CN117318033B - 一种结合数据孪生的电网数据管理方法及系统 - Google Patents

一种结合数据孪生的电网数据管理方法及系统 Download PDF

Info

Publication number
CN117318033B
CN117318033B CN202311254922.0A CN202311254922A CN117318033B CN 117318033 B CN117318033 B CN 117318033B CN 202311254922 A CN202311254922 A CN 202311254922A CN 117318033 B CN117318033 B CN 117318033B
Authority
CN
China
Prior art keywords
power
equipment
data
decision
prediction
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
CN202311254922.0A
Other languages
English (en)
Other versions
CN117318033A (zh
Inventor
徐晓轶
周爱华
蒋玮
欧朱建
钱仲豪
高昆仑
彭林
吕晓祥
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.)
State Grid Smart Grid Research Institute Co ltd
Nantong Power Supply Co Of State Grid Jiangsu Electric Power Co
Southeast University
State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Smart Grid Research Institute Co ltd
Nantong Power Supply Co Of State Grid Jiangsu Electric Power Co
Southeast University
State Grid Jiangsu Electric Power 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 State Grid Smart Grid Research Institute Co ltd, Nantong Power Supply Co Of State Grid Jiangsu Electric Power Co, Southeast University, State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Smart Grid Research Institute Co ltd
Priority to CN202311254922.0A priority Critical patent/CN117318033B/zh
Publication of CN117318033A publication Critical patent/CN117318033A/zh
Application granted granted Critical
Publication of CN117318033B publication Critical patent/CN117318033B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Power Engineering (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供了一种结合数据孪生的电网数据管理方法及系统，涉及数据管理技术领域，该方法包括：构建智能电网数据管理平台；搭建第一电网的第一电力设备拓扑网络；以数据交互中心接收第一电网的第一电力资源需求；执行第一电力资源需求的设备控制决策解析，获得第一电力决策；生成第一决策孪生分析结果；获得第一电力优化决策，将第一电力优化决策加密传输至第一电网的控制终端。通过本公开可以解决了现有技术中无法根据电力资源需求进行适应性地电网设备控制，导致电网设备控制适应度低、精准性差的技术问题，实现根据电力资源需求进行适应性地电网设备控制的目标，达到提高电网设备控制适应度和精准性的技术效果。

Description

一种结合数据孪生的电网数据管理方法及系统
技术领域
本公开涉及数据管理技术领域，具体涉及一种结合数据孪生的电网数据管理方法及系统。
背景技术
电力系统中电网数据是命脉更是基石，推动着价值的形成。随着电网规模的不断扩大，电网数据管理难度及管理维护工作量日益增大。现需要一种结合数字孪生技术实现电网数据管理的方法，用于提高电网数据管理的效率。
综上所述，现有技术中无法根据电力资源需求进行适应性地电网设备控制，导致电网设备控制适应度低、精准性差的技术问题。
发明内容
本公开提供了一种结合数据孪生的电网数据管理方法及系统，用以解决现有技术中无法根据电力资源需求进行适应性地电网设备控制，导致电网设备控制适应度低、精准性差的技术问题。
根据本公开的第一方面，提供了一种结合数据孪生的电网数据管理方法，包括：构建智能电网数据管理平台，其中，所述智能电网数据管理平台包括数据交互中心、电网决策中心、数据孪生中心和电网调度中心；以所述数据交互中心读取第一电网的设备基础信息，并根据所述设备基础信息，搭建所述第一电网的第一电力设备拓扑网络，其中，所述第一电力设备拓扑网络包括Q个电力设备拓扑节点；以所述数据交互中心接收所述第一电网的第一电力资源需求，且，所述第一电力资源需求具有对应的时限特征标识；基于所述第一电力设备拓扑网络，根据所述电网决策中心内的电力设备预测控制器执行所述第一电力资源需求的设备控制决策解析，获得第一电力决策，其中，所述第一电力决策包括Q个设备预测控制数据；生成第一决策孪生分析结果，其中，所述第一决策孪生分析结果根据所述数据孪生中心对所述第一电力决策进行仿真分析获得；获得第一电力优化决策，并通过所述数据交互中心将所述第一电力优化决策加密传输至所述第一电网的控制终端，其中，所述第一电力优化决策由所述电网调度中心内基于知识图谱预先构建的电力优化调度图谱根据所述第一决策孪生分析结果对所述第一电力决策进行调整获取。
根据本公开的第二方面，提供了一种结合数据孪生的电网数据管理系统，包括：智能电网数据管理平台获得模块，所述智能电网数据管理平台获得模块用于构建智能电网数据管理平台，其中，所述智能电网数据管理平台包括数据交互中心、电网决策中心、数据孪生中心和电网调度中心；拓扑网络获得模块，所述拓扑网络获得模块用于以所述数据交互中心读取第一电网的设备基础信息，并根据所述设备基础信息，搭建所述第一电网的第一电力设备拓扑网络，其中，所述第一电力设备拓扑网络包括Q个电力设备拓扑节点；第一电力资源需求获得模块，所述第一电力资源需求获得模块用于以所述数据交互中心接收所述第一电网的第一电力资源需求，且，所述第一电力资源需求具有对应的时限特征标识；第一电力决策获得模块，所述第一电力决策获得模块用于基于所述第一电力设备拓扑网络，根据所述电网决策中心内的电力设备预测控制器执行所述第一电力资源需求的设备控制决策解析，获得第一电力决策，其中，所述第一电力决策包括Q个设备预测控制数据；第一决策孪生分析结果获得模块，所述第一决策孪生分析结果获得模块用于生成第一决策孪生分析结果，其中，所述第一决策孪生分析结果根据所述数据孪生中心对所述第一电力决策进行仿真分析获得；第一电力优化决策获得模块，所述第一电力优化决策获得模块用于获得第一电力优化决策，并通过所述数据交互中心将所述第一电力优化决策加密传输至所述第一电网的控制终端，其中，所述第一电力优化决策由所述电网调度中心内基于知识图谱预先构建的电力优化调度图谱根据所述第一决策孪生分析结果对所述第一电力决策进行调整获取。
根据本公开的第三方面，一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器实现能够执行第一方面中任一项所述的方法。
根据本公开的第四方面，一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现能够执行第一方面中任一项所述的方法。
本公开中提供的一个或多个技术方案，至少具有如下技术效果或优点：根据本公开采用的通过构建智能电网数据管理平台，其中，所述智能电网数据管理平台包括数据交互中心、电网决策中心、数据孪生中心和电网调度中心；以所述数据交互中心读取第一电网的设备基础信息，并根据所述设备基础信息，搭建所述第一电网的第一电力设备拓扑网络，其中，所述第一电力设备拓扑网络包括Q个电力设备拓扑节点；以所述数据交互中心接收所述第一电网的第一电力资源需求，且，所述第一电力资源需求具有对应的时限特征标识；基于所述第一电力设备拓扑网络，根据所述电网决策中心内的电力设备预测控制器执行所述第一电力资源需求的设备控制决策解析，获得第一电力决策，其中，所述第一电力决策包括Q个设备预测控制数据；生成第一决策孪生分析结果，其中，所述第一决策孪生分析结果根据所述数据孪生中心对所述第一电力决策进行仿真分析获得；获得第一电力优化决策，并通过所述数据交互中心将所述第一电力优化决策加密传输至所述第一电网的控制终端，其中，所述第一电力优化决策由所述电网调度中心内基于知识图谱预先构建的电力优化调度图谱根据所述第一决策孪生分析结果对所述第一电力决策进行调整获取，解决了现有技术中无法根据电力资源需求进行适应性地电网设备控制，导致电网设备控制适应度低、精准性差的技术问题，实现根据电力资源需求进行适应性地电网设备控制的目标，达到提高电网设备控制适应度和精准性的技术效果。
应当理解，本部分所描述的内容并非旨在标示本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其他特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本公开或现有技术中的技术方案，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示例性的，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，还可以根据提供的附图获得其他的附图。
图1为本公开实施例提供的一种结合数据孪生的电网数据管理方法的流程示意图；
图2为本公开实施例一种结合数据孪生的电网数据管理方法中生成第一决策孪生分析结果的流程示意图；
图3为本公开实施例一种结合数据孪生的电网数据管理方法中智能电网数据管理平台的逻辑示意图；
图4为本公开实施例提供的一种结合数据孪生的电网数据管理系统的结构示意图；
图5为本公开实施例提供的一种计算机设备的结构示意图。
附图标记说明：智能电网数据管理平台获得模块11，拓扑网络获得模块12，第一电力资源需求获得模块13，第一电力决策获得模块14，第一决策孪生分析结果获得模块15，第一电力优化决策获得模块16，电子设备700，处理器701，存储器702，总线703。
具体实施方式
以下结合附图对本公开的示范性实施例作出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
实施例一
本公开实施例提供的一种结合数据孪生的电网数据管理方法，兹参照图1、图2及图3作说明，所述方法包括：
本公开实施例提供的方法中包括：
构建智能电网数据管理平台，其中，所述智能电网数据管理平台包括数据交互中心、电网决策中心、数据孪生中心和电网调度中心；
构建智能电网数据管理平台，用于对电网数据进行管理。其中，智能电网数据管理平台包括数据交互中心、电网决策中心、数据孪生中心和电网调度中心。数据交互中心用于交互获取电网数据，电网决策中心用于在电网数据管理过程中进行决策管理，数据孪生中心用于构建并处理电网数据的数据孪生模型，电网调度中心用于电网运行方式的调整。
以所述数据交互中心读取第一电网的设备基础信息，并根据所述设备基础信息，搭建所述第一电网的第一电力设备拓扑网络，其中，所述第一电力设备拓扑网络包括Q个电力设备拓扑节点；
第一电网为待进行电网数据管理的电网。进一步地，通过数据交互中心读取第一电网的设备基础信息。其中，第一电网的设备基础信息包括第一电网中Q个电力设备信息。进一步地，以读取的设备基础信息为搭建基础，搭建第一电网的第一电力设备拓扑网络。其中，第一电力设备拓扑网络为将设备基础信息进行拓扑连接，获得的拓扑网络。进一步地，第一电力设备拓扑网络包括Q个电力设备拓扑节点。其中，Q个电力设备拓扑节点与Q个电力设备信息关联对应获得。
以所述数据交互中心接收所述第一电网的第一电力资源需求，且，所述第一电力资源需求具有对应的时限特征标识；
第一电网的第一电力资源需求为Q个电力设备的电力资源需求参数。进一步地，通过数据交互中心接收第一电网的第一电力资源需求。其中，第一电力资源需求具有对应的时限特征标识。时限特征标识为待进行电力数据交互的时间。举例而言，具有对应时限特征标识的第一电力资源需求可以为未来3天内第一电网的发电量需求参数。
基于所述第一电力设备拓扑网络，根据所述电网决策中心内的电力设备预测控制器执行所述第一电力资源需求的设备控制决策解析，获得第一电力决策，其中，所述第一电力决策包括Q个设备预测控制数据；
电网决策中心内具有电力设备预测控制器。其中，电力设备预测控制器为进行电网数据控制决策的控制器。进一步地，将第一电网的第一电力资源需求作为输入数据输入电网决策中心内的电力设备预测控制器，获得第一电力决策。其中，第一电力决策包括Q个设备预测控制数据。进一步地，根据第一电力设备拓扑网络中Q个电力设备拓扑节点与第一电力决策的Q个设备预测控制数据相关联对应。而且第一电力设备拓扑网络中Q个电力设备拓扑节点与第一电网的Q个电力设备信息相关联对应。进而获得第一电力决策的Q个设备预测控制数据与第一电网的Q个电力设备信息相关联对应。
生成第一决策孪生分析结果，其中，所述第一决策孪生分析结果根据所述数据孪生中心对所述第一电力决策进行仿真分析获得；
数据孪生中心具有数字孪生模块。数字孪生模块用于构建数字孪生模型。进一步地，通过数字孪生模块对第一电力设备拓扑网络进行建模，获得电力设备数字孪生模型。其中，电力设备数字孪生模型包括Q个电力设备孪生子模型。进一步地，基于数字孪生模块，将第一电力决策中Q个设备预测控制数据输入电力设备数字孪生模型，对电力设备数字孪生模型进行仿真模拟，获取设备模拟工况数据集。进一步地，数据孪生中心具有模拟工况风险识别网络。进一步地，通过模拟工况风险识别网络对Q个设备模拟工况数据集合进行异常数据识别，得到Q个模拟异常识别结果。进一步地，通过模拟工况风险识别网络对Q个模拟异常识别结果进行风险特征识别，获取Q个设备预测风险特征。将Q个设备预测风险特征进行提取获得第一决策孪生分析结果。
获得第一电力优化决策，并通过所述数据交互中心将所述第一电力优化决策加密传输至所述第一电网的控制终端，其中，所述第一电力优化决策由所述电网调度中心内基于知识图谱预先构建的电力优化调度图谱根据所述第一决策孪生分析结果对所述第一电力决策进行调整获取。
进一步地，智能电网数据管理平台具有电网调度中心，电网调度中心内具有电力优化调度图谱。其中，电力优化调度图谱通过知识图谱构建。知识图谱是实体之间关系的语义网络。进一步地，将第一决策孪生分析结果输入电力优化调度图谱，通过电力优化调度图谱按照第一决策孪生分析结果对第一电力决策进行调整获得第一电力优化决策。进一步地，基于大数据，以设备模拟工况数据集中风险特征的风险指数为索引进行检索，获取预设风险指数。进一步地，将Q个设备预测控制数据对应的Q个设备预测风险特征内的Q个设备预测风险指数与预设风险指数进行比对判断，若Q个设备预测风险特征内的Q个设备预测风险指数小于预设风险指数，则设备控制决策正常，不需要将对应的设备预测控制数据进行调整，并将Q个设备预测风险特征对应的设备预测控制数据添加至第一电力优化决策。进一步地，第一电力优化决策包括Q个节点设备控制决策。Q个节点设备控制决策通过Q个设备预测控制数据对应获得，Q个设备预测控制数据通过Q个电力设备拓扑节点对应获得。进一步地，通过数据交互中心将第一电力优化决策加密传输至第一电网的控制终端。
其中，通过本实施例可以解决现有技术中无法根据电力资源需求进行适应性地电网设备控制，导致电网设备控制适应度低、精准性差的技术问题，实现根据电力资源需求进行适应性地电网设备控制的目标，达到提高电网设备控制适应度和精准性的技术效果。
本公开实施例提供的方法中还包括：
以所述第一电力资源需求和所述Q个电力设备拓扑节点为检索约束算子，以所述Q个电力设备拓扑节点的设备控制数据为检索目标算子；
基于所述检索约束算子和所述检索目标算子进行大数据匹配，获取电力设备控制记录库；
基于预测数据划分算子对所述电力设备控制记录库进行随机划分，得到第一训练记录数据集和第一测试记录数据集；
根据所述第一训练记录数据集，训练第一设备预测控制器；
以所述第一测试记录数据集执行所述第一设备预测控制器的测试，获得第一预测准确特征算子；
判断所述第一预测准确特征算子是否满足预设准确特征算子；
若所述第一预测准确特征算子满足所述预设准确特征算子，将所述第一设备预测控制器输出为所述电力设备预测控制器，并将所述电力设备预测控制器嵌入至所述电网决策中心。
将第一电网的第一电力资源需求和第一电力设备拓扑网络中Q个电力设备拓扑节点作为检索约束算子，将Q个电力设备拓扑节点对应的Q个设备预测控制数据作为检索目标算子。其中，检索约束算子为检索约束条件，检索目标算子为检索获取目标。
进一步地，按照检索目标算子，根据检索约束算子在大数据中进行检索匹配，匹配获得电力设备控制记录库。电力设备控制记录库包括多个电力设备控制记录。
进一步地，预测数据划分算子为预测数据划分比例。根据预测数据划分算子对电力设备控制记录库中多个电力设备控制记录进行随机划分，得到训练记录数据集和测试记录数据集。其中，从Q个电力设备信息对应的Q个电力设备中随机提取一个电力设备作为第一设备，提取第一设备的训练记录数据集和测试记录数据集，获得第一训练记录数据集和第一测试记录数据集。举例而言，第一训练记录数据集中训练记录数据和测试记录数据的预测数据划分算子为6：4。
进一步地，电力设备预测控制器具有Q个电力设备对应的设备预测控制器。根据第一训练记录数据集，训练第一设备对应的电力设备预测控制器，获得第一设备预测控制器。其中，通过第一训练记录数据集对第一设备对应的电力设备预测控制器进行监督训练，当第一设备对应的电力设备预测控制器输出结果趋于收敛状态时，对第一设备对应的电力设备预测控制器的输出结果准确率进行验证，获取预设准确率指标，预设准确率指标为本领域技术人员可基于实际情况自定义设置，例如：95％。当第一设备对应的电力设备预测控制器输出结果准确率大于等于预设准确率指标时，获得第一设备预测控制器。
进一步地，将第一测试记录数据集划分成测试输入数据序列和测试比对序列。将测试输入数据序列输入第一设备预测控制器进行测试，获得测试输出数据序列。将测试输出数据序列与测试比对序列进行比对，获得测试准确率序列。进一步地，基于大数据获得预设测试准确率。将测试准确率序列与预设测试准确率进行比对，获得测试准确率序列大于获得等于预设测试准确率的第一特征准确率序列，同时获得测试准确率序列小于预设测试准确率的第二特征准确率序列。进一步地，第一特征准确率序列与第二特征准确率序列进行曲线拟合，获得第一特征准确率序列对应曲线斜率第一特征准确率算子，以及第二特征准确率序列对应曲线斜率第二特征准确率算子。进一步地，将第一特征准确率算子与第二特征准确率算子进行比值计算，获得第一预测准确特征算子。
进一步地，基于大数据以第一测试记录数据集为索引进行检索，获得预设准确特征算子。判断第一预测准确特征算子是否满足预设准确特征算子，若第一预测准确特征算子不满足预设准确特征算子，将第二特征准确率序列在第一测试记录数据集中进行匹配并进行数据提取，获得第一测试损失数据集。进一步地，对第一测试损失数据集进行增量学习，生成第二设备预测控制器，并根据第二设备预测控制器得到电力设备预测控制器。
进一步地，若第一预测准确特征算子满足预设准确特征算子，通过多个第一设备预测控制器输出获得电力设备预测控制器，并将电力设备预测控制器嵌入至电网决策中心。
其中，获得电力设备预测控制器可以获得Q个设备预测控制数据，可以提高电网数据管理的效率。
本公开实施例提供的方法中还包括：
生成测试输入数据序列和测试比对序列，其中，所述测试输入数据序列和所述测试比对序列通过对所述第一测试记录数据集进行特征识别获得；
以所述测试输入数据序列对所述第一设备预测控制器进行测试，获得测试输出数据序列；
将所述测试输出数据序列和所述测试比对序列进行比对，获得测试准确率序列；
以预设测试准确率对所述测试准确率序列进行筛选，生成大于/等于所述预设测试准确率的第一特征准确率序列和小于所述预设测试准确率的第二特征准确率序列；
以所述第一特征准确率序列进行曲线拟合，得到第一特征准确率曲线，并以所述第一特征准确率曲线的斜率为第一特征准确率算子；
以所述第二特征准确率序列进行曲线拟合，得到第二特征准确率曲线，并以所述第二特征准确率曲线的斜率为第二特征准确率算子；
生成所述第一预测准确特征算子，其中，所述第一预测准确特征算子为所述第一特征准确率算子与所述第二特征准确率算子的比值。
第一测试记录数据集包括多个第一设备的测试记录数据。将多个第一设备的测试记录数据随机划分生成测试输入数据和测试比对数据。通过对第一测试记录数据集进行特征识别，获取测试输入数据的序列作为测试输入数据序列，对应获得测试比对数据的序列作为测试比对序列。其中，特征识别为对第一测试记录数据集的特征点进行提取。特征点为数据中梯度变化较为剧烈的节点数据。
进一步地，按照测试输入数据序列，将测试输入数据输入第一设备预测控制器进行测试，获得测试输出数据序列。将测试输出数据序列和测试比对序列进行比对，提取比对成功序列获得测试准确率序列。
进一步地，基于大数据将第一测试记录数据集中测试准确率作为索引，获得预设测试准确率。按照预设测试准确率，从测试准确率序列中将大于或等于预设测试准确率的测试准确率序列进行筛选，生成第一特征准确率序列。按照预设测试准确率，从测试准确率序列中将小于预设测试准确率的测试准确率序列进行筛选，生成第二特征准确率序列。
进一步地，以第一特征准确率序列进行曲线拟合，得到第一特征准确率曲线。以第一特征准确率曲线的斜率作为第一特征准确率算子。进一步地，曲线拟合为将多个第一特征准确率拟成平滑的曲线，以便观察相邻数据之间的内在联系，了解数据之间的变化趋势。进一步地，以第二特征准确率序列进行曲线拟合，得到第二特征准确率曲线，并以第二特征准确率曲线的斜率作为第二特征准确率算子。
进一步地，对第一特征准确率算子与第二特征准确率算子进行比值获取，生成第一预测准确特征算子。其中，第一预测准确特征算子为第一特征准确率曲线与第二特征准确率曲线的斜率比值。
其中，以第一测试记录数据集执行第一设备预测控制器的测试，获得第一预测准确特征算子，可以提高电网数据管理的精确程度。
本公开实施例提供的方法中还包括：
若所述第一预测准确特征算子不满足所述预设准确特征算子，根据所述第二特征准确率序列执行所述第一测试记录数据集的数据提取，获得第一测试损失数据集；
以所述第二特征准确率序列设置所述第一测试损失数据集的特征训练权重约束；
根据所述特征训练权重约束对所述第一测试损失数据集进行增量学习，生成第二设备预测控制器，并根据所述第二设备预测控制器得到所述电力设备预测控制器。
基于大数据以第一测试记录数据集为索引进行检索，获得预设准确特征算子。进一步地，若第一预测准确特征算子不满足预设准确特征算子，将第二特征准确率序列在第一测试记录数据集中进行匹配并进行数据提取，获得第一测试损失数据集。
进一步地，将第二特征准确率序列设置为第一测试损失数据集的特征训练权重约束。按照特征训练权重约束对第一测试损失数据集进行增量学习，生成第二设备预测控制器。其中，增量学习为按照特征训练权重约束不断通过第一测试损失数据集进行数据处理，在获得新数据的同时保留甚至整合、优化旧数据。进一步地，通过多个第二设备预测控制器输出获得电力设备预测控制器。
其中，根据特征训练权重约束对第一测试损失数据集进行增量学习，生成第二设备预测控制器，并根据第二设备预测控制器得到电力设备预测控制器，可以提高电网数据管理的精确程度，降低误差。
本公开实施例提供的方法中还包括：
生成第一预测气象数据，其中，所述第一预测气象数据通过根据所述时限特征标识对所述数据交互中心进行气象数据读取获得；
激活所述数据孪生中心内的数字孪生模块；
根据所述数字孪生模块对所述第一电力设备拓扑网络进行建模，获得电力设备数字孪生模型，其中，所述电力设备数字孪生模型包括Q个电力设备孪生子模型；
基于所述数字孪生模块，根据所述第一预测气象数据和所述第一电力决策对所述电力设备数字孪生模型进行仿真模拟，获取设备模拟工况数据集，其中，所述设备模拟工况数据集包括Q个设备模拟工况数据集合；
对所述设备模拟工况数据集进行风险识别，获得Q个设备预测风险特征，并根据所述Q个设备预测风险特征，生成所述第一决策孪生分析结果。
通过数据交互中心读取获得时限特征标识对应的气象数据，生成第一预测气象数据。进一步地，数据孪生中心具有数字孪生模块。数字孪生模块用于构建数字孪生模型。其中，激活数据孪生中心内的数字孪生模块。进一步地，通过数字孪生模块对第一电力设备拓扑网络进行建模，获得电力设备数字孪生模型。其中，电力设备数字孪生模型包括Q个电力设备孪生子模型。Q个电力设备孪生子模型通过对Q个电力设备拓扑节点进行建模获得。
进一步地，基于数字孪生模块，将第一预测气象数据和第一电力决策中Q个设备预测控制数据输入电力设备数字孪生模型，对电力设备数字孪生模型进行仿真模拟，获取设备模拟工况数据集。其中，设备模拟工况数据集包括第一电网的Q个电力设备信息对应的Q个设备模拟工况数据集合。
进一步地，数据孪生中心内具有模拟工况风险识别网络，模拟工况风险识别网络包括模拟异常识别子网络和模拟异常解析子网络。进一步地，将Q个设备模拟工况数据集合输入模拟异常识别子网络，通过模拟异常识别子网络对Q个设备模拟工况数据集合进行异常数据识别，得到Q个模拟异常识别结果。进一步地，将Q个模拟异常识别结果输入模拟异常解析子网络，通过模拟异常解析子网络对Q个模拟异常识别结果进行风险特征识别，获取Q个设备预测风险特征。进一步地，根据Q个设备预测风险特征，生成第一决策孪生分析结果。
其中，生成第一决策孪生分析结果，可以提高电网数据的准确性。
本公开实施例提供的方法中还包括：
遍历所述设备模拟工况数据集，获得第一设备模拟工况数据集合；
激活所述数据孪生中心内预先搭建的模拟工况风险识别网络，其中，所述模拟工况风险识别网络包括模拟异常识别子网络和模拟异常解析子网络；
以所述模拟异常识别子网络执行所述第一设备模拟工况数据集合的异常数据识别，得到第一模拟异常识别结果；
以所述模拟异常解析子网络执行所述第一模拟异常识别结果的风险特征识别，获取第一设备预测风险特征，并将所述第一设备预测风险特征添加至所述Q个设备预测风险特征，其中，所述第一设备预测风险特征包括第一设备预测风险类型和第一设备预测风险指数。
依次访问设备模拟工况数据集中Q个设备模拟工况数据集合，随机提取一个设备模拟工况数据集合，获得第一设备模拟工况数据集合。
进一步地，数据孪生是充分利用物理模型、传感器更新和运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，能够在虚拟空间中完成映射，从而反应相对应的实体装备的全生命周期过程。进一步地，数据孪生中心具有模拟工况风险识别网络，用于识别模拟工况风险。其中，激活数据孪生中心内预先搭建的模拟工况风险识别网络。进一步地，模拟工况风险识别网络包括模拟异常识别子网络和模拟异常解析子网络。其中，模拟异常解析子网络用于解析模拟异常识别子网络的输出数据。
进一步地，将第一设备模拟工况数据集合输入模拟异常识别子网络，通过模拟异常识别子网络对第一设备模拟工况数据集合进行异常数据识别，得到第一模拟异常识别结果。
进一步地，将第一模拟异常识别结果输入模拟异常解析子网络，通过模拟异常解析子网络对第一模拟异常识别结果进行风险特征识别，获取第一设备预测风险特征。进一步地，将第一设备预测风险特征添加至Q个设备预测风险特征。其中，第一设备预测风险特征包括第一设备预测风险类型和第一设备预测风险指数。第一设备预测风险类型与第一设备预测风险指数相关联对应。
其中，对设备模拟工况数据集进行风险识别，获得Q个设备预测风险特征，可以提高电网数据管理安全性和效率。
本公开实施例提供的方法中还包括：
判断所述第一设备预测风险特征内的所述第一设备预测风险指数是否小于预设风险指数；
若所述第一设备预测风险指数大于/等于所述预设风险指数，获得第一设备控制决策异常指令；
以所述第一设备控制决策异常指令，获得第一设备控制决策异常特征，并将所述第一设备控制决策异常特征添加至所述第一决策孪生分析结果，其中，所述第一设备控制决策异常特征包括第一设备预测风险特征和第一设备预测控制数据。
基于大数据，以设备模拟工况数据集中风险特征的风险指数为索引进行检索，获取预设风险指数。进一步地，判断第一设备预测风险特征内的第一设备预测风险指数是否小于预设风险指数，获得风险判断结果。若风险判断结果为第一设备预测风险指数小于预设风险指数，则设备控制决策正常，不需要将对应的设备预测控制数据进行调整，并将该第一设备预测风险特征对应的设备预测控制数据添加至第一电力优化决策。
进一步地，若风险判断结果为第一设备预测风险指数大于或等于预设风险指数，则设备控制决策异常，需要将对应的设备预测控制数据进行调整，进而获得第一设备控制决策异常指令。
进一步地，通过第一设备控制决策异常指令，获得第一设备控制决策异常特征。其中，第一设备控制决策异常特征包括第一设备预测风险特征和第一设备预测控制数据。第一设备预测风险特征包括第一设备预测风险类型和第一设备预测风险指数。第一设备预测控制数据为第一设备预测风险特征对应的设备预测控制数据。进一步地，将第一设备控制决策异常特征添加至第一决策孪生分析结果。
其中，判断第一设备预测风险特征内的第一设备预测风险指数是否小于预设风险指数，获得第一设备控制决策异常指令，可以提高电网数据管理中异常数据管理的效率。
实施例二
基于与前述实施例中一种结合数据孪生的电网数据管理方法同样的发明构思，兹参照图4作说明，本公开还提供了一种结合数据孪生的电网数据管理系统，所述系统包括：
智能电网数据管理平台获得模块，所述智能电网数据管理平台获得模块用于构建智能电网数据管理平台，其中，所述智能电网数据管理平台包括数据交互中心、电网决策中心、数据孪生中心和电网调度中心；
拓扑网络获得模块，所述拓扑网络获得模块用于以所述数据交互中心读取第一电网的设备基础信息，并根据所述设备基础信息，搭建所述第一电网的第一电力设备拓扑网络，其中，所述第一电力设备拓扑网络包括Q个电力设备拓扑节点；
第一电力资源需求获得模块，所述第一电力资源需求获得模块用于以所述数据交互中心接收所述第一电网的第一电力资源需求，且，所述第一电力资源需求具有对应的时限特征标识；
第一电力决策获得模块，所述第一电力决策获得模块用于基于所述第一电力设备拓扑网络，根据所述电网决策中心内的电力设备预测控制器执行所述第一电力资源需求的设备控制决策解析，获得第一电力决策，其中，所述第一电力决策包括Q个设备预测控制数据；
第一决策孪生分析结果获得模块，所述第一决策孪生分析结果获得模块用于生成第一决策孪生分析结果，其中，所述第一决策孪生分析结果根据所述数据孪生中心对所述第一电力决策进行仿真分析获得；
第一电力优化决策获得模块，所述第一电力优化决策获得模块用于获得第一电力优化决策，并通过所述数据交互中心将所述第一电力优化决策加密传输至所述第一电网的控制终端，其中，所述第一电力优化决策由所述电网调度中心内基于知识图谱预先构建的电力优化调度图谱根据所述第一决策孪生分析结果对所述第一电力决策进行调整获取。
进一步地，所述系统还包括：
检索算子获得模块，所述检索算子获得模块用于以所述第一电力资源需求和所述Q个电力设备拓扑节点为检索约束算子，以所述Q个电力设备拓扑节点的设备控制数据为检索目标算子；
电力设备控制记录库获得模块，所述电力设备控制记录库获得模块用于基于所述检索约束算子和所述检索目标算子进行大数据匹配，获取电力设备控制记录库；
第一训练记录数据集获得模块，所述第一训练记录数据集获得模块用于基于预测数据划分算子对所述电力设备控制记录库进行随机划分，得到第一训练记录数据集和第一测试记录数据集；
第一训练记录数据集处理模块，所述第一训练记录数据集处理模块用于根据所述第一训练记录数据集，训练第一设备预测控制器；
第一预测准确特征算子获得模块，所述第一预测准确特征算子获得模块用于以所述第一测试记录数据集执行所述第一设备预测控制器的测试，获得第一预测准确特征算子；
预设准确特征算子判断模块，所述预设准确特征算子判断模块用于判断所述第一预测准确特征算子是否满足预设准确特征算子；
电力设备预测控制器获得模块，所述电力设备预测控制器获得模块用于若所述第一预测准确特征算子满足所述预设准确特征算子，将所述第一设备预测控制器输出为所述电力设备预测控制器，并将所述电力设备预测控制器嵌入至所述电网决策中心。
进一步地，所述系统还包括：
测试输入数据序列获得模块，所述测试输入数据序列获得模块用于生成测试输入数据序列和测试比对序列，其中，所述测试输入数据序列和所述测试比对序列通过对所述第一测试记录数据集进行特征识别获得；
测试输出数据序列获得模块，所述测试输出数据序列获得模块用于以所述测试输入数据序列对所述第一设备预测控制器进行测试，获得测试输出数据序列；
测试准确率序列获得模块，所述测试准确率序列获得模块用于将所述测试输出数据序列和所述测试比对序列进行比对，获得测试准确率序列；
第一特征准确率序列获得模块，所述第一特征准确率序列获得模块用于以预设测试准确率对所述测试准确率序列进行筛选，生成大于/等于所述预设测试准确率的第一特征准确率序列和小于所述预设测试准确率的第二特征准确率序列；
第一特征准确率算子获得模块，所述第一特征准确率算子获得模块用于以所述第一特征准确率序列进行曲线拟合，得到第一特征准确率曲线，并以所述第一特征准确率曲线的斜率为第一特征准确率算子；
第二特征准确率算子获得模块，所述第二特征准确率算子获得模块用于以所述第二特征准确率序列进行曲线拟合，得到第二特征准确率曲线，并以所述第二特征准确率曲线的斜率为第二特征准确率算子；
第一预测准确特征算子获得模块，所述第一预测准确特征算子获得模块用于生成所述第一预测准确特征算子，其中，所述第一预测准确特征算子为所述第一特征准确率算子与所述第二特征准确率算子的比值。
进一步地，所述系统还包括：
第一测试损失数据集获得模块，所述第一测试损失数据集获得模块用于若所述第一预测准确特征算子不满足所述预设准确特征算子，根据所述第二特征准确率序列执行所述第一测试记录数据集的数据提取，获得第一测试损失数据集；
第二特征准确率序列获得模块，所述第二特征准确率序列获得模块用于以所述第二特征准确率序列设置所述第一测试损失数据集的特征训练权重约束；
第二设备预测控制器获得模块，所述第二设备预测控制器获得模块用于根据所述特征训练权重约束对所述第一测试损失数据集进行增量学习，生成第二设备预测控制器，并根据所述第二设备预测控制器得到所述电力设备预测控制器。
进一步地，所述系统还包括：
第一预测气象数据获得模块，所述第一预测气象数据获得模块用于生成第一预测气象数据，其中，所述第一预测气象数据通过根据所述时限特征标识对所述数据交互中心进行气象数据读取获得；
数字孪生模块获得模块，所述数字孪生模块获得模块用于激活所述数据孪生中心内的数字孪生模块；
电力设备孪生子模型获得模块，所述电力设备孪生子模型获得模块用于根据所述数字孪生模块对所述第一电力设备拓扑网络进行建模，获得电力设备数字孪生模型，其中，所述电力设备数字孪生模型包括Q个电力设备孪生子模型；
设备模拟工况数据集获得模块，所述设备模拟工况数据集获得模块用于基于所述数字孪生模块，根据所述第一预测气象数据和所述第一电力决策对所述电力设备数字孪生模型进行仿真模拟，获取设备模拟工况数据集，其中，所述设备模拟工况数据集包括Q个设备模拟工况数据集合；
设备预测风险特征获得模块，所述设备预测风险特征获得模块用于对所述设备模拟工况数据集进行风险识别，获得Q个设备预测风险特征，并根据所述Q个设备预测风险特征，生成所述第一决策孪生分析结果。
进一步地，所述系统还包括：
第一设备模拟工况数据集合获得模块，所述第一设备模拟工况数据集合获得模块用于遍历所述设备模拟工况数据集，获得第一设备模拟工况数据集合；
模拟工况风险识别网络获得模块，所述模拟工况风险识别网络获得模块用于激活所述数据孪生中心内预先搭建的模拟工况风险识别网络，其中，所述模拟工况风险识别网络包括模拟异常识别子网络和模拟异常解析子网络；
第一模拟异常识别结果获得模块，所述第一模拟异常识别结果获得模块用于以所述模拟异常识别子网络执行所述第一设备模拟工况数据集合的异常数据识别，得到第一模拟异常识别结果；
第一设备预测风险特征获得模块，所述第一设备预测风险特征获得模块用于以所述模拟异常解析子网络执行所述第一模拟异常识别结果的风险特征识别，获取第一设备预测风险特征，并将所述第一设备预测风险特征添加至所述Q个设备预测风险特征，其中，所述第一设备预测风险特征包括第一设备预测风险类型和第一设备预测风险指数。
进一步地，所述系统还包括：
第一设备预测风险指数获得模块，所述第一设备预测风险指数获得模块用于判断所述第一设备预测风险特征内的所述第一设备预测风险指数是否小于预设风险指数；
第一设备控制决策异常指令获得模块，所述第一设备控制决策异常指令获得模块用于若所述第一设备预测风险指数大于/等于所述预设风险指数，获得第一设备控制决策异常指令；
第一设备控制决策异常特征获得模块，所述第一设备控制决策异常特征获得模块用于以所述第一设备控制决策异常指令，获得第一设备控制决策异常特征，并将所述第一设备控制决策异常特征添加至所述第一决策孪生分析结果，其中，所述第一设备控制决策异常特征包括第一设备预测风险特征和第一设备预测控制数据。
前述实施例一中的一种结合数据孪生的电网数据管理方法具体实例同样适用于本实施例的一种结合数据孪生的电网数据管理系统，通过前述对一种结合数据孪生的电网数据管理方法的详细描述，本领域技术人员可以清楚地知道本实施例中一种结合数据孪生的电网数据管理系统，所以为了说明书的简洁，在此不再详述。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述得比较简单，相关之处参见方法部分说明即可。
实施例三
图5是根据本公开第三实施例的示意图，如图5所示，本公开中的计算机设备700可以包括：处理器701和存储器702。
存储器702，用于存储程序；存储器702，可以包括易失性存储器(英文：volatilememory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)，如静态随机存取存储器(英文：static random-access memory，缩写：SRAM)，双倍数据率同步动态随机存取存储器(英文：Double Data Rate Synchronous Dynamic RandomAccess Memory，缩写：DDRSDRAM)等；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)。存储器702用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等，上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器702中。并且上述的计算机程序、计算机指令、数据等可以被处理器701调用。
上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器702中。并且上述的计算机程序、计算机指令等可以被处理器701调用。
处理器701，用于执行存储器702存储的计算机程序，以实现上述实施例涉及的方法中的各个步骤。
具体可以参见前面方法实施例中的相关描述。
处理器701和存储器702可以是独立结构，也可以是集成在一起的集成结构。当处理器701和存储器702是独立结构时，存储器702、处理器701可以通过总线703耦合连接。
本实施例的计算机设备可以执行上述方法中的技术方案，其具体实现过程和技术原理相同，此处不再赘述。
根据本公开的实施例，本公开还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序在执行时实现上述任一实施例提供的步骤。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所做的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (9)

1.一种结合数据孪生的电网数据管理方法，其特征在于，所述方法包括：
构建智能电网数据管理平台，其中，所述智能电网数据管理平台包括数据交互中心、电网决策中心、数据孪生中心和电网调度中心；
以所述数据交互中心读取第一电网的设备基础信息，并根据所述设备基础信息，搭建所述第一电网的第一电力设备拓扑网络，其中，所述第一电力设备拓扑网络包括Q个电力设备拓扑节点；
以所述数据交互中心接收所述第一电网的第一电力资源需求，且，所述第一电力资源需求具有对应的时限特征标识；
基于所述第一电力设备拓扑网络，根据所述电网决策中心内的电力设备预测控制器执行所述第一电力资源需求的设备控制决策解析，获得第一电力决策，其中，所述第一电力决策包括Q个设备预测控制数据；
生成第一决策孪生分析结果，其中，所述第一决策孪生分析结果根据所述数据孪生中心对所述第一电力决策进行仿真分析获得；
获得第一电力优化决策，并通过所述数据交互中心将所述第一电力优化决策加密传输至所述第一电网的控制终端，其中，所述第一电力优化决策由所述电网调度中心内基于知识图谱预先构建的电力优化调度图谱根据所述第一决策孪生分析结果对所述第一电力决策进行调整获取；
以所述第一电力资源需求和所述Q个电力设备拓扑节点为检索约束算子，以所述Q个电力设备拓扑节点的设备控制数据为检索目标算子；
基于所述检索约束算子和所述检索目标算子进行大数据匹配，获取电力设备控制记录库；
基于预测数据划分算子对所述电力设备控制记录库进行随机划分，得到第一训练记录数据集和第一测试记录数据集；
根据所述第一训练记录数据集，训练第一设备预测控制器；
以所述第一测试记录数据集执行所述第一设备预测控制器的测试，获得第一预测准确特征算子；
判断所述第一预测准确特征算子是否满足预设准确特征算子；
若所述第一预测准确特征算子满足所述预设准确特征算子，将所述第一设备预测控制器输出为所述电力设备预测控制器，并将所述电力设备预测控制器嵌入至所述电网决策中心。
2.如权利要求1所述的方法，其特征在于，以所述第一测试记录数据集执行所述第一设备预测控制器的测试，获得第一预测准确特征算子，包括：
生成测试输入数据序列和测试比对序列，其中，所述测试输入数据序列和所述测试比对序列通过对所述第一测试记录数据集进行特征识别获得；
以所述测试输入数据序列对所述第一设备预测控制器进行测试，获得测试输出数据序列；
将所述测试输出数据序列和所述测试比对序列进行比对，获得测试准确率序列；
以预设测试准确率对所述测试准确率序列进行筛选，生成大于/等于所述预设测试准确率的第一特征准确率序列和小于所述预设测试准确率的第二特征准确率序列；
以所述第一特征准确率序列进行曲线拟合，得到第一特征准确率曲线，并以所述第一特征准确率曲线的斜率为第一特征准确率算子；
以所述第二特征准确率序列进行曲线拟合，得到第二特征准确率曲线，并以所述第二特征准确率曲线的斜率为第二特征准确率算子；
生成所述第一预测准确特征算子，其中，所述第一预测准确特征算子为所述第一特征准确率算子与所述第二特征准确率算子的比值。
3.如权利要求2所述的方法，其特征在于，判断所述第一预测准确特征算子是否满足预设准确特征算子，还包括：
若所述第一预测准确特征算子不满足所述预设准确特征算子，根据所述第二特征准确率序列执行所述第一测试记录数据集的数据提取，获得第一测试损失数据集；
以所述第二特征准确率序列设置所述第一测试损失数据集的特征训练权重约束；
根据所述特征训练权重约束对所述第一测试损失数据集进行增量学习，生成第二设备预测控制器，并根据所述第二设备预测控制器得到所述电力设备预测控制器。
4.如权利要求1所述的方法，其特征在于，生成第一决策孪生分析结果，包括：
生成第一预测气象数据，其中，所述第一预测气象数据通过根据所述时限特征标识对所述数据交互中心进行气象数据读取获得；
激活所述数据孪生中心内的数字孪生模块；
根据所述数字孪生模块对所述第一电力设备拓扑网络进行建模，获得电力设备数字孪生模型，其中，所述电力设备数字孪生模型包括Q个电力设备孪生子模型；
基于所述数字孪生模块，根据所述第一预测气象数据和所述第一电力决策对所述电力设备数字孪生模型进行仿真模拟，获取设备模拟工况数据集，其中，所述设备模拟工况数据集包括Q个设备模拟工况数据集合；
对所述设备模拟工况数据集进行风险识别，获得Q个设备预测风险特征，并根据所述Q个设备预测风险特征，生成所述第一决策孪生分析结果。
5.如权利要求4所述的方法，其特征在于，对所述设备模拟工况数据集进行风险识别，获得Q个设备预测风险特征，包括：
遍历所述设备模拟工况数据集，获得第一设备模拟工况数据集合；
激活所述数据孪生中心内预先搭建的模拟工况风险识别网络，其中，所述模拟工况风险识别网络包括模拟异常识别子网络和模拟异常解析子网络；
以所述模拟异常识别子网络执行所述第一设备模拟工况数据集合的异常数据识别，得到第一模拟异常识别结果；
以所述模拟异常解析子网络执行所述第一模拟异常识别结果的风险特征识别，获取第一设备预测风险特征，并将所述第一设备预测风险特征添加至所述Q个设备预测风险特征，其中，所述第一设备预测风险特征包括第一设备预测风险类型和第一设备预测风险指数。
6.如权利要求5所述的方法，其特征在于，获取第一设备预测风险特征之后，还包括：
判断所述第一设备预测风险特征内的所述第一设备预测风险指数是否小于预设风险指数；
若所述第一设备预测风险指数大于/等于所述预设风险指数，获得第一设备控制决策异常指令；
以所述第一设备控制决策异常指令，获得第一设备控制决策异常特征，并将所述第一设备控制决策异常特征添加至所述第一决策孪生分析结果，其中，所述第一设备控制决策异常特征包括第一设备预测风险特征和第一设备预测控制数据。
7.一种结合数据孪生的电网数据管理系统，其特征在于，用于实施权利要求1-6中任意一项所述的一种结合数据孪生的电网数据管理方法，所述系统包括：
智能电网数据管理平台获得模块，所述智能电网数据管理平台获得模块用于构建智能电网数据管理平台，其中，所述智能电网数据管理平台包括数据交互中心、电网决策中心、数据孪生中心和电网调度中心；
拓扑网络获得模块，所述拓扑网络获得模块用于以所述数据交互中心读取第一电网的设备基础信息，并根据所述设备基础信息，搭建所述第一电网的第一电力设备拓扑网络，其中，所述第一电力设备拓扑网络包括Q个电力设备拓扑节点；
第一电力资源需求获得模块，所述第一电力资源需求获得模块用于以所述数据交互中心接收所述第一电网的第一电力资源需求，且，所述第一电力资源需求具有对应的时限特征标识；
第一电力决策获得模块，所述第一电力决策获得模块用于基于所述第一电力设备拓扑网络，根据所述电网决策中心内的电力设备预测控制器执行所述第一电力资源需求的设备控制决策解析，获得第一电力决策，其中，所述第一电力决策包括Q个设备预测控制数据；
第一决策孪生分析结果获得模块，所述第一决策孪生分析结果获得模块用于生成第一决策孪生分析结果，其中，所述第一决策孪生分析结果根据所述数据孪生中心对所述第一电力决策进行仿真分析获得；
第一电力优化决策获得模块，所述第一电力优化决策获得模块用于获得第一电力优化决策，并通过所述数据交互中心将所述第一电力优化决策加密传输至所述第一电网的控制终端，其中，所述第一电力优化决策由所述电网调度中心内基于知识图谱预先构建的电力优化调度图谱根据所述第一决策孪生分析结果对所述第一电力决策进行调整获取。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-6中任一项所述的方法的步骤。
CN202311254922.0A 2023-09-27 2023-09-27 一种结合数据孪生的电网数据管理方法及系统 Active CN117318033B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311254922.0A CN117318033B (zh) 2023-09-27 2023-09-27 一种结合数据孪生的电网数据管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311254922.0A CN117318033B (zh) 2023-09-27 2023-09-27 一种结合数据孪生的电网数据管理方法及系统

Publications (2)

Publication Number Publication Date
CN117318033A CN117318033A (zh) 2023-12-29
CN117318033B true CN117318033B (zh) 2024-05-24

Family

ID=89296603

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311254922.0A Active CN117318033B (zh) 2023-09-27 2023-09-27 一种结合数据孪生的电网数据管理方法及系统

Country Status (1)

Country Link
CN (1) CN117318033B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117833242B (zh) * 2024-03-05 2024-06-11 国网江苏省电力有限公司南通供电分公司 基于数字孪生的电力能源智能调度方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657031A (zh) * 2021-08-12 2021-11-16 杭州英集动力科技有限公司 基于数字孪生的供热调度自动化实现方法、系统及平台
CN114640581A (zh) * 2022-01-24 2022-06-17 浪潮通信信息系统有限公司 一种基于数字孪生的算力网络处理方法及装置
CN114744764A (zh) * 2022-04-25 2022-07-12 南方电网科学研究院有限责任公司 一种配电网数字孪生终端、系统和终端控制方法
WO2022257925A1 (zh) * 2021-06-09 2022-12-15 五邑大学 基于数字孪生的故障预测方法、装置、服务器及存储介质
CN115664002A (zh) * 2022-10-13 2023-01-31 国网辽宁省电力有限公司大连供电公司 一种基于电子调度的电网运行优化方法及系统
WO2023129164A1 (en) * 2021-12-30 2023-07-06 Hitachi Vantara Llc Digital twin sequential and temporal learning and explaining
CN116505665A (zh) * 2023-06-30 2023-07-28 国网江苏省电力有限公司南通供电分公司 一种电网配电线路的故障监测方法及系统
CN116756837A (zh) * 2023-08-17 2023-09-15 广东省科学院广州地理研究所 一种数字孪生资源数据建库管理方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022257925A1 (zh) * 2021-06-09 2022-12-15 五邑大学 基于数字孪生的故障预测方法、装置、服务器及存储介质
CN113657031A (zh) * 2021-08-12 2021-11-16 杭州英集动力科技有限公司 基于数字孪生的供热调度自动化实现方法、系统及平台
WO2023129164A1 (en) * 2021-12-30 2023-07-06 Hitachi Vantara Llc Digital twin sequential and temporal learning and explaining
CN114640581A (zh) * 2022-01-24 2022-06-17 浪潮通信信息系统有限公司 一种基于数字孪生的算力网络处理方法及装置
CN114744764A (zh) * 2022-04-25 2022-07-12 南方电网科学研究院有限责任公司 一种配电网数字孪生终端、系统和终端控制方法
CN115664002A (zh) * 2022-10-13 2023-01-31 国网辽宁省电力有限公司大连供电公司 一种基于电子调度的电网运行优化方法及系统
CN116505665A (zh) * 2023-06-30 2023-07-28 国网江苏省电力有限公司南通供电分公司 一种电网配电线路的故障监测方法及系统
CN116756837A (zh) * 2023-08-17 2023-09-15 广东省科学院广州地理研究所 一种数字孪生资源数据建库管理方法及装置

Also Published As

Publication number Publication date
CN117318033A (zh) 2023-12-29

Similar Documents

Publication Publication Date Title
CN110570012B (zh) 一种基于Storm的电厂生产设备故障预警方法及系统
CN110188919A (zh) 一种基于长短期记忆网络的负荷预测方法
CN117318033B (zh) 一种结合数据孪生的电网数据管理方法及系统
CN111525587B (zh) 一种基于无功负荷态势的电网无功电压控制方法及系统
CN105471647B (zh) 一种电力通信网故障定位方法
CN115529315B (zh) 一种云边协同系统
CN116720791B (zh) 一种分布式光伏发电质量管理方法及系统
CN114970926A (zh) 一种模型训练方法、企业经营风险预测方法和装置
CN116304713A (zh) 风电场故障场景预测模型的生成方法、装置和计算机设备
CN117394529A (zh) 基于scada的主配网合环倒供电控制条件辅助决策方法及系统
CN115438897A (zh) 一种基于blstm神经网络的工业过程产品质量预测方法
CN113326343B (zh) 基于多级网格和文件索引的路网数据存储方法及系统
CN112700065B (zh) 基于深度学习的业务流程完成时间区间预测方法和系统
CN113779881A (zh) 致密含水气藏产能预测方法、装置及设备
CN114510469B (zh) 电力系统不良数据辨识方法、装置、设备及介质
CN112579847A (zh) 生产数据的处理方法和装置、存储介质及电子设备
CN113762534B (zh) 一种建筑冷热负荷预测方法、装置、设备及存储介质
CN111737319B (zh) 用户集群的预测方法、装置、计算机设备和存储介质
Arakelyan et al. Analysis of the DCS historical data for estimation of input signal significance
Lei et al. Application of distributed machine learning model in fault diagnosis of air preheater
CN116342077B (zh) 一种适用于数据缺失场站的新能源功率迁移学习预测方法
CN116629348B (zh) 一种智能车间数据采集分析方法、装置及计算机设备
CN115498629B (zh) 一种场景增强型电力负荷运行控制方法及装置
CN117872102B (zh) 测试向量精简方法、装置、设备及计算机可读介质
CN117454133B (zh) 一种数据库参数配置方法及相关设备

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