【技术实现步骤摘要】
本专利技术涉及网络物理能源系统下面向隐私保护的数字孪生建模方法，属于风电负荷预测建模领域。
技术介绍
1、作为网络物理能源系统中的最新范式，数字孪生充分挖掘了其在交互方面的实时性与低成本特性。它极大地提高了物理实体在整个生命周期过程中的运行效率并保障了可靠的运行质量。然而，较低的建模与更新效率直接影响了数字孪生的实际应用。并且，在数字孪生建模过程中还往往疏于对隐私数据的保护。
2、人工智能、大数据分析、云计算与边缘计算等新兴的技术极大地促进了网络物理能源系统的发展。然而，随着规模日趋庞大，越来越多的设备参与网络物理能源系统中导致工作量急剧增加。因此，各环节协同运作的复杂程度呈爆炸性增长。数字化的出现使工作过程变得可见透明，不仅提高了运行效率，而且更好地解决了各个环节在衔接时存在的困难。作为数字化技术的最新范式，数字孪生具备实时性与低成本两大优点，其价值在网络物理能源系统中凸显出来。
3、数字孪生通过模拟物理世界的运转流程，预判趋势和风险，为决策提供依据。数字孪生能够减少复杂系统中的突发状况，可以将物理实体未来可能发生或将要存在的行为映射到网络空间中进行数字化表征。数字孪生概念的引入，引起了学术界与工业界极大的研究兴趣，以及制造业、物联网及其他技术团体和一些行业的从业者的兴趣。数字孪生从生成到应用，基本上可以概括为采集、传输、数据处理、映射与建模五个阶段，其中，数字孪生建模不仅是数字孪生技术得以落地的前提，更是未来整个数字孪生网络架构的基础。已经有相当多的工作集中在数字孪生建模方法上。例如，基于机理模型的建
4、重视数字孪生安全问题的同时，也会带来复杂的计算与分析，从而导致建模与更新效率大幅下降。数字孪生的价值体现在快速建模后对于物理实体的超前模拟，因此，建模效率将直接决定数字孪生能否达到预期的应用效果。为了进一步提升效率，h.elayan等人提出使用机器学习的方法实现出了基于数字孪生概念的具有环境感知能力的智能医疗保健系统。人工智能和区块链等各种技术的结合在兼顾数据安全的同时为赋能数字孪生的效率提升提供了新的技术支持和方向。甚至，d.van huynh等人认为在未来移动边缘计算和超高可靠与超低延迟通信可以令数字孪生的建模建模效率提升至达到能够构建元宇宙的程度。然而，目前的机器学习方法在建模数字孪生时存在效率瓶颈的制约，因此，使用联邦学习的数字孪生建模方法需要进一步改进与优化。
技术实现思路
1、针对现有使用联邦学习的数字孪生建模方法由于复杂的计算与分析，导致建模与更新效率低的问题，本专利技术提供一种网络物理能源系统下面向隐私保护的数字孪生建模方法。
2、本专利技术的一种网络物理能源系统下面向隐私保护的数字孪生建模方法，包括：
3、在物理实体层获取每个物理实体po的目标数据真实值，目标数据包括行为数据和状态数据；在建模层，采用多个边缘服务器分别对每个物理实体po基于对应的目标数据真实值建立不同时刻的单体数字孪生模型，用于预测获得物理实体po在目标时刻的目标数据预测值；在数字孪生层采用中央云服务器对所有单体数字孪生模型进行聚合，得到全局数字孪生模型；
4、结合数字孪生解决问题采用预测方法的通用表示得到数字孪生理论模型；再结合网络物理能源系统的当前解决问题采用的预测方法对数字孪生理论模型变形，得到网络物理能源系统的数字孪生特定模型；
5、采用条件生成对抗网络作为单体数字孪生模型，并配置使用条件生成对抗网络建模数字孪生的值函数；再在联邦学习框架下基于条件生成对抗网络的数字孪生计算当前解决问题的损失函数，通过计算概率分布和wasserstein距离对联邦学习框架下基于条件生成对抗网络的数字孪生进行修正；
6、再采用联邦学习结合损失函数的计算通过随机梯度上升与下降分别更新条件生成对抗网络中判别器与生成器的模型参数，得到优化后条件生成对抗网络；
7、对作为客户端的物理实体po进行初步筛选，得到基于数据差异性筛选的初步选定客户端；再基于客户端数据的统计特征由初步选定客户端进一步筛选得到最终选定客户端；采用最终选定客户端对应的目标数据真实值利用优化后条件生成对抗网络对于物理实体po进行最终数字孪生建模，得到每个最终选定客户端对应的最终单体数字孪生模型；
8、对所有最终选定客户端进行初始权重分配，并基于最终选定客户端相互距离进行初始权重的计算；再采用加权平均方法进行所有最终单体数字孪生模型的聚合，得到聚合后的最终全局数字孪生模型，完成建模。
9、本专利技术的有益效果：本专利技术方法基于联邦学习和循环条件生成对抗网络进行数字孪生建模，它首先采用数字孪生的理论模型描述建模关注点和数字孪生与物理实体之间的关系。然后，通过循环条件生成对抗网络解决数字孪生本地建模的问题。最后，通过联邦学习解决分布式环境下数字孪生建模过程中的隐私保护问题来保证建模安全。本专利技术方法在基于联邦学习建模数字孪生全局模型的过程中进行了客户端选择、初始权重分配以及全局模型聚合的优化，提升了建模效率。基于真实数据集的数值实验结果表明，本专利技术方法相较于现有基准策略能够提高建模效率并保证了模型性能。
本文档来自技高网...【技术保护点】
1.一种网络物理能源系统下面向隐私保护的数字孪生建模方法，其特征在于，包括：
2.根据权利要求1所述的网络物理能源系统下面向隐私保护的数字孪生建模方法，其特征在于，单体数字孪生模型的建立方法为：
3.根据权利要求2所述的网络物理能源系统下面向隐私保护的数字孪生建模方法，其特征在于，数字孪生理论模型为：
4.根据权利要求3所述的网络物理能源系统下面向隐私保护的数字孪生建模方法，其特征在于，
5.根据权利要求4所述的网络物理能源系统下面向隐私保护的数字孪生建模方法，其特征在于，在联邦学习框架下基于条件生成对抗网络的数字孪生计算当前解决问题的损失函数表示为
6.根据权利要求5所述的网络物理能源系统下面向隐私保护的数字孪生建模方法，其特征在于，对联邦学习框架下基于条件生成对抗网络的数字孪生进行修正的方法为：
7.根据权利要求6所述的网络物理能源系统下面向隐私保护的数字孪生建模方法，其特征在于，得到优化后条件生成对抗网络的方法为：
8.根据权利要求7所述的网络物理能源系统下面向隐私保护的数字孪生建模方法，其
9.根据权利要求8所述的网络物理能源系统下面向隐私保护的数字孪生建模方法，其特征在于，进一步筛选得到最终选定客户端的方法为：
10.根据权利要求9所述的网络物理能源系统下面向隐私保护的数字孪生建模方法，其特征在于，
...【技术特征摘要】
1.一种网络物理能源系统下面向隐私保护的数字孪生建模方法，其特征在于，包括：
2.根据权利要求1所述的网络物理能源系统下面向隐私保护的数字孪生建模方法，其特征在于，单体数字孪生模型的建立方法为：
3.根据权利要求2所述的网络物理能源系统下面向隐私保护的数字孪生建模方法，其特征在于，数字孪生理论模型为：
4.根据权利要求3所述的网络物理能源系统下面向隐私保护的数字孪生建模方法，其特征在于，
5.根据权利要求4所述的网络物理能源系统下面向隐私保护的数字孪生建模方法，其特征在于，在联邦学习框架下基于条件生成对抗网络的数字孪生计算当前解决问题的损失函数表示为
6.根据权利要求5所述的网络...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。