CN118096975A - 电网数字孪生云渲染方法、装置和电网数字孪生系统 - Google Patents

Abstract

本申请提供了一种电网数字孪生云渲染方法、装置和电网数字孪生系统，该方法包括：获取电网的有效实时数据和有效历史数据；利用时间戳精度对有效实时数据和有效历史数据进行时间戳对齐，得到优化实时数据和优化历史数据；利用云渲染引擎根据优化实时数据和优化历史数据构建数字孪生三维模型，数字孪生三维模型为利用数字化技术将电网实体设备和电力系统进行数字化建模生成的三维模型；根据数字孪生三维模型动态分配云计算资源，并根据分配的云计算资源在云端进行渲染。该方法解决了现有技术中资源分配不合理导致资源的浪费和渲染性能的下降的问题。

Description

电网数字孪生云渲染方法、装置和电网数字孪生系统

技术领域

本发明涉及信息技术领域，具体而言，涉及一种电网数字孪生云渲染方法、装置、计算机可读存储介质和电网数字孪生系统。

背景技术

在传统的电网监控和管理中，数据的获取和处理往往是手动、静态的，这种方式无法实时地获取和筛选与电网状态相关的数据，无法将其用于构建数字孪生模型。在传统的数据处理中，时间对齐往往是基于人工干预，而且无法保证数据在时间轴上的连续性，这导致了数据的不准确和不完整，无法满足构建数字孪生模型的要求。在传统的数据渲染和可视化中，往往采用基于简单图形的方法，无法满足对复杂电网数据的渲染需求。传统的数据可视化方法无法提供个性化的标记和突出显示功能，限制了对关键电网参数的准确分析和理解。在传统的云计算资源管理中，往往采用静态分配的方式，无法根据模型复杂性和数据量的变化动态分配资源，这导致资源的浪费和渲染性能的下降。传统的用户界面往往缺乏与电网数字孪生模型和实时数据的同步展示功能，无法提供直观的时间轴控件。在传统的数据对比和分析中，往往缺乏动态效果展示的功能，无法直观地突出显示历史数据与实时数据之间的差异，限制了对电网状态变化的可视化和分析。在传统的渲染引擎选择中，往往需要手动设置，无法根据模型和时间轴控件的运行性能自动选择最优的渲染引擎，这导致了渲染资源的不合理配置和性能的下降。

发明内容

本申请的主要目的在于提供一种电网数字孪生云渲染方法、装置、计算机可读存储介质和电网数字孪生系统，以至少解决现有技术中资源分配不合理导致资源的浪费和渲染性能的下降的问题。

为了实现上述目的，根据本申请的一个方面，提供了一种电网数字孪生云渲染方法，所述方法包括：获取电网的有效实时数据和有效历史数据，所述有效实时数据至少包括实时获取的电压、电流和电功率，所述有效历史数据至少包括历史存储的所述电压、所述电流和所述电功率；利用时间戳精度对所述有效实时数据和所述有效历史数据进行时间戳对齐，得到优化实时数据和优化历史数据；利用云渲染引擎根据所述优化实时数据和所述优化历史数据构建数字孪生三维模型，所述数字孪生三维模型为利用数字化技术将电网实体设备和电力系统进行数字化建模生成的三维模型；根据所述数字孪生三维模型动态分配云计算资源，并根据分配的所述云计算资源在云端进行渲染。

可选地，获取电网的有效实时数据和有效历史数据，包括：通过API获取所述电网的实时数据和历史数据；在所述API返回HTTP状态码为200的情况下，用JSON解析器分别解析所述实时数据和所述历史数据，得到第一实时数据和第一历史数据；采用二分查找算法分别对所述第一实时数据和所述第一历史数据进行数据筛选，得到动态数据和静态数据，所述动态数据为对所述第一实时数据进行筛选后的数据，所述静态数据为对所述第一历史数据进行筛选后的数据；对所述动态数据和所述静态数据均进行质量评估，得到第一质量评分和第二质量评分，所述第一质量评分为对所述动态数据进行质量评估的评分，与所述动态数据一一对应，所述第二质量评分为对所述静态数据进行质量评估的评分，与所述静态数据一一对应；在所述第一质量评分大于第一质量阈值的情况下，将所述动态数据存入缓存数据库，在所述第二质量评分大于第二质量阈值的情况下，将所述静态数据存入所述缓存数据库；将缓存至所述缓存数据库中的所述动态数据和所述静态数据分别进行数据整合，得到对应的所述有效实时数据和对应的所述有效历史数据，并将所述有效实时数据和所述有效历史数据存入数据分析系统，所述数据整合包括采用缺失值处理、噪声数据清除以及一致性检查方法进行数据标准化和优化。

可选地，利用时间戳精度对所述有效实时数据和所述有效历史数据进行时间戳对齐，得到优化实时数据和优化历史数据，包括：对所有的所述有效实时数据和所述有效历史数据进行数据校验，所述数据校验至少包括完整性校验和可靠性校验；在所述数据校验失败的情况下，将未通过所述数据校验的所述有效实时数据和所述有效历史数据进行数据整合以修复所述有效实时数据和所述有效历史数据；对通过所述数据校验的所述有效实时数据和所述有效历史数据进行深度校验，并对通过深度校验的所述有效实时数据和所述有效历史数据进行格式转换，所述深度校验包括异常值检测和缺失值填充；识别所述有效实时数据和所述有效历史数据中的时间戳精度，在所述有效实时数据和所述有效历史数据的所述时间戳精度不一致的情况下，采用线性插值算法对所述有效实时数据和所述有效历史数据进行所述时间戳精度校准，得到校准后的所述时间戳精度；根据校准后的所述时间戳精度对所述有效实时数据和所述有效历史数据进行时间戳对齐，得到所述优化实时数据和所述优化历史数据。

可选地，根据所述优化实时数据和所述优化历史数据构建数字孪生三维模型，包括：利用云渲染引擎进行渲染得到第一三维模型，所述第一三维模型内无与电网相关数据；将所述第一三维模型、所述有效实时数据和所述有效历史数据进行整合，得到第二三维模型；采用最小生成树算法对所述第二三维模型进行处理剔除冗余信息，得到第三三维模型；根据所述第三三维模型重新配置所述云渲染引擎的参数，以及根据所述优化实时数据和所述优化历史数据重新配置数据传输路径，并对所述第三三维模型进行渲染评估得到渲染质量；在所述渲染质量大于第三质量阈值的情况下，确定所述第三三维模型为所述数字孪生三维模型。

可选地，在根据所述优化实时数据和所述优化历史数据构建数字孪生三维模型之后，所述方法还包括：提取所述数据分析系统中的关键电网参数数据，并对所述关键电网参数数据的质量进行评估，得到第三质量评分；在所述第三质量评分小于第四质量阈值，对所述关键电网参数数据进行筛选和修正；将筛选和修正后的所述关键电网参数数据与所述数字孪生三维模型进行数据匹配；在所述数据匹配完成后，在所述数字孪生三维模型中的所述关键电网参数数据的位置进行标记。

可选地，根据所述数字孪生三维模型动态分配云计算资源，并根据分配的所述云计算资源在云端进行渲染，包括：分析所述数字孪生三维模型的复杂性和数据量，得到需求资源类型和需求量；获取当前云计算资源中的可用量和可用类型，分别与所述需求量和所述需求资源类型进行匹配；采用K-means聚类算法对多个数据中心进行分类，得到最优数据中心和多个次优数据中心，所述数据中心为云计算平台上的物理服务器和网络基础设施集合，所述次优数据中心为除所述最优数据中心外的所述数据中心；利用所述最优数据中心读取渲染任务队列并对所述渲染任务队列中的多个任务进行优先级排序，得到多个任务优先级，所述任务优先级与所述任务一一对应；获取各所述任务对应的网络延迟时间，根据所有的所述网络延迟时间对所述任务优先级进行调整，得到多个最新任务优先级，以使所述网络延迟时间更短的所述任务对应的所述最新任务优先级更高；根据多个所述最新任务优先级将所有的所述任务依次分配至所述数据中心，一个所述数据中心分配一个所述任务；根据多个所述最新任务优先级、所述需求资源类型和所述需求量为各所述任务分配对应的所述云计算资源，并由对应的所述数据中心根据所述云计算资源在云端进行渲染。

可选地，在根据所述数字孪生三维模型动态分配云计算资源，并根据分配的所述云计算资源在云端进行渲染之后，所述方法还包括：分析所述数字孪生三维模型的数据结构复杂度，并根据所述数据结构复杂度对数据维度进行筛选，确定目标数据维度，所述数据维度包括电压、电流、电功率、温度和湿度，所述目标数据维度为所述数据维度中的一个；基于所述目标数据维度设计时间轴控件，并且采用压力测试检测所述时间轴控件，得到检测结果，所述检测结果包括所述时间轴控件的响应速度和稳定性；在所述检测结果不满足检测条件的情况下，对所述时间轴控件进行性能优化以确保所述时间轴控件正常运行，所述检测条件包括所述响应速度大于响应速度阈值和所述稳定性大于稳定性阈值。

根据本申请的另一方面，提供了一种电网数字孪生云渲染装置，所述装置包括：获取单元，用于获取电网的有效实时数据和有效历史数据，所述有效实时数据至少包括实时获取的电压、电流和电功率，所述有效历史数据至少包括历史存储的所述电压、所述电流和所述电功率；优化单元，用于利用时间戳精度对所述有效实时数据和所述有效历史数据进行时间戳对齐，得到优化实时数据和优化历史数据；构建单元，用于利用云渲染引擎根据所述优化实时数据和所述优化历史数据构建数字孪生三维模型，所述数字孪生三维模型为利用数字化技术将电网实体设备和电力系统进行数字化建模生成的三维模型；分配单元，用于根据所述数字孪生三维模型动态分配云计算资源，并根据分配的所述云计算资源在云端进行渲染。

根据本申请的再一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一种所述的方法。

根据本申请的又一方面，提供了一种电网数字孪生系统，包括：一个或多个处理器，存储器，以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行任意一种所述的方法。

应用本申请的技术方案，在电网数字孪生云渲染方法中，首先，获取电网的有效实时数据和有效历史数据，有效实时数据至少包括实时获取的电压、电流和电功率，有效历史数据至少包括历史存储的电压、电流和电功率；然后，利用时间戳精度对有效实时数据和有效历史数据进行时间戳对齐，得到优化实时数据和优化历史数据；之后，利用云渲染引擎根据优化实时数据和优化历史数据构建数字孪生三维模型，数字孪生三维模型为利用数字化技术将电网实体设备和电力系统进行数字化建模生成的三维模型；最后，根据数字孪生三维模型动态分配云计算资源，并根据分配的云计算资源在云端进行渲染。本申请通过获取电网的有效实时数据和有效历史数据，为构建电网数字孪生三维模型提供数据基础；利用时间戳精度对有效实时数据和有效历史数据进行时间戳对齐；利用渲染引擎根据有效实时数据和有效历史数据构建数字孪生三维模型；根据数字孪生三维模型对各种任务动态分配云计算资源，对于优先级更高的任务可以增加云计算资源，对于优先级低的任务可以减少云计算资源，并且根据分配的云计算资源在云端进行渲染。本申请解决了现有技术中资源分配不合理导致资源的浪费和渲染性能的下降的问题。

附图说明

图1示出了根据本申请的实施例中提供的一种执行电网数字孪生云渲染方法的移动终端的硬件结构框图；

图2示出了根据本申请的实施例提供的一种电网数字孪生云渲染方法的流程示意图；

图3示出了根据本申请的实施例提供的具体地一种电网数字孪生云渲染方法的流程示意图；

图4示出了根据本申请的实施例提供的一种电网数字孪生云渲染装置的结构框图。

其中，上述附图包括以下附图标记：

102、处理器；104、存储器；106、传输设备；108、输入输出设备。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为了便于描述，以下对本申请实施例涉及的部分名词或术语进行说明：

数字孪生：利用物理模型、传感器更新、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，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。

正如背景技术中所介绍的，现有技术中在传统的云计算资源管理中，往往采用静态分配的方式，无法根据模型复杂性和数据量的变化动态分配资源，这导致资源的浪费和渲染性能的下降，为解决现有技术中资源分配不合理导致资源的浪费和渲染性能的下降的问题，本申请的实施例提供了一种电网数字孪生云渲染方法、装置、计算机可读存储介质和电网数字孪生系统。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种电网数字孪生云渲染方法的移动终端的硬件结构框图。如图1所示，移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的设备信息的显示方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。

在本实施例中提供了一种运行于移动终端、计算机终端或者类似的运算装置的电网数字孪生云渲染方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图2是根据本申请实施例的电网数字孪生云渲染方法的流程图。如图2所示，该方法包括以下步骤：

步骤S201，获取电网的有效实时数据和有效历史数据，有效实时数据至少包括实时获取的电压、电流和电功率，有效历史数据至少包括历史存储的电压、电流和电功率。

具体地，通过API获取电网实时数据和历史数据，对实时数据和历史数据进行筛选和数据处理，得到与电网状态相关的数据，即上述有效实时数据和有效历史数据。

步骤S202，利用时间戳精度对有效实时数据和有效历史数据进行时间戳对齐，得到优化实时数据和优化历史数据。

具体地，识别有效实时数据和有效历史数据中的时间戳精度，若不一致，采用线性插值算法进行校准。例如，有效实时数据的时间戳精度为秒，而有效历史数据的时间戳精度为分钟，则可以通过线性插值算法将实时数据的时间戳精度校准为分钟级别，得到优化实时数据和优化历史数据。

步骤S203，利用云渲染引擎根据优化实时数据和优化历史数据构建数字孪生三维模型，数字孪生三维模型为利用数字化技术将电网实体设备和电力系统进行数字化建模生成的三维模型。

具体地，可利用OpenGL渲染引擎进行三维模型渲染，经过多次的渲染和优化最终成功构建出数字孪生三维模型。

步骤S204，根据数字孪生三维模型动态分配云计算资源，并根据分配的云计算资源在云端进行渲染。

具体地，分析数字孪生三维模型的复杂性和数据量对各种任务进行动态分配云计算资源并根据分配的云计算资源在云端进行渲染，同时在云端渲染之后将渲染结果实时更新数字孪生三维模型。并且为了保证数据安全，可以先进行评估电网数字孪生三维模型的网络安全级别。若网络安全级别高于安全阈值，将数字孪生三维模型的数据传输到云端。云端对接收到的数据采用RayTracing算法进行高质量渲染，之后将云端渲染的结果更新传输至电网数字孪生三维模型。

本实施例中，本申请通过获取电网的有效实时数据和有效历史数据，为构建电网数字孪生三维模型提供数据基础；利用时间戳精度对有效实时数据和有效历史数据进行时间戳对齐；利用渲染引擎根据有效实时数据和有效历史数据构建数字孪生三维模型；根据数字孪生三维模型对各种任务动态分配云计算资源，对于优先级更高的任务可以增加云计算资源，对于优先级低的任务可以减少云计算资源，并且根据分配的云计算资源在云端进行渲染。本申请解决了现有技术中资源分配不合理导致资源的浪费和渲染性能的下降的问题。

为了使得本领域技术人员能够更加清楚地了解本申请的技术方案，以下将结合具体的实施例对本申请的电网数字孪生云渲染方法的实现过程进行详细说明。

为了确保得到高质量和有效性强的数据，在一种可选的实施方式中，上述步骤S201包括：

步骤S2011，通过API获取电网的实时数据和历史数据。

具体地，通过云计算平台的API获取电网的实时数据和历史数据。

步骤S2012，在API返回HTTP状态码为200的情况下，用JSON解析器分别解析实时数据和历史数据，得到第一实时数据和第一历史数据。

具体地，在API返回HTTP状态码为200的情况下说明API获取数据请求成功，使用JSON解析器解析获取的实时数据和历史数据，得到解析之后的数据，即上述第一实时数据和第一历史数据。在API返回HTTP状态码不是200的情况下说明API获取数据失败，再次通过API获取电网的实时数据和历史数据。

步骤S2013，采用二分查找算法分别对第一实时数据和第一历史数据进行数据筛选，得到动态数据和静态数据，动态数据为对第一实时数据进行筛选后的数据，静态数据为对第一历史数据进行筛选后的数据。

具体地，可以使用二分查找算法对第一实时数据进行动态数据筛选，得到动态数据，例如可以筛选出第一实时数据中电压大于200V且电流大于5A的数据；同理，可以使用二分查找算法对第一历史数据进行静态数据筛选，得到历史数据，例如可以筛选出第一历史数据中电流大于10A且电功率大于2500W的数据。

步骤S2014，对动态数据和静态数据均进行质量评估，得到第一质量评分和第二质量评分，第一质量评分为对动态数据进行质量评估的评分，与动态数据一一对应，第二质量评分为对静态数据进行质量评估的评分，与静态数据一一对应。

具体地，使用一个评分系统，评分范围为0-100，其中100代表数据质量最好，对筛选处出来的动态数据进行质量评估，得到质量评分，即上述第一质量评分。同理，使用相同的评分系统，对筛选出来的静态数据进行质量评估，得到质量评分，即上述第二质量评分。

步骤S2015，在第一质量评分大于第一质量阈值的情况下，将动态数据存入缓存数据库，在第二质量评分大于第二质量阈值的情况下，将静态数据存入缓存数据库。

具体地，设定第一质量阈值为80分，如果动态数据的质量评估输出的第一质量评分超过第一质量阈值80分，将动态数据存入缓存数据库。同理，设定第二质量阈值为90分，如果静态数据质量评估输出的评分超过第二质量阈值90分，将静态数据存入缓存数据库。

步骤S2016，将缓存至缓存数据库中的动态数据和静态数据分别进行数据整合，得到对应的有效实时数据和对应的有效历史数据，并将有效实时数据和有效历史数据存入数据分析系统，数据整合包括采用缺失值处理、噪声数据清除以及一致性检查方法进行数据标准化和优化。

具体地，将缓存数据库中的动态数据和静态数据进行数据整合。对数据进行缺失值处理、噪声数据清除以及一致性检查方法进行数据标准化和优化，可以通过插值方法填补缺失值，使用滤波器去除噪声数据，并检查数据的一致性。最后，得到标准化和优化后的数据，即上述有效实时数据和有效历史数据，并将有效实时数据和有效历史数据存入数据分析系统。

为了确保数据的一致性和准确性，在一种可选的实施方式中，上述步骤S202包括：

步骤S2021，对所有的有效实时数据和有效历史数据进行数据校验，数据校验至少包括完整性校验和可靠性校验。

具体地，将有效实时数据和有效历史数据进行完整性和可靠性校验。通过对数据进行校验，可以确保数据的准确性和可靠性，为电网的运行提供可靠的依据和支持。同时，校验也可以帮助发现数据中的异常和问题，及时进行修复和改进，从而提高电网数据的质量和可靠性。

步骤S2022，在数据校验失败的情况下，将未通过数据校验的有效实时数据和有效历史数据进行数据整合以修复有效实时数据和有效历史数据。

具体地，若校验失败则进行数据清洗和处理，检查和修复数据中的异常值、缺失值和重复值；例如有效实时数据中某个传感器的数值为0，而根据有效历史数据这个传感器在同一时间段应该有正常的数值，那么可以判断该有效实时数据存在问题，需要进行修复。

步骤S2023，对通过数据校验的有效实时数据和有效历史数据进行深度校验，并对通过深度校验的有效实时数据和有效历史数据进行格式转换，深度校验包括异常值检测和缺失值填充。

具体地，对通过初步数据校验的数据进行异常值检测和缺失值填充的深度校验。例如，有效历史数据中某个传感器在某个时间段内出现了异常的极端数值，可以通过统计方法判断该有效历史数据为异常值，并进行填充或剔除。对通过深度校验的数据进行格式转换，将格式转换成预定的标准格式。例如可将日期格式从"YYYY/MM/DD"转换为"DD/MM/YYYY"。

步骤S2024，识别有效实时数据和有效历史数据中的时间戳精度，在有效实时数据和有效历史数据的时间戳精度不一致的情况下，采用线性插值算法对有效实时数据和有效历史数据进行时间戳精度校准，得到校准后的时间戳精度。

具体地，识别有效实时数据和有效历史数据中的时间戳精度，若两者的时间戳精度不一致，采用线性插值算法进行校准。有效实时数据的时间戳精度为秒，而有效历史数据的时间戳精度为分钟，则可以通过线性插值算法将有效实时数据的时间戳精度校准为分钟级别。时间戳对齐是为了将有效实时数据和有效历史数据的时间戳统一为相同的精度，确保数据的准确性和一致性。

步骤S2025，根据校准后的时间戳精度对有效实时数据和有效历史数据进行时间戳对齐，得到优化实时数据和优化历史数据。

具体地，根据校准后的时间戳精度，对有效实时数据和有效历史数据进行时间对齐。例如，有效实时数据的时间戳为2022-01-01 12:05:30，而有效历史数据的时间戳为2022-01-01 12:00:00，可以对有效实时数据进行时间对齐，使得两组数据的时间戳对应。

为了提高数字孪生三维模型的可靠性，在一种可选的实施方式中，上述步骤S203包括：

步骤S2031，利用云渲染引擎进行渲染得到第一三维模型，第一三维模型内无与电网相关数据。

具体地，现有很多渲染引擎可用于渲染电网数字孪生三维模型，一些常用的渲染引擎包括Unity、Unreal Engine、Blender、Three.js和OpenGL渲染引擎等。先利用OpenGL渲染引擎进行举例说明，利用OpenGL渲染引擎进行初步的三维模型渲染，得到第一三维模型；初始化渲染环境，包括创建窗口、设置视口大小和创建OpenGL上下文；加载第一三维模型数据，将要渲染的三维模型数据导入渲染引擎，包括模型的顶点数据、纹理坐标和法线数据；创建顶点着色器和片段着色器，并编译和链接到OpenGL程序中；配置OpenGL的渲染状态，包括深度测试、面剔除和背面剔除；设置光照和材质，对于光照和材质的渲染效果，设置光源位置、光照计算方法和材质属性；通过设置投影矩阵和视图矩阵，定义三维模型在屏幕上的位置和尺寸；将加载的第一三维模型数据通过OpenGL的缓冲区对象绑定到渲染引擎；在渲染循环中，通过向渲染引擎发送渲染命令，绘制第一三维模型到屏幕上；将渲染后的结果显示到屏幕上，通过交换缓冲区展示渲染结果。

步骤S2032，将第一三维模型、有效实时数据和有效历史数据进行整合，得到第二三维模型。

具体地，对已经渲染的三维模型，即上述第一三维模型，和有效实时数据和有效历史数据进行整合，形成电网数字孪生三维模型的雏形，即上述第二三维模型。

步骤S2033，采用最小生成树算法对第二三维模型进行处理剔除冗余信息，得到第三三维模型。

具体地，通过最小生成树算法减少三维模型的冗余信息，以减少模型的复杂度。例如有一个三角形网格模型，由10000个三角形组成，使用OpenGL渲染引擎将该模型渲染到屏幕上。可以使用最小生成树算法减少该模型的冗余信息。经过最小生成树算法处理后，模型的冗余信息减少了50％。这意味着原先的10000个三角形被减少为5000个三角形。

步骤S2034，根据第三三维模型重新配置云渲染引擎的参数，以及根据优化实时数据和优化历史数据重新配置数据传输路径，并对第三三维模型进行渲染评估得到渲染质量。

具体地，根据减少后的模型复杂度，即上述第三三维模型的复杂度，需要重新配置OpenGL渲染引擎的参数设置。可以调整渲染的分辨率或使用更高级别的渲染算法来提高渲染效率。根据渲染输出结果的准确性和视觉表现评估渲染质量；如果渲染质量超过质量阈值，进行数据传输，在数据传输过程中，对第三三维模型状态进行检测，检测是否存在实时交互检测延迟；若存在实时交互检测延迟，通过分布式计算和并行处理的方式减少延迟；完成数据传输后，从数据分析系统中获取与第三三维模型匹配的优化实时数据和优化历史数据；根据获取到优化实时数据和优化历史数据，重新配置数据传输路径。通过重新配置数据传输路径重新传输数据，再次运用OpenGL渲染引擎进行模型渲染，再次评估渲染质量，对上述第三三维模型进行多次优化和渲染。

步骤S2035，在渲染质量大于第三质量阈值的情况下，确定第三三维模型为数字孪生三维模型。

具体地，经过多次的渲染优化并且评估渲染质量，在渲染质量大于第三质量阈值的情况下，成功构建出数字孪生三维模型。

为了提高数字孪生三维模型与实际电网系统的匹配度和增强数字孪生三维模型仿真能力，在一种可选的实施方式中，该方法还包括：

步骤S301，提取数据分析系统中的关键电网参数数据，并对关键电网参数数据的质量进行评估，得到第三质量评分。

具体地，例如，从数据分析系统中提取了以下关键电网参数数据，线路电流、变压器温度和负荷功率。对这些参数数据的质量进行评估，得到质量评估评分，即上述第三质量评分。线路电流数据质量评估值为7，变压器温度数据质量评估值为9，负荷功率数据质量评估值为6。

步骤S302，在第三质量评分小于第四质量阈值，对关键电网参数数据进行筛选和修正。

具体地，设置了一个质量阈值为8，即上述第四质量阈值，在第三质量评分低于第四质量阈值8时认为是低质量数据。线路电流数据质量评估值为7低于质量阈值8，需要进行修正。变压器温度数据质量评估值为9高于质量阈值8，无需修正。负荷功率数据质量评估值为6低于质量阈值8，需要进行修正。对线路电流和负荷功率数据进行筛选和修正。

步骤S303，将筛选和修正后的关键电网参数数据与数字孪生三维模型进行数据匹配。

具体地，筛选和修正后的线路电流数据为120A，负荷功率数据为100kW。将这些数据与数字孪生三维模型匹配，并标记线路电流和负荷功率的位置。通过API获取电网当前的实时数据，线路电流为110A，负荷功率为90kW。根据当前的实时数据，更新了电网数字孪生三维模型中的线路电流和负荷功率。为了校验更新后的电网数字孪生三维模型的准确性，可以比较实时数据和数字孪生三维模型中的数据，如果相匹配，那么模型是准确的。

步骤S304，在数据匹配完成后，在数字孪生三维模型中的关键电网参数数据的位置进行标记。

具体地，在数据匹配完成后，通过用户交互界面展示经过校验的数字孪生三维模型，以及用不同颜色和标签突出显示的关键电网参数。如线路电流和负荷功率。这样用户可以直观地查看电网的状态和关键参数。

为了提高任务执行的效率和资源利用率，在一种可选的实施方式中，上述步骤S204包括：

步骤S2041，分析数字孪生三维模型的复杂性和数据量，得到需求资源类型和需求量。

具体地，分析数字孪生三维模型的复杂性和数据量，得到数字孪生三维模型的需求资源类型和需求量。例如，电网数字孪生三维模型的复杂性为100，数据量为1TB。模型需求的资源类型包括CPU、内存和存储，数量为10台高性能服务器、100GB内存和10TB存储。

步骤S2042，获取当前云计算资源中的可用量和可用类型，分别与需求量和需求资源类型进行匹配。

具体地，查询云计算平台的API，获取现有资源的可用性和类型，例如查询云计算平台的API，发现可用资源类型包括高性能服务器、标准服务器和存储，数量分别为100台、500台和1PB。

步骤S2043，采用K-means聚类算法对多个数据中心进行分类，得到最优数据中心和多个次优数据中心，数据中心为云计算平台上的物理服务器和网络基础设施集合，次优数据中心为除最优数据中心外的数据中心。

具体地，通过K-means聚类算法对多个数据中心进行分类，根据资源可用性、性能和延迟性得到最优数据中心位置为A，其余的数据中心都为次优数据中心。

步骤S2044，利用最优数据中心读取渲染任务队列并对渲染任务队列中的多个任务进行优先级排序，得到多个任务优先级，任务优先级与任务一一对应。

具体地，从最优数据中心A读取渲染任务队列，并对任务进行优先级排序。任务1的优先级为10，任务2的优先级为5。

步骤S2045，获取各任务对应的网络延迟时间，根据所有的网络延迟时间对任务优先级进行调整，得到多个最新任务优先级，以使网络延迟时间更短的任务对应的最新任务优先级更高。

具体地，获取最优数据中心A中的网络延迟数据，任务1的网络延迟时间为5ms，任务2的网络延迟时间为10ms。根据网络延迟时间，调整任务优先级，任务1的优先级增加到15，任务2的优先级增加到8。

步骤S2046，根据多个最新任务优先级将所有的任务依次分配至数据中心，一个数据中心分配一个任务。

具体地，根据调整后的任务优先级，对采用K-means聚类算法分类出的其他数据中心，根据负载均衡状态进行低优先级任务分配，将任务2分配给次优数据中心B。

步骤S2047，根据多个最新任务优先级、需求资源类型和需求量为各任务分配对应的云计算资源，并由对应的数据中心根据云计算资源在云端进行渲染。

具体地，采用线性规划算法，建立任务执行成本与资源分配之间的线性关系。任务1执行成本与高性能服务器数量成正比，任务2执行成本与标准服务器数量成正比。计算得到任务1的预计成本为1000，任务2的预计成本为500。根据预计成本，对已分配的云计算资源进行动态调整，减少5台高性能服务器和增加10台标准服务器。对数字孪生三维模型的复杂性和数据量进行了合理的资源分配和调度，最大程度地提高了任务执行的效率和资源利用率。通过优先级排序和网络延迟时间的调整，能够更合理地安排任务的执行顺序，进一步提高了任务执行效率。同时，根据需求资源类型和需求量为任务分配对应的云计算资源，可以确保任务得到了充分的资源支持，提高了任务的执行质量和速度。

为了提高数字孪生三维模型的实时性展示电网状态的变化趋势，在一种可选的实施方式中，上述步骤S204之后，该方法还包括：

步骤S501，分析数字孪生三维模型的数据结构复杂度，并根据数据结构复杂度对数据维度进行筛选，确定目标数据维度，数据维度包括电压、电流、电功率、温度和湿度，目标数据维度为数据维度中的一个。

具体地，例如，电网数字孪生三维模型中有以下数据维度,电压、电流、电功率、温度和湿度。对于每个数据维度，可以使用不同的数据结构来存储和处理数据。可以使用数组、链表、哈希表等数据结构来表示电网的不同状态。如果数据结构复杂度太高，可能会导致时间轴控件的响应速度变慢。因此，可以选择一些关键的数据维度，如电压和电流，来展示在时间轴控件上，而将其他维度作为可选功能。

步骤S502，基于目标数据维度设计时间轴控件，并且采用压力测试检测时间轴控件，得到检测结果，检测结果包括时间轴控件的响应速度和稳定性。

具体地，在设计时间轴控件时，可以根据电网状态与时间的对应关系来确定时间轴的刻度。电网状态是每分钟更新一次，那么时间轴控件可以按分钟来划分刻度。为了与用户界面同步数据，可以使用同步机制来确保数据的传输成功。可以使用消息队列或事件触发机制来传输数据。在传输过程中，可以检查同步数据的结果，设计展示方法和界面交互时，可以根据同步数据的结果来调整时间轴控件的展示方式。如果同步数据成功，时间轴控件可以展示电网状态的变化趋势；如果同步数据失败，时间轴控件可以展示错误提示或占位符数据。通过压力测试可以检测时间轴控件的稳定性。可以模拟大量用户同时访问时间轴控件，观察其响应速度和稳定性，得到检测结果。

步骤S503，在检测结果不满足检测条件的情况下，对时间轴控件进行性能优化以确保时间轴控件正常运行，检测条件包括响应速度大于响应速度阈值和稳定性大于稳定性阈值。

具体地，在检测结果不满足检测条件的情况下说明时间轴控件在高负荷下不能正常运行，因此需要对时间轴控件进行性能优化，如使用缓存、异步加载等方法，以确保时间轴控件正常运行。

为了提升用户体验，在另一种可选的实施方式中，上述步骤S503之后，该方法还包括：

步骤S601，将数据分析系统中存储的优化历史数据和数字孪生三维模型的当前实时数据进行对比，在优化历史数据和当前实时数据存在差异的情况下，在时间轴控件和数字孪生三维模型中突出显示。

具体地，将数据分析系统中存储的优化历史数据和数字孪生三维模型的当前实时数据进行对比。若对比数据中优化历史数据与当前实时数据差异高于差异阈值，获取差异性参数。根据获取的差异性参数，在时间轴上标定出差异发生的具体时间点。在电网数字孪生三维模型中，根据时间轴上的差异标定，描绘出差异性参数的空间分布。采用插值算法对标定在时间轴控件和数字孪生三维模型中的差异进行动态呈现。获取动态效果呈现后的关于差异呈现的持续时间和空间范围数据特点。若数据特点符合预设条件，重新计算电网数字孪生三维模型的实时数据。根据重新计算的实时数据，更新时间轴控件和数字孪生三维模型中的动态效果呈现。可以帮助用户快速识别优化历史数据和当前实时数据之间的差异。通过在时间轴控件和数字孪生三维模型中突出显示这些差异，用户可以更直观地了解数据的变化情况，从而更好地进行数据分析和决策制定。

为了提高渲染速度、优化资源利用，在另一种可选的实施方式中，上述步骤S503之后，该方法还包括：

步骤S701，根据数字孪生三维模型和时间轴控件的性能，自动选择或切换云渲染引擎。

具体地，从数字孪生三维模型中获取优化实时数据和优化历史数据。将电网实优化实时数据和优化历史数据与时间轴控件进行整合。根据整合后的数据，对当前云渲染引擎进行评分，得到评分结果。对服务器负载进行监控，得到服务器负载数据。若服务器负载数据高于负载阈值，通过切换机制启用备用云渲染引擎。对备用云渲染引擎进行评分，得到评分结果。根据当前云渲染引擎和备用云渲染引擎的评分结果，将评分最高的云渲染引擎更新为当前使用引擎。

本实施例涉及一种具体的电网数字孪生云渲染方法，如图3所示，包括如下步骤：

步骤S1：检索电网实时和历史数据，筛选出与电网状态相关的动态和静态数据，并进行数据处理，得到优化实时数据和优化历史数据；

步骤S2：利用时间戳精度对优化实时数据和优化历史数据进行时间对齐；

步骤S3：使用渲染引擎根据优化实时数据和优化历史数据构建并渲染电网数字孪生三维模型；

步骤S4：在电网数字孪生三维模型中，用不同颜色或标签突出显示关键电网参数；

步骤S5：根据电网数字孪生三维模型的复杂性和数据量动态，分配云计算资源并在云端进行渲染，同时实时更新电网数字孪生三维模型以反映电网的实时状态。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本申请实施例还提供了一种电网数字孪生云渲染装置，需要说明的是，本申请实施例的电网数字孪生云渲染装置可以用于执行本申请实施例所提供的用于电网数字孪生云渲染方法。该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

以下对本申请实施例提供的电网数字孪生云渲染装置进行介绍。

图4是根据本申请实施例的电网数字孪生云渲染装置的结构框图。如图4所示，该装置包括：

获取单元10，用于获取电网的有效实时数据和有效历史数据，有效实时数据至少包括实时获取的电压、电流和电功率，有效历史数据至少包括历史存储的电压、电流和电功率。

具体地，通过API获取电网实时数据和历史数据，对实时数据和历史数据进行筛选和数据处理，得到与电网状态相关的数据，即上述有效实时数据和有效历史数据。

优化单元20，用于利用时间戳精度对有效实时数据和有效历史数据进行时间戳对齐，得到优化实时数据和优化历史数据。

具体地，识别有效实时数据和有效历史数据中的时间戳精度，若不一致，采用线性插值算法进行校准。例如，有效实时数据的时间戳精度为秒，而有效历史数据的时间戳精度为分钟，则可以通过线性插值算法将实时数据的时间戳精度校准为分钟级别，得到优化实时数据和优化历史数据。

构建单元30，用于利用云渲染引擎根据优化实时数据和优化历史数据构建数字孪生三维模型，数字孪生三维模型为利用数字化技术将电网实体设备和电力系统进行数字化建模生成的三维模型。

具体地，可利用OpenGL渲染引擎进行三维模型渲染，经过多次的渲染和优化最终成功构建出数字孪生三维模型。

分配单元40，用于根据数字孪生三维模型动态分配云计算资源，并根据分配的云计算资源在云端进行渲染。

具体地，分析数字孪生三维模型的复杂性和数据量对各种任务进行动态分配云计算资源并根据分配的云计算资源在云端进行渲染，同时在云端渲染之后将渲染结果实时更新数字孪生三维模型。并且为了保证数据安全，可以先进行评估电网数字孪生三维模型的网络安全级别。若网络安全级别高于安全阈值，将数字孪生三维模型的数据传输到云端。云端对接收到的数据采用RayTracing算法进行高质量渲染，之后将云端渲染的结果更新传输至电网数字孪生三维模型。

本实施例中，本申请通过获取电网的有效实时数据和有效历史数据，为构建电网数字孪生三维模型提供数据基础；利用时间戳精度对有效实时数据和有效历史数据进行时间戳对齐；利用渲染引擎根据有效实时数据和有效历史数据构建数字孪生三维模型；根据数字孪生三维模型对各种任务动态分配云计算资源，对于优先级更高的任务可以增加云计算资源，对于优先级低的任务可以减少云计算资源，并且根据分配的云计算资源在云端进行渲染。本申请解决了现有技术中资源分配不合理导致资源的浪费和渲染性能的下降的问题。

为了确保得到高质量和有效性强的数据，在一种可选的实施方式中，上述获取单元包括：

第一获取模块，通过API获取电网的实时数据和历史数据。

具体地，通过云计算平台的API获取电网的实时数据和历史数据。

解析模块，在API返回HTTP状态码为200的情况下，用JSON解析器分别解析实时数据和历史数据，得到第一实时数据和第一历史数据。

具体地，在API返回HTTP状态码为200的情况下说明API获取数据请求成功，使用JSON解析器解析获取的实时数据和历史数据，得到解析之后的数据，即上述第一实时数据和第一历史数据。在API返回HTTP状态码不是200的情况下说明API获取数据失败，再次通过API获取电网的实时数据和历史数据。

筛选模块，采用二分查找算法分别对第一实时数据和第一历史数据进行数据筛选，得到动态数据和静态数据，动态数据为对第一实时数据进行筛选后的数据，静态数据为对第一历史数据进行筛选后的数据。

具体地，可以使用二分查找算法对第一实时数据进行动态数据筛选，得到动态数据，例如可以筛选出第一实时数据中电压大于200V且电流大于5A的数据；同理，可以使用二分查找算法对第一历史数据进行静态数据筛选，得到历史数据，例如可以筛选出第一历史数据中电流大于10A且电功率大于2500W的数据。

评估模块，对动态数据和静态数据均进行质量评估，得到第一质量评分和第二质量评分，第一质量评分为对动态数据进行质量评估的评分，与动态数据一一对应，第二质量评分为对静态数据进行质量评估的评分，与静态数据一一对应。

具体地，使用一个评分系统，评分范围为0-100，其中100代表数据质量最好，对筛选处出来的动态数据进行质量评估，得到质量评分，即上述第一质量评分。同理，使用相同的评分系统，对筛选出来的静态数据进行质量评估，得到质量评分，即上述第二质量评分。

存储模块，在第一质量评分大于第一质量阈值的情况下，将动态数据存入缓存数据库，在第二质量评分大于第二质量阈值的情况下，将静态数据存入缓存数据库。

具体地，设定第一质量阈值为80分，如果动态数据的质量评估输出的第一质量评分超过第一质量阈值80分，将动态数据存入缓存数据库。同理，设定第二质量阈值为90分，如果静态数据质量评估输出的评分超过第二质量阈值90分，将静态数据存入缓存数据库。

第一整合模块，将缓存至缓存数据库中的动态数据和静态数据分别进行数据整合，得到对应的有效实时数据和对应的有效历史数据，并将有效实时数据和有效历史数据存入数据分析系统，数据整合包括采用缺失值处理、噪声数据清除以及一致性检查方法进行数据标准化和优化。

具体地，将缓存数据库中的动态数据和静态数据进行数据整合。对数据进行缺失值处理、噪声数据清除以及一致性检查方法进行数据标准化和优化，可以通过插值方法填补缺失值，使用滤波器去除噪声数据，并检查数据的一致性。最后，得到标准化和优化后的数据，即上述有效实时数据和有效历史数据，并将有效实时数据和有效历史数据存入数据分析系统。

为了确保数据的一致性和准确性，在一种可选的实施方式中，上述优化单元包括：

第一校验模块，对所有的有效实时数据和有效历史数据进行数据校验，数据校验至少包括完整性校验和可靠性校验。

具体地，将有效实时数据和有效历史数据进行完整性和可靠性校验。通过对数据进行校验，可以确保数据的准确性和可靠性，为电网的运行提供可靠的依据和支持。同时，校验也可以帮助发现数据中的异常和问题，及时进行修复和改进，从而提高电网数据的质量和可靠性。

修复模块，在数据校验失败的情况下，将未通过数据校验的有效实时数据和有效历史数据进行数据整合以修复有效实时数据和有效历史数据。

具体地，若校验失败则进行数据清洗和处理，检查和修复数据中的异常值、缺失值和重复值；例如有效实时数据中某个传感器的数值为0，而根据有效历史数据这个传感器在同一时间段应该有正常的数值，那么可以判断该有效实时数据存在问题，需要进行修复。

第二校验模块，对通过数据校验的有效实时数据和有效历史数据进行深度校验，并对通过深度校验的有效实时数据和有效历史数据进行格式转换，深度校验包括异常值检测和缺失值填充。

具体地，对通过初步数据校验的数据进行异常值检测和缺失值填充的深度校验。例如，有效历史数据中某个传感器在某个时间段内出现了异常的极端数值，可以通过统计方法判断该有效历史数据为异常值，并进行填充或剔除。对通过深度校验的数据进行格式转换，将格式转换成预定的标准格式。例如可将日期格式从"YYYY/MM/DD"转换为"DD/MM/YYYY"。

校准模块，识别有效实时数据和有效历史数据中的时间戳精度，在有效实时数据和有效历史数据的时间戳精度不一致的情况下，采用线性插值算法对有效实时数据和有效历史数据进行时间戳精度校准，得到校准后的时间戳精度。

具体地，识别有效实时数据和有效历史数据中的时间戳精度，若两者的时间戳精度不一致，采用线性插值算法进行校准。有效实时数据的时间戳精度为秒，而有效历史数据的时间戳精度为分钟，则可以通过线性插值算法将有效实时数据的时间戳精度校准为分钟级别。时间戳对齐是为了将有效实时数据和有效历史数据的时间戳统一为相同的精度，确保数据的准确性和一致性。

优化模块，根据校准后的时间戳精度对有效实时数据和有效历史数据进行时间戳对齐，得到优化实时数据和优化历史数据。

具体地，根据校准后的时间戳精度，对有效实时数据和有效历史数据进行时间对齐。例如，有效实时数据的时间戳为2022-01-01 12:05:30，而有效历史数据的时间戳为2022-01-01 12:00:00，可以对有效实时数据进行时间对齐，使得两组数据的时间戳对应。

为了提高数字孪生三维模型的可靠性，在一种可选的实施方式中，上述构建单元包括：

渲染模块，利用云渲染引擎进行渲染得到第一三维模型，第一三维模型内无与电网相关数据。

具体地，现有很多渲染引擎可用于渲染电网数字孪生三维模型，一些常用的渲染引擎包括Unity、Unreal Engine、Blender、Three.js和OpenGL渲染引擎等。利用OpenGL渲染引擎进行初步的三维模型渲染，得到第一三维模型。

第二整合模块，将第一三维模型、有效实时数据和有效历史数据进行整合，得到第二三维模型。

具体地，对已经渲染的三维模型，即上述第一三维模型，和有效实时数据和有效历史数据进行整合，形成电网数字孪生三维模型的雏形，即上述第二三维模型。

处理模块，采用最小生成树算法对第二三维模型进行处理剔除冗余信息，得到第三三维模型。

具体地，通过最小生成树算法减少三维模型的冗余信息，以减少模型的复杂度。例如有一个三角形网格模型，由10000个三角形组成，使用OpenGL渲染引擎将该模型渲染到屏幕上。可以使用最小生成树算法减少该模型的冗余信息。经过最小生成树算法处理后，模型的冗余信息减少了50％。这意味着原先的10000个三角形被减少为5000个三角形。

配置模块，根据第三三维模型重新配置云渲染引擎的参数，以及根据优化实时数据和优化历史数据重新配置数据传输路径，并对第三三维模型进行渲染评估得到渲染质量。

具体地，根据减少后的模型复杂度，即上述第三三维模型的复杂度，需要重新配置OpenGL渲染引擎的参数设置。可以调整渲染的分辨率或使用更高级别的渲染算法来提高渲染效率。根据渲染输出结果的准确性和视觉表现评估渲染质量；如果渲染质量超过质量阈值，进行数据传输，在数据传输过程中，对第三三维模型状态进行检测，检测是否存在实时交互检测延迟；若存在实时交互检测延迟，通过分布式计算和并行处理的方式减少延迟；完成数据传输后，从数据分析系统中获取与第三三维模型匹配的优化实时数据和优化历史数据；根据获取到优化实时数据和优化历史数据，重新配置数据传输路径。通过重新配置数据传输路径重新传输数据，再次运用OpenGL渲染引擎进行模型渲染，再次评估渲染质量，对上述第三三维模型进行多次优化和渲染。

确定模块，在渲染质量大于第三质量阈值的情况下，确定第三三维模型为数字孪生三维模型。

具体地，经过多次的渲染优化并且评估渲染质量，在渲染质量大于第三质量阈值的情况下，成功构建出数字孪生三维模型。

为了提高数字孪生三维模型与实际电网系统的匹配度和增强数字孪生三维模型仿真能力，在一种可选的实施方式中，该装置还包括：

提取单元，用于在根据优化实时数据和优化历史数据构建数字孪生三维模型之后，提取数据分析系统中的关键电网参数数据，并对关键电网参数数据的质量进行评估，得到第三质量评分。

具体地，例如，从数据分析系统中提取了以下关键电网参数数据，线路电流、变压器温度和负荷功率。对这些参数数据的质量进行评估，得到质量评估评分，即上述第三质量评分。线路电流数据质量评估值为7，变压器温度数据质量评估值为9，负荷功率数据质量评估值为6。

修正单元，在第三质量评分小于第四质量阈值，对关键电网参数数据进行筛选和修正。

具体地，设置了一个质量阈值为8，即上述第四质量阈值，在第三质量评分低于第四质量阈值8时认为是低质量数据。线路电流数据质量评估值为7低于质量阈值8，需要进行修正。变压器温度数据质量评估值为9高于质量阈值8，无需修正。负荷功率数据质量评估值为6低于质量阈值8，需要进行修正。对线路电流和负荷功率数据进行筛选和修正。

匹配单元，将筛选和修正后的关键电网参数数据与数字孪生三维模型进行数据匹配。

具体地，筛选和修正后的线路电流数据为120A，负荷功率数据为100kW。将这些数据与数字孪生三维模型匹配，并标记线路电流和负荷功率的位置。通过API获取电网当前的实时数据，线路电流为110A，负荷功率为90kW。根据当前的实时数据，更新了电网数字孪生三维模型中的线路电流和负荷功率。

标记单元，用于在数据匹配完成后，在数字孪生三维模型中的关键电网参数数据的位置进行标记。

具体地，在数据匹配完成后，通过用户交互界面展示经过校验的数字孪生三维模型，以及用不同颜色和标签突出显示的关键电网参数。如线路电流和负荷功率。这样用户可以直观地查看电网的状态和关键参数。

为了提高任务执行的效率和资源利用率，在一种可选的实施方式中，上述分配单元包括：

分析模块，分析数字孪生三维模型的复杂性和数据量，得到需求资源类型和需求量。

具体地，分析数字孪生三维模型的复杂性和数据量，得到数字孪生三维模型的需求资源类型和需求量。例如，电网数字孪生三维模型的复杂性为100，数据量为1TB。模型需求的资源类型包括CPU、内存和存储，数量为10台高性能服务器、100GB内存和10TB存储。

第二获取模块，获取当前云计算资源中的可用量和可用类型，分别与需求量和需求资源类型进行匹配。

具体地，查询云计算平台的API，获取现有资源的可用性和类型，例如查询云计算平台的API，发现可用资源类型包括高性能服务器、标准服务器和存储，数量分别为100台、500台和1PB。

分类模块，采用K-means聚类算法对多个数据中心进行分类，得到最优数据中心和多个次优数据中心，数据中心为云计算平台上的物理服务器和网络基础设施集合，次优数据中心为除最优数据中心外的数据中心。

具体地，通过K-means聚类算法对多个数据中心进行分类，根据资源可用性、性能和延迟性得到最优数据中心位置为A，其余的数据中心都为次优数据中心。

排序模块，利用最优数据中心读取渲染任务队列并对渲染任务队列中的多个任务进行优先级排序，得到多个任务优先级，任务优先级与任务一一对应。

具体地，从最优数据中心A读取渲染任务队列，并对任务进行优先级排序。任务1的优先级为10，任务2的优先级为5。

第三获取模块，获取各任务对应的网络延迟时间，根据所有的网络延迟时间对任务优先级进行调整，得到多个最新任务优先级，以使网络延迟时间更短的任务对应的最新任务优先级更高。

具体地，获取最优数据中心A中的网络延迟数据，任务1的网络延迟时间为5ms，任务2的网络延迟时间为10ms。根据网络延迟时间，调整任务优先级，任务1的优先级增加到15，任务2的优先级增加到8。

第一分配模块，根据多个最新任务优先级将所有的任务依次分配至数据中心，一个数据中心分配一个任务。

具体地，根据调整后的任务优先级，对采用K-means聚类算法分类出的其他数据中心，根据负载均衡状态进行低优先级任务分配，将任务2分配给次优数据中心B。

第二分配模块，根据多个最新任务优先级、需求资源类型和需求量为各任务分配对应的云计算资源，并由对应的数据中心根据云计算资源在云端进行渲染。

具体地，采用线性规划算法，建立任务执行成本与资源分配之间的线性关系。任务1执行成本与高性能服务器数量成正比，任务2执行成本与标准服务器数量成正比。计算得到任务1的预计成本为1000，任务2的预计成本为500。根据预计成本，对已分配的云计算资源进行动态调整，减少5台高性能服务器和增加10台标准服务器。对数字孪生三维模型的复杂性和数据量进行了合理的资源分配和调度，最大程度地提高了任务执行的效率和资源利用率。通过优先级排序和网络延迟时间的调整，能够更合理地安排任务的执行顺序，进一步提高了任务执行效率。同时，根据需求资源类型和需求量为任务分配对应的云计算资源，可以确保任务得到了充分的资源支持，提高了任务的执行质量和速度。

为了提高数字孪生三维模型的实时性展示电网状态的变化趋势，在一种可选的实施方式中，该装置还包括：

确定单元，用于在根据数字孪生三维模型动态分配云计算资源，并根据分配的云计算资源在云端进行渲染之后，分析数字孪生三维模型的数据结构复杂度，并根据数据结构复杂度对数据维度进行筛选，确定目标数据维度，数据维度包括电压、电流、电功率、温度和湿度，目标数据维度为数据维度中的一个。

具体地，例如，电网数字孪生三维模型中有以下数据维度,电压、电流、电功率、温度和湿度。对于每个数据维度，可以使用不同的数据结构来存储和处理数据。可以使用数组、链表、哈希表等数据结构来表示电网的不同状态。如果数据结构复杂度太高，可能会导致时间轴控件的响应速度变慢。因此，可以选择一些关键的数据维度，如电压和电流，来展示在时间轴控件上，而将其他维度作为可选功能。

检测单元，用于基于目标数据维度设计时间轴控件，并且采用压力测试检测时间轴控件，得到检测结果，检测结果包括时间轴控件的响应速度和稳定性。

具体地，在设计时间轴控件时，可以根据电网状态与时间的对应关系来确定时间轴的刻度。电网状态是每分钟更新一次，那么时间轴控件可以按分钟来划分刻度。为了与用户界面同步数据，可以使用同步机制来确保数据的传输成功。可以使用消息队列或事件触发机制来传输数据。在传输过程中，可以检查同步数据的结果，确保数据正确传输到时间轴控件上。设计展示方法和界面交互时，可以根据同步数据的结果来调整时间轴控件的展示方式。如果同步数据成功，时间轴控件可以展示电网状态的变化趋势；如果同步数据失败，时间轴控件可以展示错误提示或占位符数据。最后，通过压力测试可以检测时间轴控件的稳定性。可以模拟大量用户同时访问时间轴控件，观察其响应速度和稳定性，得到检测结果。

优化单元，用于在检测结果不满足检测条件的情况下，对时间轴控件进行性能优化以确保时间轴控件正常运行，检测条件包括响应速度大于响应速度阈值和稳定性大于稳定性阈值。

具体地，在检测结果不满足检测条件的情况下说明时间轴控件在高负荷下不能正常运行，因此需要对时间轴控件进行性能优化，如使用缓存、异步加载等方法，以确保时间轴控件正常运行。

为了提升用户体验，在另一种可选的实施方式中，该装置还包括：

对比单元，用于在对时间轴控件进行性能优化以确保时间轴控件正常运行之后，将数据分析系统中存储的优化历史数据和数字孪生三维模型的当前实时数据进行对比，在优化历史数据和当前实时数据存在差异的情况下，在时间轴控件和数字孪生三维模型中突出显示。

具体地，将数据分析系统中存储的优化历史数据和数字孪生三维模型的当前实时数据进行对比。若对比数据中优化历史数据与当前实时数据差异高于差异阈值，获取差异性参数。根据获取的差异性参数，在时间轴上标定出差异发生的具体时间点。在电网数字孪生三维模型中，根据时间轴上的差异标定，描绘出差异性参数的空间分布。采用插值算法对标定在时间轴控件和数字孪生三维模型中的差异进行动态呈现。获取动态效果呈现后的关于差异呈现的持续时间和空间范围数据特点。若数据特点符合预设条件，重新计算电网数字孪生三维模型的实时数据。根据重新计算的实时数据，更新时间轴控件和数字孪生三维模型中的动态效果呈现。可以帮助用户快速识别优化历史数据和当前实时数据之间的差异。通过在时间轴控件和数字孪生三维模型中突出显示这些差异，用户可以更直观地了解数据的变化情况，从而更好地进行数据分析和决策制定。

为了提高渲染速度、优化资源利用，在另一种可选的实施方式中，该装置还包括：

切换单元，用于在对时间轴控件进行性能优化以确保时间轴控件正常运行之后，根据数字孪生三维模型和时间轴控件的性能，自动选择或切换云渲染引擎。

具体地，从数字孪生三维模型中获取优化实时数据和优化历史数据。将电网实优化实时数据和优化历史数据与时间轴控件进行整合。根据整合后的数据，对当前云渲染引擎进行评分，得到评分结果。对服务器负载进行监控，得到服务器负载数据。若服务器负载数据高于负载阈值，通过切换机制启用备用云渲染引擎。对备用云渲染引擎进行评分，得到评分结果。根据当前云渲染引擎和备用云渲染引擎的评分结果，将评分最高的云渲染引擎更新为当前使用引擎，获得网络延迟数据。根据网络延迟数据，对数据传输策略进行调整。根据调整后的数据传输策略，重新整合数字孪生三维模型与时间轴控件。

上述电网数字孪生云渲染装置包括处理器和存储器，上述获取单元、优化单元和分配单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来解决现有技术中资源分配不合理导致资源的浪费和渲染性能的下降的问题。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

本发明实施例提供了一种计算机可读存储介质，上述计算机可读存储介质包括存储的程序，其中，在上述程序运行时控制上述计算机可读存储介质所在设备执行上述电网数字孪生云渲染方法。

本发明实施例提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行上述电网数字孪生云渲染方法。

本发明实施例提供了一种电网数字孪生系统，包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现至少以下步骤：

步骤S201，获取电网的有效实时数据和有效历史数据，有效实时数据至少包括实时获取的电压、电流和电功率，有效历史数据至少包括历史存储的电压、电流和电功率；

步骤S202，利用时间戳精度对有效实时数据和有效历史数据进行时间戳对齐，得到优化实时数据和优化历史数据；

步骤S203，利用云渲染引擎根据优化实时数据和优化历史数据构建数字孪生三维模型，数字孪生三维模型为利用数字化技术将电网实体设备和电力系统进行数字化建模生成的三维模型；

步骤S204，根据数字孪生三维模型动态分配云计算资源，并根据分配的云计算资源在云端进行渲染。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有上述电网数字孪生云渲染方法步骤的程序。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

从以上的描述中，可以看出，本申请上述的实施例实现了如下技术效果：

1)、本申请的电网数字孪生云渲染方法，本申请通过获取电网的有效实时数据和有效历史数据，为构建电网数字孪生三维模型提供数据基础；利用时间戳精度对有效实时数据和有效历史数据进行时间戳对齐；利用渲染引擎根据有效实时数据和有效历史数据构建数字孪生三维模型；根据数字孪生三维模型对各种任务动态分配云计算资源，对于优先级更高的任务可以增加云计算资源，对于优先级低的任务可以减少云计算资源，并且根据分配的云计算资源在云端进行渲染。本申请解决了现有技术中资源分配不合理导致资源的浪费和渲染性能的下降的问题。

2)、本申请的电网数字孪生云渲染装置，本申请通过获取电网的有效实时数据和有效历史数据，为构建电网数字孪生三维模型提供数据基础；利用时间戳精度对有效实时数据和有效历史数据进行时间戳对齐；利用渲染引擎根据有效实时数据和有效历史数据构建数字孪生三维模型；根据数字孪生三维模型对各种任务动态分配云计算资源，对于优先级更高的任务可以增加云计算资源，对于优先级低的任务可以减少云计算资源，并且根据分配的云计算资源在云端进行渲染。本申请解决了现有技术中资源分配不合理导致资源的浪费和渲染性能的下降的问题。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种电网数字孪生云渲染方法，其特征在于，所述方法包括：

获取电网的有效实时数据和有效历史数据，所述有效实时数据至少包括实时获取的电压、电流和电功率，所述有效历史数据至少包括历史存储的所述电压、所述电流和所述电功率；

利用时间戳精度对所述有效实时数据和所述有效历史数据进行时间戳对齐，得到优化实时数据和优化历史数据；

利用云渲染引擎根据所述优化实时数据和所述优化历史数据构建数字孪生三维模型，所述数字孪生三维模型为利用数字化技术将电网实体设备和电力系统进行数字化建模生成的三维模型；

根据所述数字孪生三维模型动态分配云计算资源，并根据分配的所述云计算资源在云端进行渲染。

2.根据权利要求1所述的方法，其特征在于，获取电网的有效实时数据和有效历史数据，包括：

通过API获取所述电网的实时数据和历史数据；

在所述API返回HTTP状态码为200的情况下，用JSON解析器分别解析所述实时数据和所述历史数据，得到第一实时数据和第一历史数据；

采用二分查找算法分别对所述第一实时数据和所述第一历史数据进行数据筛选，得到动态数据和静态数据，所述动态数据为对所述第一实时数据进行筛选后的数据，所述静态数据为对所述第一历史数据进行筛选后的数据；

对所述动态数据和所述静态数据均进行质量评估，得到第一质量评分和第二质量评分，所述第一质量评分为对所述动态数据进行质量评估的评分，与所述动态数据一一对应，所述第二质量评分为对所述静态数据进行质量评估的评分，与所述静态数据一一对应；

在所述第一质量评分大于第一质量阈值的情况下，将所述动态数据存入缓存数据库，在所述第二质量评分大于第二质量阈值的情况下，将所述静态数据存入所述缓存数据库；

将缓存至所述缓存数据库中的所述动态数据和所述静态数据分别进行数据整合，得到对应的所述有效实时数据和对应的所述有效历史数据，并将所述有效实时数据和所述有效历史数据存入数据分析系统，所述数据整合包括采用缺失值处理、噪声数据清除以及一致性检查方法进行数据标准化和优化。

3.根据权利要求1所述的方法，其特征在于，利用时间戳精度对所述有效实时数据和所述有效历史数据进行时间戳对齐，得到优化实时数据和优化历史数据，包括：

对所有的所述有效实时数据和所述有效历史数据进行数据校验，所述数据校验至少包括完整性校验和可靠性校验；

在所述数据校验失败的情况下，将未通过所述数据校验的所述有效实时数据和所述有效历史数据进行数据整合以修复所述有效实时数据和所述有效历史数据；

对通过所述数据校验的所述有效实时数据和所述有效历史数据进行深度校验，并对通过深度校验的所述有效实时数据和所述有效历史数据进行格式转换，所述深度校验包括异常值检测和缺失值填充；

识别所述有效实时数据和所述有效历史数据中的时间戳精度，在所述有效实时数据和所述有效历史数据的所述时间戳精度不一致的情况下，采用线性插值算法对所述有效实时数据和所述有效历史数据进行所述时间戳精度校准，得到校准后的所述时间戳精度；

根据校准后的所述时间戳精度对所述有效实时数据和所述有效历史数据进行时间戳对齐，得到所述优化实时数据和所述优化历史数据。

4.根据权利要求1所述的方法，其特征在于，根据所述优化实时数据和所述优化历史数据构建数字孪生三维模型，包括：

利用云渲染引擎进行渲染得到第一三维模型，所述第一三维模型内无与电网相关数据；

将所述第一三维模型、所述有效实时数据和所述有效历史数据进行整合，得到第二三维模型；

采用最小生成树算法对所述第二三维模型进行处理剔除冗余信息，得到第三三维模型；

根据所述第三三维模型重新配置所述云渲染引擎的参数，以及根据所述优化实时数据和所述优化历史数据重新配置数据传输路径，并对所述第三三维模型进行渲染评估得到渲染质量；

在所述渲染质量大于第三质量阈值的情况下，确定所述第三三维模型为所述数字孪生三维模型。

5.根据权利要求2所述的方法，其特征在于，在根据所述优化实时数据和所述优化历史数据构建数字孪生三维模型之后，所述方法还包括：

提取所述数据分析系统中的关键电网参数数据，并对所述关键电网参数数据的质量进行评估，得到第三质量评分；

在所述第三质量评分小于第四质量阈值，对所述关键电网参数数据进行筛选和修正；

将筛选和修正后的所述关键电网参数数据与所述数字孪生三维模型进行数据匹配；

在所述数据匹配完成后，在所述数字孪生三维模型中的所述关键电网参数数据的位置进行标记。

6.根据权利要求1所述的方法，其特征在于，根据所述数字孪生三维模型动态分配云计算资源，并根据分配的所述云计算资源在云端进行渲染，包括：

分析所述数字孪生三维模型的复杂性和数据量，得到需求资源类型和需求量；

获取当前云计算资源中的可用量和可用类型，分别与所述需求量和所述需求资源类型进行匹配；

采用K-means聚类算法对多个数据中心进行分类，得到最优数据中心和多个次优数据中心，所述数据中心为云计算平台上的物理服务器和网络基础设施集合，所述次优数据中心为除所述最优数据中心外的所述数据中心；

利用所述最优数据中心读取渲染任务队列并对所述渲染任务队列中的多个任务进行优先级排序，得到多个任务优先级，所述任务优先级与所述任务一一对应；

获取各所述任务对应的网络延迟时间，根据所有的所述网络延迟时间对所述任务优先级进行调整，得到多个最新任务优先级，以使所述网络延迟时间更短的所述任务对应的所述最新任务优先级更高；

根据多个所述最新任务优先级将所有的所述任务依次分配至所述数据中心，一个所述数据中心分配一个所述任务；

根据多个所述最新任务优先级、所述需求资源类型和所述需求量为各所述任务分配对应的所述云计算资源，并由对应的所述数据中心根据所述云计算资源在云端进行渲染。

7.根据权利要求1至6任一项所述的方法，其特征在于，在根据所述数字孪生三维模型动态分配云计算资源，并根据分配的所述云计算资源在云端进行渲染之后，所述方法还包括：

分析所述数字孪生三维模型的数据结构复杂度，并根据所述数据结构复杂度对数据维度进行筛选，确定目标数据维度，所述数据维度包括电压、电流、电功率、温度和湿度，所述目标数据维度为所述数据维度中的一个；

基于所述目标数据维度设计时间轴控件，并且采用压力测试检测所述时间轴控件，得到检测结果，所述检测结果包括所述时间轴控件的响应速度和稳定性；

在所述检测结果不满足检测条件的情况下，对所述时间轴控件进行性能优化以确保所述时间轴控件正常运行，所述检测条件包括所述响应速度大于响应速度阈值和所述稳定性大于稳定性阈值。

8.一种电网数字孪生云渲染装置，其特征在于，所述装置包括：

获取单元，用于获取电网的有效实时数据和有效历史数据，所述有效实时数据至少包括实时获取的电压、电流和电功率，所述有效历史数据至少包括历史存储的所述电压、所述电流和所述电功率；

优化单元，用于利用时间戳精度对所述有效实时数据和所述有效历史数据进行时间戳对齐，得到优化实时数据和优化历史数据；

构建单元，用于利用云渲染引擎根据所述优化实时数据和所述优化历史数据构建数字孪生三维模型，所述数字孪生三维模型为利用数字化技术将电网实体设备和电力系统进行数字化建模生成的三维模型；

分配单元，用于根据所述数字孪生三维模型动态分配云计算资源，并根据分配的所述云计算资源在云端进行渲染。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至7中任意一项所述的方法。

10.一种电网数字孪生系统，其特征在于，包括：一个或多个处理器，存储器，以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行权利要求1至7中任意一项所述的方法。