面向数字孪生的风电场多源流式数据对齐与增强方法与流程

本技术涉及风电场数字孪生，尤其涉及一种面向数字孪生的风电场多源流式数据对齐与增强方法、装置、设备及存储介质。

背景技术：

1、构建高保真风电场数字孪生系统的核心挑战，在于将风机、箱变、升压站等异构采集设备的多源流式数据，转换为可直接驱动仿真模型的高质量同步数据流。受各设备采样频率、通信协议与时间基准差异影响，原始数据流普遍存在时间不同步、数据缺失、瞬态噪声等问题，制约后续仿真分析与决策精度。

2、现有多源数据对齐多采用固定频率重采样结合插值的方式，将数据流强制对齐至统一时间网格,并采用固定阈值检测、历史均值或邻近值填补对异常与缺失数据进行处理。但这类方法仅考虑时间邻近性，忽略设备间电气连接与因果约束，导致同步数据缺乏物理一致性，易产生逻辑矛盾的仿真输入，且难以区分真实故障瞬态与传感器噪声，数据长期缺失时无法生成符合物理耦合规律的数据，应用于风电场强耦合系统时会存在明显局限性。

技术实现思路

1、本技术旨在至少在一定程度上解决相关技术中的技术问题之一。

2、第一方面，本技术提出一种面向数字孪生的风电场多源流式数据对齐与增强方法，所述方法包括：基于目标风电场内采集设备间物理连接关系，构建静态物理拓扑图；获取所述采集设备所采集的多源流式数据；将所述多源流式数据划分为多个数据单元，并为每个所述数据单元添加特征标签，得到特征化数据包流；将所述特征化数据包流和所述静态物理拓扑图输入预训练的融合对齐模型中，在滑动时间窗口内进行时空融合对齐，得到统一时间序列上的全局对齐状态矩阵；将所述全局对齐状态矩阵输入预训练的增强模型中，进行异常或缺失数据的在线增强与修复，输出增强后的同步数据流；对所述同步数据流进行编码，生成供数字孪生仿真系统直接解析的序列化数据包流。

3、在一种实现方式中，所述融合对齐模型依次包括输入层、时间编码层、空间图注意力层、时间融合层和输出层；其中，所述输入层用于对所述特征化数据包流和所述静态物理拓扑图进行处理，输出对齐后的每个数据包的特征向量序列；所述时间编码层用于将每个所述数据包的事件时间戳编码为时间位置嵌入向量，与特征向量相加后输出带有时序信息的节点特征序列；所述空间图注意力层用于针对所述节点特征序列中的每个节点，基于所述静态物理拓扑图计算所述节点在各个目标时刻与邻居节点的注意力权重，并基于所述注意力权重输出聚合邻居信息后的空间特征向量；所述时间融合层用于针对每个所述节点，将所述节点对应的所述空间特征向量与经hermite插值得到的自身初步估计值进行拼接融合，输出对应的对齐状态向量；所述输出层将所有所述节点对应的所述对齐状态向量按统一时间序列排列，输出所述全局对齐状态矩阵。

4、在一种可选地实现方式中，所述时间编码层采用正弦位置编码将事件时间戳映射为固定维度的向量，编码公式为：

5、

6、

7、其中，为事件时间戳在滑动时间窗口内的相对位置序号，为维度索引且，为编码向量的总维度，表示位置编码向量中第2d维的值，表示位置编码向量中第维的值。

8、在一种可选地实现方式中，所述注意力权重的计算公式为：

9、

10、其中，为所述注意力权重，表示节点的所有邻居节点的集合，为遍历邻居节点的索引变量，为节点与其邻居节点在时刻的注意力分数；

11、所述注意力分数的计算公式为：

12、

13、其中，为所述注意力分数，为节点在时刻的特征向量，为邻居节点在其最近有效数据时刻的特征向量，为边关系编码向量，为时间差编码向量，为可学习的查询变换矩阵，为可学习的键变换矩阵，为可学习的权重向量，表示向量拼接操作；

14、所述空间特征向量的计算公式为：

15、

16、其中，为节点对应的空间特征向量，为可学习的值变换矩阵。

17、所述将所述节点对应的所述空间特征向量与经hermite插值得到的自身初步估计值进行拼接融合，输出对应的对齐状态向量，包括：使用hermite插值对所述节点对应的数据流进行估算，得到初步插值结果；将所述节点对应的所述初步插值结果与空间图注意力层输出的聚合邻居特征向量进行拼接，通过全连接层计算得到所述对齐状态向量；所述拼接过程表示如下：

18、

19、其中，为所述对齐状态向量，为激活函数，为可学习的输出变换矩阵，表示向量拼接操作，中包含修正同步后的数据值及其对应的置信度，所述置信度为基于所述节点自身数据流在滑动时间窗口内的有效数据点个数、数据质量标签中的可靠性等级以及注意力权重的方差计算得到。

20、在一种实现方式中，所述增强模型按数据处理顺序依次包括条件编码层、生成器网络和判别器网络；其中，所述条件编码层以全局对齐状态矩阵为输入，提取每个数据段的上下文信息作为条件向量，输出条件编码；所述生成器网络以随机噪声向量和条件向量为输入，生成与条件匹配的同步数据段；所述判别器网络以真实数据段或所述同步数据段、所述条件向量为输入，输出判别结果。

21、在一种实现方式中，所述对所述同步数据流进行编码，生成供数字孪生仿真系统直接解析的序列化数据包流，包括：对所述同步数据流中的连续变化量使用差分编码进行有损压缩，对离散状态量使用字典编码进行无损压缩，得到各个时间点的编码后状态向量；将每个时间点的编码后状态向量封装进对应的自定义udp帧，每个自定义udp帧中包含帧头同步字、时间戳、数据体长度、编码后状态向量和循环冗余校验码；将全部自定义udp帧按时间顺序排列，组成所述序列化数据包流。

22、第二方面，本技术提出一种面向数字孪生的风电场多源流式数据对齐与增强系统，所述系统包括：物理拓扑图构建模块，用于基于目标风电场内采集设备间物理连接关系，构建静态物理拓扑图；数据采集模块，用于获取所述采集设备所采集的多源流式数据；数据包流生成模块，用于将所述多源流式数据划分为多个数据单元，并为每个所述数据单元添加特征标签，得到特征化数据包流；状态矩阵生成模块，用于将所述特征化数据包流和所述静态物理拓扑图输入预训练的融合对齐模型中，在滑动时间窗口内进行时空融合对齐，得到统一时间序列上的全局对齐状态矩阵；数据流生成模块，用于将所述全局对齐状态矩阵输入预训练的增强模型中，进行异常或缺失数据的在线增强与修复，输出增强后的同步数据流；数据包流生成模块，用于对所述同步数据流进行编码，生成供数字孪生仿真系统直接解析的序列化数据包流。

23、在一种实现方式中，所述融合对齐模型依次包括输入层、时间编码层、空间图注意力层、时间融合层和输出层；其中，所述输入层用于对所述特征化数据包流和所述静态物理拓扑图进行处理，输出对齐后的每个数据包的特征向量序列；所述时间编码层用于将每个所述数据包的事件时间戳编码为时间位置嵌入向量，与特征向量相加后输出带有时序信息的节点特征序列；所述空间图注意力层用于针对所述节点特征序列中的每个节点，基于所述静态物理拓扑图计算所述节点在各个目标时刻与邻居节点的注意力权重，并基于所述注意力权重输出聚合邻居信息后的空间特征向量；所述时间融合层用于针对每个所述节点，将所述节点对应的所述空间特征向量与经hermite插值得到的自身初步估计值进行拼接融合，输出对应的对齐状态向量；所述输出层将所有所述节点对应的所述对齐状态向量按统一时间序列排列，输出所述全局对齐状态矩阵。

24、在一种可选地实现方式中，所述时间编码层采用正弦位置编码将事件时间戳映射为固定维度的向量，编码公式为：

25、

26、

27、其中，为事件时间戳在滑动时间窗口内的相对位置序号，为维度索引且，为编码向量的总维度，表示位置编码向量中第2d维的值，表示位置编码向量中第维的值。

28、在一种可选地实现方式中，所述注意力权重的计算公式为：

29、

30、其中，为所述注意力权重，表示节点的所有邻居节点的集合，为遍历邻居节点的索引变量，为节点与其邻居节点在时刻的注意力分数；

31、所述注意力分数的计算公式为：

32、

33、其中，为所述注意力分数，为节点在时刻的特征向量，为邻居节点在其最近有效数据时刻的特征向量，为边关系编码向量，为时间差编码向量，为可学习的查询变换矩阵，为可学习的键变换矩阵，为可学习的权重向量，表示向量拼接操作。

34、上述空间特征向量的计算公式可以表示为：

35、

36、其中，为节点对应的空间特征向量，为可学习的值变换矩阵。

37、所述将所述节点对应的所述空间特征向量与经hermite插值得到的自身初步估计值进行拼接融合，输出对应的对齐状态向量，包括：使用hermite插值对所述节点对应的数据流进行估算，得到初步插值结果；将所述节点对应的所述初步插值结果与空间图注意力层输出的聚合邻居特征向量进行拼接，通过全连接层计算得到所述对齐状态向量；所述拼接过程表示如下：

38、

39、其中，为所述对齐状态向量，为激活函数，为可学习的输出变换矩阵，表示向量拼接操作，中包含修正同步后的数据值及其对应的置信度，所述置信度为基于所述节点自身数据流在滑动时间窗口内的有效数据点个数、数据质量标签中的可靠性等级以及注意力权重的方差计算得到。

40、在一种实现方式中，所述增强模型按数据处理顺序依次包括条件编码层、生成器网络和判别器网络；其中，所述条件编码层以全局对齐状态矩阵为输入，提取每个数据段的上下文信息作为条件向量，输出条件编码；所述生成器网络以随机噪声向量和条件向量为输入，生成与条件匹配的同步数据段；所述判别器网络以真实数据段或所述同步数据段、所述条件向量为输入，输出判别结果。

41、在一种实现方式中，所述数据包流生成模块可以用于：对所述同步数据流中的连续变化量使用差分编码进行有损压缩，对离散状态量使用字典编码进行无损压缩，得到各个时间点的编码后状态向量；将每个时间点的编码后状态向量封装进对应的自定义udp帧，每个自定义udp帧中包含帧头同步字、时间戳、数据体长度、编码后状态向量和循环冗余校验码；将全部自定义udp帧按时间顺序排列，组成所述序列化数据包流。

42、第三方面，本技术提出一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如第一方面所述的方法。

43、第四方面，本技术提出一种存储介质，所述存储介质中存储有指令，当所述指令在电子设备上运行时，使得所述电子设备执行如第一方面所述的方法。

44、第五方面，本技术提出一种程序产品，包括程序、指令的至少之一，所述程序、指令的至少之一被电子设备执行时实现第一方面所述方法的步骤。

45、本技术提供的面向数字孪生的风电场多源流式数据对齐与增强方法、装置、设备及存储介质，可以基于目标风电场内风机、箱变、升压站等采集设备间的物理连接关系构建静态物理拓扑图，同步采集各设备的多源流式数据并划分为独立数据单元，为每个数据单元附加时间戳、源设备标识、语义标签及数据质量标签以形成特征化数据包流；随后将特征化数据包流与静态物理拓扑图输入预训练的融合对齐模型，在滑动时间窗口内完成时空融合对齐，得到统一时间序列下的全局对齐状态矩阵，再经由预训练的增强模型对异常、缺失数据段进行在线增强与修复，输出增强后的同步数据流，最终对同步数据流采用差异化编码策略压缩并封装为自定义udp帧序列，生成可供数字孪生仿真系统直接解析的序列化数据包流。该方案能够保障同步数据的物理一致性，提升了数据异常、缺失场景下的鲁棒性，能够为风电场数字孪生系统提供高精度、高可靠性的数据支撑。

46、本技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。