一种压缩空气储能电站数字孪生垂域基座的构建系统及方法与流程

摘要: 本发明涉及人工智能与压缩空气储能,尤其是一种压缩空气储能电站数字孪生垂域基座的构建系统及方法。背景技术:1、压缩空气储能(compressedairenergy...
一种压缩空气储能电站数字孪生垂域基座的构建系统及方法与流程

本发明涉及人工智能与压缩空气储能,尤其是一种压缩空气储能电站数字孪生垂域基座的构建系统及方法。

背景技术:

1、压缩空气储能(compressed air energy storage,caes)作为大规模长时储能技术,在新型电力系统中承担削峰填谷与促进新能源消纳的重要职能。随着300mw级电站投运,电站设备众多、工况复杂、多能流耦合,传统依靠专家经验与规则脚本的运维方式难以满足智能化需求。近年来,以通用大模型为代表的ai技术为工业运维提供了新路径,但直接应用于caes电站存在明显不足。现有技术大致沿以下方向演进:

2、(一)通用电力大模型:国家电网、南方电网、国家能源集团等已发布电力行业大模型,其专利与应用集中在电网调度、对话训练、发电运行监测等通用电力场景,未覆盖压缩空气储能电站的工质热力学特性、多部件耦合结构与盐穴或硐室地质约束,无法直接支撑caes运维。

3、(二)电化学储能大模型:已出现面向电化学储能的运维大模型专利,其数据模态、物理约束(电池电化学退化方程)与故障模式均针对电池特性设计,与压缩空气储能的气-热-电多能流耦合、压缩机喘振、储气室压力温度耦合、盐穴蠕变等专属特征存在本质差异。

4、(三)通用垂域大模型训练方法:已存在面向垂直领域的通用训练方法专利,但均未针对压缩空气储能的多保真度数据体系(机理仿真、历史运行、领域语料)与物理约束嵌入进行专门设计。

5、(四)caes传统ai方案:现有caes侧ai专利集中在故障诊断、调度优化、数字孪生等单点应用,采用传统机器学习或专用模型,未形成以垂域大模型为核心的基础性构建方法。

6、综上,压缩空气储能电站垂域大模型本身的基础架构、数据体系、物理约束、训练方法与部署方案尚未被任何现有技术占据,属于本领域的基础性空白。本发明针对该空白,提供一种压缩空气储能电站数字孪生垂域基座的构建系统及方法。

技术实现思路

1、为了解决以上问题,本发明技术方案提供一种压缩空气储能电站数字孪生垂域基座的构建系统及方法,解决了如何为压缩空气储能电站构建专属的垂域大模型,使其具备caes领域知识理解与工业决策能力,并解决通用大模型物理幻觉、电化学储能大模型不适用、单点ai方案缺乏系统性的问题。

2、根据本发明的第一方面实施例,提供一种压缩空气储能电站数字孪生垂域基座的构建系统,包括:

3、数据接入模块,用于接入压缩空气储能电站的多种数据;

4、预训练模块,与所述数据接入模块连接,根据所述数据接入模块获取的数据,对基础大模型进行领域预训练,得到压缩空气储能领域基础模型;

5、物理约束模块,与所述预训练模块连接,用于将压缩空气储能电站的耦合控制方程转化为可微分约束项,作为物理约束损失嵌入所述压缩空气储能领域基础模型训练;

6、知识图谱模块,与所述预训练模块连接,用于构建图谱,并将图谱知识注入所述压缩空气储能领域基础模型;

7、联邦训练模块,与所述预训练模块连接,用于在多个压缩空气储能电站的本地节点上基于各自运行数据协同训练所述压缩空气储能领域基础模型,并通过聚合服务器交换模型参数;

8、指令微调模块,与所述联邦训练模块连接,用于对经所述联邦训练模块协同训练后的模型进行指令微调与对齐;

9、部署模块,与所述指令微调模块连接,用于对经所述指令微调模块指令微调与对齐后的模型进行部署;

10、评估模块,与所述指令微调模块和所述部署模块连接,用于对经所述指令微调模块处理后的模型和/或经所述部署模块部署后的模型进行评估并根据评估结果进行调整。

11、在上述方案中,所述数据接入模块接入的多种数据包括:压缩空气储能电站多个部件的运行数据、盐穴或硐室的地质监测数据,以及运维文本数据;

12、其中,所述多个部件的运行数据包括压缩机、透平膨胀机、储热换热器与储气容器的运行参数,所述地质监测数据包括围岩应力、应变、温度与渗流监测数据,所述运维文本数据包括检修工单、运行规程、故障案例与设备说明书文本。

13、在上述方案中,所述预训练模块根据所述数据接入模块获取的数据对所述压缩空气储能领域基础模型进行领域预训练时,所述数据包括高保真机理仿真数据、中保真历史运行数据与低保真领域文本语料;所述高保真机理仿真数据基于热力学、气体动力学与传热学仿真模型生成,所述中保真历史运行数据来自电站分布式控制系统与数据采集与监视控制系统,所述低保真领域文本语料来自运维文档与标准规范;所述预训练模块按不同保真度数据的预设配比进行混合采样,并依据数据质量与工况覆盖度进行加权处理。

14、在上述方案中,所述物理约束模块中,所述耦合控制方程包括压缩机多变过程方程、储气容器的气体状态方程与渗流方程、透平膨胀机的能量转换方程、换热器的传热方程以及盐穴围岩的蠕变与热应力方程;

15、所述物理约束模块通过自动微分机制将各方程转化为可微分约束项;所述压缩空气储能领域基础模型的模型训练总损失至少包括数据拟合损失、物理约束损失与正则化损失,且所述物理约束损失的权重按照由弱至强的调度策略随训练进程递增。

16、在上述方案中,所述知识图谱模块构建双层知识图谱,包括物理机理知识图谱与运维经验知识图谱;所述物理机理知识图谱以压缩空气储能电站的主要设备为实体,以热力学与气体动力学参数关系为关系边;所述运维经验知识图谱以故障案例、检修工单与专家经验为实体;所述知识图谱模块对双层图谱进行语义对齐后,将图谱知识注入所述压缩空气储能领域基础模型的推理过程。

17、在上述方案中,所述联邦训练模块中,各电站本地节点基于本地运行数据计算所述基础模型的梯度并施加隐私保护处理后上传至所述聚合服务器;所述聚合服务器按各电站的数据量与可信度对接收的梯度进行加权聚合,并将聚合结果下发至各本地节点以更新本地节点上的所述基础模型。

18、在上述方案中,所述指令微调模块基于压缩空气储能运维指令样本对经所述联邦训练模块协同训练后的模型进行指令微调与对齐。

19、在上述方案中,所述部署模块对模型进行的所述部署包括:对经所述指令微调模块指令微调与对齐后的模型进行轻量化处理,并将轻量化处理后的模型部署于电站侧边缘推理单元;

20、所述轻量化处理包括模型参数量化、结构化剪枝、知识蒸馏与低秩分解中的一种或多种;所述边缘推理单元与电站分布式控制系统对接,在电站本地执行推理任务,并基于新增运行数据进行在线学习,通过增量模型更新包与云端训练平台保持同步。

21、在上述方案中,所述评估模块对经所述指令微调模块处理后的模型和/或经所述部署模块部署后的模型进行评估的维度包括物理合规维度、任务准确维度与部署效能维度;所述物理合规维度基于模型输出通过物理约束校验的样本比例进行评估;所述任务准确维度基于故障诊断、运维问答与参数优化任务的基准集进行评估;所述部署效能维度包括推理时延、算力占用与数据安全合规性评估。

22、根据本发明的第二方面实施例,提供一种压缩空气储能电站数字孪生垂域基座的构建方法,采用上述方案中任一项所述的系统实现,所述方法包括:

23、s1、获取压缩空气储能电站的多种数据;

24、s2、根据步骤s1获取的数据,对基础大模型进行领域预训练,得到压缩空气储能领域基础模型;

25、s3、将压缩空气储能电站的耦合控制方程转化为可微分约束项,作为物理约束损失嵌入压缩空气储能领域基础模型训练;

26、s4、构建图谱,并将图谱知识注入压缩空气储能领域基础模型模型;

27、s5、在多个压缩空气储能电站的本地节点上基于各自运行数据协同训练压缩空气储能领域基础模型模型,并通过聚合服务器交换模型参数;

28、s6、对经步骤s5协同训练后的模型进行指令微调与对齐;

29、s7、对经步骤s6指令微调与对齐后的模型进行部署;

30、s8、对经步骤s6处理后的模型和/或经步骤s7部署后的模型进行评估并根据评估结果进行调整。

31、本发明的有益效果:

32、(1)填补领域空白。首次提出以压缩空气储能电站为垂域对象的大模型完整构建方法,覆盖数据、预训练、物理约束、知识图谱、联邦训练、微调、部署与评估全链路。

33、(2)物理合规。气-热-电耦合控制方程以可微分残差形式嵌入训练,约束模型输出满足热力学与气体动力学规律,有效抑制大模型物理幻觉。

34、(3)多保真度数据利用。融合机理仿真、历史运行与领域语料三类数据,缓解真实运行数据稀缺问题,提升模型在复杂工况下的泛化能力。

35、(4)数据安全。联邦学习与本地部署确保电站原始数据不出站,模型参数加密传输,满足关键信息基础设施的数据安全要求。

36、(5)领域知识可解释。双层知识图谱以检索增强与图注意力方式注入模型,故障诊断与运维建议可追溯、可解释。