CN118138492A - 基于数字孪生的电力专网监测方法、***、设备及介质 - Google Patents
基于数字孪生的电力专网监测方法、***、设备及介质 Download PDFInfo
- Publication number
- CN118138492A CN118138492A CN202410300488.3A CN202410300488A CN118138492A CN 118138492 A CN118138492 A CN 118138492A CN 202410300488 A CN202410300488 A CN 202410300488A CN 118138492 A CN118138492 A CN 118138492A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- real
- digital
- power
- data
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 181
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000004891 communication Methods 0.000 claims abstract description 79
- 230000000007 visual effect Effects 0.000 claims abstract description 18
- 230000008859 change Effects 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000010801 machine learning Methods 0.000 claims description 49
- 230000001419 dependent effect Effects 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 10
- 238000012935 Averaging Methods 0.000 claims description 7
- 238000012098 association analyses Methods 0.000 claims description 7
- 238000012986 modification Methods 0.000 claims description 7
- 230000004048 modification Effects 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 7
- 238000011156 evaluation Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 15
- 238000012423 maintenance Methods 0.000 description 13
- 238000007726 management method Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 238000013499 data model Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 206010048669 Terminal state Diseases 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
一种基于数字孪生的电力专网监测方法、***、设备及介质,方法包括确定需要监测的通信网络质量指标,实时采集对应的数据;利用电力专网监测数字孪生体对采集到的通信网络质量数据进行物理运算,得到实时计算物理量数据,并与设定的阈值进行比较,在第一时间区间内修正数字孪生体;根据修正后的数字孪生体,在第二时间区间内确定并修正电力监测物理实体的动态误差,根据修正后的数字孪生体与电力监测物理实体的动态误差,在第三时间区间内预测电力监测物理实体的状态;按照预先设置的预警规则生成预警信息,并以可视化的方式展示,呈现网络质量的实时状态和变化趋势。本发明预警效果能够随着使用的时间而变化,实现点面结合的监测、分析和评估。
Description
技术领域
本发明属于网络通信技术领域,具体涉及一种基于数字孪生的电力专网监测方法、***、设备及介质。
背景技术
电力***使用230MHz建立电力专网或电力5G专网。在电力专网建网初期,为了保障电力专网建设的网络的性能及稳定性,需要对其进行电力行业应用的入网测评,核实网络是否满足入网要求。对网络电力仿真测试,核实网络是否达到电力场景应用标准。通过PC版测试软件外接5G终端,能够对电力专网质量和性能等做全面的评估测试。
电力5G专网建设入网使用后,由于新网络的稳定性及可靠性无法得到保障,因此需要对电力专网进行点面结合的监测、分析和评估,同时兼具自动化测试、数据汇聚、数据管理和数据后处理特性,常态化的监测各电力专网场景网络状态及电力通信模组终端状态,发现网络性能异常会触发AI智能预警及异常问题数据采集。
而为了实现电力专网的监测预警可以采用以下几个方法:
(1)数据采集与传输:建立电力专网的监测***,采集网络相关数据,如5G网络参数、网络时延、速率,采集到的数据可以通过有线或无线方式传输至监测中心。
(2)数据存储与处理:在监测中心建立可靠的数据库***,用于存储来自各个节点的电力数据,对采集到的数据进行实时处理、分析和存储,以便后续的监测和预警分析。
(3)监测与分析:利用数据分析算法和专业的监测软件,对电力数据进行实时监测和分析。通过设定合适的阈值参数和规则,对数据进行实时比对和分析,以识别可能存在的异常情况或故障。
(4)预警与报警:当监测***检测到电力***中出现异常或故障时,及时发出预警信息或报警信号。预警信息可以通过短信、邮件、App推送等方式发送给相关人员,以便他们能够及时采取措施进行处理。
(5)数据可视化与展示:将监测到的电力数据通过可视化的方式展示给用户和管理人员。可以利用仪表盘、曲线图、地理信息***(GIS)等技术,实时展示电力专网中各个节点的状态、参数变化等信息,以便进行全面的监控和分析。
(6)故障诊断与维修:及时对出现故障的设备或电力线路进行诊断和维修。当出现故障或异常时,监测***中的相关算法可以帮助定位问题的具***置,提供参考给维修人员,加快故障恢复过程。
(7)定期维护与升级:定期检查和维护电力监测***,确保设备和软件的正常运行。同时,根据业务需求和技术发展,进行***的升级和优化,以提升监测预警的精度和效果。
目前现有的电力专网通信网络质量监测预警方法难以实现对各场景下的设备状态、网络质量、设备告警、场景之间端到端的时延、远程控制等进行精准监测与告警,预警效果会随着使用的时间而不准确,难以实现电力专网点面结合的可视化远程监测管理。
发明内容
本发明的目的在于针对上述现有技术中的问题,提供一种基于数字孪生的电力专网监测方法、***、设备及介质,通过对采集的数据和用户的需求进行不断更迭改进,使预警效果能够随着使用的时间而变化,并进行可视化展示,实现点面结合的监测、分析和评估。
为了实现上述目的,本发明有如下的技术方案:
第一方面,提供一种基于数字孪生的电力专网监测方法,包括:
确定需要监测的通信网络质量指标,实时采集对应通信网络质量指标的数据;
利用预先建立的电力专网监测数字孪生体对采集到的对应通信网络质量指标的数据进行物理运算,得到实时计算物理量数据,并与设定的阈值进行比较,在第一时间区间内修正所述电力专网监测数字孪生体;
根据修正后的电力专网监测数字孪生体,在第二时间区间内确定并修正电力监测物理实体的动态误差,并根据修正后的电力专网监测数字孪生体与电力监测物理实体的动态误差,在第三时间区间内预测电力监测物理实体的状态;
根据电力监测物理实体的动态误差以及预测出的状态,按照预先设置的预警规则,生成预警信息,并以可视化的方式展示,呈现网络质量的实时状态和变化趋势。
作为一种优选的方案,在所述确定需要监测的通信网络质量指标,实时采集对应通信网络质量指标的数据时,所述通信网络质量指标包括延时、丢包率以及带宽利用率,通过在电力专网中部署监测设备实时采集对应通信网络质量指标的数据。
作为一种优选的方案,在所述利用预先建立的电力专网监测数字孪生体对采集到的对应通信网络质量指标的数据进行物理运算,得到实时计算物理量数据,并与设定的阈值进行比较,在第一时间区间内修正所述电力专网监测数字孪生体的步骤中,所述电力专网监测数字孪生体包括物理模型和规则模型;
所述物理模型用于对采集到的对应通信网络质量指标的数据进行物理运算,得到实时计算物理量数据,所述实时计算物理量数据包括对应通信网络质量指标的平均值、最大值及百分位数;所述规则模型为预先设定的各通信网络质量指标数据阈值所组成的模型;
通过将物理模型输出的实时计算物理量数据和规则模型中的阈值进行比较,在第一时间区间内修正所述电力专网监测数字孪生体。
作为一种优选的方案,所述通过将物理模型输出的实时计算物理量数据和规则模型中的阈值进行比较,在第一时间区间内修正所述电力专网监测数字孪生体的步骤包括:
按照下式根据需求确定关联分析的自变量序列Y和因变量序列X:
Y=[y(1),y(2)…,y(n)];
式中,l表示样本个数;n为特征个数;
按照下式对各因变量序列中的数据xik进行均值化处理得到
式中,xi(k)表示因变量序列第i个样本的第k个特征值;为第i个样本的均值;
按照下式求解自变量y(k)与均值化处理后的因变量之间的关联系数值μi:
式中,η为分辨系数;
按照下式计算各因变量序列所有关联系数的关联度值ri:
通过计算自变量与因变量之间相似程度来判断联系的紧密程度,确定影响因素。
作为一种优选的方案,在所述根据电力监测物理实体的动态误差以及预测出的状态,按照预先设置的预警规则,生成预警信息,并以可视化的方式展示,呈现网络质量的实时状态和变化趋势的步骤中,预警信息通过短信、邮件或App推送的方式进行通知,可视化的方式包括仪表盘、图表或报表的方式进行呈现。
作为一种优选的方案,还包括在发生网络故障或通信中断时,根据预警信息及网络质量的实时状态和变化趋势定位故障位置,对故障进行诊断和修复。
作为一种优选的方案,还包括利用预先建立的数字机器学习模型进行电力专网监测,所述数字机器学习模型的建立过程包括:
对数字机器学习模型进行参数估计和优化,通过与真实数据的拟合来调整模型的参数;
使用历史数据或测试数据对建立的数字机器学习模型进行验证和校准;
将物理实体的实时数据与数字机器学习模型相连接,进行实时数据的传输和更新;
建立用户交互界面,向用户展示数字机器学习模型的结果和分析;
通过数字机器学习模型对物理实体进行实时监测和优化;
改进和更新数字机器学习模型。
第二方面,提供一种基于数字孪生的电力专网监测***,包括:
数据采集模块,用于确定需要监测的通信网络质量指标,实时采集对应通信网络质量指标的数据;
数字孪生体修正模块,用于利用预先建立的电力专网监测数字孪生体对采集到的对应通信网络质量指标的数据进行物理运算,得到实时计算物理量数据,并与设定的阈值进行比较,在第一时间区间内修正所述电力专网监测数字孪生体;
物理实体状态预测模块,用于根据修正后的电力专网监测数字孪生体,在第二时间区间内确定并修正电力监测物理实体的动态误差,并根据修正后的电力专网监测数字孪生体与电力监测物理实体的动态误差,在第三时间区间内预测电力监测物理实体的状态;
预警模块,用于根据电力监测物理实体的动态误差以及预测出的状态,按照预先设置的预警规则,生成预警信息,并以可视化的方式展示,呈现网络质量的实时状态和变化趋势。
作为一种优选的方案,所述数字孪生体修正模块预先建立的电力专网监测数字孪生体包括物理模型和规则模型;
所述物理模型用于对采集到的对应通信网络质量指标的数据进行物理运算,得到实时计算物理量数据,所述实时计算物理量数据包括对应通信网络质量指标的平均值、最大值及百分位数;所述规则模型为预先设定的各通信网络质量指标数据阈值所组成的模型;
通过将物理模型输出的实时计算物理量数据和规则模型中的阈值进行比较,在第一时间区间内修正所述电力专网监测数字孪生体。
作为一种优选的方案,所述数字孪生体修正模块预先建立的电力专网监测数字孪生体按照下式根据需求确定关联分析的自变量序列Y和因变量序列X:
Y=[y(1),y(2)…,y(n)];
式中,l表示样本个数;n为特征个数;
按照下式对各因变量序列中的数据xik进行均值化处理得到
式中,xi(k)表示因变量序列第i个样本的第k个特征值;为第i个样本的均值;
按照下式求解自变量y(k)与均值化处理后的因变量之间的关联系数值μi:
式中,η为分辨系数;
按照下式计算各因变量序列所有关联系数的关联度值ri:
通过计算自变量与因变量之间相似程度来判断联系的紧密程度,确定影响因素。
作为一种优选的方案,还包括故障处理模块,用于在发生网络故障或通信中断时,根据预警信息及网络质量的实时状态和变化趋势定位故障位置,对故障进行诊断和修复。
作为一种优选的方案,还包括数字机器学习模型训练模块,用于利用预先建立的数字机器学习模型进行电力专网监测,所述数字机器学习模型的建立过程包括:
对数字机器学习模型进行参数估计和优化,通过与真实数据的拟合来调整模型的参数;
使用历史数据或测试数据对建立的数字机器学习模型进行验证和校准;
将物理实体的实时数据与数字机器学习模型相连接,进行实时数据的传输和更新;
建立用户交互界面,向用户展示数字机器学习模型的结果和分析;
通过数字机器学习模型对物理实体进行实时监测和优化;
改进和更新数字机器学习模型。
第三方面,提供一种电子设备,包括处理器和存储器,所述处理器用于执行存储器中存储的计算机程序以实现所述基于数字孪生的电力专网监测方法。
第四方面,提供一种计算机可读存储介质,所述计算机可读存储介质存储有至少一个指令,所述至少一个指令被处理器执行时实现所述基于数字孪生的电力专网监测方法。
相较于现有技术,本发明的第一方面至少具有如下的有益效果:
数字孪生是一种通过软件模型来代表物理对象的技术,它可以用于模拟和分析物理对象在现实世界中的行为和性能。本发明通过建立电力专网监测数字孪生体对采集到的对应通信网络质量指标的数据进行物理运算,得到实时计算物理量数据,并与设定的阈值进行比较,在第一时间区间内修正电力专网监测数字孪生体。之后根据修正后的电力专网监测数字孪生体,在第二时间区间内确定并修正电力监测物理实体的动态误差,并根据修正后的电力专网监测数字孪生体与电力监测物理实体的动态误差,在第三时间区间内预测电力监测物理实体的状态。最后根据电力监测物理实体的动态误差以及预测出的状态,按照预先设置的预警规则,生成预警信息,并以可视化的方式展示,呈现网络质量的实时状态和变化趋势。本发明通过对采集的数据和用户的需求进行不断更迭改进,进行可视化展示,由于可视化展示的目的在于对电力***进行更加方便的远程监测和管理,而具体监测和管理的对象包括“各场景下的设备状态、网络质量、设备告警、场景之间端到端的时延、远程控制进行精准监测与告警”,因此,在以整个数字孪生可视化模型的框架基础上进行点面结合的监测、分析和评估,将检测结果统计带入下一次的监测中,对于监测的初始数据模型更迭,使预警效果能够随着使用的时间而变化,从而确保准确性,实现电力专网点面结合的可视化远程监测管理。
可以理解的是,上述第二方面至第四方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1本发明实施例基于数字孪生的电力专网监测方法流程图。
图2本发明实施例基于数字孪生的电力专网监测***结构框图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本申请的实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
电力专网通信网络质量监测预警在电力专网的建设与后期维护中处于相当重要的地位,其具体体现在以下几个方面:
(1)保障电力***安全稳定运行:电力专网是电力***运行的基础设施,承担着电力信息传输、控制和保护等功能。良好的通信网络质量对于保障电力***的安全稳定运行至关重要。通过监测通信网络质量,可以及时发现通信故障、延迟或丢包等问题,并采取相应的措施进行修复,减少通信中断和故障对电力***的影响。
(2)支持远程监控与管理:电力专网通信网络质量监测预警可以支持远程对电力设备、线路和站点进行监控和管理。通过获取实时的通信网络质量数据,可以判断数据传输是否正常,以及远程操作和维护设备的可行性。这有助于提高电力***的运维效率,降低人力成本,并能及时响应异常情况。
(3)提升电力***的响应速度:电力专网通信网络质量监测预警可以帮助及早发现通信中断、丢包等问题,减少通信延迟,提升电力***的响应速度。在电力***运行过程中,有些操作需要实时响应,如故障检测、投入和退出负荷等。通过及时预警,可以减少对***运行的干扰,并加快故障定位和修复的时间。
(4)改进电力设备维护方式:电力专网通信网络质量监测预警可以提供对电力设备的运行状态进行实时监测,了解设备的工作情况和健康状况。通过监测数据分析,可以制定更加科学合理的设备维护计划,提高维护效率和设备利用率。避免不必要的维护工作,降低运维成本。
综上所述,电力专网通信网络质量监测预警对于保障电力***的稳定运行、支持远程监控与管理、提升响应速度以及改进设备维护方式都具有重要意义。通过及时监测和预警,能够及早发现和处理通信故障,最大程度地减少对电力***的影响,并提高***的可靠性和安全性。
在相关现有技术中,例如,公开号为CN112910730A的中国专利《一种通信网络实时预警监测***及其监测方法》公开了一种检测网络网速的方法、一种网络问题查找方法、一种指派工人去维修问题的方法、一种管理员将备份单元中的信息传输到储存模块的方法以及一种通信网络实时预警监测方法,由于受到技术限制,该文献所提出的方法对于电力专网通信网络质量监测的预警是“一次性的”,其没有针对电力专网所设地区的不同而不同,其使用中也没有对电力专网进行点面结合的监测、分析和评估,更没有将检测结果统计带入下一次的监测中,对于监测的初始数据模型没有更迭,导致预警效果会随着使用的时间而不准确。
目前,网络已经成为人们生活和工作中非常重要的一部分。而对网络质量的检测,是判断网络优化效果,以及提高用户满意度的重要依据。
随着智能电网的发展,各电力信息***对电力网络的使用质量要求也越来越高,对故障定位手段和解决时间也要求越来越高。现有的电力信息通信网络管理***存在如下不足:
1、网络配置繁琐,费时费力;2、缺乏对网络性能及质量的监测方法;3、缺乏对网络流量的监控手段,无法对整体网络的状态给出精确预判。
又例如,公开号为CN108011757A的中国专利申请《一种用于电力行业的智能网络管理方法及装置》提出的方法包括获取的网络运行数据,生成网络运行数据模型;所述网络运行数据模型将网络数据转换为设备识别数据,下发至具体网络设备;实时监测各网络通信链路的运行状况,并上传至所述网络运行数据模型;所述网络运行数据模型根据网络运行状况,确定中断的通信链路,并根据网络拓扑状况,恢复中断的通信链路;所述网络运行数据模型将网络数据转换为设备识别数据,下发至具体网络设备,包括网络运行数据模型将网络数据转换为设备识别数据,通过指定的IP地址,下发至具体网络设备。
目前的电力专网通信网络质量监测方法难以实现对各场景下的设备状态、网络质量、设备告警、场景之间端到端的时延、远程控制等进行精准监测与告警,同时进一步便难以呈现实时监测各场景的情况,难以实现电力专网点面结合的可视化远程监测管理。
请参阅图1,本发明实施例基于数字孪生的电力专网监测方法包括以下步骤:
S1、监测指标的确定和采集:确定延迟(延时)、丢包率、带宽利用率等需要监测的通信网络质量指标,这些指标可以根据具体需求和业务要求进行选择,再在电力专网中合适的位置部署监测设备,这些设备可以实时采集通信网络质量数据,然后利用监测设备采集通信网络质量数据,并将其存储在可靠的数据库***中;
S2、构建电力专网监测的数字孪生体:所述数字孪生体包括物理模型和规则模型,物理模型为对采集实时数据进行物理运算,得到实时计算物理量数据,具体为计算各个指标的平均值、最大值、百分位数等统计量,而规则模型为电力监测***内预先设定的各个物理量阈值所组成的模型,电力监测***在进行数据处理时,物理模型的实时数据和规则模型设定的阈值之间的进行比较,在第一时间区间内修正所述数字孪生体;
S3、多时段的监测误差分析:电力监测物理实体和数字孪生体的实时输出信号之间的误差,在第二时间区间内确定并修正电力监测物理实体的动态误差,根据所述数字孪生体与所述电力互感器物理实体的动态误差,在第三时间区间内预测电力监测物理实体的状态;
S4、预警处理:根据预测结果和业务需求,设置相应的预警规则,当监测数据超过阈值或发生异常情况时,触发预警机制,生成预警信息,并且将预警信息通过短信、邮件、App推送的通知方式及时发送给相关人员,确保监测数据异常能够迅速被相关人员察觉和采取相应措施;
S5、可视化展示:将通信网络质量的监测结果通过仪表盘、图表或报表等可视化的方式展示给用户和管理人员,呈现通信网络质量的实时状态和变化趋势;
S6、故障处理:当发生网络故障或通信中断时,根据预警信息进行及时的故障诊断和维护,借助监测数据和分析结果,定位问题的具***置,加快故障恢复过程,并对电力专网通信网络质量监测***进行定期维护和优化,确保设备的正常运行和数据的准确性。例如,更新监测设备的固件、密切关注***性能等。
S7、创建数字机器学习模型进行训练:通过采集全网测试数据、Ping时延测试、远控操控时延、上下行速率、无线覆盖质量等数据,基于收集到的数据,利用数学建模技术建立数字机器学习模型。
在一种可能的实施方式中,步骤S1在电力专网中合适的位置部署的监测设备为网络流量分析仪、网络监测工具或传感器等。
在一种可能的实施方式中,步骤S1的数据采集可以通过网络抓包、流量监测等技术实现。
在一种可能的实施方式中,步骤S2在进行数据处理过程中采用关联分析筛选电力监测影响因素,关联分析的基本思想是通过计算自变量与因变量之间相似程度来判断其联系的紧密程度,包括以下步骤:
a1、根据需求确定关联分析的自变量序列Y和因变量序列X,分别如下式所示:
Y=[y(1),y(2)…,y(n)]
其中:l表示样本个数;n为特征个数;
a2、对各因变量序列中的数据xik进行均值化处理得到如下式所示:
其中:xi(k)表示因变量序列第i个样本、第k个特征值;为第i个样本的均值;
a3、求解自变量y(k)与均值化处理后的因变量之间的关联系数值μi,如下式所示:
其中,η为分辨系数,通常取0.5;
a4、计算各因变量序列所有关联系数的平均值,即为关联度ri,具体计算公式为:
在一种可能的实施方式中,步骤S7创建数字机器学习模型进行训练时,利用卷积神经网络算法建立数字机器学习模型,具体为:输入的是一个基础三维子节点矩阵,通过不断循环加权得到卷积层的多个节点(单位节点矩阵),卷积层的作用是对每一小块节点进行深入分析,从而提取图片更高的特征,然后进入池化层,池化层不会改变三维矩阵的深度,其作用是缩小矩阵,从而减少网络的参数,之后进入全连接层:跟全连接神经网络作用一样,最后通过Softmax层,得到当前样例属于不同种类的概率分布,并完成分类。
更进一步的,通过采集全网测试数据、Ping时延测试、远控操控时延、上下行速率、无线覆盖质量等数据,基于收集到的数据,利用数学建模技术建立数字机器学习模型。
模型参数估计与优化:对模型进行参数估计和优化,通过与真实数据的拟合来调整模型的参数。这可以配合参数估计算法、参数优化算法等进行实现。
模型验证与校准:使用历史数据或测试数据对建立的数字模型进行验证和校准,评估模型的准确性和可靠性。如果需要,可对模型进行修正和调整。
集成实时数据:将物理实体的实时数据与数字模型相连接,实现实时数据传输和更新。可以使用传感器、数据采集***等设备将实时数据输入到数字模型中。
建立交互界面:建立用户交互界面,通过图形化的界面或其他形式向用户展示数字孪生模型的结果和分析。
实时监测与优化:通过数字孪生模型对物理实体进行实时监测和优化。根据模型结果和预警机制,及时识别问题并采取相应措施,提高***的稳定性和效率。
持续改进与更新:不断改进和更新数字孪生模型,基于反馈数据和用户需求,修正模型或增加新的功能和特性。
本发明实施例通过采集全网测试数据、Ping时延测试、远控操控时延、上下行速率、无线覆盖质量等数据,基于收集到的数据,利用数学建模技术建立数字机器学习模型,并对模型进行参数估计和优化,通过与真实数据的拟合来调整模型的参数。这可以配合参数估计算法、参数优化算法等进行实现,同时使用历史数据或测试数据对建立的数字模型进行验证和校准,评估模型的准确性和可靠性。如果需要,可对模型进行修正和调整,能够将物理实体的实时数据与数字模型相连接,实现实时数据传输和更新。可以使用传感器、数据采集***等设备将实时数据输入到数字模型中,从而实现对数据的实时监测。
本发明实施例在进行数据处理过程中采用关联分析筛选电力监测影响因素,关联分析基本思想是通过计算自变量与因变量之间相似程度来判断其联系的紧密程度,从而使整个电力监测数据的处理更加贴合实际,从而使监测和预测结果更具有参考意义。
本发明实施例通过采用多时间段的不同监测处理,来大大减小实际电力检测的动态误差。
请参阅图2,本发明实施例基于数字孪生的电力专网监测***,包括:
数据采集模块,用于确定需要监测的通信网络质量指标,实时采集对应通信网络质量指标的数据;
数字孪生体修正模块,用于利用预先建立的电力专网监测数字孪生体对采集到的对应通信网络质量指标的数据进行物理运算,得到实时计算物理量数据,并与设定的阈值进行比较,在第一时间区间内修正所述电力专网监测数字孪生体;
物理实体状态预测模块,用于根据修正后的电力专网监测数字孪生体,在第二时间区间内确定并修正电力监测物理实体的动态误差,并根据修正后的电力专网监测数字孪生体与电力监测物理实体的动态误差,在第三时间区间内预测电力监测物理实体的状态;
预警模块,用于根据电力监测物理实体的动态误差以及预测出的状态,按照预先设置的预警规则,生成预警信息,并以可视化的方式展示,呈现网络质量的实时状态和变化趋势。
在一种可能的实施方式中,数字孪生体修正模块预先建立的电力专网监测数字孪生体包括物理模型和规则模型;所述物理模型用于对采集到的对应通信网络质量指标的数据进行物理运算,得到实时计算物理量数据,所述实时计算物理量数据包括对应通信网络质量指标的平均值、最大值及百分位数;所述规则模型为预先设定的各通信网络质量指标数据阈值所组成的模型;通过将物理模型输出的实时计算物理量数据和规则模型中的阈值进行比较,在第一时间区间内修正所述电力专网监测数字孪生体。
在一种可能的实施方式中,数字孪生体修正模块预先建立的电力专网监测数字孪生体按照下式根据需求确定关联分析的自变量序列Y和因变量序列X:
Y=[y(1),y(2)…,y(n)];
式中,l表示样本个数;n为特征个数;
按照下式对各因变量序列中的数据xik进行均值化处理得到
式中,xi(k)表示因变量序列第i个样本的第k个特征值;为第i个样本的均值;
按照下式求解自变量y(k)与均值化处理后的因变量之间的关联系数值μi:
式中,η为分辨系数;
按照下式计算各因变量序列所有关联系数的关联度值ri:
通过计算自变量与因变量之间相似程度来判断联系的紧密程度,确定影响因素。
在一种可能的实施方式中,还包括故障处理模块,用于在发生网络故障或通信中断时,根据预警信息及网络质量的实时状态和变化趋势定位故障位置,对故障进行诊断和修复。
在一种可能的实施方式中,还包括数字机器学习模型训练模块,用于利用预先建立的数字机器学习模型进行电力专网监测,所述数字机器学习模型的建立过程包括:
对数字机器学习模型进行参数估计和优化,通过与真实数据的拟合来调整模型的参数;
使用历史数据或测试数据对建立的数字机器学习模型进行验证和校准;
将物理实体的实时数据与数字机器学习模型相连接,进行实时数据的传输和更新;
建立用户交互界面,向用户展示数字机器学习模型的结果和分析;
通过数字机器学习模型对物理实体进行实时监测和优化;
改进和更新数字机器学习模型。
本发明实施例还提出一种电子设备,包括处理器和存储器,所述处理器用于执行存储器中存储的计算机程序以实现所述基于数字孪生的电力专网监测方法。
本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质存储有至少一个指令,所述至少一个指令被处理器执行时实现所述基于数字孪生的电力专网监测方法。
所述计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括:能够携带所述计算机程序代码的任何实体或装置、介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。为了便于说明,以上内容仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明实施例方法部分。该计算机可读存储介质是非暂时性的,可以存储在各种电子设备形成的存储装置当中,能够实现本发明实施例方法记载的执行过程。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、设备(***)和计算机程序产品的流程图和/或方框图来描述的。应理解为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。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (14)
1.一种基于数字孪生的电力专网监测方法,其特征在于,包括:
确定需要监测的通信网络质量指标,实时采集对应通信网络质量指标的数据;
利用预先建立的电力专网监测数字孪生体对采集到的对应通信网络质量指标的数据进行物理运算,得到实时计算物理量数据,并与设定的阈值进行比较,在第一时间区间内修正所述电力专网监测数字孪生体;
根据修正后的电力专网监测数字孪生体,在第二时间区间内确定并修正电力监测物理实体的动态误差,并根据修正后的电力专网监测数字孪生体与电力监测物理实体的动态误差,在第三时间区间内预测电力监测物理实体的状态;
根据电力监测物理实体的动态误差以及预测出的状态,按照预先设置的预警规则,生成预警信息,并以可视化的方式展示,呈现网络质量的实时状态和变化趋势。
2.根据权利要求1所述基于数字孪生的电力专网监测方法,其特征在于,在所述确定需要监测的通信网络质量指标,实时采集对应通信网络质量指标的数据时,所述通信网络质量指标包括延时、丢包率以及带宽利用率,通过在电力专网中部署监测设备实时采集对应通信网络质量指标的数据。
3.根据权利要求1所述基于数字孪生的电力专网监测方法,其特征在于,在所述利用预先建立的电力专网监测数字孪生体对采集到的对应通信网络质量指标的数据进行物理运算,得到实时计算物理量数据,并与设定的阈值进行比较,在第一时间区间内修正所述电力专网监测数字孪生体的步骤中,所述电力专网监测数字孪生体包括物理模型和规则模型;
所述物理模型用于对采集到的对应通信网络质量指标的数据进行物理运算,得到实时计算物理量数据,所述实时计算物理量数据包括对应通信网络质量指标的平均值、最大值及百分位数;所述规则模型为预先设定的各通信网络质量指标数据阈值所组成的模型;
通过将物理模型输出的实时计算物理量数据和规则模型中的阈值进行比较,在第一时间区间内修正所述电力专网监测数字孪生体。
4.根据权利要求3所述基于数字孪生的电力专网监测方法,其特征在于,所述通过将物理模型输出的实时计算物理量数据和规则模型中的阈值进行比较,在第一时间区间内修正所述电力专网监测数字孪生体的步骤包括:
按照下式根据需求确定关联分析的自变量序列Y和因变量序列X:
Y=[y(1),y(2)…,y(n)];
式中,l表示样本个数;n为特征个数;
按照下式对各因变量序列中的数据xik进行均值化处理得到
式中,xi(k)表示因变量序列第i个样本的第k个特征值;为第i个样本的均值;
按照下式求解自变量y(k)与均值化处理后的因变量之间的关联系数值μi:
式中,η为分辨系数;
按照下式计算各因变量序列所有关联系数的关联度值ri:
通过计算自变量与因变量之间相似程度来判断联系的紧密程度,确定影响因素。
5.根据权利要求1所述基于数字孪生的电力专网监测方法,其特征在于,在所述根据电力监测物理实体的动态误差以及预测出的状态,按照预先设置的预警规则,生成预警信息,并以可视化的方式展示,呈现网络质量的实时状态和变化趋势的步骤中,预警信息通过短信、邮件或App推送的方式进行通知,可视化的方式包括仪表盘、图表或报表的方式进行呈现。
6.根据权利要求1所述基于数字孪生的电力专网监测方法,其特征在于,还包括在发生网络故障或通信中断时,根据预警信息及网络质量的实时状态和变化趋势定位故障位置,对故障进行诊断和修复。
7.根据权利要求1所述基于数字孪生的电力专网监测方法,其特征在于,还包括利用预先建立的数字机器学习模型进行电力专网监测,所述数字机器学习模型的建立过程包括:
对数字机器学习模型进行参数估计和优化,通过与真实数据的拟合来调整模型的参数;
使用历史数据或测试数据对建立的数字机器学习模型进行验证和校准;
将物理实体的实时数据与数字机器学习模型相连接,进行实时数据的传输和更新;
建立用户交互界面,向用户展示数字机器学习模型的结果和分析;
通过数字机器学习模型对物理实体进行实时监测和优化;
改进和更新数字机器学习模型。
8.一种基于数字孪生的电力专网监测***,其特征在于,包括:
数据采集模块,用于确定需要监测的通信网络质量指标,实时采集对应通信网络质量指标的数据;
数字孪生体修正模块,用于利用预先建立的电力专网监测数字孪生体对采集到的对应通信网络质量指标的数据进行物理运算,得到实时计算物理量数据,并与设定的阈值进行比较,在第一时间区间内修正所述电力专网监测数字孪生体;
物理实体状态预测模块,用于根据修正后的电力专网监测数字孪生体,在第二时间区间内确定并修正电力监测物理实体的动态误差,并根据修正后的电力专网监测数字孪生体与电力监测物理实体的动态误差,在第三时间区间内预测电力监测物理实体的状态;
预警模块,用于根据电力监测物理实体的动态误差以及预测出的状态,按照预先设置的预警规则,生成预警信息,并以可视化的方式展示,呈现网络质量的实时状态和变化趋势。
9.根据权利要求8所述基于数字孪生的电力专网监测***,其特征在于,所述数字孪生体修正模块预先建立的电力专网监测数字孪生体包括物理模型和规则模型;
所述物理模型用于对采集到的对应通信网络质量指标的数据进行物理运算,得到实时计算物理量数据,所述实时计算物理量数据包括对应通信网络质量指标的平均值、最大值及百分位数;所述规则模型为预先设定的各通信网络质量指标数据阈值所组成的模型;
通过将物理模型输出的实时计算物理量数据和规则模型中的阈值进行比较,在第一时间区间内修正所述电力专网监测数字孪生体。
10.根据权利要求9所述基于数字孪生的电力专网监测***,其特征在于,所述数字孪生体修正模块预先建立的电力专网监测数字孪生体按照下式根据需求确定关联分析的自变量序列Y和因变量序列X:
Y=[y(1),y(2)…,y(n)];
式中,l表示样本个数;n为特征个数;
按照下式对各因变量序列中的数据xik进行均值化处理得到
式中,xi(k)表示因变量序列第i个样本的第k个特征值;为第i个样本的均值;
按照下式求解自变量y(k)与均值化处理后的因变量之间的关联系数值μi:
式中,η为分辨系数;
按照下式计算各因变量序列所有关联系数的关联度值ri:
通过计算自变量与因变量之间相似程度来判断联系的紧密程度,确定影响因素。
11.根据权利要求8所述基于数字孪生的电力专网监测***,其特征在于,还包括故障处理模块,用于在发生网络故障或通信中断时,根据预警信息及网络质量的实时状态和变化趋势定位故障位置,对故障进行诊断和修复。
12.根据权利要求8所述基于数字孪生的电力专网监测***,其特征在于,还包括数字机器学习模型训练模块,用于利用预先建立的数字机器学习模型进行电力专网监测,所述数字机器学习模型的建立过程包括:
对数字机器学习模型进行参数估计和优化,通过与真实数据的拟合来调整模型的参数;
使用历史数据或测试数据对建立的数字机器学习模型进行验证和校准;
将物理实体的实时数据与数字机器学习模型相连接,进行实时数据的传输和更新;
建立用户交互界面,向用户展示数字机器学习模型的结果和分析;
通过数字机器学习模型对物理实体进行实时监测和优化;
改进和更新数字机器学习模型。
13.一种电子设备,其特征在于,包括处理器和存储器,所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1至7中任意一项所述基于数字孪生的电力专网监测方法。
14.一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存储有至少一个指令,所述至少一个指令被处理器执行时实现如权利要求1至7中任意一项所述基于数字孪生的电力专网监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410300488.3A CN118138492A (zh) | 2024-03-15 | 2024-03-15 | 基于数字孪生的电力专网监测方法、***、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410300488.3A CN118138492A (zh) | 2024-03-15 | 2024-03-15 | 基于数字孪生的电力专网监测方法、***、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118138492A true CN118138492A (zh) | 2024-06-04 |
Family
ID=91245986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410300488.3A Pending CN118138492A (zh) | 2024-03-15 | 2024-03-15 | 基于数字孪生的电力专网监测方法、***、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118138492A (zh) |
-
2024
- 2024-03-15 CN CN202410300488.3A patent/CN118138492A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109977535B (zh) | 一种线损异常诊断方法、装置、设备及可读存储介质 | |
KR20180108446A (ko) | Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법 | |
CN117060409B (zh) | 电力线路运行状态自动化检测分析方法及*** | |
CN116069079A (zh) | 一种智能开关柜的散热智能控制方法及*** | |
KR101953558B1 (ko) | 스마트 기기 결함 관리 장치 및 방법 | |
CN115372816A (zh) | 基于数据分析的配电开关设备运行故障预测***及方法 | |
CN116719664B (zh) | 基于微服务部署的应用和云平台跨层故障分析方法及*** | |
CN114255784A (zh) | 一种基于声纹识别的变电站设备故障诊断方法及相关装置 | |
CN117406026A (zh) | 一种适用于分布式电源的配电网故障检测方法 | |
CN117082105A (zh) | 一种绿色智慧医院设施监控***及方法 | |
CN116070802A (zh) | 一种基于数据孪生的智能监控运维方法和*** | |
CN117613908B (zh) | 基于配电网络的智能运维方法及*** | |
CN117390944A (zh) | 一种变电站运行工况仿真*** | |
CN117408162A (zh) | 基于数字孪生的电网故障控制方法 | |
CN116611953A (zh) | 基于物联网的电能表生产制造实时数据管理方法和*** | |
CN116881661A (zh) | 一种基于低压电力电容器的性能自动化分析方法及*** | |
CN116566839A (zh) | 一种电力企业通信资源质量评估*** | |
CN118138492A (zh) | 基于数字孪生的电力专网监测方法、***、设备及介质 | |
CN115225455B (zh) | 异常设备检测方法及装置、电子设备、存储介质 | |
CN113507397B (zh) | 一种基于云端运维收集终端设备状态自动巡检的方法 | |
CN114414938B (zh) | 一种配电网故障的动态响应方法及*** | |
CN114629785B (zh) | 一种告警位置的检测与预测方法、装置、设备及介质 | |
CN117113157B (zh) | 一种基于人工智能的台区用电故障检测*** | |
CN116453437B (zh) | 显示屏模组的测试方法、装置、设备及存储介质 | |
CN117728573B (zh) | 一种配网融合数据质量评估管理*** |
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 |