一种数字孪生模型构建方法及系统与流程

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：

1、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。

2、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。

3、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：

4、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；

5、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。

6、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。

技术实现思路

1、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。

2、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：

3、s1、采集待建模设备的历史工况数据；

4、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；

5、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；

6、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。

7、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。

8、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。

9、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：

10、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；

11、s22、计算当前网络残差向量；

12、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 lmax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；

13、s24、计算隐含层节点的输出权重；

14、s25、再次计算当前网络输出结果；

15、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。

16、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。

17、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)：

18、 f(x)=y

19、其中， x表示特征， y表示标签；

20、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：

21、(1)

22、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， lmax为规定的所能构造最大节点数，其中， j=1，2，…， lmax；.表示当网络结构仅有0层时，输出为0。

23、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：

24、(2)

25、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。

26、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：

27、(3)

28、(4)

29、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。

30、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；

31、(5)

32、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。

33、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：

34、(6)。

35、在更具体的技术方案中，s3包括：

36、s31、判断当前的初始模型 m是否为单个模型；

37、s32、若是，则利用下述逻辑，计算样本对单个模型不确定度：

38、(7)

39、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；

40、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：

41、(8)

42、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；

43、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。

44、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。

45、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。

46、在更具体的技术方案中，一种数字孪生模型构建系统包括：

47、历史工况采集模块，用以采集待建模设备的历史工况数据；

48、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；

49、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；

50、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。

51、本发明相比现有技术具有以下优点：

52、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。

53、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。

54、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。

55、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。

56、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。