CN118378553A - 一种数字孪生模型构建方法及系统 - Google Patents
一种数字孪生模型构建方法及系统 Download PDFInfo
- Publication number
- CN118378553A CN118378553A CN202410828402.4A CN202410828402A CN118378553A CN 118378553 A CN118378553 A CN 118378553A CN 202410828402 A CN202410828402 A CN 202410828402A CN 118378553 A CN118378553 A CN 118378553A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- representing
- hidden layer
- digital twin
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 59
- 238000012216 screening Methods 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims description 20
- 230000004913 activation Effects 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 9
- YZCKVEUIGOORGS-UHFFFAOYSA-N Hydrogen atom Chemical class [H] YZCKVEUIGOORGS-UHFFFAOYSA-N 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 14
- 238000013500 data storage Methods 0.000 description 10
- 230000001360 synchronised effect Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种数字孪生模型构建方法及系统,方法包括:采集待建模设备的历史工况数据;从历史工况数据中获取并根据随机样本,基于随机配置网络SCN,对数字孪生模型进行初始建模,其中,根据历史工况数据设置训练集,利用训练集训练随机配置网络SCN,以得到初始模型M;通过主动学习操作,利用初始模型M,在未参与建模样本中进行价值筛选,选取并处理适用价值样本,处理得到有价值数据,基于有价值数据更新初始模型M,得到适用孪生模型;基于适用孪生模型,筛选并保存实时数据流中的实时有价值数据。本发明解决了模型构建、训练、更新过程中所用数据量过大,以及数字孪生模型的数据处理成本、数据保存成本、模型更新成本较高的技术问题。
Description
技术领域
本发明涉及电网设备数据仿真领域,具体涉及一种数字孪生模型构建方法及系统。
背景技术
公布号为CN117013593A的现有发明专利申请文献《一种基于数字孪生的分布式电源评估方法及系统》,该现有方法包括:构建分布式电源评估系统整体框架,构建分布式电源谐波模型并通过FFT实现原理进行谐波分析,提供基于潮流的短路电流计算方法,基于分布式电源时序潮流计算模型,计算电压偏差及电压波动。由该现有方案的具体实施内容可知,该现有技术在对分布式电源进行潮流计算和电磁暂态分析的基础上进行短路电流、谐波校验,电压偏差和电压波动计算。然而,前述现有技术仅是对分布式电源进行建模。分布式电源模型简单,机理易分析,因此能够通过潮流值计算拟合出仿真模型,但该现有方法仅适用于分布式电源等机理简单模型的构建,泛化能力较差,若涉及例如特高压直流换流变压器等机理复杂的工件,则会出现建模效果下降的情况。
公布号为CN116805850A的现有发明专利申请文献《基于数字孪生模型的三相永磁同步电机参数估计方法》,该现有方法包括:建立三相两电平逆变器、永磁同步电机、控制器的闭环数学模型;然后利用实验平台传感器数据,利用智能算法不断迭代寻优关键参数,当所建立模型的输出与实际物理电路输出一致时,构建完成三相逆变器驱动永磁同步电机的闭环系统数字孪生模型;不同工况下,该数字孪生模型可以模拟实际电路运行状态;最后,将所得到的永磁同步电机关键参数进行多次估计并取平均值,最终获得永磁同步电机关键参数。现有公开文献《三相逆变器数字孪生系统的参数辨识研究》,该现有文献中,首先,构造出数字孪生三相逆变器,包括利用Runge-kutta龙格-库塔法建立三相逆变器主电路的数学模型和控制器离散模型。然后,利用自适应粒子群优化算法更新并优化数字孪生逆变器的电路参数,直至数字孪生逆变器和物理逆变器相应的电路参数相同。最后,通过仿真和实验验证了所提参数辨识方法的有效性。现有公开文献《基于数字孪生与融合神经网络的光伏阵列故障诊断》,该现有文献中,首先,设计并初步实现包含孪生模型、数据采集与传输模块、服务应用系统的光伏电站数字孪生系统整体框架;其次,结合机理建模方法与粒子群(PSO)优化算法,建立光伏阵列数字孪生模型;再次,通过评估数字孪生模型输出与物理实体输出之间的残差,对故障进行检测;最后,采用时间卷积网 络(TCN)结合双向门控循环单元(BiGRU)的融合神经网络,对光伏阵列故障进行诊断。
前述现有的基于数字孪生模型的三相永磁同步电机参数估计方法、三相逆变器数字孪生系统的参数辨识研究、基于数字孪生与融合神经网络的光伏阵列故障诊断,分别提出了相应的对数据的特征提取的方法与算法构建方法,但这些现有方案仍存在如下问题:
1、前述现有技术所制作的数据集中的数据并非都是有效的,有的样本对模型的构建是有价值的,有的样本是无价值的。若在模型构建过程中采用大量的无价值样本,不仅增加计算的处理负担,降低处理效率,还有可能使得模型过拟合,泛化性能弱;
2、上述现有方案采用的算法迭代速度慢,而数字孪生建模过程中需要模型在跟新的过程中具备良好的实时性。
综上,现有技术存在模型构建、训练、更新过程中所用数据量过大,以及数字孪生模型的数据处理成本、数据保存成本、模型更新成本较高的技术问题。
发明内容
本发明所要解决的技术问题在于:如何解决现有技术中模型构建、训练、更新过程中所用数据量过大,以及数字孪生模型的数据处理成本、数据保存成本、模型更新成本较高的技术问题。
本发明是采用以下技术方案解决上述技术问题的:一种数字孪生模型构建方法包括:
S1、采集待建模设备的历史工况数据;
S2、从历史工况数据中获取并根据随机样本,基于随机配置网络SCN,对数字孪生模型进行初始建模,其中,根据历史工况数据设置训练集,训练集包括:特征数据、特征数据对应的标签数据,利用训练集训练随机配置网络SCN,以得到初始模型M;
S3、通过主动学习操作,利用初始模型M,在未参与建模样本中进行价值筛选,选取并处理适用价值样本,处理得到有价值数据,基于有价值数据更新初始模型M,得到适用孪生模型;
S4、基于适用孪生模型,对实时数据流进行筛选,保存实时数据流中的实时有价值数据。
相较于常规数字孪生模型的建模方法,本发明引入主动学习策略,通过筛选出有价值数据进行数据建模与数据保存,减少了数字孪生模型在构建与训练乃至后续更新过程中的所用数据量,同时减少了数字孪生模型的数据处理成本、数据保存成本与模型更新成本。
在更具体的技术方案中,S1中,历史工况数据包括:换流变特高压信号、特高频信号以及单氢信息。
在更具体的技术方案中,S2中,构造随机配置网络SCN(stochasticconfigurationnetwork)的操作,还包括:
S21、给定目标函数,计算随机配置网络SCN的当前网络输出结果;
S22、计算当前网络残差向量;
S23、根据当前网络残差向量处理得到残差向量参数,根据残差向量参数进行判定操作,在所述残差向量参数||eL-1||2未达到预设误差ε,或未达到预置最大节点数L max时,则增加随机配置网络SCN的第L个隐含层节点,确定第L个隐含层节点的输入权重、偏置;
S24、计算隐含层节点的输出权重;
S25、再次计算当前网络输出结果;
S26、根据训练集,循环执行步骤S21至步骤S25,构造得到所述初始模型M。
由于本发明采用的随机配置网络SCN在各种应用场景下,都具有较好的逼近性质,能够保证初始模型M即能够到达相应的建模精度。
在更具体的技术方案中,S21中,利用下述逻辑,表达目标函数f(x):
f(x)=y
其中,x表示特征,y表示标签;
设随机配置网络SCN的隐含层的第个所述隐含层节点已生成,利用下述逻辑,计算当前网络输出结果:
(1)
其中,表示构造的个隐含层节点所表述的函数,X表示网络输入,表示隐含层节点j的输出权重,表示输出权重;表示激活函数,表示隐含层第j个节点的输入权重,表示隐含层第j个节点的输入权重的转置;表示隐含层第j个节点的偏置;L为所构造的节点数,L max为规定的所能构造最大节点数,其中,j=1,2,…,L max;. 表示当网络结构仅有0层时,输出为0。
在更具体的技术方案中,S22中,利用下述逻辑,计算当前网络残差向量:
(2)
其中,为当前网络残差向量,代表真实标签所对应函数,表示构造的L-1个隐含层节点所表述的函数,表示第m个残差向量,N表示模型总个数,m表示当前网络残差向量中的向量序号,表示一个N×m维度的实数集。
在更具体的技术方案中,S23中,利用下述监督机制,确定输入权重、偏置:
(3)
(4)
其中,q为所述当前网络残差向量中的向量数,其中,;表示所述隐含层节点L的输出,表示的转置;表示所述隐含层节点L的候选输入权重,表示所述隐含层节点L的候选偏置;r为引入的约束条件,满足;表示非负实数序列,其中,,所述非负实数序列无限逼近于0:;将满足的候选节点参数作为第L个所述隐含层节点的参数,表示约束值,表示所述约束值的第q个分量,表示对所述约束值的分量进行求和,表示对进行激活,表示对所述隐含层节点L的候选输入权重的转置,表示输入的特征x的第N个分量,表示所述当前网络残差向量的第q个分量,表示所述当前网络残差向量的第q个分量的转置。
在更具体的技术方案中,S24中,利用下述逻辑,确定隐含层节点的输出权重;
(5)
其中,表示H的摩尔-彭若斯(Moore-Penrose)广义逆,,H表示隐含层节点L的输出集合,表示输入的特征对应的标签,表示对求绝对值,表示取令取得最小值的所述输出权重的值。
在更具体的技术方案中,S25中,利用下述逻辑,再次计算当前网络输出结果f:
(6)。
在更具体的技术方案中,S3包括:
S31、判断当前的初始模型M是否为单个模型;
S32、若是,则利用下述逻辑,计算样本对单个模型不确定度:
(7)
其中,为所采集数据中未经使用的数据,为单模型对应模型,为单模型对应模型对于未经使用的数据的预测概率;以筛选得到单个模型有价值数据;
S33、若否,则计算样本对不同模型贡献值,筛选得到多模型有价值数据,其中,利用下述逻辑,求取样本对不同模型贡献值:
(8)
其中,为多模型对应模型,为多模型对应模型对于未经使用的数据的预测概率,N为模型总个数,表示对求对数,表示对进行求和,n表示模型总数;
S34、保存单个模型有价值数据、多模型有价值数据,以构成有价值数据。
由于本发明采用了主动学习操作,因此模型数据量较小,数据读取与数据处理较快,且网络结构方面采用了随机配置网络SCN。随机配置网络SCN作为增量学习,无需进行传统深度学习中的反向传播,因此网络结构更新速度快,仅需在后续更新过程中增加节点即可,能够实现对实时数据流的数据筛选。
对于多模型数据筛选方法,本发明提出了一种适用于多模型的主动学习方法,能够筛选出多个模型都共同认为的有价值样本,以此降低模型构建过程中的计算负担,提升计算效率。
在更具体的技术方案中,一种数字孪生模型构建系统包括:
历史工况采集模块,用以采集待建模设备的历史工况数据;
初始模型构建模块,用以从历史工况数据中,获取并根据随机样本,基于随机配置网络SCN,对数字孪生模型进行初始建模,其中,根据历史工况数据设置训练集,训练集包括:特征数据、特征数据对应的标签数据,利用训练集训练随机配置网络SCN,以得到初始模型M,初始模型构建模块与历史工况采集模块连接;
数据筛选及模型更新模块,用以通过主动学习操作,利用初始模型M,在未参与建模样本中进行价值筛选,选取并处理适用价值样本,处理得到有价值数据,基于有价值数据更新初始模型M,得到适用孪生模型,数据筛选模块与初始模型构建模块连接;
孪生模型数据筛选保存模块,用以基于适用孪生模型,对实时数据流进行筛选,保存实时数据流中的实时有价值数据,孪生模型数据筛选保存模块与数据筛选及模型更新模块连接。
本发明相比现有技术具有以下优点:
相较于常规数字孪生模型的建模方法,本发明引入主动学习策略,通过筛选出有价值数据进行数据建模与数据保存,减少了数字孪生模型在构建与训练乃至后续更新过程中的所用数据量,同时减少了数字孪生模型的数据处理成本、数据保存成本与模型更新成本。
由于本发明采用的随机配置网络SCN在各种应用场景下,都具有较好的逼近性质,能够保证初始模型M即能够到达相应的建模精度。
由于本发明采用了主动学习操作,因此模型数据量较小,数据读取与数据处理较快,且网络结构方面采用了随机配置网络SCN。随机配置网络SCN作为增量学习,无需进行传统深度学习中的反向传播,因此网络结构更新速度快,仅需在后续更新过程中增加节点即可,能够实现对实时数据流的数据筛选。
对于多模型数据筛选方法,本发明提出了一种适用于多模型的主动学习方法,能够筛选出多个模型都共同认为的有价值样本,以此降低模型构建过程中的计算负担,提升计算效率。
本发明解决了现有技术中存在的模型构建、训练、更新过程中所用数据量过大,以及数字孪生模型的数据处理成本、数据保存成本、模型更新成本较高的技术问题。
附图说明
图1为本发明实施例1的一种数字孪生模型构建方法基本步骤示意图;
图2为本发明实施例1的随机配置网络结构示意图;
图3为本发明实施例1的构造随机配置网络SCN的具体步骤示意图;
图4为本发明实施例1的样本价值筛选的具体步骤示意图;
图5为本发明实施例2的一种数字孪生模型构建方法具体实施步骤示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
如图1所示,一种数字孪生模型构建方法,包括以下基本步骤:
步骤S1、采集待建模设备的历史工况数据;
在本实施例中,记所采集数据集为:
D,D=(D
A
,D
B
,...,D
N
)
其中,A,B,…,N表示所采集的历史工况数据的类型,与模型总个数相同;在本实施例中,以特高压直流换流变压器为例,本实施例的A,B,…,N等类型对应的参数包括但不限于:换流变特高压信号、特高频信号以及单氢信息。
步骤S2、从历史工况数据中获取并根据随机样本,基于随机配置网络SCN,对数字孪生模型进行初始建模,其中,根据历史工况数据设置训练集,训练集包括:特征数据、特征数据对应的标签数据,利用训练集训练随机配置网络SCN,以得到初始模型M;
如图2所示,在本实施例中,由于常规的数字孪生模型构建过程中所存在的数据数量大、数据类型多、数据波动频繁、所采用嵌入式设备内存小等现场问题,本发明采用随机配置网络(stochasticconfigurationnetwork,SCN)对数字孪生模型进行建模;
在本实施例中,给定一组训练数据集{X,Y},其中,X={x 1 ,x 2 ,…,x N}表示特征数据,Y={y 1 ,y 2 ,…,y N}特征数据对应的标签数据;
如图3所示,在本实施例中,构造随机配置网络SCN的操作,还包括以下具体步骤:
步骤S21、给定目标函数,计算随机配置网络SCN的当前网络输出结果;
在本实施例中,目标函数如下式:
f(x)=y
假设随机配置网络SCN隐含层的个隐含层节点已经生成,则当前网络输出结果可由下式 (1) 计算得出:
(1)
其中,表示构造的个隐含层节点所表述的函数,X表示网络输入,表示隐含层节点j的输出权重,表示输出权重;表示激活函数,表示隐含层第j个节点的输入权重,表示隐含层第j个节点的输入权重的转置;表示隐含层第j个节点的偏置。
步骤S22、计算当前网络残差向量;
在本实施例中,采用下式 (2) ,计算当前网络的残差向量:
(2)
其中,为所计算的残差向量,代表真实标签所对应函数。
步骤S23、根据当前网络残差向量处理得到残差向量参数,根据残差向量参数进行判定操作,在所述残差向量参数||eL-1||2未达到预设误差ε,或未达到预置最大节点数L max时,则增加随机配置网络SCN的第L个隐含层节点,确定第L个隐含层节点的输入权重、偏置;
在本实施例中,根据下式(3)求取隐含层节点L的输出:
(3)
在本实施例中,根据下式 (4) 监督机制确定其输入权重和偏置:
(4)
其中,q为所述当前网络残差向量中的向量数,其中,;表示所述隐含层节点L的输出,表示的转置;表示所述隐含层节点L的候选输入权重,表示所述隐含层节点L的候选偏置;r为引入的约束条件,满足;表示非负实数序列,其中,,非负实数序列无限逼近于0:;将满足的候选节点参数作为第L个所述隐含层节点的参数。
步骤S24、计算隐含层节点的输出权重;
在本实施例中,根据下式 (5) 确定隐含层节点输出权重;
(5)
其中,表示H的摩尔-彭若斯(Moore-Penrose)广义逆,。
步骤S25、利用下式(6),再次计算当前网络输出结果f:
(6)
步骤S26、根据训练集,循环执行步骤S21至步骤S25,构造得到所述初始模型M;
在本实施例中,通过从历史工况数据中,随机挑选样本,构成训练集{X,Y},根据前述步骤S21至步骤S25,构造出初始模型M。
步骤S3、通过主动学习操作,利用初始模型M,在未参与建模样本中进行价值筛选,选取并处理适用价值样本,处理得到有价值数据,基于有价值数据更新初始模型M,得到适用孪生模型;
如图4所示,在本实施例中,样本价值筛选的操作,还包括以下具体步骤:
步骤S31、判断当前的初始模型M是否为单个模型;
在本实施例中,将样本价值定义为样本对于模型的不确定度,以U进行表示。由于此处的分为两种情况,即仅有单个模块的和多个模块的,因此所定义的U也不应相同,针对单个模型、多个模型的情况进行分别讨论;
步骤S32、若是,则利用下述逻辑,计算样本对单个模型不确定度;
在本实施例中,当判定为单个模型时,采用单个模型筛选逻辑计算样本对单个模型不确定度,筛选得到单个模型有价值数据;
在本实施例中,样本对单个模型不确定度由下式(7)计算:
(7)
其中,为所采集数据中未经使用的数据,为单模型对应模型,为单模型对应模型对于未经使用的数据的预测概率。上式(7)基于信息论的角度来估计未经使用的数据对单模型对应模型的贡献度,通过计算单模型对应模型对于未经使用的数据的后验概率,反映未经使用的数据是否对单模型对应模型是有价值的;在本实施例中,的值越大,则代表单模型对应模型对于未经使用的数据越不确定,即可以认为未经使用的数据能够对单模型对应模型后续的更新提供更多价值。
步骤S33、若否,则计算样本对不同模型贡献值,筛选得到多模型有价值数据,其中,利用下述逻辑,求取样本对不同模型贡献值;
在本实施例中,当判定为多个模型时,采用多个模型筛选逻辑计算多模型对应模型的不确定度,筛选得到多模型有价值数据;
在本实施例中,样本对不同模型贡献值由下式(8)计算:
(8)
上述式(8)中的为所采集数据集中未经使用过的数据,为对应模型,为多模型对应模型对于未经使用的数据的预测概率,N为模型的总个数。
在本实施例中,上述式(8)与式(7)式的主要差别在于先计算了各个样本在不同模型中的贡献值,并针对不同的模型总数求了均值,最终将各个均值求和,得到本对不同模型贡献值。相较于式(7),式(8)从多维度、多标准的视角考虑了多模型对应模型中的其余模型对于样本的评判标注,计算样本对于整个数字孪生模型的贡献价值。
步骤S34、保存单个模型有价值数据、多模型有价值数据,以构成有价值数据。
在本实施例中,基于有价值数据更新模型M,能够得到适用孪生模型。
在本实施例中,单个模型适用于对运行机理较为简易的对象进行建模,仅需一个网络便能够较好地契合当前对象。但在实际应用场景中,有的工业物件内部运行机理复杂,甚至内部有多个子模块,并且还可能存在相互的耦合关系,单个模型难以对前述清晰进行较完善的拟合,需要多个模型才能实现对前述多个子模块、子模块见存在耦合关系的情形进行精确建模。鉴于传统技术中对于多模型的数据筛选办法较少,在数字孪生模型中对多个模块进行建模的方法也较少。针对前述问题,本发明基于随机配置网络SCN进行多模块建模,由于其模型容量小,训练速度快,不论是对单个模型还是多个模型,都有很好的拟合效果,能够将主动学习方法更好的应用于数字孪生模型的构建。
步骤S4、基于适用孪生模型,对实时数据流进行筛选,保存实时数据流中的实时有价值数据。
在本实施例中,采用主动学习,因此模型数据量小,数据读取与数据处理较快,且网络结构方面采用了SCN。
在本实施例中,SCN作为增量学习,无需进行传统深度学习中的反向传播,因此网络结构更新速度快,仅需在后续增加节点即可,因此能够实现对实时数据流的数据筛选。
在本实施例中,由于SCN在各种应用场景下,都具有较好的逼近性质,因此能够保证模型M一定能够到达相应的建模精度。随着实时数据流的不断传入,初始模型M基于前述步骤S2与步骤S3得到不断地更新,直至数字孪生模型的建模精度达到所需标准为止。
实施例2
如图5所示,在本实施例中,一种数字孪生模型构建方法,还包括以下具体实施步骤:
S1’、采集所需建模设备的历史数据;
S2’、随机抽取少量样本;
S3’、基于随机配置网络构建初始模型;
S4’、网络不断更新并不断选取新样本;
S5’、基于主动学习挑选有价值样本;
S6’、将所挑选的样本反馈至训练规程;
S7’、判断模型精度是否满足要求;
S8’、若是,则输出模型;
S9’、继续循环执行前述步骤S3’至步骤S6’。
在本实施例中,参见下表1,为本发明在工业图像数据集上与经典深度CNN模型的性能对比结果,从表中具体对比数据可知,本发明提供的一种数字孪生模型构建方法,相比经典深度CNN模型,在计算精确度、计算效率上均有提升。
表1 2DSCN-AL和经典深度CNN模型性能对比
综上,相较于常规数字孪生模型的建模方法,本发明引入主动学习策略,通过筛选出有价值数据进行数据建模与数据保存,减少了数字孪生模型在构建与训练乃至后续更新过程中的所用数据量,同时减少了数字孪生模型的数据处理成本、数据保存成本与模型更新成本。
由于本发明采用的随机配置网络SCN在各种应用场景下,都具有较好的逼近性质,能够保证初始模型M即能够到达相应的建模精度。
由于本发明采用了主动学习操作,因此模型数据量较小,数据读取与数据处理较快,且网络结构方面采用了随机配置网络SCN。随机配置网络SCN作为增量学习,无需进行传统深度学习中的反向传播,因此网络结构更新速度快,仅需在后续更新过程中增加节点即可,能够实现对实时数据流的数据筛选。
对于多模型数据筛选方法,本发明提出了一种适用于多模型的主动学习方法,能够筛选出多个模型都共同认为的有价值样本,以此降低模型构建过程中的计算负担,提升计算效率。
本发明解决了现有技术中存在的模型构建、训练、更新过程中所用数据量过大,以及数字孪生模型的数据处理成本、数据保存成本、模型更新成本较高的技术问题。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种数字孪生模型构建方法,其特征在于,所述方法包括:
S1、采集待建模设备的历史工况数据;
S2、从所述历史工况数据中获取并根据随机样本,基于随机配置网络SCN,对数字孪生模型进行初始建模,其中,根据所述历史工况数据设置训练集,所述训练集包括:特征数据、所述特征数据对应的标签数据,利用所述训练集训练所述随机配置网络SCN,以得到初始模型M;
S3、通过主动学习操作,利用所述初始模型M,在未参与建模样本中进行价值筛选,选取并处理适用价值样本,处理得到有价值数据,基于所述有价值数据更新所述初始模型M,得到适用孪生模型;
S4、基于所述适用孪生模型,对实时数据流进行筛选,保存所述实时数据流中的实时有价值数据。
2.根据权利要求1所述的一种数字孪生模型构建方法,其特征在于,所述S1中,所述历史工况数据包括:换流变特高压信号、特高频信号以及单氢信息。
3.根据权利要求1所述的一种数字孪生模型构建方法,其特征在于,所述S2中,构造所述随机配置网络SCN的操作,还包括:
S21、给定目标函数,计算所述随机配置网络SCN的当前网络输出结果;
S22、计算当前网络残差向量;
S23、根据所述当前网络残差向量处理得到残差向量参数,根据所述残差向量参数进行判定操作,在所述残差向量参数||e L-1 || 2达到预设误差ε,或未达到预置最大节点数L max时,则增加所述随机配置网络SCN的第L个隐含层节点,确定所述第L个隐含层节点的输入权重、偏置;
S24、计算所述隐含层节点的输出权重;
S25、再次计算所述当前网络输出结果;
S26、根据所述训练集,循环执行所述S21至所述S25,构造得到所述初始模型M。
4.根据权利要求3所述的一种数字孪生模型构建方法,其特征在于,所述S21中,利用下述逻辑,表达所述目标函数f(x):
f(x)=y
式中,x表示特征,y表示标签;
设所述随机配置网络SCN的隐含层的第个所述隐含层节点已生成,利用下述逻辑,计算所述当前网络输出结果:
(1)
式中,表示构造的个所述隐含层节点所表述的函数,X表示网络输入,表示所述隐含层节点j 的输出权重,表示所述输出权重; 表示激活函数,表示隐含层第 j 个节点的输入权重,表示所述隐含层第 j 个节点的输入权重的转置;表示所述隐含层第 j 个节点的偏置;L为所构造的节点数,L max为规定的所能构造最大节点数,其中,j=1,2,…,L max;表示当网络结构仅有0层时,输出为0。
5.根据权利要求3所述的一种数字孪生模型构建方法,其特征在于,所述S22中,利用下述逻辑,计算所述当前网络残差向量:
(2)
式中,为所述当前网络残差向量,代表真实标签所对应函数,表示构造的L-1个所述隐含层节点所表述的函数,表示第m个残差向量,N表示模型总个数,m表示所述当前网络残差向量中的向量序号,表示一个N×m维度的实数集。
6.根据权利要求3所述的一种数字孪生模型构建方法,其特征在于,所述S23中,利用下述监督机制,确定所述输入权重、所述偏置:
(3)
(4)
式中,q为所述当前网络残差向量中的向量数,其中,;表示所述隐含层节点 L 的输出,表示的转置;表示所述隐含层节点 L的候选输入权重,表示所述隐含层节点 L的候选偏置;r为引入的约束条件,满足;表示非负实数序列,其中,,所述非负实数序列无限逼近于0:;将满足的候选节点参数作为第L个所述隐含层节点的参数,表示约束值,表示所述约束值的第q个分量,表示对所述约束值的分量进行求和,表示对进行激活,表示对所述隐含层节点 L的候选输入权重的转置,表示输入的特征x的第N个分量,表示所述当前网络残差向量的第q个分量,表示所述当前网络残差向量的第q个分量的转置。
7.根据权利要求3所述的一种数字孪生模型构建方法,其特征在于,所述S24中,利用下述逻辑,确定所述隐含层节点的所述输出权重;
(5)
式中,表示H的摩尔-彭若斯Moore-Penrose广义逆,,H表示所述隐含层节点L的输出集合,表示输入的特征对应的标签,表示对求绝对值,表示取令取得最小值的所述输出权重的值。
8.根据权利要求3所述的一种数字孪生模型构建方法,其特征在于,所述S25中,利用下述逻辑,再次计算所述当前网络输出结果f:
(6)
式中,H表示所述隐含层节点L的输出集合,表示所述输出权重。
9.根据权利要求1所述的一种数字孪生模型构建方法,其特征在于,所述S3包括:
S31、判断当前的所述初始模型M是否为单个模型;
S32、若是,则利用下述逻辑,计算样本对单个模型不确定度:
(7)
式中,为所采集数据中未经使用的数据,为单模型对应模型,为所述单模型对应模型对于所述未经使用的数据的预测概率;以筛选得到单个模型有价值数据;
S33、若否,则计算样本对不同模型贡献值,筛选得到多模型有价值数据,其中,利用下述逻辑,求取所述样本对不同模型贡献值:
(8)
式中,为多模型对应模型,为所述多模型对应模型对于所述未经使用的数据的预测概率,N为模型总个数,表示对求对数,表示对进行求和,n表示模型总数;
S34、保存所述单个模型有价值数据、所述多模型有价值数据,以构成所述有价值数据。
10.一种数字孪生模型构建系统,其特征在于,所述系统包括:
历史工况采集模块,用以采集待建模设备的历史工况数据;
初始模型构建模块,用以从所述历史工况数据中,获取并根据随机样本,基于随机配置网络SCN,对数字孪生模型进行初始建模,其中,根据所述历史工况数据设置训练集,所述训练集包括:特征数据、所述特征数据对应的标签数据,利用所述训练集训练所述随机配置网络SCN,以得到初始模型M,所述初始模型构建模块与所述历史工况采集模块连接;
数据筛选及模型更新模块,用以通过主动学习操作,利用所述初始模型M,在未参与建模样本中进行价值筛选,选取并处理适用价值样本,处理得到有价值数据,基于所述有价值数据更新所述初始模型M,得到适用孪生模型,所述数据筛选模块与所述初始模型构建模块连接;
孪生模型数据筛选保存模块,用以基于适用孪生模型,对实时数据流进行筛选,保存所述实时数据流中的实时有价值数据,所述孪生模型数据筛选保存模块与所述数据筛选及模型更新模块连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410828402.4A CN118378553B (zh) | 2024-06-25 | 2024-06-25 | 一种数字孪生模型构建方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410828402.4A CN118378553B (zh) | 2024-06-25 | 2024-06-25 | 一种数字孪生模型构建方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118378553A true CN118378553A (zh) | 2024-07-23 |
CN118378553B CN118378553B (zh) | 2024-08-27 |
Family
ID=91912730
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410828402.4A Active CN118378553B (zh) | 2024-06-25 | 2024-06-25 | 一种数字孪生模型构建方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118378553B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110990576A (zh) * | 2019-12-24 | 2020-04-10 | 用友网络科技股份有限公司 | 基于主动学习的意图分类方法、计算机设备和存储介质 |
CN111797566A (zh) * | 2020-05-27 | 2020-10-20 | 中国电力科学研究院有限公司 | 一种表征变压器健康状态的关键特征量确定方法和系统 |
US20210089870A1 (en) * | 2019-09-20 | 2021-03-25 | Google Llc | Data valuation using reinforcement learning |
CN116227647A (zh) * | 2022-09-28 | 2023-06-06 | 中国电力科学研究院有限公司 | 一种新型电力系统数字孪生推演优化方法及系统 |
WO2023193458A1 (zh) * | 2022-04-07 | 2023-10-12 | 卡奥斯工业智能研究院(青岛)有限公司 | 基于数字孪生的产线优化方法、装置、电子设备及介质 |
CN117013593A (zh) * | 2023-06-26 | 2023-11-07 | 贵州电网有限责任公司 | 一种基于数字孪生的分布式电源评估方法及系统 |
CN117421918A (zh) * | 2023-11-06 | 2024-01-19 | 国网安徽省电力有限公司超高压分公司 | 用于数字孪生平台的变压器状态预测模型构建方法及系统 |
CN117540159A (zh) * | 2023-11-06 | 2024-02-09 | 合肥工业大学 | 一种特高压换流变压器故障检测方法及装置 |
-
2024
- 2024-06-25 CN CN202410828402.4A patent/CN118378553B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210089870A1 (en) * | 2019-09-20 | 2021-03-25 | Google Llc | Data valuation using reinforcement learning |
CN110990576A (zh) * | 2019-12-24 | 2020-04-10 | 用友网络科技股份有限公司 | 基于主动学习的意图分类方法、计算机设备和存储介质 |
CN111797566A (zh) * | 2020-05-27 | 2020-10-20 | 中国电力科学研究院有限公司 | 一种表征变压器健康状态的关键特征量确定方法和系统 |
WO2023193458A1 (zh) * | 2022-04-07 | 2023-10-12 | 卡奥斯工业智能研究院(青岛)有限公司 | 基于数字孪生的产线优化方法、装置、电子设备及介质 |
CN116227647A (zh) * | 2022-09-28 | 2023-06-06 | 中国电力科学研究院有限公司 | 一种新型电力系统数字孪生推演优化方法及系统 |
CN117013593A (zh) * | 2023-06-26 | 2023-11-07 | 贵州电网有限责任公司 | 一种基于数字孪生的分布式电源评估方法及系统 |
CN117421918A (zh) * | 2023-11-06 | 2024-01-19 | 国网安徽省电力有限公司超高压分公司 | 用于数字孪生平台的变压器状态预测模型构建方法及系统 |
CN117540159A (zh) * | 2023-11-06 | 2024-02-09 | 合肥工业大学 | 一种特高压换流变压器故障检测方法及装置 |
Non-Patent Citations (1)
Title |
---|
HUANG, DARONG: "Digital twin-based thermal analysis of a frequency synthesizer", ENGINEERING ANALYSIS WITH BOUNDARY ELEMENTS, vol. 152, 31 July 2023 (2023-07-31), pages 446 - 454 * |
Also Published As
Publication number | Publication date |
---|---|
CN118378553B (zh) | 2024-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114006370B (zh) | 一种电力系统暂态稳定分析评估方法及系统 | |
CN101782743A (zh) | 神经网络建模方法及系统 | |
CN104239982A (zh) | 一种基于时间序列和神经网络的建筑节假日能耗预测方法 | |
Barzola-Monteses et al. | Energy consumption of a building by using long short-term memory network: a forecasting study | |
CN110504676A (zh) | 一种基于apso-bp的配电网状态估计方法 | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
CN112187554A (zh) | 一种基于蒙特卡洛树搜索的运维系统故障定位方法和系统 | |
Li et al. | Evolutionary deep learning with extended Kalman filter for effective prediction modeling and efficient data assimilation | |
CN116346639A (zh) | 一种网络流量预测方法、系统、介质、设备及终端 | |
CN112651519A (zh) | 一种基于深度学习理论的二次设备故障定位方法及系统 | |
CN112149896A (zh) | 一种基于注意力机制的机械设备多工况故障预测方法 | |
CN111860790A (zh) | 一种提高深度残差脉冲神经网络精度以优化图像分类的方法及其系统 | |
Lutska et al. | Forecasting the efficiency of the control system of the technological object on the basis of neural networks | |
CN105844334A (zh) | 一种基于径向基神经网络的温度插值算法 | |
CN115345222A (zh) | 一种基于TimeGAN模型的故障分类方法 | |
CN117313552A (zh) | 半导体器件建模方法、系统及电子设备 | |
CN117669874A (zh) | 一种基于qpso的电网规划数据失真智能识别方法及系统 | |
CN118378553B (zh) | 一种数字孪生模型构建方法及系统 | |
CN117236246A (zh) | 一种考虑多输入转换效应的单元时序预测方法、设备及介质 | |
CN115828481B (zh) | 一种基于近似马尔科夫毯的配电网拓扑识别方法及系统 | |
Abiyev | Fuzzy wavelet neural network for prediction of electricity consumption | |
CN116722653A (zh) | 一种电力系统动态状态检测方法及系统 | |
CN115907000A (zh) | 一种用于电力系统最优潮流预测的小样本学习方法 | |
CN114372418A (zh) | 一种风电功率时空态势描述模型建立方法 | |
Wan et al. | Capturing Spatial-Temporal Correlations with Attention Based Graph Convolutional Networks for Network Traffic Prediction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |