CN112926770A - 一种基于数字孪生的统一数据计量采集系统 - Google Patents
一种基于数字孪生的统一数据计量采集系统 Download PDFInfo
- Publication number
- CN112926770A CN112926770A CN202110196908.4A CN202110196908A CN112926770A CN 112926770 A CN112926770 A CN 112926770A CN 202110196908 A CN202110196908 A CN 202110196908A CN 112926770 A CN112926770 A CN 112926770A
- Authority
- CN
- China
- Prior art keywords
- data
- acquisition
- digital twin
- metering
- electricity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 230000005611 electricity Effects 0.000 claims abstract description 55
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 238000005070 sampling Methods 0.000 claims abstract description 8
- 238000004088 simulation Methods 0.000 claims description 28
- 238000000034 method Methods 0.000 claims description 24
- 230000005540 biological transmission Effects 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000010248 power generation Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000002955 isolation Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013499 data model Methods 0.000 abstract description 2
- 238000007726 management method Methods 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 description 8
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 5
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 5
- 238000013480 data collection Methods 0.000 description 5
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003472 neutralizing effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0611—Request for offers or quotes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Artificial Intelligence (AREA)
Abstract
本发明涉及一种基于数字孪生的统一数据计量采集系统,解决的是不能多业务应用统一计量数据采集管理的技术问题。本发明利用数字孪生技术实现多应用场景下采集信息类型、频度的统一设置;数字孪生辅助信息系统仿真运行多业务数据模型,基于模型运行结果的综合分析,动态调整采样参数,使得采集系统实时掌握应用系统的需求。在电网公司的计量中心对发明设计的系统开展现场试验工作,验证了系统方案具备多业务项综合采集,适应秒级采集能力,并以负荷预测和现货交易业务为例,以预测精度和购电成本为指标,分析运行结果从而调整采集时间间隔,最终确定最佳采集频度,从而将对应的负荷预测平均绝对百分比误差限制在允许门限,同时限制了售电方的购电成本偏差值。
Description
技术领域
本发明涉及计量采集系统领域,具体涉及一种基于数字孪生的统一数据计量采集系统
背景技术
传统的计量采集方式和模式固定,以电网为例,根据IEC 61850-9-2LE规定电能计量系统的采样率固定为256×fr或80×fr,数据位数为32位。电力企业安全分区要求使得各业务部门独立采集所需数据,形成“信息孤岛”。由于各业务场景服务对象不同,导致部门间的数据格式和定义不一致,无法为系统高级业务应用提供支持。此外,不同的业务应用场景,对计量数据的数据质量、数据项类别、采集频度、时标精度也各有区别。不同业务之间采集的数据项存在部分重叠,可能导致数据一致性和完整性存在问题。当前计量采集系统缺乏统一的采集方案及平台,数据复用性差。
以“数字电网”建设的概念为例,强调以“电力+算力”建设一体化智能运行系统,利用数字孪生技术建立跨部门、跨应用、跨业务的平台,提升可观可测可控水平,助力实现状态全感知、管理全在线、数据全管控,打造覆盖全过程生产环节的数字孪生电网。数字孪生(digital twin,DT)可充分利用海量数据资源,在数字空间设计虚拟模型,实现信息系统与物理系统的映射交互,从而帮助对物理对象进行优化和决策。现有的固定分层结构的计量自动化系统针对的是单一应用场景独立采集无法掌握全业务对象的信息,逐渐满足不了当前新兴数字电网的需求。
针对以上问题,本发明设计了跨部门、跨应用、跨区域的基于数字孪生的统一数据计量采集系统,利用数字孪生技术建立多业务应用数据模型,然后分析不同业务应用的采集需求,生成不同场景数据采集的综合模板,实现采集数据项类型、精度、频度的定制化设置,采集系统也可实时掌握应用系统的需求及模型变化。本发明以电力现货交易与负荷预测业务为例,将购电成本和预测精度作为指标,通过建立涉及“源-售-荷”三方的售电方购电成本确定模型和双向长短期记忆神经网络(Bi-LSTM)预测模型,利用数据治理提升采集数据质量,根据数字孪生仿真运行的结果来调整计量采集的频度,分别实现了两类应用的数字孪生。
发明内容
本发明所要解决的技术问题是现有技术中存在的不能跨区域的统一数据采集的技术问题。提供一种新的基于数字孪生的统一数据计量采集系统,该基于数字孪生的统一数据计量采集系统具有能够跨区域的统一数据采集的特点。
为解决上述技术问题,采用的技术方案如下:
一种基于数字孪生的统一数据计量采集系统,所述基于数字孪生的统一数据计量采集系统包括计量系统、业务应用系统、传输支撑系统、数字孪生系统以及数据采集系统;计量系统包括数据采集主站和采集终端;计量系统将采集终端的计量数据上传至数据主站或传输给对端设备;所述数据采集系统分为数据采集控制面和数据采集分发面;数字孪生系统接收业务应用系统下行的业务模型和应用性能指标,依据业务模型仿真运行数据采集分发面接收的实时采集数据取得数据应用效果的综合评价,将数据应用效果的综合评价发送给数据采集系统;业务应用系统和数字孪生系统均不直接控制数据采集系统,即业务应用隔离区获得是数据的最终效果而不下发数据的采集控制指令。
上述方案中,为优化,进一步地,数字孪生系统还将从数据采集系统获得的数据,并依据数据应用模型运行仿真,通过实时对比仿真运行结果数据与数据应用指标之间的差值判断数据采集系统所获取数据的质量。
进一步地,数字孪生系统还综合不同业务应用系统的数据质量分析,获得多个业务应用系统的综合数据质量分析结果,并将综合数据质量分析结果发送给数据采集系统,但不下发采集控制指令给数据采集系统;
数据采集系统根据综合数据质量分析结果决策调整数据采集策略以及通信传输策略,并下发调整采集指令来调整采集参数,采集参数包括采集精度和频度。
进一步地,所述数据采集主站将采集数据并行输入到数字孪生系统和业务应用系统包括数据采集主站将统一的采集数据分类后分发给不同业务应用系统,同时也将采集数据镜像分发给数字孪生系统,由数字孪生系统模拟业务应用系统的使用数据的处理运行过程。
进一步地,业务模型包括电力负荷预测模型和实时交易模型;应用性能指标包括电力负荷预测精度和实时交易价格误差。
进一步地,数字孪生系统进行动态数据驱动仿真,动态数据驱动仿真包括数据预处理和采用基于数字孪生的数据预测方法进行数据预测,数据预处理包括采用线性插值法实现负荷曲线的补全。
进一步地,所述基于数字孪生的统一数据计量采集系统基于电力市场现货交易;
用于建立多业务应用的数字模型包括:定义多项式系数模型用于映射预测负荷曲线和用户实际负荷曲线;
r(t)=B(q)·r1(t)+r2(t)t∈1,2,L,Nd;
其中,r1(t)为实际用电负荷曲线;r(t)为预测负荷曲线;t为一天中用电信息数据采样点的序号,Nd为一天中总负荷采样点数;r2(t)为随机可调用电负荷;B(q)为偏移算子的多项式,其中,q-1表示预测和实际的偏移算子;b为多项式每一项的系数。
进一步地,基于数字孪生的数据预测方法为Bi-LSTM方法;
Bi-LSTM方法结合历史和预测数据信息,定义同一输出以相反的时序连接两个LSTM网络;前向LSTM序列的可以获取过去数据信息作为输入序列,反向LSTM序列获取预测数据信息作为输入序列;
即在t时刻Bi-LSTM的隐藏状态Ht包括正向ht序列和反向ht序列;
LSTM序列是根据LSTM模型生成,LSTM模型在RNN循环神经网络上增加三种门的逻辑控制单元输入门,遗忘门和输出门,每个门都配置有一个记忆单元;所述输入门、输出门用于控制信息的输入和输出,遗忘门用于控制与历史状态有关的信息保留;输入门、遗忘门和输出门均使用Sigmoid函数作为激活函数。
进一步地,所述LSTM模型为:
定义遗忘门:ft=σ(Wf·X+bf);
定义输入门:it=σ(Wi·X+bi);
定义输出门:ot=σ(Wo·X+bo);
定义单元:St=fte St-1+ite tanh(W·X+bs);
定义最终输出:ht=ote tanh(St);
其中,σ(·)是激活函数,范围是[0,1],0表示信息完全不通过;xt是t时刻的输入;ht为t时刻的隐藏状态;Wf,Wi,Wo,Ws均为LSTM的权重矩阵;bf,bi,bo,bs均为LSTM的偏置项,是模型的训练参数;e是点乘运算;
单元状态St是由上一时刻的单元状态St-1乘以遗忘门ft,再用当前输入乘以输入门ti,将两个积相加得到最终结果。
进一步地,电力市场现货交易中,在t=Ta~Tb(a≤b,a,b=0,1,...,N)时段,发电厂各种方式发电的报价为:
P={Ph,Pt,Pf,Pss};
其中,Ph为化石能源电厂电价,Pt为清洁能源太阳能电价、Pf为清洁能源风能电价、Pss为清洁能源水能电价;Ω为电价集合。
售电公司的购电成本为:
其中,Pm为购买微网的总电价;Pi和Pd分别为发电厂以及输配电的单位电量的电价,Ri为发电方为售电公司预留的总电量,Kl为状态变量,Kl={0,1},0为不选择该电厂购电,1为选择;
用户的购电价为:
其中,Pr(Pr≥0)为单位电量的利润,Rs为购电总量。
数据采集系统的数据面和控制面隔离,数字孪生系统输入的是业务性能需求指标,业务仿真运行模型,运行仿真的是从数据采集系统数据面获得的实时采集数据并依据业务模型进行实现仿真运行,将数据应用效果的综合评价发送给数据采集系统。业务应用系统和数字孪生系统并没有直接给数据采集系统发送具体的数据采集控制指令,数字孪生系统针对不同业务仿真以及运行数据仿真系统的结果,所获得应用数据性能误差,而由采集系统通过观测此数据性能误差结果来调整采集系统自身的采集项、精度和频度。即数字孪生系统不下发采集控制指令,而是将最后的数据应用性能分析结果发给数据采集系统,从而由采集系统自主给出自身调整的策略。
业务应用系统根据数据采集系统的数据面上发的最优效果来调整底层计量系统,进行采集精度和频度的调整。以前采用的方法是数据实际应用之后才发现问题,因为有的数据是在线采集、离线使用,这样一旦发现数据采集问题,因采集时间已经过了,这可能无法补充采集数据。采用数字孪生系统,即使用户没有实际应用数据,孪生系统可以模仿用户在线应用数据,从而可以及时发现问题来进行采集调整。另一方面,数字孪生系统自身可根据实时仿真结果,在线调整采集系统的指标,包括采集项、采集项的精度和频度。
之前各个业务应用独立采集,每个业务应用系统都独立完成从业务应用下发采集命令到数据采集系统再到计量系统的独立流程,这样各个采集系统之间的数据缺乏时间、空间的相关性,且造成数据的(重复)过度采集和(遗漏)欠采集。通过我们的方法,业务应用不直接来控制数据采集系统,而是把自己的应用需求,业务模型发送给数字孪生系统进行统一仿真运行处理,从而给出综合判断分析,实现各个应用的统一采集。采集数据上下行解耦,业务应用系统将业务模型和应用性能指标下发至孪生系统是下行单向,采集系统将采集数据上行单向(导向、交换、分发)给不同业务应用系统、并镜像给数字孪生系统。
本发明的有益效果:实现了跨安全区域的统一安全隔离,业务应用系统不直接控制数据采集系统,即业务应用系统不与采集系统的控制面交互,起到中和所有应用的效果。高效,避免过采集和欠采集,由数字孪生系统综合采集项并分析获得其采集性能评价结果,在线调整采集系统的指标,包括采集项、采集项的精度和频度。数据质量提高,统一数据源、并实现数据的时间、空间之间的关联。灵活定义采集场景,不同数据应用可以灵活将其采集需求发给数字孪生系统,由孪生系统影响采集系统。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1,实施例1中数据采集系统结构图。
图2,Bi-LSTM预测模型示意图。
图3,不同采集频度预测误差对比示意图。
图4,施例1中数据采集系统流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例1
一种基于数字孪生的统一数据计量采集系统,如图1和图4所述基于数字孪生的统一数据计量采集系统包括计量系统、业务应用系统、传输支撑系统、数字孪生系统以及数据采集系统;计量系统包括数据采集主站和采集终端;计量系统将采集终端的计量数据上传至数据主站或传输给对端设备;所述数据采集系统分为数据采集控制面和数据采集分发面;数字孪生系统接收业务应用系统下行的业务模型和应用性能指标,依据业务模型仿真运行数据采集分发面接收的实时采集数据取得数据应用效果的综合评价,将数据应用效果的综合评价发送给数据采集系统;业务应用系统和数字孪生系统均不直接控制数据采集系统,即业务应用隔离区获得是数据的最终效果而不下发数据的采集控制指令。
具体地,数字孪生系统还将从数据采集系统获得的数据,并依据数据应用模型运行仿真,通过实时对比仿真运行结果数据与数据应用指标之间的差值判断数据采集系统所获取数据的质量。
具体地,数字孪生系统还综合不同业务应用系统的数据质量分析,获得多个业务应用系统的综合数据质量分析结果,并将综合数据质量分析结果发送给数据采集系统,但不下发采集控制指令给数据采集系统;
数据采集系统根据综合数据质量分析结果决策调整数据采集策略以及通信传输策略,并下发调整采集指令来调整采集参数,采集参数包括采集精度和频度。
具体地,所述数据采集主站将采集数据并行输入到数字孪生系统和业务应用系统包括数据采集主站将统一的采集数据分类后分发给不同业务应用系统,同时也将采集数据镜像分发给数字孪生系统,由数字孪生系统模拟业务应用系统的使用数据的处理运行过程。
具体地,业务模型包括电力负荷预测模型和实时交易模型;应用性能指标包括电力负荷预测精度和实时交易价格误差。
具体地,数字孪生系统进行动态数据驱动仿真,动态数据驱动仿真包括数据预处理和采用基于数字孪生的数据预测方法进行数据预测,数据预处理包括采用线性插值法实现负荷曲线的补全。电能计量数据的采集会由传感器硬件设备造成测量误差、通信传输信道故障、终端故障或者是线路检修等原因,导致数据采集中断或异常,造成数字孪生系统获得的数据存在明显错误,数据质量需进一步提高。当数据缺点较少时,可以基于当日负荷曲线,采用线性插值法实现负荷曲线的补全。
具体地,所述基于数字孪生的统一数据计量采集系统基于电力市场现货交易;
用于建立多业务应用的数字模型包括:定义多项式系数模型用于映射预测负荷曲线和用户实际负荷曲线;
r(t)=B(q)·r1(t)+r2(t)t∈1,2,L,Nd;
其中,r1(t)为实际用电负荷曲线;r(t)为预测负荷曲线;t为一天中用电信息数据采样点的序号,Nd为一天中总负荷采样点数;r2(t)为随机可调用电负荷;B(q)为偏移算子的多项式,其中,q-1表示预测和实际的偏移算子;b为多项式每一项的系数。
具体地,如图2,基于数字孪生的数据预测方法为Bi-LSTM方法;
Bi-LSTM方法结合历史和预测数据信息,定义同一输出以相反的时序连接两个LSTM网络;前向LSTM序列的可以获取过去数据信息作为输入序列,反向LSTM序列获取预测数据信息作为输入序列;
即在t时刻Bi-LSTM的隐藏状态Ht包括正向ht序列和反向ht序列;
LSTM序列是根据LSTM模型生成,LSTM模型在RNN循环神经网络上增加三种门的逻辑控制单元输入门,遗忘门和输出门,每个门都配置有一个记忆单元;所述输入门、输出门用于控制信息的输入和输出,遗忘门用于控制与历史状态有关的信息保留;输入门、遗忘门和输出门均使用Sigmoid函数作为激活函数。
具体地,所述LSTM模型为:
定义遗忘门:ft=σ(Wf·X+bf);
定义输入门:it=σ(Wi·X+bi);
定义输出门:ot=σ(Wo·X+bo);
定义单元:St=fte St-1+ite tanh(W·X+bs);
定义最终输出:ht=ote tanh(St);
其中,σ(·)是激活函数,范围是[0,1],0表示信息完全不通过;xt是t时刻的输入;ht为t时刻的隐藏状态;Wf,Wi,Wo,Ws均为LSTM的权重矩阵;bf,bi,bo,bs均为LSTM的偏置项,是模型的训练参数;e是点乘运算;
单元状态St是由上一时刻的单元状态St-1乘以遗忘门ft,再用当前输入乘以输入门ti,将两个积相加得到最终结果。
具体地,电力市场现货交易中,在t=Ta~Tb(a≤b,a,b=0,1,...,N)时段,发电厂各种方式发电的报价为:
P={Ph,Pt,Pf,Pss};
其中,Ph为化石能源电厂电价,Pt为清洁能源太阳能电价、Pf为清洁能源风能电价、Pss为清洁能源水能电价;Ω为电价集合。
售电公司的购电成本为:
其中,Pm为购买微网的总电价;Pi和Pd分别为发电厂以及输配电的单位电量的电价,Ri为发电方为售电公司预留的总电量,Kl为状态变量,Kl={0,1},0为不选择该电厂购电,1为选择;
用户的购电价为:
其中,Pr(Pr≥0)为单位电量的利润,Rs为购电总量。
为了进一步实现采集计量系统实时调整,本实施例采用面向对象的思想,将DT/L645协议的采集对象封装成不同的子类,从而能够根据应用场景需求,动态组合采集种类;采用MQTT物联网的传输协议,实现应用程序与通信承载解耦,完成多通信传输条件下的变速率弹性采集。最后,采用通信时钟作为外基准参考时钟,校正采集数据时间精度,提高数据采集质量。
由于不同特征属性数据的数量级差别较大,为了提高效率并防止在计算过程中单个数据发生溢出,将数据归一化,使其范围在[0,1]。归一化公式如下:
利用数字孪生辅助信息系统,不仅可实现全业务模型的动态更新,还可利用所得数据在线评估系统运行状态,预演不同参数业务运行情况,根据运行结果优化调整采集数据动作。
在电网公司的计量中心对本实施例所设计的系统方案以及相关平台进行了现场测试,通过测试来验证系统的采集能力,并且所设计系统已在电网公司的计量中心试点部署。系统可以根据DL/T645行业标准协议和电网公司的拓展协议进行灵活配置,具备全协议栈秒级采集能力。本次测试配置为实时采集,实时上传,采集终端不断向电表采集一个数据项,系统支持7x24小时不间断采集。系统可实现的采集功能如下表1所示:
表1
功能项 | 性能 |
并发采集能力 | 10万采集点并发采集 |
实时性 | 10万点并发采集时间1-2s |
采集周期 | 可实现1分钟采集周期 |
时钟同步 | 全网(含计量点)同步精度1s |
采集数据量 | 单计量点每次采集数据量1-5k |
数据及应用 | 提供智能预测学习型应用 |
为了进一步验证数字孪生辅助信息系统的作用,进行第二次测试,利用采集的数据输入系统中,分析业务的运行结果,从而调整采集。首先基于现货交易和负荷预测业务模型所涉及的自变量,确定需要采集的数据项。由第二章分析可得用电负荷数据是关键变量,确定采集电能表的正向有功总电能作为原始数据分析。其中,实际用电量=电表示数*电压比*电流比,本文选取的测试场景,电流比为300/5,电压比为10000:100。
分析负荷预测结果调整采集频度,DL/T1711-2017标准规定评估时刻系统负荷预测偏差率Ei为:
本实施例采用平均绝对百分比误差(MAPE)和均方根误差(RMSE)作为指标,以反映基于统一Bi-LSTM预测模型,分析不同采集频度对预测精度的影响。这两个评估指标的定义如下式所示:
其中,Let和Lrt分别为t时刻的预测负荷值和实际负荷值。
数据采集时间间隔均为15分钟,其中预测结果的MAPE最小为0.89%。因此,本实施例先采用数据采集时间间隔为15分钟,观测负荷预测的结果,再确定是否需要调整采集的频度。当采集时间间隔为15min时,预测值和真实值存在一定的误差,在负荷波动较大时段误差也较大。因此,需要缩短采集时间间隔,从而获取尽可能多的数据,进行更好的模型训练,得到相对准确的结果。当采集时间间隔为15分钟时,得到对应的MAPE是2.84%,RMSE值为19.35kW。
缩短采集的频度,分别依次调整采集时间间隔为10分钟和5分钟,分析各自对应的负荷预测结果。利用10分钟和5分钟预测结果,分别计算出采集间隔10分钟和5分钟的MAPE为1.73%、1.21%,RMSE为7.89kW、4.73KW。因此,根据上述采集时间间隔的调整,得到采集频度越高,预测的结果越准确,但间隔15、10、5分钟的负荷结果其平均绝对误差均大于1%的指标值,因此继续调整采集间隔为1min,得到结果。
预测的负荷值和实际的负荷值基本吻合,计算出其对应MAPE的值为0.72%,满足指标要求。根据上述采集频度的调整以及模型运行结果,如图3,对比了不同采集数据的时间间隔其预测值和真实值之间的误差。
在采集时间间隔1分钟时误差区间在[-5,5]之间,在采集间隔15分钟时误差区间扩大到[-20,20],结果表明采集频度越高,预测结果相对准确,误差相对较小。
利用MATLAB工具,对采集时间间隔1分钟的预测负荷值和实际负荷值做拟合,得到结果。两者存在明显的线性关系,得到偏移系数B(q)为0.9986,常数项为-0.3761,拟合优度R2=0.9998,说明采集间隔为1min时预测结果准确,两者之间的拟合程度高。
由于不同时段的电价不同,不同的采集频度将导致不同时段获得用电量数据有差异,而售电方的购电成本与电价和用电量的乘积成正比,发明利用数字孪生系统仿真不同采集频度的购电成本,从而调整采集频度确定最优解。此前确定发电方不同发电厂太阳能、风能、水力、化石电厂以及微网的报价分别为0.65,0.57,0.31,0.36,0.58元/(kwh),输配电费用为0.18元/(kwh)。发明的研究重点是计量采集频度对业务的影响,因此选定其中太阳能和微网作为发电方式,暂不考虑不同发电方式组合的问题。
利用上述四种采集时间间隔15min,10min,5min,1min的用户预测用电电量,计算出售电方各个时段的计划购电成本。不同采集频度的总购电成本分别为208036.5元,206827.6元,206948.3元,205739.5元。然而实际购电成本为205576.3元,因此采集频度越高,即采集时间间隔越小,售电方依据预测负荷确定总购电量的计划购电成本与实际购电成本偏差越小。通过上述负荷预测和现货交易业务分析,发现利用数字孪生辅助信息系统仿真运行业务模型,依据评价指标,根据仿真结果,调整采集的频度,找到最适应多业务的采集频度为1分钟的最优采集方案,实现了多业务应用跨区域融合下发采集任务,节省计量采集开销。
本实施例设计的计量采集系统在满足安全分区要求下利用数字孪生辅助信息系统实现跨应用跨区域的统一计量采集,采用数字孪生区作为业务应用系统与采集系统的隔离区,避免了业务应用系统对数据采集系统的直接控制,采用数据面与控制面分离技术,由数字孪生区综合控制面的采集需求从而避免了数据面的过采集和欠采集,采用数字孪生系统的在线仿真运行,实现了采集数据实时调整从而适应了现场数据的时效性,采用物联网的面向对象的采集协议以及外基准参考时钟校准技术,满足了基础计量数据之间时间相关性要求,以业务目标为导向,提供可靠、准确、实时的数据支撑,解决了各业务系统之间的信息壁垒问题,实现了可变速率采集、可灵活组织定制采集的数据项,在最小资源消耗的条件下,满足统一数据采集需求。
本实施例采用电力现货交易和负荷预测的统一采集场景,基于数字孪生仿真运行业务模型,对采集的基础数据治理提升输入数据质量,利用Bi-LSTM的双向预测算法,实现数据循环更新。根据业务模型仿真输出结果,调整采集的频度,确定最优采集方案,在电网公司的计量中心实施部署验证了系统的实用性和有效性。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员能够理解本发明,但是本发明不仅限于具体实施方式的范围,对本技术领域的普通技术人员而言,只要各种变化只要在所附的权利要求限定和确定的本发明精神和范围内,一切利用本发明构思的发明创造均在保护之列。
Claims (10)
1.一种基于数字孪生的统一数据计量采集系统,其特征在于:所述基于数字孪生的统一数据计量采集系统包括计量系统、业务应用系统、传输支撑系统、数字孪生系统以及数据采集系统;计量系统包括数据采集主站和采集终端;
计量系统将采集终端的计量数据上传至数据主站或传输给对端设备;所述数据采集系统分为数据采集控制面和数据采集分发面;
数字孪生系统接收业务应用系统下行的业务模型和应用性能指标,依据业务模型仿真运行数据采集分发面接收的实时采集数据取得数据应用效果的综合评价,将数据应用效果的综合评价发送给数据采集系统;
业务应用系统和数字孪生系统均不直接控制数据采集系统,即业务应用隔离区获得是数据的最终效果而不下发数据的采集控制指令。
2.根据权利要求1所述的基于数字孪生的统一数据计量采集系统,其特征在于:数字孪生系统还将从数据采集系统获得的数据,并依据数据应用模型运行仿真,通过实时对比仿真运行结果数据与数据应用指标之间的差值判断数据采集系统所获取数据的质量。
3.根据权利要求2所述的基于数字孪生的统一数据计量采集系统,其特征在于:数字孪生系统还综合不同业务应用系统的数据质量分析,获得多个业务应用系统的综合数据质量分析结果,并将综合数据质量分析结果发送给数据采集系统,但不下发采集控制指令给数据采集系统;
数据采集系统根据综合数据质量分析结果决策调整数据采集策略以及通信传输策略,并下发调整采集指令来调整采集参数,采集参数包括采集精度和频度。
4.根据权利要求3所述的基于数字孪生的统一数据计量采集系统,其特征在于:所述数据采集主站将采集数据并行输入到数字孪生系统和业务应用系统包括数据采集主站将统一的采集数据分类后分发给不同业务应用系统,同时也将采集数据镜像分发给数字孪生系统,由数字孪生系统模拟业务应用系统的使用数据的处理运行过程。
5.根据权利要求1-4任一所述的基于数字孪生的统一数据计量采集系统,其特征在于:业务模型包括电力负荷预测模型和实时交易模型;应用性能指标包括电力负荷预测精度和实时交易价格误差。
6.根据权利要求5所述的基于数字孪生的统一数据计量采集系统,其特征在于:数字孪生系统进行动态数据驱动仿真,动态数据驱动仿真包括数据预处理和采用基于数字孪生的数据预测方法进行数据预测,数据预处理包括采用线性插值法实现负荷曲线的补全。
8.根据权利要求7所述的基于数字孪生的统一数据计量采集系统,其特征在于:基于数字孪生的数据预测方法为Bi-LSTM方法;
Bi-LSTM方法结合历史和预测数据信息,定义同一输出以相反的时序连接两个LSTM网络;前向LSTM序列的可以获取过去数据信息作为输入序列,反向LSTM序列获取预测数据信息作为输入序列;
即在t时刻Bi-LSTM的隐藏状态Ht包括正向ht序列和反向ht序列;
LSTM序列是根据LSTM模型生成,LSTM模型在RNN循环神经网络上增加三种门的逻辑控制单元输入门,遗忘门和输出门,每个门都配置有一个记忆单元;所述输入门、输出门用于控制信息的输入和输出,遗忘门用于控制与历史状态有关的信息保留;输入门、遗忘门和输出门均使用Sigmoid函数作为激活函数。
9.根据权利要求8所述的基于数字孪生的统一数据计量采集系统,其特征在于:所述LSTM模型为:
定义遗忘门:ft=σ(Wf·X+bf);
定义输入门:it=σ(Wi·X+bi);
定义输出门:ot=σ(Wo·X+bo);
定义单元:St=fte St-1+ite tanh(W·X+bs);
定义最终输出:ht=ote tanh(St);
其中,σ(·)是激活函数,范围是[0,1],0表示信息完全不通过;xt是t时刻的输入;ht为t时刻的隐藏状态;Wf,Wi,Wo,Ws均为LSTM的权重矩阵;bf,bi,bo,bs均为LSTM的偏置项,是模型的训练参数;e是点乘运算;
单元状态St是由上一时刻的单元状态St-1乘以遗忘门ft,再用当前输入乘以输入门ti,将两个积相加得到最终结果。
10.根据权利要求8所述的基于数字孪生的统一数据计量采集系统,其特征在于:电力市场现货交易中,在t=Ta~Tb(a≤b,a,b=0,1,...,N)时段,发电厂各种方式发电的报价为:
P={Ph,Pt,Pf,Pss};
其中,Ph为化石能源电厂电价,Pt为清洁能源太阳能电价、Pf为清洁能源风能电价、Pss为清洁能源水能电价;Ω为电价集合;
售电公司的购电成本为:
其中,Pm为购买微网的总电价;Pi和Pd分别为发电厂以及输配电的单位电量的电价,Ri为发电方为售电公司预留的总电量,Kl为状态变量,Kl={0,1},0为不选择该电厂购电,1为选择;
用户的购电价为:
其中,Pr(Pr≥0)为单位电量的利润,Rs为购电总量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110196908.4A CN112926770A (zh) | 2021-02-22 | 2021-02-22 | 一种基于数字孪生的统一数据计量采集系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110196908.4A CN112926770A (zh) | 2021-02-22 | 2021-02-22 | 一种基于数字孪生的统一数据计量采集系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112926770A true CN112926770A (zh) | 2021-06-08 |
Family
ID=76170043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110196908.4A Withdrawn CN112926770A (zh) | 2021-02-22 | 2021-02-22 | 一种基于数字孪生的统一数据计量采集系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112926770A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113796228A (zh) * | 2021-09-26 | 2021-12-17 | 南京邮电大学 | 一种基于数字孪生的植物培育系统及方法 |
CN114707787A (zh) * | 2021-12-17 | 2022-07-05 | 中国矿业大学 | 一种工业筛分效果动态评价系统及评价方法 |
CN115545345A (zh) * | 2022-11-08 | 2022-12-30 | 国网重庆市电力公司电力科学研究院 | 一种基于gru-tcn模型的电网负荷预测方法 |
CN115685949A (zh) * | 2022-12-29 | 2023-02-03 | 深圳市信润富联数字科技有限公司 | 调整离散机加工生产过程中数据采样频率的方法及装置 |
CN115914410A (zh) * | 2023-03-03 | 2023-04-04 | 无锡顶视科技有限公司 | 基于数据驱动的数字孪生仿真方法 |
CN116109335A (zh) * | 2023-04-10 | 2023-05-12 | 国网浙江省电力有限公司 | 一种基于数字孪生的新能源动态电价数据管理系统 |
CN117047383A (zh) * | 2023-10-12 | 2023-11-14 | 吉林大学 | 基于数字孪生的焊装生产线用防滑耐磨的自动定位工装 |
-
2021
- 2021-02-22 CN CN202110196908.4A patent/CN112926770A/zh not_active Withdrawn
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113796228A (zh) * | 2021-09-26 | 2021-12-17 | 南京邮电大学 | 一种基于数字孪生的植物培育系统及方法 |
CN113796228B (zh) * | 2021-09-26 | 2022-08-23 | 南京邮电大学 | 一种基于数字孪生的植物培育系统及方法 |
CN114707787A (zh) * | 2021-12-17 | 2022-07-05 | 中国矿业大学 | 一种工业筛分效果动态评价系统及评价方法 |
CN115545345A (zh) * | 2022-11-08 | 2022-12-30 | 国网重庆市电力公司电力科学研究院 | 一种基于gru-tcn模型的电网负荷预测方法 |
CN115685949A (zh) * | 2022-12-29 | 2023-02-03 | 深圳市信润富联数字科技有限公司 | 调整离散机加工生产过程中数据采样频率的方法及装置 |
CN115914410A (zh) * | 2023-03-03 | 2023-04-04 | 无锡顶视科技有限公司 | 基于数据驱动的数字孪生仿真方法 |
CN115914410B (zh) * | 2023-03-03 | 2023-07-14 | 无锡顶视科技有限公司 | 基于数据驱动的数字孪生仿真方法 |
CN116109335A (zh) * | 2023-04-10 | 2023-05-12 | 国网浙江省电力有限公司 | 一种基于数字孪生的新能源动态电价数据管理系统 |
CN116109335B (zh) * | 2023-04-10 | 2023-09-08 | 国网浙江省电力有限公司 | 一种基于数字孪生的新能源动态电价数据管理系统 |
CN117047383A (zh) * | 2023-10-12 | 2023-11-14 | 吉林大学 | 基于数字孪生的焊装生产线用防滑耐磨的自动定位工装 |
CN117047383B (zh) * | 2023-10-12 | 2023-12-05 | 吉林大学 | 基于数字孪生的焊装生产线用防滑耐磨的自动定位工装 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112926770A (zh) | 一种基于数字孪生的统一数据计量采集系统 | |
Pinson et al. | Wind power forecasting using fuzzy neural networks enhanced with on-line prediction risk assessment | |
CN108388962B (zh) | 一种风电功率预测系统及方法 | |
CN111478312A (zh) | 一种提升电网稳定性的综合能源集群协调控制方法 | |
Khan et al. | Genetic algorithm based optimized feature engineering and hybrid machine learning for effective energy consumption prediction | |
US20030182250A1 (en) | Technique for forecasting market pricing of electricity | |
JP2020501491A (ja) | 動的エネルギーストレージシステム制御のためのシステムおよび方法 | |
CN106682808A (zh) | 在线滚动优化调度模型 | |
Liu et al. | Distribution system state estimation with high penetration of demand response enabled loads | |
CN110675275A (zh) | 一种虚拟电厂的需求侧响应用电负荷调控方法及系统 | |
CN114219212A (zh) | 一种计及泛在电力物联与边缘计算的需求侧资源柔性调度方法 | |
Shuai et al. | Real-time optimization of the integrated gas and power systems using hybrid approximate dynamic programming | |
CN116862551A (zh) | 一种考虑用户隐私保护的新能源消纳电价决策方法 | |
Jiménez et al. | A closed-loop data-driven optimization framework for the unit commitment problem: A Q-learning approach under real-time operation | |
Al-Ani et al. | A study of load demand forecasting models in electricity using artificial neural networks and fuzzy logic model | |
Chen et al. | Toward future information market: An information valuation paradigm | |
García-Díaz et al. | Competitive models for the spanish short-term electricity demand forecasting | |
CN108345996B (zh) | 一种降低风电功率考核电量的系统及方法 | |
Yundra et al. | Hybrid Model Combined Fuzzy Multi-Objective Decision Making with Feed Forward Neural Network (F-MODM-FFNN) For Very Short-Term Load Forecasting Based on Weather Data. | |
Fridgen et al. | The value of IS-enabled flexibility in electricity demand-a real options approach | |
Boumaiza et al. | Data Forecasting with Application to Blockchain-based Local Energy Markets | |
Neagu et al. | A data-mining-based methodology to identify the behavioural characteristics of prosumers within active distribution networks | |
Shendryk et al. | Short-term Solar Power Generation Forecasting for Microgrid | |
de Jongh et al. | Spatio-temporal short term photovoltaic generation forecasting with uncertainty estimates using machine learning methods | |
Menke | A comprehensive approach to implement monitoring and state estimation in distribution grids with a low number of measurements |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210608 |