CN117609341A - 一种电网的数字孪生系统 - Google Patents
一种电网的数字孪生系统 Download PDFInfo
- Publication number
- CN117609341A CN117609341A CN202311380439.7A CN202311380439A CN117609341A CN 117609341 A CN117609341 A CN 117609341A CN 202311380439 A CN202311380439 A CN 202311380439A CN 117609341 A CN117609341 A CN 117609341A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- digital twin
- unit
- power grid
- 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
- 238000004088 simulation Methods 0.000 claims abstract description 97
- 230000004927 fusion Effects 0.000 claims abstract description 75
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000012544 monitoring process Methods 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims description 71
- 238000004422 calculation algorithm Methods 0.000 claims description 62
- 238000004458 analytical method Methods 0.000 claims description 50
- 238000006243 chemical reaction Methods 0.000 claims description 46
- 230000005540 biological transmission Effects 0.000 claims description 43
- 238000013507 mapping Methods 0.000 claims description 37
- 238000005516 engineering process Methods 0.000 claims description 30
- 238000004891 communication Methods 0.000 claims description 28
- 238000007906 compression Methods 0.000 claims description 26
- 230000006835 compression Effects 0.000 claims description 25
- 238000010586 diagram Methods 0.000 claims description 23
- 230000001364 causal effect Effects 0.000 claims description 20
- 238000011217 control strategy Methods 0.000 claims description 20
- 238000010276 construction Methods 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 19
- 238000007726 management method Methods 0.000 claims description 18
- 230000002776 aggregation Effects 0.000 claims description 15
- 238000004220 aggregation Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 14
- 230000002787 reinforcement Effects 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 13
- 230000002596 correlated effect Effects 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 11
- 230000000007 visual effect Effects 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 10
- 230000000903 blocking effect Effects 0.000 claims description 9
- 238000005192 partition Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000012098 association analyses Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 26
- 238000010219 correlation analysis Methods 0.000 abstract description 7
- 230000010354 integration Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000009877 rendering Methods 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 238000012800 visualization Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000012550 audit Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 241000270666 Testudines Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 210000000609 ganglia Anatomy 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- G06F16/25—Integrating or interfacing systems involving database management systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/17—Details of further file system functions
- G06F16/174—Redundancy elimination performed by the file system
- G06F16/1744—Redundancy elimination performed by the file system using compression, e.g. sparse files
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/041—Abduction
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种电网的数字孪生系统,属于电力数字孪生技术领域。包括数据接入模块,接入电网的多源异构数据;建模模块,接收数据接入模块输出的数据并建立多业务场景的数字孪生模型;融合模块,多业务场景的数字孪生模型的关联和融合;计算模块,利用数字孪生模型进行多场景协同仿真推演;优化模块,对数字孪生模型进行优化;其中,多源异构数据包含:实时监测数据、历史运行数据、气象环境数据、设备模型数据和地理信息数据。解决了现有技术中存在的电网中多源异构数据融合效率低的问题,通过构建标准化的数据接入接口,应用关联分析和知识图谱技术等,实现了电网多源异构数据的无缝集成,提高了数据融合效率。
Description
技术领域
本发明涉及电力数字孪生技术领域,更具体地说,涉及一种电网的数字孪生系统。
背景技术
随着能源体系的转型升级,智能电网建设正在全球加速推进。电网数字化、信息化已成为电力企业实现智慧管理、精细运维的重要手段。与此同时,数字孪生作为一种前沿的数字化技术,也受到电力行业的高度关注。数字孪生通过数据、模型、算法和计算平台,实现对物理资产的虚实映射和虚拟缩影,被誉为复杂系统数字化建设的重要途径。
电网涉及变电站、输配电线路等多个场景,数据类型复杂;不同场景模型语义表达存在差异,难以协同。现有数字孪生系统大多局限于单一场景与数据类型,无法支撑系统级的数字孪生应用。
中国专利申请,申请号CN202211499751.3,公开日2023年4月18日,公开了一种基于数字孪生技术的换流站设备监控管理系统及方法,包括:运维状态展示模块,配置利用数字孪生技术将换流站实时运行数据与整站三维模型进行融合建立换流站三维场景;设备信息展示模块,实现站内一次接线图、地下管线信息的呈现;设备状态分析模块,对设定数据的变化趋势与设备运行风险进行监测研判;设备处置诊断模块,进行故障对比分析;中国专利申请,申请号CN202210514806.7,公开日2022年7月29日,公开了一种基于应用场景的数字孪生模型构建方法,该方法开创性地提出了四种主要的数字孪生模型应用场景,并在此基础上针对性地提出了四种数字孪生模型构建流程方法。但是上述技术方案至少存在如下问题:数据融合机制简单,无法有效集成电网的多源异构数据,从而造成电网中多源异构数据融合效率有待进一步提高。
发明内容
要解决的技术问题
针对现有技术中存在的电网中多源异构数据融合效率低的问题,本发明提供了一种电网的数字孪生系统,通过构建标准化的数据接入接口,应用关联分析和知识图谱技术等,提高了电网中多源异构数据的融合效率。
技术方案
本发明的目的通过以下技术方案实现。
本说明书实施例提供一种电网的数字孪生系统,包括:数据接入模块,接入电网的多源异构数据,包含实时监测数据、历史运行数据、气象环境数据、设备模型数据和地理信息数据;建模模块,接收数据接入模块的数据,并建立适用于多业务场景的数字孪生模型;融合模块,进行多业务场景的数字孪生模型的关联和融合;计算模块,利用关联和融合后数字孪生模型进行多场景协同仿真。
进一步的,数据接入模块包含:标准接口单元,通过OpenAPI定义数据接入的标准服务接口,并采用异步非阻塞输入或输出模型,以提高服务接口的响应速度;格式转换单元,通过JSON的转换逻辑进行不同格式数据之间的转换;语义转换单元,基于改进的Word2Vec模型的词向量进行不同语义数据之间的转换,所述改进的Word2Vec模型为加入语义约束优化词向量表示的模型;纬度转换单元,通过组合运用基于正算的大地坐标系转换和基于卫星导航的坐标测量进行不同纬度数据之间的转换;中间件单元,利用优化的分布式消息队列进行多源异构数据的接入,所述优化为通过智能路由分流和动态资源调度。
进一步的,中间件单元包括:关联子单元,采用基于因果模型推断的依赖关系分析方法,建立多源异构数据之间的因果依赖关系;路由子单元,根据多源异构数据之间的因果依赖关系进行智能路由分流,以进行多源异构数据之间的业务关联;资源子单元,根据数据流量实时监测结果,通过改变队列分区数量调整资源队列长度,并通过调节消费线程池线程数改变资源队列宽度。
进一步地,建模模块包含:基础模型构建单元,根据电网的拓扑结构,采用电力系统稳态分析方法构建电网的基础资源模型;数字孪生模型单元,利用基础资源模型,根据不同业务场景,通过可视化编辑工具构建数字孪生模型;模型库单元,采用分布式模型存储机制,存储不同类型的预设模型结构,以供数字孪生模型单元调用;参数拟合单元,根据联邦学习算法和监测数据拟合数字孪生模型的参数;模型管理单元,在模型库中存储各个数字孪生模型,并将数字孪生模型封装成服务进行发布。
进一步的,所述融合模块包含:关联分析单元,利用互信息理论和关联规则算法获取不同的多源异构数据之间的关联关系;规则融合单元,利用时间规则、空间规则和业务规则,根据获取的多源异构数据之间的关联关系,进行跨域特征映射和关系匹配,生成异构数据之间的匹配映射表;模型融合单元,根据匹配映射表,利用推理算法和序列模式匹配技术,进行基于多源异构数据的数字孪生模型的融合;模型协同单元,根据关联关系和融合后的数字孪生模型,构建不同业务间的模型关联图;根据模型关联图,提取数字孪生模型的接口映射关系,通过接口映射关系和消息传递,进行不同业务的数字孪生模型的协同仿真。
进一步地,所述计算模块包含:协同计算单元,利用数字孪生模型的接口映射关系,通过并行计算和分布式通信技术,对关联和融合后的数字孪生模型进行分布式协同仿真计算;输出聚合单元,采用异构信息序列化和编码技术,生成包含多个数字孪生模型协同仿真计算结果的输出数据;仿真分析单元,基于深度学习算法构建预测模型,利用预测模型分析不同控制参数设置下的协同仿真的计算结果;仿真控制单元,利用强化学习算法的策略梯度方法,根据协同仿真的计算结果的分析结果,调整数字孪生模型的控制参数。
进一步地,仿真控制单元包括:策略构建子单元,利用强化学习算法中的策略梯度方法,构建数字孪生模型协同仿真的控制策略模型;参数确定子单元,利用仿真分析单元构建的预测模型,根据不同控制参数设置下的协同仿真结果,选择对协同仿真计算精度和召回率影响最大的前N个控制参数作为关键控制参数;模型训练子单元,利用选择的关键控制参数,在数字孪生模型协同仿真环境中训练控制策略模型,获得最优控制策略;模型应用子单元,利用训练获得的最优控制策略,调整数字孪生模型的参数。
进一步的,输出聚合单元包括:数据解析子单元,结合命名实体识别和依存句法分析,提取不同数字孪生模型的协同仿真计算结果中的文本数据,并转换为结构化数据,生成第一输出数据;编码子单元,采用基于稀疏表示的压缩编码算法对第一输出数据进行编码,生成第二输出数据;关系抽取子单元,利用知识图谱技术,抽取第二输出数据之间的关联关系;关系融合子单元,根据抽取的关联关系,对第二输出数据进行关联,生成最终的输出数据。
进一步的,基于稀疏表示的压缩编码算法包括:采用字典学习方法获得电网监测数据样本集的过完备字典;对第一输出数据应用正交匹配追踪算法,得到第一输出数据的稀疏表示系数;保留稀疏表示系数中的非零元素,生成第二输出数据。
进一步的,所述电网的数字孪生系统还包括边缘计算模块,对接入电网的多源异构数据进行就近预处理;边缘计算模块包括:边缘节点单元,设置于电网端的转换器内,通过模数转换模块采集电网的传感数据;边缘计算单元,对采集的传感数据进行就近预处理,所述预处理采用基于无损压缩算法的编码技术去除数据中的冗余信息,并使用低位优先的传输机制提高数据传输速率;边缘通信单元,将经过预处理后的传感数据利用5G通信网络传输至计算模块。
有益效果
本说明书实施例所提供的一种电网的数字孪生系统可能带来的有益效果至少包括:
(1)通过标准接口和数据格式,消除了异构数据之间的区别,标准化接口和数据格式使得异构数据能够无缝关联和融合在一起,避免了重复的数据处理步骤,提高了融合效率;
(2)利用不同业务领域的数据,实现跨场景的数字孪生,扩大了数据融合的范围,避免数据孤岛,提高了数据融合效率;
(3)规模协同仿真需要大量异构数据支撑,云计算技术提高了对异构数据的集成吞吐量,实现了高效的仿真运算,提高了数据融合效率。
附图说明
说明书将以示例性实施例的方式进一步描述,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书的一些实施例所示的一种电网的数字孪生系统的示例性模块图;
图2是根据本说明书的一些实施例所示的数据接入模块的示意图;
图3是根据本说明书的一些实施例所示的建模模块的示意图;
图4是根据本说明书的一些实施例所示的融合模块的示意图;
图5是根据本说明书的一些实施例所示的计算模块的示意图;
图6是根据本说明书的一些实施例所示的边缘计算模块的示意图。
图中标号说明:100、一种电网的数字孪生系统;110、数据接入模块;120、建模模块;130、融合模块;140、计算模块;150、边缘计算模块;111、标准接口单元;112、格式转换单元;113、语义转换单元;114、纬度转换单元;115、中间件单元;121、基础模型构建单元;122、数字孪生单元;123、模型库单元;124、参数拟合单元;125、模型管理单元;131、关联分析单元;132、规则融合单元;133、模型融合单元;134、模型协同单元;141、协同计算单元;142、输出聚合单元;143、仿真分析单元;144、仿真控制单元;151、边缘节点单元;152、边缘计算单元;153、边缘通信单元。
具体实施方式
下面结合附图对本说明书实施例提供的系统进行详细说明。
GreenOS电力数字孪生操作系统,聚焦电网设备、调度、营销三大业务领域,运用物联感知、数模融合、仿真推演、云边协同、虚实迭代等先进技术,通过GreenOS电力数字孪生操作系统和数字孪生应用场景建设,打造状态实时感知、模型精准保真、系统自我演化、管理智慧赋能、决策精准执行的数字孪生电网解决方案。通过攻坚数字孪生关键技术及迭代深化数字孪生应用场景,不断提高对新型电力系统的增强感知、增强认知、增强决策等能力,解决新型电力系统对全面采集测控、实时仿真计算和智能推演优化的共性需求问题,推动电网数字化和智能化转型。
图1是根据本说明书的一些实施例所示的一种电网的数字孪生系统 100的示例性模块图,如图1所示,一种电网的数字孪生系统 100包括:数据接入模块110、建模模块120、融合模块130和计算模块140。
其中,数据接入模块110:该模块通过数据接入单元将电网的多源异构数据获取到系统中。这些数据包括实时监测数据、历史运行数据、气象环境数据、设备模型数据和地理信息数据。这些数据通过不同的接口和格式进行传输和存储。数据接入模块110中的标准接口单元111使用OpenAPI定义数据接入的标准服务接口,采用异步非阻塞输入或输出模型提高服务接口的响应速度。格式转换单元112和语义转换单元113将不同格式和语义的数据转换为统一的数据格式和语义标准,以便后续的处理和分析。
其中,建模模块120:建模模块120接收数据接入模块110提供的数据,并利用这些数据建立适用于多业务场景的数字孪生模型。基础模型构建单元121根据电网的拓扑结构,采用电力系统稳态分析方法构建电网的基础资源模型。这个基础模型提供了电网的基本结构和参数信息。数字孪生模型单元利用基础资源模型,通过可视化编辑工具构建数字孪生模型,包括对设备、线路、变压器等进行建模。模型库单元123负责存储和管理不同类型的预设模型结构,以供数字孪生模型单元调用。参数拟合单元124使用联邦学习算法和监测数据对数字孪生模型的参数进行拟合,以使模型更好地适应实际情况。
其中,融合模块130:融合模块130负责多业务场景的数字孪生模型的关联和融合。关联子单元利用基于因果模型推断的依赖关系分析方法,建立多源异构数据之间的因果依赖关系。这些因果依赖关系反映了不同数据之间的相互影响关系。路由子单元根据因果依赖关系进行智能路由分流,将不同的多源异构数据进行业务关联,以便后续的处理和分析。资源子单元根据数据流量实时监测结果,通过改变队列分区数量调整资源队列长度,并通过调节消费线程池线程数改变资源队列宽度,从而优化资源的分配和利用效率。
其中,计算模块140:计算模块140利用关联和融合后的数字孪生模型进行多场景协同仿真计算。协同计算单元141利用数字孪生模型的接口映射关系和并行计算技术,将计算任务分配给不同的计算节点进行并行计算,以提高计算效率。输出聚合单元142将各个计算节点的计算结果进行聚合,生成包含多个数字孪生模型协同仿真计算结果的输出数据。仿真分析单元143基于深度学习算法构建预测模型,利用预测模型分析不同控制参数设置下的协同仿真计算结果,提供对电网运行状态的预测和分析。仿真控制单元144利用强化学习算法的策略梯度方法,根据协同仿真的计算结果的分析结果,调整数字孪生模型的控制参数,优化电网的运行策略和决策。
其中,边缘计算模块150(优选实施例):该模块对接入电网的多源异构数据进行就近预处理,以提高处理效率和降低数据传输需求。它包括边缘节点单元151,设置于电网端的转换器内,通过模数转换模块采集电网的传感数据。边缘计算单元152对采集的传感数据进行预处理,并利用低位优先的传输机制和基于无损压缩算法的编码技术去除数据中的冗余信息。边缘通信单元153通过5G通信网络将经过预处理后的传感数据传输至计算模块140。
综上所述,该电网的数字孪生系统通过数据接入、建模、融合和计算模块140的组合,实现了电网中多源异构数据的融合和多场景协同仿真计算,可以提高电网的运行效率和可靠性。边缘计算模块150的加入进一步优化了数据处理和传输的效率。
图2是根据本说明书的一些实施例所示的数据接入模块110的示意图,如图2所示,数据接入模块110包含:标准接口单元111、格式转换单元112、语义转换单元113、纬度转换单元114和中间件单元115。
其中,标准接口单元111:该单元通过OpenAPI定义数据接入的标准服务接口,使得各个数据源能够统一使用标准化的方法与数据接入模块110进行通信。采用异步非阻塞输入或输出模型,可以提高服务接口的响应速度,保证数据的高效传输。
具体地,OpenAPI是一个开放的标准接口规范,它定义了一组规则和约定,用于描述软件应用程序或服务之间的通信方式。它提供了一种统一的方法,使得不同的数据源或应用程序能够以一致的方式与数据接入模块110进行交互。OpenAPI可以使用常见的数据交换格式如JSON或XML来定义数据的传输格式。通过使用OpenAPI,标准接口单元111能够将数据接入模块110的功能暴露给外部数据源,并确保数据源通过统一的标准化方法进行通信。这样做的好处是,各个数据源可以使用相同的请求和响应结构,无论其内部实现细节如何,都能保持与数据接入模块110的互操作性。
具体地,异步非阻塞输入或输出模型是一种通信模型,旨在提高服务接口的响应速度和数据传输的效率。在这种模型中,数据的输入和输出是非阻塞的,也就是说,在进行数据传输时,发送方和接收方可以在不等待对方完成的情况下继续执行其他操作。异步表示发送方和接收方可以同时进行其他操作,而不必等待对方的响应。非阻塞表示数据的输入和输出过程不会阻塞应用程序的执行。这种模型适用于高并发、响应迅速的场景,能够提高系统的吞吐量和性能。通过采用异步非阻塞输入或输出模型,标准接口单元111能够以高效的方式处理多个请求,并保持与各个数据源之间的并发通信。这样可以提高服务接口的响应速度,同时确保数据的高效传输,为系统的整体性能和数据交换效率提供了优化的机制。
其中,格式转换单元112:该单元负责处理不同格式的数据之间的转换。通过使用JSON的转换逻辑,将不同格式的数据转换为统一的JSON格式,以便后续的处理和分析。这样可以消除不同格式的数据之间的差异,使得数据能够更加方便地进行统一处理。其中,语义转换单元113:该单元基于改进的Word2Vec模型的词向量进行不同语义数据之间的转换。通过将不同的语义数据映射为词向量表示,可以在向量空间中进行计算和比较,从而实现不同语义数据之间的转换和融合。这样可以提高数据的语义一致性和可比性,使得数据能够更好地进行关联和分析。其中,纬度转换单元114:该单元负责处理不同纬度数据之间的转换。通过组合运用基于正算的大地坐标系转换和基于卫星导航的坐标测量,可以实现不同纬度数据之间的坐标转换。这样可以使得不同纬度数据能够在相同的坐标系统下进行对比和融合,提高数据的一致性和可视化效果。
其中,中间件单元115:该单元利用优化的分布式消息队列进行多源异构数据的接入。通过智能路由分流和动态资源调度,可以将数据流量分发到不同的处理节点,并合理调配资源,提高数据的接入效率和处理能力。这样可以降低系统的负载压力,提高数据的处理效率和响应速度。具体地,中间件单元115包括:关联子单元、路由子单元和资源子单元。关联子单元:该子单元采用基于因果模型推断的依赖关系分析方法,用于建立多源异构数据之间的因果依赖关系。通过分析数据之间的因果关系,可以确定数据之间的依赖关系和影响关系。这样可以帮助识别数据之间的关联性,从而更好地进行数据融合和业务关联。路由子单元:该子单元根据多源异构数据之间的因果依赖关系进行智能路由分流,以实现多源异构数据之间的业务关联。通过了解数据之间的依赖关系,可以确定数据的传递路径和顺序,从而将数据分发给相应的处理节点。这样可以避免不必要的数据传输和处理,提高数据处理效率和响应速度。资源子单元:该子单元根据数据流量实时监测结果,通过改变队列分区数量调整资源队列长度,并通过调节消费线程池线程数改变资源队列宽度。这样可以根据实时的数据流量情况动态调整资源的分配和利用。通过合理调整资源队列的长度和线程池的大小,可以避免资源的浪费和瓶颈,提高数据的处理效率和系统的性能。
这些中间件单元115相互协作,实现了数据的关联分析、智能路由和资源调整。关联子单元建立了数据之间的因果依赖关系,提供了数据之间的关联性信息;路由子单元根据这些关联关系进行智能路由,确保数据流向目标处理节点;资源子单元根据实时的数据流量监测结果进行资源调整,使得数据处理能力和系统性能最优化。通过这种协同工作,中间件单元115有效提高了电网多源异构数据的融合效率。
在本实施例中,数据接入模块110,采用RESTful API风格设计接口,定义获取实时数据、历史数据、设备数据等标准接口。使用HTTP/2协议,支持异步非阻塞地并发处理多个数据源的请求。定义 OpenAPI规范文件,使不同系统可以遵循同一接口标准接入数据。实现支持CSV、XML、Protocol Buffers等多种数据格式到JSON的转换工具。使用Jackson、Gson等库解析复杂格式,采用异步非阻塞I/O转换不同格式的数据到JSON。并开发格式校验工具,保证转换后JSON数据的规范性。基于Word2Vec模型,先训练电力行业大规模语料得到词向量。加入电力系统专有词典,细化权值构建领域特定语义空间。利用词向量的语义关系,实现对不同术语的映射转换,输出标准化的词汇。实现组合调用Java地理空间转换工具包(GeoTools)和GPS工具包(JGPS)。GeoTools进行正算转换计算,JGPS获取实时卫星定位数据。根据数据源坐标系不同,动态选择转换方案,输出统一的经纬度表示。基于Kafka构建分布式消息系统,划分电网企业内部区域、调度指令、设备监测等主题分区。监控数据产生速率,动态调整分区数,平衡分区负载。根据消息关键词识别数据关联,将相关数据路由到同一消费组。通过控制消费线程,平衡各服务器负载,实现资源调度。使用基于贝叶斯网络的因果模型推断算法,构建表示变量间依赖关系的有向非循环图。根据电网多维文本数据,识别变量实体,学习其条件依赖概率。这样可以推导出不同数据源之间的因果关系,建立异构数据的依赖图谱。基于构建的异构数据依赖图谱,使用图搜索算法找到数据源之间的最短依赖路径。根据依赖关系的距离,将相关的异构数据路由到同一 Kafka 主题分区,实现业务关联的数据聚合。使用 Kafka Consumer 消费组管理模块,实时监控每个分区的消息堆积情况。当堆积增长到阈值,动态增加该类数据的分区数,扩大队列长度。同时监控消费线程处理速率,动态调整线程池大小,控制队列宽度。这样,关联子单元解析异构数据之间的依赖关系,路由子单元根据这些关系进行数据路由分发,资源子单元持续监控并优化资源,三者协同工作,提高了电网异构数据融合和关联的效率。
综上所述,通过各个单元的相互配合和协同工作,数据接入模块110能够高效地处理电网多源异构数据的接入和融合。标准接口单元111提供标准化的接口和高效的通信方式,格式转换单元112和语义转换单元113确保不同格式和语义数据的一致性,纬度转换单元114实现不同纬度数据的统一处理,中间件单元115优化数据的接入和分配。这些协同工作使得数据能够更好地进行融合和分析。
图3是根据本说明书的一些实施例所示的建模模块120的示意图,如图3所示,建模模块120包含:基础模型构建单元121、数字孪生模型单元、模型库单元123、参数拟合单元124和模型管理单元125。
其中,基础模型构建单元121,基础模型构建单元121的主要任务是根据电网的拓扑结构,将电网中的各种电力设备抽象成数学模型,并建立它们之间的连接关系。这些设备包括发电机、变压器、传输线路等。基础模型构建单元121使用电力系统稳态分析方法,通过考虑电力设备的电气特性、运行状态和相互之间的互联关系,构建出电网的基础资源模型。在构建电网的基础资源模型之前,需要进行数据采集与处理。这些数据包括电力设备的物理参数、运行状态、连接关系等。数据采集可以通过现场测量、监控系统或其他可靠的数据源进行。采集到的数据需要进行质量检查和预处理,确保数据的准确性和可用性。基础模型构建单元121将电力设备抽象成数学模型。不同类型的设备有不同的建模方法。以发电机为例,可以采用等值电路模型或功率-电压特性曲线模型来描述其电气特性。变压器可以使用参数模型或阻抗矩阵模型进行建模。传输线路可以使用电阻、电抗和电导等参数来描述。根据设备的特点和实际需求,选择合适的建模方法。在电网中,各种电力设备之间存在着复杂的连接关系。基础模型构建单元121通过分析电网的拓扑结构,建立电力设备之间的连接关系。这些连接关系可以通过节点导纳矩阵、支路阻抗矩阵或其他拓扑分析方法来表示。通过建立连接关系,可以描述电网中各个设备之间的电流、电压和功率传输等关系。
其中,数字孪生模型单元:该单元利用基础资源模型,根据不同业务场景,通过可视化编辑工具构建数字孪生模型。数字孪生模型是对电网实际运行情况的虚拟仿真模型,可以根据不同的业务需求进行模型的设计和定制。通过数字孪生模型,可以了解电网的动态运行状态、预测未来的运行情况等。其中,模型库单元123:该单元采用分布式模型存储机制,存储不同类型的预设模型结构,以供数字孪生模型单元调用。模型库中包含了各种预定义的模型结构,可以根据需要选择合适的模型结构进行使用。这样可以提高模型复用性和开发效率。其中,参数拟合单元124:该单元根据联邦学习算法和监测数据拟合数字孪生模型的参数。通过监测数据和联邦学习算法,可以对数字孪生模型的参数进行优化和调整,使得模型能够更好地拟合实际情况,提高模型的准确性和预测能力。其中,模型管理单元125:该单元负责在模型库中存储各个数字孪生模型,并将数字孪生模型封装成服务进行发布。模型管理单元125将数字孪生模型进行统一管理,包括存储、版本管理和发布等。通过将数字孪生模型封装成服务,可以方便地供其他系统或应用程序进行调用和使用。
在本实施例中,建模模块120,收集电网拓扑结构数据,采用MATPOWER软件进行稳态分析,得到电网的节点阻抗参数、线路参数等。以此构建电网基础模型的节点关系图,表示电网的连接结构、传输网络等。开发基于浏览器的可视化模型编辑器,提供拖拽界面组件,编辑电网传输、变电站、用电等数字孪生模型。编辑器可快速绑定组件的输入输出参数,生成模型执行代码。用户可以灵活构建不同业务场景的模型。基于Neo4j图数据库,存储各类电网预设模型模板。模板包含模型结构信息、参数配置等。模板具有版本管理功能,支持迭代升级。数字孪生模型单元可查询调用模型库中的模板进行快速建模。训练电网设备参数检测的CNN深度学习模型,使用联邦学习算法保护设备数据隐私。以检测数据输入模型迭代更新参数,持续优化模型的检测精度和数字孪生模型的拟合效果。将构建好的数字孪生模型注册到模型库中,统一进行ID管理、访问控制等。使用Spring Cloud框架将模型封装为微服务,以RESTful接口发布。其他模块可以方便调用相关模型的服务进行仿真计算。
综上所述,建模模块120的各个单元相互协作,实现了基础模型的构建、数字孪生模型的定制和优化、模型的存储和管理等功能。基础模型构建单元121为数字孪生模型提供了准确的基础数据;数字孪生模型单元根据基础模型构建数字孪生模型;模型库单元123提供了预设模型结构供数字孪生模型使用;参数拟合单元124通过联邦学习算法和监测数据优化模型参数;模型管理单元125统一管理和发布数字孪生模型。通过这种协同工作,建模模块120有效提高了电网多源异构数据的融合效率。
图4是根据本说明书的一些实施例所示的融合模块130的示意图,如图4所示,所述融合模块130包含:关联分析单元131、规则融合单元132、模型融合单元133和模型协同单元134。
其中,关联分析单元131:该单元利用互信息理论和关联规则算法分析不同的多源异构数据之间的关联关系。通过统计数据之间的相关性和依赖关系,可以发现数据之间的隐藏关联,为后续的融合提供依据。
其中,规则融合单元132:该单元利用时间规则、空间规则和业务规则,根据获取的多源异构数据之间的关联关系,进行跨域特征映射和关系匹配。通过制定统一的规则,可以将不同数据源中的特征进行匹配和映射,生成异构数据之间的匹配映射表。
具体的,时间规则,电网数据中常含有时间属性,如设备监测时间、告警时间等。时间规则是指对异构数据源进行匹配时,会根据数据的时间特征进行关联。例如将同一时刻监测到的电压数据和报警数据关联起来,这反映了不同系统对同一事件的监测。空间规则,电网数据中也含有位置/空间属性,如设备编号、安装位置等。空间规则是指根据数据的空间特征进行匹配。例如,将同一区域的负载数据和线路数据关联起来,这反映了不同系统对同一电网区域的建模。业务规则,业务规则是指基于电网业务知识进行的数据关联。例如可利用电网拓扑连接关系,将上下游的电流数据、电压数据关联起来。也可以根据设备之间的业务流转逻辑,实现异构数据源之间的对应关系映射。这样从时间、空间和业务三个维度出发,可以更全面地判断异构数据之间的语义关联,指导数据的有效融合,帮助构建数字孪生系统。
具体地,跨域特征映射是指在规则融合单元132中,将不同来源的数据以及其对应的特征进行映射或转换,使得它们在融合过程中能够进行有效的比较、关联或分析。当涉及多个不同的数据源或数据领域时,每个数据源可能具有不同的数据结构和特征表示方式。跨域特征映射的目标是将这些不同的特征映射到统一的特征空间,以便进行进一步的融合和处理。
具体地,推理算法,针对电网中不同业务系统的数字孪生模型,可以将它们表达为知识图谱。然后应用基于规则的推理算法(如RDFS、OWL等)来推导模型之间的关系,实现模型属性的合并。例如,变电站模型和线路模型中的“电压”属性可通过推理确定是同一个概念,然后将两个模型的该属性特征统一。序列模式匹配技术,电网中的数字孪生模型运行会产生各种时间序列数据。可以使用序列模式匹配算法来分析不同模型的行为序列,发现序列之间的相似模式。例如找到线路模拟和实际运行的数据序列中的 Usage 模式。这样可用于指导相似业务场景模型的融合,获得更准确的模型。综上,推理算法可以推导模型的关联,序列模式匹配可以确定模型的行为关联,两者结合可以更好地实现异构模型之间的融合,提升数字孪生系统的性能。
具体地,模型关联图是表示不同业务领域数字孪生模型之间关系的知识图谱。图中的节点是模型实体,边表示模型之间的关联类型。构建这样的图谱,可以直观地反映出电网不同系统、不同业务的数字孪生模型的联系,利于进行模型融合。接口映射关系是指不同模型之间输入输出变量、事件触发器的对应关系。例如,将变电站模型的“电压”输出映射到线路模型的“电压”输入。定义这样的接口映射,可以实现建立模型之间的互联互通,进行参数和事件传递,使模型能够协同仿真。模型协同仿真是指,在明确模型间的关联关系和接口映射的基础上,使不同业务领域的模型并行协同运行,相互传递参数和事件,共同完成多场景的仿真任务。这对电网的联合仿真、故障预测非常重要。所以,模型关联图直观反映模型关系,接口映射实现模型互联,最终实现不同业务模型的协同仿真,可以有效解决电网异构数据之间的关联和融合问题。
其中,模型融合单元133:该单元根据匹配映射表,利用推理算法和序列模式匹配技术,进行基于多源异构数据的数字孪生模型的融合。通过将不同数据源的信息融合到数字孪生模型中,提高模型的完整性和表达能力,使其更贴近实际情况。其中,模型协同单元134:该单元根据关联关系和融合后的数字孪生模型,构建不同业务间的模型关联图。模型关联图显示了不同业务之间的关系和依赖,可以帮助理解不同业务的相互影响。根据模型关联图,提取数字孪生模型的接口映射关系,通过接口映射关系和消息传递,进行不同业务的数字孪生模型的协同仿真。
在本实施例中,融合模块130,使用互信息理论公式计算不同数据源之间的互信息量,提取互信息量大于阈值的源作为关联源。并使用Apriori算法学习数据源之间的关联规则,获取满足大于阈值的规则。定义时间、空间和业务元数据,使用Jaccard相似性算法匹配异构数据源的元数据。生成异构源之间的匹配映射表,表示其业务实体的对应关系。加载不同模型的Turtle文件,使用Jena推理框架执行RDFS/OWL推理,合并模型之间相同实体的属性特征。并使用序列模式匹配算法,识别事件驱动的模型行为序列,合并具有相似行为模式的模型。构建关联模型的RDF图谱,使用SPARQL查询模型接口的输入和输出变量。生成接口映射表,驱动模型之间的参数和事件传递,进行协同仿真。
综上所述,融合模块130的各个单元通过关联分析、规则融合、模型融合和模型协同的方式,相互配合协同工作,实现了电网多源异构数据的融合。关联分析单元131发现数据之间的关联关系,规则融合单元132进行特征映射和关系匹配,模型融合单元133将数据融合到数字孪生模型中,模型协同单元134构建模型关联图和实现不同业务的协同仿真。通过这种配合协同的方式,融合模块130有效提高了电网多源异构数据的融合效率。
图5是根据本说明书的一些实施例所示的计算模块140的示意图,如图5所示,所述计算模块140包含:协同计算单元141、输出聚合单元142、仿真分析单元143和仿真控制单元144。
其中,协同计算单元141,利用数字孪生模型的接口映射关系,通过并行计算和分布式通信技术,对关联和融合后的数字孪生模型进行分布式协同仿真计算;具体地,协同计算单元141:该单元利用数字孪生模型的接口映射关系,通过并行计算和分布式通信技术对关联和融合后的数字孪生模型进行分布式协同仿真计算。通过将计算任务分配给多个计算节点,同时利用分布式通信进行数据交换和协同计算,可以加速仿真计算的速度,并提高计算效率。
在本实施例中,协同计算单元141,基于Spark集群进行分布式部署,利用Spark良好的并行计算能力和可扩展性。将不同模型的接口映射关系表示为RDD分布式数据集,注册为临时表,供计算任务查询。使用Spark SQL进行计算任务分片,根据模型的依赖关系将任务分配给不同节点。并利用超时重试机制确保任务执行。使用ZeroMQ实现计算节点之间的数据交换。根据接口映射关系,进行点对点的低延迟消息发布和订阅。使用Ganglia等工具监控节点负载,实现调度器的动态资源调度,保持集群负载均衡。通过这种具体实现,能够充分利用Spark的分布式计算引擎,进行数字孪生模型的并行协同仿真计算,提高了电网仿真的效率。同时也保证了计算的一致性、可扩展性和容错性。
其中,输出聚合单元142:该单元采用异构信息序列化和编码技术,生成包含多个数字孪生模型协同仿真计算结果的输出数据。通过将多个数字孪生模型的计算结果聚合在一起,并进行适当的序列化和编码,可以生成统一的输出数据,方便后续的分析和应用。输出聚合单元142包括:数据解析子单元、编码子单元、关系抽取子单元和关系融合子单元。具体地,数据解析子单元:该单元结合了命名实体识别和依存句法分析,用于提取不同数字孪生模型协同仿真计算结果中的文本数据,并将其转换为结构化数据,生成第一输出数据。命名实体识别用于识别文本中的实体信息,如地点、时间等,而依存句法分析则用于分析句子中不同词之间的依存关系,从而获得句子结构和语义信息。具体地,编码子单元:该单元采用基于稀疏表示的压缩编码算法对第一输出数据进行编码,生成第二输出数据。稀疏表示是一种表示数据的方法,通过寻找最优的线性组合来表示原始数据,从而实现数据的降维和压缩。采用稀疏表示的编码算法可以减少数据的冗余性和噪声,提取数据的关键特征,并保持数据的重要信息。具体地,关系抽取子单元:该单元利用知识图谱技术,从第二输出数据中抽取数据之间的关联关系。知识图谱是一种以图结构表示知识的方法,其中节点代表实体,边代表实体之间的关系。通过对第二输出数据进行语义分析和关联规则挖掘,可以提取数据之间的关联关系,如因果关系、相似性关系等。具体地,关系融合子单元:该单元根据抽取的关联关系,对第二输出数据进行关联,生成最终的输出数据。通过将不同数据之间的关联关系进行融合和整合,可以建立起数据之间的完整联系,从而获得更全面和准确的数据结果。
输出聚合单元142的各个子单元通过数据解析、编码、关系抽取和关系融合的方式相互配合,实现了电网多源异构数据的融合效率和技术效果的提升。数据解析子单元提取文本数据并转换为结构化形式,编码子单元进行数据压缩和特征提取,关系抽取子单元提取数据之间的关联关系,而关系融合子单元将关联关系整合到最终输出数据中。通过这样的协同工作,输出聚合单元142可以有效地提高数据融合的效率。
具体地,基于稀疏表示的压缩编码算法主要包括字典学习、正交匹配追踪和非零元素提取等技术特征。字典学习是压缩编码算法的第一个关键步骤。它的目标是通过学习一个过完备字典,使得字典中的原子(基)能够最好地表示电网监测数据样本集。这样的字典通常具有一定的冗余性,也就是字典中的基不是线性无关的,以便更好地表示数据。字典学习可以基于训练样本集,通过迭代优化方法,学习得到最佳的字典表示电网数据的特征。
正交匹配追踪是压缩编码算法的重要步骤之一。它用于计算第一输出数据在过完备字典上的稀疏表示系数。正交匹配追踪算法通过将输入数据逐步投影到字典基础上,并使用正交化条件寻找最佳的表示方式。它通过迭代寻找表示系数,使得表示系数尽可能稀疏,并且能够准确重构原始数据。
非零元素提取是压缩编码算法的最后一步。在得到第一输出数据的稀疏表示系数后,保留其中的非零元素,并将它们作为第二输出数据。这一步骤实质上是一种数据稀疏化和特征选择的方式,通过保留重要的稀疏表示系数,减少了数据的冗余性,并提取了数据的关键特征。这些技术特征相互配合协同工作,实现了电网多源异构数据的融合效率和技术效果的提升。字典学习提供了一个优化的过完备字典,能够更好地表示电网数据的特征。正交匹配追踪算法利用这个字典,计算出稀疏表示系数,从而捕获数据的重要信息。最后,非零元素提取阶段通过保留稀疏表示系数中的非零元素来生成第二输出数据,减少了数据的冗余性,并提取了关键特征。
通过这些技术特征的相互配合,基于稀疏表示的压缩编码算法能够有效地提高电网多源异构数据的融合效率。它能够减少数据的维度,提取数据的关键特征,并保持数据的重要信息。
在本实施例中,输出聚合单元142,使用Stanford CoreNLP进行依存句法分析和命名实体识别,抽取仿真文本结果中的设备实体、状态描述等结构化信息,转换为JSON格式的数据。使用Scikit-learn的字典学习算法训练电网监测数据集,得到过完备字典。对解析的JSON结果数据,使用SPAMS包的正交匹配追踪算法进行稀疏编码,获取稀疏表示系数。构建电网知识图谱,使用LINE模型学习知识图谱的嵌入向量表示。基于嵌入向量空间的距离度量设备实体之间的关系,输出关联关系表。根据抽取的实体关联关系,对编码后的数据进行关联和融合。输出电网不同业务系统的仿真联合输出结果。使用Lasso回归进行模型压缩,提取对输出结果影响较大的特征因子,提高模型解析效率。通过实体提取、稀疏编码、知识图谱等技术的融合应用,可以有效解决电网数字孪生的异构输出聚合问题,实现多源数据结果的关联和融合。
其中,仿真控制单元144,利用强化学习算法的策略梯度方法,根据协同仿真的计算结果的分析结果,调整数字孪生模型的控制参数。该单元基于深度学习算法构建预测模型,利用预测模型分析不同控制参数设置下的协同仿真的计算结果。通过对仿真计算结果进行深度学习分析,可以揭示数据之间的关联和规律,进而提供更详细和准确的仿真分析结果。仿真控制单元144包括:策略构建子单元、参数确定子单元、模型训练子单元和模型应用子单元。具体地,策略构建子单元:这个子单元利用强化学习算法中的策略梯度方法,基于数字孪生模型协同仿真环境,构建控制策略模型。通过与仿真环境的交互,策略构建子单元逐步优化控制策略,以最大化预期的奖励信号。这个子单元根据当前状态和可选的动作,生成控制策略,为后续的模型训练和应用提供基础。
具体地,参数确定子单元:参数确定子单元基于仿真分析单元143构建的预测模型,对不同控制参数设置下的协同仿真结果进行分析。它评估各个控制参数对协同仿真计算精度和召回率的影响,并选择对结果影响最大的前N个控制参数作为关键控制参数。这个子单元的目的是确定控制策略的关键调节参数,用于后续的模型训练和优化。
更具体地,将评估结果按照影响程度进行排序,选择对协同仿真计算精度和召回率影响最大的前N个控制参数作为关键控制参数。可以使用专业的数据分析和排序工具,如Python中的pandas库和numpy库,来实现这一步骤。在本实施例中,首先,通过协同仿真分析单元143,在不同的参数设置下进行协同仿真,并记录计算精度和召回率的结果。然后,对仿真结果进行统计分析,比如计算各个参数与仿真结果的相关性系数,并根据相关性程度进行排序,选择前2个关键控制参数(N=2)。因此,根据评估结果和排序,我们确定储能系统的响应时间和储能系统的充放电功率作为关键控制参数。使用强化学习算法来优化响应时间和充放电功率的设定,以实现更高效的能量管理和电网稳定性。
具体地,模型训练子单元:模型训练子单元利用参数确定子单元选定的关键控制参数,在数字孪生模型协同仿真环境中进行训练。它使用强化学习的方法,通过与环境的交互和反馈信号,逐步优化控制策略模型。训练子单元的目标是获得最优的控制策略,以实现协同仿真的性能和效果最大化。
具体地,模型应用子单元:模型应用子单元将训练获得的最优控制策略应用于数字孪生模型中。它根据最优控制策略调整数字孪生模型的参数,以实现对电网多源异构数据的协同控制和优化。模型应用子单元的作用是将训练得到的策略应用于实际场景,实现电网的性能提升和优化效果。
仿真控制单元144中各个子单元相互配合,通过数字孪生模型、强化学习和模拟仿真的技术手段,实现了对电网多源异构数据的协同控制和优化。策略构建子单元提供初始的控制策略模型;参数确定子单元选择关键控制参数;模型训练子单元通过与环境交互优化控制策略;模型应用子单元将优化后的策略应用于数字孪生模型中。这种协同工作方式可以最大程度地利用电网多源异构数据的信息
在本实施例中,仿真控制单元144,使用Keras构建LSTM深度学习模型,作为仿真计算结果的预测模型。将历史仿真数据作为模型输入,控制参数作为特征,训练模型预测计算指标。在TensorFlow中构建强化学习智能体。定义仿真环境的状态空间、动作空间、回报函数。使用策略梯度方法训练智能体,得到控制参数的最优策略。分析回归系数,选择对预测结果影响最大的控制参数。并关联分析模型的中间层输出,获取对系统协同性能影响显著的控制变量。构建在线控制模型,接收实时仿真输出,评估当前控制策略。并在线使用强化学习模型优化策略,实现闭环控制,持续提高仿真与实际系统的协同性。采用联邦学习方式,融合不同业务系统的控制模型,防止数据孤岛,实现电网数字孪生的协同控制。通过深度学习预测模型、强化学习策略优化和闭环控制等技术的应用,可以持续优化电网数字孪生的控制参数,有效提高仿真的准确性和与实际系统的协同性。
综上所述,计算模块140的各个单元通过协同计算、输出聚合、仿真分析和仿真控制的方式,相互配合协同工作,实现了电网多源异构数据的融合效率和技术效果的提升。协同计算单元141使用分布式计算和通信技术加速计算过程,输出聚合单元142统一了多个模型的计算结果,仿真分析单元143利用深度学习算法揭示数据之间的关联规律,仿真控制单元144通过强化学习算法调整模型参数以优化性能。通过这样的相互配合和协同计算,计算模块140有效提高了电网多源异构数据的融合效率。
图6是根据本说明书的一些实施例所示的边缘计算模块150的示意图,如图6所示,本申请的电网的数字孪生系统还包括边缘计算模块150,对接入电网的多源异构数据进行就近预处理;边缘计算模块150包括:边缘节点单元151、边缘计算单元152和边缘通信单元153。其中,边缘节点单元151:该单元设置在电网端的转换器内,采用模数转换模块来实时采集电网的传感数据。边缘节点单元151负责将数据从模拟信号转换为数字信号,以便后续处理和传输。
其中,边缘计算单元152:边缘计算单元152接收边缘节点单元151采集的传感数据,并对数据进行就近预处理。这里所说的预处理采用基于无损压缩算法的编码技术,去除数据中的冗余信息,并使用低位优先的传输机制来提高数据传输速率。预处理的目的是减少数据的大小和传输带宽占用,同时保持数据的重要信息,以便后续的传输和分析处理。
其中,边缘通信单元153:经过预处理后的传感数据通过边缘通信单元153利用5G通信网络传输至计算模块140。边缘通信单元153负责将预处理后的数据传输到计算模块140,利用5G通信网络提供高速、低延迟的数据传输能力,确保数据的及时性和可靠性。
具体地,通过边缘计算单元152的预处理技术,可以去除数据中的冗余信息,减少数据大小,同时保持关键信息,以提高数据传输的效率和带宽利用率。使用低位优先的传输机制,边缘计算单元152将数据的重要部分优先传输,从而加快数据传输速率,降低传输延迟,确保数据的及时性和实时性。边缘通信单元153利用5G通信网络进行数据传输,提供高速、低延迟的传输能力,以满足对电网多源异构数据实时传输的需求。
在本实施例中,在电网端的智能电表或传感器中集成STM32等MCU芯片,内置模数转换芯片采集电压、电流等模拟信号。并设置采样频率、精度等参数。在边缘节点上部署基于Docker的轻量级计算程序。使用深度学习模型对采集的数据进行压缩编码,如基于自编码器的压缩感知网络。并使用IEEE 754等浮点数低位优先编码优化数据表示。电表通过CAT-M1等窄带IoT模块接入5G网络。采用QUIC传输协议,利用5G网络的高带宽和低延迟进行传感数据传输。同时使用DTLS等安全机制防止数据泄露。根据数据内容和流量对编码模型、传输模块的参数进行自适应优化,降低计算和通信的资源消耗。通过边缘端的智能化采集、编码和传输,可以有效降低传感数据的带宽占用,确保电网关键数据的低延迟传输,为数字孪生提供实时的状态数据支持。
综上所述,边缘计算模块150中各个单元相互配合,形成了一个完整的边缘计算模块150,在处理和传输电网多源异构数据的过程中发挥作用。边缘节点单元151负责数据采集,边缘计算单元152进行就近预处理,包括无损压缩和低位优先传输,边缘通信单元153通过5G通信网络将处理后的数据传输至计算模块140。
作为本申请的优选实施例,本申请的电网的数字孪生系统还包括优化模块,与计算模块140连接,对数字孪生模型进行优化;优化模块包含:数据采集单元,获取电网额实时运行数据;其中,数据采集单元,从电网中的传感器、智能电表等采集实时运行数据。模型校准单元,利用统计分析等方法,计算实时数据与模型输出之间的偏差,进行模型的参数校准。关联分析单元131,应用相关性分析等算法,分析不同模型之间的关联性。模型调整单元,根据模型校准结果和关联性分析,调整模型参数或模型结构。优化控制单元,协调控制整个优化流程的步骤。综上,优化模块,通过与实时运行数据的对比,实现了数字孪生模型的自动校准和优化迭代,保证模型的准确性。关联性分析指导了不同模型之间的联合优化。
作为本申请的优选实施例,本申请的电网的数字孪生系统还包括数据安全模块,数据安全模块对系统的数据进行安全加密;数据安全模块包含:数据加密单元,与数字孪生系统的输入数据接口连接,对系统输入的多源异构数据进行加密处理;访问控制单元,与数据加密单元连接,对不同用户对加密后的数据进行分级、授权访问控制;数据审计单元,分别与数据加密单元和访问控制单元连接,对数据的加密操作和访问操作进行审计。其中,数据加密单元对系统输入的结构化和非结构化数据进行格式化和转换,使用非对称加密算法对数据进行加密,如RSA算法,加密后的数据仅能通过匹配的密钥进行解密。访问控制单元根据数据的密级和用户的访问权限,构建访问控制策略,对用户的访问行为进行身份验证和授权控制,支持访问权限的动态管理和调整。数据审计单元记录数据加密和访问控制的操作日志,日志包含操作时间、数据、用户等相关信息,定期生成审计报告,供安全分析。
作为本申请的优选实施例,本申请的电网的数字孪生系统还包括模型轻量化模块,模型轻量化模块,模型轻量化模块减小数字孪生系统中电网的场景模型的大小;模型轻量化模块包含:模型提取单元,与数字孪生系统的建模模块120120连接,提取已建立的电网的场景模型;模型压缩单元,与模型提取单元连接,利用模型压缩技术减小场景模型的大小;模型裁剪单元,与模型压缩单元连接,裁剪场景模型中的冗余结构,冗余结构为多余的中间特征层;优化模型单元,与模型裁剪单元连接,输出优化后的轻量化的电网的场景模型;其中,多余的中间特征层指在模型压缩过程中,通过重要性分析和结构调整判断出对模型的最终输出结果贡献度小于阈值的隐藏层。总结来说,多余的中间特征层可以通过重要性分析和调整结构来识别和裁剪,从而达到模型压缩的效果,不会对模型输出质量产生明显负面影响。其中,模型提取单元,从数字孪生系统中调用已建立的大型场景模型,模型以计算图(Computation Graph)的形式组织。模型压缩单元,使用深度学习模型压缩算法,如网络剪枝、低秩分解等,去除模型冗余参数,减小参数规模。模型裁剪单元 ,通过模型分析,确定中间层输出对最终输出贡献度,裁剪掉贡献度低的中间层,获取裁剪后的模型。优化模型单元,进一步优化模型结构,精简模型连接,输出优化后的轻量级模型。具体地,模型压缩:使用算法降低模型复杂度的方法。模型裁剪:删除模型中冗余部分的技术。轻量级模型:体积更小,计算更高效的模型形式。综上,模型轻量化模块通过压缩和裁剪,实现了大模型向轻量级模型的转换,降低了数字孪生系统的存储和计算成本。
作为本申请的优选实施例,本申请的电网的数字孪生系统还包括三维可视化模块,三维可视化模块对数字孪生系统的电网场景进行三维展示;三维可视化模块包含:数据获取单元,与数字孪生系统的场景数据库连接,获取电网场景的数据;渲染生成单元,利用渲染技术对三维可视化模型进行三维渲染;显示控制单元,与渲染生成单元连接,对电网场景的三维可视化进行控制,控制为视角控制和视距控制。其中,数据获取单元,从数字孪生系统的场景数据库中获取电网实体的模型数据,数据包括空间信息、连接关系、属性特征等;渲染生成单元,使用OpenGL或DirectX等图形API进行渲染,支持灯光、材质、着色等效果的渲染,兼容各类终端设备的显示;显示控制单元,提供交互式的视点、视距控制,支持模型的选择、查询等交互操作,保证渲染和显示的流畅性。具体地,三维可视化模块,是一个三维场景搭建及仿真服务可视化渲染的工具,主要实现了对配电设备、输电设备、变电一次设备、变电二次设备、场景建筑、工器具等不同的模型设备的统一上传和管理。通过页面的关键词匹配搜索功能,用户可以查找所需的模型文件。此外,该模块还提供了新建分组的功能,可以将模型文件进行分类管理,并支持查看、编辑、复制、删除等操作。双击卡片或点击“查看”操作则可以进入对应设备模型资源库管理页面,方便用户进行详细操作。主要包括三大功能:模型处理:对于上传的三维模型,进行格式转化、坐标转化等一系列处理,以符合系统的数据要求。这些处理包括但不限于将模型转换成系统支持的格式,调整坐标系以适应系统环境等。在完成这些处理后,根据导入模型的层级(如部件级、设备级、电站级等)的不同进行相应的后续操作。如果是可复用的模型(如设备模型、部件模型),则以其型号为标识存放至三维资源模型库,并形成索引,作为场景编辑的输入模型库;而对于不具备通用性的一体化场景模型(如变电站/换流站模型,输/配电网模型)则存放至三维场景模型库中,方便用户进行后续操作。场景编辑:该系统的场景编辑功能基于WebGL技术,用户可以在浏览器端通过简单的拖拽操作将三维资源模型组合成三维场景模型。同时,将接入的设备台账信息与模型进行关联映射,从而构建虚拟资产实例。对于不同的资产实例,系统会根据其所属地市、运维单位等特定数据形成可检索的树形结构,并基于地理信息数据对位置进行更精准的校准。生成的模型文件中除了包括物体的三维几何模型和物体在场景中的相对位置关系外,还包括物体在场景中的名称/ID、场景的GIS信息、场景的名称/ID等对象化属性。这些信息经过审核后,将统一存入三维场景模型库中,以便后续的场景编辑、模拟和分析使用。服务发布:系统通过服务封装形成RESTful接口,为用户提供一系列通用的模型查询服务。通过这些服务,可以批量获取模型文件,并使用多维度条件查询接口来检索模型清单以及模型状态等数据。这样,系统就形成了一个通用的模型服务,可向上层应用开放,为其他应用程序提供丰富的模型资源和数据支持。综上,三维可视化模块,通过显式的三维模型,便于用户对复杂电网场景的理解,也为诊断和决策提供了直观的依据。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其他技术方案。
Claims (10)
1.一种电网的数字孪生系统,包括:
数据接入模块,接入电网的多源异构数据,包含实时监测数据、历史运行数据、气象环境数据、设备模型数据和地理信息数据;
建模模块,接收数据接入模块的数据,并建立适用于多业务场景的数字孪生模型;
融合模块,进行多业务场景的数字孪生模型的关联和融合;
计算模块,利用关联和融合后数字孪生模型进行多场景协同仿真。
2.根据权利要求1所述的电网的数字孪生系统,其特征在于:
数据接入模块包含:
标准接口单元,通过OpenAPI定义数据接入的标准服务接口,并采用异步非阻塞输入或输出模型,以提高服务接口的响应速度;
格式转换单元,通过JSON的转换逻辑进行不同格式数据之间的转换;
语义转换单元,基于改进的Word2Vec模型的词向量进行不同语义数据之间的转换,所述改进的Word2Vec模型为加入语义约束优化词向量表示的模型;
纬度转换单元,通过组合运用基于正算的大地坐标系转换和基于卫星导航的坐标测量进行不同纬度数据之间的转换;
中间件单元,利用优化的分布式消息队列进行多源异构数据的接入,所述优化为通过智能路由分流和动态资源调度。
3.根据权利要求2所述的电网的数字孪生系统,其特征在于:
中间件单元包括:
关联子单元,采用基于因果模型推断的依赖关系分析方法,建立多源异构数据之间的因果依赖关系;
路由子单元,根据多源异构数据之间的因果依赖关系进行智能路由分流,以进行多源异构数据之间的业务关联;
资源子单元,根据数据流量实时监测结果,通过改变队列分区数量调整资源队列长度,并通过调节消费线程池线程数改变资源队列宽度。
4.根据权利要求1所述的电网的数字孪生系统,其特征在于:
建模模块包含:
基础模型构建单元,根据电网的拓扑结构,采用电力系统稳态分析方法构建电网的基础资源模型;
数字孪生模型单元,利用基础资源模型,根据不同业务场景,通过可视化编辑工具构建数字孪生模型;
模型库单元,采用分布式模型存储机制,存储不同类型的预设模型结构,以供数字孪生模型单元调用;
参数拟合单元,根据联邦学习算法和监测数据拟合数字孪生模型的参数;
模型管理单元,在模型库中存储各个数字孪生模型,并将数字孪生模型封装成服务进行发布。
5.根据权利要求1所述的电网的数字孪生系统,其特征在于:
所述融合模块包含:
关联分析单元,利用互信息理论和关联规则算法获取不同的多源异构数据之间的关联关系;
规则融合单元,利用时间规则、空间规则和业务规则,根据获取的多源异构数据之间的关联关系,进行跨域特征映射和关系匹配,生成异构数据之间的匹配映射表;
模型融合单元,根据匹配映射表,利用推理算法和序列模式匹配技术,进行基于多源异构数据的数字孪生模型的融合;
模型协同单元,根据关联关系和融合后的数字孪生模型,构建不同业务间的模型关联图;根据模型关联图,提取数字孪生模型的接口映射关系,通过接口映射关系和消息传递,进行不同业务的数字孪生模型的协同仿真。
6.根据权利要求5所述的电网的数字孪生系统,其特征在于:
所述计算模块包含:
协同计算单元,利用数字孪生模型的接口映射关系,通过并行计算和分布式通信技术,对关联和融合后的数字孪生模型进行分布式协同仿真计算;
输出聚合单元,采用异构信息序列化和编码技术,生成包含多个数字孪生模型协同仿真计算结果的输出数据;
仿真分析单元,基于深度学习算法构建预测模型,利用预测模型分析不同控制参数设置下的协同仿真的计算结果;
仿真控制单元,利用强化学习算法的策略梯度方法,根据协同仿真的计算结果的分析结果,调整数字孪生模型的控制参数。
7.根据权利要求6所述的电网的数字孪生系统,其特征在于:
仿真控制单元包括:
策略构建子单元,利用强化学习算法中的策略梯度方法,构建数字孪生模型协同仿真的控制策略模型;
参数确定子单元,利用仿真分析单元构建的预测模型,根据不同控制参数设置下的协同仿真结果,选择对协同仿真计算精度和召回率影响最大的前N个控制参数作为关键控制参数;
模型训练子单元,利用选择的关键控制参数,在数字孪生模型协同仿真环境中训练控制策略模型,获得最优控制策略;
模型应用子单元,利用训练获得的最优控制策略,调整数字孪生模型的参数。
8.根据权利要求6所述的电网的数字孪生系统,其特征在于:
输出聚合单元包括:
数据解析子单元,结合命名实体识别和依存句法分析,提取不同数字孪生模型的协同仿真计算结果中的文本数据,并转换为结构化数据,生成第一输出数据;
编码子单元,采用基于稀疏表示的压缩编码算法对第一输出数据进行编码,生成第二输出数据;
关系抽取子单元,利用知识图谱技术,抽取第二输出数据之间的关联关系;
关系融合子单元,根据抽取的关联关系,对第二输出数据进行关联,生成最终的输出数据。
9.根据权利要求8所述的电网的数字孪生系统,其特征在于:
基于稀疏表示的压缩编码算法包括:
采用字典学习方法获得电网监测数据样本集的过完备字典;
对第一输出数据应用正交匹配追踪算法,得到第一输出数据的稀疏表示系数;
保留稀疏表示系数中的非零元素,生成第二输出数据。
10.根据权利要求1所述的电网的数字孪生系统,其特征在于:
所述电网的数字孪生系统还包括边缘计算模块,对接入电网的多源异构数据进行就近预处理;
边缘计算模块包括:
边缘节点单元,设置于电网端的转换器内,通过模数转换模块采集电网的传感数据;
边缘计算单元,对采集的传感数据进行就近预处理,所述预处理采用基于无损压缩算法的编码技术去除数据中的冗余信息,并使用低位优先的传输机制提高数据传输速率;
边缘通信单元,将经过预处理后的传感数据利用5G通信网络传输至计算模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311380439.7A CN117609341B (zh) | 2023-10-24 | 一种电网的数字孪生系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311380439.7A CN117609341B (zh) | 2023-10-24 | 一种电网的数字孪生系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117609341A true CN117609341A (zh) | 2024-02-27 |
CN117609341B CN117609341B (zh) | 2024-05-14 |
Family
ID=
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112231305A (zh) * | 2020-08-23 | 2021-01-15 | 山东翰林科技有限公司 | 一种基于数字孪生的数字电网系统及方法 |
WO2021227325A1 (zh) * | 2020-05-13 | 2021-11-18 | 中国电子科技集团公司第十四研究所 | 一种基于数字孪生的生产过程仿真优化方法 |
CN114218788A (zh) * | 2021-12-09 | 2022-03-22 | 南方电网电力科技股份有限公司 | 一种变电站数字孪生系统及其应用方法、系统 |
CN114584571A (zh) * | 2021-12-24 | 2022-06-03 | 北京中电飞华通信有限公司 | 基于空间计算技术的电网场站数字孪生同步通信方法 |
CN114900436A (zh) * | 2022-04-29 | 2022-08-12 | 电子科技大学 | 一种基于多维融合模型的网络孪生方法 |
CN115456207A (zh) * | 2022-08-10 | 2022-12-09 | 中国电力工程顾问集团华东电力设计院有限公司 | 智能电厂数字工程平台 |
US11526638B1 (en) * | 2019-10-21 | 2022-12-13 | Bentley Systems, Incorporated | Techniques for generating one or more scores and/or one or more corrections for a digital twin representing a utility network |
CN115693917A (zh) * | 2022-09-08 | 2023-02-03 | 杭州绿藤数智科技有限公司 | 一种基于电力资源的空间网格计算方法和系统 |
CN115859700A (zh) * | 2023-03-02 | 2023-03-28 | 国网湖北省电力有限公司电力科学研究院 | 一种基于数字孪生技术的电网建模方法 |
US20230297040A1 (en) * | 2022-03-15 | 2023-09-21 | SDPlex Co Ltd. | Field installation control system and method based on hybrid digital twin model for process operation optimization |
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11526638B1 (en) * | 2019-10-21 | 2022-12-13 | Bentley Systems, Incorporated | Techniques for generating one or more scores and/or one or more corrections for a digital twin representing a utility network |
WO2021227325A1 (zh) * | 2020-05-13 | 2021-11-18 | 中国电子科技集团公司第十四研究所 | 一种基于数字孪生的生产过程仿真优化方法 |
CN112231305A (zh) * | 2020-08-23 | 2021-01-15 | 山东翰林科技有限公司 | 一种基于数字孪生的数字电网系统及方法 |
CN114218788A (zh) * | 2021-12-09 | 2022-03-22 | 南方电网电力科技股份有限公司 | 一种变电站数字孪生系统及其应用方法、系统 |
CN114584571A (zh) * | 2021-12-24 | 2022-06-03 | 北京中电飞华通信有限公司 | 基于空间计算技术的电网场站数字孪生同步通信方法 |
US20230297040A1 (en) * | 2022-03-15 | 2023-09-21 | SDPlex Co Ltd. | Field installation control system and method based on hybrid digital twin model for process operation optimization |
CN114900436A (zh) * | 2022-04-29 | 2022-08-12 | 电子科技大学 | 一种基于多维融合模型的网络孪生方法 |
CN115456207A (zh) * | 2022-08-10 | 2022-12-09 | 中国电力工程顾问集团华东电力设计院有限公司 | 智能电厂数字工程平台 |
CN115693917A (zh) * | 2022-09-08 | 2023-02-03 | 杭州绿藤数智科技有限公司 | 一种基于电力资源的空间网格计算方法和系统 |
CN115859700A (zh) * | 2023-03-02 | 2023-03-28 | 国网湖北省电力有限公司电力科学研究院 | 一种基于数字孪生技术的电网建模方法 |
Non-Patent Citations (1)
Title |
---|
蒋建华: "基于数字孪生模型的输变电设备多源异构数据边缘侧智能采筛方法", 电工技术, 25 December 2022 (2022-12-25) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
He et al. | QoE-driven big data architecture for smart city | |
CN105787089B (zh) | 一种配电网规划基础数据集成方法 | |
CN103336790B (zh) | 基于Hadoop的邻域粗糙集快速属性约简方法 | |
Song et al. | Processing optimization of typed resources with synchronized storage and computation adaptation in fog computing | |
CN103336791B (zh) | 基于Hadoop的粗糙集快速属性约简方法 | |
CN103235855A (zh) | 一种传感网异构节点元模型的构建方法 | |
Mohamed et al. | A review on big data management and decision-making in smart grid | |
Ryabko et al. | Graph model of Fog Computing system | |
Guyo et al. | Interoperability between BIM and GIS through open data standards: An overview of current literature | |
Huang et al. | Smart energy management system based on reconfigurable AI chip and electrical vehicles | |
Sbai et al. | A real-time decision support system for big data analytic: A case of dynamic vehicle routing problems | |
CN117609341B (zh) | 一种电网的数字孪生系统 | |
Palaiokrassas et al. | An IoT architecture for personalized recommendations over big data oriented applications | |
Bychkov et al. | Support for Managing the Survivability of Energy Systems Based on a Combinatorial Approach | |
CN117609341A (zh) | 一种电网的数字孪生系统 | |
CN115510116A (zh) | 数据目录构建方法、装置、介质及设备 | |
Hu et al. | Complex virtual instrument model for ocean sensor networks | |
Aksoy et al. | Optimization of real-time wireless sensor based big data with deep autoencoder network: a tourism sector application with distributed computing | |
Jung et al. | Development of Information Technology Infrastructures through Construction of Big Data Platform for Road Driving Environment Analysis | |
CN104572648B (zh) | 一种基于高性能计算的存储统计系统及方法 | |
KR101878291B1 (ko) | 에너지 빅데이터 관리 시스템 및 그 방법 | |
Zinflou et al. | Application of an ontology-based and rule-based model in electric power utilities | |
Geng et al. | Promoting geospatial service from information to knowledge with spatiotemporal semantics | |
Bobulski et al. | Design of the BLINDS system for processing and analysis of Big Data-a pre-processing data analysis module | |
CN113344294B (zh) | 一种电力能源预测系统 |
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 | ||
GR01 | Patent grant |