CN115114342B - 一种数字孪生多源数据异常监测方法及系统 - Google Patents

一种数字孪生多源数据异常监测方法及系统 Download PDF

Info

Publication number
CN115114342B
CN115114342B CN202211028720.XA CN202211028720A CN115114342B CN 115114342 B CN115114342 B CN 115114342B CN 202211028720 A CN202211028720 A CN 202211028720A CN 115114342 B CN115114342 B CN 115114342B
Authority
CN
China
Prior art keywords
region
digital twin
area
sub
consumption
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.)
Active
Application number
CN202211028720.XA
Other languages
English (en)
Other versions
CN115114342A (zh
Inventor
罗玲玲
刘会军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengmu Technology Zhuhai Co ltd
Original Assignee
Chengmu Technology Zhuhai Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengmu Technology Zhuhai Co ltd filed Critical Chengmu Technology Zhuhai Co ltd
Priority to CN202211028720.XA priority Critical patent/CN115114342B/zh
Publication of CN115114342A publication Critical patent/CN115114342A/zh
Application granted granted Critical
Publication of CN115114342B publication Critical patent/CN115114342B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G06F16/24578—Query processing with adaptation to user needs using ranking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/248—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models

Abstract

本发明属于数字孪生技术领域，公开了一种数字孪生多源数据异常监测方法及系统，通过采集每个子区域内的动态数据构成数字孪生数据集；根据数字孪生数据集筛选出各个子区域的数字孪生区域；计算各个子区域与对应的各个数字孪生区域之间的溢出值，通过溢出值标记出各个子区域的数字孪生区域中的异常数字孪生区域；将异常数字孪生区域显示到客户端，避免了从整体上筛选局部区域的失真现象，减少了数字孪生区域的人流和物理量的采样值成为子区域的野值，使得子区域和数字孪生区域具有极强的关联性，从而极大地减少了数字孪生系统的计算量，提高了加载三维模型的速度。

Description

一种数字孪生多源数据异常监测方法及系统
技术领域
本发明属于数字孪生技术、数据处理技术领域，具体涉及一种数字孪生多源数据异常监测方法及系统。
背景技术
数字孪生技术是充分利用传感器、运行历史等数据进行仿真，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。因此，在数字孪生平台中，是结合物联网数据、互联网数据、北斗精准定位数据等完成智慧城市底层数据的融合，城市管理中各关键业务要素完全映射到数字世界中，实现城市管理业务的实时监控、预测预警、仿真推演、联动指挥，数字孪生集成了城市静态或动态数据、与城市的运行相关的各类数据以及物联感知数据，展现城市全貌，实时反应物理城市的运行状况，可动态预警城市问题。实现物理城市与孪生城市的数实交互，打通数据流通通道。但是，随着数字孪生技术的平台中的虚拟环境中的数据量越来越大。对于数字孪生的发生异常的数据源的监测实时性的要求越来越高，现有技术中缺乏对于多源数据的监测手段，无法根据数据源的汇聚和聚合规律进行数据异常监测，导致海量的大数据中出现大量的无效数据和无法根据实际情况进行预警。
发明内容
本发明的目的在于提出一种数字孪生多源数据异常监测方法及系统，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
为了实现上述目的，根据本发明的一方面，提供一种数字孪生多源数据异常监测方法，所述方法包括以下步骤：
S100，将预设区域平均划分为多个子区域，采集每个子区域内的动态数据构成数字孪生数据集；
S200，根据数字孪生数据集筛选出各个子区域的数字孪生区域；
S300，计算各个子区域与对应的各个数字孪生区域之间的溢出值，通过溢出值标记出各个子区域的数字孪生区域中的异常数字孪生区域；
S400，将异常数字孪生区域显示在预设区域的三维模型中的对应位置，形成可视化三维图像显示，或者，将异常数字孪生区域内的动态数据输出到客户端。
其中，预设区域的三维模型为：以预设区域的建筑物和地理环境构成的三维模型。
进一步地，在S100中，将预设区域平均划分为多个子区域的方法为：通过阈值分割法或边缘分割法对预设区域的数字地图或者人口热力图进行分割得到多个子区域。
其中，人口热力图为预设区域的手机信令人口热力图或者百度地图人口热力图。
进一步地，在S100中，将预设区域平均划分为多个子区域的方法还可以为：在数字地图或者人口热力图以相同大小的网格分割将预设区域分割为多个子区域。
进一步地，在S100中，所述动态数据至少包括预设区域内的用户数量、供水管路中流经该预设区域内预设的位置的水流量、水质参数（包括水中各种酸碱度数值、各种元素含量和有机物含量等）、供电线路中流经预设区域内预设的位置的电流量和PM2.5值；水质参数包括pH、温度、溶氧、电导率和浊度，对各个动态数据中的数据均进行无量纲化即标准化、归一化、去除单位处理。
其中，用户数量根据手机基站获取的定位的用户数量进行获取。
其中，其他子区域为除风险异常数据之外的所在的子区域的预设区域平均划分的子区域。
进一步地，在S200中，所述数字孪生数据集的每一行为子区域内用户数量、供水管路中流经该区域内预设的位置的水流量、水质参数、供电线路中流经预设区域内预设的位置的电流量（或耗电量），水质参数包括pH、温度、溶氧、电导率和浊度。
由于在子区域之间在人流和物理量消耗没有强关联的情况下，筛选出关联性不大的数字孪生区域，则数字孪生区域的人流和物理量会出现野值，需额外增加野值剔除步骤，数字孪生系统的计算量会加大，后续加载三维模型会变慢，为解决该问题，所以本发明提出如下方案：
进一步地，在S200中，根据数字孪生数据集筛选出各个子区域的数字孪生区域的方法为：
以各个子区域构成序列Area={areai}，以areai表示第i个子区域，i为序号；以子区域的水流量或者耗电量作为监测物理量；计算各个子区域的监测物理量的平均值作为消耗基准值TH；以最近一个areai的监测物理量超过TH的时刻作为消耗开始时刻tim1，在tim1之后的首次以areai的监测物理量低于TH的时间作为消耗结束时刻tim2（时间是连续的，可以是时刻的采样点，或者是规定一个时间段作为单位时间的下一个时间点）；优选地，如果当前时间areai的监测物理量仍然超过TH则以当前时间为tim2；以tim1和tim2之间的时间段作为最近消耗时段time0；分别获取time0内areai的用户数量最多时的用户数量为消耗峰值人数，再计算Area中所有子区域的消耗峰值人数的平均值记为PopAvg；
筛选出当前子区域的数字孪生区域，具体为：筛选出在Area中除了当前子区域以外，消耗峰值人数大于PopAvg的各个子区域，将各个子区域按照与预设区域的几何中心距离按顺序进行排序从而构成序列Brea；在Brea中搜索与当前子区域的消耗峰值人数的差值最小的子区域记为第一区域；将Brea中与当前子区域的距离最小的子区域标记为第二区域；
在Brea中搜索在最近消耗时段time0内至少有一个时刻满足消耗峰约束的子区域areai作为数字孪生区域；
其中，所述消耗峰约束为：ConMean≥Pout(areai)＞ConMin，
或者，所述消耗峰约束为：Pout(areai)＞ConMean+Con×(ConMax-ConMin)；
其中，Con=exp(ConMin÷ConMean)/exp(ConMean÷ConMax)；
其中，Con为临近消耗比，Pout(areai)表示areai的监测物理量；ConMean表示在最近消耗时段time0内的第一区域和第二区域的所有监测物理量的算术平均值；ConMin表示在最近消耗时段time0内的第一区域和第二区域的所有监测物理量的最小值；ConMax表示在最近消耗时段time0内的第一区域和第二区域的所有监测物理量的最大值；exp是指数函数。
（有益效果为：能够智能的筛选出与当前的子区域的供水或者供电互相之间产生影响关联的区域，提高了筛选速度，避免了从整体上筛选局部区域的失真现象，为了识别出与子区域在人流和物理量消耗均达到关联的情况下，识别出与子区域相对而言相对均衡的数字孪生区域，减少了数字孪生区域的人流和物理量的采样值成为子区域的野值现象，使得子区域和数字孪生区域具有极强的关联性，从而极大地减少了数字孪生系统的计算量，提高了加载三维模型的速度）。
优选地，最近消耗时段time0也可以为人工设置的预设时间取值[3,15]天。
进一步地，在S300中，计算各个子区域与对应的各个数字孪生区域之间的溢出值的方法为：
（获取time0内子区域的用户数量最多时的用户数量为消耗峰值人数，计算所有子区域的消耗峰值人数的平均值记为PopAvg）；
记当前子区域对应的各个数字孪生区域中在最近消耗时段time0内的消耗峰值人数的最小值所在的数字孪生区域为areaMin、消耗峰值人数的最大值所在的数字孪生区域为areaMax；
从当前时刻开始以逆时间顺序开始逐时刻遍历areaMin和areaMax内的用户数量，当搜索到areaMin和areaMax内首次满足ToalPop(tim3)＞ToalPop(tim3-tG)并且ToalPop(tim3)＞ToalPop (tim3+tG)且ToalPop(tim3)＞PopAvg时，记areaMin和areaMax内于tim3时刻获取到的监测物理量分别为最小区域峰值（areaMin）和最大区域峰值（areaMax）；如果最小区域峰值和最大区域峰值所对应的时刻均在最近消耗时段time0内，则将最小区域峰值和最大区域峰值分别记为peakMin和peakMax，否则将最近消耗时段time0内areaMin的监测物理量的最大值记为peakMin、将在最近消耗时段time0内areaMax的监测物理量的最大值记为peakMax；其中，tim3为被搜索到的时刻（即tim3为时间变量，tim3-tG不早于开始采集数据的时刻，tim3+tG不晚于当前时刻），ToalPop(tim3)为在tim3时刻获取的用户数量，tG为用户数量获取的间隔时间；ToalPop(tim3-tG) 为在tim3-tG时刻获取的用户数量，ToalPop(tim3+tG) 为在tim3+tG时刻获取的用户数量；各变量、数值之间可进行加减等运算；
取当前子区域对应的各个数字孪生区域的在最近消耗时段time0内所有的监测物理量的平均值记为peakMean；计算溢出值overflow：
overflow=||Peak(j)-peakMean|-(peakMax-peakMin)|；
其中，Peak(j)为当前子区域对应的第j个数字孪生区域在最近消耗时段time0内监测物理量的最大值，j为序号，j∈[1,N],N为当前子区域对应的数字孪生区域数量。
（有益效果为：由于各个子区域与对应的各个数字孪生区域之间的在人口流量的峰值时，使用的监测物理量之间有时候会发现很小的差异，由此造成的差值会非常小，在区域多、数据量大的大数据场景情况下难以识别或者识别不精确，为减少后续计算的计算量，上述步骤提出的溢出值，能够有效并精准的反映出人口流量的峰值时，使用的监测物理量之间的差异度，并且计算简单，提高计算机系统的运算效率）。
进一步地，在S300中，通过溢出值标记出各个子区域的数字孪生区域中的异常数字孪生区域的方法为：
分别对各个子区域，在j∈[1,N-1]的范围内遍历当前子区域（当前j对应的子区域，当前子区域即正在被遍历的子区域）对应的各个数字孪生区域，如果|Peak(j)-Peak(j+1)|≥overflow则将第j个数字孪生区域记为异常数字孪生区域，其中，Peak(j)为当前子区域对应的第j个数字孪生区域在最近消耗时段time0内监测物理量的最大值。
优选地，在S300中，通过溢出值标记出各个子区域的数字孪生区域中的异常数字孪生区域的方法为：
在j∈[1,N-1]的范围内遍历当前子区域对应的各个数字孪生区域，如果|Peak(j)-AVE(Adj(j))|≥overflow则将第j个数字孪生区域记为异常数字孪生区域；
AVE(Adj(j))是邻接监测值，AVE(Adj(j))的计算方法为：以第j个数字孪生区域的监测物理量的获取位置为点q1，以当前子区域的监测物理量的获取位置为点q2（当前子区域和第j个数字孪生区域不重合），以q1到q2的线段为半径、以q1为圆心的圆形范围内的所有子区域在最近消耗时段time0内的监测物理量的各个最大值的算术平均值作为AVE(Adj(j))；其中，Peak(j)为当前子区域对应的第j个数字孪生区域在最近消耗时段time0内监测物理量的最大值。
本发明还提供了一种数字孪生多源数据异常监测系统，所述一种数字孪生多源数据异常监测系统包括：处理器、存储器及存储在所述存储器中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所述一种数字孪生多源数据异常监测方法中的步骤，所述一种数字孪生多源数据异常监测系统可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心等计算设备中，可运行的系统可包括，但不仅限于，处理器、存储器、服务器集群，所述处理器执行所述计算机程序运行在以下系统的单元中：
孪生数据获取单元，用于将预设区域平均划分为多个子区域，采集每个子区域内的动态数据构成数字孪生数据集；
孪生区域筛选单元，用于根据数字孪生数据集筛选出各个子区域的数字孪生区域；
异常区域标记单元，用于计算各个子区域与对应的各个数字孪生区域之间的溢出值，通过溢出值标记出各个子区域的数字孪生区域中的异常数字孪生区域；
区域三维显示单元，用于将异常数字孪生区域显示在预设区域的三维模型中的对应位置形成可视化三维图像显示，或者，将异常数字孪生区域内的动态数据输出到客户端。
本发明的有益效果为：本发明提供了一种数字孪生多源数据异常监测方法及系统，能够智能的筛选出与当前的子区域的供水或者供电互相之间产生影响关联的区域，提高了筛选速度，避免了从整体上筛选局部区域的失真现象，为了识别出与子区域在人流和物理量消耗均达到关联的情况下，识别出与子区域相对而言相对均衡的数字孪生区域，减少了数字孪生区域的人流和物理量的采样值成为子区域的野值现象，使得子区域和数字孪生区域具有极强的关联性，从而极大地减少了数字孪生系统的计算量，提高了加载三维模型的速度。
附图说明
通过对结合附图所示出的实施方式进行详细说明，本发明的上述以及其他特征将更加明显，本发明附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，在附图中：
图1所示为一种数字孪生多源数据异常监测方法的流程图；
图2所示为一种数字孪生多源数据异常监测系统结构图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
如图1所示为一种数字孪生多源数据异常监测方法的流程图，下面结合图1来阐述根据本发明的实施方式的一种数字孪生多源数据异常监测方法，所述方法包括以下步骤：
S100，将预设区域平均划分为多个子区域，采集每个子区域内的动态数据构成数字孪生数据集；
S200，根据数字孪生数据集筛选出各个子区域的数字孪生区域；
S300，计算各个子区域与对应的各个数字孪生区域之间的溢出值，通过溢出值标记出各个子区域的数字孪生区域中的异常数字孪生区域；
S400，将异常数字孪生区域显示在预设区域的三维模型中的对应位置形成可视化三维图像显示，或者，将异常数字孪生区域内的动态数据输出到客户端。
其中，预设区域的三维模型为：通过三维建模或者三维扫描技术或者获取建筑物和地理环境的数据信息，以预设区域的建筑物和地理环境构成的三维模型。
进一步地，在S100中，将预设区域平均划分为多个子区域的方法为：通过阈值分割法或边缘分割法对预设区域的数字地图或者人口热力图进行分割为多个子区域。
其中，人口热力图为预设区域的手机信令人口热力图或者百度地图人口热力图。
进一步地，在S100中，将预设区域平均划分为多个子区域的方法为：在数字地图或者人口热力图以相同大小的网格分割将预设区域分割为多个子区域。
进一步地，在S100中，所述动态数据至少包括预设区域内的用户数量、供水管路中流经该预设区域内预设的位置的水流量、水质参数、供电线路中流经预设区域内预设的位置的电流量、PM2.5值；水质参数包括pH、温度、溶氧、电导率和浊度，各个动态数据均进行无量纲化（即标准化/归一化/去除单位处理）。
其中，用户数量根据手机基站获取的定位的用户数量进行获取。
其中，其他子区域为除了风险异常数据之外的所在的子区域的预设区域平均划分的子区域。
进一步地，在S200中，所述数字孪生数据集的每一行为子区域内用户数量、供水管路中流经该区域内预设的位置的水流量、水质参数、供电线路中流经预设区域内预设的位置的电流量（或耗电量），水质参数包括pH、温度、溶氧、电导率和浊度。
由于在子区域之间在人流和物理量消耗没有强关联的情况下，筛选出关联性不大的数字孪生区域，则数字孪生区域的人流和物理量会出现野值，需额外增加野值剔除步骤，数字孪生系统的计算量会加大，后续加载三维模型会变慢，为解决该问题，所以本发明提出如下方案：
进一步地，在S200中，根据数字孪生数据集筛选出各个子区域的数字孪生区域的方法为：
以各个子区域构成序列Area={areai}，以areai表示第i个子区域，i为序号；以子区域的水流量或者耗电量作为监测物理量；计算各个子区域的监测物理量的平均值作为消耗基准值TH；以最近一个areai的监测物理量超过TH的时刻作为消耗开始时刻tim1，在tim1之后的首次以areai的监测物理量低于TH的时间作为消耗结束时刻tim2，（优选地，如果当前时间areai的监测物理量仍然超过TH则以当前时间为tim2），以tim1和tim2之间的时间段作为最近消耗时段time0；获取time0内areai的用户数量最多时的用户数量为消耗峰值人数，计算Area中所有子区域的消耗峰值人数的平均值记为PopAvg；
筛选出当前子区域的数字孪生区域，具体为：筛选出在Area中除了当前子区域以外，消耗峰值人数大于PopAvg的各个子区域，将各个子区域按照与预设区域的几何中心距离进行排序从而构成序列Brea；在Brea中搜索与当前子区域的消耗峰值人数的差值最小的子区域记为第一区域；将Brea中与当前子区域的距离最小的子区域标记为第二区域；
在Brea中搜索在最近消耗时段time0内至少有一个时刻满足消耗峰约束的子区域areai作为数字孪生区域；
其中，所述消耗峰约束为：ConMean≥Pout(areai)＞ConMin，
或者，所述消耗峰约束为：Pout(areai)＞ConMean+Con×(ConMax-ConMin)；
其中，Con=exp(ConMin÷ConMean)/exp(ConMean÷ConMax)；
其中，Con为临近消耗比，Pout(areai)表示areai的监测物理量；ConMean表示在最近消耗时段time0内的第一区域和第二区域的所有监测物理量的算术平均值；ConMin表示在最近消耗时段time0内的第一区域和第二区域的所有监测物理量的最小值；ConMax表示在最近消耗时段time0内的第一区域和第二区域的所有监测物理量的最大值；exp是指数函数。
（有益效果为：能够智能的筛选出与当前的子区域的供水或者供电互相之间产生影响关联的区域，提高了筛选速度，避免了从整体上筛选局部区域的失真现象，为了识别出与子区域在人流和物理量消耗均达到关联的情况下，识别出与子区域相对而言相对均衡的数字孪生区域，减少了数字孪生区域的人流和物理量的采样值成为子区域的野值现象，使得子区域和数字孪生区域具有极强的关联性，从而极大地减少了数字孪生系统的计算量，提高了加载三维模型的速度）。
优选地，最近消耗时段time0也可以为人工设置的预设时间取值 [3,15] 天。
进一步地，在S300中，计算各个子区域与对应的各个数字孪生区域之间的溢出值的方法为：
（获取time0内子区域的用户数量最多时的用户数量为消耗峰值人数，计算所有子区域的消耗峰值人数的平均值记为PopAvg）；
记当前子区域对应的各个数字孪生区域中在最近消耗时段time0内的消耗峰值人数的最小值所在的数字孪生区域为areaMin、消耗峰值人数的最大值所在的数字孪生区域为areaMax；
从当前时刻开始以逆时间顺序开始逐时刻遍历areaMin和areaMax内的用户数量，当搜索到areaMin和areaMax内首次满足ToalPop(tim3)＞ToalPop(tim3-tG)并且ToalPop(tim3)＞ToalPop(tim3+tG)且ToalPop(tim3)＞PopAvg时，记areaMin和areaMax内于tim3时刻获取到的监测物理量分别为最小区域峰值和最大区域峰值；如果最小区域峰值和最大区域峰值所对应的时刻均在最近消耗时段time0内，则将最小区域峰值和最大区域峰值分别记为peakMin和peakMax，否则将最近消耗时段time0内areaMin的监测物理量的最大值记为peakMin、将在最近消耗时段time0内areaMax的监测物理量的最大值记为peakMax；其中，tim3为被搜索到的时刻（即tim3为时间变量，tim3-tG不早于开始采集数据的时刻，tim3+tG不晚于当前时刻），ToalPop(tim3)为在tim3时刻获取的用户数量，tG为用户数量获取的间隔时间；ToalPop(tim3-tG) 为在tim3-tG时刻获取的用户数量，ToalPop(tim3+tG) 为在tim3+tG时刻获取的用户数量；各变量、数值之间可进行加减等运算；
取当前子区域对应的各个数字孪生区域的在最近消耗时段time0内所有的监测物理量的平均值记为peakMean；计算溢出值overflow：
overflow=||Peak(j)-peakMean|-(peakMax-peakMin)|；
其中，Peak(j)为当前子区域对应的第j个数字孪生区域在最近消耗时段time0内监测物理量的最大值，j为序号，j∈[1,N],N为当前子区域对应的数字孪生区域数量。
（有益效果为：由于各个子区域与对应的各个数字孪生区域之间的在人口流量的峰值时，使用的监测物理量之间有时候会发现很小的差异，由此造成的差值会非常小，在区域多、数据量大的大数据场景情况下难以识别或者识别不精确，为减少后续计算的计算量，上述步骤提出的溢出值，能够有效并精准的反映出人口流量的峰值时，使用的监测物理量之间的差异度，并且计算简单，提高计算机系统的运算效率）。
进一步地，在S300中，通过溢出值标记出各个子区域的数字孪生区域中的异常数字孪生区域的方法为：
在j∈[1,N-1]的范围内遍历当前子区域对应的各个数字孪生区域，如果|Peak(j)- Peak(j+1)|≥overflow则将第j个数字孪生区域记为异常数字孪生区域，其中，Peak(j)为当前子区域对应的第j个数字孪生区域在最近消耗时段time0内监测物理量的最大值。
优选地，在S300中，通过溢出值标记出各个子区域的数字孪生区域中的异常数字孪生区域的方法为：
在j∈[1,N-1]的范围内遍历当前子区域对应的各个数字孪生区域，如果|Peak(j)- AVE(Adj(j))|≥overflow则将第j个数字孪生区域记为异常数字孪生区域；
AVE(Adj(j))是邻接监测值，AVE(Adj(j))的计算方法为：以第j个数字孪生区域的监测物理量的获取位置为点q1，以当前子区域的监测物理量的获取位置为点q2，以q1到q2的线段为半径、以q1为圆心的圆形范围内的所有子区域在最近消耗时段time0内的监测物理量的各个最大值的算术平均值作为AVE(Adj(j))；其中，Peak(j)为当前子区域对应的第j个数字孪生区域在最近消耗时段time0内监测物理量的最大值。
本发明的实施例提供的一种数字孪生多源数据异常监测系统，如图2所示为本发明的一种数字孪生多源数据异常监测系统结构图，该实施例的一种数字孪生多源数据异常监测系统包括：处理器、存储器以及存储在所述存储器中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上述一种数字孪生多源数据异常监测系统实施例中的步骤。
所述系统包括：存储器、处理器以及存储在所述存储器中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运行在以下系统的单元中：
孪生数据获取单元，用于将预设区域平均划分为多个子区域，采集每个子区域内的动态数据构成数字孪生数据集；
孪生区域筛选单元，用于根据数字孪生数据集筛选出各个子区域的数字孪生区域；
异常区域标记单元，用于计算各个子区域与对应的各个数字孪生区域之间的溢出值，通过溢出值标记出各个子区域的数字孪生区域中的异常数字孪生区域；
区域三维显示单元，用于将异常数字孪生区域显示在预设区域的三维模型中的对应位置形成可视化三维图像显示，或者，将异常数字孪生区域内的动态数据输出到客户端。
所述一种数字孪生多源数据异常监测系统可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端服务器等计算设备中。所述一种数字孪生多源数据异常监测系统，可运行的系统可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是一种数字孪生多源数据异常监测系统的示例，并不构成对一种数字孪生多源数据异常监测系统的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种数字孪生多源数据异常监测系统还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种数字孪生多源数据异常监测系统运行系统的控制中心，利用各种接口和线路连接整个一种数字孪生多源数据异常监测系统可运行系统的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种数字孪生多源数据异常监测系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（SecureDigital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，从而有效地涵盖本发明的预定范围。此外，上文以发明人可预见的实施例对本发明进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。

Claims (8)

1.一种数字孪生多源数据异常监测方法，其特征在于，所述方法包括以下步骤：
S100，将预设区域平均划分为多个子区域，采集每个子区域内的动态数据构成数字孪生数据集；
S200，根据数字孪生数据集筛选出各个子区域的数字孪生区域；
S300，计算各个子区域与对应的各个数字孪生区域之间的溢出值，通过溢出值标记出各个子区域的数字孪生区域中的异常数字孪生区域；
S400，将异常数字孪生区域显示在预设区域的三维模型中的对应位置形成可视化三维图像显示，或者，将异常数字孪生区域内的动态数据输出到客户端；
其中，在S200中，根据数字孪生数据集筛选出各个子区域的数字孪生区域的方法为：
以各个子区域构成序列Area={areai}，以areai表示第i个子区域，i为序号；以子区域的水流量或者耗电量作为监测物理量；计算各个子区域的监测物理量的平均值作为消耗基准值TH；以最近一个areai的监测物理量超过TH的时刻作为消耗开始时刻tim1，在tim1之后的首次以areai的监测物理量低于TH的时间作为消耗结束时刻tim2，以tim1和tim2之间的时间段作为最近消耗时段time0；获取time0内areai的用户数量最多时的用户数量为消耗峰值人数，计算Area中所有子区域的消耗峰值人数的平均值记为PopAvg；
筛选出当前子区域的数字孪生区域，具体为：筛选出在Area中除了当前子区域以外，消耗峰值人数大于PopAvg的各个子区域，将各个子区域按照与预设区域的几何中心距离进行排序从而构成序列Brea；在Brea中搜索与当前子区域的消耗峰值人数的差值最小的子区域记为第一区域；将Brea中与当前子区域的距离最小的子区域标记为第二区域；
在Brea中搜索在最近消耗时段time0内至少有一个时刻满足消耗峰约束的子区域areai作为数字孪生区域；
其中，所述消耗峰约束为：ConMean≥Pout(areai)＞ConMin；
其中， Pout(areai)表示areai的监测物理量；ConMean表示在最近消耗时段time0内的第一区域和第二区域的所有监测物理量的算术平均值；ConMin表示在最近消耗时段time0内的第一区域和第二区域的所有监测物理量的最小值。
2.根据权利要求1所述的一种数字孪生多源数据异常监测方法，其特征在于，在S100中，将预设区域平均划分为多个子区域的方法为：通过阈值分割法或边缘分割法对预设区域的数字地图或者人口热力图进行分割为多个子区域。
3.根据权利要求1所述的一种数字孪生多源数据异常监测方法，其特征在于，在S100中，所述动态数据至少包括预设区域内的用户数量、供水管路中流经该预设区域内预设的位置的水流量、水质参数、供电线路中流经预设区域内预设的位置的电流量、PM2.5值；水质参数包括pH、温度、溶氧、电导率和浊度。
4.根据权利要求1所述的一种数字孪生多源数据异常监测方法，其特征在于，将所述消耗峰约束替换为：Pout(areai)＞ConMean+Con×(ConMax-ConMin)；
其中，Con=exp(ConMin÷ConMean)/exp(ConMean÷ConMax)；
其中，Con为临近消耗比，Pout(areai)表示areai的监测物理量；ConMean表示在最近消耗时段time0内的第一区域和第二区域的所有监测物理量的算术平均值；ConMin表示在最近消耗时段time0内的第一区域和第二区域的所有监测物理量的最小值；ConMax表示在最近消耗时段time0内的第一区域和第二区域的所有监测物理量的最大值；exp是指数函数。
5.根据权利要求1所述的一种数字孪生多源数据异常监测方法，其特征在于，在S300中，计算各个子区域与对应的各个数字孪生区域之间的溢出值的方法为：
记当前子区域对应的各个数字孪生区域中在最近消耗时段time0内的消耗峰值人数的最小值所在的数字孪生区域为areaMin、消耗峰值人数的最大值所在的数字孪生区域为areaMax；
从当前时刻开始以逆时间顺序开始逐时刻遍历areaMin和areaMax内的用户数量，当搜索到areaMin和areaMax内首次满足ToalPop(tim3)＞ToalPop(tim3-tG)并且ToalPop(tim3)＞ToalPop(tim3+tG)且ToalPop(tim3)＞PopAvg时，记areaMin和areaMax内于tim3时刻获取到的监测物理量分别为最小区域峰值和最大区域峰值；如果最小区域峰值和最大区域峰值所对应的时刻均在最近消耗时段time0内，则将最小区域峰值和最大区域峰值分别记为peakMin和peakMax，否则将最近消耗时段time0内areaMin的监测物理量的最大值记为peakMin、将在最近消耗时段time0内areaMax的监测物理量的最大值记为peakMax；其中，tim3为被搜索到的时刻，ToalPop(tim3)为在tim3时刻获取的用户数量，tG为用户数量获取的间隔时间；ToalPop(tim3-tG) 为在tim3-tG时刻获取的用户数量，ToalPop(tim3+tG) 为在tim3+tG时刻获取的用户数量；
取当前子区域对应的各个数字孪生区域的在最近消耗时段time0内所有的监测物理量的平均值记为peakMean；计算溢出值overflow：
overflow=||Peak(j)-peakMean|-(peakMax-peakMin)|；
其中，Peak(j)为当前子区域对应的第j个数字孪生区域在最近消耗时段time0内监测物理量的最大值，j为序号，j∈[1,N],N为当前子区域对应的数字孪生区域数量。
6.根据权利要求5所述的一种数字孪生多源数据异常监测方法，其特征在于，在S300中，通过溢出值标记出各个子区域的数字孪生区域中的异常数字孪生区域的方法为：
在j∈[1,N-1]的范围内遍历当前子区域对应的各个数字孪生区域，如果|Peak(j)-Peak(j+1)|≥overflow则将第j个数字孪生区域记为异常数字孪生区域，其中，Peak(j)为当前子区域对应的第j个数字孪生区域在最近消耗时段time0内监测物理量的最大值。
7.根据权利要求5所述的一种数字孪生多源数据异常监测方法，其特征在于，在S300中，通过溢出值标记出各个子区域的数字孪生区域中的异常数字孪生区域的方法为：
在j∈[1,N-1]的范围内遍历当前子区域对应的各个数字孪生区域，如果|Peak(j)-AVE(Adj(j))|≥overflow则将第j个数字孪生区域记为异常数字孪生区域；
AVE(Adj(j))是邻接监测值，AVE(Adj(j))的计算方法为：以第j个数字孪生区域的监测物理量的获取位置为点q1，以当前子区域的监测物理量的获取位置为点q2，以q1到q2的线段为半径、以q1为圆心的圆形范围内的所有子区域在最近消耗时段time0内的监测物理量的各个最大值的算术平均值作为AVE(Adj(j))；其中，Peak(j)为当前子区域对应的第j个数字孪生区域在最近消耗时段time0内监测物理量的最大值。
8.一种数字孪生多源数据异常监测系统，其特征在于，所述一种数字孪生多源数据异常监测系统包括：处理器、存储器及存储在所述存储器中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权利要求1-7中的任一项所述的一种数字孪生多源数据异常监测方法中的步骤，所述一种数字孪生多源数据异常监测系统可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心的计算设备中。
CN202211028720.XA 2022-08-26 2022-08-26 一种数字孪生多源数据异常监测方法及系统 Active CN115114342B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211028720.XA CN115114342B (zh) 2022-08-26 2022-08-26 一种数字孪生多源数据异常监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211028720.XA CN115114342B (zh) 2022-08-26 2022-08-26 一种数字孪生多源数据异常监测方法及系统

Publications (2)

Publication Number Publication Date
CN115114342A CN115114342A (zh) 2022-09-27
CN115114342B true CN115114342B (zh) 2022-11-15

Family

ID=83335761

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211028720.XA Active CN115114342B (zh) 2022-08-26 2022-08-26 一种数字孪生多源数据异常监测方法及系统

Country Status (1)

Country Link
CN (1) CN115114342B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116342814B (zh) * 2023-04-26 2023-11-24 宏景科技股份有限公司 基于数字孪生的智慧城市三维虚拟监控方法及系统
CN117151344B (zh) * 2023-10-26 2024-02-02 乘木科技(珠海)有限公司 一种数字孪生城市人口管理方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021222384A1 (en) * 2020-04-28 2021-11-04 Strong Force Intellectual Capital, Llc Digital twin systems and methods for transportation systems
CN114048600A (zh) * 2021-11-09 2022-02-15 苏州纽克斯电源技术股份有限公司 一种数字孪生驱动的多模型融合工业系统异常检测方法
CN114066673A (zh) * 2021-11-12 2022-02-18 国网河北省电力有限公司经济技术研究院 能源互联网数字孪生系统构建方法、装置及终端设备
CN114528367A (zh) * 2022-02-23 2022-05-24 重庆允丰科技有限公司 基于数字孪生的业务数据信息统计方法及计算机存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018111368A1 (en) * 2016-12-15 2018-06-21 Siemens Aktiengesellschaft Configuration and parameterization of energy control system
EP3809220B1 (en) * 2019-10-14 2023-01-18 Honda Research Institute Europe GmbH Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data
CN113298371B (zh) * 2021-05-19 2022-02-01 东华理工大学 一种基于数字孪生的工业产线辅助监管系统
CN113553312A (zh) * 2021-07-07 2021-10-26 杭州西奥电梯有限公司 一种基于电梯生产工艺的数字孪生建设方法
CN113742331A (zh) * 2021-10-11 2021-12-03 浙江数智交院科技股份有限公司 数字孪生船舶驱动方法和装置
CN113793234B (zh) * 2021-11-16 2022-02-15 中通服建设有限公司 基于数字孪生技术的智慧园区平台

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021222384A1 (en) * 2020-04-28 2021-11-04 Strong Force Intellectual Capital, Llc Digital twin systems and methods for transportation systems
CN114048600A (zh) * 2021-11-09 2022-02-15 苏州纽克斯电源技术股份有限公司 一种数字孪生驱动的多模型融合工业系统异常检测方法
CN114066673A (zh) * 2021-11-12 2022-02-18 国网河北省电力有限公司经济技术研究院 能源互联网数字孪生系统构建方法、装置及终端设备
CN114528367A (zh) * 2022-02-23 2022-05-24 重庆允丰科技有限公司 基于数字孪生的业务数据信息统计方法及计算机存储介质

Also Published As

Publication number Publication date
CN115114342A (zh) 2022-09-27

Similar Documents

Publication Publication Date Title
CN115114342B (zh) 一种数字孪生多源数据异常监测方法及系统
CN109634801A (zh) 数据趋势分析方法、系统、计算机装置及可读存储介质
CN106453492B (zh) 基于模糊模式识别的Docker容器云平台下的容器调度方法
Liu et al. Scalable prediction-based online anomaly detection for smart meter data
CN108280685B (zh) 信息获取方法和装置
CN108038040A (zh) 计算机集群性能指标检测方法、电子设备及存储介质
US20070156479A1 (en) Multivariate statistical forecasting system, method and software
US8135666B2 (en) Systems and methods for policy based execution of time critical data warehouse triggers
CN111611478B (zh) 信息推荐方法、装置和电子设备
CN104820630A (zh) 基于业务变化量的系统资源监控装置
CN107943582B (zh) 特征处理方法、装置、存储介质及电子设备
CN109684162A (zh) 设备状态预测方法、系统、终端及计算机可读存储介质
CN115524554A (zh) 一种智慧园区综合运营管理方法及系统
CN113052079B (zh) 一种基于人脸聚类的区域客流统计方法、系统、设备和介质
CN112347163A (zh) 高离散度sql动态基线告警方法及系统
CN116595756A (zh) 基于数字孪生的数据中心智能化运维方法及装置
CN109254895A (zh) 一种基于bmc的高性能服务器故障分析预测方法
CN115563522B (zh) 交通数据的聚类方法、装置、设备及介质
CN108614761A (zh) 基于业务模型的智慧应用系统服务器性能需求计算方法
CN115630834B (zh) 案件派遣方法、装置、电子设备及计算机可读存储介质
CN117009357A (zh) 智慧城市的物联网数据治理方法、装置、系统及介质
CN113220551A (zh) 指标趋势预测及预警方法、装置、电子设备及存储介质
CN109522349A (zh) 跨类型数据计算及共享方法、系统、设备
CN113901899A (zh) 一种人物群体行为分析方法、系统、设备和介质
US20140324349A1 (en) Weather determination system and method

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
GR01 Patent grant
GR01 Patent grant