【技术实现步骤摘要】
一种能源互联网中基于深度强化学习的数字孪生映射方法
[0001]本专利技术涉及能源互联网数据映射领域,特别涉及一种能源互联网中基于深度强化学习的数字孪生映射方法
。
技术介绍
[0002]能源互联网系统
(IoE)
是由光伏
、
风力涡轮机
、
发电机等与发电相关的设备相互连接形成的系统
。
为了保证
IoE
系统的稳定运行,需要对
IoE
系统的电网系统进行实时监控,主动诊断系统故障
(K.Wang,J.Yu,Y.Yu,Y.Qian,D.Zeng,S.Guo,Y.Xiang,and J.Wu,“Asurvey on energy internet:Architecture,approach,and emergingtechnologies,”IEEE Systems Journal,vol.12,no.3,pp.2403
‑
2416,2018.)。IoE
系统的电网系统监控需要实时数据处理
。
因此,这样的监测系统应该能够实时处理数据
。
数字孪生
(DT)
作为一种网络物理集成技术,越来越受到学术界和工业界的关注
。
数字孪生被广泛应用于不同行业
(T.Fei,Z.Meng,C.JiangFeng,and Q.QingLin,“Digital twin workshop:a new paradigm for
【技术保护点】
【技术特征摘要】
1.
一种能源互联网中基于深度强化学习的数字孪生映射方法,其特征在于所述方法具体过程为:步骤一
、
获取实体数据;所述实体数据为能源互联网系统中传感器获取的数据,包括:电压幅值
、
相角
、
发电机负荷
、
线路上的有功与无功功率;步骤二
、
将步骤一获取的实体数据输入到映射模型中,获得待映射的实体数据;所述映射模型基于深度强化学习
PPO
算法学习映射数据的特征,从而获得待映射实体数据的时刻;所述映射模型包括:单传感器映射模型
、
多传感器映射模型;若步骤一获取的实体数据从一种类型的传感器中获取,则采用单传感器映射模型获取待映射的实体数据;若步骤一获取的实体数据从多种类型的传感器中获取,则采用多传感器映射模型获取待映射的实体数据
。2.
根据权利要求1所述的一种能源互联网中基于深度强化学习的数字孪生映射方法,其特征在于:所述实体数据从一种类型的传感器或多种类型的传感器中获取,具体为:获取每个传感器获取的实体数据,并绘制曲线作为物理世界曲线;获取所有物理世界曲线中极值点对应时刻之间的误差,将极值点对应的时刻误差与预设误差比较;若所有物理世界曲线极值点对应的时刻误差都小于等于预设误差,则随机获取一个类型的传感器获取的实体数据;若一部分物理世界曲线极值点对应的时刻误差小于预设误差,一部分物理世界曲线极值点对应的时刻误差大于预设误差,则在小于等于预设误差的时刻误差对应的传感器中,随机从一个类型的传感器获取实体数据;从所有大于预设误差的时刻误差对应的传感器中获取实体数据;若所有物理世界曲线极值点对应的时刻误差都大于预设误差,则从所有大于预设误差的时刻误差对应的传感器中获取实体数据
。3.
根据权利要求2所述的一种能源互联网中基于深度强化学习的数字孪生映射方法,其特征在于:所述映射模型基于深度强化学习
PPO
算法学习映射数据的特征,从而获得待映射实体数据的时刻,具体为:
S1、
基于步骤一获取的实体数据获取
t
时刻的环境状态集
S
t
;
S2、
将
t
时刻的环境状态
S
t
转换为动作集
A
t
;
S3、
基于动作集
A
t
获取
PPO
网络选择的映射时刻,并基于映射时刻对待映射实体数据进行三次样条插值,获得重构后的虚拟空间曲线;
S4、
对步骤一获得的所有实体数据进行三次样条插值,获得重构后的物理世界曲线;
S5、
获取重构后的物理世界曲线和重构后的虚拟空间曲线误差
E
error
,若
E
error
≤
ε
,则当前重构后的空间曲线中的实体数据即为待映射实体数据,若
E
error
>
ε
,则根据动作集
A
t
将环境状态转换为
S
t+1
同时输出奖励值集,并返回
S2
;其中,
ε
是误差阈值
。4.
根据权利要求3所述的一种能源互联网中基于深度强化学习的数字孪生映射方法,
其特征在于:所述
S1
中的
t
时刻的环境状态集
S
t
,如下式:
S
t
=
{InPre|t∈[t
s
,t
f
]}
其中,
[t
s
,t
f
]
是步骤一获得所有实体数据所在时间段,
t
是
[t
s
,t
f
]
中任一时刻,
P
i
′
是重构后的虚拟空间曲线中
i
时刻对应的实体数据预测值,
t
s
是获取实体数据的起始时刻,
t
f
是获取实体数据的终止时刻,
i
是
[t
s
,t]
中的任一时刻;所述重构后的虚拟空间曲线通过以下方式获得:在步骤一中获得的实体数据中选择部分数据,对部分实体数据进行三次样条插值,获得重构后的虚拟空间曲线
。5.
根据权利要求4所述的一种能源互联网中基于深度强化学习的数字孪生映射方法,其特征在于:所述
S2
中的将
t
时刻的环境状态
S
t
转换为动作集
A
t
,如下式:
A...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。