本发明涉及电力设备，具体涉及一种基于pu-gan的gis电磁场仿真数据增强方法及系统。
背景技术：
1、气体绝缘开关设备（gas insulated switchgear，简称gis）结构复杂，工作环境不定，gis的仿真研究一般利用有限元仿真方法比如文献“基于有限元分析的开关设备产品仿真与优化，欧阳振国，硕士论文”中提出的运用有限元分析软件对新型真空断路器进行三维电场强度的仿真与计算。但传统数值方法在进行电磁场非均匀网格仿真时，面临在粗细网格之间耦合处理复杂，边界条件难以确立等问题；同时，非均匀网格划分仿真时计算资源要求高，在高网格划分数量与疏密度仿真时，计算时间长，仿真速度慢，在处理高频的gis局放检测问题时会严重影响检测时间，若采用粗网格仿真，虽然可以降低时间成本，但仿真精度低，会影响局放检测质量，因此迫切需要一种快速高精度的网格电磁场分布仿真技术。
2、在相关技术中，公布号为cn111428407a的专利申请文献中提出了一种基于深度学习的电磁散射计算方法，该方案中提出了设计采用深度学习网络作为模型来完成训练预测过程，从而表征输入信息，也就是散射体，入射场，到感应电流的关系。但该方案的前提需要求入射波的入射角度和强度固定且是已知的，而在gis电磁场数据增强时，只能获取gis筒的粗网格电磁场信息，gis局放电的位置和强度都是未知的，所以该方案并不适应gis电磁场数据的增强。
技术实现思路
1、本发明所要解决的技术问题在于如何快速得到高精度的gis网格电磁场仿真结果。
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pu-gan的gis电磁场仿真数据增强方法，所述方法包括：
4、获取gis电磁场的真实粗网格数据和真实细网格数据；
5、将所述真实粗网格数据和所述真实细网格数据输入至生成对抗网络进行训练，直至总体优化损失函数最小时，得到训练好的生成器作为数据增强模型以用于对实时生成的真实粗网格数据进行增强；
6、其中，所述生成对抗网络包括所述生成器和判别器，所述生成器用于对所述真实粗网格数据进行特征提取，并对提取的特征进行循环倍数增强，得到细网格生成数据。
7、进一步地，所述判别器包括结构相似模块、场强一致性模块和精确度判别模块，其中：
8、所述结构相似模块用于计算所述细网格生成数据和所述真实细网格数据所包含的结构信息的第一置信度值；
9、所述场强一致性模块用于计算所述细网格生成数据和所述真实细网格数据所包含的场强信息的第二置信度值；
10、所述精确度判别模块用于拉近所述细网格生成数据和所述真实细网格数据分布之间的距离。
11、进一步地，所述结构相似模块包括第一结构分支网络、第二结构分支网络和第一回归网络，所述细网格生成数据包含的增强结构信息和所述真实细网格数据包含的真实细结构信息分别作为所述第一结构分支网络和所述第二结构分支网络的输入，所述第一结构分支网络和所述第二结构分支网络的输出经矩阵乘法操作后输出结构特征矩阵；
12、所述结构特征矩阵作为所述第一回归网络的输入，得到关于所述增强结构信息与所述真实细结构信息之间的第一置信度值。
13、进一步地，所述场强一致性模块包括第一增强分支网络、第二增强分支网络和第二回归网络，所述细网格生成数据包含的增强场强信息和所述真实细网格数据包含的真实细场强信息分别作为所述第一增强分支网络和所述第二增强分支网络的输入，所述第一增强分支网络和所述第二增强分支网络的输出经矩阵乘法操作后输出场强特征矩阵；
14、所述场强特征矩阵作为所述第二回归网络的输入，得到关于所述增强场强信息与所述真实细场强信息之间的第二置信度值。
15、进一步地，所述第一结构分支网络和所述第二结构分支网络均包括依次连接的多层感知机和最大池化层，所述第一结构分支网络和所述第二结构分支网络的输出经矩阵乘法操作后输出结构特征矩阵为：
16、
17、式中，为结构特征矩阵，为所述细网格生成数据的结构特征，为所述真实细网格数据的结构特征，、分别、的调制权重。
18、进一步地，所述第一回归网络包括依次连接的第一自注意单元、多层感知机和全连接层，所述第一自注意单元用于基于所述结构特征矩阵生成结构注意权重，所述结构注意权重经多层感知机和所述全连接层后输出第一置信度值。
19、进一步地，所述第一增强分支网络和所述第二增强分支网络均包括依次连接的多层感知机和激活函数，所述第一增强分支网络和所述第二增强分支网络的输出经矩阵乘法操作后输出场强特征矩阵为：
20、
21、式中，为场强特征矩阵，为所述细网格生成数据的场强特征，为所述真实细网格数据的场强特征，'、分别、的调制权重。
22、进一步地，所述第二回归网络包括依次连接的第二自注意单元、多层感知机和全连接层，所述第二自注意单元用于基于所述场强特征矩阵生成场强注意权重，所述场强注意权重经多层感知机和所述全连接层后输出第二置信度值。
23、进一步地，所述总体优化损失函数的公式表示为：
24、
25、式中，为所述总体优化损失函数，为所述细网格生成数据和所述真实细网格数据所包含的结构信息的第一置信度值，为所述细网格生成数据和所述真实细网格数据所包含的场强信息的第二置信度值，为所述细网格生成数据和所述真实细网格数据之间的对抗损失，和是权重参数。
26、进一步地，所述生成器包括若干级联的特征提取与拓展网络，每个所述特征提取与拓展网络之后连接有多层感知机；
27、所述特征提取与拓展网络包括依次连接的特征提取模块和特征拓展模块，上一级所述特征提取与拓展网络中特征提取模块的输出与下一级所述特征提取与拓展网络中特征提取模块的输出连接；
28、所述特征提取模块包括依次连接的第一mlps层、knn层、第二mlps层、最大池化层maxpooling和数据压缩层，所述真实粗网格数据作为所述第一mlps层的输入，所述第一mlps层的输出与所述第二mlps层的输出经拼接后输出至所述最大池化层maxpooling，所述真实粗网格数据与所述最大池化层maxpooling的输出拼接后作为所述数据压缩层的输入，所述数据压缩层的输出连接所述特征拓展模块；
29、所述特征拓展模块用于对所述特征提取模块输出的每一个特征后加入一个编码为1或-1的向量来产生位置扰动。
30、进一步地，在将上一级所述特征提取与拓展网络中特征提取模块输出的特征复制到下一级所述特征提取与拓展网络中特征提取模块的输出时，采用插值技术匹配不同层级的特征。
31、进一步地，所述方法还包括：采用双边插值匹配不同层级的特征，将点在上一级特征提取模块输出的特征值插值为：
32、
33、其中，是第个点的坐标和场强，是第个点的坐标和场强，是第个点对应的特征值，是第个点对应的特征值，是需要插入的数据点集合，其中联合加权函数表示如下：
34、
35、
36、其中，宽度参数与是点到最近邻的平均距离，表示向量的模。
37、此外，本发明还提出了一种基于pu-gan的gis电磁场仿真数据增强系统，所述系统包括：
38、数据获取单元，用于获取gis电磁场的真实粗网格数据和真实细网格数据；
39、训练单元，用于将所述真实粗网格数据和所述真实细网格数据输入至生成对抗网络进行训练，直至总体优化损失函数最小时，得到训练好的生成器作为数据增强模型以用于对实时生成的真实粗网格数据进行增强；
40、其中，所述生成对抗网络包括所述生成器和判别器，所述生成器用于对所述真实粗网格数据进行特征提取，并对提取的特征进行循环倍数增强，得到细网格生成数据。
41、本发明的优点在于：
42、（1）本发明通过利用仿真获取的真实粗网格数据和真实细网格数据对生成对抗网络进行训练，利用训练好的生成器即可对实时仿真得到的真实粗网格数据进行增强，生成gis电磁场精细数据，而且由于gis设备具有一定的物理结构，电磁场仿真的数据点不可超出一定范围，本发明设计的生成器采用循环倍数增强旨在粗网格数据点间进行电磁场增强，在一定程度上保证不超出gis的物理结构范畴，提高了gis电磁场仿真数据增强的准确性。
43、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pu-gan的gis电磁场仿真数据增强方法，其特征在于，所述方法包括：
2.如权利要求1所述的基于pu-gan的gis电磁场仿真数据增强方法，其特征在于，所述判别器包括结构相似模块、场强一致性模块和精确度判别模块，其中：
3.如权利要求2所述的基于pu-gan的gis电磁场仿真数据增强方法，其特征在于，所述结构相似模块包括第一结构分支网络、第二结构分支网络和第一回归网络，所述细网格生成数据包含的增强结构信息和所述真实细网格数据包含的真实细结构信息分别作为所述第一结构分支网络和所述第二结构分支网络的输入，所述第一结构分支网络和所述第二结构分支网络的输出经矩阵乘法操作后输出结构特征矩阵；
4.如权利要求2所述的基于pu-gan的gis电磁场仿真数据增强方法，其特征在于，所述场强一致性模块包括第一增强分支网络、第二增强分支网络和第二回归网络，所述细网格生成数据包含的增强场强信息和所述真实细网格数据包含的真实细场强信息分别作为所述第一增强分支网络和所述第二增强分支网络的输入，所述第一增强分支网络和所述第二增强分支网络的输出经矩阵乘法操作后输出场强特征矩阵；
5.如权利要求3所述的基于pu-gan的gis电磁场仿真数据增强方法，其特征在于，所述第一结构分支网络和所述第二结构分支网络均包括依次连接的多层感知机和最大池化层，所述第一结构分支网络和所述第二结构分支网络的输出经矩阵乘法操作后输出结构特征矩阵为：
6.如权利要求3所述的基于pu-gan的gis电磁场仿真数据增强方法，其特征在于，所述第一回归网络包括依次连接的第一自注意单元、多层感知机和全连接层，所述第一自注意单元用于基于所述结构特征矩阵生成结构注意权重，所述结构注意权重经多层感知机和所述全连接层后输出第一置信度值。
7.如权利要求4所述的基于pu-gan的gis电磁场仿真数据增强方法，其特征在于，所述第一增强分支网络和所述第二增强分支网络均包括依次连接的多层感知机和激活函数，所述第一增强分支网络和所述第二增强分支网络的输出经矩阵乘法操作后输出场强特征矩阵为：
8.如权利要求4所述的基于pu-gan的gis电磁场仿真数据增强方法，其特征在于，所述第二回归网络包括依次连接的第二自注意单元、多层感知机和全连接层，所述第二自注意单元用于基于所述场强特征矩阵生成场强注意权重，所述场强注意权重经多层感知机和所述全连接层后输出第二置信度值。
9.如权利要求1~8任一项所述的基于pu-gan的gis电磁场仿真数据增强方法，其特征在于，所述总体优化损失函数的公式表示为：
10.如权利要求1~8任一项所述的基于pu-gan的gis电磁场仿真数据增强方法，其特征在于，所述生成器包括若干级联的特征提取与拓展网络，每个所述特征提取与拓展网络之后连接有多层感知机；
11.如权利要求10所述的基于pu-gan的gis电磁场仿真数据增强方法，其特征在于，在将上一级所述特征提取与拓展网络中特征提取模块输出的特征复制到下一级所述特征提取与拓展网络中特征提取模块的输出时，采用插值技术匹配不同层级的特征。
12.如权利要求10所述的基于pu-gan的gis电磁场仿真数据增强方法，其特征在于，所述方法还包括：采用双边插值匹配不同层级的特征，将点在上一级特征提取模块输出的特征值插值为：
13.一种基于pu-gan的gis电磁场仿真数据增强系统，其特征在于，所述系统包括：
