本发明涉及环电压控制，尤其涉及一种聚变中基于数据驱动的环电压控制方法。
背景技术：
1、核聚变是一种核反应过程，它将两个轻元素的原子核融合成一个更重的原子核。核聚变发生的条件极为苛刻，需要超高温和超高压以克服原子核之间的电荷斥力。在高温高压的环境下粒子被加热和激发，以达到等离子体态。这种高温的等离子体温度可以达到上亿度，目前的材料还不能够耐受这种高温。因此，提出采用磁场来约束这些高温等离子体。托卡马克是一种用于实现核聚变反应的装置，利用强大的磁场将等离子体约束在环形状的真空室中。为实现聚变放电，未来聚变托卡马克装置的运行必然要探索更长的放电时间、更高的放电参数以及更加安全稳定的放电方案，这对托卡马克装置内等离子体的控制提出了更高的要求。高参数长脉冲稳定控制需要稳定控制等离子体参数，如环电压、密度等。有效地控制环电压可以减少伏秒消耗，从而维持更长时间的放电。目前，对环电压的控制主要通过调节低杂波（lhw）功率。然而，lhw驱动等离子体电流受多种因素的影响：托卡马克装置的壁条件、纵场、电子密度、电子温度、辅助加热的协同效应等，这对于环电压的精准控制带来了巨大的挑战。
2、托卡马克装置中的粒子被加热电离，呈现等离子体状态，并主要被纵场tf线圈产生的磁场约束。装置内部的等离子体在磁场的作用下围绕装置内部定向运动。为了加热等离子体并维持高温的条件，托卡马克装置配置了一系列的线圈（极向场pf线圈）以及辅助加热手段。辅助加热手段有低杂波（lhw）、电子回旋（ecrh）、离子回旋（icrf）等。前面提到，托卡马克装置中对环电压的精准控制是实现长脉冲稳定放电的关键技术之一。目前，对环电压的控制采用的是前馈和反馈相结合的方式，执行器是lhw。在托卡马克放电之前，预设了lhw的功率，前馈控制给出预设的lhw功率。在放电的过程中，根据实时检测的环电压信号，利用反馈控制实时调节lhw功率来控制环电压。现有的控制器存在以下缺点：
3、（1）前馈预设波形难以准确符合实际放电
4、前馈控制中预设的lhw波形常常难以满足多种不同的放电条件，在实际的放电实验中需要常常得根据实验条件进行调整，鲁棒性较差。此外，调整的前馈波形在实际放电中常常不是最优波形，这要求反馈控制需要更大的余量来进行调整。在环电压的控制中，反馈控制是采用传统的pid控制，并且lhw的功率是有限的，这也导致环电压的控制能力是有限的。在实际的放电中，如果前馈给出的lhw功率导致环电压偏离目标量较大，那么整体的控制范围将会大幅度下降，甚至导致整个控制器失效。
5、（2）反馈控制器的建模与实际存在区别
6、如前文提到，lhw驱动等离子体电流受多种因素的影响，存在非线性。现有的pid反馈控制器在构建状态空间方程时需要进行简化。简化后状态空间方程导致构建的pid控制器调控的范围有限，大大降低了整体的调控能力。
7、综上，本申请提出一种聚变中基于数据驱动的环电压控制方法。
技术实现思路
1、本发明的目的是针对背景技术中存在lhw驱动等离子体电流受多种因素影响的问题，提出一种聚变中基于数据驱动的环电压控制方法。
2、本发明的技术方案：一种聚变中基于数据驱动的环电压控制方法，包括以下方法步骤：
3、选择训练模型的数据：将等离子体相关参数以及下一时刻需控制的目标环电压作为输入，输出为下一时刻的lhw功率；
4、构建数据库：使用托卡马克装置的放电数据和未来装置前期的尝试放电数据作为数据库的一部分；
5、构建神经网络模型：使用lstm神经网络，配置为三层结构；
6、模型的训练：在主流框架上建立模型，利用收集的数据进行训练以获得控制器；
7、模型的测试：使用除训练数据之外的测试集，检查预测结果与实际结果之间的差异；
8、替换当前的环电压控制：将经过测试且满足精度要求的模型替换原有的环电压控制算法，实时采集数据，基于模型预测提供lhw功率信号以精准控制环电压。
9、可选的，等离子体相关参数包括等离子体总电流、纵场线圈电流、pf线圈电流、等离子体电子弦平均密度、极向比压、等离子体内感、储能、等离子体边界、辐射功率、环电压、等离子体边界、辅助加热ecrh功率、辅助加热icrf功率、辅助加热lhw功率。
10、可选的，主流框架为tensorflow、pytorch中任一种。
11、可选的，所述构建神经网络模型中，lstm神经网络配置为三层结构，每层分别包含35、10、5个神经元。
12、可选的，所述模型的测试中，要求误差小于5%。
13、综上所述，本申请包括以下至少一种有益技术效果：
14、本发明提出的基于数据驱动的控制器可以规避等离子体之间复杂关系，仅通过数据训练的方式便可实现这种复杂的控制效果。相较于传统的控制器，不仅实现的难度更低，而且控制效果更好。
15、本发明将人工智能与聚变等离子体控制相结合，通过神经网络的训练来自动总结各种物理量之间的关系，发掘数据背后的潜在价值，通过神经网络可以准确地给出目标环电压下的lhw功率，从而达到精准控制的目的。
1.一种聚变中基于数据驱动的环电压控制方法，其特征在于，包括以下方法步骤：
2.根据权利要求1所述的一种聚变中基于数据驱动的环电压控制方法，其特征在于，等离子体相关参数包括等离子体总电流、纵场线圈电流、pf线圈电流、等离子体电子弦平均密度、极向比压、等离子体内感、储能、等离子体边界、辐射功率、环电压、等离子体边界、辅助加热ecrh功率、辅助加热icrf功率、辅助加热lhw功率。
3.根据权利要求1所述的一种聚变中基于数据驱动的环电压控制方法，其特征在于，主流框架为tensorflow、pytorch中任一种。
4.根据权利要求1所述的一种聚变中基于数据驱动的环电压控制方法，其特征在于，所述构建神经网络模型中，lstm神经网络配置为三层结构，每层分别包含35、10、5个神经元。
5.根据权利要求1所述的一种聚变中基于数据驱动的环电压控制方法，其特征在于，所述模型的测试中，要求误差小于5%。
