CN115204057A - 一种面向输变电设备的数字孪生多层次模型构建方法 - Google Patents
一种面向输变电设备的数字孪生多层次模型构建方法 Download PDFInfo
- Publication number
- CN115204057A CN115204057A CN202210909578.3A CN202210909578A CN115204057A CN 115204057 A CN115204057 A CN 115204057A CN 202210909578 A CN202210909578 A CN 202210909578A CN 115204057 A CN115204057 A CN 115204057A
- Authority
- CN
- China
- Prior art keywords
- model
- power transmission
- granularity
- level
- transformation equipment
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Graphics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种面向输变电设备的数字孪生多层次模型构建方法,所述方法包括:步骤1、基于输变电系统中不同设备的功能和重要性,将输变电设备划分为不同的层次;在层次划分的基础上各设备的模型划分不同的粒度;步骤2、构建输变电设备最细粒度的几何模型、物理模型、行为模型和规则模型;步骤3、根据输变电设备不同粒度模型之间的关系,由细粒度模型构建粗粒度的模型;步骤4、将输变电设备模型通过聚合解聚法进行集成与融合;解决了传统数字孪生模型采用高保真模型,使模型运行速度较慢,不能满足数字孪生实时性、采用单一粒度模型不能满足输变电设备模型运行的多样性需求等问题。
Description
技术领域
本发明属于电力系统建模技术领域,尤其涉及一种面向输变电设备的数字孪生多层次模型构建方法。
背景技术
输变电设备作为电网中的电能输送和传输的枢纽设备,其运行的可靠性直接关系到电网的安全稳定运行。因此,及时掌握输变电设备当前的运行状态以及未来一段时间的运行趋势,实现对设备运行状态的准确评估,对于保证设备安全可靠运行具有重要意义。输变电设备的可靠性是电网安全运行的基础,但是当前的技术不足以满足电力设备海量化、差异化、精细化的运行需求,可能对设备的状态无法进行准确的监控与估计,从而造成巨大的人力、物力资源的浪费。随着计算机技术与现代信息技术的快速迭代,涉及计算机、信息通信、数字表达、人工智能、数据挖掘等的交叉融合应用也快速发展。工业互联网、物联网等新兴技术和产业的落地应用,推动了计算机技术与传统工业设计制造工业的深度交叉融合。基于计算机技术实现物理世界与数字信息世界之间的数据传递与虚实映射,成为重要的研究课题,在此背景下,数字孪生(digital twin,DT)技术应运而生,且已经被应用至卫星技术、远程手术、智能汽车、材料制造、设备维修与故障诊断、复杂工业自动化控制系统等多个方面。而在电力设备管理中,数字孪生技术为解决输变电设备管理中的问题提供了新的思路和技术手段。
模型是数字孪生的重要组成部分,是实现数字孪生功能的重要前提。当前的数字模型的建模大多关注系统单一层级的对象,对于复杂系统的数字孪生缺乏从“单元级-系统级-复杂系统级”多层次角度对模型组装与融合的方法研究。对于单个物理对象,通常构建高保真度的模型来达到接近物理实体的效果,但高保真的模型意味着需要大量的计算资源,与数字孪生“实时”的理念相违背。复杂的物理系统通常具有多层次、多学科、多尺度的特性,仅关注单一层级的模型无法构建整体复杂系统的模型。模型的保真度也不是越高越好,而是需要根据应用场景和生产需求来确定。然而,在电力行业中,数字孪生技术仍处于初级阶段,如何构建输变电设备的数字孪生模型,在当前缺少通用准则和理论体系来参考和指导;传统数字孪生模型采用高保真模型,使模型运行速度较慢,不能满足数字孪生实时性、采用单一粒度模型不能满足输变电设备模型运行的多样性需求等问题。
发明内容
本发明要解决的技术问题是:提供一种面向输变电设备的数字孪生多层次模型构建方法,以解决传统数字孪生模型采用高保真模型,使模型运行速度较慢,不能满足数字孪生实时性、采用单一粒度模型不能满足输变电设备模型运行的多样性需求等问题。
本发明的技术方案是:
一种面向输变电设备的数字孪生多层次模型构建方法,所述方法包括:
步骤1、基于输变电系统中不同设备的功能和重要性,将输变电设备划分为不同的层次;在层次划分的基础上各设备的模型划分不同的粒度;
步骤2、构建输变电设备最细粒度的几何模型、物理模型、行为模型和规则模型;
步骤3、根据输变电设备不同粒度模型之间的关系,由细粒度模型构建粗粒度的模型;
步骤4、将输变电设备模型通过聚合解聚法进行集成与融合。
将输变电设备在物理结构层次上划分为变电层、传输层和保护层;变电层是指电力系统中直接生产和转换电能的设备;传输层是指负责输送电能的设备;保护层是开关设备以及限制故障电流和防御过电压的设备。
粒度划分为系统级、子系统级和设备级;系统级是指将输变电系统整体功能作为一个整体,是最粗粒度的模型;子系统级是组成系统级模型的各部分,包括变压器子系统、开关及保护子系统、测量子系统和传输子系统;设备级包括组成输变电系统的各种基本设备。
几何模型是利用三维激光扫描技术和三维建模软件3DMAX来构建;具体包括:以最细粒度为视点,利用三维激光扫描技术扫描各设备的基础零部件,保存为原始点云数据,数据保存格式为.las或.laz;将文件导入到3DMAX软件,利用点云数据生成3D模型,并添加材料、尺寸和装配关系属性,保存为.stl文件、
物理模型利用多物理场统一建模语言Modelica和有限元分析软件Ansys来构建;具体包括:导入几何模型.stl文件,对模型添加电场、磁场、流体和热力学物理域约束,然后进行网格剖分,施加载荷进行求解,利用POD方法进行模型降解。
行为模型包含输变电设备内部运行机制共同作用下产生的实时响应及行为,涉及问题模型、评估模型和决策模型构建;将输变电设备的行为描述为一系列随机事件,每个输变电设备用概率有限状态机PFSM来进行微观建模,状态的转换取决于设备间的协作特性,整体输变电系统的行为模型由PFSM组成,使用有限状态机FSM构建。
规则模型涉及基于历史关联数据的规律规则,将一个以上限制波尔兹曼机(RBM)进行堆叠并组合一个回归层构成深度学习网络,将输变电设备的传感器数据按时间序列输入网络,利用无监督贪婪机制自底向上地逐层训练,通过计算和重构各节点权值完成每层RBM训练,将底层特征向高层特征转化,最终送入至顶层的回归层;训练完成后进行反向微调,自顶向下地微调网络权值来降低误差。
不同粒度模型之间的关系基于形式化语言MRMS描述,同一输变电设备不同粒度模型的接口描述如下:
MFE=<γ,{Mr},{Ri,j}>
其中,γ标识模型粒度的集合,也作为模型的索引;Mr表示实体E的分辨率为γ的模型;Ri,j表示不同粒度模型之间的联系,表示粒度为i的模型的输出与粒度为j的模型的输入的关系;基于模块化设计,同一输变电设备的不同粒度模型之间只能通过输入输出接口进行协调,任何模型都不能访问其他模型的内部信息。
由细粒度模型聚合为粗粒度模型基于MRMS耦合模型实现,具体包含:
将输变电设备模型通过聚合解聚法进行集成与融合的方法包括:
步骤4.1、确定聚合解聚对象,系统级粒度到子系统级粒度到设备级粒度,粒度从粗到细;解聚模型将在运行时将粗粒度模型解聚为细粒度模型,聚合模型将在运行时将细粒度模型聚合为粗粒度模型;
步骤4.2、确定聚合解聚时机,根据模型运行需求对每种输变电设备的不同粒度模型设置运行阈值,当运行需求低于阈值,模型运行在粗粒度,高于阈值将触发解聚,并向粗粒度模型发送解聚命令,解聚为细粒度模型;步骤4.3、确定交互方式,未接受到不同粒度模型交互请求时,模型与运行在系统级粒度,在未达到地域时间等解聚触发条件、未接收到外界粒度交互及人工触发的情况下,只需处理当前粒度模型属性更新过程,当模型运行需求高于系统级模型阈值,模型粒度切换子系统级,通过聚合解聚算子进行属性映射;交互完成后,返回系统级模型。
本发明的有益效果:
通过对模型的层次化模块化分析,将复杂设备的模型构建成多粒度,从细致描述到简单描述,利用聚合解聚构建模型间的关系,使不同粒度的模型聚合为整体的模型。
本发明基于多粒度建模思想,对于输变电设备的数字孪生模型,构建输变电设备不同粒度的模型,模型通过聚合解聚法实现融合,进而实现数字孪生模型的构建。
本发明解决了传统数字孪生模型采用高保真模型,使模型运行速度较慢,不能满足数字孪生实时性、采用单一粒度模型不能满足输变电设备模型运行的多样性需求等问题。
附图说明
图1为本发明流程示意图。
具体实施方式
如图1所示,一种面向输变电设备的数字孪生多层次模型构建方法,其包括步骤:
(1)首先基于输变电系统中不同设备的功能和重要性,对输变电设备划分为不同的层次;在层次划分的基础上各设备的模型划分不同的粒度。
基于输变电设备不同功能与重要性,将输变电系统在物理结构层次上划分为变电层、传输层、保护层。变电层是指电力系统中直接生产和转换电能的设备。传输层是指负责输送电能的设备。保护层是开关设备以及限制故障电流和防御过电压的设备。
在层次划分的基础上,将输变电设备的粒度划分为系统级、子系统级、设备级。其中,系统级是指将输变电系统整体功能作为一个整体,是最粗粒度的模型。子系统级是组成系统级模型的各部分,包括变压器子系统、开关及保护子系统、测量子系统、传输子系统。设备级主要包括组成输变电系统的各种基本设备。
(2)构建输变电设备最细粒度的几何模型、物理模型、行为模型、规则模型。
利用三维激光扫描技术和三维建模软件3DMAX来构建几何模型,具体包括:以最细粒度为视点,利用三维激光扫描技术扫描各设备的基础零部件,保存为原始点云数据,数据保存格式为.las或.laz。将文件导入到3DMAX软件,利用点云数据生成3D模型,并添加材料、尺寸和装配关系属性,保存为.stl文件。
利用多物理场统一建模语言Modelica和有限元分析软件Ansys来构建物理模型,具体包括:导入几何模型.stl文件,对模型添加电场、磁场、流体、热力学等物理域约束,然后进行网格剖分,施加载荷进行求解。利用POD方法进行模型降解。
输变电设备的行为模型包含输变电设备内部运行机制共同作用下产生的实时响应及行为,其涉及问题模型、评估模型、决策模型构建。将输变电设备的行为描述为一系列随机事件,每个输变电设备用概率有限状态机(PFSM)来进行微观建模,状态的转换取决于设备间的协作特性,整体输变电系统的行为模型由PFSM组成,使用有限状态机(FSM)构建。
规则模型涉及基于历史关联数据的规律规则,将多个限制波尔兹曼机(RBM)进行堆叠并组合一个回归层构成深度学习网络,将输变电设备的传感器数据按时间序列输入网络,利用无监督贪婪机制自底向上地逐层训练,通过计算和重构各节点权值完成每层RBM训练,将底层特征向高层特征转化,最终送入至顶层的回归层。训练完成后进行反向微调,自顶向下地微调网络权值来降低误差。
(3)根据输变电设备不同粒度模型之间的关系,由细粒度模型构建粗粒度的模型。
不同粒度模型之间的关系基于形式化语言MRMS描述。同一输变电设备不同粒度模型的接口描述如下:
MFE=<γ,{Mr},{Ri,j}>
其中,γ标识模型粒度的集合,也作为模型的索引。Mr表示实体E的分辨率为γ的模型。Ri,j表示不同粒度模型之间的联系,表示粒度为i的模型的输出与粒度为j的模型的输入的关系。基于模块化设计,同一输变电设备的不同粒度模型之间只能通过输入输出接口进行协调,任何模型都不能访问其他模型的内部信息。
由细粒度模型聚合为粗粒度模型基于MRMS耦合模型实现,具体包含:
(4)最后,将输变电设备模型通过聚合解聚法进行集成与融合。
模型运行过程利用聚合解聚法实现进行动态的粒度变换与整体系统模型融合,具体包含:
1.确定聚合解聚对象,系统级粒度到子系统级粒度到设备级粒度,其粒度从粗到细。解聚模型将在运行时将粗粒度模型解聚为细粒度模型,聚合模型将在运行时将细粒度模型聚合为粗粒度模型。
2.确定聚合解聚时机,根据模型运行需求对每种输变电设备的不同粒度模型设置运行阈值,当运行需求低于阈值,模型运行在粗粒度,高于阈值将触发解聚,并向粗粒度模型发送解聚命令,解聚为细粒度模型。
3.确定交互方式,未接受到不同粒度模型交互请求时,模型与运行在系统级粒度,在未达到地域时间等解聚触发条件、未接收到外界粒度交互及人工触发(朝细粒度方向切换)的情况下,只需处理当前粒度模型属性更新过程,当模型运行需求高于系统级模型阈值,模型粒度切换子系统级,通过聚合解聚算子进行属性映射。交互完成后,返回系统级模型。
Claims (10)
1.一种面向输变电设备的数字孪生多层次模型构建方法,其特征在于:所述方法包括:
步骤1、基于输变电系统中不同设备的功能和重要性,将输变电设备划分为不同的层次;在层次划分的基础上各设备的模型划分不同的粒度;
步骤2、构建输变电设备最细粒度的几何模型、物理模型、行为模型和规则模型;
步骤3、根据输变电设备不同粒度模型之间的关系,由细粒度模型构建粗粒度的模型;
步骤4、将输变电设备模型通过聚合解聚法进行集成与融合。
2.根据权利要求1所述的一种面向输变电设备的数字孪生多层次模型构建方法,其特征在于:将输变电设备在物理结构层次上划分为变电层、传输层和保护层;变电层是指电力系统中直接生产和转换电能的设备;传输层是指负责输送电能的设备;保护层是开关设备以及限制故障电流和防御过电压的设备。
3.根据权利要求1所述的一种面向输变电设备的数字孪生多层次模型构建方法,其特征在于:粒度划分为系统级、子系统级和设备级;系统级是指将输变电系统整体功能作为一个整体,是最粗粒度的模型;子系统级是组成系统级模型的各部分,包括变压器子系统、开关及保护子系统、测量子系统和传输子系统;设备级包括组成输变电系统的各种基本设备。
4.根据权利要求1所述的一种面向输变电设备的数字孪生多层次模型构建方法,其特征在于:几何模型是利用三维激光扫描技术和三维建模软件3DMAX来构建;具体包括:以最细粒度为视点,利用三维激光扫描技术扫描各设备的基础零部件,保存为原始点云数据,数据保存格式为.las或.laz;将文件导入到3DMAX软件,利用点云数据生成3D模型,并添加材料、尺寸和装配关系属性,保存为.stl文件。
5.根据权利要求1所述的一种面向输变电设备的数字孪生多层次模型构建方法,其特征在于:物理模型利用多物理场统一建模语言Modelica和有限元分析软件Ansys来构建;具体包括:导入几何模型.stl文件,对模型添加电场、磁场、流体和热力学物理域约束,然后进行网格剖分,施加载荷进行求解,利用POD方法进行模型降解。
6.根据权利要求1所述的一种面向输变电设备的数字孪生多层次模型构建方法,其特征在于:行为模型包含输变电设备内部运行机制共同作用下产生的实时响应及行为,涉及问题模型、评估模型和决策模型构建;将输变电设备的行为描述为一系列随机事件,每个输变电设备用概率有限状态机PFSM来进行微观建模,状态的转换取决于设备间的协作特性,整体输变电系统的行为模型由PFSM组成,使用有限状态机FSM构建。
7.根据权利要求1所述的一种面向输变电设备的数字孪生多层次模型构建方法,其特征在于:规则模型涉及基于历史关联数据的规律规则,将一个以上限制波尔兹曼机(RBM)进行堆叠并组合一个回归层构成深度学习网络,将输变电设备的传感器数据按时间序列输入网络,利用无监督贪婪机制自底向上地逐层训练,通过计算和重构各节点权值完成每层RBM训练,将底层特征向高层特征转化,最终送入至顶层的回归层;训练完成后进行反向微调,自顶向下地微调网络权值来降低误差。
10.根据权利要求1所述的一种面向输变电设备的数字孪生多层次模型构建方法,其特征在于:将输变电设备模型通过聚合解聚法进行集成与融合的方法包括:
步骤4.1、确定聚合解聚对象,系统级粒度到子系统级粒度到设备级粒度,粒度从粗到细;解聚模型将在运行时将粗粒度模型解聚为细粒度模型,聚合模型将在运行时将细粒度模型聚合为粗粒度模型;
步骤4.2、确定聚合解聚时机,根据模型运行需求对每种输变电设备的不同粒度模型设置运行阈值,当运行需求低于阈值,模型运行在粗粒度,高于阈值将触发解聚,并向粗粒度模型发送解聚命令,解聚为细粒度模型;
步骤4.3、确定交互方式,未接受到不同粒度模型交互请求时,模型与运行在系统级粒度,在未达到地域时间等解聚触发条件、未接收到外界粒度交互及人工触发的情况下,只需处理当前粒度模型属性更新过程,当模型运行需求高于系统级模型阈值,模型粒度切换子系统级,通过聚合解聚算子进行属性映射;交互完成后,返回系统级模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210909578.3A CN115204057B (zh) | 2022-07-29 | 2022-07-29 | 一种面向输变电设备的数字孪生多层次模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210909578.3A CN115204057B (zh) | 2022-07-29 | 2022-07-29 | 一种面向输变电设备的数字孪生多层次模型构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115204057A true CN115204057A (zh) | 2022-10-18 |
CN115204057B CN115204057B (zh) | 2023-07-21 |
Family
ID=83586513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210909578.3A Active CN115204057B (zh) | 2022-07-29 | 2022-07-29 | 一种面向输变电设备的数字孪生多层次模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115204057B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116258026A (zh) * | 2023-05-16 | 2023-06-13 | 中国人民解放军国防科技大学 | 一种基于多分辨率通用兵力模型的聚合解聚系统和方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110312582A (zh) * | 2016-12-14 | 2019-10-08 | 德仕托金属有限公司 | 用于增材制造的材料体系 |
CN111104768A (zh) * | 2019-12-23 | 2020-05-05 | 中国人民解放军火箭军工程大学 | 一种基于数字孪生模型的时序类潜在问题识别方法及系统 |
CN111161410A (zh) * | 2019-12-30 | 2020-05-15 | 中国矿业大学(北京) | 一种矿井数字孪生模型及其构建方法 |
CN112462696A (zh) * | 2020-08-18 | 2021-03-09 | 江苏大学 | 一种智能制造车间数字孪生模型构建方法与系统 |
CN113139600A (zh) * | 2021-04-23 | 2021-07-20 | 广东安恒电力科技有限公司 | 基于联邦学习的智能电网设备异常检测方法和系统 |
CN113485156A (zh) * | 2021-06-17 | 2021-10-08 | 国家电网有限公司 | 一种变压器数字孪生云平台及其实现方法 |
CN113642236A (zh) * | 2021-08-10 | 2021-11-12 | 东华大学 | 一种面向多学科的数字孪生图网络建模方法 |
CN114118831A (zh) * | 2021-11-24 | 2022-03-01 | 平顶山天安煤业股份有限公司 | 一种基于数字孪生的输电线路管理系统 |
CN114202616A (zh) * | 2021-12-10 | 2022-03-18 | 国网冀北电力有限公司经济技术研究院 | 一种变电站数字孪生体的快速构建方法 |
US11367142B1 (en) * | 2017-09-28 | 2022-06-21 | DatalnfoCom USA, Inc. | Systems and methods for clustering data to forecast risk and other metrics |
-
2022
- 2022-07-29 CN CN202210909578.3A patent/CN115204057B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110312582A (zh) * | 2016-12-14 | 2019-10-08 | 德仕托金属有限公司 | 用于增材制造的材料体系 |
US11367142B1 (en) * | 2017-09-28 | 2022-06-21 | DatalnfoCom USA, Inc. | Systems and methods for clustering data to forecast risk and other metrics |
CN111104768A (zh) * | 2019-12-23 | 2020-05-05 | 中国人民解放军火箭军工程大学 | 一种基于数字孪生模型的时序类潜在问题识别方法及系统 |
CN111161410A (zh) * | 2019-12-30 | 2020-05-15 | 中国矿业大学(北京) | 一种矿井数字孪生模型及其构建方法 |
CN112462696A (zh) * | 2020-08-18 | 2021-03-09 | 江苏大学 | 一种智能制造车间数字孪生模型构建方法与系统 |
CN113139600A (zh) * | 2021-04-23 | 2021-07-20 | 广东安恒电力科技有限公司 | 基于联邦学习的智能电网设备异常检测方法和系统 |
CN113485156A (zh) * | 2021-06-17 | 2021-10-08 | 国家电网有限公司 | 一种变压器数字孪生云平台及其实现方法 |
CN113642236A (zh) * | 2021-08-10 | 2021-11-12 | 东华大学 | 一种面向多学科的数字孪生图网络建模方法 |
CN114118831A (zh) * | 2021-11-24 | 2022-03-01 | 平顶山天安煤业股份有限公司 | 一种基于数字孪生的输电线路管理系统 |
CN114202616A (zh) * | 2021-12-10 | 2022-03-18 | 国网冀北电力有限公司经济技术研究院 | 一种变电站数字孪生体的快速构建方法 |
Non-Patent Citations (4)
Title |
---|
RUIKANG WU: "Thermal modeling and comparative analysis of jet impingement liquid cooling for high power electronics", 《ELSEVIER》, pages 42 - 51 * |
李 洵: "基于深度学习的输变电设备状态检测综述", 上海电力大学学报, pages 264 - 268 * |
杨 帆: "数字孪生在电力装备领域中的应用与实现方法", 高电压技术, pages 1505 * |
王维锋;唐雪锋;张国辉;王渊;: "基于层次化建模的多粒度电台仿真模型", 信息通信, no. 01, pages 11 - 14 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116258026A (zh) * | 2023-05-16 | 2023-06-13 | 中国人民解放军国防科技大学 | 一种基于多分辨率通用兵力模型的聚合解聚系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115204057B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
He et al. | QoE-driven big data architecture for smart city | |
WO2021000556A1 (zh) | 一种工业设备剩余有效寿命预测方法、系统及电子设备 | |
Michel et al. | Stability of dynamical systems: On the role of monotonic and non-monotonic Lyapunov functions | |
CN115204057B (zh) | 一种面向输变电设备的数字孪生多层次模型构建方法 | |
CN114911870A (zh) | 一种面向多源异构工业数据的融合管理架构 | |
Yun et al. | Research on intelligent fault diagnosis of power acquisition based on knowledge graph | |
CN114282725A (zh) | 基于深度学习的瞬态油藏代理模型的构建及油藏预测方法 | |
CN110610019A (zh) | 转移概率部分未知的马尔科夫跳变系统的动力学分析方法 | |
CN115238568A (zh) | 一种数字孪生模型构建方法、装置及终端设备 | |
Sučić et al. | Semantic smart grid services: Enabling a standards-compliant Internet of energy platform with IEC 61850 and OPC UA | |
CN115481789A (zh) | 一种基于关联图谱的自动化集装箱码头装卸时间预测方法 | |
CN109165806A (zh) | 基于潮流动态转换的风险预警与电压优化调节系统和方法 | |
Rezaeian‐Marjani et al. | A generalized probabilistic multi‐objective method for optimal allocation of soft open point (SOP) in distribution networks | |
CN113177088A (zh) | 一种材料辐照损伤多尺度模拟大数据管理系统 | |
CN111652415A (zh) | 管控无人机地面控制站生产数据的信息物理系统集成模型 | |
Chen et al. | Novel fuzzy event-triggered adaptive control for nonlinear systems with input hysteresis | |
Kovalyov | Design and development of a power system digital twin: A model-based approach | |
Hou et al. | A federated learning-based fault detection algorithm for power terminals | |
Xiong et al. | Forecasting ultra‐short‐term wind power by multiview gated recurrent unit neural network | |
CN114707655A (zh) | 一种量子线路转换方法、系统、存储介质和电子设备 | |
CN113807027A (zh) | 一种风电机组健康状态评估模型、方法及系统 | |
Zhou et al. | Research on improving intelligent inspection efficiency of substation based on big data analysis | |
Zevin et al. | General solution of stability problem for plane linear switched systems and differential inclusions | |
Xu et al. | Integration of Information Models for Industrial Intemet Based on Extenics | |
Li et al. | Multi-source heterogeneous log fusion technology of power information system based on big data and imprecise reasoning theory |
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 |