CN117113729A - 一种基于数字孪生的电力设备在线状态监测系统 - Google Patents

Abstract

本发明涉及数据处理领域，具体涉及一种基于数字孪生的电力设备在线状态监测系统。该系统通过实时获取电力设备运行数据曲线，并在预设邻域范围获取数据点的关联数据曲线段；在关联数据曲线段中，根据数据点的变化趋势获取数据点的重要程度；根据重要程度筛选标记点，获取标记点在运行数据曲线中的分布特征；根据数据点的重要程度及标记点的分布特征获取每个数据点的调控阈值；基于道格拉斯算法，对运行数据曲线以所获得调控阈值进行抽稀，获取简化数据曲线；利用数字孪生模型对简化数据曲线预测，对异常情况进行预警及运行状态评估。本发明对电力设备运行数据曲线分析处理，减少数据冗余程度，实现实时监测及智能化预测评估。

Description

一种基于数字孪生的电力设备在线状态监测系统

技术领域

本发明涉及数据处理技术领域，具体涉及一种基于数字孪生的电力设备在线状态监测系统。

背景技术

在电力设备在线状态监测系统中，通常需要将采集处理得到的设备运行状态曲线数据输入到在线监测系统中，对设备的运行状态进行实时监测和分析，实现异常预警与预测评估。

由于电力设备在线数据的数据量及冗余程度较大，目前通常采用道格拉斯-普克算法对数据曲线简化处理，该方法根据预设算法阈值对数据曲线进行简化，进而减少数据计算量，实现实时监测；但传统的算法阈值是根据经验选择，易出现数据曲线过度简化和简化效果不明显的情况，影响对设备运行状态的实时判断预测评估。

发明内容

为了解决现有道格拉斯-普克算法因阈值选取导致曲线简化效果不佳，影响对设备运行状态的实时判断与预测评估的技术问题，本发明的目的在于提供一种基于数字孪生的电力设备在线状态监测系统技术领域，所采用的技术方案具体如下：

本发明提出一种基于数字孪生的电力设备在线状态监测系统，所述系统包括：

运行状态数据采集模块，用于实时获取电力设备的运行数据曲线；

运行状态数据分析模块，用于根据预设邻域范围内以所述运行数据曲线中每一点为中心点，获取每个数据点的关联数据曲线段；在所述关联数据曲线段中，根据每个数据点的变化趋势，获取每个数据点的重要程度；根据所述重要程度在数据点中筛选出标记点；在所述运行数据曲线中，以每个数据点做中心点，按预设尺寸构建窗口，获取所述标记点在每个所述窗口中的分布特征；

运行状态数据曲线简化模块，用于根据每个数据点的所述重要程度及对应所述窗口内的所述分布特征获取每个数据点的调控阈值；基于道格拉斯算法，对所述运行数据曲线以所述调控阈值进行抽稀简化，获取简化数据曲线；

在线状态监测模块，用于利用训练好的数字孪生模型中对所述简化数据曲线进行预测，根据预测结果对电力设备状态进行评估。

进一步地，所述获取每个数据点的重要程度包括：

获取数据点的幅值波动程度；

获取数据点与相邻数据点的斜率，根据所述关联数据曲线段中的斜率变化趋势获取斜率波动程度；

以所述斜率的平均值与最大值的比值作为调整权重；

根据所述幅值波动程度、所述斜率波动程度及所述调整权重获取所述重要程度；所述幅值波动程度、所述调整权重和所述斜率波动程度均与所述重要程度呈正相关关系。

进一步地，所述获取数据点的幅值波动程度包括：

在所述关联数据曲线段中，计算每个数据点幅值与平均幅值的幅值差异，并将所述幅值差异进行归一化，得到幅值波动程度。

进一步地，所述获取斜率波动程度包括：

在所述关联数据曲线段中，计算所述斜率的标准差，并将所述斜率标准差进行归一化，得到斜率波动程度。

进一步地，所述获取所述标记点在每个所述窗口中的分布特征包括：

获取所述标记点在所述窗口数据点中的占比和标记点的分布密集度；

将所述占比和所述分布密集度相乘得到所述分布特征。

进一步地，所述获取所述标记点的分布密集度包括：

以所述窗口内所有数据点的数量与所述标记点的数量的比值作为均匀分布距离；获取窗口内每两个相邻标记点之间的相邻距离；将所述相邻距离与所述均匀分布距离差异的平均值作为初始分布密集度；将所述初始分布密集度归一化获得所述分布密集度。

进一步地，所述根据每个数据点的所述重要程度及对应所述窗口内的所述分布特征获取每个数据点的调控阈值包括：

将所述重要程度与对应所述窗口内的所述分布特征相乘获取自适应调控阈值系数；将所述自适应调控阈值系数与预设经验调控阈值相乘获得所述自适应调控阈值。

进一步地，所述根据预测结果对电力设备状态进行评估包括：

获取所述预测结果对应时刻下的真实运行数据；根据所述真实运行数据与所述预测结果的差异判断当前电力设备是否存在异常。

本发明具有如下有益效果：

本发明考虑到现有的道格拉斯-普克算法阈值通常是根据经验选取的，易出现数据曲线过度简化和简化效果不明显的情况，进而影响对设备运行状态的实时判断预测评估。为获取道格拉斯-普克算法的调控阈值，本发明首先获取运行数据曲线，考虑到设备在正常和异常两种状态下的运行数据曲线变化趋势不一致，因此本发明通过在数据曲线中以预设范围获取每个数据点的关联数据曲线段，在关联数据曲线段中，分析数据点的变化趋势，获取每个数据点的重要程度，数据点的重要程度表征了该数据点的在数据曲线中的变化程度，变化程度越大越应该作为数据曲线的特征点被保留；根据数据点的重要程度筛选出标记点，计算标记点在数据曲线段中的分布特征，再根据数据点的重要程度和标记点的分布特征获取数据曲线中每个数据点的调控阈值；分布特征反映出标记点在数据曲线中的分布情况，分布越密集，说明该标记点周围重要程度大的数据点越多，其对应的调控阈值越小；通过获取的调控阈值对设备运行状态数据进行简化，获得简化效果优秀的简化数据曲线。将简化数据曲线输入到数字孪生模型中进行异常检测及对未来运行状态的预测评估；本发明能够准确地获取设备运行状态的简化数据曲线，进而通过数字孪生模型对设备运行状态的异常报警及预测评估。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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它附图。

图1为本发明一个实施例所提供的一种基于数字孪生的电力设备在线状态监测系统框图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于数字孪生的电力设备在线状态监测系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于数字孪生的电力设备在线状态监测系统的具体方案。

一种基于数字孪生的电力设备在线状态监测系统实施例：

请参阅图1，其示出了本发明一个实施例提供的基于数字孪生的电力设备在线状态监测系统框图，该系统包括：运行状态数据采集模块101、运行状态数据分析模块102、运行状态数据曲线简化模块103、在线状态监测模块104。需要说明的是，考虑到数据运算过程的算力需求，为了提高数据运算的效率，本发明一个实施例所提出的基于数字孪生的电力设备在线状态监测系统均是在云平台中进行数据处理。

运行状态数据采集模块101用于实时获取电力设备的运行数据曲线；在本发明实施例中，通过在电力设备上布置各类传感器实时采集电力设备运行状态数据，将传感器采集到的数据上传到云平台，运行状态数据采集模块通过云平台体用的接口获取数据。电力设备的运行状态数据可以包括电流数据、电压数据、温度数据、湿度数据、振动数据、声音数据。其中电流数据用于监测电力设备的电流大小，判断设备是否正常运行；电压数据用于监测电力设备的电压大小，判断设备是否正常供电；温度数据用于监测电力设备的温度变化，判断设备是否过热或过冷；湿度数据用于监测电力设备周围环境的湿度变化，判断设备是否在合适的湿度环境中；振动数据用于监测电力设备的震动情况，判断设备是否受到外界干扰或损坏；声音数据用于监测电力设备周围的声音变化，判断设备是否正常运行或出现异常情况。

需要说明的是，电力设备的每种运行状态数据的处理方法相同，在此仅以一种振动数据的分析方法进行表述说明。

在本发明实施例中，为便于分析振动数据的变化趋势，将采集到的振动数据转换为振动曲线，即振动曲线的横坐标为采样时间，纵坐标为传感器采样时刻对应的振动幅值。

运行状态数据分析模块102用于根据预设邻域范围在运行数据曲线中的每一个数据点为中心点，获取每个数据点的关联数据曲线段；在关联数据曲线段中，根据每个数据点的变化趋势，获取每个数据点的重要程度；根据重要程度在数据点中筛选出标记点；在运行数据曲线中，以每个数据点做中心点，按预设尺寸构建窗口，获取标记点在每个窗口中的分布特征。

电力设备在正常运行时，设备的各项参数较为稳定，运行状态的数据曲线通常呈现周期性波动，且波动程度较小；当设备出现异常时，原有运行状态数据曲线将异常波动，数据曲线中数据点的波动程度较大，则说明该数据点在数据曲线中的变化越显著，越能反映数据曲线的波动特征，即该点在数据曲线中的重要程度越大，在进行抽稀简化时越应被保留下来。基于此，本发明实施例为了分析数据点的数据变化特征，通过获取关联数据曲线段，使得后续数据变化分析过程在数据点的局部邻域范围内，进一步在关联数据曲线段中根据每个数据点的变化趋势计算数据点的重要程度。

作为一个示例，在振动数据曲线中任意选择第个数据点，第/>个数据点对应的坐标为/>，其中/>为第/>个数据点的采样时刻，/>为第/>个数据点的振动幅值，以第/>个数据点为中心点建立一个采样时间长度为n的关联数据曲线段，即以第/>个数据点为中心点向两侧各取/>个数据点，构成关联数据曲线段。在本发明一个实施例中，n取9，即预设邻域范围的长度为9。

优选地，本发明一个实施例中考虑到若某一数据点在关联数据曲线段中的幅值波动程度越大，说明该点越可能为极值点或拐点，在关联曲线段中的变化越显著、重要程度越大，在简化曲线时越应当被保留，但同时该点也有可能是数据曲线段中的噪声点，故需结合其相邻点间的斜率波动程度及调整权重进行判断，排除噪声点的干扰。基于此，获取每个数据点的重要程度具体包括：获取数据点的幅值波动程度；获取数据点与相邻数据点的斜率，根据关联数据曲线段中的斜率变化趋势获取斜率波动程度；以斜率的平均值与最大值的比值作为调整权重，斜率的平均值表示了整个关联数据曲线段中的整体斜率水平，因为关联数据曲线段为一个数据点邻域范围内的局部信息，若关联数据曲线段中存在噪声影响，则斜率的平均值会受到影响，与斜率最大值产生较大差异，则调整权重较小，说明此时关联数据曲线段内的斜率波动是由较多噪声引起的，则斜率波动程度的可信度较低；若关联数据曲线段中不存在噪声影响，关联数据曲线段内的斜率波动仅是由拐点造成的，则斜率的平均值与斜率最大值差异较小，调整权重较大，说明此时斜率波动程度的可信度较高，因此可根据调整权重表征当前关联数据曲线段中受噪声影响的程度。根据幅值波动程度、斜率波动程度及调整权重获取重要程度；幅值波动程度、调整权重和斜率波动程度均与重要程度呈正相关关系。在本发明一个实施例中，重要程度的公式表示为：

其中，为关联数据曲线段中第/>个数据点的重要程度，/>为第/>个数据点的幅值波动程度，/>为第/>个数据点的斜率波动程度，/>表示第/>个数据点的关联数据曲线段中所有相邻数据点间的斜率的平均值，/>表示第/>个数据点的关联数据段中相邻数据点间的斜率最大值。

在重要程度公式中，通过乘法将各项数据合并，体现出正相关关系，即幅值波动程度越大，重要程度越大；斜率波动程度重要程度越大，调整权重越大，则重要程度越大。在本发明其他实施例中也可采用相乘关系、相加关系、指数函数的幂等基础数学运算表征正相关关系，由实际应用进行确定，在此不做限定。

本发明实施例综合幅值波动程度、斜率波动程度及调整权重，获取了每个数据点的重要程度，数据点的重要程度更能准确地反映数据点在数据曲线中的变化趋势，为后续简化数据曲线提供可靠的调控阈值。

优选地，在本发明一个实施例中，获取数据点的幅值波动程度包括，在关联数据曲线段中，通过计算每个数据点的幅值与平均幅值的幅值差异，并将幅值差异进行归一化，得到幅值波动程度。在本发明一个实施例中幅值波动程度的公式为：

其中，为第/>个数据点的幅值波动程度，/>表示第/>个数据点的振动幅值，/>表示第/>个数据点的关联数据曲线段中数据点的个数，/>表示第/>个数据点的关联数据段中第/>个数据点振动幅值。

在幅值波动程度公式中，通过作为分母将数据点的幅值与平均幅值的幅值差异进行归一化。在本发明其他实施例中可采用其他归一化方法在此不做限定。

优选地，在本发明一个实施例中，获取斜率波动程度包括：在关联数据曲线段中，计算斜率的标准差，并将斜率标准差进行归一化，得到斜率波动程度。在本发明一个实施例中，斜率波动程度公式为：

其中，为第/>个数据点的斜率波动程度，/>表示第/>个数据点的关联数据曲线段中相邻数据点间的斜率，其中斜率的计算公式为：/>,其中第/>个数据点在振动曲线中的坐标为/>,第/>个数据点在振动曲线中的坐标为/>,/>表示第/>个数据点的关联数据曲线段中所有相邻数据点间的斜率的平均值。

在斜率波动程度公式中，通过对斜率的标准差进行负相关映射到指数函数中进行归一化。在本发明其他实施例中可采用其他归一化方法在此不做限定。

数据点的重要程度反映了数据曲线的变化趋势，但当设备运行异常时，运行数据曲线中数据点自身的重要程度越大，其周围重要程度大的数据点也越多，在进行抽稀简化时，其对应的道格拉斯算法阈值应当越小，避免在进行处理时将数据曲线的特征点去除。基于此，本实施例通过运行状态数据分析模块102根据重要程度在数据点中筛选出标记点，进一步获取标记点的分布特征，通过运行状态数据曲线简化模块103获取道格拉斯算法的调控阈值。

本发明实施例中，设定重要程度阈值，在具体应用中，实施者根据具体情况进行设置，将数据点的重要程度大于重要程度阈值的数据点作为标记点。

为了方便分析标记点的分布特征，在整个运行数据曲线中进行局部分析，以每个数据点做中心点，按预设尺寸构建窗口，获取标记点在每个窗口中的分布特征。在本发明实施例中在振动曲线中，以第r个数据点为窗口中心点构建一个大小的窗口，在本发明一个实施例中，/>取21，即窗口的长度为21，在具体应用中，实施者根据具体情况进行设置。

优选地，本发明一个实施例中考虑到标记点在窗口内所有数据点中的占比越大，说明该窗口内数据曲线的重要程度的点越多，但仍无法进一步确认窗口内标记点的分布情况，故需结合标记点在窗口内的分布密集度进一步确定分布特征。基于此，获取标记点在每个窗口中的分布特征具体包括：获取标记点在窗口数据点中的占比和标记点的分布密集度；将所述占比和所述分布密集度相乘得到所述分布特征。在本发明一个实施例中，分布特征的公式表示为：

式中表示标记点在窗口内的分布特征，/>表示窗口内标记点的数量，/>表示窗口内数据点的总数量，/>表示标记点的分布密集度。

在分布特征公式中，通过乘法将各项数据合并，当标记点在窗口数据点中的占比越大，分布密集度越大，则标记点在窗口内的分布特征值越大，说明在重要程度大的点周围其他重要程度大的点分布越密集。

优选地，在本发明一个实施例中，获取标记点的分布密集度包括，以窗口内所有数据点的数量与标记点的数量的比值作为均匀分布距离；获取窗口内每两个相邻标记点之间的相邻距离；将相邻距离与均匀分布距离差异的平均值作为初始分布密集度，将初始分布密集度归一化获得分布密集度。若均匀分布距离与相邻距离之间的差值越小，说明相邻距离越接近均匀分布距离，则标记点越接近均匀分布，对应的分布密集度值越小，其分布特征值也越小；若均匀分布距离与相邻距离之间的差值越大，标记点分布越密集，对应的分布密集度值越大，其分布特征值也越大。在本发明一个实施例中分布密集度的公式为：

其中，表示标记点的分布密集度，/>表示窗口内标记点的数量，/>表示窗口内数据点的总数量，即/>为均匀分布距离，/>表示窗口内两相邻标记点间的相邻距离，/>表示标记点在窗口中的采样时刻，/>为标准归一化函数，在本发明其他实施例中可采用其他归一化方法在此不做限定。

至此，获得了数据点的重要程度和对应窗口中标记点的分布特征。

运行状态数据曲线简化模块103用于根据每个数据点的重要程度及对应窗口内的分布特征获取每个数据点的调控阈值；基于道格拉斯算法，对运行数据曲线以调控阈值进行抽稀简化，获取简化数据曲线。

当数据点自身的重要程度越大，且其对应邻域范围内重要程度大的数据点分布越密集时，说明该点在设备运行状态曲线中的特征越明显，越应当被保留。本发明结合每个数据点的重要程度及标记点在对应窗口内的分布特征获取运行状态数据曲线的道格拉斯算法调控阈值。

优选地，在本发明一个实施例中，根据每个数据点的重要程度及对应窗口内的分布特征获取每个数据点的调控阈值包括：将重要程度与对应窗口内的分布特征相乘获取自适应调控阈值系数；将预设经验调控阈值除以自适应调控阈值系数获得自适应调控阈值。调控阈值的计算公式为：

式中表示第/>个数据点的调控阈值，/>表示第/>个数据点的重要程度，/>表示经验调控阈值，/>表示标记点在窗口内的分布特征。当第/>个数据点自身的重要程度越大，且其对应窗口内重要程度大的数据点分布越密集，则目标点的调控阈值越小，避免在进行处理时将数据曲线的特征点去除。本实施例中的经验调控阈值为/>，在具体应用中，实施者根据具体情况进行设置。

采用上述公式，能够获取运行状态数据曲线中所有数据点的道格拉斯算法调控阈值，基于道格拉斯算法，对运行数据曲线以调控阈值进行抽稀简化，获取简化运行数据曲线；道格拉斯算法为现有技术，此处不再过多赘述，仅简述本发明一个实施例下简化运行数据曲线获取的简要步骤：

选择曲线上的起始点P和结束点Q，将它们加入结果点集合中；计算曲线上所有点到线段PQ的距离，找到距离最大的点M；如果M的距离小于预设的阈值，则认为整条曲线已经足够简化，算法结束；如果M的距离大于等于预设的阈值，则将M加入结果点集合中；将曲线分为两段，一段是起始点P到点M，另一段是点M到结束点Q；对这两段曲线分别递归地应用道格拉斯算法；将递归得到的结果点集合合并起来，得到最终的简化曲线。

至此，获得了设备运行状态的简化数据曲线，简化运行数据曲线在保留原始运行数据曲线波动特征的同时，降低了数据冗余程度，减少了计算量。

在线状态监测模块104用于利用训练好的数字孪生模型中对所述简化数据曲线进行预测，根据预测结果对电力设备状态进行评估。

数字孪生是将实际设备的物理特征、结构和运行状态等信息通过物理模型、数据模型和推理模型等方式进行建模和仿真的方法，由于数字孪生模型是现有技术，在此不做过多赘述，仅简述本发明一个实施例下通过建立数字孪生模型进行设备运行状态的判断的简要步骤：

1、建立数字孪生模型：收集并整理电力设备的设计参数、运行数据和环境变量等信息。然后，基于这些信息构建数字孪生模型，该模型能够模拟设备的运行状态和性能。

2、获取简化运行状态数据：利用运行数据状态采集模块101、运行状态数据分析模块102及运行状态数据曲线简化模块103从实际电力设备中获取简化数据曲线。

3、数字孪生模型验证：使用简化数据曲线对数字孪生模型进行验证，将简化数据曲线输入到数字孪生模型中，并与实际观测到的运行状态进行比较，评估模型的准确性和可靠性。

4、异常检测和预测：利用建立好的数字孪生模型对未来的运行状态曲线进行预测。通过实时监测设备的运行数据，并将其输入数字孪生模型中进行预测。

5、报警和决策支持：当数字孪生模型检测到异常情况时，触发相应的报警机制，及时通知相关人员进行处理和维修；此外，数字孪生还可以为决策提供支持，通过模拟不同的运行方案和故障模式，评估其对设备状态和性能的影响，并提供优化的建议。

将获取的简化数据曲线输入到训练好的数字孪生模型中，即可实现减少数字孪生模型运算数据量的目的，并且当数字孪生模型检测到电力设备的简化数据曲线的异常情况时，将会触发相应的报警机制，而且数字孪生模型还可对实时运行数据的简化曲线进行预测，根据预测结果对电力设备未来的运行状态及性能进行评估。

优选地，在本发明一个实施例中，根据预测结果对电力设备状态进行评估包括：获取预测结果对应时刻下的真实运行数据；根据真实运行数据与预测结果的差异判断当前电力设备是否存在异常。

综上所述，本发明实施例通过系统通过实时获取电力设备的运行数据曲线，并在预设邻域范围获取每个数据点的关联数据曲线段；在关联数据曲线段中，根据数据点的变化趋势获取数据点的重要程度；以重要程度为依据筛选标记点，获取标记点在运行数据曲线中的分布特征；根据数据点的重要程度及标记点的分布特征获取每个数据点的道格拉斯算法调控阈值；基于道格拉斯算法，对运行数据曲线以所获得的调控阈值进行抽稀简化，获取简化数据曲线，在尽可能的保留数据曲线波动特征的同时减少了数字孪生模型的运算量；再将简化数据曲线输入到数字孪生模型中，实现了设备运行状态的实时监测预警以及未来运行状态的预测评估。

一种基于数字孪生的电力设备数据曲线简化系统实施例：

由于电力设备的数据量及冗余程度较大，目前通常采用道格拉斯算法对数据曲线简化处理，该方法根据预设算法阈值对数据曲线进行简化，进而减少数据计算量；但传统的算法阈值是根据经验选择，易出现数据曲线过度简化和简化效果不明显的情况。本发明提供一种基于数字孪生的电力设备数据曲线简化系统，所述系统包括：

运行状态数据采集模块101，用于实时获取电力设备的运行数据曲线。

运行状态数据分析模块102，用于根据预设邻域范围内以运行数据曲线中每一点为中心点，获取每个数据点的关联数据曲线段；在关联数据曲线段中，根据每个数据点的变化趋势，获取每个数据点的重要程度；根据重要程度在数据点中筛选出标记点；在运行数据曲线中，以每个数据点做中心点，按预设尺寸构建窗口，获取标记点在每个窗口中的分布特征。

运行状态数据曲线简化模块103，用于根据每个数据点的重要程度及对应窗口内的分布特征获取每个数据点的调控阈值；基于道格拉斯算法，对运行数据曲线以调控阈值进行抽稀简化，获取简化数据曲线。

其中，运行状态数据采集模块101、运行状态数据分析模块102和运行状态数据曲线简化模块103在上述一种基于数字孪生的电力设备在线状态监测系统实施例中已给出了详细说明，不再赘述。

本发明实施例考虑到现有的道格拉斯-普克算法阈值通常是根据经验选取的，易出现数据曲线过度简化和简化效果不明显的情况。为获取道格拉斯-普克算法的调控阈值，本发明首先获取运行数据曲线，考虑到设备在正常和异常两种状态下的运行数据曲线变化趋势不一致，因此本发明通过在数据曲线中以预设范围获取每个数据点的关联数据曲线段，在关联数据曲线段中，分析数据点的变化趋势，获取每个数据点的重要程度，数据点的重要程度表征了该数据点的在数据曲线中的变化程度，变化程度越大越应该作为数据曲线的特征点被保留；根据数据点的重要程度筛选出标记点，计算标记点在数据曲线段中的分布特征，再根据数据点的重要程度和标记点的分布特征获取数据曲线中每个数据点的调控阈值；分布特征反映出标记点在数据曲线中的分布情况，分布越密集，说明该标记点周围重要程度大的数据点越多，其对应的调控阈值越小；通过获取的调控阈值对设备运行状态数据进行简化，获得简化效果优秀的简化数据曲线。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (8)

1.一种基于数字孪生的电力设备在线状态监测系统，其特征在于，所述系统包括：

运行状态数据采集模块，用于实时获取电力设备的运行数据曲线；

运行状态数据分析模块，用于根据预设邻域范围内以所述运行数据曲线中每一点为中心点，获取每个数据点的关联数据曲线段；在所述关联数据曲线段中，根据每个数据点的变化趋势，获取每个数据点的重要程度；根据所述重要程度在数据点中筛选出标记点；在所述运行数据曲线中，以每个数据点做中心点，按预设尺寸构建窗口，获取所述标记点在每个所述窗口中的分布特征；

运行状态数据曲线简化模块，用于根据每个数据点的所述重要程度及对应所述窗口内的所述分布特征获取每个数据点的调控阈值；基于道格拉斯算法，对所述运行数据曲线以所述调控阈值进行抽稀简化，获取简化数据曲线；

在线状态监测模块，用于利用训练好的数字孪生模型中对所述简化数据曲线进行预测，根据预测结果对电力设备状态进行评估。

2.根据权利要求1所述的一种基于数字孪生的电力设备在线状态监测系统，其特征在于，所述获取每个数据点的重要程度包括：

获取数据点的幅值波动程度；

获取数据点与相邻数据点的斜率，根据所述关联数据曲线段中的斜率变化趋势获取斜率波动程度；

以所述斜率的平均值与最大值的比值作为调整权重；

根据所述幅值波动程度、所述斜率波动程度及所述调整权重获取所述重要程度；所述幅值波动程度、所述调整权重和所述斜率波动程度均与所述重要程度呈正相关关系。

3.根据权利要求2所述的一种基于数字孪生的电力设备在线状态监测系统，其特征在于，所述获取数据点的幅值波动程度包括：

在所述关联数据曲线段中，计算每个数据点幅值与平均幅值的幅值差异，并将所述幅值差异进行归一化，得到幅值波动程度。

4.根据权利要求2所述的一种基于数字孪生的电力设备在线状态监测系统，其特征在于，所述获取斜率波动程度包括：

在所述关联数据曲线段中，计算所述斜率的标准差，并将所述斜率标准差进行归一化，得到斜率波动程度。

5.根据权利要求1所述的一种基于数字孪生的电力设备在线状态监测系统，其特征在于，所述获取所述标记点在每个所述窗口中的分布特征包括：

获取所述标记点在所述窗口数据点中的占比和标记点的分布密集度；

将所述占比和所述分布密集度相乘得到所述分布特征。

6.根据权利要求5所述的一种基于数字孪生的电力设备在线状态监测系统，其特征在于，所述获取所述标记点的分布密集度包括：

以所述窗口内所有数据点的数量与所述标记点的数量的比值作为均匀分布距离；获取窗口内每两个相邻标记点之间的相邻距离；将所述相邻距离与所述均匀分布距离差异的平均值作为初始分布密集度；将所述初始分布密集度归一化获得所述分布密集度。

7.根据权利要求1所述的一种基于数字孪生的电力设备在线状态监测系统，其特征在于，所述根据每个数据点的所述重要程度及对应所述窗口内的所述分布特征获取每个数据点的调控阈值包括：

将所述重要程度与对应所述窗口内的所述分布特征相乘获取自适应调控阈值系数；将所述自适应调控阈值系数与预设经验调控阈值相乘获得所述自适应调控阈值。

8.根据权利要求1所述的一种基于数字孪生的电力设备在线状态监测系统，其特征在于，所述根据预测结果对电力设备状态进行评估包括：

获取所述预测结果对应时刻下的真实运行数据；根据所述真实运行数据与所述预测结果的差异判断当前电力设备是否存在异常。