本技术涉及径流数据还原的，特别是涉及一种燃气轮机转子叶片温度场预测方法、系统和介质。
背景技术：
1、燃气轮机具有结构紧凑、输出功率大、启动速度快、低碳环保等特点，广泛运用于电力、舰船和航天等领域，燃气轮机转子需要在高转速、高温和高压的工作环境中长期运转，因此需要严苛的设计、制造工艺，它体现了一个国家的综合工业实力。
2、目前主流在役燃气轮机的转子动叶片工作环境超过1200℃，所以不可以使叶片表面直接暴露在高温燃气的冲击下，需要设计非常复杂的内部冷却气体通道，使得整个系统处于一种微妙的气固耦合平衡中。如何精确的控制冷却气流和高温燃气的进气速度，则成为了燃气轮机转子叶片实时运行控制的关键，然而现有成熟的有限元计算方法不能快速计算具有复杂结构和边界条件的物理模型，难以预测大量工况下的温度场。
3、目前针对相关技术中，燃气轮机由于转子叶片数值模型计算时间长，在大量工况时存在温度场预测效率低的问题，尚未提出有效的解决方案。
技术实现思路
1、本技术实施例提供了一种燃气轮机转子叶片温度场预测方法、系统和介质，以至少解决相关技术中在大量工况时存在温度场预测效率低的问题，尚未提出有效的解决方案。
2、第一方面，本技术实施例提供了一种燃气轮机转子叶片温度场预测方法，所述方法包括：
3、构建燃气轮机转子叶片高保真有限元离散模型，基于所述高保真有限元离散模型，通过高保真有限元热力学仿真计算，获取叶片温度场的快照矩阵；
4、基于所述快照矩阵，根据降阶方法建立降阶基，基于所述降阶基和本构方程，构建温度场，基于所述温度场，根据预设深度算子网络框架构建初始温度场预测模型；
5、通过训练集对所述初始温度场预测模型中的神经网络进行迭代训练，直至满足预设收敛条件，获取目标温度场预测模型；
6、根据当前所述燃气轮机转子叶片的边界条件，基于所述目标温度场预测模型，对当前燃气轮机叶片的温度场进行预测，获取叶片温度场的实时预测结果。
7、在一实施例中，所所述构建燃气轮机转子叶片高保真有限元离散模型，包括：
8、根据三维建模软件ug和matlab，构建燃气轮机转子叶片高保真有限元离散模型，并通过离散节点，获取txt文件；其中，
9、所述高保真有限元离散模型为离散化建模，有限元网格的质量维持在预设数值以上，所述离散化建模采用二维六面体结构，每个网格包含15-25个节点。
10、在一实施例中，所述基于所述高保真有限元离散模型，通过高保真有限元热力学仿真计算，获取叶片温度场的快照矩阵，包括：
11、基于所述高保真有限元离散模型，通过高保真有限元热力学仿真计算，获取叶片在不同运行条件下的温度场分布数据；
12、将所述温度场分布数据汇总成矩阵，生成叶片温度场的快照矩阵，其中，所述快照矩阵的数量超过预设数量。
13、在一实施例中，在通过训练集对所述初始温度场预测模型中的神经网络进行迭代训练之前，所述方法还包括：
14、根据所述温度场预测控制方程，获取所述初始温度场预测模型的训练数据。
15、在一实施例中，所述根据所述温度场的预测控制方程，获取所述初始温度场预测模型的训练数据，包括：
16、根据所述温度场的快照矩阵，获取叶片在不同运行条件下的温度场分布数据，所述温度场分布数据包括时间与温度的变化曲线、时间与压力额变化曲线和时间与转速的变化曲线；
17、从所述温度场分布数据中，通过预测控制方程获取用于所述初始温度场预测模型的训练数据，其中，所述训练数据包括训练集和验证集，所述训练集占所述训练数据的3/5，所述验证集占所述训练数据的2/5。
18、在一实施例中，所述通过训练集对所述初始温度场预测模型中的神经网络进行迭代训练，直至满足预设收敛条件，获取目标温度场预测模型，包括：
19、对输入和输出数据进行归一化处理，通过map minmax函数转换训练集数据；
20、定义神经网络的结构，所述神经网络的结构包括输入层、隐层和输出层的节点数；
21、设置神经网络的参数，所述神经网络的参数包括传递函数、训练函数、学习函数；
22、通过所述训练集对初始温度场预测模型中的神经网络进行迭代训练，直至满足预设收敛条件；
23、在训练完成后，使用验证集对所述初始温度场预测模型进行验证，检查所述初始温度场预测模型在未见过的数据上的表现，若验证结果的相对误差在预设范围内，则认为模型有效；若验证结果的相对误差在预设范围外，则需要调整算法，继续训练直至满足收敛条件，获取目标温度场预测模型。
24、在一实施例中，所述输入层节点数为2-5，所述隐层节点数为3-6，所述输出层节点数为2-5；
25、所述输入层到所述隐层的所述传递函数为logsig，所述隐层到所述输出层的所述传递函数为tansig，所述训练函数为trainlm，所述学习函数为learngdm；
26、所述迭代训练包括迭代次数为400-600次、训练误差目标为、学习速率为0.01-0.03、最小确认失败次数为30-60次。
27、在一实施例中，所述根据当前所述燃气轮机转子叶片的边界条件，基于所述目标温度场预测模型，对当前燃气轮机叶片的温度场进行预测，获取温度场的实时预测结果，包括：
28、从现场传感器收集当前所述燃气轮机转子叶片的边界条件，所述边界条件包括主燃气进出口压力、温度和转子转速，将所述边界条件作为所述目标温度场预测模型的输入数据；
29、将所述边界条件进行预处理，所述预处理包括数据归一化；
30、将预处理后的边界条件输入至所述目标温度场预测模型中，所述目标温度场预测模型输出温度场的实时预测结果，所述温度场的实时预测结果表征当前工况下叶片不同位置的温度分布情况。
31、第二方面，本技术实施例提供了一种燃气轮机转子叶片温度场预测系统，所述系统包括径流式水电站参照模块、径流趋势参照模块和还原水电站历史径流数据模块，其中：
32、所述径流式水电站参照模块，用于根据水电站群中径流式水电站与库容式水电站之间的径流相似性，获取所述库容式水电站的径流式水电站参照；
33、所述径流趋势参照模块，用于根据径流式水电站的水力特性，获取所述径流式水电站参照的径流过程，基于所述径流过程，获取径流趋势，将所述径流趋势作为所述库容式水电站的径流趋势参照；
34、所述还原水电站历史径流数据模块，用于将所述径流趋势参照同倍比扩大，并还原扩大后的所述径流趋势参照的周期内水位过程，根据所述周期内水位过程中的周期末水位与预设周期末水位之间的关系，通过调整所述径流趋势参照同倍比，确定所述库容式水电站的径流过程，将所述库容式水电站的径流过程作为水电站历史径流还原数据。
35、第三方面，本技术实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的一种燃气轮机转子叶片温度场预测方法。
36、第四方面，本技术实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的一种燃气轮机转子叶片温度场预测方法。
37、本技术实施例提供的一种燃气轮机转子叶片温度场预测方法、系统和介质至少具有以下技术效果。
38、通过构建燃气轮机转子叶片高保真有限元离散模型，基于高保真有限元离散模型，通过高保真有限元热力学仿真计算，获取叶片温度场的快照矩阵。基于快照矩阵，根据降阶方法建立降阶基，基于降阶基和本构方程，构建温度场，基于温度场，根据预设深度算子网络框架构建初始温度场预测模型。通过训练集对初始温度场预测模型中的神经网络进行迭代训练，直至满足预设收敛条件，获取目标温度场预测模型。根据当前燃气轮机转子叶片的边界条件，基于目标温度场预测模型，对当前燃气轮机叶片的温度场进行预测，获取叶片温度场的实时预测结果。实现了对叶片温度场的实时预测，对提升燃气轮机调控效率和机组运行安全提供保障，提高了叶片温度场的预测效率和预测精确度。解决相关技术中在大量工况时存在温度场预测效率低的问题。
39、本技术的一个或多个实施例的细节在以下附图和描述中提出，以使本技术的其他特征、目的和优点更加简明易懂。
1.一种燃气轮机转子叶片温度场预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述通过训练集对所述初始温度场预测模型中的神经网络进行迭代训练，直至满足预设收敛条件，获取目标温度场预测模型，包括：
3.根据权利要求2所述的方法，其特征在于，
4.根据权利要求1所述的方法，其特征在于，所述基于所述高保真有限元离散模型，通过高保真有限元热力学仿真计算，获取叶片温度场的快照矩阵，包括：
5.根据权利要求1所述的方法，其特征在于，在根据预先的燃气轮机转子叶片高保真有限元离散模型，通过高保真有限元热力学仿真计算，获取叶片温度场的快照矩阵之前，所述方法还包括：
6.根据权利要求1所述的方法，其特征在于，在通过训练集对所述初始温度场预测模型中的神经网络进行迭代训练之前，所述方法还包括：
7.根据权利要求6所述的方法，其特征在于，所述根据所述温度场的预测控制方程，获取所述初始温度场预测模型的训练数据，包括：
8.根据权利要求1所述的方法，其特征在于，所述根据当前所述燃气轮机转子叶片的边界条件，基于所述目标温度场预测模型，对当前燃气轮机叶片的温度场进行预测，获取温度场的实时预测结果，包括：
9.一种燃气轮机转子叶片温度场预测系统，其特征在于，所述系统包括快照矩阵模块、构建初始温度场预测模型模块、构建目标温度场预测模型模块和实时预测结果模块，其中：
10.一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，所述程序被处理器执行时实现如权利要求1至8中任一项所述的一种燃气轮机转子叶片温度场预测方法。
