[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN117057779A - 一种基于集总概率重构的数字孪生降阶模型构建方法 - Google Patents

一种基于集总概率重构的数字孪生降阶模型构建方法 Download PDF

Info

Publication number
CN117057779A
CN117057779A CN202311030638.5A CN202311030638A CN117057779A CN 117057779 A CN117057779 A CN 117057779A CN 202311030638 A CN202311030638 A CN 202311030638A CN 117057779 A CN117057779 A CN 117057779A
Authority
CN
China
Prior art keywords
model
probability
parameters
digital twin
lumped
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.)
Withdrawn
Application number
CN202311030638.5A
Other languages
English (en)
Inventor
杨大业
杨佳奇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhimaojia Technology Chongqing Co ltd
Original Assignee
Zhimaojia Technology Chongqing Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhimaojia Technology Chongqing Co ltd filed Critical Zhimaojia Technology Chongqing Co ltd
Priority to CN202311030638.5A priority Critical patent/CN117057779A/zh
Publication of CN117057779A publication Critical patent/CN117057779A/zh
Withdrawn legal-status Critical Current

Links

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
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/13—Differential equations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Algebra (AREA)
  • Marketing (AREA)
  • Databases & Information Systems (AREA)
  • Operations Research (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及数字孪生人工智能降阶模型技术领域，公开了一种基于集总概率重构的数字孪生降阶模型构建方法，包括：基于多物理场模型的设备模拟器获取多个关键设备运行参数；根据皮尔森相关性系数选择用于输入的可测量关键运行参数；将多个所述模型输入参数分别输入多个并行的系综概率数字孪生模型，得到多个重要安全参数预测结果；将多个重要安全参数预测结果组合，组合过程依据重构概率分布的概率重构模型，得到重要安全参数矩阵1*N*重构概率分布；根据重要安全参数矩阵得到集总重要安全参数。本发明提供的方法，通过构建数据驱动的数字孪生系综应用一个状态变量的间接概率追踪模型，生成安全相关的运行目标参数的精确预测。

Description

一种基于集总概率重构的数字孪生降阶模型构建方法
技术领域
本发明涉及数字孪生人工智能降阶模型技术领域，特别涉及一种基于集总概率重构的数字孪生降阶模型构建方法。
背景技术
电力行业关键设备的关键部件的运行参数对于系统安全十分重要，例如核燃料棒核心温度、汽轮机叶片关键位置温度、发电机主轴轴承温度等；只有一部分关键运行参数可以直接通过传感器进行测量，其余很多关键运行参数是不可观测的，系统运行的安全目标一般基于这些关键运行参数定义，以进行设备失效监测和分析，因此需要基于数字孪生模型对其有相关性关键参数进行追踪，并为操作人员提供操作建议。
发电设备(例如火电和核电)一般应用自动控制系统来简化运维，自动控制系统是一个重要部分设备监测和分析系统，用来监测设备的运行安全。自动控制系统在给定目标下会根据系统状态来给操作人员操作建议以维持系统安全和发电表现。自动控制系统决策基于机器学习算法提取系统运行知识，这些知识以不同的机器学习子函数构成的数字孪生形式存储起来。
由于工业系统的非线性和复杂性以及系统需要执行的任务数量巨大，一般无法通过一个机器学习模型支持所有的任务；即便建立了覆盖全部任务的数字孪生，其深度神经网络所需的长训练时间和大数据量使实际应用受限。
发明内容
本发明提供了一种基于集总概率重构的数字孪生降阶模型构建方法，通过构建数据驱动的数字孪生系综应用一个状态变量的间接概率追踪模型，生成安全相关的运行目标参数的精确预测。
本发明提供了一种基于集总概率重构的数字孪生降阶模型构建方法，包括：
基于多物理场模型的设备模拟器获取多个关键设备运行参数；其中，所述关键设备运行参数包括可测量关键运行参数和不可测量关键运行参数；
根据可测量关键运行参数与不可测量关键运行参数的皮尔森相关性系数选择用于输入的可测量关键运行参数，作为模型输入参数；
将多个所述模型输入参数分别输入多个并行的系综概率数字孪生模型，得到多个重要安全参数预测结果；其中，每个模型输入参数对应一个系综概率数字孪生模型，并输出一个重要安全参数预测结果；
将多个重要安全参数预测结果组合，组合过程依据重构概率分布的概率重构模型，得到重要安全参数矩阵1*N*重构概率分布；其中，所述概率模型输入是重要安全参数追踪误差和上下文信息；
根据重要安全参数矩阵1*N*重构概率分布得到集总重要安全参数。
进一步地，所述基于多物理场模型的设备模拟器获取多个关键设备运行参数的步骤，包括：
所述设备模拟器采用多物理场模型，模拟计算不同工况下发电设备多物理场，通过监控点，得到可以直接测量关键运行参数和不可以直接测量关键运行参数，获得数据构成N＊M＊K矩阵，该矩阵通过实际测量数据进行校验；其中，N是工况，K是采样数量，M是参数数量，M包含C个可测量关键运行参数和U个不可测量关键运行参数，M＝C+U。
进一步地，所述根据可测量关键运行参数与不可测量关键运行参数的皮尔森相关性系数选择用于输入的可测量关键运行参数，作为模型输入参数的步骤，包括：
计算可测量关键运行参数与不可测量关键运行参数的皮尔森相关性系数，其公式为：
其中，及sX分别是对Xi样本的标准分数、样本平均值和样本标准差；
选取相关性最大的若干可测量关键运行参数作为模型输入参数，并结合实际工况场景补充设定的关键运行参数。
进一步地，所述将多个所述模型输入参数分别输入多个并行的系综概率数字孪生模型，得到多个重要安全参数预测结果的步骤中，包括：
多物理场模型模拟生成的数据分为训练和校验两个部分，每个数字孪生模型单独进行训练，N个训练好的数字孪生模型通过重构概率分布模块进行集总；其中，每个数字孪生模型均包括依次连接的四个全连接层、一个relu层和一个输出层。
进一步地，所述集总方式为加权平均，权重通过模型相对表现确定，即对模型过去一定时序上的表现进行实时MSE计算，得到的多个MSE进行正常化后，得到不同的权重。
进一步地，所述集总方式为使用PID控制算法来计算每个数字孪生模型的追踪总误差，即多物理场模型模拟生成的“真实”参数与模型预测参数的差，总误差＝比例误差+积分误差+微分误差。
进一步地，所述追踪总误差的计算公式为：
其中，k为第K个数字孪生模型，为模型预测的参数值，/>为测量值，W为权重矩阵，a、b、c为常数参数；
为计算每个数字孪生的权重，通过对总误差正常化后进行负对数概率计算得到基于追踪参数误差的条件预测概率，即重构每个数字孪生权重；
此权重随着数据输入动态变化，动态重构调整，以增加集总数字双包模型预测的精确度。
本发明还提供了一种基于集总概率重构的数字孪生降阶模型构建装置，包括：
获取模块，用于基于多物理场模型的设备模拟器获取多个关键设备运行参数；其中，所述关键设备运行参数包括可测量关键运行参数和不可测量关键运行参数；
选择模块，用于根据可测量关键运行参数与不可测量关键运行参数的皮尔森相关性系数选择用于输入的可测量关键运行参数，作为模型输入参数；
输入模块，用于将多个所述模型输入参数分别输入多个并行的系综概率数字孪生模型，得到多个重要安全参数预测结果；其中，每个模型输入参数对应一个系综概率数字孪生模型，并输出一个重要安全参数预测结果；
组合模块，用于将多个重要安全参数预测结果组合，组合过程依据重构概率分布的概率重构模型，得到重要安全参数矩阵1*N*重构概率分布；其中，所述概率模型输入是重要安全参数追踪误差和上下文信息；
输出模块，用于根据重要安全参数矩阵1*N*重构概率分布得到集总重要安全参数。
本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
本发明的有益效果为：
本发明构建集总数据驱动的数字孪生系综，多个并行的数字孪生模型(神经网络)的预测结果进行组合降低模型输出的结果对神经网络训练设置的敏感性；组合过程依据概率重构模型，概率模型输入是重要安全参数追踪误差和上下文信息；使用PID控制算法来计算每个数字孪生模型的追踪总误差，通过对总误差正常化后进行负对数概率计算得到基于追踪参数误差的条件预测概率，增加集总数字双包模型预测的精确度，完成安全相关的运行目标参数的精确预测。
附图说明
图1为本发明一实施例的方法流程示意图。
图2为本发明中数字孪生模型的结构示意图。
图3为本发明一实施例的装置结构示意图。
图4为本发明一实施例的计算机设备内部结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明通过构建数据驱动的数字孪生系综，结合概率重构以根据大量参数输入预测电力系统的重要安全参数。
如图1所示，本发明提供了一种基于集总概率重构的数字孪生降阶模型构建方法，包括：
S1、基于多物理场模型的设备模拟器获取多个关键设备运行参数；其中，所述关键设备运行参数包括可测量关键运行参数和不可测量关键运行参数；
所述设备模拟器采用多物理场模型，模拟计算不同工况下发电设备多物理场，通过监控点，得到可以直接测量关键运行参数和不可以直接测量关键运行参数，获得数据构成N＊M＊K矩阵，此矩阵作为数字孪生训练数据，同时该矩阵通过多物理场模拟模型生成，并通过实际测量数据进行校验；其中，N是工况，K是采样数量，M是参数数量，M包含C个可测量关键运行参数和U个不可测量关键运行参数，M＝C+U。
S2、根据可测量关键运行参数与不可测量关键运行参数的皮尔森相关性系数选择用于输入的可测量关键运行参数，作为模型输入参数；
关键运行参数其中包括可测量关键运行参数和不可测量关键运行参数，由于物理限制，实际数字孪生运行过程中只有可测量关键运行参数能够作为数字孪生输入。因此需要在数字孪生构建阶段，通过多物理场模拟分析模型，计算可测量关键运行参数与不可测量关键运行参数的皮尔森相关性系数，可直接测量关键运行参数和不可以直接测量关键运行参数之间的相关性被用来选择合适的可直接测量关键运行参数。
步骤S2具体包括：
S21、计算可测量关键运行参数与不可测量关键运行参数的皮尔森相关性系数，其公式为：
其中，及sX分别是对Xi样本的标准分数、样本平均值和样本标准差；
S22、选取相关性最大的若干可测量关键运行参数作为模型输入参数，并结合实际工况场景补充设定的关键运行参数。
S3、将多个所述模型输入参数分别输入多个并行的系综概率数字孪生模型，得到多个重要安全参数预测结果；其中，每个模型输入参数对应一个系综概率数字孪生模型，并输出一个重要安全参数预测结果；如图2所示，系综概率数字孪生模型所使用的数字孪生模型是四层前馈神经网络结合线性整流激活函数，输入单元为矩阵序列，有多个数字孪生模型构成模型系综，每个数字孪生模型均包括依次连接的四个全连接层、一个relu层和一个输出层；
通过建立数字孪生模型系综，将多个并行的数字孪生模型(神经网络)的预测结果进行组合，降低模型输出的结果对神经网络训练设置的敏感性。数字双包胎模型的输入数据来自基于多物理场模型的设备模拟器，包括一系列关键设备运行参数，最终输出预测结果包含的信息大于任何一个系综中的数字孪生预测模型。
S4、将多个重要安全参数预测结果组合，组合过程依据重构概率分布的概率重构模型，得到重要安全参数矩阵1*N*重构概率分布；其中，所述概率模型输入是重要安全参数追踪误差和上下文信息。
步骤S3-S4中，多物理场模型模拟生成的数据分为训练和校验两个部分，每个数字孪生模型单独进行训练，N个训练好的数字孪生模型通过重构概率分布模块进行集总，集总概率重构数字孪生模型针对非训练工况，MSE接近系综中最佳数字孪生模型表现，集总方式包括：
1)加权平均，权重通过模型相对表现确定，即对模型过去一定时序上的表现进行实时MSE计算，得到的多个MSE进行正常化后，得到不同的权重。
2)使用PID控制算法来计算每个数字孪生模型的追踪总误差(多物理场模型模拟生成的“真实”参数与模型预测参数的差)，总误差＝比例误差+积分误差+微分误差。
追踪总误差的计算公式为：
其中，k为第K个数字孪生模型，为模型预测的参数值，/>为测量值，W为权重矩阵，a、b、c为常数参数；
为计算每个数字孪生的权重，通过对总误差正常化后进行负对数概率计算得到基于追踪参数误差的条件预测概率，即重构每个数字孪生权重；
此权重随着数据输入动态变化，动态重构调整，以增加集总数字双包模型预测的精确度。
S5、根据重要安全参数矩阵1*N*重构概率分布得到集总重要安全参数。
本发明中模型输入参数选择使用皮尔森相关性系数+场景经验，构建集总数据驱动的数字孪生系综，多个并行的数字孪生模型(神经网络)的预测结果进行组合降低模型输出的结果对神经网络训练设置的敏感性；组合过程依据概率重构模型，概率模型输入是重要安全参数追踪误差和上下文信息；使用PID控制算法来计算每个数字孪生模型的追踪总误差，通过对总误差正常化后进行负对数概率计算得到基于追踪参数误差的条件预测概率，增加集总数字双包模型预测的精确度，完成安全相关的运行目标参数的精确预测。
如图3所示，本发明还提供了一种基于集总概率重构的数字孪生降阶模型构建装置，包括：
获取模块1，用于基于多物理场模型的设备模拟器获取多个关键设备运行参数；其中，所述关键设备运行参数包括可测量关键运行参数和不可测量关键运行参数；
选择模块2，用于根据可测量关键运行参数与不可测量关键运行参数的皮尔森相关性系数选择用于输入的可测量关键运行参数，作为模型输入参数；
输入模块3，用于将多个所述模型输入参数分别输入多个并行的系综概率数字孪生模型，得到多个重要安全参数预测结果；其中，每个模型输入参数对应一个系综概率数字孪生模型，并输出一个重要安全参数预测结果；
组合模块4，用于将多个重要安全参数预测结果组合，组合过程依据重构概率分布的概率重构模型，得到重要安全参数矩阵1*N*重构概率分布；其中，所述概率模型输入是重要安全参数追踪误差和上下文信息。
输出模块5，用于根据重要安全参数矩阵1*N*重构概率分布得到集总重要安全参数。
在一个实施例中，获取模块1包括：
所述设备模拟器采用多物理场模型，模拟计算不同工况下发电设备多物理场，通过监控点，得到可以直接测量关键运行参数和不可以直接测量关键运行参数，获得数据构成N＊M＊K矩阵，该矩阵通过实际测量数据进行校验；其中，N是工况，K是采样数量，M是参数数量，M包含C个可测量关键运行参数和U个不可测量关键运行参数，M＝C+U。
在一个实施例中，选择模块2，包括：
计算单元，用于计算可测量关键运行参数与不可测量关键运行参数的皮尔森相关性系数，其公式为：
其中，及sX分别是对Xi样本的标准分数、样本平均值和样本标准差；
选择单元，用于选取相关性最大的若干可测量关键运行参数作为模型输入参数，并结合实际工况场景补充设定的关键运行参数。
在一个实施例中，输入模块3中，包括：
集总单元，用于将多物理场模型模拟生成的数据分为训练和校验两个部分，每个数字孪生模型单独进行训练，N个训练好的数字孪生模型通过重构概率分布模块进行集总；其中，每个数字孪生模型均包括依次连接的四个全连接层、一个relu层和一个输出层。
在一个实施例中，集总单元中，所述集总方式为加权平均，权重通过模型相对表现确定，即对模型过去一定时序上的表现进行实时MSE计算，得到的多个MSE进行正常化后，得到不同的权重。
在一个实施例中，集总单元中，所述集总方式为使用PID控制算法来计算每个数字孪生模型的追踪总误差，即多物理场模型模拟生成的“真实”参数与模型预测参数的差，总误差＝比例误差+积分误差+微分误差。
在一个实施例中，集总单元中，所述追踪总误差的计算公式为：
其中，k为第K个数字孪生模型，为模型预测的参数值，/>为测量值，W为权重矩阵，a、b、c为常数参数；
为计算每个数字孪生的权重，通过对总误差正常化后进行负对数概率计算得到基于追踪参数误差的条件预测概率，即重构每个数字孪生权重；
此权重随着数据输入动态变化，动态重构调整，以增加集总数字双包模型预测的精确度。
上述各模块、单元均是用于对应执行上述基于集总概率重构的数字孪生降阶模型构建方法中的各个步骤，其具体实现方式参照上述方法实施例所述，在此不再进行赘述。
如图4所示，本发明还提供了一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于集总概率重构的数字孪生降阶模型构建方法的过程需要的所有数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现基于集总概率重构的数字孪生降阶模型构建方法。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任意一个基于集总概率重构的数字孪生降阶模型构建方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储与一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM通过多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于集总概率重构的数字孪生降阶模型构建方法，其特征在于，包括：
基于多物理场模型的设备模拟器获取多个关键设备运行参数；其中，所述关键设备运行参数包括可测量关键运行参数和不可测量关键运行参数；
根据可测量关键运行参数与不可测量关键运行参数的皮尔森相关性系数选择用于输入的可测量关键运行参数，作为模型输入参数；
将多个所述模型输入参数分别输入多个并行的系综概率数字孪生模型，得到多个重要安全参数预测结果；其中，每个模型输入参数对应一个系综概率数字孪生模型，并输出一个重要安全参数预测结果；
将多个重要安全参数预测结果组合，组合过程依据重构概率分布的概率重构模型，得到重要安全参数矩阵1*N*重构概率分布；其中，所述概率模型输入是重要安全参数追踪误差和上下文信息；
根据重要安全参数矩阵1*N*重构概率分布得到集总重要安全参数。
2.根据权利要求1所述的基于集总概率重构的数字孪生降阶模型构建方法，其特征在于，所述基于多物理场模型的设备模拟器获取多个关键设备运行参数的步骤，包括：
所述设备模拟器采用多物理场模型，模拟计算不同工况下发电设备多物理场，通过监控点，得到可以直接测量关键运行参数和不可以直接测量关键运行参数，获得数据构成N＊M＊K矩阵，该矩阵通过实际测量数据进行校验；其中，N是工况，K是采样数量，M是参数数量，M包含C个可测量关键运行参数和U个不可测量关键运行参数，M＝C+U。
3.根据权利要求1所述的基于集总概率重构的数字孪生降阶模型构建方法，其特征在于，所述根据可测量关键运行参数与不可测量关键运行参数的皮尔森相关性系数选择用于输入的可测量关键运行参数，作为模型输入参数的步骤，包括：
计算可测量关键运行参数与不可测量关键运行参数的皮尔森相关性系数，其公式为：
其中，及sX分别是对Xi样本的标准分数、样本平均值和样本标准差；
选取相关性最大的若干可测量关键运行参数作为模型输入参数，并结合实际工况场景补充设定的关键运行参数。
4.根据权利要求2所述的基于集总概率重构的数字孪生降阶模型构建方法，其特征在于，所述将多个所述模型输入参数分别输入多个并行的系综概率数字孪生模型，得到多个重要安全参数预测结果的步骤中，包括：
多物理场模型模拟生成的数据分为训练和校验两个部分，每个数字孪生模型单独进行训练，N个训练好的数字孪生模型通过重构概率分布模块进行集总；其中，每个数字孪生模型均包括依次连接的四个全连接层、一个relu层和一个输出层。
5.根据权利要求4所述的基于集总概率重构的数字孪生降阶模型构建方法，其特征在于，所述集总方式为加权平均，权重通过模型相对表现确定，即对模型过去一定时序上的表现进行实时MSE计算，得到的多个MSE进行正常化后，得到不同的权重。
6.根据权利要求4所述的基于集总概率重构的数字孪生降阶模型构建方法，其特征在于，所述集总方式为使用PID控制算法来计算每个数字孪生模型的追踪总误差，即多物理场模型模拟生成的“真实”参数与模型预测参数的差，总误差＝比例误差+积分误差+微分误差。
7.根据权利要求6所述的基于集总概率重构的数字孪生降阶模型构建方法，其特征在于，所述追踪总误差的计算公式为：
其中，k为第K个数字孪生模型，为模型预测的参数值，/>为测量值，W为权重矩阵，a、b、c为常数参数；
为计算每个数字孪生的权重，通过对总误差正常化后进行负对数概率计算得到基于追踪参数误差的条件预测概率，即重构每个数字孪生权重；
此权重随着数据输入动态变化，动态重构调整，以增加集总数字双包模型预测的精确度。
8.一种基于集总概率重构的数字孪生降阶模型构建装置，其特征在于，包括：
获取模块，用于基于多物理场模型的设备模拟器获取多个关键设备运行参数；其中，所述关键设备运行参数包括可测量关键运行参数和不可测量关键运行参数；
选择模块，用于根据可测量关键运行参数与不可测量关键运行参数的皮尔森相关性系数选择用于输入的可测量关键运行参数，作为模型输入参数；
输入模块，用于将多个所述模型输入参数分别输入多个并行的系综概率数字孪生模型，得到多个重要安全参数预测结果；其中，每个模型输入参数对应一个系综概率数字孪生模型，并输出一个重要安全参数预测结果；
组合模块，用于将多个重要安全参数预测结果组合，组合过程依据重构概率分布的概率重构模型，得到重要安全参数矩阵1*N*重构概率分布；其中，所述概率模型输入是重要安全参数追踪误差和上下文信息；
输出模块，用于根据重要安全参数矩阵1*N*重构概率分布得到集总重要安全参数。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202311030638.5A 2023-08-16 2023-08-16 一种基于集总概率重构的数字孪生降阶模型构建方法 Withdrawn CN117057779A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311030638.5A CN117057779A (zh) 2023-08-16 2023-08-16 一种基于集总概率重构的数字孪生降阶模型构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311030638.5A CN117057779A (zh) 2023-08-16 2023-08-16 一种基于集总概率重构的数字孪生降阶模型构建方法

Publications (1)

Publication Number Publication Date
CN117057779A true CN117057779A (zh) 2023-11-14

Family

ID=88668763

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311030638.5A Withdrawn CN117057779A (zh) 2023-08-16 2023-08-16 一种基于集总概率重构的数字孪生降阶模型构建方法

Country Status (1)

Country Link
CN (1) CN117057779A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118227953A (zh) * 2024-04-11 2024-06-21 国网吉林省电力有限公司 应用于电力通信光缆的数字孪生模型参数更新方法
CN118246346A (zh) * 2024-05-28 2024-06-25 青岛军融昌越科技有限公司 一种多维立体分析的孪生建模方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118227953A (zh) * 2024-04-11 2024-06-21 国网吉林省电力有限公司 应用于电力通信光缆的数字孪生模型参数更新方法
CN118246346A (zh) * 2024-05-28 2024-06-25 青岛军融昌越科技有限公司 一种多维立体分析的孪生建模方法

Similar Documents

Publication Publication Date Title
CN117057779A (zh) 一种基于集总概率重构的数字孪生降阶模型构建方法
Pan et al. A comparison of neural network backpropagation algorithms for electricity load forecasting
Ayodeji et al. Causal augmented ConvNet: A temporal memory dilated convolution model for long-sequence time series prediction
CN112182384B (zh) 基于对抗学习的内容推荐方法、装置和计算机设备
CN106951695A (zh) 多工况下的机械设备剩余使用寿命计算方法及系统
JP2008536221A (ja) 制御システムおよび方法
CN111852769B (zh) 风机scada数据的偏航静态偏差角预测方法及系统
Lu et al. Fault detection for hydraulic pump based on chaotic parallel RBF network
CN111784061B (zh) 一种电网工程造价预测模型的训练方法、装置和设备
CN113673698A (zh) 适用于bert模型的蒸馏方法、装置、设备及存储介质
CN112784920A (zh) 云边端协同的旋转部件对抗域自适应故障诊断方法
US6947870B2 (en) Neural network model for electric submersible pump system
CN115329986A (zh) 基于可解释性图神经网络的风电机组异常检测与定位方法
CN115907200A (zh) 一种混凝土坝变形预测方法、计算机设备及存储介质
Wood Combined cycle gas turbine power output prediction and data mining with optimized data matching algorithm
Liu et al. Deep learning for prediction and fault detection in geothermal operations
Yu et al. A prediction model for remaining useful life of turbofan engines by fusing broad learning system and temporal convolutional network
CN112633362A (zh) 一种旋转机械自适应故障诊断方法、装置、设备及介质
Kerboua et al. Recurrent neural network optimization for wind turbine condition prognosis
Vrabie Online adaptive optimal control for continuous-time systems
CN116484904A (zh) 一种基于人工智能深度学习的监管数据处理实现方法
CN107124003A (zh) 风力发电场风能预测方法和设备
Patruno et al. Buffeting analysis: a numerical study on the extraction of equivalent static wind loads
Kim et al. Throughput Approximation by Neural Network for Serial Production Lines With High Up/Downtime Variability
KR102522634B1 (ko) 네트워크 장비의 유지 보수 운용 자동화 방법, 장치 및 시스템

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20231114