一种数字孪生与分层联邦学习的新能源物联终端管控系统及方法与流程

本发明属于新能源发电，特别是涉及一种数字孪生与分层联邦学习的新能源物联终端管控系统及方法。

背景技术：

1、在光伏发电项目中，单个大型光伏场站物联终端部署规模达数千台，新能源物联网成为场站高效运维与安全运行的核心基础设施。与通用物联网的终端管理不同，新能源物联终端管控受发电物理资源特性的约束，具有明显的领域特殊性，新能源终端属于强机理型电气设备，光伏逆变器的电气输出由光伏电池等效电路与逆变器开关特性方程刻画，但设备长期运行后呈现参数漂移与强非线性，纯机理建模难以保证映射精度。终端绝大多数时间运行于平稳工况，极端工况与低概率故障样本天然匮乏，不同厂商、不同型号、不同投运年限及不同环境条件下的设备数据具有显著的类别不平衡与非独立同分布特性。新能源发电运行数据同时涉及发电企业商业机密与电网运行安全信息，受数据安全法律法规约束，要求原始数据不出域，而场站通信带宽与终端嵌入式算力均受限。上述特殊性决定了通用集中式训练、通用联邦学习及通用数字孪生方案无法直接满足新能源物联终端高精度、高安全与强实时管控的要求，亟需针对该特殊性设计专门的管控方案。

2、针对新能源物联终端的智能管控需求，现有技术通常采用三类手段。第一类为集中式云平台管控手段，各场站将终端采集的运行数据通过监控系统汇聚后上传至云端平台，云端基于汇聚的历史数据训练故障诊断模型，统一完成故障诊断、状态评估与运维调度，例如通过信息管理系统与传感器网络将光伏电站关键参数实时传输至中央数据库，并采用故障树、贝叶斯推理与深度学习模型进行集中诊断，配合在线监测与阈值告警实现设备状态的集中把握。第二类为联邦学习手段，为解决数据不出域的约束，各终端在本地利用自身数据训练模型，仅将模型参数或梯度上传至中心服务器进行聚合，中心服务器将更新后的全局模型再下发给各终端，通过多轮迭代实现协同训练而不共享原始数据，为缓解异构终端差异，进一步演化出按数据量加权的联邦平均、按模型差异聚类的聚类联邦学习与个性化联邦学习的变体，以提升异构数据下的模型适配能力，联邦学习架构已应用于光伏功率预测领域。第三类为数字孪生手段，利用几何建模与仿真技术为场站设备构建与物理实体对应的虚拟孪生体，通过三维可视化界面实时呈现设备运行状态，并借助虚拟模型对发电量与运行状态进行仿真预测，支撑场站的智能运维与预测性维护，但数字孪生模型的构建与校准在新能源场站中依赖机组机理特性与大量运行数据支撑。上述手段分别从数据汇聚、协同训练与虚拟表达三个角度回应了新能源物联终端管控的某些需求，但均属于通用方案在新能源场景的直接应用，未针对新能源场站场景的完整特殊性进行系统性设计。

3、然而，上述现有技术手段在新能源场站场景下均存在显著缺陷。集中式云平台管控手段要求将终端原始运行数据全量上传云端，与新能源场站数据安全约束直接冲突，发电数据集中上云面临泄露风险，且海量终端数据上行占用大量通信带宽，偏远场站难以支撑全量数据回传。公开号为cn119944940a的中国专利公开了一种分布式光伏运维数据智能处理方法及系统，该方案将变压器与逆变器运行数据实时传输至中央数据库集中进行知识图谱诊断，但原始数据仍须汇聚云端，未解决集中上行的泄露风险与带宽压力。扁平化联邦学习手段虽实现数据不出域，但中心服务器需与区域全部终端并发通信，在终端规模达数千台的新能源场站中易造成网络拥堵与聚合延迟，且终端数据具有强非独立同分布特性，单一全局模型难以兼顾不同工况与老化程度终端的差异，模型收敛缓慢、泛化精度不足，同时该手段未解决终端故障样本稀缺的问题。公开号为cn111626506b的中国专利公开了基于联邦学习的区域光伏功率概率预测方法及其协同调控系统，该方案云端直接汇聚各电站模型参数、未引入边缘中间层，规模化终端并发通信压力大，且仅针对功率预测、未涉及故障样本增强与差异化管控。数字孪生目前主要用于场站可视化展示与功率预测，孪生体作为独立于机器学习训练流程的虚拟表达工具，未为故障诊断模型提供仿真样本增强，也未与联邦学习模型形成相互校准的双向耦合；公开号为cn120509543b的中国专利公开了一种基于数字孪生的风电场功率预测方法及系统，该方案构建虚实融合的可视化监控系统，但数字孪生仅用于功率预测与三维展示，孪生体未深度参与模型训练，无法解决故障样本缺失与非独立同分布导致的诊断精度问题；因此，需要设计一种数字孪生与分层联邦学习的新能源物联终端管控系统及方法来解决上述问题。

技术实现思路

1、本发明所要解决的技术问题是提供一种数字孪生与分层联邦学习的新能源物联终端管控系统及方法，旨在克服新能源物联终端数据不出域约束下模型训练样本稀缺、终端非独立同分布数据导致全局模型精度低与并发通信压力大的技术问题，具有以机理残差驱动的仿真样本权重修正与故障模式导向的孪生特征加权聚类双向深度耦合、实现分层协同安全管控的特点。

2、为解决上述技术问题，本发明所采用的技术方案是：

3、一种数字孪生与分层联邦学习的新能源物联终端管控系统，包括依次双向通信连接的物理终端层、边缘孪生管控层与云端全局优化层；

4、物理终端层包括若干新能源发电配套物联终端，各物联终端均内置数据采集单元、轻量级ai推理单元与国密加密通信单元；

5、边缘孪生管控层包括终端数字孪生引擎、分层联邦学习边缘执行模块、差分隐私增强模块与区域协同管控模块，终端数字孪生引擎为每台物联终端构建包含静态属性模型、动态机理模型、老化退化模型与故障仿真模型的全要素数字孪生体，分层联邦学习边缘执行模块用于接收物联终端上传的模型参数、完成基于孪生特征相似度的聚类聚合并上传至云端全局优化层；

6、云端全局优化层包括全局孪生管理模块、分层联邦学习全局管控模块与全生命周期运维模块，全局孪生管理模块用于管理孪生档案与跨区域孪生体协同仿真，分层联邦学习全局管控模块用于接收边缘聚合参数、完成全局模型融合优化与下发；终端数字孪生引擎与分层联邦学习边缘执行模块、分层联邦学习全局管控模块双向深度耦合，数字孪生体为分层联邦学习提供仿真增强与聚类依据，优化模型反向校准数字孪生体参数，形成闭环。

7、优选地，所述数字孪生体包含的静态属性模型、动态机理模型、老化退化模型与故障仿真模型，静态属性模型存储物联终端的设备型号、额定电气参数、出厂信息与安装位置静态数据；动态机理模型基于新能源终端的电气特性方程构建，映射终端实时运行状态；老化退化模型基于设备全生命周期运行数据构建，拟合终端在不同环境参数下的非线性退化特性；故障仿真模型生成新能源终端典型故障模式的仿真样本；数字孪生体通过卡尔曼滤波算法完成在线参数校准，实现物理实体与虚拟孪生体的精准映射。

8、优选地，所述动态机理模型基于光伏电池单二极管等效电路、逆变器igbt开关特性与电气拓扑方程构建，映射终端实时输出电压、电流、功率与igbt模块温度运行状态。

9、优选地，所述老化退化模型通过lstm时序深度学习算法拟合终端在不同辐照度、环境温度与运行时长下的转换效率非线性退化特性，输出设备老化程度量化指标。

10、进一步地，所述老化退化模型通过lstm时序深度学习算法拟合终端在不同辐照度、环境温度与运行时长下的转换效率非线性退化特性，其中lstm时序深度学习算法以设备历史运行数据的时序序列为输入，输入特征包括辐照度、环境温度与运行时长，输出为转换效率的预测值，由转换效率预测值相对额定值的衰减量得到设备老化程度量化指标。

11、进一步地，所述故障仿真模型构建逆变器igbt开路、igbt短路、直流侧接地故障、交流侧过压、交流侧过流、光伏组件积灰、光伏组件热斑在内的典型故障模式的仿真模型，生成对应故障场景下不同严重程度与不同工况的仿真样本。

12、进一步地，所述数字孪生体通过卡尔曼滤波算法完成在线参数校准，具体为以固定周期通过扩展卡尔曼滤波算法完成在线参数校准，校准后的虚实映射误差控制在预设范围内。

13、优选地，所述分层联邦学习边缘执行模块完成基于孪生特征相似度的聚类聚合包括：提取各终端数字孪生体的多维特征向量，多维特征向量包括设备类型、型号批次、老化程度、地理位置与运行工况特征；计算特征向量间的余弦相似度，将相似度高于预设阈值的终端划分为同一聚类组，对组内终端上传的模型参数执行联邦平均加权聚合，生成边缘聚合模型参数。

14、进一步地，所述多维特征向量为五维特征向量，包括设备型号、投运年限、老化程度、平均运行工况与安装区域；所述预设阈值为0.85。

15、优选地，所述差分隐私增强模块对边缘聚合后的模型参数注入符合-差分隐私要求的拉普拉斯噪声，其中隐私预算设置为1.2，确保模型参数上传过程中无法被反推原始运行数据。

16、优选地，所述分层联邦学习全局管控模块完成全局模型融合优化，具体为内置模型无关元学习maml算法，对各边缘节点上传的聚合模型参数进行全局融合优化，生成适配多场景、多类型终端的通用全局模型，并完成模型版本管理、精度验证与下发迭代。

17、优选地，一种数字孪生与分层联邦学习的新能源物联终端管控方法，包括以下步骤：

18、s1、数据采集与孪生映射构建，物理终端层采集新能源终端的实时运行数据与环境数据，通过国密加密通道上传至边缘孪生管控层，终端数字孪生引擎为每台终端构建一一对应的全要素数字孪生体，基于实时采集数据完成孪生体在线参数校准，实现物理实体与虚拟孪生体的精准双向映射；

19、s2，终端本地模型训练，终端加载云端下发的初始全局模型，利用本地历史运行数据，结合数字孪生体生成的本地缺失故障模式仿真样本，完成本地模型训练，训练过程中原始数据全程留存于终端本地，仅将加密后的模型参数更新量上传至边缘孪生管控层；

20、s3，边缘层聚类聚合与隐私增强，边缘孪生管控层接收区域内各终端上传的模型参数更新量，基于各终端数字孪生体的特征向量完成相似度聚类分组，对同组内的参数进行加权平均聚合，通过差分隐私增强模块对聚合后的模型参数注入符合ε-差分隐私要求的噪声，完成隐私增强后上传至云端全局优化层；

21、s4，云端全局模型融合优化，云端分层联邦学习全局管控模块接收各边缘节点上传的隐私增强聚合参数，通过元学习算法完成全局模型的融合优化，优化后的全局模型经数字孪生体仿真验证精度达标后，下发至各边缘节点与终端；

22、s5，闭环管控与运维决策，终端加载更新后的全局模型，结合数字孪生体的运行状态预测结果，完成终端健康状态评估、故障超前预警与功率优化调控，执行结果同步回传至数字孪生体，形成全生命周期闭环管控。

23、进一步地，步骤s1中，所述物理终端层采集新能源终端的实时运行数据与环境数据，所述实时运行数据包括运行电压、电流、功率与模块温度数据，所述环境数据包括环境辐照度与环境温湿度数据，通过国密sm4加密通道上传至边缘孪生管控层；基于实时采集数据通过扩展卡尔曼滤波算法完成孪生体在线参数校准。

24、进一步地，所述基于实时采集数据通过扩展卡尔曼滤波算法完成孪生体在线参数校准，其状态向量由动态机理模型中的待校准参数构成，观测值为物理终端层采集的实时输出电压、电流、功率与模块温度，状态转移方程由动态机理模型的电气特性方程线性化得到，过程噪声协方差矩阵根据机理模型建模误差设定，观测噪声协方差矩阵根据传感器测量精度设定。

25、优选地，步骤s2中，所述完成本地模型训练，其本地模型训练的损失函数为：；

26、其中，表示总训练损失，表示真实样本的交叉熵训练损失，表示孪生体仿真样本的交叉熵训练损失，表示模型对真实样本的预测输出，表示真实样本对应的标签，表示模型对仿真样本的预测输出，表示仿真样本对应的标签，表示自适应权重系数，取值范围为，根据本地真实故障样本的丰富度动态调整。

27、进一步地，所述自适应权重系数根据本地真实故障样本的丰富度动态调整，当本地真实故障样本量低于100条时，取值0.3，提升仿真样本的权重；单轮训练本地迭代次数设置为5次。

28、优选地，所述孪生体仿真样本的交叉熵训练损失进一步乘机理可信度系数进行修正，修正后的损失函数为：

29、；

30、其中，表示机理可信度系数，由数字孪生体的动态机理模型在当前运行工况下的机理残差确定，机理残差为动态机理模型仿真输出与真实测量值之间的偏差；机理残差越小，越接近1，仿真样本权重越高；机理残差越大，越接近0，仿真样本权重越低。

31、优选地，所述机理可信度系数按下式计算：

32、；

33、其中，表示归一化机理残差在滑动时间窗内的均值，表示残差衰减系数，取值大于0；归一化机理残差为动态机理模型仿真输出与对应真实测量值之差的绝对值与该物理量额定值的比值。

34、优选地，步骤s2中，所述完成本地模型训练，终端构建逆变器故障诊断与健康状态评估的cnn-lstm混合ai模型，利用本地存储的历史运行数据开展训练，同时调用对应数字孪生体生成本地缺失的极端工况与低概率故障模式的仿真样本，扩充本地训练数据集。

35、进一步地，所述cnn-lstm混合ai模型，其中卷积神经网络部分用于从终端运行数据中提取局部空间特征，长短期记忆网络部分用于提取局部空间特征之间的时序依赖关系，全连接层用于输出故障类别与健康状态评估结果。

36、优选地，步骤s3中，所述基于各终端数字孪生体的特征向量完成相似度聚类分组，具体为提取各终端数字孪生体的五维特征向量，五维特征向量包括设备型号、投运年限、老化程度、平均运行工况与安装区域，计算特征向量间的余弦相似度，将相似度高于设定阈值0.85的终端划分为同一聚类组；对同组内的模型参数基于本地训练数据量进行加权平均聚合；对聚合后的模型参数注入符合-差分隐私要求的拉普拉斯噪声，隐私预算设置为1.2。

37、进一步地，所述对聚合后的模型参数注入符合ε-差分隐私要求的拉普拉斯噪声之前，先对各终端上传的模型参数更新量进行梯度裁剪，将更新量的范数限制在梯度裁剪阈值以内，以梯度裁剪阈值作为敏感度上界，拉普拉斯噪声的尺度参数为敏感度与隐私预算的比值。

38、优选地，所述计算特征向量间的余弦相似度之前，先以故障模式导向的特征重要性向量对五维特征向量进行加权，加权后的特征向量为：

39、；

40、其中，表示第台终端加权后的特征向量，表示第台终端的五维特征向量，表示特征重要性向量，表示逐元素相乘；特征重要性向量由终端本地故障诊断模型对各特征维度的梯度确定，反映各特征维度对故障分类的贡献度；对加权后的特征向量计算余弦相似度，将相似度高于设定阈值0.85的终端划分为同一聚类组。

41、优选地，所述以故障模式导向的特征重要性向量对五维特征向量进行加权之前，先对五维特征向量进行标准化处理，将各特征维度的取值归一化至统一的数值区间，使类别变量与连续变量在余弦相似度计算中量纲一致；对标准化后的五维特征向量再以特征重要性向量进行加权。

42、优选地，所述特征重要性向量由终端本地故障诊断模型对各特征维度的梯度确定，第个特征维度的梯度幅值均值按下式计算：

43、；

44、其中，表示第个特征维度对故障分类损失的梯度幅值均值，表示参与计算的样本数量，表示终端本地故障诊断模型的故障分类损失，表示第个样本的五维特征向量中第个特征值；特征重要性向量的第个元素由归一化得到：

45、；

46、特征重要性向量随终端本地故障诊断模型的迭代更新而更新，形成故障诊断模型与孪生特征聚类的闭环。

47、进一步地，步骤s4中，所述优化后的全局模型经数字孪生体仿真验证精度达标，具体为在云端全局孪生管理模块的数字孪生体中完成全工况运行场景与全故障场景的仿真验证，确认模型故障诊断准确率不低于95%、健康状态评估误差不高于3%后，通过加密通道下发至各边缘服务器与终端设备。

48、进一步地，步骤s4中，所述通过元学习算法完成全局模型的融合优化，将各边缘节点上传的聚合模型参数分别视为一个元任务，在元训练阶段以各元任务对应的参数为初始化执行内环梯度更新，得到各元任务适配后的参数，在元更新阶段以各元任务适配后参数的损失之和为优化目标，对外环初始化参数执行梯度更新，得到适用于各边缘节点任务的通用全局模型；内环学习率小于外环学习率，内环梯度更新步数小于外环梯度更新步数。

49、进一步地，步骤s5中，所述完成终端健康状态评估、故障超前预警与功率优化调控，其中健康状态评估为基于实时运行数据与ai模型实时评估终端的健康状态并预测设备剩余使用寿命；故障超前预警为ai模型结合数字孪生体的仿真预测结果提前识别终端的早期故障特征，自动推送运维工单与故障处置方案；功率优化调控为基于数字孪生体的环境辐照度与温度预测结果，动态优化逆变器的mppt电压阈值，实现光伏组件的最大功率点跟踪优化。

50、优选地，步骤s5中，还包括应急协同处置：当检测到终端故障或电网异常时，边缘层区域协同管控模块就近下发应急处置指令，完成故障隔离与功率限幅操作。

51、优选地，一种计算机设备，包括存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行所述的一种数字孪生与分层联邦学习的新能源物联终端管控方法。

52、优选地，一种计算机可读存储介质，计算机可读存储介质上存储有计算机指令，计算机指令用于使计算机执行所述的一种数字孪生与分层联邦学习的新能源物联终端管控方法。

53、本发明的有益效果如下：

54、1，本发明通过构建物理终端层、边缘孪生管控层与云端全局优化层三层协同架构，在各终端内置数据采集单元、轻量级ai推理单元与国密加密通信单元，将模型训练的数据流与原始数据流解耦，原始运行数据全程留存于终端本地，仅以加密模型参数更新量的形式上传，并在边缘层完成聚类聚合后由差分隐私增强模块注入符合差分隐私要求的拉普拉斯噪声，在云端完成全局融合优化，实现了隐私原生的分布式训练，解决了现有技术集中式数据汇聚云端导致的数据泄露风险与全量数据上行占用通信带宽的缺陷，同时通过边缘层就近完成聚类聚合，显著降低云端并发通信压力，并由边缘层就近完成区域终端的协同管控与应急处置，缩短管控指令响应链路，满足新能源发电数据不出域与信息安全合规的要求。

55、2，本发明通过为每台终端构建包含静态属性模型、动态机理模型、老化退化模型与故障仿真模型的全要素数字孪生体，由故障仿真模型生成本地缺失的极端工况与低概率故障样本扩充本地训练数据集，并在本地训练损失函数中引入机理可信度系数，依据动态机理模型的归一化残差动态调整仿真样本权重，使机理模型失真工况下的不可信仿真样本不再误导训练，同时以终端本地故障诊断模型对各特征维度的梯度构成特征重要性向量，对经标准化处理的孪生特征向量加权后计算余弦相似度完成聚类，使聚类结果反映故障模式相似性，实现了数字孪生与联邦学习的双向深度耦合，解决了现有技术故障样本天然稀缺导致模型训练不充分、以及非独立同分布数据导致单一全局模型泛化精度不足的缺陷。

56、3，本发明通过将优化后的全局模型经数字孪生体完成全工况与全故障场景仿真验证后下发至边缘节点与终端，终端加载更新后的全局模型，结合数字孪生体的运行状态预测结果实时评估终端健康状态并预测剩余使用寿命，通过孪生体不断校准保证状态评估精度，提前识别早期故障特征并自动推送运维工单与故障处置方案，实现故障的提前预判与主动运维，并基于环境辐照度与温度预测结果动态优化逆变器最大功率点跟踪电压阈值实现功率优化调控，在检测到终端故障或电网异常时由边缘层区域协同管控模块就近下发应急处置指令，完成故障隔离与功率限幅操作，形成数据采集、孪生建模、模型训练、决策执行与反馈优化的全生命周期闭环管控，解决了现有技术终端管控分散、故障处置被动的问题。