一种变电站的数字孪生体的数据交互方法、装置及介质与流程

本技术涉及电网领域，特别是涉及一种变电站的数字孪生体的数据交互方法、装置及介质。

背景技术：

1、变电站自动化设备本体的三维静态模型构建是电力系统设计和管理中的重要任务。这种模型可以帮助工程师和运维人员更好地理解和管理变电站的布局、设备连接以及相关细节。

2、覆盖全站自动化设备的三维静态模型，包含光缆、电缆等隐蔽工程的几何模型、组合模型，属性文件等丰富信息。为支撑高级应用需求，要求的精度高，颗粒度细。

3、孪生体建模是一种将现实世界中的物理实体或系统以数字形式映射到虚拟环境的技术。这个数字映射不仅包括几何形状，还包括物理特性、传感器数据、操作状态等，使得数字模型能够准确反映实体或系统在现实中的行为和状态。由于模型精细度和信息量大，通过浏览器访问时可能导致加载时间长、操作响应慢。

4、由此可见，如何解决孪生体模型在运行时加载时间长、操作响应慢的问题，是本领域人员亟待解决的技术问题。

技术实现思路

1、本技术的目的是提供一种变电站的数字孪生体的数据交互方法、装置及介质，解决孪生体模型在运行时加载时间长、操作响应慢的问题。

2、为解决上述技术问题，本技术提供一种变电站的数字孪生体的数据交互方法，包括：

3、获取变电站的三维静态模型；

4、根据所述变电站所在的业务场景等级，选择对应的轻量化工具；

5、将所述三维静态模型通过所述轻量化工具进行处理，得到对应的轻量化三维静态模型；

6、基于所述变电站的工作流程构建与轻量化三维静态模型对应的轻量化孪生体模型；

7、建立所述轻量化孪生体模型与云平台、所述云平台与所述变电站之间的预设带宽的通信通道；

8、通过所述通信通道进行所述轻量化孪生体模型与所述变电站之间的数据交互。

9、在一种可选的方案中，上述变电站的数字孪生体的数据交互方法中，所述三维静态模型的建立步骤如下：

10、解析变电站系统配置描述文件、变电站物理配置描述文件，得到自动化设备的端子信息、及所述自动化设备与一次设备之间的逻辑回路信息；

11、根据所述端子信息建立端子三维模型；

12、根据所述逻辑回路信息建立各层级电缆的回路三维模型；

13、根据所述端子三维模型、所述回路三维模型建立所述三维静态模型。

14、在一种可选的方案中，上述变电站的数字孪生体的数据交互方法中，

15、所述解析变电站系统配置描述文件、变电站物理配置描述文件，得到自动化设备的端子信息、及所述自动化设备与一次设备之间的逻辑回路信息，包括：

16、通过云网络构建互相联通的模拟生成器网络和应答器深度学习网络，并初始化所述轻量化孪生体模型的网络参数；

17、解析所述变电站系统配置描述文件、所述变电站物理配置描述文件得到自动化设备的端子建模参数和所述自动化设备与一次设备之间的逻辑回路建模参数；

18、将所述端子建模参数和所述逻辑回路建模参数输入至所述模拟生成器网络，通过目标优化方法对所述轻量化孪生体模型的网络参数进行优化，其中，所述目标优化方法为基于全局估计以及状态-调整概率比对所述自动化设备的运行目标参数进行调整的方法；

19、得到优化后的所述自动化设备的端子信息、及所述自动化设备与一次设备之间的逻辑回路信息；

20、所述根据所述逻辑回路信息建立各层级电缆的回路三维模型之后，还包括：

21、将所述端子三维模型、所述回路三维模型输入至应答器深度学习网络进行训练。

22、在一种可选的方案中，上述变电站的数字孪生体的数据交互方法中，所述模拟生成器网络与所述应答器深度学习网络的训练步骤如下：

23、通过预设标准数据训练所述模拟生成器网络和所述应答器深度学习网络，并进行混淆鉴别判断；

24、所述应答器深度学习网络通过训练后，通过所述应答器深度学习网络对所述模拟生成器网络生成的生成数据分布和真实数据分布进行区分。

25、在一种可选的方案中，上述变电站的数字孪生体的数据交互方法中所述通过所述应答器深度学习网络对所述模拟生成器网络生成的生成数据分布和真实数据分布进行区分，包括：

26、控制所述模拟生成器网络的建模函数通过梯度上升更新，所述应答器深度学习网络进行梯度下降更新训练所述模拟生成器网络、所述应答器深度学习网络；

27、通过训练后的所述应答器深度学习网络对所述模拟生成器网络生成的生成数据分布和真实数据分布进行区分。

28、在一种可选的方案中，上述变电站的数字孪生体的数据交互方法中，所述通过所述应答器深度学习网络对所述模拟生成器网络生成的生成数据分布和真实数据分布进行区分，包括：

29、控制所述模拟生成器网络的建模函数进行梯度上升更新，所述应答器深度学习网络进行梯度下降更新训练所述模拟生成器网络、所述应答器深度学习网络；

30、通过训练后的所述应答器深度学习网络对训练后的所述模拟生成器网络生成的生成数据分布和真实数据分布进行区分。

31、在一种可选的方案中，上述变电站的数字孪生体的数据交互方法中，所述通过训练后的所述应答器深度学习网络对所述模拟生成器网络生成的生成数据分布和真实数据分布进行区分，包括：

32、当所述应答器深度学习网络无法对所述生成数据分布和所述真实数据分布进行区分时，所述应答器深度学习网络与所述模拟生成器网络达到纳什均衡，确定所述模拟生成器网络训练结束。

33、在一种可选的方案中，上述变电站的数字孪生体的数据交互方法中，所述通信通道以dl/t860协议为基础，采用主动召方式接收数据。

34、为解决上述技术问题，本技术还提供一种变电站的数字孪生体的数据交互装置，包括：

35、获取模块，用于获取变电站的三维静态模型；其中，所述三维静态模型是通过解析变电站系统配置描述文件、变电站物理配置描述文件，建立的自动化设备的端子与一次设备之间的电缆回路的模型；

36、选择模块，用于根据业务场景等级，选择对应的轻量化工具；

37、轻量化处理模块，用于将所述三维静态模型通过所述轻量化工具进行处理，得到对应的轻量化三维静态模型；

38、建立模块，用于建立所述轻量化三维静态模型与云平台、所述云平台与所述变电站之间的预设带宽的通信通道；

39、交互模块，用于通过所述通信通道进行所述轻量化孪生体模型与所述变电站之间的数据交互。

40、在一种可选的方案中，上述变电站的数字孪生体的数据装置方法中，建立所述三维静态模型的模块包括：

41、解析单元，用于解析变电站系统配置描述文件、变电站物理配置描述文件，得到自动化设备的端子信息、及所述自动化设备与一次设备之间的逻辑回路信息；

42、第一建立单元，用于根据所述端子信息建立端子三维模型；

43、第二建立单元，用于根据所述逻辑回路信息建立各层级电缆的回路三维模型；

44、第三建立单元，用于根据所述端子三维模型、所述回路三维模型建立所述三维静态模型。

45、在一种可选的方案中，上述变电站的数字孪生体的数据装置方法中，解析单元包括：

46、构建子单元，用于通过云网络构建互相联通的模拟生成器网络和应答器深度学习网络，并初始化所述轻量化孪生体模型的网络参数；

47、解析子单元，用于解析所述变电站系统配置描述文件、所述变电站物理配置描述文件得到自动化设备的端子建模参数和所述自动化设备与一次设备之间的逻辑回路建模参数；

48、优化子单元，用于将所述端子建模参数和所述逻辑回路建模参数输入至所述模拟生成器网络，通过目标优化方法对所述轻量化孪生体模型的网络参数进行优化，其中，所述目标优化方法为基于全局估计以及状态-调整概率比对所述自动化设备的运行目标参数进行调整的方法；

49、输出子单元，用于得到优化后的所述自动化设备的端子信息、及所述自动化设备与一次设备之间的逻辑回路信息；

50、还包括：

51、训练子单元，用于将所述端子三维模型、所述回路三维模型输入至应答器深度学习网络进行训练。

52、在一种可选的方案中，上述变电站的数字孪生体的数据装置方法中，所述模拟生成器网络与所述应答器深度学习网络的训练模块包括：

53、混淆训练模块，用于通过预设标准数据训练所述模拟生成器网络和所述应答器深度学习网络，并进行混淆鉴别判断；

54、分布区分模块，用于所述应答器深度学习网络通过训练后，通过所述应答器深度学习网络对所述模拟生成器网络生成的生成数据分布和真实数据分布进行区分。

55、在一种可选的方案中，上述变电站的数字孪生体的数据装置方法中，

56、所述分布区分模块包括：

57、更新单元，用于控制所述模拟生成器网络的建模函数进行梯度上升更新，所述应答器深度学习网络进行梯度下降更新训练所述模拟生成器网络、所述应答器深度学习网络；

58、区分单元，用于通过训练后的所述应答器深度学习网络对训练后的所述模拟生成器网络生成的生成数据分布和真实数据分布进行区分。

59、在一种可选的方案中，上述变电站的数字孪生体的数据装置方法中，所述区分单元具体用于：当所述应答器深度学习网络无法对所述生成数据分布和所述真实数据分布进行区分时，所述应答器深度学习网络与所述模拟生成器网络达到纳什均衡，确定所述模拟生成器网络训练结束。

60、为解决上述技术问题，本技术还提供一种变电站的数字孪生体的数据交互装置，包括：

61、存储器，用于存储计算机程序；

62、处理器，用于执行所述计算机程序时实现上述的变电站的数字孪生体的数据交互方法的步骤。

63、为解决上述技术问题，本技术还提供一种计算机可读存储介质，所述计算机可读存储介质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的变电站的数字孪生体的数据交互方法的步骤。

64、本技术所提供的变电站的数字孪生体的数据交互方法，获取变电站的三维静态模型；其中，三维静态模型是通过解析变电站系统配置描述文件、变电站物理配置描述文件，建立的自动化设备的端子与一次设备之间的电缆回路的模型；根据业务场景等级，选择对应的轻量化工具；将所述三维静态模型通过所述轻量化工具进行处理，得到对应的轻量化三维静态模型；基于所述变电站的工作流程构建与轻量化三维静态模型对应的轻量化孪生体模型；建立所述轻量化孪生体模型与云平台、所述云平台与所述变电站之间的预设带宽的通信通道；通过所述通信通道进行所述轻量化孪生体模型与所述变电站之间的数据交互。通过对变电站系统配置描述文件、变电站物理配置描述文件进行深度解析和识别，建立自动化系统对象的三维静态模型，根据业务场景需求，选择对应的轻量化工具，将三维静态模型通过轻量化工具进行处理，得到对应的轻量化孪生体模型，实现满足不同应用场景需求的三维静态模型处理。降低模型运行时的加载数据量，加快响应，另外，以云平台为桥梁实现述轻量化孪生体模型、变电站融合，基于有限带宽实现数据交互。

65、另外，本技术还提供一种装置及介质，与上述变电站的数字孪生体的数据交互方法对应，效果同上。