CN117494547A - 一种基于数字孪生水电厂运维数据处理建模的方法及系统 - Google Patents

一种基于数字孪生水电厂运维数据处理建模的方法及系统 Download PDF

Info

Publication number
CN117494547A
CN117494547A CN202311311166.0A CN202311311166A CN117494547A CN 117494547 A CN117494547 A CN 117494547A CN 202311311166 A CN202311311166 A CN 202311311166A CN 117494547 A CN117494547 A CN 117494547A
Authority
CN
China
Prior art keywords
data
intelligent
model
hydropower plant
management
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
Application number
CN202311311166.0A
Other languages
English (en)
Inventor
黄勇
杨党锋
宋璇
辛存
冯汉夫
朱海晨
侯彦峰
魏鹏刚
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.)
PowerChina Northwest Engineering Corp Ltd
Original Assignee
PowerChina Northwest Engineering Corp 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 PowerChina Northwest Engineering Corp Ltd filed Critical PowerChina Northwest Engineering Corp Ltd
Priority to CN202311311166.0A priority Critical patent/CN117494547A/zh
Publication of CN117494547A publication Critical patent/CN117494547A/zh
Pending legal-status Critical Current

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/094—Adversarial learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/096—Transfer learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/18—Details relating to CAD techniques using virtual or augmented reality

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种基于数字孪生水电厂运维数据处理建模的方法及系统，解决了水电厂数据无法在水电业务中充分利用，实际数据中设施设备故障数据少，不同故障数据不平衡导致现有网络模型训练不充分，模型精度低的问题；本发明通过构建以智慧感知、智能网络、数据中心、孪生电站、智慧大脑和智慧应用为基础的水电厂智能运维系统，实现了水电厂数据从采集、传输、分析、利用的管理；基于对抗神经网络模型、孪生神经网络模型对水电厂孪生电站得到的模拟数据初步训练模型，再利用真实数据精确调整的迁移学习策略，使得智慧大脑的建立具有较高的泛化和推广能力，最终实现了水电厂设备健康状态智能监测与状态检修，提升了水电厂精细化管理能力。

Description

一种基于数字孪生水电厂运维数据处理建模的方法及系统
技术领域
本发明涉及水电厂运营管控领域，特别是一种基于数字孪生水电厂运维数据处理建模的方法及系统。
背景技术
水电厂是保障国民生产最重要的基础设施，构建水电厂设备全生命周期管理系统，保障水电厂设施设备正常服役具有重要的意义。然而，已有的水电厂在工程全生命周期各阶段均不同程度地应用了信息化技术或系统，但是普遍存在数据标准不统一、信息孤岛现象严重、业务系统融合度不高、基础建设重复投资、信息分析利用程度低等问题，尚没有有效的平台从水电厂运行数据到水电厂业务进行整合和利用。另一方面。各系统虽然采集和存储了大量不同种类、不同时期、不同业务的历史数据和实时数据，但数据样本不平衡现象严重，如某些故障、异常情况多，就积累了大量数据，故障少的数据量就少，使得现有基于决策树、随机森林等传统机器学习模型无法得到充分训练，数据利用率低，无法做到最优决策。但这些数据是分散和割裂的，难以共享、整合和有效利用，导致无法实现水电厂运维调度的最优决策。
发明内容
本申请的目的是提供一种基于数字孪生水电厂运维数据处理建模的方法及系统，解决水电厂运维过程数据无法对水电厂业务有效利用的问题；同时还解决了，基于水电厂数据现状，数据利用率低，无法做到最优决策的问题；存在水电厂运维过程数据标准不统一、信息孤岛现象严重、业务系统融合度不高、基础建设重复投资、信息分析利用程度低等问题。
本发明在一个方面，提供了一种基于数字孪生水电厂运维数据处理建模的系统，该系统包括智慧感知模块、智能网络模块、数据中心模块、孪生电站模块、智慧大脑模块和智慧应用模块，
智慧感知模块：利用水电厂各区域位置部署和应用智能设备和装置对水电厂关键设备的数据进行采集，构建智能感知系统获得目标数据；
智能网络模块：通过自组网、主干光纤环网、WiFi网络、5G网络对采集到的数据进行传输，构建智能网络传输系统；
数据中心模块：是按统一存储模式、数据缓存机制、任务调度机制、数据清洗算法和数据共享机制对采集的目标数据进行存储、处理建立数据中心并获得目标数据集；所述数据中心进行区域管理，区域管理包括数据管理域、数据分析域、数据处理域；
孪生电站模块：基于BIM建筑信息模型，采用GIS地理信息系统的地理信息科学方法，结合水电厂运行历史数据形成的洪水演进模型、水动力学模型建立在时空、环境、状态上与物理实体电站相对应的孪生电站模型，实现在虚拟空间下的水电厂数字孪生，并对水电厂直观的运行管理、状态评价、仿真预演；
智慧大脑模块：构建基于抗神经网络、孪生神经网络的数据分析模型，将以样本对形式的模拟数据集输入到数据分析模型中进行初步训练，得到初步的智慧大脑模型；之后基于迁移学习架构再将以样本对形式的目标数据集输入到初步智慧大脑模型中通过优化损失函数实现通用模型进一步调整，形成训练好的智慧大脑模型。
智能应用模块，应用训练好的智慧大脑模块中的智能预警、智慧决策，驱动执行单元对水电厂进行智能管理与运维。
优选地，智慧感知模块中的构建智能感知系统是指智能感知系统对水电厂关键设施、设备重要参数通过智能设备上的智能传感器进行测量和采集；智能设备包括智能摄像头、智能传感器、大坝安全监测设备、水雨情监测装置、定位装置、RFID射频识别、智能巡检机器人、无人机、智能安全帽、智能手持终端。
优选地，智能网络模块中的构建智能网络传输系统是指对采集到的目标数据进行传输，结合水电厂特定需求构建智能网络，构建智能网络考虑的因素包括供电电压、设备取电、供电距离、网线选择和设备安装位置；构建智能网络考虑的因素具体如下：
在供电电压中，无线自组网设备的电源适配器，交流电正常供电电压为110V～240V，无线自组网设备的直流供电范围为9～30V，无线自组网设备出厂配套电源适配器直流电压、电流为24V、0.8A；
在设备取电中，由于无线自组网设备属于精密电子设备，无线自组网设备供电的取电应与其它大功率设备分开取电；在同一位置取电时，加装UPS、稳压电源或隔离变压器，过滤掉大功率电机工作时对电源的影响和干扰；
在供电距离中，使用电源适配器+PoE模块通过网线给无线自组网设备供电时，供电距离100≤d≤120米，并使用国标超六类纯铜网线；
在网线选择中，在室外施工应使用室外型网线；网线铺设路径上经过有强电设备或供电线时，选择屏蔽网线和屏蔽水晶头，并且网线内屏蔽层与水晶头金属外皮焊接并接地；如果网线铺设路径与强电有较长距离的经过时，将网线串金属管以进行屏蔽；
在设备安装位置中，无线自组网设备采用5GHz频段进行传输，5GHz传输属于视距传输，两端相互可视，中间不能有障碍物遮挡。
优选地，建立数据中心获得目标数据集是将数据中心进行区域管理，区域管理包括数据管理域、数据分析域、数据处理域三大部分；
在数据管理域，根据文本、图片、视频、声纹的不同类型数据，依据采集规范和标准，采用完整备份、增量备份、差异备份、镜像备份和远程备份的方法实现数据备份；从数据标准、安全的角度对数据进行管理；
在数据分析域，采用数据算法通过均值填充、中位数填充、众数填充、去除重复值对奇异值数据进行处理，去除噪声、冗余和错误信息，补充缺失信息，筛选有效数据，并基于量纲分析对水电厂各类数据进行转换，形成目标数据集；
其中，均值填充可以描述为：
式中：X1、X2和Xn分别为传感器在不同位置的测量值，n为传感器的数目在众数填充中，选取该数值个数最多的数进行填充，众数填充可以描述为：
X＝{i1(X1),i2(X2),...,imax(XK)}
式中：i(X)表示测点数值X出现的次数，imax(XK)代表出现次数最多的次数；
在中位数填充过程中，对采集到的数据从大到小进行排序，选取最中间的数作为最终的数据进行填充；
在数据处理域，通过索引存储、链式存储方法对水电厂管理过程中各类业务数据进行存储。以支持高效的查询和更新操作。
索引存储方法是指通过建立存储结点信息，以及建立附加的索引表来标识结点的地址的存储方法。
链式存储方法一般有两种方式，一种顺序存储方式，另一种是链式存储方式(非顺序存储方式)。链式数据存储是指数据采用链式存储结构进行存储。存储密度比顺序存储结构小。
优选地，孪生电站模块中实现在虚拟空间下的水电厂数字孪生，并对水电厂直观的运行管理、状态评价、仿真预演还包括如下步骤：步骤101通过地理信息科学GIS方法对山川、河流的地理信息进行绘制，通过建筑信息建模BIM方法对机组、房屋的建筑信息进行可视化表达，在虚拟空间构建与物理电站设施、设备一一对应三维静态虚拟电站；
考虑效率和精度因素，将BIM平面直角坐标(x，y，h)转换到GIS大地坐标(L、B、H)，坐标转换公式如下：
式中：a为地球椭球短半轴，b为地球椭球长半轴。
步骤102基于现有洪水演进模型、水动力学模型、大坝安全分析评估模型、上游来水中长期预报模型和下游影响区淹没模型，结合Unity 3D游戏引擎，驱动三维静态虚拟电站流动演化，实现在虚拟空间下的水电厂数字孪生，用于水电厂运行管理、状态评价、仿真预演的智能应用。
建筑信息模型(BIM Building Information Modeling)是建筑学、工程学及土木工程的新工具，GIS是一种基于计算机技术的地理信息系统,它将地理空间数据和数据分析结合起来,为人们提供了更加全面和深入的地理信息理解和应用。GIS的核心是地理空间数据,这些数据包括地图、遥感图像、地理坐标、属性信息等,这些数据可以通过GIS技术进行存储、处理、分析和展示。
地理信息科学方法是以系统论、信息化、控制论、耗散结构论、协同论、超循环理论、分形与混沌理论、虚拟现实等信息系统科学理论为指导，在以地理信息为对象的研究活动中总结出来的信息系统整体思维方式。
优选地，智慧大脑模块构建基于抗神经网络、孪生神经网络的数据分析为核心的智慧大脑模型，并利用孪生电站、物理电站获得不同水位条件、不同气温条件、不同工况下大坝的变形、渗流的指标，对智慧大脑模型进行训练，并通过训练好的智慧大脑实现水电厂设备智能预警、智慧决策，智慧大脑模型具体训练步骤如下：
步骤201基于孪生电站模拟不同水位条件、不同气温条件等不同工况下的水电厂设施设备状态，获取水电厂大坝的变形、渗流和机电设备流量、压力的参数指标，建立模型模拟数据集，得到目标数据；
步骤202构建基于对抗神经网络、孪生神经网络的数据分析模型，利用孪生电站、物理电站获得不同水位条件、不同气温条件、不同工况下大坝的变形、渗流的参数指标数据，建立模型模拟数据集，得到模拟数据集，并将模拟数据集输入数据分析模型进行初步训练，得到初步智慧大脑模型；
步骤203基于机器学习模型迁移，通过物理水电厂真实运行数据构建的目标数据集，以样本对的目标数据集输入到对电站数据分析模型进行训练，对样本对形式的目标数据集通过损失函数训练，所述损失函数为：
式中：N为样本对个数，W表示损失函数的参数，Y为样本对是否匹配的标签，Y＝0表示样本对有差异，Y＝1表示样本对间无差异，m表示阈值，DW表示样本对X1、X2间的欧式距离，表示如下：
式中，X1 i、X2 i样本X1、X2的第i个特征，p表示样本中特征的数目。
优选地，智慧应用模块应用训练好的智慧大脑模型的智能预警、智慧决策，驱动执行单元对水电厂进行智能管理与运维是指基于智慧大脑的决策建议，驱动大坝智能碾压、安全管理、质量管理、设备管理、智能监测、数字档案、环保监测、作业安全管控、智能巡检、检修维护、多系统联动和营销管理的水电厂执行单元，实现水电厂全方位、全场景的智慧管理。
本发明提供了一种基于数字孪生水电厂运维数据处理建模的系统，通过构建以智慧感知、智能网络、数据中心、孪生电站、智慧大脑和智慧应用为基础的水电厂智能运维平台，实现了从水电厂运行数据到水电厂业务进行整合和利用，解决了水电厂运维过程数据无法对水电厂业务有效利用的问题；同时，基于水电厂数据现状，在智慧大脑中，构建了以孪生、对抗网络为核心的智慧大脑模型，并基于迁移学习思想，利用电站孪生模型对智慧大脑进行初步训练，在利用物理电站真实数据对智慧大脑网络模型进行精细化调整，解决了水电厂数据样本不平衡，数据利用率低，无法做到最优决策的问题；存在水电厂运维过程数据标准不统一、信息孤岛现象严重、业务系统融合度不高、基础建设重复投资、信息分析利用程度低等问题，提升了水电厂精细化管理能力。
本发明在另一个方面，提供了一种基于数字孪生水电厂运维数据处理建模的方法，该方法步骤如下：
步骤1数据采集传输模块
通过在水电厂各区域位置部署感知采集终端设备，对水电厂关键设施、设备重要参数进行测量和采集，获得目标数据，并对采集到的数据进行传输；
步骤2建立数据中心
按统一存储模式、数据缓存机制、任务调度机制、数据清洗算法以及数据共享机制对采集的数据进行存储、处理，获得目标数据集；数据中心进行区域管理，区域管理包括数据管理域、数据分析域、数据处理域；
步骤3在虚拟空间构建孪生电站
构建基于BIM建筑信息模型，采用GIS地理信息系统的地理信息科学方法，结合水电厂运行历史数据形成的洪水演进模型、水动力学模型建立在时空、环境、状态上与物理实体电站相对应的孪生电站模型，实现在虚拟空间下的水电厂数字孪生，并对水电厂直观的运行管理、状态评价、仿真预演；
步骤4：构建并训练智慧大脑模型
构建基于抗神经网络、孪生神经网络的数据分析模型，将以样本对形式的模拟数据集输入到数据分析模型中进行初步训练，得到初步的智慧大脑模型；之后基于迁移学习架构再将以样本对形式的目标数据集输入到初步智慧大脑模型中通过优化损失函数实现通用模型进一步调整，形成训练好的智慧大脑模型；
步骤5：智慧大脑模型在水电厂的应用
根据水电厂实时运行状态，通过训练好的智慧大脑模型得出的智能预警、智慧决策、决策建议，驱动水电厂执行单元，实现水电厂全方位、全场景的智慧管理。
优选地，步骤3还包括如下步骤：
步骤10通过GIS手段对山川、河流等地理信息进行绘制，通过BIM手段对机组、房屋的建筑信息进行描述，并考虑效率和精度因素，将BIM平面直角坐标(x，y，h)转换到GIS大地坐标(L、B、H)，在虚拟空间构建与物理电站设施、设备一一对应三维静态虚拟电站，坐标转换公式如下：
式中：a为地球椭球短半轴，b为地球椭球长半轴。
步骤102基于现有洪水演进模型、水动力学模型、大坝安全分析评估模型、上游来水中长期预报模型和下游影响区淹没模型，结合Unity 3D游戏引擎，驱动三维静态虚拟电站流动演化，实现在虚拟空间下的水电厂数字孪生，满足水电厂运行管理、状态评价、仿真预演的智能应用。
优选地，步骤4构件并训练智慧大脑模型包括如下步骤：
步骤201基于孪生电站模拟不同水位条件、不同气温条件等不同工况下的水电厂设施设备状态，获取水电厂大坝的变形、渗流和机电设备流量、压力的参数指标，建立模型模拟数据集，得到目标数据；
步骤202构建基于对抗神经网络、孪生神经网络的数据分析模型，利用孪生电站、物理电站获得不同水位条件、不同气温条件、不同工况下大坝的变形、渗流的参数指标数据，建立模型模拟数据集，将模拟数据集输入数据分析模型进行初步训练，得到初步智慧大脑模型；
步骤203基于机器学习模型迁移架构，通过物理水电厂真实运行数据构建的目标数据集，以样本对的目标数据集输入到对电站数据分析模型进行训练，对样本对下目标数据集通过损失函数训练，所述损失函数为：
式中：N为样本对个数，W表示损失函数的参数，Y为样本对是否匹配的标签，Y＝0表示样本对有差异，Y＝1表示样本对间无差异，m表示阈值，DW表示样本对X1、X2间的欧式距离，表示如下：
式中，X1 i、X2 i样本X1、X2的第i个特征，p表示样本中特征的数目。
其中，获得目标数据集是将数据中心进行区域管理，区域管理包括数据管理域、数据分析域、数据处理域三大部分；
在数据管理域，根据文本、图片、视频、声纹的不同类型数据，依据采集规范和标准，采用完整备份、增量备份、差异备份、镜像备份和远程备份的方法实现数据备份；
在数据分析域，采用数据算法通过均值填充、中位数填充、众数填充、去除重复值对奇异值数据进行处理，去除噪声、冗余和错误信息，补充缺失信息，筛选有效数据，并基于量纲分析对水电厂各类数据进行转换，形成数据源；
其中，均值填充可以描述为：
式中：X1、X2和Xn分别为传感器在不同位置的测量值，n为传感器的数目
在众数填充中，选取该数值个数最多的数进行填充，众数填充可以描述为：
X＝{i1(X1),i2(X2),...,imax(XK)}
式中：i(X)表示测点数值X出现的次数，imax(XK)代表出现次数最多的次数，
在中位数填充过程中，对采集到的数据从大到小进行排序，选取最中间的数作为最终的数据进行填充；
在数据处理域，通过索引存储、链式存储方法对水电厂管理过程中各类业务数据进行存储；
步骤5中的驱动水电厂执行单元指示大坝智能碾压、安全管理、质量管理、设备管理、智能监测、数字档案、环保监测、作业安全管控、智能巡检、检修维护、多系统联动和营销管理的水电厂执行单元。
本发明提供了一种基于数字孪生水电厂运维数据处理建模的方法，解决了现有水电厂运维调度过程存在的问题，本发明通过大数据、人工智能等现代信息技术与传统测试技术相结合采集数据和传输，建立数据中心进行区域管理，在虚拟空间构建孪生电站，构建并训练智慧大脑模型，根据水电厂实时运行状态，通过训练好的智慧大脑模型得出的智能预警、智慧决策、决策建议，驱动执行单元对水电厂全方位、全场景的智慧管理；把海量冗杂的数据通过数据清洗处理后经过分析，对水电厂全生命周期数字化管理展示处理，实现了水电厂设备健康状态智能监测与状态检修，提升了水电厂智能运维系统精细化管理能力。
附图说明
图1是一种基于数字孪生水电厂运维数据处理建模的系统智慧水电厂智能运维系统架构示意图；
图2是一种基于数字孪生水电厂运维数据处理建模的方法技术路径实现流程图；
图3是一种基于数字孪生水电厂运维数据处理建模的系统中智慧网络模块组成部分示意图；
图4是一种基于数字孪生水电厂运维数据处理建模的系统中数据中心组成和管理框架示意图；
图5是一种基于数字孪生水电厂运维数据处理建模的系统中智慧大脑模型核心组成和大脑模型训练逻辑示意图；
图6是一种基于数字孪生水电厂运维数据处理建模的系统中智慧应用的执行单元示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。
本发明实施例在一个方面，提供了一种基于数字孪生水电厂运维数据处理建模的系统，该系统包括智慧感知模块、智能网络模块、数据中心模块、孪生电站模块、智慧大脑模块和智慧应用模块，
智慧感知模块：利用水电厂各区域位置部署和应用智能设备和装置对水电厂关键设备的数据进行采集，构建智能感知系统获得目标数据；
智能网络模块：通过自组网、主干光纤环网、WiFi网络、5G网络对采集到的数据进行传输，构建智能网络传输系统；
数据中心模块：是按统一存储模式、数据缓存机制、任务调度机制、数据清洗算法和数据共享机制对采集的目标数据进行存储、处理建立数据中心并获得目标数据集；所述数据中心进行区域管理，区域管理包括数据管理域、数据分析域、数据处理域；
孪生电站模块：基于BIM建筑信息模型，采用GIS地理信息系统的地理信息科学方法，结合水电厂运行历史数据形成的洪水演进模型、水动力学模型建立在时空、环境、状态上与物理实体电站相对应的孪生电站模型，实现在虚拟空间下的水电厂数字孪生，并对水电厂直观的运行管理、状态评价、仿真预演；
智慧大脑模块：构建基于抗神经网络、孪生神经网络的数据分析模型，将以样本对形式的模拟数据集输入到数据分析模型中进行初步训练，得到初步的智慧大脑模型；之后基于迁移学习架构再将以样本对形式的目标数据集输入到初步智慧大脑模型中通过优化损失函数实现通用模型进一步调整，形成训练好的智慧大脑模型。
智能应用模块，应用训练好的智慧大脑模块中的智能预警、智慧决策，驱动执行单元对水电厂进行智能管理与运维。
在一个实施例中，智慧感知模块中的构建智能感知系统是指智能感知系统对水电厂关键设施、设备重要参数通过智能设备上的智能传感器进行测量和采集；智能设备包括智能摄像头、智能传感器、大坝安全监测设备、水雨情监测装置、定位装置、RFID射频识别、智能巡检机器人、无人机、智能安全帽、智能手持终端。
在一个实施例中，智能网络模块中的构建智能网络传输系统是指对采集到的目标数据进行传输，结合水电厂特定需求构建智能网络，构建智能网络考虑的因素包括供电电压、设备取电、供电距离、网线选择和设备安装位置；构建智能网络考虑的因素具体如下：
在供电电压中，无线自组网设备的电源适配器，交流电正常供电电压为110V～240V，无线自组网设备的直流供电范围为9～30V，无线自组网设备出厂配套电源适配器直流电压、电流为24V、0.8A；
在设备取电中，由于无线自组网设备属于精密电子设备，无线自组网设备供电的取电应与其它大功率设备分开取电；在同一位置取电时，加装UPS、稳压电源或隔离变压器，过滤掉大功率电机工作时对电源的影响和干扰；
在供电距离中，使用电源适配器+PoE模块通过网线给无线自组网设备供电时，供电距离100≤d≤120米，并使用国标超六类纯铜网线；
在网线选择中，在室外施工应使用室外型网线；网线铺设路径上经过有强电设备或供电线时，选择屏蔽网线和屏蔽水晶头，并且网线内屏蔽层与水晶头金属外皮焊接并接地；如果网线铺设路径与强电有较长距离的经过时，将网线串金属管以进行屏蔽；
在设备安装位置中，无线自组网设备采用5GHz频段进行传输，5GHz传输属于视距传输，两端相互可视，中间不能有障碍物遮挡。
在一个实施例中，建立数据中心获得目标数据集是将数据中心进行区域管理，区域管理包括数据管理域、数据分析域、数据处理域三大部分；
在数据管理域，根据文本、图片、视频、声纹的不同类型数据，依据采集规范和标准，采用完整备份、增量备份、差异备份、镜像备份和远程备份的方法实现数据备份；从数据标准、安全的角度对数据进行管理；
在数据分析域，采用数据算法通过均值填充、中位数填充、众数填充、去除重复值对奇异值数据进行处理，去除噪声、冗余和错误信息，补充缺失信息，筛选有效数据，并基于量纲分析对水电厂各类数据进行转换，形成目标数据集；
其中，均值填充可以描述为：
式中：X1、X2和Xn分别为传感器在不同位置的测量值，n为传感器的数目在众数填充中，选取该数值个数最多的数进行填充，众数填充可以描述为：
X＝{i1(X1),i2(X2),...,imax(XK)}
式中：i(X)表示测点数值X出现的次数，imax(XK)代表出现次数最多的次数，
在中位数填充过程中，对采集到的数据从大到小进行排序，选取最中间的数作为最终的数据进行填充；
在数据处理域，通过索引存储、链式存储方法对水电厂管理过程中各类业务数据进行存储。以支持高效的查询和更新操作。
索引存储方法是指通过建立存储结点信息，以及建立附加的索引表来标识结点的地址的存储方法。
链式存储方法一般有两种方式，一种顺序存储方式，另一种是链式存储方式(非顺序存储方式)。链式数据存储是指数据采用链式存储结构进行存储。存储密度比顺序存储结构小。
在一个实施例中，孪生电站模块中实现在虚拟空间下的水电厂数字孪生，并对水电厂直观的运行管理、状态评价、仿真预演还包括如下步骤：步骤101通过地理信息科学GIS方法对山川、河流的地理信息进行绘制，通过建筑信息建模BIM方法对机组、房屋的建筑信息进行可视化表达，在虚拟空间构建与物理电站设施、设备一一对应三维静态虚拟电站；
考虑效率和精度因素，将BIM平面直角坐标(x，y，h)转换到GIS大地坐标(L、B、H)，坐标转换公式如下：
式中：a为地球椭球短半轴，b为地球椭球长半轴。
步骤102基于现有洪水演进模型、水动力学模型、大坝安全分析评估模型、上游来水中长期预报模型和下游影响区淹没模型，结合Unity 3D游戏引擎，驱动三维静态虚拟电站流动演化，实现在虚拟空间下的水电厂数字孪生，用于水电厂运行管理、状态评价、仿真预演的智能应用。
建筑信息模型(BIM Building Information Modeling)是建筑学、工程学及土木工程的新工具，GIS是一种基于计算机技术的地理信息系统,它将地理空间数据和数据分析结合起来,为人们提供了更加全面和深入的地理信息理解和应用。GIS的核心是地理空间数据,这些数据包括地图、遥感图像、地理坐标、属性信息等,这些数据可以通过GIS技术进行存储、处理、分析和展示。
地理信息科学方法是以系统论、信息化、控制论、耗散结构论、协同论、超循环理论、分形与混沌理论、虚拟现实等信息系统科学理论为指导，在以地理信息为对象的研究活动中总结出来的信息系统整体思维方式。
在一个实施例中，智慧大脑模块构建基于抗神经网络、孪生神经网络的数据分析为核心的智慧大脑模型，并利用孪生电站、物理电站获得不同水位条件、不同气温条件、不同工况下大坝的变形、渗流的指标，对智慧大脑模型进行训练，并通过训练好的智慧大脑实现水电厂设备智能预警、智慧决策，智慧大脑模型具体训练步骤如下：
步骤201基于孪生电站模拟不同水位条件、不同气温条件等不同工况下的水电厂设施设备状态，获取水电厂大坝的变形、渗流和机电设备流量、压力的参数指标，建立模型模拟数据集，得到目标数据；
步骤202构建基于对抗神经网络、孪生神经网络的数据分析模型，利用孪生电站、物理电站获得不同水位条件、不同气温条件、不同工况下大坝的变形、渗流的参数指标数据，建立模型模拟数据集，得到模拟数据集，并将模拟数据集输入数据分析模型进行初步训练，得到初步智慧大脑模型；
步骤203基于机器学习模型迁移，通过物理水电厂真实运行数据构建的目标数据集，以样本对的目标数据集输入到对电站数据分析模型进行训练，对样本对形式的目标数据集通过损失函数训练，所述损失函数为：
式中：N为样本对个数，W表示损失函数的参数，Y为样本对是否匹配的标签，Y＝0表示样本对有差异，Y＝1表示样本对间无差异，m表示阈值，DW表示样本对X1、X2间的欧式距离，表示如下：
式中，X1 i、X2 i样本X1、X2的第i个特征，p表示样本中特征的数目。
在一个实施例中，智慧应用模块应用训练好的智慧大脑模型的智能预警、智慧决策，驱动执行单元对水电厂进行智能管理与运维是指基于智慧大脑的决策建议，驱动大坝智能碾压、安全管理、质量管理、设备管理、智能监测、数字档案、环保监测、作业安全管控、智能巡检、检修维护、多系统联动和营销管理的水电厂执行单元，实现水电厂全方位、全场景的智慧管理。
本发明实施例提供了一种基于数字孪生水电厂运维数据处理建模的系统，解决了水电厂数据样本不平衡，现有基于决策树、随机森林等传统机器学习模型无法得到充分训练，数据利用率低，无法做到最优决策的问题。通过构建以智慧感知、智能网络、数据中心、孪生电站、智慧大脑和智慧应用为基础的水电厂智能运维平台，实现了从水电厂运行数据到水电厂业务进行整合和利用，解决了水电厂运维过程数据无法对水电厂业务有效利用的问题；同时，基于水电厂数据现状，在智慧大脑中，构建了以孪生、对抗网络为核心的智慧大脑模型，并基于迁移学习思想，利用电站孪生模型对智慧大脑进行初步训练，在利用物理电站真实数据对智慧大脑网络模型进行精细化调整，解决了水电厂数据样本不平衡，数据利用率低，无法做到最优决策的问题；存在水电厂运维过程数据标准不统一、信息孤岛现象严重、业务系统融合度不高、基础建设重复投资、信息分析利用程度低等问题，提升了水电厂精细化管理能力。
本发明实施例在另一个方面，提供了一种基于数字孪生水电厂运维数据处理建模的方法，该方法步骤如下：
步骤1数据采集传输模块
通过在水电厂各区域位置部署感知采集终端设备，对水电厂关键设施、设备重要参数进行测量和采集，获得目标数据，并对采集到的数据进行传输；
步骤2建立数据中心
按统一存储模式、数据缓存机制、任务调度机制、数据清洗算法以及数据共享机制对采集的数据进行存储、处理，获得目标数据集；数据中心进行区域管理，区域管理包括数据管理域、数据分析域、数据处理域；
步骤3在虚拟空间构建孪生电站
构建基于BIM建筑信息模型，采用GIS地理信息系统的地理信息科学方法，结合水电厂运行历史数据形成的洪水演进模型、水动力学模型建立在时空、环境、状态上与物理实体电站相对应的孪生电站模型，实现在虚拟空间下的水电厂数字孪生，并对水电厂直观的运行管理、状态评价、仿真预演；
步骤4：构建并训练智慧大脑模型
构建基于抗神经网络、孪生神经网络的数据分析模型，将以样本对形式的模拟数据集输入到数据分析模型中进行初步训练，得到初步的智慧大脑模型；之后基于迁移学习架构再将以样本对形式的目标数据集输入到初步智慧大脑模型中通过优化损失函数实现通用模型进一步调整，形成训练好的智慧大脑模型；
步骤5：智慧大脑模型在水电厂的应用
根据水电厂实时运行状态，通过训练好的智慧大脑模型得出的智能预警、智慧决策、决策建议，驱动水电厂执行单元，实现水电厂全方位、全场景的智慧管理。
在一个实施例中，步骤3还包括如下步骤：
步骤10通过GIS手段对山川、河流等地理信息进行绘制，通过BIM手段对机组、房屋的建筑信息进行描述，并考虑效率和精度因素，将BIM平面直角坐标(x，y，h)转换到GIS大地坐标(L、B、H)，在虚拟空间构建与物理电站设施、设备一一对应三维静态虚拟电站，坐标转换公式如下：
式中：a为地球椭球短半轴，b为地球椭球长半轴。
步骤102基于现有洪水演进模型、水动力学模型、大坝安全分析评估模型、上游来水中长期预报模型和下游影响区淹没模型，结合Unity 3D游戏引擎，驱动三维静态虚拟电站流动演化，实现在虚拟空间下的水电厂数字孪生，满足水电厂运行管理、状态评价、仿真预演的智能应用。
在一个实施例中，步骤4构件并训练智慧大脑模型包括如下步骤：
步骤201基于孪生电站模拟不同水位条件、不同气温条件等不同工况下的水电厂设施设备状态，获取水电厂大坝的变形、渗流和机电设备流量、压力的参数指标，建立模型模拟数据集，得到目标数据；
步骤202构建基于对抗神经网络、孪生神经网络的数据分析模型，利用孪生电站、物理电站获得不同水位条件、不同气温条件、不同工况下大坝的变形、渗流的参数指标数据，建立模型模拟数据集，将模拟数据集输入数据分析模型进行初步训练，得到初步智慧大脑模型；
步骤203基于机器学习模型迁移架构，通过物理水电厂真实运行数据构建的目标数据集，以样本对的目标数据集输入到对电站数据分析模型进行训练，对样本对下目标数据集通过损失函数训练，所述损失函数为：
式中：N为样本对个数，W表示损失函数的参数，Y为样本对是否匹配的标签，Y＝0表示样本对有差异，Y＝1表示样本对间无差异，m表示阈值，DW表示样本对X1、X2间的欧式距离，表示如下：
式中，X1 i、X2 i样本X1、X2的第i个特征，p表示样本中特征的数目。
其中，获得目标数据集是将数据中心进行区域管理，区域管理包括数据管理域、数据分析域、数据处理域三大部分；
在数据管理域，根据文本、图片、视频、声纹的不同类型数据，依据采集规范和标准，采用完整备份、增量备份、差异备份、镜像备份和远程备份的方法实现数据备份；
在数据分析域，采用数据算法通过均值填充、中位数填充、众数填充、去除重复值对奇异值数据进行处理，去除噪声、冗余和错误信息，补充缺失信息，筛选有效数据，并基于量纲分析对水电厂各类数据进行转换，形成数据源；
其中，均值填充可以描述为：
式中：X1、X2和Xn分别为传感器在不同位置的测量值，n为传感器的数目在众数填充中，选取该数值个数最多的数进行填充，众数填充可以描述为：
X＝{i1(X1),i2(X2),...,imax(XK)}
式中：i(X)表示测点数值X出现的次数，imax(XK)代表出现次数最多的次数，
在中位数填充过程中，对采集到的数据从大到小进行排序，选取最中间的数作为最终的数据进行填充；
在数据处理域，通过索引存储、链式存储方法对水电厂管理过程中各类业务数据进行存储；
步骤5中的驱动水电厂执行单元指示大坝智能碾压、安全管理、质量管理、设备管理、智能监测、数字档案、环保监测、作业安全管控、智能巡检、检修维护、多系统联动和营销管理的水电厂执行单元。
本发明提供了一种基于数字孪生水电厂运维数据处理建模的方法，解决了现有水电厂运维调度过程存在的问题，本发明通过大数据、人工智能等现代信息技术与传统测试技术相结合采集数据和传输，建立数据中心进行区域管理，在虚拟空间构建孪生电站，构建并训练智慧大脑模型，根据水电厂实时运行状态，通过训练好的智慧大脑模型得出的智能预警、智慧决策、决策建议，驱动执行单元对水电厂全方位、全场景的智慧管理；把海量冗杂的数据通过数据清洗处理后经过分析，对水电厂全生命周期数字化管理展示处理，实现了水电厂设备健康状态智能监测与状态检修，提升了水电厂智能运维系统精细化管理能力。
实施例一
本发明实施例提出了一种基于数字孪生水电厂运维数据处理建模的系统，系统架构如1所示，主要包含以下步骤，如图1和图2所示，具体内容如下：
智慧感知模块：通过在水电厂各区域位置部署和应用智能摄像头、智能传感器、大坝安全监测设备、水雨情监测装置、定位装置、RFID、智能巡检机器人、无人机、智能安全帽、智能手持终端等智能传感器，构建智能感知系统，对水电厂关键设施、设备重要参数进行测量和采集。
智慧网络模块：通过自组网、主干光纤环网、WiFi网络以及5G网络，构建智能网络，对采集到的数据进行传输，结合水电厂特定需要，进一步规定了构建智能网络需要考虑的因素，主要包括供电电压、设备取电、供电距离、网线选择以及设备安装位置等，如图3所示。具体如下：
在供电电压中，要求无线自组网设备的电源适配器，交流电正常供电电压为110V～240V，低于或高于该电压均会影响设备正常工作或导致电源适配器异常损坏。无线自组网设备的直流供电范围为9～30V，无线自组网设备出厂配套电源适配器直流电压、电流为24V、0.8A。
在设备取电中，由于无线自组网设备属于精密电子设备，对于供电要求较高，且易受其它供电设备的冲击和影响，所以安装和后期正常使用时，无线自组网设备供电的取电应与其它大功率设备分开取电。在同一位置取电时，加装UPS、稳压电源或隔离变压器，过滤掉大功率电机等工作时对电源的影响和干扰。
在供电距离中，使用电源适配器+PoE模块通过网线给无线自组网设备供电时，供电距离最远为120米，建议不超过100米，并使用国标超六类纯铜网线，超过该距离建议将输电线路移至无线自组网设备附近，以满足建议供电距离要求。
在网线选择中，在室外施工应使用室外型网线，可以更有效的防止外皮老化。网线铺设路径上经过有强电设备或供电线时，应选择屏蔽网线和屏蔽水晶头，且网线内屏蔽层需要与水晶头金属外皮焊接并接地，否则没有屏蔽效果。如果网线铺设路径需要与强电有较长距离的经过时，建议将网线串金属管以进行更好的屏蔽效果。
在设备安装位置中，要求无线自组网设备采用的是业内通用的5GHz频段进行传输，具有传输距离远，带宽高等优点。但是5GHz传输属于视距传输，要求两端相互可视，中间不能有障碍物遮挡。
数据中心模块：按统一存储模式、数据缓存机制、任务调度机制、数据清洗算法以及数据共享机制对采集的数据进行存储、融合、处理，建立数据中心。
具体的，由于数据中心存储水电厂全生命周期管理所需要的数据，数据量大，导致管理不便以及难以为企业内部应用提供服务等问题，将数据中心进行区域管理，包括数据管理域、数据分析域、数据处理域三大部分，如图4所示。
其中，在数据管理域，据根据文本、图片、视频、声纹等不同类型数据，依据采集规范和标准，采用完整备份、增量备份、差异备份、镜像备份以及远程备份的手段实现数据备份，从数据标准、安全等角度对数据进行管理。
在数据分析域，通过均值填充、中位数填充、众数填充、去除重复值等奇异值数据处理手段去除噪声、冗余和错误信息，补充缺失信息，筛选有效数据，并基于量纲分析对水电厂各类数据进行转换，形成数据源。其中，均值填充可以描述为：
式中：X1、X2和Xn分别为传感器在不同位置的测量值，n为传感器的数目
在众数填充中，选取该数值个数最多的数进行填充，众数填充可以描述为：
X＝{i1(X1),i2(X2),...,imax(XK)}
式中：i(X)表示测点数值X出现的次数，imax(XK)代表出现次数最多的次数，
在中位数填充过程中，对采集到的数据从大到小进行排序，选取最中间的数作为最终的数据进行填充，
在数据处理域，通过索引存储、链式存储等存储方法对水电厂管理过程中各类业务数据进行存储，以支持高效的查询和更新操作。
孪生电站模块：通过BIM+GIS一体化融合技术，结合水电厂运行历史数据形成的洪水演进模型、水动力学模型洪等模型，建立在时空、环境、状态上与物理实体电站相对应的孪生电站，提供水电厂直观的运行管理、状态评价、仿真预演等智能应用功能。
具体的，首先通过GIS手段对山川、河流等地理信息进行绘制，通过BIM手段对机组、房屋等建筑信息进行描述，并考虑效率和精度因素，将BIM平面直角坐标(x，y，h)转换到GIS大地坐标(L、B、H)，在虚拟空间构建与物理电站设施、设备一一对应三维静态虚拟电站，坐标转换公式如下：
式中：a为地球椭球短半轴，b为地球椭球长半轴。
其次，基于现有洪水演进模型、水动力学模型、大坝安全分析评估模型、上游来水中长期预报模型以及下游影响区淹没模型，结合Unity 3D游戏引擎，驱动三维静态虚拟电站流动演化，实现在虚拟空间下的水电厂数字孪生，满足水电厂运行管理、状态评价、仿真预演等智能应用。
智慧大脑模块：构建以对抗神经网络、孪生神经网络等数据分析模块为核心的智慧大脑模型，并利用孪生电站、物理电站获得不同水位条件、不同气温条件、不同工况下大坝的变形、渗流等重点指标，对智慧大脑进行训练，并通过训练好的智慧大脑实现水电厂设备智能预警，并对水电厂设备故障进行辨识，如表1所示，并依据故障类型提供智慧决策，驱动智慧应用模块进行处理。
具体的，针对直接利用物理水电厂实时数据进行模型训练，需要大量数据的问题，导致智慧大脑模型无法被充分训练的问题。首先基于孪生电站模拟不同水位条件、不同气温条件等不同工况下的水电厂设施设备状态，获取水电厂大坝的变形、渗流以及机电设备流量、压力等参数指标，建立模型模拟数据集。其次，针对实际数据中电厂设备故障数据少，不同故障数据不平衡的问题，构建了基于对抗神经网络、孪生神经网络的数据分析模型，利用模拟得到的数据对模型进行初步训练，建立电站数据分析、挖掘通用模型。
具体的，以样本对的形式对数据集进行扩充，并以样本对的形式将数据输入到网络中，通过优化损失函数实现模型的训练。为实现样本对下的网络模型训练，其核心在于构建的损失函数。在本发明中，所构建的损失函数为：
式中：N为样本对个数，W表示损失函数的参数，Y为样本对是否匹配的标签，Y＝0表示样本对有差异，Y＝1表示样本对间无差异，m表示阈值，DW表示样本对X1、X2间的欧式距离，表示如下：
最后，基于机器学习模型迁移思想，通过物理水电厂真实数据对通用模型进行精细化调整，如图5所示，最终实现水电厂设备智能预警。
智慧应用：根据智慧大脑的智能预警、智慧决策，驱动执行单元对水电厂进行智能管理与运维。
具体的，基于智慧大脑的决策建议，驱动大坝智能碾压、安全管理、质量管理、设备管理、智能监测、数字档案、环保监测、作业安全管控、智能巡检、检修维护、多系统联动以及营销管理等水电厂执行单元，实现水电厂全方位、全场景的智慧管理，如图6所示。根据智慧大脑模型的智能预警，如表1所示，水电厂常见故障按分类结果进行预警，智慧大脑模型根据水电厂不同运行的情况，自定义故障的风险等级，给出运维决策建议，供水电厂运维人员参考决策建议，实施下一步的故障排除工作。
表1水电厂常见故障分类结果
本发明实施例提供了一种基于数字孪生水电厂运维数据处理建模的系统，解决了水电厂数据样本不平衡，实际数据设备故障数据少，不同故障数据不平衡导致传统机器学习模型无法得到充分训练，数据利用率低，无法做到最优决策；运维过程数据标准不统一、信息孤岛现象严重、业务系统融合度不高、基础建设重复投资、信息分析利用程度低等问题；本发明通过构建以智慧感知、智能网络、数据中心、孪生电站、智慧大脑和智慧应用为基础的水电厂智能运维平台，实现了从水电厂运行数据到水电厂业务进行整合和利用，基于水电厂数据现状，在智慧大脑中，构建了以孪生、对抗网络为核心的智慧大脑模型，并基于迁移学习思想，利用电站孪生模型对智慧大脑进行初步训练，在利用物理电站真实数据对智慧大脑网络模型进行精细化调整进行管理，实现了从水电厂运行数据到水电厂业务进行整合和利用，实现了水电厂设备健康状态智能监测与状态检修，提升了水电厂精细化管理能力。

Claims (10)

1.一种基于数字孪生水电厂运维数据处理建模的系统，其法特征在于，所述系统包括智慧感知模块、智能网络模块、数据中心模块、孪生电站模块、智慧大脑模块和智慧应用模块，
所述智慧感知模块：利用水电厂各区域位置部署和应用智能设备和装置对水电厂关键设备的数据进行采集，构建智能感知系统获得目标数据；
所述智能网络模块：通过自组网、主干光纤环网、WiFi网络、5G网络对采集到的数据进行传输，构建智能网络传输系统；
所述数据中心模块：是按统一存储模式、数据缓存机制、任务调度机制、数据清洗算法和数据共享机制对采集的目标数据进行存储、处理建立数据中心并获得目标数据集；所述数据中心进行区域管理，区域管理包括数据管理域、数据分析域、数据处理域；
所述孪生电站模块：基于BIM建筑信息模型，采用GIS地理信息系统的地理信息科学方法，结合水电厂运行历史数据形成的洪水演进模型、水动力学模型建立在时空、环境、状态上与物理实体电站相对应的孪生电站模型，实现在虚拟空间下的水电厂数字孪生，并对水电厂直观的运行管理、状态评价、仿真预演，并利用孪生电站模型获得不同水位条件、不同气温条件、不同工况下大坝的变形、渗流的参数指标数据，建立模型模拟数据集，获得模拟数据集；
所述智慧大脑模块：构建基于抗神经网络、孪生神经网络的数据分析模型，将以样本对形式的模拟数据集输入到数据分析模型中进行初步训练，得到初步的智慧大脑模型；之后基于迁移学习架构再将以样本对形式的目标数据集输入到初步智慧大脑模型中通过优化损失函数实现通用模型进一步调整，形成训练好的智慧大脑模型；
所述智能应用模块，应用训练好的智慧大脑模块中的智能预警、智慧决策，驱动执行单元对水电厂进行智能管理与运维。
2.根据权利要求1所述的一种基于数字孪生水电厂运维数据处理建模的系统，其特征在于，所述智慧感知模块中的构建智能感知系统是指智能感知系统对水电厂关键设施、设备重要参数通过智能设备上的智能传感器进行测量和采集；智能设备包括智能摄像头、智能传感器、大坝安全监测设备、水雨情监测装置、定位装置、RFID射频识别、智能巡检机器人、无人机、智能安全帽、智能手持终端。
3.根据权利要求1所述的一种基于数字孪生水电厂运维数据处理建模的系统，其特征在于，所述智能网络模块中的构建智能网络传输系统是指对采集到的目标数据进行传输，结合水电厂特定需求构建智能网络，构建智能网络考虑的因素包括供电电压、设备取电、供电距离、网线选择和设备安装位置；构建智能网络考虑的因素具体如下：
在供电电压中，无线自组网设备的电源适配器，交流电正常供电电压为110V～240V，无线自组网设备的直流供电范围为9～30V，无线自组网设备出厂配套电源适配器直流电压、电流为24V、0.8A；
在设备取电中，由于无线自组网设备属于精密电子设备，无线自组网设备供电的取电应与其它大功率设备分开取电；在同一位置取电时，加装UPS、稳压电源或隔离变压器，过滤掉大功率电机工作时对电源的影响和干扰；
在供电距离中，使用电源适配器+PoE模块通过网线给无线自组网设备供电时，供电距离100≤d≤120米，并使用国标超六类纯铜网线；
在网线选择中，在室外施工应使用室外型网线；网线铺设路径上经过有强电设备或供电线时，选择屏蔽网线和屏蔽水晶头，并且网线内屏蔽层与水晶头金属外皮焊接并接地；如果网线铺设路径与强电有较长距离的经过时，将网线串金属管以进行屏蔽；
在设备安装位置中，无线自组网设备采用5GHz频段进行传输，5GHz传输属于视距传输，两端相互可视，中间不能有障碍物遮挡。
4.根据权利要求1所述的一种基于数字孪生水电厂运维数据处理建模的系统，其特征在于，建立数据中心是将获得目标数据集进行区域管理，区域管理包括数据管理域、数据分析域、数据处理域三大部分；
在数据管理域，根据文本、图片、视频、声纹的不同类型数据，依据采集规范和标准，采用完整备份、增量备份、差异备份、镜像备份和远程备份的方法实现数据备份；
在数据分析域，采用数据算法通过均值填充、中位数填充、众数填充、去除重复值对奇异值数据进行处理，去除噪声、冗余和错误信息，补充缺失信息，筛选有效数据，并基于量纲分析对水电厂各类数据进行转换，形成目标数据集；
其中，均值填充可以描述为：
式中：X1、X2和Xn分别为传感器在不同位置的测量值，n为传感器的数目在众数填充中，选取该数值个数最多的数进行填充，众数填充可以描述为：
X＝{i1(X1),i2(X2),...,imax(XK)}
式中：i(X)表示测点数值X出现的次数，imax(XK)代表出现次数最多的次数；
在中位数填充过程中，对采集到的数据从大到小进行排序，选取最中间的数作为最终的数据进行填充；
在数据处理域，通过索引存储、链式存储方法对水电厂管理过程中各类业务数据进行存储。
5.根据权利要求1所述的一种基于数字孪生水电厂运维数据处理建模的系统，其特征在于，所述孪生电站模块中实现在虚拟空间下的水电厂数字孪生，并对水电厂直观的运行管理、状态评价、仿真预演还包括如下步骤：
步骤101通过地理信息科学GIS方法对山川、河流的地理信息进行绘制，通过建筑信息建模BIM方法对机组、房屋的建筑信息进行可视化表达，在虚拟空间构建与物理电站设施、设备一一对应三维静态虚拟电站；
考虑效率和精度因素，将BIM平面直角坐标(x，y，h)转换到GIS大地坐标(L、B、H)，坐标转换公式如下：
式中：a为地球椭球短半轴，b为地球椭球长半轴；
步骤102基于现有洪水演进模型、水动力学模型、大坝安全分析评估模型、上游来水中长期预报模型和下游影响区淹没模型，结合Unity 3D游戏引擎，驱动三维静态虚拟电站流动演化，实现在虚拟空间下的水电厂数字孪生，并用于水电厂运行管理、状态评价、仿真预演的智能应用。
6.根据权利要求1所述的一种基于数字孪生水电厂运维数据处理建模的系统，其特征在于，所述智慧大脑模块构建基于抗神经网络、孪生神经网络的数据分析为核心的智慧大脑模型，并利用孪生电站、物理电站获得不同水位条件、不同气温条件、不同工况下大坝的变形、渗流的指标，对智慧大脑模型进行训练，并通过训练好的智慧大脑实现水电厂设备智能预警、智慧决策，智慧大脑模型具体训练步骤如下：
步骤201基于孪生电站模拟不同水位条件、不同气温条件等不同工况下的水电厂设施设备状态，获取水电厂大坝的变形、渗流和机电设备流量、压力的参数指标，建立模型模拟数据集，得到目标数据；
步骤202构建基于对抗神经网络、孪生神经网络的数据分析模型，利用孪生电站、物理电站获得不同水位条件、不同气温条件、不同工况下大坝的变形、渗流的参数指标数据，建立模型模拟数据集，得到模拟数据集，并将模拟数据集输入数据分析模型进行初步训练，得到初步智慧大脑模型；
步骤203基于机器学习模型迁移架构，通过物理水电厂真实运行数据构建的目标数据集，以样本对的目标数据集输入到对电站数据分析模型进行训练，对样本对形式的目标数据集通过损失函数训练，所述损失函数为：
式中：N为样本对个数，W表示损失函数的参数，Y为样本对是否匹配的标签，Y＝0表示样本对有差异，Y＝1表示样本对间无差异，m表示阈值；DW表示样本对X1、X2间的欧式距离，表示如下：
式中，X1 i、X2 i样本X1、X2的第i个特征，p表示样本中特征的数目。
7.根据权利要求1所述的一种基于数字孪生水电厂运维数据处理建模的系统，其特征在于，所述智慧应用模块应用训练好的智慧大脑模型的智能预警、智慧决策，驱动执行单元对水电厂进行智能管理与运维是指基于智慧大脑的决策建议，驱动大坝智能碾压、安全管理、质量管理、设备管理、智能监测、数字档案、环保监测、作业安全管控、智能巡检、检修维护、多系统联动和营销管理的水电厂执行单元，实现水电厂全方位、全场景的智慧管理。
8.一种基于数字孪生水电厂运维数据处理建模的方法，其特征在于，所述方法包括步骤如下；
步骤1：数据采集传输模块
通过在水电厂各区域位置部署感知采集终端设备，对水电厂关键设施、设备重要参数进行测量和采集，获得目标数据，并对采集到的数据进行传输；
步骤2：建立数据中心
按统一存储模式、数据缓存机制、任务调度机制、数据清洗算法以及数据共享机制对采集的数据进行存储、处理，获得目标数据集；数据中心进行区域管理，区域管理包括数据管理域、数据分析域、数据处理域；
步骤3：在虚拟空间构建孪生电站
构建基于BIM建筑信息模型，采用GIS地理信息系统的地理信息科学方法，结合水电厂运行历史数据形成的洪水演进模型、水动力学模型建立在时空、环境、状态上与物理实体电站相对应的孪生电站模型，实现在虚拟空间下的水电厂数字孪生，并对水电厂直观的运行管理、状态评价、仿真预演；
步骤4：构建并训练智慧大脑模型
构建基于抗神经网络、孪生神经网络的数据分析模型，将以样本对形式的模拟数据集输入到数据分析模型中进行初步训练，得到初步的智慧大脑模型；之后基于迁移学习架构再将以样本对形式的目标数据集输入到初步智慧大脑模型中通过优化损失函数实现通用模型进一步调整，形成训练好的智慧大脑模型；
步骤5：智慧大脑模型在水电厂的应用
根据水电厂实时运行状态，通过训练好的智慧大脑模型得出的智能预警、智慧决策、决策建议，驱动水电厂执行单元，实现水电厂全方位、全场景的智慧管理。
9.根据权利要求8所述的一种基于数字孪生水电厂运维数据处理建模的方法，其特征在于，步骤3还包括如下步骤：
步骤10通过GIS手段对山川、河流等地理信息进行绘制，通过BIM手段对机组、房屋的建筑信息进行描述，并考虑效率和精度因素，将BIM平面直角坐标(x，y，h)转换到GIS大地坐标(L、B、H)，在虚拟空间构建与物理电站设施、设备一一对应三维静态虚拟电站，坐标转换公式如下：
式中：a为地球椭球短半轴，b为地球椭球长半轴；
步骤102基于现有洪水演进模型、水动力学模型、大坝安全分析评估模型、上游来水中长期预报模型和下游影响区淹没模型，结合Unity 3D游戏引擎，驱动三维静态虚拟电站流动演化，实现在虚拟空间下的水电厂数字孪生，满足水电厂运行管理、状态评价、仿真预演的智能应用。
10.根据权利要求1所述的一种基于数字孪生水电厂运维数据处理建模的方法，其特征在于，步骤4构件并训练智慧大脑模型包括如下步骤：
步骤201基于孪生电站模拟不同水位条件、不同气温条件等不同工况下的水电厂设施设备状态，获取水电厂大坝的变形、渗流和机电设备流量、压力的参数指标，建立模型模拟数据集，得到目标数据；
步骤202构建基于对抗神经网络、孪生神经网络的数据分析模型，利用孪生电站、物理电站获得不同水位条件、不同气温条件、不同工况下大坝的变形、渗流的参数指标数据，建立模型模拟数据集，将模拟数据集输入数据分析模型进行初步训练，得到初步智慧大脑模型；
步骤203基于机器学习模型迁移架构，通过物理水电厂真实运行数据构建的目标数据集，以样本对的目标数据集输入到对电站数据分析模型进行训练，对样本对下目标数据集通过损失函数训练，所述损失函数为：
式中：N为样本对个数，W表示损失函数的参数，Y为样本对是否匹配的标签，Y＝0表示样本对有差异，Y＝1表示样本对间无差异，m表示阈值；DW表示样本对X1、X2间的欧式距离，表示如下：
式中，X1 i、X2 i样本X1、X2的第i个特征，p表示样本中特征的数目；
所述获得目标数据集是将数据中心进行区域管理，区域管理包括数据管理域、数据分析域、数据处理域三大部分；
在数据管理域，根据文本、图片、视频、声纹的不同类型数据，依据采集规范和标准，采用完整备份、增量备份、差异备份、镜像备份和远程备份的方法实现数据备份；
在数据分析域，采用数据算法通过均值填充、中位数填充、众数填充、去除重复值对奇异值数据进行处理，去除噪声、冗余和错误信息，补充缺失信息，筛选有效数据，并基于量纲分析对水电厂各类数据进行转换，形成数据源；
其中，均值填充可以描述为：
式中：X1、X2和Xn分别为传感器在不同位置的测量值，n为传感器的数目
在众数填充中，选取该数值个数最多的数进行填充，众数填充可以描述为：
X＝{i1(X1),i2(X2),...,imax(XK)}
式中：i(X)表示测点数值X出现的次数，imax(XK)代表出现次数最多的次数，
在中位数填充过程中，对采集到的数据从大到小进行排序，选取最中间的数作为最终的数据进行填充；
在数据处理域，通过索引存储、链式存储方法对水电厂管理过程中各类业务数据进行存储；
步骤5中的驱动水电厂执行单元指示大坝智能碾压、安全管理、质量管理、设备管理、智能监测、数字档案、环保监测、作业安全管控、智能巡检、检修维护、多系统联动和营销管理的水电厂执行单元。
CN202311311166.0A 2023-10-10 2023-10-10 一种基于数字孪生水电厂运维数据处理建模的方法及系统 Pending CN117494547A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311311166.0A CN117494547A (zh) 2023-10-10 2023-10-10 一种基于数字孪生水电厂运维数据处理建模的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311311166.0A CN117494547A (zh) 2023-10-10 2023-10-10 一种基于数字孪生水电厂运维数据处理建模的方法及系统

Publications (1)

Publication Number Publication Date
CN117494547A true CN117494547A (zh) 2024-02-02

Family

ID=89681717

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311311166.0A Pending CN117494547A (zh) 2023-10-10 2023-10-10 一种基于数字孪生水电厂运维数据处理建模的方法及系统

Country Status (1)

Country Link
CN (1) CN117494547A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118095657A (zh) * 2024-04-23 2024-05-28 国能信控互联技术有限公司 基于设备统一信息模型的数字化业务管理方法及系统
CN118264315A (zh) * 2024-03-07 2024-06-28 国网青海省电力公司 光链路交叉比对与故障精准定位方法及系统
CN118625772A (zh) * 2024-08-09 2024-09-10 湖南睿图智能科技有限公司 一种基于数字孪生的水电站安全测控系统及方法
CN118657386A (zh) * 2024-08-20 2024-09-17 山东省水利勘测设计院有限公司 一种水库容量动态评估方法及系统
CN118690978A (zh) * 2024-08-27 2024-09-24 四川省水利科学研究院 一种水利枢纽闸群调控方法及装置
CN118657386B (zh) * 2024-08-20 2024-11-05 山东省水利勘测设计院有限公司 一种水库容量动态评估方法及系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118264315A (zh) * 2024-03-07 2024-06-28 国网青海省电力公司 光链路交叉比对与故障精准定位方法及系统
CN118095657A (zh) * 2024-04-23 2024-05-28 国能信控互联技术有限公司 基于设备统一信息模型的数字化业务管理方法及系统
CN118625772A (zh) * 2024-08-09 2024-09-10 湖南睿图智能科技有限公司 一种基于数字孪生的水电站安全测控系统及方法
CN118657386A (zh) * 2024-08-20 2024-09-17 山东省水利勘测设计院有限公司 一种水库容量动态评估方法及系统
CN118657386B (zh) * 2024-08-20 2024-11-05 山东省水利勘测设计院有限公司 一种水库容量动态评估方法及系统
CN118690978A (zh) * 2024-08-27 2024-09-24 四川省水利科学研究院 一种水利枢纽闸群调控方法及装置

Similar Documents

Publication Publication Date Title
CN117494547A (zh) 一种基于数字孪生水电厂运维数据处理建模的方法及系统
CN112381963B (zh) 一种基于数字孪生技术的电力物联网智能巡检方法及系统
CN106802993B (zh) 一种在三维场景下电网潮流运行的展现方法
CN103941745B (zh) 用于无人机输电线路巡检的移动子站及工作方法
CN106026393B (zh) 一种电网线路智能巡线及运行安全风险预测系统及方法
CN104574835B (zh) 一种基于gis的电网灾害监测及预警系统和方法
CN203849605U (zh) 一种智慧管网
CN106017551A (zh) 一种智能化输电线路综合监测分析预警方法
CN113159475B (zh) 基础设施全生命周期监测平台及方法
CN107730017A (zh) 智能冶金设备运行诊断系统
CN104517432A (zh) 基于无人机和无线传感器网络的监控系统
CN103914791A (zh) 一种电力设备状态检修系统
CN104899922A (zh) 一种智能电网可视化应用的三维全息生成方法
CN106787186A (zh) 基于三维实景一体化的特高压变电站综合智能管控系统
CN109410312A (zh) 基于光伏电站的光伏组件阵列建立三维模型的方法
CN103001812B (zh) 智能化电力通信故障诊断系统
CN116127700A (zh) 一种基于数字孪生的电力输电线路监控评价系统及方法
CN111651649A (zh) 一种输电线路及杆塔的虚拟围栏构建方法及系统
CN110033102A (zh) 一种巨型水电厂具有学习功能的智能诊断方法及专家系统
CN113326964A (zh) 一种基于数据复合多级综合管廊风险管控方法及方法
CN204270491U (zh) 基于无人机和无线传感器网络的监控系统
CN115935637A (zh) 一种基于gis数字孪生的变电站可视化运维系统
CN113689123A (zh) 一种天然气模块化采集智能管理平台
CN206249417U (zh) 一种特高压变电站三维实景监控装置
CN116720242A (zh) 一种高压电缆隧道数字孪生全景监测系统

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