一种应用于储能物联网的数字孪生模型数据处理方法与流程

本发明涉及储能物联网，特别涉及一种应用于储能物联网的数字孪生模型数据处理方法。

背景技术：

1、工商业储能是分布式储能系统在用户侧的典型应用，其特点是距离分布式光伏电源端以及负荷中心均较近，不仅可有效提升清洁能源的消纳率，还可有效减少电能的传输损耗。目前，工商业储能主要通过峰谷价差套利、容量电费削减和需求响应等方式获取的收益来回收投资成本，由于近期锂电池上游原材料价格的持续上涨，工商业储能的经济性呈下降趋势。

2、在工商业储能设备物联网应用场景中，不仅需要采集处理储能设备中电池的工作电压、工作电流、工作温度等储能电池相关信号，而且也要采集用户的总用电功率、各用能设备功率、用户分布式光伏电站的输出功率等与设备运行相关的各种数据。当对这些数据进行全量实时采集时，数据量特别巨大。在将数据传送到云的过程中必然会遇到网络无法承载这巨大数据量的问题、以及由于工业互联网应用场景环境的复杂，以及干扰众多，数据在传输过程中不可避免出现重传甚至丢失的情况。

3、为了处理海量数据从物联网上传到云端的场景，通常在物联网数据处理过程中会包含一个数据加载与变换(etl)的过程，这个过程就是用来对数据进行清洗，处理数据的对齐以及数据的缺失，以及对数据实现压缩以减少所需要的网络传输带宽。对于错误可以采用的方法包括整列删除，缺失值默认值填充等等错误数据处理方法，对于数据压缩可以采用基于数据行的压缩算法，以及基于数据列的压缩算法。但是这些方法并非最优的数据处理策略，在物联网现在边云一体的构架下，这类方法要么在边缘端丢失了不少有用的数据处理信息，要么将过多的数据处理任务压在了云计算端进行并可能增大数据的时间延迟，降低实时数据采样的价值。

4、同时，在工商业储能设备物联网应用场景中，储能设备的充放电是设备运行的关键任务，如何能够有效得实现电能的消除峰填谷，在用电高峰放电在用电低谷充电是一个决定工商业储能盈利能力的重要指标。而储能电站的充放电效率以及其产生的经济价值是有非常多的变量决定的，这些变量包括储能电池的衰减、储能电池在充放电过程中的温度变化、电池组间的一致性，环境温度，甚至于用户当前的用电行为。传统方法是基于人工分析用户用电行为以及电费时段价格生成基于规则的充放电策略，这样显然不智能也不是最优解。

技术实现思路

1、为了解决上述问题，本发明提供了一种应用于储能物联网的数字孪生模型数据处理方法，利用数字孪生建模技术，实现边缘端储能柜与云端大数据的系统协同计算与数据处理，实现对整个储能物联网场景下数据传输过程中数据的压缩以及出现数据错误的处理，并同时实现储能设备的智能重放电策略优化与学习。

2、为此，本发明的技术方案是：一种应用于储能物联网的数字孪生模型数据处理方法，包括以下步骤：

3、1)构建并训练数字孪生模型：构建数字孪生模型并在云端运行，利用云端存储的所有设备的历史数据去训练数字孪生模型；

4、2)将训练好的数字孪生模型分成不可变部分与可变部分，不可变部分生成wasm模型部分，可变部分结合特定设备在云端的配置信息生成模型数据部分，并形成多个与边缘端储能设备相对应的数字孪生模型；

5、3)将多个数字孪生模型打包发送至对应的边缘端储能设备上，设备运行相应的数字孪生模型对系统的数据进行预测；

6、4)当预测精度达到预期值，数字孪生模型在边缘端储能设备上持续进行数据预测；同时，相同的数字孪生模型在云端的数据总线etl模块上运行，生成预测数据；

7、5)边缘端储能设备将预测正确的数据进行压缩，这部分数据则利用云端上相同数字孪生模型得到的预测数据来填充，边缘端储能设备与云端之间仅传输预测错误的数据。

8、进一步地，所述步骤4)中，当预测精度未达到预期值，在边缘端储能设备上进行模型训练，通过在线训练的方式调节数字孪生模型中的模型数据部分，对模型进行微调修正；训练完成后，将训练好的数字孪生模型以及对应的训练数据同步到云端，实现数字孪生模型云边协同流程的闭环。

9、进一步地，步骤5)中，当云端出现数据缺失情况时，利用数字孪生模型的预测数据来直接填补数据缺失部分。

10、进一步地，所述wasm模型部分为程序结构，wasm模型部分是储能设备行为的描述，或者是储能电池的物理衰减模型的数学描述形势，或者是用户用能行为预测模型，或者是设备的充放电策略。

11、进一步地，储能物联网系统分为边缘端和云端，边缘端储能设备包括ems模块、pcs模块、bms模块以及电池模块，云端包括数据总线etl模块和策略模型与数据处理平台；所述ems模块、bms模块、数据总线etl模块和策略模型与数据处理平台内各自部署有数字孪生模型。

12、进一步地，步骤1)中训练好的数字孪生模型，可预测储能物联网系统中电池模块、ems模块、bms模块、pcs模块的工作状态，确保数据预测的准确率达到预设范围。

13、与现有技术相比，本发明的有益效果是：

14、1、构建了基于wasm的数字孪生模型，通过实现云端与边缘端wasm的数字孪生模型同步，在边缘端完成wasm的数字孪生模型训练，并同时将模型传输到云端。通过wasm数字孪生模型对储能设备的数据做预测，并只传输与数据预测不同的点，实现对储能物联网中所传数据的有效压缩，当数据出现传输错误以及数据丢失时，利用数字孪生模型又能够合理填补错误数据，减少数据丢弃。

15、2、在储能物联网边云协同场景下，使用数字孪生技术，实现了有效数据处理工作在物联网边缘端和云计算端进行高效协同，并利用全局信息以及数字孪生模型，有效处理物联网传输过程中出现的数据丢失以及数据压缩问题，同时利用数字孪生模型实现了储能充放电策略的智能化，提高了储能的效率与收益。

技术特征：

1.一种应用于储能物联网的数字孪生模型数据处理方法，其特征在于：包括以下步骤：

2.如权利要求1所述的一种应用于储能物联网的数字孪生模型数据处理方法，其特征在于：所述步骤4)中，当预测精度未达到预期值，在边缘端储能设备上进行模型训练，通过在线训练的方式调节数字孪生模型中的模型数据部分，对模型进行微调修正；训练完成后，将训练好的数字孪生模型以及对应的训练数据同步到云端，实现数字孪生模型云边协同流程的闭环。

3.如权利要求1所述的一种应用于储能物联网的数字孪生模型数据处理方法，其特征在于：步骤5)中，当云端出现数据缺失情况时，利用数字孪生模型的预测数据来直接填补数据缺失部分。

4.如权利要求1所述的一种应用于储能物联网的数字孪生模型数据处理方法，其特征在于：所述wasm模型部分为程序结构，wasm模型部分是储能设备行为的描述，或者是储能电池的物理衰减模型的数学描述形势，或者是用户用能行为预测模型，或者是设备的充放电策略。

5.如权利要求1所述的一种应用于储能物联网的数字孪生模型数据处理方法，其特征在于：储能物联网系统分为边缘端和云端，边缘端储能设备包括ems模块、pcs模块、bms模块以及电池模块，云端包括数据总线etl模块和策略模型与数据处理平台；所述ems模块、bms模块、数据总线etl模块和策略模型与数据处理平台内各自部署有数字孪生模型。

6.如权利要求1所述的一种应用于储能物联网的数字孪生模型数据处理方法，其特征在于：步骤1)中训练好的数字孪生模型，可预测储能物联网系统中电池模块、ems模块、bms模块、pcs模块的工作状态，确保数据预测的准确率达到预设范围。

技术总结
本发明公开了一种应用于储能物联网的数字孪生模型数据处理方法，构建了基于WASM的数字孪生模型，通过实现云端与边缘端WASM的数字孪生模型同步，在边缘端完成WASM的数字孪生模型训练，并同时将模型传输到云端。通过WASM数字孪生模型对储能设备的数据做预测，并只传输与数据预测不同的点，实现对储能物联网中所传数据的有效压缩，当数据出现传输错误以及数据丢失时，利用数字孪生模型又能够合理填补错误数据，减少数据丢弃。

技术研发人员：李知周,吴平,冯毅
受保护的技术使用者：浙江驰库新能源科技有限公司
技术研发日：
技术公布日：2024/1/13