CN117455242A - 一种基于数字孪生的水利管理*** - Google Patents
一种基于数字孪生的水利管理*** Download PDFInfo
- Publication number
- CN117455242A CN117455242A CN202311592028.4A CN202311592028A CN117455242A CN 117455242 A CN117455242 A CN 117455242A CN 202311592028 A CN202311592028 A CN 202311592028A CN 117455242 A CN117455242 A CN 117455242A
- Authority
- CN
- China
- Prior art keywords
- sensor
- data
- digital twin
- abnormal
- risk
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 91
- 230000002159 abnormal effect Effects 0.000 claims abstract description 77
- 238000012545 processing Methods 0.000 claims abstract description 44
- 238000012502 risk assessment Methods 0.000 claims abstract description 15
- 238000007405 data analysis Methods 0.000 claims abstract description 13
- 230000004044 response Effects 0.000 claims description 49
- 230000005856 abnormality Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 5
- 238000007726 management method Methods 0.000 description 12
- 238000000034 method Methods 0.000 description 12
- 238000005259 measurement Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000012217 deletion Methods 0.000 description 4
- 230000037430 deletion Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于数字孪生的水利管理***，具体涉及水利管理技术领域，一种基于数字孪生的水利管理***，包括数据采集模块、数据处理模块、数据分析模块，通过获取传感器的自身性能信息以及工作环境信息，建立数据处理模型，生成传感器工作状态异常指数，对不同工作状态下传感器采集的数据进行风险标记，并进一步通过采集风险数据的质量信息以及数字孪生模型运行状态的性能信息，生成数字孪生模型预测风险指数在数字孪生模型预测前对其进行风险评估，并确定是否生成预警信号，避免风险数据的质量过差，进一步增加数字孪生模型在运行状态较差时的数据处理负担，导致预测结果的不稳定性减少不必要的预测任务使数字孪生模型的运行更高效。
Description
技术领域
本发明涉及水利管理技术领域，更具体地说，本发明涉及一种基于数字孪生的水利管理***。
背景技术
数字孪生技术是一个通过集成多个学科、多个物理变量、多维度测量、事件概率统计的仿真过程，通过在虚拟空间中建立映射，从而反映相对应的实体装备的全生命周期。基于数字孪生的水利管理***是一种先进的水资源管理工具，它通过借助大量的传感器来构成传感器网络来获取各类水利对象指标，并将各种水利对象指标数据输入数字孪生模型用来预测未来的水资源情况、洪水风险、干旱情况等。
目前基于数字孪生的水利管理***对于传感器状态的监测不够完善，通常情况下，只有当传感器出现明显故障预警时，才会采取处理措施。在此之前传感器的状态可能已经下滑，导致传感器获取的数据质量难以把控，虽然数字孪生模型可以对数据进行预处理，但是若数字孪生模型的性能较差且数据质量也更差时，无法保证数据得到有效处理，缺乏在模型预测前对其进行风险分析，导致预测结果出现误差。
为了解决上述缺陷，现提供一种技术方案。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供一种基于数字孪生的水利管理***，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于数字孪生的水利管理***，包括数据采集模块、数据处理模块、数据分析模块，各个模块之间通过信号连接；
数据采集模块，采集传感器的自身性能信息以及工作环境信息，采集后，将自身性能信息以及工作环境信息传递至数据处理模块；
数据处理模块，将获取到的传感器的自身性能信息以及工作环境信息进行归一化处理，并建立数据处理模型，生成传感器工作状态异常指数；
数据分析模块，将传感器工作状态异常指数与传感器工作状态异常指数参考阈值进行比较，对不同工作状态下传感器采集的数据进行标记；
若传感器工作状态异常指数大于等于传感器工作状态异常指数参考阈值，则生成风险评估信号，将传感器在T时间内采集的数据标记为风险数据。
在一个优选地实施方式中，数据采集模块，采集传感器的自身性能信息以及工作环境信息；传感器自身性能信息包括响应时间波动系数和异常校准频率值，工作环境信息包括水压异常偏差值，采集后将响应时间波动系数、异常校准频率值、水压异常偏差值分别标记为BD、YX、SY。
在一个优选地实施方式中，响应时间波动系数的获取逻辑如下：
获取T时间段内传感器的响应时间，并设置响应时间的基准阈值；
当传感器的响应时间大于响应时间的基准阈值时，则将其标记为ti，i表示传感器的响应时间出现异常状态的次数编号，i＝{1、2、...、j}，j为正整数；
计算响应时间波动系数，表达式如下：BD＝BC/PJ，其中BZ为处于异常状态响应时间的标准差，其表达式为PJ为处于异常状态响应时间的平均值，其表达式为/>
在一个优选地实施方式中，异常校准频率值的获取逻辑如下：
获取T时间段内传感器的校准次数，计算平均校准频率，表达式如下：其中，ZC为传感器在T时间段内校准的总次数，T为获取传感器校准次数的时间段；
设定平均校准频率基准阈值，若平均校准频率大于等于平均校准频率基准阈值，则将其标记为JZ'，JZ'表示处于异常状态的平均校准频率；
异常校准频率值的获取表达式为：YX＝JZ'。
在一个优选地实施方式中，水压异常偏差值的获取逻辑如下：
设置传感器工作状态下水压的基准阈值范围，将其标记为SYz min～SYz max；
获取T时间段内传感器的工作水压，将其标记为SY，计算水压异常偏差值，其表达式为其中，h表示传感器工作水压超出基准阈值范围的次数编号，h＝{1、2、...、v}，h为正整数，/> [qx,qy]为每次传感器工作水压超出基准阈值范围的起始时间与结束时间。
在一个优选地实施方式中，数据采集模块，还用于采集风险数据的质量信息以及数字孪生模型运行状态的性能信息，采集后，将自身性能信息以及工作环境信息传递至数据处理模块；
风险数据的质量信息包括数据质量异常系数，数字孪生模型运行状态的性能信息包括运行性能系数。
在一个优选地实施方式中，数据处理模块，还用于将获取到的风险数据的质量信息以及数字孪生模型运行状态的性能信息进行归一化处理，并建立数据处理模型，生成数字孪生模型预测风险指数。
在一个优选地实施方式中，数据分析模块，还用于将数字孪生模型预测风险指数与数字孪生模型预测风险指数参考阈值进行比较，在数字孪生模型预测前对其进行风险评估；
若数字孪生模型预测风险指数大于等于数字孪生模型预测风险指数参考阈值，则生成预警信号，由管理人员确定是否需要继续对未来的水资源供需情况进行预测。
本发明的技术效果和优点：
1、本发明通过获取传感器的自身性能信息以及工作环境信息，建立数据处理模型，生成传感器工作状态异常指数，将传感器工作状态异常指数与传感器工作状态异常指数参考阈值进行比较，对不同工作状态下传感器采集的数据进行风险标记，并判断是否生成风险评估信号，在传感器工作状态出现下滑时，就对采集的数据进行风险标记，减轻数字孪生模型对数据处理的压力，减少因传感器问题而引起预测风险，提高数据可信度。
2、本发明通过获取风险数据的质量信息以及数字孪生模型运行状态的性能信息，生成数字孪生模型预测风险指数，将数字孪生模型预测风险指数与数字孪生模型预测风险指数参考阈值进行比较，在数字孪生模型预测前对其进行风险评估，并确定是否生成预警信号，避免风险数据的质量过差，进一步增加数字孪生模型在运行状态较差时的数据处理负担，导致预测结果的不稳定性，减少不必要的预测任务，使数字孪生模型的运行更高效，提高预测的精准度。
附图说明
为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明；
图1为本发明实施例1的结构示意图。
具体实施方式
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，显然，所描述的实施例仅仅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做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
本发明提供了如图1所示的一种基于数字孪生的水利管理***，包括数据采集模块、数据处理模块、数据分析模块，各个模块之间通过信号连接；
数据采集模块，采集传感器的自身性能信息以及工作环境信息，采集后，将自身性能信息以及工作环境信息传递至数据处理模块；
数据处理模块，将获取到的传感器的自身性能信息以及工作环境信息进行归一化处理，并建立数据处理模型，生成传感器工作状态异常指数；
数据分析模块，将传感器工作状态异常指数与传感器工作状态异常指数参考阈值进行比较，对不同工作状态下传感器采集的数据进行标记。
数字孪生是一个将物理***的实际运行情况与数字模型相结合的概念，它在水利管理***中可以发挥重要作用。传感器在数字孪生中扮演着关键角色，以下是传感器在数字孪生的水利管理***中的作用：
数据采集和监测：传感器负责实时监测水利***中的各种参数，如水位、水流速度、水质、温度、湿度、降雨量等。这些数据用于建立数字孪生的基础，确保数字模型准确反映实际情况。
预警和报警：传感器可以检测到异常情况，如水位上升过快、水质异常等，并即时发出警报，帮助水利管理人员采取紧急措施以防止灾害或损害。
预测和优化：基于传感器数据和数字孪生模型，水利管理人员可以进行预测和优化决策。他们可以预测未来的水资源供需情况，制定合适的调度计划，以及优化水资源的分配和利用。
由于传感器在长时间的使用过程中自身性能的下降以及工作环境的不稳定性导致传感器状态下滑导致传感器获取的数据质量难以把控，因此通过采集传感器的自身性能信息以及工作环境信息对传感器的工作状态进行评估，并根据不同的工作状态对传感器获取的数据进行标记。
需要说明的是，本实施例中评估的传感器类型均为与水体直接接触，如水位传感器、水质传感器、流量传感器，若传感器类型发生变化，则其工作环境信息的采集需根据实际情况作出改变，在此不做赘述。
数据采集模块，采集传感器的自身性能信息以及工作环境信息，采集后，将自身性能信息以及工作环境信息传递至数据处理模块；
自身性能信息包括响应时间波动系数和异常校准频率值，采集后，数据采集模块将响应时间波动系数和异常校准频率值分别标记为BD、YX；
传感器的响应时间是指传感器从检测到环境或测量参数发生变化，到产生测量结果所需的时间，响应时间通常以时间单位(例如秒或毫秒)来表示，它是一个重要的性能参数，特别是在需要实时监测和控制的应用中。较短的响应时间意味着传感器可以更快地检测到环境变化并提供相应的测量结果，而较长的响应时间可能导致延迟的测量结果。
响应时间波动系数的获取逻辑如下：
获取T时间段内传感器的响应时间，并设置响应时间的基准阈值；
需要说明的是，传感器的响应时间可通过对传感器从检测到环境或测量参数发生变化到产生测量结果的过程进行计时来获取，响应时间的基准阈值是指响应时间的最大上限值，可参考具体的传感器数据手册或规格表，这些信息通常由具体的传感器制造商提供，并包括有关传感器响应时间的详细说明，在此不做赘述；
当传感器的响应时间小于等于响应时间的基准阈值时，则说明此时传感器的响应时间处于正常状态；当传感器的响应时间大于响应时间的基准阈值时，则说明此时传感器的响应时间处于异常状态，将其标记为ti，i表示传感器的响应时间出现异常状态的次数编号，i＝{1、2、...、j}，j为正整数；
计算响应时间波动系数，表达式如下：BD＝BC/PJ，其中BZ为处于异常状态响应时间的标准差，其表达式为PJ为处于异常状态响应时间的平均值，其表达式为/>
响应时间波动系数越高，则说明传感器在T时间内的工作状态较差，其在T时间内采集的数据可能具有较高的风险，反之，则说明传感器在T时间内的工作状态较好，其在T时间内采集的数据质量较高。
传感器的校准是一种重要的过程，用于确保传感器测量结果的准确性和可靠性。校准旨在调整传感器的输出，使其尽可能接近真实或标准值。传感器的性能会随着时间而变化，因此需要定期维护和校准，以确保测量结果的准确性。
异常校准频率值的获取逻辑如下：
获取T时间段内传感器的校准次数，计算平均校准频率，表达式如下： 其中，ZC为传感器在T时间段内校准的总次数，T为获取传感器校准次数的时间段；
设定平均校准频率基准阈值，用于评估传感器的校准频率是否出现异常，平均校准频率基准阈值的设定可以根据以往的校准频率或应用需求来确定的，若平均校准频率小于平均校准频率基准阈值，则说明传感器的校准频率处于正常水平，若平均校准频率大于等于平均校准频率基准阈值，则说明传感器的校准频率处于异常状态，将其标记为JZ'，JZ'表示处于异常状态的平均校准频率；
异常校准频率值的获取表达式为：YX＝JZ'；
异常校准频率值越高，则说明传感器在T时间内性能下降的越厉害，其工作状态越不稳定，其在T时间内采集的数据可能具有较高的风险，反之，则说明传感器在T时间内的工作状态较好，其在T时间内采集的数据质量较高。
工作环境信息包括水压异常偏差值，采集后，数据采集模块将水压偏差值标记为SY；
水压的异常变化可以对水下工作的传感器产生多种影响，具体的影响因传感器类型、设计和用途而异。以下是一些可能的影响：
传感器性能受限：水压的急剧变化可能导致传感器受到机械应力，从而影响其性能和精度。传感器可能会产生误差或不准确的测量结果；
密封性问题：传感器通常需要具有良好的密封性，以防止水进入传感器内部。水压的突然变化可能导致传感器密封性受损，使其暴露于水下环境，进而影响其长期稳定性；
电子元件的受损：传感器内部的电子元件可能会受到水压变化的影响，特别是在极端深度下。这可能导致电子元件损坏或失效；
材料耐受性：传感器的外壳和组件材料需要具备耐受高压的特性，以确保其在水下环境中的稳定性。异常的水压变化可能导致材料疲劳或损坏；
据传输问题：水下传感器通常需要将数据传输至地面或其他位置。异常的水压变化可能影响数据传输信号的稳定性和质量；
水压异常偏差值的获取逻辑如下：
设置传感器工作状态下水压的基准阈值范围，将其标记为SYz min～SYz max；
需要说明的是，传感器工作状态下水压的基准阈值范围是指传感器工作状态所能够适应的最佳水压范围，可从具体的传感器数据手册或规格表以及传感器水下工作的具体深度综合考虑，在此不做赘述；
获取T时间段内传感器的工作水压，将其标记为SY，计算水压异常偏差值，其表达式为其中，h表示传感器工作水压超出基准阈值范围的次数编号，h＝{1、2、...、v}，h为正整数，/> [qx,qy]为每次传感器工作水压超出基准阈值范围的起始时间与结束时间。
需要说明的是，一些水下工作的传感器集成水压传感器，在测量水质数据的时可同时获取工作水压，若非集成可另外安装专业的水压传感器进行测量，专业的水压传感器相比较用于采集水质数据的传感器具有更优秀的抗压能力；
水压异常偏差值越高，则说明传感器在T时间内的工作状态越不稳定，其在T时间内采集的数据可能具有较高的风险，反之，则说明传感器在T时间内的工作状态较好，其在T时间内采集的数据质量较高。
数据处理模块将获取到的响应时间波动系数BD、异常校准频率值YX、水压偏差值SY进行归一化处理，并建立数据处理模型，经过加权求和计算得到传感器工作状态异常指数；
例如，可以通过以下公式获得传感器工作状态异常指数：WD＝a1*BD+a2*YX+a3*SY，其中，WD为传感器工作状态异常指数，a1、a2、a3分别为响应时间波动系数、异常校准频率值、水压偏差值的预设比例系数，a1、a2、a3均大于0。
由上述计算可知响应时间波动系数、异常校准频率值、水压偏差值越大，即传感器工作状态异常指数越大，表明传感器在T时间内的工作状态的稳定性越差，其在T时间内采集的数据可能具有较高的风险；相反响应时间波动系数、异常校准频率值、水压偏差值越小，即传感器工作状态异常指数越小，表明传感器在T时间内的工作状态的稳定性越高，其在T时间内采集的数据的风险性也越低。
数据分析模块，设定传感器工作状态异常指数参考阈值，将传感器工作状态异常指数与传感器工作状态异常指数参考阈值进行比较，对不同工作状态下传感器采集的数据进行标记；
若传感器工作状态异常指数小于传感器工作状态异常指数参考阈值，则说明传感器在T时间内的工作状态的稳定性较高，其在T时间内采集的数据的风险性较低，无需在数字孪生模型预测前对其进行风险分析；
若传感器工作状态异常指数大于等于传感器工作状态异常指数参考阈值，则说明传感器在T时间内的工作状态的稳定性较差，其在T时间内采集的数据的风险性较高，需要在数字孪生模型预测前对其进行风险分析，发出风险评估信号，将传感器在T时间内采集的数据标记为风险数据。
本发明通过获取传感器的自身性能信息以及工作环境信息，建立数据处理模型，生成传感器工作状态异常指数，将传感器工作状态异常指数与传感器工作状态异常指数参考阈值进行比较，对不同工作状态下传感器采集的数据进行风险标记，并判断是否生成风险评估信号，在传感器工作状态出现下滑时，就对采集的数据进行风险标记，减轻数字孪生模型对数据处理的压力，减少因传感器问题而引起预测风险，提高数据可信度。
实施例2
上述实施例中通过获取传感器的自身性能信息以及工作环境信息，建立数据处理模型，生成传感器工作状态异常指数，将传感器工作状态异常指数与传感器工作状态异常指数参考阈值进行比较，对不同工作状态下传感器采集的数据进行风险标记，在确定了数据具有风险后，需要对在数字孪生模型预测前对其进行风险分析，确保数字孪生模型预测结果的准确性，具体步骤如下：
数据采集模块，采集风险数据的质量信息以及数字孪生模型运行状态的性能信息，采集后，将风险数据的质量信息以及数字孪生模型运行状态的性能信息传递至数据处理模块；
风险数据的质量信息包括数据质量异常系数，采集后，数据采集模块将数据质量异常系数标记为ZL；
数据质量通过数据的缺失率以及数据的离群值综合考虑得到，数据的缺失率是指数据集中缺失值(即未采集或未记录的数据点)所占的比例，缺失率的计算对于数据质量评估和数据分析非常重要。高缺失率可能会影响数据的可信度和分析结果的准确性；数据的离群值是指与数据集中的大多数数据点明显不同的数值，通常是由于测量错误、数据录入错误、异常事件或其他异常原因引起的。离群值可能会对数据分析和模型建设产生不良影响。
数据质量异常系数的表达式如下：其中，QS表示数据的缺失率归一化值，可通过将缺失值数量与数据点总量做比值获得，LQ表示数据的离群值的归一化值，可通过Z-Score方法计算数据点与均值之间的标准差倍数获得，α表示数据的缺失率的权重系数，β表示数据的离群值的权重系数；
其中，数据的缺失率的权重系数α、数据的离群值的权重系数β通过历史数据、该领域专家的建议以及数字孪生模型运行需求综合得出，并采集大量历史数据进行软件以及相关算法模拟来进一步确定权重的分配值。
数据质量异常系数越高，则说明风险数据的质量越差，进一步增加数字孪生模型在运行状态较差时的数据处理负担，导致预测结果的不稳定性；反之，则说明数字孪生模型对于风险数据的处理还处于可控范围，不会影响到预测结果。
数字孪生模型运行状态的性能信息包括运行性能系数，采集后，数据采集模块将运行性能系数标记为XN；
数字孪生模型的运行状态性能信息可通过计算时间、内存使用率、CPU利用率来综合考虑得到，计算时间是指记录数字孪生模型运行所需的时间，包括训练和推断阶段。较短的计算时间通常表示更高的性能和效率。内存使用率是指数字孪生模型运行期间的内存使用情况，确保数字孪生模型在可用内存范围内运行。CPU利用率是指数字孪生模型的运行时占用的硬件资源程度。
运行性能系数的表达式如下：XN＝ln(γ*JS+δ*NC+θ*LY+1)，其中，JS表示计算时间，NC表示内存使用率、LY表示CPU利用率，γ表示计算时间的权重系数，δ表示内存使用率的权重系数，θ表示CPU利用率的权重系数，计算时间、内存使用率、CPU利用率可通过使用专业的性能监控工具，如top、Prometheus、Grafana等在数字孪生模型运行时实时获取。
其中，计算时间的权重系数γ、内存使用率的权重系数δ、CPU利用率的权重系数θ通过历史数据、该领域专家的建议以及数字孪生模型运行需求综合得出，并采集大量历史数据进行软件以及相关算法模拟来进一步确定权重的分配值。
数据处理模块将获取到的数据质量异常系数ZL、运行性能系数XN进行归一化处理，并建立数据处理模型，经过加权求和计算得到数字孪生模型预测风险指数；
例如，可以通过以下公式获得数字孪生模型预测风险指数：FX＝b1*ZL+b2*XN，其中，FX为数字孪生模型预测风险指数，b1、b2分别为数据质量异常系数、运行性能系数的预设比例系数，b1、b2均大于0。
由上述计算可知数据质量异常系数、运行性能系数越大，即数字孪生模型预测风险指数越大，表明数字孪生模型预测存在的风险程度越高，有极大的概率导致预测结果出现误差；相反数据质量异常系数、运行性能系数越小，即数字孪生模型预测风险指数越小，表明数字孪生模型预测存在的风险程度处于可控范围。
数据分析模块，设定数字孪生模型预测风险指数参考阈值，将数字孪生模型预测风险指数与数字孪生模型预测风险指数参考阈值进行比较，在数字孪生模型预测前对其进行风险评估；
若数字孪生模型预测风险指数小于数字孪生模型预测风险指数参考阈值，则说明数字孪生模型预测存在的风险程度处于可控范围，可以正常对未来的水资源供需情况进行预测；
若数字孪生模型预测风险指数大于等于数字孪生模型预测风险指数参考阈值，则说明数字孪生模型预测存在的风险程度越高，有极大的概率导致预测结果出现误差，生成预警信号，由管理人员确定是否需要继续对未来的水资源供需情况进行预测。
本发明通过获取风险数据的质量信息以及数字孪生模型运行状态的性能信息，生成数字孪生模型预测风险指数，将数字孪生模型预测风险指数与数字孪生模型预测风险指数参考阈值进行比较，在数字孪生模型预测前对其进行风险评估，并确定是否生成预警信号，避免风险数据的质量过差，进一步增加数字孪生模型在运行状态较差时的数据处理负担，导致预测结果的不稳定性，减少不必要的预测任务，使数字孪生模型的运行更高效，提高预测的精准度。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质。半导体介质可以是固态硬盘。
应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种基于数字孪生的水利管理***，其特征在于：包括数据采集模块、数据处理模块、数据分析模块，各个模块之间通过信号连接；
数据采集模块，采集传感器的自身性能信息以及工作环境信息，采集后，将自身性能信息以及工作环境信息传递至数据处理模块；
数据处理模块，将获取到的传感器的自身性能信息以及工作环境信息进行归一化处理，并建立数据处理模型，生成传感器工作状态异常指数；
数据分析模块，将传感器工作状态异常指数与传感器工作状态异常指数参考阈值进行比较，对不同工作状态下传感器采集的数据进行标记；
若传感器工作状态异常指数大于等于传感器工作状态异常指数参考阈值，则生成风险评估信号，将传感器在T时间内采集的数据标记为风险数据。
2.根据权利要求1所述的一种基于数字孪生的水利管理***，其特征在于：数据采集模块，采集传感器的自身性能信息以及工作环境信息；传感器自身性能信息包括响应时间波动系数和异常校准频率值，工作环境信息包括水压异常偏差值，采集后将响应时间波动系数、异常校准频率值、水压异常偏差值分别标记为BD、YX、SY。
3.根据权利要求2所述的一种基于数字孪生的水利管理***，其特征在于：响应时间波动系数的获取逻辑如下：
获取T时间段内传感器的响应时间，并设置响应时间的基准阈值；
当传感器的响应时间大于响应时间的基准阈值时，则将其标记为ti，i表示传感器的响应时间出现异常状态的次数编号，i＝{1、2、...、j}，j为正整数；
计算响应时间波动系数，表达式如下：BD＝BC/PJ，其中BZ为处于异常状态响应时间的标准差，其表达式为PJ为处于异常状态响应时间的平均值，其表达式为/>
4.根据权利要求2所述的一种基于数字孪生的水利管理***，其特征在于：异常校准频率值的获取逻辑如下：
获取T时间段内传感器的校准次数，计算平均校准频率，表达式如下：其中，ZC为传感器在T时间段内校准的总次数，T为获取传感器校准次数的时间段；
设定平均校准频率基准阈值，若平均校准频率大于等于平均校准频率基准阈值，则将其标记为JZ'，JZ'表示处于异常状态的平均校准频率；
异常校准频率值的获取表达式为：YX＝JZ'。
5.根据权利要求2所述的一种基于数字孪生的水利管理***，其特征在于：水压异常偏差值的获取逻辑如下：
设置传感器工作状态下水压的基准阈值范围，将其标记为SYz min～SYz max；
获取T时间段内传感器的工作水压，将其标记为SY，计算水压异常偏差值，其表达式为其中，h表示传感器工作水压超出基准阈值范围的次数编号，h＝{1、2、...、v}，h为正整数，/> [qx,qy]为每次传感器工作水压超出基准阈值范围的起始时间与结束时间。
6.根据权利要求1所述的一种基于数字孪生的水利管理***，其特征在于：数据采集模块，还用于采集风险数据的质量信息以及数字孪生模型运行状态的性能信息，采集后，将自身性能信息以及工作环境信息传递至数据处理模块；
风险数据的质量信息包括数据质量异常系数，数字孪生模型运行状态的性能信息包括运行性能系数。
7.根据权利要求6所述的一种基于数字孪生的水利管理***，其特征在于：数据处理模块，还用于将获取到的风险数据的质量信息以及数字孪生模型运行状态的性能信息进行归一化处理，并建立数据处理模型，生成数字孪生模型预测风险指数。
8.根据权利要求7所述的一种基于数字孪生的水利管理***，其特征在于：数据分析模块，还用于将数字孪生模型预测风险指数与数字孪生模型预测风险指数参考阈值进行比较，在数字孪生模型预测前对其进行风险评估；
若数字孪生模型预测风险指数大于等于数字孪生模型预测风险指数参考阈值，则生成预警信号，由管理人员确定是否需要继续对未来的水资源供需情况进行预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311592028.4A CN117455242A (zh) | 2023-11-27 | 2023-11-27 | 一种基于数字孪生的水利管理*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311592028.4A CN117455242A (zh) | 2023-11-27 | 2023-11-27 | 一种基于数字孪生的水利管理*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117455242A true CN117455242A (zh) | 2024-01-26 |
Family
ID=89579976
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311592028.4A Pending CN117455242A (zh) | 2023-11-27 | 2023-11-27 | 一种基于数字孪生的水利管理*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117455242A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117689216A (zh) * | 2024-02-02 | 2024-03-12 | 安徽诚溱数据股份有限公司 | 一种基于数字孪生的水利工程运维管理*** |
-
2023
- 2023-11-27 CN CN202311592028.4A patent/CN117455242A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117689216A (zh) * | 2024-02-02 | 2024-03-12 | 安徽诚溱数据股份有限公司 | 一种基于数字孪生的水利工程运维管理*** |
| CN117689216B (zh) * | 2024-02-02 | 2024-04-26 | 安徽诚溱数据股份有限公司 | 一种基于数字孪生的水利工程运维管理*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109298697B (zh) | 基于动态基线模型的火电厂***各部件工作状态评估方法 | |
| EP2008161B1 (en) | Process monitoring technique and related actions | |
| JP7201844B2 (ja) | グラディエントベースのセンサ識別を利用した障害予測 | |
| CN117455242A (zh) | 一种基于数字孪生的水利管理*** | |
| CN110977614A (zh) | 一种数控机床健康诊断方法 | |
| JP5164954B2 (ja) | 機器診断方法及び機器診断装置 | |
| CN117176560B (zh) | 一种基于物联网的监测设备监管***及其方法 | |
| CN112884199B (zh) | 水电站设备故障预测方法、装置、计算机设备和存储介质 | |
| US11941521B2 (en) | Vibrating machine automated diagnosis with supervised learning | |
| US11726469B2 (en) | Error-based method for calculating a remaining useful life of an apparatus | |
| CN116365716B (zh) | 一种基于物联网平台的用电检查*** | |
| CN108133326A (zh) | 一种基于火电设备的状态预警方法及*** | |
| CN117664218A (zh) | 一种真空冷冻干燥机的校准方法 | |
| CN117318297A (zh) | 基于状态监测的告警阈值设置方法、***、设备及介质 | |
| CN117606578A (zh) | 一种智能的气体流量监测方法 | |
| US20210192384A1 (en) | Device and method for monitoring a system | |
| EP4206838A1 (en) | Forecasting and anomaly detection method for low density polyethylene autoclave reactor | |
| CN108416386A (zh) | 一种用于水电机组轴承温度异常判断的方法及*** | |
| US20230280240A1 (en) | Abnormality diagnosis device and abnormality diagnosis method | |
| JPH11161327A (ja) | プロセスの異常診断方法及び装置 | |
| CN117434866A (zh) | 一种基于物联网的工控一体机*** | |
| CN112668794A (zh) | 一种不确定寿命预测信息下航空发动机的维修优化方法 | |
| CN116628976A (zh) | 一种水轮机组设备状态变权综合评价方法 | |
| CN111913463B (zh) | 一种核电厂化学容积控制***状态监测方法 | |
| CN113294295A (zh) | 用于检测涡轮性能不佳和操作异常的***和方法 |
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 |