本發(fā)明涉及電網(wǎng)技術(shù)，尤其涉及變電設(shè)備數(shù)字孿生部件時變一致性自適應(yīng)保持方法及系統(tǒng)。

背景技術(shù)：

1、隨著電力系統(tǒng)的日益復(fù)雜化和智能化，變電設(shè)備的可靠運行對于保障電力供應(yīng)至關(guān)重要。傳統(tǒng)的變電設(shè)備運維方式主要依靠人工巡檢和定期檢修，效率低下且難以及時發(fā)現(xiàn)潛在故障。數(shù)字孿生技術(shù)為變電設(shè)備的智能運維提供了新的解決方案。通過構(gòu)建與實體設(shè)備對應(yīng)的數(shù)字孿生模型，可以實現(xiàn)對設(shè)備狀態(tài)的實時監(jiān)測、故障診斷和預(yù)測性維護。

2、然而，現(xiàn)有的數(shù)字孿生技術(shù)在應(yīng)用于變電設(shè)備時仍然存在一些缺陷和不足：

3、1.數(shù)字孿生模型與實體設(shè)備的狀態(tài)一致性難以長期保持。由于變電設(shè)備運行環(huán)境復(fù)雜，受多種因素影響，其狀態(tài)參數(shù)會隨著時間發(fā)生變化。傳統(tǒng)的數(shù)字孿生模型構(gòu)建方法通常只考慮設(shè)備的初始狀態(tài)，難以適應(yīng)設(shè)備的時變特性，導(dǎo)致數(shù)字孿生模型與實體設(shè)備的狀態(tài)偏差逐漸增大，影響模型的準確性和可靠性。

4、2.難以有效處理變電設(shè)備的多源異構(gòu)數(shù)據(jù)。變電設(shè)備的運行數(shù)據(jù)種類繁多，包括電壓、電流、溫度、振動等多種類型，且數(shù)據(jù)來源和格式各不相同。傳統(tǒng)的數(shù)字孿生模型構(gòu)建方法通常難以有效融合和處理這些多源異構(gòu)數(shù)據(jù)，導(dǎo)致模型難以全面反映設(shè)備的運行狀態(tài)。

5、3.缺乏自適應(yīng)的模型更新機制。變電設(shè)備的運行狀態(tài)會隨著時間發(fā)生變化，數(shù)字孿生模型也需要不斷更新才能保持與實體設(shè)備的一致性。傳統(tǒng)的數(shù)字孿生模型更新方法通常依賴于人工干預(yù)或固定的時間周期，難以適應(yīng)設(shè)備狀態(tài)的動態(tài)變化，導(dǎo)致模型更新不及時或過于頻繁，影響模型的效率和精度。

技術(shù)實現(xiàn)思路

1、本發(fā)明實施例提供變電設(shè)備數(shù)字孿生部件時變一致性自適應(yīng)保持方法及系統(tǒng)，能夠解決現(xiàn)有技術(shù)中的問題。

2、本發(fā)明實施例的第一方面，

3、提供變電設(shè)備數(shù)字孿生部件時變一致性自適應(yīng)保持方法，包括：

4、采集變電設(shè)備的實時運行數(shù)據(jù)，所述實時運行數(shù)據(jù)包括變電設(shè)備的電壓數(shù)據(jù)、電流數(shù)據(jù)、溫度數(shù)據(jù)、振動數(shù)據(jù)和負荷數(shù)據(jù)；基于所述實時運行數(shù)據(jù)，構(gòu)建變電設(shè)備的物理模型，并根據(jù)所述物理模型生成變電設(shè)備的數(shù)字孿生模型；將所述實時運行數(shù)據(jù)輸入所述數(shù)字孿生模型中，通過深度學(xué)習(xí)算法對所述數(shù)字孿生模型進行訓(xùn)練，得到變電設(shè)備數(shù)字孿生部件的初始狀態(tài)參數(shù)；

5、基于所述初始狀態(tài)參數(shù)，建立變電設(shè)備數(shù)字孿生部件的時變特征向量矩陣，所述時變特征向量矩陣包括設(shè)備運行狀態(tài)特征、設(shè)備性能衰減特征和設(shè)備故障特征；利用自適應(yīng)卡爾曼濾波算法對所述時變特征向量矩陣進行實時更新，得到變電設(shè)備數(shù)字孿生部件的動態(tài)特征模型；根據(jù)所述動態(tài)特征模型計算變電設(shè)備數(shù)字孿生部件與實體設(shè)備之間的狀態(tài)偏差值；

6、當(dāng)所述狀態(tài)偏差值超過預(yù)設(shè)偏差閾值時，觸發(fā)自適應(yīng)一致性保持機制；所述自適應(yīng)一致性保持機制通過深度強化學(xué)習(xí)算法生成狀態(tài)補償參數(shù)，將所述狀態(tài)補償參數(shù)應(yīng)用于所述數(shù)字孿生模型中，實現(xiàn)變電設(shè)備數(shù)字孿生部件與實體設(shè)備的動態(tài)同步。

7、基于所述實時運行數(shù)據(jù)，構(gòu)建變電設(shè)備的物理模型，并根據(jù)所述物理模型生成變電設(shè)備的數(shù)字孿生模型包括：

8、將所述實時運行數(shù)據(jù)構(gòu)建為狀態(tài)向量，所述狀態(tài)向量包括所述電壓數(shù)據(jù)、所述電流數(shù)據(jù)、所述溫度數(shù)據(jù)、所述振動數(shù)據(jù)和所述負荷數(shù)據(jù)；基于所述狀態(tài)向量，結(jié)合設(shè)備物理參數(shù)矩陣和環(huán)境約束條件矩陣構(gòu)建變電設(shè)備的物理模型，所述設(shè)備物理參數(shù)矩陣包括設(shè)備幾何尺寸參數(shù)、材料物理特性參數(shù)、電氣特性參數(shù)和熱力學(xué)特性參數(shù)，所述環(huán)境約束條件矩陣包括環(huán)境溫度參數(shù)、濕度參數(shù)和電磁場強度參數(shù)；

9、通過數(shù)字映射轉(zhuǎn)換函數(shù)將所述物理模型轉(zhuǎn)換為數(shù)字孿生模型，所述數(shù)字映射轉(zhuǎn)換函數(shù)對所述物理模型進行物理量離散化處理、幾何模型數(shù)字化轉(zhuǎn)換、動態(tài)特性參數(shù)映射和約束條件數(shù)字化表達；

10、計算所述數(shù)字孿生模型與所述物理模型之間的模型誤差，基于所述模型誤差生成誤差補償函數(shù)，將所述誤差補償函數(shù)應(yīng)用于所述數(shù)字孿生模型得到優(yōu)化后的數(shù)字孿生模型。

11、將所述實時運行數(shù)據(jù)輸入所述數(shù)字孿生模型中，通過深度學(xué)習(xí)算法對所述數(shù)字孿生模型進行訓(xùn)練，得到變電設(shè)備數(shù)字孿生部件的初始狀態(tài)參數(shù)包括：

12、構(gòu)建多層感知機與循環(huán)神經(jīng)網(wǎng)絡(luò)混合架構(gòu)，所述多層感知機與循環(huán)神經(jīng)網(wǎng)絡(luò)混合架構(gòu)用于提取變電設(shè)備的實時運行數(shù)據(jù)的時序特征，所述時序特征通過長短期記憶網(wǎng)絡(luò)進行建模，所述長短期記憶網(wǎng)絡(luò)通過輸入門、遺忘門和記憶單元的協(xié)同作用實現(xiàn)對時序數(shù)據(jù)的有效建模；

13、引入多頭自注意力機制，所述多頭自注意力機制用于增強模型對關(guān)鍵特征的關(guān)注能力，通過查詢矩陣、鍵矩陣和值矩陣的加權(quán)計算實現(xiàn)對輸入數(shù)據(jù)的自適應(yīng)特征提??；

14、采用自適應(yīng)學(xué)習(xí)率優(yōu)化算法對所述混合架構(gòu)進行訓(xùn)練，所述自適應(yīng)學(xué)習(xí)率優(yōu)化算法通過動態(tài)調(diào)整學(xué)習(xí)率提高模型的收斂速度和穩(wěn)定性，訓(xùn)練完成后基于測試數(shù)據(jù)集提取變電設(shè)備數(shù)字孿生部件的初始狀態(tài)參數(shù)，所述初始狀態(tài)參數(shù)用于表征變電設(shè)備的當(dāng)前運行狀態(tài)；

15、通過交叉驗證方法對所述初始狀態(tài)參數(shù)進行可靠性驗證，所述交叉驗證方法通過多次訓(xùn)練和驗證過程評估模型的泛化能力，確保所述初始狀態(tài)參數(shù)的準確性和可靠性。

16、利用自適應(yīng)卡爾曼濾波算法對所述時變特征向量矩陣進行實時更新，得到變電設(shè)備數(shù)字孿生部件的動態(tài)特征模型；根據(jù)所述動態(tài)特征模型計算變電設(shè)備數(shù)字孿生部件與實體設(shè)備之間的狀態(tài)偏差值包括：

17、基于所述時變特征向量矩陣，通過狀態(tài)轉(zhuǎn)移矩陣和控制輸入矩陣進行狀態(tài)預(yù)測，得到先驗狀態(tài)估計值，同時計算先驗誤差協(xié)方差矩陣，所述先驗誤差協(xié)方差矩陣結(jié)合過程噪聲協(xié)方差矩陣用于評估預(yù)測精度；

18、根據(jù)所述先驗狀態(tài)估計值和所述先驗誤差協(xié)方差矩陣，結(jié)合觀測矩陣和觀測噪聲協(xié)方差矩陣計算卡爾曼增益，所述卡爾曼增益用于平衡預(yù)測值與觀測值的權(quán)重；

19、利用所述卡爾曼增益對所述先驗狀態(tài)估計值進行修正，得到后驗狀態(tài)估計值，并更新誤差協(xié)方差矩陣，所述后驗狀態(tài)估計值構(gòu)成變電設(shè)備數(shù)字孿生部件的動態(tài)特征模型；

20、將所述動態(tài)特征模型與實體設(shè)備的實際狀態(tài)向量進行對比，計算狀態(tài)偏差值，所述狀態(tài)偏差值用于評估數(shù)字孿生模型與實體設(shè)備之間的一致性程度，并作為模型更新的依據(jù)。

21、當(dāng)所述狀態(tài)偏差值超過預(yù)設(shè)偏差閾值時，觸發(fā)自適應(yīng)一致性保持機制；所述自適應(yīng)一致性保持機制通過深度強化學(xué)習(xí)算法生成狀態(tài)補償參數(shù)，將所述狀態(tài)補償參數(shù)應(yīng)用于所述數(shù)字孿生模型中，實現(xiàn)變電設(shè)備數(shù)字孿生部件與實體設(shè)備的動態(tài)同步包括：

22、監(jiān)測變電設(shè)備數(shù)字孿生模型與實體設(shè)備之間的狀態(tài)偏差值，所述狀態(tài)偏差值用于量化數(shù)字孿生模型與實體設(shè)備之間的差異，當(dāng)所述狀態(tài)偏差值超過預(yù)設(shè)偏差閾值時，觸發(fā)自適應(yīng)一致性保持機制；

23、在所述自適應(yīng)一致性保持機制中，利用深度強化學(xué)習(xí)算法生成狀態(tài)補償參數(shù)，所述深度強化學(xué)習(xí)算法通過對環(huán)境狀態(tài)的持續(xù)學(xué)習(xí)和策略優(yōu)化，確定最優(yōu)的狀態(tài)補償參數(shù)以最小化狀態(tài)偏差值，所述狀態(tài)補償參數(shù)用于調(diào)整數(shù)字孿生模型的動態(tài)特征；

24、將所述狀態(tài)補償參數(shù)應(yīng)用于變電設(shè)備的數(shù)字孿生模型中，調(diào)整數(shù)字孿生模型的動態(tài)特征，使其與實體設(shè)備的實際狀態(tài)保持一致，實現(xiàn)變電設(shè)備數(shù)字孿生部件與實體設(shè)備的動態(tài)同步。

25、利用深度強化學(xué)習(xí)算法生成狀態(tài)補償參數(shù)，所述深度強化學(xué)習(xí)算法通過對環(huán)境狀態(tài)的持續(xù)學(xué)習(xí)和策略優(yōu)化，確定最優(yōu)的狀態(tài)補償參數(shù)以最小化狀態(tài)偏差值包括：

26、構(gòu)建狀態(tài)空間、動作空間和獎勵函數(shù)，所述狀態(tài)空間由實體設(shè)備狀態(tài)、數(shù)字孿生狀態(tài)和狀態(tài)偏差值構(gòu)成，所述動作空間定義為一組狀態(tài)補償參數(shù)，所述獎勵函數(shù)用于評估每個動作的效果并最大化累積獎勵；

27、采用雙重神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)建深度強化學(xué)習(xí)模型，所述雙重神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)用于估計狀態(tài)-動作值函數(shù)，通過策略梯度方法優(yōu)化補償策略，所述策略梯度方法通過計算策略目標函數(shù)的梯度來更新策略參數(shù)；

28、利用經(jīng)驗回放機制存儲轉(zhuǎn)移樣本，所述經(jīng)驗回放機制通過構(gòu)建經(jīng)驗池存儲狀態(tài)、動作、獎勵和下一狀態(tài)的四元組樣本，并通過軟更新規(guī)則更新目標網(wǎng)絡(luò)參數(shù)，所述軟更新規(guī)則用于平滑地更新目標網(wǎng)絡(luò)參數(shù)；

29、基于優(yōu)化后的策略生成狀態(tài)補償參數(shù)，所述狀態(tài)補償參數(shù)通過選擇能夠最大化狀態(tài)-動作值函數(shù)的最優(yōu)動作生成，并通過補償映射函數(shù)將所述最優(yōu)動作轉(zhuǎn)換為狀態(tài)補償量，所述狀態(tài)補償量用于調(diào)整數(shù)字孿生模型的動態(tài)特征；

30、通過自適應(yīng)學(xué)習(xí)機制動態(tài)調(diào)整學(xué)習(xí)率，所述自適應(yīng)學(xué)習(xí)機制通過指數(shù)衰減函數(shù)動態(tài)調(diào)整學(xué)習(xí)率以適應(yīng)不同的學(xué)習(xí)階段，并定義收斂條件以確保狀態(tài)偏差值的逐步減小，所述收斂條件用于判斷算法的收斂性和穩(wěn)定性。

31、本發(fā)明實施例的第二方面，提供變電設(shè)備數(shù)字孿生部件時變一致性自適應(yīng)保持系統(tǒng)，包括：

32、第一單元，用于采集變電設(shè)備的實時運行數(shù)據(jù)，所述實時運行數(shù)據(jù)包括變電設(shè)備的電壓數(shù)據(jù)、電流數(shù)據(jù)、溫度數(shù)據(jù)、振動數(shù)據(jù)和負荷數(shù)據(jù)；基于所述實時運行數(shù)據(jù)，構(gòu)建變電設(shè)備的物理模型，并根據(jù)所述物理模型生成變電設(shè)備的數(shù)字孿生模型；將所述實時運行數(shù)據(jù)輸入所述數(shù)字孿生模型中，通過深度學(xué)習(xí)算法對所述數(shù)字孿生模型進行訓(xùn)練，得到變電設(shè)備數(shù)字孿生部件的初始狀態(tài)參數(shù)；

33、第二單元，用于基于所述初始狀態(tài)參數(shù)，建立變電設(shè)備數(shù)字孿生部件的時變特征向量矩陣，所述時變特征向量矩陣包括設(shè)備運行狀態(tài)特征、設(shè)備性能衰減特征和設(shè)備故障特征；利用自適應(yīng)卡爾曼濾波算法對所述時變特征向量矩陣進行實時更新，得到變電設(shè)備數(shù)字孿生部件的動態(tài)特征模型；根據(jù)所述動態(tài)特征模型計算變電設(shè)備數(shù)字孿生部件與實體設(shè)備之間的狀態(tài)偏差值；

34、第三單元，用于當(dāng)所述狀態(tài)偏差值超過預(yù)設(shè)偏差閾值時，觸發(fā)自適應(yīng)一致性保持機制；所述自適應(yīng)一致性保持機制通過深度強化學(xué)習(xí)算法生成狀態(tài)補償參數(shù)，將所述狀態(tài)補償參數(shù)應(yīng)用于所述數(shù)字孿生模型中，實現(xiàn)變電設(shè)備數(shù)字孿生部件與實體設(shè)備的動態(tài)同步。

35、本發(fā)明實施例的第三方面

36、提供一種電子設(shè)備，包括：

37、處理器；

38、用于存儲處理器可執(zhí)行指令的存儲器；

39、其中，所述處理器被配置為調(diào)用所述存儲器存儲的指令，以執(zhí)行前述所述的方法。

40、本發(fā)明實施例的第四方面，

41、提供一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序指令，所述計算機程序指令被處理器執(zhí)行時實現(xiàn)前述所述的方法。

42、本技術(shù)的有益效果如下：

43、提高變電設(shè)備數(shù)字孿生模型的精度。通過實時運行數(shù)據(jù)和深度學(xué)習(xí)算法，可以準確地捕捉變電設(shè)備的運行狀態(tài)，并建立精確的數(shù)字孿生模型，從而提高模型的精度和可靠性。

44、實現(xiàn)變電設(shè)備數(shù)字孿生部件與實體設(shè)備的動態(tài)同步。利用自適應(yīng)卡爾曼濾波算法和深度強化學(xué)習(xí)算法，可以對數(shù)字孿生模型進行實時更新和狀態(tài)補償，確保數(shù)字孿生部件與實體設(shè)備的狀態(tài)一致，實現(xiàn)動態(tài)同步。

45、增強變電設(shè)備的運行維護能力。通過數(shù)字孿生技術(shù)，可以實時監(jiān)測變電設(shè)備的運行狀態(tài)，及時發(fā)現(xiàn)潛在故障，并進行預(yù)測性維護，從而提高變電設(shè)備的可靠性和安全性，降低維護成本。