本發明屬于高溫儲熱系統智能化監控、數字孿生及多物理場仿真，具體涉及基于混合仿真與pinn的儲熱系統實時感知預測方法，用于實現儲熱系統內部多物理場的高精度、實時狀態感知與短時預測。
背景技術：
1、在高溫儲熱系統（如電磁感應加熱流態化顆粒儲熱系統）的智能化運行與高級控制中，實時、精確獲取其內部電磁場、溫度場、流場等多物理場的三維分布與演化規律至關重要。這是進行系統安全監控、效率優化及實施模型預測控制等先進控制策略的前提。
2、目前，主要技術路徑存在固有局限：
3、其一，高精度計算流體力學或有限元仿真采用精細網格離散求解控制方程，精度雖高但計算資源消耗巨大、耗時極長（通常數小時至數天），無法滿足控制系統毫秒至秒級的實時決策需求，且每次參數變化均需重新計算，靈活性差。
4、其二，純數據驅動的神經網絡模型基于歷史數據訓練，推理速度快，但其本質為“黑箱”，嚴重依賴訓練數據覆蓋范圍，缺乏物理規律約束。在訓練數據未覆蓋的工況或系統狀態發生漂移時，預測結果可能嚴重偏離物理實際，可靠性低，且無法保證解滿足質量、能量守恒等基本物理定律。
5、其三，傳統降階模型計算速度較快，但通常針對特定設計工況線性化或簡化得到，在系統運行狀態大幅偏離設計點時模型精度急劇下降，泛化能力不足。
6、其四，常規物理信息神經網絡雖通過自動微分計算連續偏微分方程殘差將物理規律嵌入網絡，但其存在訓練不穩定、內存占用大、且與工業標準數值求解器所采用的離散格式存在本質不匹配的問題，導致其結果難以與高置信度仿真直接對標，工程可信度受限。
7、因此，現有技術無法在計算效率、物理精度、工況泛化能力及與工業標準一致性四者間取得良好平衡，這已成為制約儲熱系統實現實時智能化、自主化運行的關鍵技術瓶頸。
技術實現思路
1、為解決上述技術問題，本發明提供了基于混合仿真與pinn的儲熱系統實時感知預測方法，創造性地采用“物理骨架生成”與“智能精修預測”兩級協同的混合架構，將快速粗網格數值仿真與基于離散格式殘差的物理信息神經網絡深度融合，并在其中引入“粗網格解作為物理先驗輸入”的關鍵機制，能夠在保證與工業數值求解器格式一致、滿足基本物理守恒律的前提下，實現對復雜儲熱系統內部多物理場狀態的毫秒至秒級快速、高精度感知與短時預測，為系統的實時優化控制、安全預警和高保真數字孿生提供核心驅動。
2、為實現上述目的，本發明采用了如下技術方案：
3、基于混合仿真與pinn的儲熱系統實時感知預測方法，包括：
4、步驟s1、離線階段，構建對應儲熱系統的混合仿真模型并訓練，所述混合仿真模型包括參數化粗網格數值仿真模型以及物理信息神經網絡模型；其中，所述粗網格數值仿真模型輸出的粗網格物理場近似解作為所述物理信息神經網絡模型的輸入，所述物理信息神經網絡模型的損失函數包含離散物理殘差項；所述離散物理殘差項是指采用與所述粗網格數值仿真模型完全一致的離散格式，將物理信息神經網絡預測值代入離散控制方程后計算得到的殘差平方和；
5、步驟s2、在線階段，將實時采集的儲熱系統運行數據輸入所述參數化粗網格數值仿真模型，求解得到當前時刻的粗網格物理場近似解；再將所述粗網格物理場近似解與未來時刻的時空坐標共同輸入訓練好的所述物理信息神經網絡模型，推理輸出未來時刻的高精度全場物理狀態預測。
6、進一步的，所述步驟s1中，粗網格數值仿真模型基于固定計算網格，采用有限體積法、有限差分法或有限元法對守恒型控制方程組進行離散；所述固定計算網格為非均勻網格，在物理場梯度大的關鍵區域進行局部加密。
7、進一步的，所述守恒型控制方程組包括質量守恒方程、動量守恒方程和能量守恒方程；所述能量守恒方程中包含由電磁感應產生的渦流焦耳熱源項，所述動量守恒方程中包含由電磁場作用于導電介質產生的電磁體積力項；所述參數化粗網格數值仿真模型及所述物理信息神經網絡模型的離散物理殘差項均包含所述渦流焦耳熱源項和所述電磁體積力項。
8、進一步的，所述步驟s1中，所述物理信息神經網絡模型的輸入包括時空坐標點以及所述粗網格數值仿真模型輸出的、在所述時空坐標點上的粗網格物理場近似解，所述粗網格物理場近似解包括溫度場、速度場、壓力場、磁感應強度場、電場強度場的粗網格數值解；所述物理信息神經網絡模型的輸出為對應的高精度物理場預測變量，包括溫度場、速度場、壓力場、磁感應強度場、電場強度場的高精度預測值。
9、進一步的，所述步驟s1中，物理信息神經網絡模型的損失函數由數據損失項、離散物理殘差損失項和邊界條件損失項加權組成；其中，在計算所述數據損失項和所述邊界條件損失項時，采用0-1二進制掩碼進行標識與篩選。
10、進一步的，所述離散物理殘差損失項的計算方式為：在固定計算網格的所有節點上，采用與粗網格數值仿真模型完全一致的離散格式，對物理信息神經網絡模型輸出的預測值計算其空間離散導數和時間離散導數，代入離散后的守恒型控制方程組，得到每個網格節點的殘差，再計算所有網格節點殘差的平方和或均方值。
11、進一步的，所述步驟s1中，損失函數采用分層級的標準化與平衡設計，包括：在計算數據殘差項、離散物理殘差項及邊界條件殘差項時，對各類殘差在各自對應的全部計算節點上進行標準化處理，對標準化后的各類節點殘差分別計算均方值，除以對應類別的節點總數，得到與節點數量無關的平均損失項，對處理后的各平均損失項施加權重系數，構成總損失函數。
12、進一步的，所述步驟s1中，采用基于物理先驗初始化的物理信息神經網絡訓練方法，包括：將所述物理信息神經網絡模型輸出層的權重矩陣置零，同時將其偏置向量初始化為一個與輸入時空坐標相關聯的函數，直接返回對應坐標點上由粗網格數值仿真模型計算得到的粗網格物理場近似解；使得在訓練開始的初始時刻，所述物理信息神經網絡模型對于任何輸入坐標的預測輸出值恒等于對應坐標點的粗網格物理場近似解，形成顯式殘差學習框架。
13、第三方面，本發明提供一種電子設備，包括：一個或多個處理器；存儲器，用于存儲一個或多個程序；其中，當一個或多個程序被所述一個或多個處理器執行時，使得所述一個或多個處理器實現前述的基于混合仿真與pinn的儲熱系統實時感知預測方法。
14、第四方面，本發明提供一種計算機可讀存儲介質，其上存儲有可執行指令，該指令被處理器執行時能夠使處理器實現前述的基于混合仿真與pinn的儲熱系統實時感知預測方法。
15、本發明的有益效果在于：
16、第一，實現了效率、精度與可靠性的統一。通過“粗網格快速求解提供物理骨架”與“物理信息神經網絡毫秒級精修預測”的分工協同，在系統層面攻克了實時性與高精度的矛盾。粗網格求解保證物理基礎，神經網絡推理實現速度飛躍，單次全場預測可在毫秒級內完成。
17、第二，物理一致性與工程可信度高。創新性地采用與粗網格求解器完全一致的離散格式殘差作為物理信息神經網絡的物理約束，使神經網絡的預測在數學本質上與工業標準數值求解器對齊，結果可直接與高保真仿真對標，解決了常規物理信息神經網絡與工程實踐脫節的問題。
18、第三，訓練穩定、泛化能力強。離散格式殘差計算對噪聲不敏感，訓練更穩定。粗網格解作為輸入提供了強物理先驗，引導網絡學習，使其在傳感器稀疏區域或輕度外推工況下仍能給出符合物理規律的預測，增強了泛化能力。
19、第四，為實時智能控制提供核心感知能力。本發明輸出的實時、全場、高精度物理狀態，是驅動模型預測控制、強化學習等先進算法做出最優決策的“眼睛”，構成了儲熱系統高保真數字孿生的“實時狀態驅動引擎”。