分进化算法求解最优网格特征变量值，获取散射体三维有限元网格的优化结果；但该方案是利用差分进化算法优化已建立的神经网络模型，目标是参数优化，具体是优化网络权重以达到预测性能的最优化，也就是说差分进化算法独立于神经网络的训练过程之外，是作为后续的参数调整步骤。
技术实现思路
1、本发明所要解决的技术问题在于如何兼顾gis电磁仿真的精度和效率。
2、本发明通过以下技术手段解决上述技术问题的：
3、本发明提出了一种基于差分融合神经网络的gis电磁场粗仿数据增强方法，所述方法包括以下步骤：
4、获取gis电磁场粗网格仿真数据集，其中，所述gis电磁场粗网格仿真数据集包括粗网格结构数据和粗网格场强数据；
5、将所述gis电磁场粗网格仿真数据集输入到差分深度学习网络模型，其中，所述差分深度学习网络模型包括依次连接的增强网络和结构相似性网络，所述增强网络包括自调节模块和差分卷积模块；
6、利用所述自调节模块和所述差分卷积模块分别对所述粗网格结构数据和所述粗网格场强数据进行计算，得到细网格增强网格结构特征和细网格增强场强特征；
7、利用所述结构相似性网络对所述细网格增强网格结构特征和所述细网格增强场强特征进行匹配，计算相似性特征；
8、基于所述相似性特征，计算gis细网格增强数据。
9、进一步地，所述自调节模块包括依次连接的第一卷积层和第二卷积层，所述第一卷积层的输出特征和所述第二卷积层的输出特征经相加操作后输出至激活函数层；
10、所述粗网格结构数据作为所述第一卷积层的输入，所述粗网格结构数据的网格尺寸补充信息作为所述第二卷积层的输入，所述粗网格结构数据的偏差向量作为所述第一相加操作的输入，所述粗网格结构数据和所述粗网格结构数据的网格尺寸补充信息经残差连接输出至所述第一相加操作。
11、进一步地，利用所述自调节模块对所述粗网格结构数据进行计算的过程公式表示为：
12、
13、式中，为细网格增强网格结构特征，为卷积操作，为所述粗网格结构数据，为所述粗网格结构数据的网格尺寸补充信息，为所述粗网格结构数据的偏差向量，为残差链接，为激活函数。
14、进一步地，所述差分卷积模块包括依次连接的差分卷积层、尺寸整合层、自注意力机制层和第三卷积层，所述第三卷积层后连接有激活函数；
15、所述粗网格场强数据作为所述差分卷积层的输入，所述差分卷积层用于采用差分算法计算所述粗网格场强数据的不同尺寸的场强特征；
16、所述尺寸整合层用于对所述差分卷积层计算得到的不同尺寸的场强特征进行求和，得到重整后的场强特征。
17、进一步地，利用所述差分卷积模块对所述粗网格场强数据进行计算的过程公式表示为：
18、
19、
20、
21、式中，为差分卷积生成的场强特征，为差分卷积操作，为所述粗网格场强数据，为重整后的场强特征，表示尺寸卷积操作，为所述细网格增强场强特征，为自注意力机制操作，为卷积操作，为激活函数。
22、进一步地，所述差分卷积层的卷积核采用五点差分卷积核、加权差分卷积核、多尺度差分卷积核、方向性差分卷积核、九点差分卷积核、混合模式差分卷积中的任一种。
23、进一步地，所述结构相似性网络包括第一分支网络、第二分支网络、第二相加操作和第一多层感知机，所述第一分支网络和所述第二分支网络的输出均接入所述第二相加操作，所述第二相加操作的输出连接至所述第一多层感知机，所述多层感知机后接有激活函数。
24、进一步地，所述第一分支网络包括依次连接的卷积神经网络层cnn和批正则化操作，所述正则化操作之后接有激活函数；
25、所述第二分支网络包括第二多层感知机，所述第二多层感知机之后接有激活函数。
26、进一步地，所述利用所述结构相似性网络对所述细网格增强网格结构特征和所述细网格增强场强特征进行匹配，计算相似性特征，包括：
27、利用所述第一分支网络提取所述细网格增强网格结构特征的结构特征信息，公式表示为：
28、
29、式中，为第条所述细网格增强网格结构特征的特征信息，为所述细网格增强网格结构特征，表示采用堆叠的卷积操作，为批正则化操作，为激活函数；
30、利用所述第二分支网络提取所述细网格增强场强特征的场强特征信息，公式表示为：
31、
32、式中，为第条所述细网格增强场强特征的特征信息，为所述细网格增强场强特征，为第二多层感知机执行的操作；
33、利用所述细网格增强网格结构特征的特征信息和所述细网格增强场强特征的特征信息对应的调制权重，计算场强与结构结合特征，公式表示为：
34、
35、式中，为所述场强与结构结合特征，和分别表示所述细网格增强网格结构特征的特征信息和所述细网格增强场强特征的特征信息对应的调制权重；
36、基于所述场强与结构结合特征，计算所述相似性特征，公式表示为：
37、
38、式中，为所述相似性特征，为第一多层感知机执行的操作。
39、进一步地，所述基于所述相似性特征，计算gis细网格增强数据，包括：
40、分别基于所述粗网格结构数据、所述粗网格场强数据、所述细网格增强网格结构特征及所述细网格增强场强特征，计算规整化的粗网格结构数据、规整化的粗网格场强数据、规整化的细网格增强网格结构特征和规整化的细网格增强场强特征；
41、基于所述规整化的粗网格结构数据和所述规整化的细网格增强网格结构特征，计算网格结构一致性；
42、基于所述规整化的粗网格场强数据和规整化的细网格增强场强特征，计算网格场强一致性；
43、基于所述网格结构一致性和所述网格场强一致性，计算网格场强损失补偿；
44、基于所述细网格增强网格结构特征、所述网格场强损失补偿和所述相似性特征，计算细网格增强结构数据；
45、基于所述细网格增强场强特征、所述网格场强损失补偿和所述相似性特征，计算细网格增强场强数据。
46、进一步地，在所述将所述gis电磁场粗网格仿真数据集输入到差分深度学习网络模型之前，所述方法还包括：
47、采用gis电磁场粗网格历史仿真数据集，并利用所述历史仿真数据集对所述差分深度学习网络模型进行训练直至模型的总损失函数取值最小，其中，所述总损失函数包括基于麦克斯韦方程的约束损失函数和场强与结构一致性损失函数，公式表示为：
48、
49、式中，为总损失函数，为场强与结构一致性损失函数，为麦克斯韦约束损失函数，与是权重参数。
50、进一步地，所述场强与结构一致性损失函数的公式表示为：
51、
52、
53、
54、式中，表示应用差分法得到的梯度，为结构相似性损失，为场强一致性损失，与为比例因子，为细网格增强网格结构特征，为粗网格结构数据，为细网格增强场强特征，为粗网格场强数据，为向量2范数。
55、进一步地，所述基于麦克斯韦方程的约束损失函数的公式表示为：
56、
57、
58、
59、
60、
61、
62、式中，为磁场分量，为高斯定律损失，为高斯磁定律损失，为法拉第电磁感应定律损失，为安培定律损失，比例常数，、、、为比例因子，表示旋度，为向量2范数；是真空的磁导率，是真空的电容率，是细网格增强场强数据。
63、此外，本发明还提出了一种基于差分gan的gis电磁场粗网格数据增强系统，所述系统包括：
64、数据获取模块，用于获取gis电磁场粗网格仿真数据集，其中，所述gis电磁场粗网格仿真数据集包括粗网格结构数据和粗网格场强数据；
65、数据增强模块，用于利用部署的差分深度学习网络模型对所述gis电磁场粗网格仿真数据集进行处理，其中，所述差分深度学习网络模型包括依次连接的增强网络和结构相似性网络，所述增强网络包括自调节模块和差分卷积模块；利用所述自调节模块和所述差分卷积模块分别对所述粗网格结构数据和所述粗网格场强数据进行计算，得到细网格增强网格结构特征和细网格增强场强特征；利用所述结构相似性网络对所述细网格增强网格结构特征和所述细网格增强场强特征进行匹配，计算相似性特征；
66、数据计算模块，用于基于所述相似性特征，计算gis细网格增强数据。
67、此外，本发明还提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上所述的基于差分融合神经网络的gis电磁场粗仿数据增强方法。
68、本发明的优点在于：
69、（1）由于gis电磁场仿真更侧重于设备和电磁场之间细节交互的精确模拟，本发明设计构建了差分深度学习网络模型，该差分深度学习网络模型中采用了结合有差分算法的卷积对粗网格场强数据进行处理，能够精确模拟gis的电磁场分布，特别是在处理复杂的几何结构和边界条件的情况下；并且利用深度学习网络优化仿真过程，提高仿真精度，同时加速仿真过程，有效缩短了设计和评估周期，从而兼顾了gis电磁仿真的精度和效率。
70、（2）本发明设计了自调节模块用于实现精细化网格增强，自调节模块中通过结合卷积操作、残差连接以及sigmoid激活函数，实现了对gis设备电磁场粗网格结构数据的精细化增强，不仅提高了网格结构数据的细节表现力，而且自调节模块通过堆叠不同的卷积层、不同的卷积核大小和步长，可以实现对不同尺寸的网络结构输入数据进行自适应的网格增强，能够根据原始网格数据自适应调整增强策略，确保了增强后网格结构的准确性和适应性。
71、（3）本发明设计了差分卷积模块用于进行场强数据精准提取，差分卷积模块通过特殊设计的差分卷积操作，差分的概念被嵌入到神经网络的训练过程中，尤其是作为网络的一部分，通过特殊设计的卷积核直接作用于生成过程，使得差分算法被用于数据层面，直接影响模型生成的数据，因此差分算法作为数据处理步骤的一部分，用于捕获电磁场数据中的空间特征，而不是作为优化网络参数的工具。通过设计的差分卷积模块可以精确地提取电磁场强度特征，有效模拟电磁场的物理分布，并且结合自注意力机制，能够突出重要的场强特征，提高场强数据的提取精度和模型的注意力集中度；并且通过不同尺寸的卷积核进行特征提取并求和，能够捕获电磁场数据的多尺度特征，这对于理解和模拟电磁场的复杂变化尤为重要，这种设计提升了模型的泛化能力，使其能够更好地适应不同尺度的电磁场变化。
72、（4）本发明进行了多维度的损失函数设计，通过结合结构相似性损失、场强一致性损失和物理约束损失，综合考虑了仿真数据的多个重要特性，损失函数结合了传统物理模型和深度学习的优势，通过精确的数学表达和物理约束，有助于优化算法的稳定性和收敛速度，提高训练效率；这种多维度损失函数的设计有利于在保证仿真准确性的同时，还能够调控不同损失间的权重，以适应特定的仿真需求和优化目标。
73、（5）通过设置结构相似性损失和场强一致性损失，确保了增强后的电磁场数据在结构和场强上与原始数据保持高度一致，这种一致性不仅促进了仿真数据的收敛性，也保障了仿真结果的物理真实性，提高了仿真的可靠度。
74、（6）通过在结构相似性损失函数中引入比例因子，提供了灵活的损失函数调节机制，这种机制不仅可以根据具体任务调整损失函数中不同部分的重要性，还能提升模型在处理不同类型电磁场数据时的泛化能力和适应性。
75、（7）物理约束损失函数通过麦克斯韦方程组的关键组成部分—高斯定律、高斯磁定律、法拉第电磁感应定律、安培定律—确保了增强后的电磁场数据严格遵循电磁学的基本定律，这种约束使得模型输出的电磁场数据不仅在数值上准确，而且在物理规律上严格，增加了模型的科学性和实用性。
76、本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
1.一种基于差分融合神经网络的gis电磁场粗仿数据增强方法，其特征在于，所述方法包括：
2.如权利要求1所述的基于差分融合神经网络的gis电磁场粗仿数据增强方法，其特征在于，所述自调节模块包括依次连接的第一卷积层和第二卷积层，所述第一卷积层的输出特征和所述第二卷积层的输出特征经第一相加操作后输出至激活函数层；
3.如权利要求1所述的基于差分融合神经网络的gis电磁场粗仿数据增强方法，其特征在于，利用所述自调节模块对所述粗网格结构数据进行计算的过程公式表示为：
4.如权利要求1所述的基于差分融合神经网络的gis电磁场粗仿数据增强方法，其特征在于，所述差分卷积模块包括依次连接的差分卷积层、尺寸整合层、自注意力机制层和第三卷积层，所述第三卷积层后连接有激活函数；
5.如权利要求1所述的基于差分融合神经网络的gis电磁场粗仿数据增强方法，其特征在于，利用所述差分卷积模块对所述粗网格场强数据进行计算的过程公式表示为：
6.如权利要求5所述的基于差分融合神经网络的gis电磁场粗仿数据增强方法，其特征在于，所述差分卷积层的卷积核采用五点差分卷积核、加权差分卷积核、多尺度差分卷积核、方向性差分卷积核、九点差分卷积核、混合模式差分卷积中的任一种。
7.如权利要求1所述的基于差分融合神经网络的gis电磁场粗仿数据增强方法，其特征在于，所述结构相似性网络包括第一分支网络、第二分支网络、第二相加操作和第一多层感知机，所述第一分支网络和所述第二分支网络的输出均接入所述第二相加操作，所述第二相加操作的输出连接至所述第一多层感知机，所述多层感知机后接有激活函数。
8.如权利要求7所述的基于差分融合神经网络的gis电磁场粗仿数据增强方法，其特征在于，所述第一分支网络包括依次连接的卷积神经网络层cnn和批正则化操作，所述正则化操作之后接有激活函数；
9.如权利要求7所述的基于差分融合神经网络的gis电磁场粗仿数据增强方法，其特征在于，所述利用所述结构相似性网络对所述细网格增强网格结构特征和所述细网格增强场强特征进行匹配，计算相似性特征，包括：
10.如权利要求1所述的基于差分融合神经网络的gis电磁场粗仿数据增强方法，其特征在于，所述基于所述相似性特征，计算gis细网格增强数据，包括：
11.如权利要求1所述的基于差分融合神经网络的gis电磁场粗仿数据增强方法，其特征在于，在所述将所述gis电磁场粗网格仿真数据集输入到差分深度学习网络模型之前，所述方法还包括：
12.如权利要求11所述的基于差分融合神经网络的gis电磁场粗仿数据增强方法，其特征在于，所述场强与结构一致性损失函数的公式表示为：
13.如权利要求11所述的基于差分融合神经网络的gis电磁场粗仿数据增强方法，其特征在于，所述基于麦克斯韦方程的约束损失函数的公式表示为：
14.一种基于差分gan的gis电磁场粗网格数据增强系统，其特征在于，所述系统包括：
15.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-13中任一项所述的方法。
