欢迎光临888集团网站

新闻资讯
一种基于数字孪生模型的电器能耗计算方法与流程
发布时间:2026-06-05
  |  
阅读量:
字号:
A+ A- A

  导航:X技术最新专利计算;推算;计数设备的制造及其应用技术

  本发明针对传统电器能耗计算中数据多源、特征提取不全、模型精度不足等问题,提出基于数字孪生模型的解决方案。通过数据预处理生成电能、热能、机械特征工程值,构建三维点云并进行形态曲面分析,建立精准数字孪生模型,结合能耗轨迹路径优化与异常路段模拟,实现能耗计算的多维度精准评估与优化。

  1、随着智能电网、物联网以及智能制造技术的快速发展,电器设备的能耗管理与优化已成为提高能源利用效率、降低能源消耗和实现可持续发展的关键环节。目前,传统的电器能耗计算方法通常依赖于设备运行中的实时数据和预设的静态模型,通过测量电流、电压、温度参数,结合设备的功率特性进行能耗计算。然而,传统能耗计算方法通常基于单一的静态模型,难以充分反映电器在复杂、多变的运行环境中的动态行为。随着使用时间的增加,电器的各项性能指标如效率、功率因数都会发生变化,导致实际能耗与理论计算之间逐渐产生偏差。电器设备在其生命周期内积累了大量的运行数据,这些数据蕴含了设备性能变化的规律和趋势。传统方法在数据利用方面的局限性,使得这些宝贵的历史数据未能被充分利用,导致能耗预测和优化的有效性不足。最后,现有的计算方法往往比较复杂,难以快速的算出电器的能耗。

  1、基于此,有必要提供一种基于数字孪生模型的电器能耗计算方法,以解决至少一个上述技术问题。

  2、为实现上述目的,一种基于数字孪生模型的电器能耗计算方法,所述方法包括以下步骤:

  3、步骤s1:获取数据电气数据、热力学数据和机械数据;对电气数据、热力学数据和机械数据进行数据预处理,生成电能特征工程值、热能特征工程值和机械特征工程值;

  4、步骤s2:将电能特征工程值、热能特征工程值和机械特征工程值映射到三维空间进行三维点云生成,生成电器特性点云数据;对电器特性点云数据进行形态曲面分析,生成电器曲面分析数据;根据电器曲面分析数据进行数字孪生模型建立,生成电器数字孪生模型;

  5、步骤s3:利用电器数字孪生模型对实时运行数据进行电力能源溯源,生成电力能源溯源结果;对电力能源溯源结果进行电器能耗计算,生成电器能耗数据集;对电器能耗数据集进行时间元件损耗模拟双重计算,生成电器能耗计算结果;

  6、步骤s4:对电器能耗计算结果进行耗能轨迹路径提取,生成耗能轨迹路径;对耗能轨迹路径进行异常和平缓路段数据提取,生成能耗波动异常路段和能耗波动平缓路段;对能耗波动异常路段进行路段能耗节选积分处理,生成电器波动异常耗能模拟数据;基于能耗波动平缓路段进行能耗波动平缓筛选,生成最优耗能节选路段数据;对最优耗能节选路段数据进行平缓段耗能路段模拟,并与电器波动异常耗能模拟数据进行能耗集合,生成电器耗能模拟数据,从而完成电器能耗优化计算。

  7、本发明的有益效果在于通过对电气数据、热力学数据和机械数据的获取与预处理,生成了电能特征工程值、热能特征工程值和机械特征工程值。这一过程不仅提炼出各类数据的关键特性,还为后续步骤奠定了坚实的数据基础。将这些特征工程值映射到三维空间生成三维点云数据,并通过形态曲面分析,进一步提取了电器特性在空间维度上的复杂关系和变化规律。此举不仅提升了数据的表现力,也使得数字孪生模型能够更为准确地反映实际系统的运行状态。通过利用生成的数字孪生模型,对电器实时运行数据进行了电力能源溯源,并据此完成了电器能耗计算与时间元件损耗模拟双重计算。这一过程使得能耗数据集在时间维度上得到了充分的模拟与分析,为电器的长期能耗趋势预测提供了可靠的依据。随后,进一步深化了能耗计算的精度与优化程度。通过耗能轨迹路径的提取与分析,分别识别出了能耗波动异常路段和能耗波动平缓路段,继而进行了路段能耗节选积分处理与平缓段能耗模拟,并通过能耗集合生成了最终的电器耗能模拟数据。这一系列操作通过对异常与平缓路段的分离与处理,确保了能耗优化计算的准确性和高效性。

  9、步骤s11:通过传感器获取数据电气数据、热力学数据和机械数据,其中电气数据包括功率因数和电能,热力学数据包括热膨胀系数和冷却效率,机械数据包括机械效率和电器振幅率;

  10、步骤s12:对功率因数和电能、热膨胀系数和冷却效率、机械效率和电器振幅率进行随机降噪处理,生成电能特征降噪数据、热能特征降噪数据和热能特征降噪数据;对电能特征降噪数据、热能特征降噪数据和热能特征降噪数据进行数据标准化处理,生成电能标准化数据、热能标准化数据和机械标准化数据;

  11、步骤s13:对电能标准化数据进行识别异常值处理,生成电能特征工程值;对热能标准化数据进行温度介质变化分析,生成热能特征工程值;对机械标准化数据进行机械结构应力分析,生成机械特征工程值。

  12、本发明通过传感器获取的电气数据、热力学数据和机械数据,涵盖了功率因数、电能、热膨胀系数、冷却效率、机械效率和电器振幅率多维度的关键参数。这些数据的全面性确保了系统在不同物理领域的状态与行为得以充分表征,提供了广泛的数据输入来源。随机降噪处理的引入,有效地减少了数据中的噪声成分,生成了更加可靠的电能特征降噪数据、热能特征降噪数据和机械特征降噪数据。降噪处理不仅提高了数据的清洁度,还增强了数据的可用性,减少了由于噪声干扰导致的模型偏差。紧接着,数据标准化处理进一步消除了不同数据量纲之间的差异,通过将数据缩放到同一尺度,生成电能、热能和机械的标准化数据。这一操作不仅简化了后续分析中的计算复杂度,还确保了不同类型数据在同一分析框架内的合理比较与整合。通过对电能标准化数据进行异常值检测和处理,生成了具有代表性的电能特征工程值。这一过程能够有效识别并剔除数据中的极端值或异常情况,确保特征工程结果的准确性和稳定性。对热能标准化数据进行的温度介质变化分析,则通过深入分析热能特征的动态变化,生成了反映系统热力行为的热能特征工程值,为后续的热力学建模奠定了基础。最后,通过对机械标准化数据进行机械结构应力分析,提取了机械系统在不同应力条件下的特征,生成机械特征工程值,这一特征值能够反映机械结构在运行中的健康状态和潜在风险,极大地提高了机械数据的分析深度与实际应用价值。

  14、步骤s21:将电能特征工程值、热能特征工程值和机械特征工程值依据预设的映射规则映射到三维空间,生成三维空间特性数据;依据三维空间特性数据进行三维点云生成,生成电器机械特性点云数据和电器电力热能特征点云数据;

  15、步骤s22:对电器电力热能特征点云数据进行曲面拟合代表分析,生成电器电力热能曲面分析数据;

  16、步骤s23:将电器机械特性点云数据进行数字孪生模型建立,并将电器电力热能曲面分析数据进行几何属性赋值,生成电器数字孪生模型。

  17、本发明通过将电能特征工程值、热能特征工程值和机械特征工程值依据预设的映射规则映射到三维空间,生成了三维空间特性数据。这一映射过程将多维特征数据转化为空间特性,使得不同物理属性的数据能够在统一的三维坐标系中进行可视化和分析,有效提升了数据之间的关联性和可比性。通过三维点云生成步骤,不仅实现了电器机械特性和电器电力热能特征在三维空间中的精确表达,还为后续的几何分析和模型构建奠定了基础。通过对电器电力热能特征点云数据进行曲面拟合代表分析,生成了电器电力热能曲面分析数据。这一步骤的关键在于利用点云数据对电力和热能特征进行曲面拟合,通过分析曲面的几何形态和分布特性,提取出系统在电力和热能方面的主要特性参数。这种基于曲面拟合的分析方法不仅能够捕捉数据的全局趋势,还能识别出局部的细微变化,增强了对系统复杂特性的理解深度。这一曲面分析数据为后续数字孪生模型中的几何属性赋值提供了精准的参数依据。最后将电器机械特性点云数据用于数字孪生模型的建立,并将电器电力热能曲面分析数据中的几何属性赋值于模型中,生成了完整的电器数字孪生模型。这一模型整合了电力、热能和机械特性,不仅实现了对电器系统的多维度动态仿真,还为后续的性能优化、故障预测和能效管理提供了精确的数字化支持。通过这种多维特征数据的空间映射、点云生成、曲面拟合和数字孪生模型的构建,流程有效提升了数据的集成性和系统建模的精度,为复杂电器系统的全生命周期管理提供了数据驱动的科学基础。

  19、步骤s221:对电器电力热能特征点云数据进行点云数据分割,生成电器电力热能点云分割数据;

  20、步骤s222:对电器电力热能点云分割数据进行样条插值曲面拟合,生成电器电力热能拟合数据;

  21、步骤s223:对电器电力热能拟合数据进行形态特征曲面分析,生成电器曲面分析数据。

  22、本发明通过对电器电力热能特征点云数据进行分割,生成了电器电力热能点云分割数据。这一分割操作的核心在于通过对点云数据的空间划分,识别并提取出不同区域的特征子集,确保后续分析能够针对性地处理各个局部的特性变化。这种基于分割的处理方法,不仅有助于提高数据的解析度,还能有效减少在整体分析中忽略的局部细节,从而提升数据的整体表达能力。对生成的电器电力热能点云分割数据进行样条插值曲面拟合,生成电器电力热能拟合数据。样条插值曲面拟合是一种平滑且具有局部调整能力的曲面构建方法,它通过对分割后的点云数据进行插值,生成连续且光滑的曲面,从而更为精准地捕捉数据的空间特性。这种拟合方法不仅能够有效平滑噪声影响,还能保证曲面的局部精度,使得拟合结果更贴近实际物理特性,特别适用于复杂形态的电力和热能特征数据的表达。这一过程生成的拟合数据,为后续形态特征分析提供了一个高精度的基础数据集。基于拟合数据进行形态特征曲面分析,生成电器曲面分析数据。通过形态特征曲面分析,能够深入挖掘曲面几何形态的局部和整体特征,如曲率、拐点、坡度,从而提取出与电器性能相关的关键形态特征参数。这种分析不仅提高了对系统热力学和电力特性的理解深度,还为数字孪生模型中的几何建模与性能预测提供了高精度的数据输入。整体来看,这段流程通过点云分割、样条插值曲面拟合和形态特征分析,有效提升了数据处理的细致度和分析结果的精度,使得电器系统的数字孪生模型能够更加真实地反映实际运行情况。

  24、步骤s31:获取历史电器使用数据和电器实时运行数据;利用电器数字孪生模型对实时运行数据进行电器能源溯源,生成电器能源溯源结果,其中电器能源溯源结果包括直接电力能源和间接电力能源;

  25、步骤s32:对电器能源溯源结果进行电器能耗计算,生成电器能耗数据集,其中电器能耗数据集包括直接电力驱动能源和间接电力驱动能源;

  26、步骤s33:依据历史电器使用数据设定初始损耗率;基于初始损耗率对电器能耗数据集进行时间步长性能衰减计算,生成阶段损耗计算结果;对阶段损耗计算结果进行时间损耗累计,生成电器能耗计算结果。

  27、本发明通过获取历史电器使用数据和电器实时运行数据,利用数字孪生模型对实时运行数据进行电器能源溯源分析,生成了电器能源溯源结果。此过程通过数字孪生模型对电器的运行特性与能源消耗进行仿真,再现了电器在运行过程中使用的能源类型与来源,并将其分为直接电力能源和间接电力能源两类。这种能源溯源分析不仅有助于理解电器在不同运行环境下的能源消耗特性,还为后续能耗计算提供了精准的能源分类数据。基于电器能源溯源结果进行电器能耗计算,生成了电器能耗数据集,其中包括了直接电力驱动能源和间接电力驱动能源。这一能耗计算过程通过对不同类型能源的独立分析与计算,建立了电器在不同能源驱动下的能耗模型。通过对能耗数据的细分与精确计算,不仅提升了能耗数据的精度,还增强了对电器在多种能源供给条件下的综合能效的理解。电器能耗数据集的建立,为后续的损耗分析与能耗优化提供了详尽的基础数据支持。最后通过结合历史电器使用数据设定初始损耗率,并基于该损耗率对电器能耗数据集进行时间步长性能衰减计算,生成阶段损耗计算结果。这一步骤通过对电器性能在不同时间段内的衰减趋势进行计算和分析,深入挖掘了电器能耗在长期使用过程中的变化规律。随后,对阶段损耗计算结果进行时间损耗累计,最终生成电器能耗计算结果。这种时间序列上的累计分析,能够有效模拟电器在长时间运行后的能耗累积情况,提供了对于电器整体使用寿命与长期能效的准确预测。

  29、步骤s311:获取历史电器使用数据和电器实时运行数据;利用电器数字孪生模型对电器实时运行数据进行能源类别识别,生成能源类别识别结果;

  30、步骤s312:对能源类别识别结果进行能源溯源图谱分析,生成电力能源溯源图谱;

  31、步骤s313:将电力能源溯源图谱和历史电器使用数据进行能耗分类匹配,生成电力能源溯源结果,其中电力能源溯源结果包括直接电力能源和间接电力能源。

  32、本发明通过获取历史电器使用数据和电器实时运行数据,并利用电器数字孪生模型对电器实时运行数据进行能源类别识别,生成能源类别识别结果。这一过程通过数字孪生模型的精细化仿真,对电器在实际运行中的能源使用模式进行动态识别和分类,生成的能源类别识别结果能够精确地反映电器在不同运行条件下的能源类型和消耗模式。这种类别识别不仅提高了数据的分辨率,还为后续的能源溯源分析提供了基础数据支持。对能源类别识别结果进行能源溯源图谱分析,生成电力能源溯源图谱。这一分析过程通过对识别结果的空间和时间维度上的深度挖掘,构建出详细的能源使用路径图谱。能源溯源图谱不仅展示了能源的流动路径和转换关系,还揭示了电器在不同能源驱动下的能耗变化趋势。这种图谱分析通过可视化手段直观呈现了能源使用的复杂性和多样性,为后续的能耗优化提供了全面的参考依据。最后将电力能源溯源图谱与历史电器使用数据进行能耗分类匹配,生成电力能源溯源结果,其中包括直接电力能源和间接电力能源的详细分类。这一步骤通过将历史数据与溯源图谱进行匹配分析,精确定位了电器在实际运行中的能源来源与消耗模式,生成的电力能源溯源结果为能源管理提供了明确的分类依据。通过这种匹配分析,不仅能够识别出不同类型能源的使用比例,还能够发现潜在的能效提升空间和优化路径。

  34、步骤s321:对直接电力能源进行电压电流瞬时能耗计算,生成电力瞬时能耗数据;对电力瞬时能耗数据进行时间积分,生成电力驱动能耗数据;

  35、步骤s322:对间接电力驱动能源进行太阳能能源和风力能源数据提取,生成太阳能能源数据和风力能源数据;对光伏太阳能板进行光照强度特性提取,生成光照强度曲线数据;对光照强度曲线数据和太阳能能源数据进行蒙特卡罗模拟,生成太阳能驱动能耗数据;

  36、步骤s323:获取风速变化数据;对风速变化数据和风力能源数据进行隐马尔可夫计算瞬时输出功率,生成风力损失输出功率;对风力损失输出功率进行状态转移矩阵分析,并进行时间积分,生成风能驱动能耗数据。

  37、本发明通过对直接电力能源的电压和电流进行瞬时能耗计算,并对这些瞬时数据进行时间积分,生成的电力驱动能耗数据可以提供对电力系统能耗的实时监测和历史分析。这种实时与历史数据结合的分析方式允许更好地识别能耗高峰和异常,进而实现更精准的能耗管理和节能策略制定。通过提取太阳能和风力能源数据,并结合光照强度特性和蒙特卡罗模拟,深入分析了间接电力驱动能源的效能。尤其是利用蒙特卡罗模拟进行不确定性分析,能够在考虑不同光照条件的基础上,生成更加可靠的太阳能驱动能耗数据。这种方法为太阳能资源的优化利用提供了有力支持,确保在不同环境条件下都能有效评估太阳能板的性能和效益。通过隐马尔可夫模型对风力的瞬时输出功率进行计算,并结合状态转移矩阵分析生成的风能驱动能耗数据,提供了一种动态分析风能系统性能的方法。通过对风速变化的敏感性分析和状态转移的时间积分,能够更加准确地预测风力系统的能耗和潜在损失。这种方法不仅有助于提高风能利用效率,还能为风能系统的设计和运维提供数据支持。

  39、步骤s331:依据历史电器使用数据设定初始损耗率;基于初始损耗率对电器能耗数据集进行威布尔分布衰减计算,生成电器能耗衰减分布数据;

  40、步骤s332:对电器能耗衰减分布数据进行分布节点串联,生成电器能耗衰减串联数据;对电器能耗衰减串联数据进行时间步长性能衰减计算,生成阶段损耗计算结果;

  41、步骤s333:对阶段损耗计算结果进行时间损耗累计,生成电器能耗计算结果。

  42、本发明通过历史电器使用数据设定初始损耗率,并利用威布尔分布进行能耗衰减计算,使得能耗衰减的预测具备了统计学上的严谨性和可靠性。威布尔分布作为一种常用的寿命分布模型,其在处理电器能耗衰减问题时能够有效捕捉电器在不同使用阶段的性能变化,从而生成更加准确的电器能耗衰减分布数据。电器能耗衰减分布数据通过分布节点串联,形成了电器能耗衰减串联数据。这一过程不仅整合了不同时间节点的能耗衰减信息,还为后续的时间步长性能衰减计算提供了基础。这种串联数据的生成,使得电器能耗在不同时间步长内的性能衰减能够被量化分析,从而生成阶段损耗计算结果。通过这样的分析,能够识别出影响电器能效的关键时间节点以及其对应的损耗特征。最后通过对阶段损耗计算结果进行时间损耗累计,生成了电器能耗的最终计算结果。这一过程提供了一种时间累积视角下的能耗分析,使得在不同使用阶段的能耗变化能够被全面评估。

  44、步骤s41:对电器能耗计算结果进行图论建模,生成电器能耗状态节点;对电器能耗状态节点进行tsp求解,生成耗能轨迹路径;

  45、步骤s42:对耗能轨迹路径进行波动异常路段提取,生成能耗波动异常路段;对能耗波动异常路段与耗能轨迹路径进行数据集相差运算,生成能耗波动平缓路段;对能耗波动平缓路段进行能耗波动平缓筛选,生成最优耗能节选路段数据;

  46、步骤s43:对最优耗能节选路段数据进行平缓段耗能路段模拟,生成电器波动平缓耗能模拟数据;对能耗波动异常路段进行路段能耗节选积分处理,生成电器波动异常耗能模拟数据;对电器波动平缓耗能模拟数据和电器波动异常耗能模拟数据进行能耗集合,生成电器耗能模拟数据,从而完成电器能耗优化计算。

  47、本发明通过对电器能耗计算结果进行图论建模,生成电器能耗状态节点,并对这些节点进行旅行商问题(tsp)求解,从而生成耗能轨迹路径。这一过程利用图论的强大建模能力和tsp的路径优化特性,能够有效地识别电器在不同状态下的能耗路径,并为后续能耗优化提供了结构化的基础。通过对耗能轨迹路径的波动异常路段提取,生成能耗波动异常路段,并通过数据集相差运算,区分出能耗波动平缓路段。通过这种方法,可以有效识别出电器能耗的异常波动区间以及平稳区间,为进一步的优化处理奠定了数据基础。接着,通过对能耗波动平缓路段的筛选,生成最优耗能节选路段数据,这一过程确保了在能耗路径中,仅保留对整体能耗最有利的平稳路段,从而为能耗优化提供了支持。对最优耗能节选路段数据进行模拟,生成电器波动平缓耗能模拟数据,并通过路段能耗节选积分处理,生成电器波动异常耗能模拟数据。这种模拟过程结合了平缓和异常能耗特征,通过对两者的能耗集合,生成最终的电器耗能模拟数据。此过程提供了一种综合的能耗评估视角,使得电器在不同能耗状态下的性能得以全面掌握。

  49、步骤s431:对最优耗能节选路段数据进行能耗特性曲线分析,生成关键状态节点数据;对关键状态节点数据进行状态转移概率估计,生成电器能耗概率数据;对电器能耗概率数据进行平缓段耗能路段模拟,生成电器波动平缓耗能模拟数据;

  50、步骤s432:对能耗波动异常数据进行路段能耗节选积分处理,生成电器波动异常耗能模拟数据;

  51、步骤s433:对电器波动平缓耗能模拟数据和电器波动异常耗能模拟数据进行能耗集合,生成电器耗能模拟数据,从而完成电器能耗优化计算。

  52、本发明通过对最优耗能节选路段数据进行能耗特性曲线分析,识别并生成关键状态节点数据。这一过程利用能耗特性的变化趋势,能够有效捕捉电器在不同运行状态下的能耗特征,为后续的状态转移概率估计提供了重要数据支持。通过状态转移概率的估计,系统生成了电器能耗概率数据,这种基于概率的分析方法使得能耗预测更加灵活和准确,能够反映出电器在不同状态下的能耗分布及其变化趋势。电器能耗概率数据用于模拟平缓段的耗能路段,生成电器波动平缓耗能模拟数据。这一模拟过程综合考虑了电器在平稳运行状态下的能耗特性,使得模拟结果能够更真实地反映电器的实际能耗情况,进而为优化策略的实施提供了可靠依据。步骤s432通过对能耗波动异常数据进行路段能耗节选积分处理,生成电器波动异常耗能模拟数据。这一处理过程对异常能耗特征进行了深度分析和整合,为识别和评估电器在非稳定状态下的能耗表现提供了数据支持。最后通过对电器波动平缓耗能模拟数据和电器波动异常耗能模拟数据进行综合,生成了电器耗能模拟数据。这种能耗集合方法将平缓和异常能耗特征统一在一个框架下进行分析,使得最终生成的耗能模拟数据能够全面反映电器在不同运行条件下的能耗表现。

  53、本发明的有益效果在于通过对电气数据、热力学数据和机械数据的获取与预处理,生成了电能特征工程值、热能特征工程值和机械特征工程值。这一过程不仅提炼出各类数据的关键特性,还为后续步骤奠定了坚实的数据基础。将这些特征工程值映射到三维空间生成三维点云数据,并通过形态曲面分析,进一步提取了电器特性在空间维度上的复杂关系和变化规律。此举不仅提升了数据的表现力,也使得数字孪生模型能够更为准确地反映实际系统的运行状态。通过利用生成的数字孪生模型,对电器实时运行数据进行了电力能源溯源,并据此完成了电器能耗计算与时间元件损耗模拟双重计算。这一过程使得能耗数据集在时间维度上得到了充分的模拟与分析,为电器的长期能耗趋势预测提供了可靠的依据。随后,步骤s4进一步深化了能耗计算的精度与优化程度。通过耗能轨迹路径的提取与分析,分别识别出了能耗波动异常路段和能耗波动平缓路段,继而进行了路段能耗节选积分处理与平缓段能耗模拟,并通过能耗集合生成了最终的电器耗能模拟数据。这一系列操作通过对异常与平缓路段的分离与处理,确保了能耗优化计算的准确性和高效性。

  针对传统车间建模中信息遗漏与语义不一致问题,提出基于功能、信息、过程、本体四维协同的数字孪生建模方法。通过集成IDEF1X/IDEF3/IDEF5等模型,构建覆盖物理车间全要素的虚拟映射体系,...

  1.计算机网络安全 2.计算机仿线.网络安全;物联网安全 、大数据安全 2.安全态势感知、舆情分析和控制 3.区块链及应用