本发明涉及环电压控制技术领域，尤其涉及一种聚变中基于数据驱动的环电压控制方法。其技术方案包括以下方法步骤：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；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；构建神经网络模型：使用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。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：

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；

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；

构建神经网络模型：使用LSTM神经网络，配置为三层结构；

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；

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；

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。

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%。