CN116305741A - 一种用于电力设备数字孪生模型的更新方法及装置 - Google Patents
一种用于电力设备数字孪生模型的更新方法及装置 Download PDFInfo
- Publication number
- CN116305741A CN116305741A CN202211584385.1A CN202211584385A CN116305741A CN 116305741 A CN116305741 A CN 116305741A CN 202211584385 A CN202211584385 A CN 202211584385A CN 116305741 A CN116305741 A CN 116305741A
- Authority
- CN
- China
- Prior art keywords
- updating
- digital twin
- cost
- power equipment
- twin model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000008569 process Effects 0.000 claims abstract description 29
- 230000008447 perception Effects 0.000 claims abstract description 13
- 238000012423 maintenance Methods 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000001360 synchronised effect Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000013139 quantization Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000001668 ameliorated effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
-
- 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
- G06F16/23—Updating
-
- 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
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种用于电力设备数字孪生模型的更新方法及装置，包括：确定电力设备数字孪生模型可量化的更新成本指标；根据所述更新成本指标，构建用于电力设备数字孪生建模更新的成本模型；通过所述成本模型，确定所述电力设备数字孪生模型的更新代价；通过比较所述电力设备数字孪生模型的多源感知数据和更新过程故障，确定电力设备数字孪生模型的准确性指标；通过设置所述更新代价与准确性指标的权重，以及更新时间间隔，完成电力设备数字孪生模型的更新。实现前端信息采集场景下的动态平衡数字孪生模型分钟级更新。
Description
技术领域
本申请涉及数字孪生领域，具体涉及一种用于电力设备数字孪生模型的更新方法及装置。
背景技术
在新型电力系统建设过程中，因其电源结构、电网形态、负荷特性发生了深刻变化，面临着采集控制对象规模更大、环节更多、时效要求更高、源荷双侧随机性更强等一系列挑战。在源网荷储协同互动(如源荷储特性预测、分布式资源消纳和配电网承载能力分析等)、配电网规划(如源荷耦合出力推演、配电网近-中-远期负荷预测、多层多级“集中-分布”协调的配电网规划等)、电网应急抢险保供(如电网设施在极端天气情况下的稳定性推演分析、高负荷状态下的承压应急能力预测分析、多能源接入的灾后资源调配优化与负荷及时恢复等)、电力市场交易(如电力交易场景和规则配置、市场主模型报价模拟、市场出清模拟、结果评估等)等多种典型业务场景下可结合数字孪生技术，运用数据驱动和机理驱动相结合的方法，在数字空间打造与物理实模型“实时一致”的数字孪生系统，实现对新型电力系统全环节实时动态呈现、模拟和决策，满足新型电力系统海量发供用对象分层分级协同控制和全要素精益化管理的需要，支撑各类能源资源在更大空间、更大时间范围内的优化配置。电力设备数字孪生模型的构建，可实现对电力设备的全生命周期过程的实时更新与动态演化，将有效提高电力设备设计生产质量和效率、保障电力设备运行可靠性、降低电力设备健康管理与故障诊断成本。
电力设备数字孪生模型构建完成后，在实际应用过程中，需与物理世界电力设备保持一致，电力设备更新数据一般包含在线监测数据、带电检测数据、预防性试验数据等，具有数据量大、增长迅速、类型众多、价值密度稀疏等特点。因此亟需研究速度快、成本低的电力设备数字孪生模型更新方法，有助于在未来电力设备数字孪生模型在实时掌握设备运行状况相关的特征参数和潜在风险。
发明内容
针对上述技术问题，本申请提供一种用于电力设备数字孪生模型的更新方法，包括：
确定电力设备数字孪生模型可量化的更新成本指标；
根据所述更新成本指标，构建用于电力设备数字孪生建模更新的成本模型；通过所述成本模型，确定所述电力设备数字孪生模型的更新代价；
通过比较所述电力设备数字孪生模型的多源感知数据和更新过程故障，确定电力设备数字孪生模型的准确性指标；
通过设置所述更新代价与准确性指标的权重，以及更新时间间隔，完成电力设备数字孪生模型的更新。
进一步的，在确定电力设备数字孪生模型可量化的更新成本指标的步骤之前，还包括：
确定电力设备数字孪生模型的更新维护消耗成本。
进一步的，所述更新成本指标，包括：多源数据的采集成本、特征处理算力成本、通信成本、人工维护成本及高级应用成本。
进一步的，通过比较所述电力设备数字孪生模型的多源感知数据和更新过程故障，确定电力设备数字孪生模型的准确性指标，包括：
通过状态比较法，验证所述多源感知数据和更新过程故障的同步状态，确定电力设备数字孪生模型的准确性指标。
进一步的，所述状态比较法，验证所述多源感知数据和更新过程故障的同步状态，包括：
设电力设备数字孪生模型由m个设备组成，则具备最多
条边，用wj表示第j条边的权重，则所有时刻t的物理设备的l条边可表示为一个向量：
w(t)＝(w1(t),w2(t),w3(t),...wl(t))
定义电力设备数字孪生模型在时刻t的边权重为：
w'(t)＝(w'1(t),w'2(t),w'3(t),...w'l(t))
定义矩阵distance()来衡量w(t)与w'(t)间的欧式距离作为数字孪生模型与物理设备之间的距离：
设定比较时间间隔q，阈值p，来进行状态比较，
将t划分为n个时间间隔q，在(1，n)期间进行状态比较，计算此次更新代价成本，如果distance(w(t),w'(t))≥p，则电力设备数字孪生模的状态进行更新，反之则不更新。
本发明同时提供一种用于电力设备数字孪生模型的更新装置，包括：
更新成本指标确定单元，用于确定电力设备数字孪生模型可量化的更新成本指标；
更新代价确定单元，用于根据所述更新成本指标，构建用于电力设备数字孪生建模更新的成本模型；通过所述成本模型，确定所述电力设备数字孪生模型的更新代价；
准确性指标确定单元，用于通过比较所述电力设备数字孪生模型的多源感知数据和更新过程故障，确定电力设备数字孪生模型的准确性指标；
更新单元，用于通过设置所述更新代价与准确性指标的权重，以及更新时间间隔，完成电力设备数字孪生模型的更新。
进一步的，还包括：
消耗成本确定单元，用于确定电力设备数字孪生模型的更新维护消耗成本。
进一步的，所述更新成本指标，包括：多源数据的采集成本、特征处理算力成本、通信成本、人工维护成本及高级应用成本。
进一步的，准确性指标确定单元，包括：
状态比较子单元，用于通过状态比较法，验证所述多源感知数据和更新过程故障的同步状态，确定电力设备数字孪生模型的准确性指标。
进一步的，准确性指标确定单元，包括：
向量表示子单元，用于设电力设备数字孪生模型由m个设备组成，则具备最多
条边，用wj表示第j条边的权重，则所有时刻t的物理设备的l条边可表示为一个向量：
w(t)＝(w1(t),w2(t),w3(t),...wl(t))
边权重定义子单元，用于定义电力设备数字孪生模型在时刻t的边权重为：
w'(t)＝(w'1(t),w'2(t),w'3(t),...w'l(t))
距离衡量子单元，用于定义矩阵distance()来衡量w(t)与w'(t)间的欧式距离作为数字孪生模型与物理设备之间的距离：
间隔和阈值设定子单元，用于设定比较时间间隔q，阈值p，来进行状态比较；
更新子单元，用于将t划分为n个时间间隔q，在(1，n)期间进行状态比较，计算此次更新代价成本，如果distance(w(t),w'(t))≥p，则电力设备数字孪生模的状态进行更新，反之则不更新。
本发明提供的一种用于电力设备数字孪生模型的更新方法及装置，基于更新代价及准确性两项指标，明确电力设备数字孪生模型的更新过程，由更新过程明确更新所需代价。然后构建数字孪生模型的准确性指标，经由准确性指标构建数字孪生模型与真实世界状态比较方法，形成具有可信度的量化阈值；最后基于前述更新代价模型与准确性量化指标，实现前端信息采集场景下的动态平衡数字孪生模型分钟级更新。
附图说明
图1是本申请提供的一种用于电力设备数字孪生模型的更新方法的流程示意图；
图2是本申请涉及的电力设备数字孪生模型的更新过程；
图3是本申请提供的一种用于电力设备数字孪生模型的更新装置的结构示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。
图1是本申请提供的一种用于电力设备数字孪生模型的更新方法的流程示意图，下面结合图1对本申请提供的方法进行详细说明。
步骤S101，确定电力设备数字孪生模型可量化的更新成本指标。
首先确定电力设备数字孪生模型的更新维护消耗成本，包含但不限于：传感器维护及数据上传、通信环境保障及日常运维、非就地化传感数据人工更新、主站服务器运算消耗及其他人力成本等。
其次，完成基于更新代价与准确性动态平衡的数字孪生模型更新技术，需要构建可量化的更新成本指标及数字孪生模型准确性指标。对于更新代价的成本指标方面，首先明确数字孪生模型更新过程，如下图2所示。
所述更新成本指标，包括：多源数据的采集成本、特征处理算力成本、通信成本、人工维护成本及高级应用成本。
步骤S102，根据所述更新成本指标，构建用于电力设备数字孪生建模更新的成本模型；通过所述成本模型，确定所述电力设备数字孪生模型的更新代价。
依托上述五个更新成本指标，构建用于电力设备数字孪生建模更新的成本模型；通过所述成本模型，确定所述电力设备数字孪生模型的更新代价；实现数字孪生建模更新代价的可解释性与量化。
步骤S103，通过比较所述电力设备数字孪生模型的多源感知数据和更新过程故障，确定电力设备数字孪生模型的准确性指标。
通过状态比较法，验证所述多源感知数据和更新过程故障的同步状态，确定电力设备数字孪生模型的准确性指标。
关于电力设备数字孪生模型准确性指标，主要是电力设备数字孪生模型数据感知能力和更新过程故障两个因素影响电力设备数字孪生模型更新，可通过状态比较方法来判定电力设备数字孪生模型准确性。
感知能力：主要是指由于感知瓶颈、间接感知能力不足、传感器损坏或更新频率不够导致数字孪生模型无法即时反映设备状态变化。由于基于数字孪生的分析或评估依赖于更新的时序历史数据，数据感知能力在两次连续更新间的任意时间点无法准确感知到数据，进而影响到数字孪生模型的分析准确性。其中感知瓶颈可通过提高感知网络带宽、数字孪生模型存储性能等方法加以改善；间接感知能力不足可通过增加缺损数据补全算法的准确性或增加传感器等方法解决；传感器损坏可通过在感知空白超过预定阈值时采用相邻传感器通过数据补全进行临时性替代；更新频率不够可通过增加感知更新频率进行改善。
更新过程故障：由于更新同步故障导致数字孪生模型不能准确反映物理系统实际运行状态，并因此产生数字孪生模型与物理世界电力设备运行状态脱离的现象。更新过程故障时间过长累积将导致数字孪生系统物理系统的大幅度偏离。为避免该情况的发生，可使用多源感知数据来验证二者的同步状态。
状态比较主要是指通过量化数字孪生模型与实际物理设备的知识相似度来评价二者的状态相似度，可通过交互感知来实现。
本方法采用无向含权图来表示物理设备间的数据交互，并以该图作为由多个设备形成子系统的建模知识。在该图中，每个顶点代表一个物理设备的数字孪生模型，每条边的权重代表设备间的交互强度，并以该权重代表设备间的交互历史及交互趋势。对任何设备i来说，如果其与某设备j的连接路径具备较高的权重值，则表示设备i不但历史上与设备j交互较多，且未来仍可能与设备j而非其他低权重设备保持相同强度的交互。
设电力设备数字孪生模型由m个设备组成，则具备最多
条边，用wj表示第j条边的权重，则所有时刻t的物理设备的l条边可表示为一个向量：
w(t)＝(w1(t),w2(t),w3(t),...wl(t))
定义电力设备数字孪生模型在时刻t的边权重为：
w'(t)＝(w'1(t),w'2(t),w'3(t),...w'l(t))
定义矩阵distance()来衡量w(t)与w'(t)间的欧式距离作为数字孪生模型与物理设备之间的距离：
设定比较时间间隔q，阈值p，来进行状态比较，
将t划分为n个时间间隔q，在(1，n)期间进行状态比较，计算此次更新代价成本，如果distance(w(t),w'(t))≥p，则电力设备数字孪生模的状态进行更新，反之则不更新。
步骤S104，通过设置所述更新代价与准确性指标的权重，以及更新时间间隔，完成电力设备数字孪生模型的更新。
基于同一发明构思，本发明同时提供一种用于电力设备数字孪生模型的更新装300，如图3所示，包括：
更新成本指标确定单元310，用于确定电力设备数字孪生模型可量化的更新成本指标；
更新代价确定单元320，用于根据所述更新成本指标，构建用于电力设备数字孪生建模更新的成本模型；通过所述成本模型，确定所述电力设备数字孪生模型的更新代价；
准确性指标确定单元330，用于通过比较所述电力设备数字孪生模型的多源感知数据和更新过程故障，确定电力设备数字孪生模型的准确性指标；
更新单元340，用于通过设置所述更新代价与准确性指标的权重，以及更新时间间隔，完成电力设备数字孪生模型的更新。
进一步的，还包括：
消耗成本确定单元，用于确定电力设备数字孪生模型的更新维护消耗成本。
进一步的，所述更新成本指标，包括：多源数据的采集成本、特征处理算力成本、通信成本、人工维护成本及高级应用成本。
进一步的，准确性指标确定单元，包括：
状态比较子单元，用于通过状态比较法，验证所述多源感知数据和更新过程故障的同步状态，确定电力设备数字孪生模型的准确性指标。
进一步的，准确性指标确定单元，包括：
向量表示子单元，用于设电力设备数字孪生模型由m个设备组成，则具备最多
条边，用wj表示第j条边的权重，则所有时刻t的物理设备的l条边可表示为一个向量：
w(t)＝(w1(t),w2(t),w3(t),...wl(t))
边权重定义子单元，用于定义电力设备数字孪生模型在时刻t的边权重为：
w'(t)＝(w'1(t),w'2(t),w'3(t),...w'l(t))
距离衡量子单元，用于定义矩阵distance()来衡量w(t)与w'(t)间的欧式距离作为数字孪生模型与物理设备之间的距离：
间隔和阈值设定子单元，用于设定比较时间间隔q，阈值p，来进行状态比较；
更新子单元，用于将t划分为n个时间间隔q，在(1，n)期间进行状态比较，计算此次更新代价成本，如果distance(w(t),w'(t))≥p，则电力设备数字孪生模的状态进行更新，反之则不更新。
本发明提供的一种用于电力设备数字孪生模型的更新方法及装置，基于更新代价及准确性两项指标，明确电力设备数字孪生模型的更新过程，由更新过程明确更新所需代价。然后构建数字孪生模型的准确性指标，经由准确性指标构建数字孪生模型与真实世界状态比较方法，形成具有可信度的量化阈值；最后基于前述更新代价模型与准确性量化指标，实现前端信息采集场景下的动态平衡数字孪生模型分钟级更新。
最后应该说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种用于电力设备数字孪生模型的更新方法，其特征在于，包括：
确定电力设备数字孪生模型可量化的更新成本指标；
根据所述更新成本指标，构建用于电力设备数字孪生建模更新的成本模型；通过所述成本模型，确定所述电力设备数字孪生模型的更新代价；
通过比较所述电力设备数字孪生模型的多源感知数据和更新过程故障，确定电力设备数字孪生模型的准确性指标；
通过设置所述更新代价与准确性指标的权重，以及更新时间间隔，完成电力设备数字孪生模型的更新。
2.根据权利要求1所述的方法，其特征在于，在确定电力设备数字孪生模型可量化的更新成本指标的步骤之前，还包括：
确定电力设备数字孪生模型的更新维护消耗成本。
3.根据权利要求1所述的方法，其特征在于，所述更新成本指标，包括：多源数据的采集成本、特征处理算力成本、通信成本、人工维护成本及高级应用成本。
4.根据权利要求1所述的方法，其特征在于，通过比较所述电力设备数字孪生模型的多源感知数据和更新过程故障，确定电力设备数字孪生模型的准确性指标，包括：
通过状态比较法，验证所述多源感知数据和更新过程故障的同步状态，确定电力设备数字孪生模型的准确性指标。
5.根据权利要求1所述的方法，其特征在于，所述状态比较法，验证所述多源感知数据和更新过程故障的同步状态，包括：
设电力设备数字孪生模型由m个设备组成，则具备最多
条边，用wj表示第j条边的权重，则所有时刻t的物理设备的l条边可表示为一个向量：
w(t)＝(w1(t),w2(t),w3(t),...wl(t))
定义电力设备数字孪生模型在时刻t的边权重为：
w'(t)＝(w'1(t),w'2(t),w'3(t),...w'l(t))
定义矩阵distance()来衡量w(t)与w'(t)间的欧式距离作为数字孪生模型与物理设备之间的距离：
设定比较时间间隔q，阈值p，来进行状态比较，
将t划分为n个时间间隔q，在(1，n)期间进行状态比较，计算此次更新代价成本，如果distance(w(t),w'(t))≥p，则电力设备数字孪生模的状态进行更新，反之则不更新。
6.一种用于电力设备数字孪生模型的更新装置，其特征在于，包括：
更新成本指标确定单元，用于确定电力设备数字孪生模型可量化的更新成本指标；
更新代价确定单元，用于根据所述更新成本指标，构建用于电力设备数字孪生建模更新的成本模型；通过所述成本模型，确定所述电力设备数字孪生模型的更新代价；
准确性指标确定单元，用于通过比较所述电力设备数字孪生模型的多源感知数据和更新过程故障，确定电力设备数字孪生模型的准确性指标；
更新单元，用于通过设置所述更新代价与准确性指标的权重，以及更新时间间隔，完成电力设备数字孪生模型的更新。
7.根据权利要求6所述的装置，其特征在于，还包括：
消耗成本确定单元，用于确定电力设备数字孪生模型的更新维护消耗成本。
8.根据权利要求6所述的装置，其特征在于，所述更新成本指标，包括：多源数据的采集成本、特征处理算力成本、通信成本、人工维护成本及高级应用成本。
9.根据权利要求6所述的装置，其特征在于，准确性指标确定单元，包括：
状态比较子单元，用于通过状态比较法，验证所述多源感知数据和更新过程故障的同步状态，确定电力设备数字孪生模型的准确性指标。
10.根据权利要求6所述的装置，其特征在于，准确性指标确定单元，包括：
向量表示子单元，用于设电力设备数字孪生模型由m个设备组成，则具备最多
条边，用wj表示第j条边的权重，则所有时刻t的物理设备的l条边可表示为一个向量：
w(t)＝(w1(t),w2(t),w3(t),...wl(t))
边权重定义子单元，用于定义电力设备数字孪生模型在时刻t的边权重为：
w'(t)＝(w'1(t),w'2(t),w'3(t),...w'l(t))
距离衡量子单元，用于定义矩阵distance()来衡量w(t)与w'(t)间的欧式距离作为数字孪生模型与物理设备之间的距离：
间隔和阈值设定子单元，用于设定比较时间间隔q，阈值p，来进行状态比较；
更新子单元，用于将t划分为n个时间间隔q，在(1，n)期间进行状态比较，计算此次更新代价成本，如果distance(w(t),w'(t))≥p，则电力设备数字孪生模的状态进行更新，反之则不更新。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211584385.1A CN116305741A (zh) | 2022-12-09 | 2022-12-09 | 一种用于电力设备数字孪生模型的更新方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211584385.1A CN116305741A (zh) | 2022-12-09 | 2022-12-09 | 一种用于电力设备数字孪生模型的更新方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116305741A true CN116305741A (zh) | 2023-06-23 |
Family
ID=86831189
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211584385.1A Pending CN116305741A (zh) | 2022-12-09 | 2022-12-09 | 一种用于电力设备数字孪生模型的更新方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116305741A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117238038A (zh) * | 2023-11-15 | 2023-12-15 | 山东海博科技信息系统股份有限公司 | 一种基于数字孪生技术的数据监测系统 |
-
2022
- 2022-12-09 CN CN202211584385.1A patent/CN116305741A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117238038A (zh) * | 2023-11-15 | 2023-12-15 | 山东海博科技信息系统股份有限公司 | 一种基于数字孪生技术的数据监测系统 |
| CN117238038B (zh) * | 2023-11-15 | 2024-01-26 | 山东海博科技信息系统股份有限公司 | 一种基于数字孪生技术的数据监测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111177101B (zh) | 一种基于大数据架构的配电网多维可视化平台 | |
| CN110929918B (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
| CN113156917B (zh) | 基于人工智能的电网设备故障诊断方法及系统 | |
| CN105740975A (zh) | 一种基于数据关联关系的设备缺陷评估与预测方法 | |
| CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
| CN111861023A (zh) | 基于统计学的混合风电功率预测方法、装置 | |
| CN105574604A (zh) | 一种面向电网运行事件的监控预判分析系统 | |
| CN116305741A (zh) | 一种用于电力设备数字孪生模型的更新方法及装置 | |
| CN113705897B (zh) | 一种面向工业铜箔生产的产品质量预测方法及系统 | |
| CN112949201B (zh) | 一种风速预测方法、装置、电子设备及存储介质 | |
| CN112434887B (zh) | 一种结合网络核密度估计和svm的供水管网风险预测方法 | |
| CN111612227A (zh) | 一种基于K-means聚类与蝙蝠优化神经网络的负荷预测方法 | |
| CN116611702A (zh) | 一种面向楼宇综合能源管理的集成学习光伏发电预测方法 | |
| CN111026624A (zh) | 电网信息系统的故障预测方法、装置 | |
| CN104700218A (zh) | 用于确定电网分区数量以及电网分区的方法和系统 | |
| CN112801352A (zh) | 一种面向海上风机场内协同控制的功率预测方法 | |
| CN106777494B (zh) | 一种电力系统可靠性影响因素灵敏度计算方法 | |
| CN117113157B (zh) | 一种基于人工智能的台区用电故障检测系统 | |
| CN117131947B (zh) | 架空输电线路故障预测方法、装置、设备及存储介质 | |
| CN117852229B (zh) | 含新能源的配电网供电可靠性影响因素分析方法及系统 | |
| CN117808272B (zh) | 一种基于机器学习的工业系统产能优化与调度方法和系统 | |
| CN117791626B (zh) | 一种智能综合电力箱电力供给优化方法 | |
| Lijuan | Research on Algorithm and Modification of Elman Network Based on Fuzzy Classification and Short-Term Electricity Consumption Prediction | |
| CN117591388A (zh) | 基于算力架构的电力设备控制方法及系统 | |
| Li et al. | Dynamic Wind Farm Power Prediction Method Based on Cluster Analysis |
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 |