SCI论文（www.lunwensci.com）
摘 要 ：针对大型光伏发电工程研发了一种基于元宇宙技术的应急管理信息系统软件,利用虚拟仿真、实时交互和计算分 析实现对故障风险的全方位监控与预测。研究了在光伏建设过程中建立包括物联网及算法系统、扩展现实系统及信息管理系统 的元宇宙平台,将二三维虚拟地图及设备信息叠加到现实场景中进行虚拟演练,通过机器学习算法预测故障风险并发送报警信 息,应急管理平台根据收到的故障风险类别及报警信息等级,采取相应措施或启动应急预案,进行智能应急指挥调度。通过天 津市西青区 120MW 光伏工程实际验证,实现了故障风险准确预测及高效应急管理。
关键词 ：元宇宙,应急管理信息系统,扩展现实,物联网及算法系统,虚拟演练
An Emergency Management Platform Based on Metave
PEI Shupeng1. CHENG Huan1. ZHANG Tiema2
(1.Tianjin Installation Engineering Co., Ltd., Tianjin 300061;2.Tianjin Futian Technology Co., Ltd., Tianjin 300384)
【Abstract】：An emergency management information system software based on metaverse technology for large-scale photovoltaic power generation projects, which utilizes virtual simulation, real-time interaction, and computational analysis to achieve comprehensive monitoring and prediction of emergency management. We studied the establishment of a metaverse platform in the photovoltaic construction process, including the Internet of Things and algorithm systems, extended reality systems, and information management systems. We overlaid two-dimensional and three-dimensional virtual maps and equipment information into real scenes for virtual exercises. We predicted fault risks through machine learning algorithms and sent alarm messages. The emergency management platform received predicted fault risk categories and alarm information levels, take corresponding measures or initiate emergency plans to conduct intelligent emergency command and dispatch. Through practical verification of the 120MW photovoltaic project in Xiqing District, Tianjin, accurate prediction of fault risks and efficient emergency management have been achieved.
【Key words】： metaverse;emergency management information system;extended reality;Internet of Things and algorithm systems;virtual exercise
0 引言:
大型光伏项目建设和运行过程中,很可能会出现故 障风险,甚至火灾、爆炸等电力系统事故,基于元宇宙 软件系统平台对故障预测及应急管理意义重大。传统故 障预测 [1] 及应急管理方法通常有以下几点不足 ：(1)事 后处理,没有体现预测功能 ;(2)采用人工,通过电 话、短信等方式报警通知相关人员,造成信息传递不及 时、不准确,导致应急指挥人员不能提前了解现场情况而造成指挥延误 ;(3)难以对复杂现场环境进行及时 分析判断,决策过程繁琐,且不能直观、及时地发现故 障 ;(4)难以全面覆盖所有设备和环节,应急响应效 率较低。基于元宇宙的预测管理技术可以通过物联网及 人工智能算法对系统的运行状态进行分析预测,同时进 行云指挥调度及日常虚拟演练,能够对复杂现场情况快 速准确分析判断。当预测到故障风险并确认后,根据具 体情况自动触发应急响应措施,如停机保护、自动修复、消防救援设备及视频监控摄像头联动等,实现系统 故障预测及高效应急管理。本文针对系统的复杂多样 性,通过元宇宙软件技术信息协同 [2],经天津市西青区 120MW 光伏建设工程项目验证实现故障风险应急的全 面预测管理。
1 元宇宙平台架构
元宇宙平台软件系统包括物联网及算法系统、扩展 现实系统及信息管理系统。
(1)物联网及算法系统通过物联网实时感知真实系 统,包括建设施工环境温湿度、系统组件状态、电池板 表面温度、烟雾感应等数据,并通过机器学习算法分析 处理,预测故障及风险等级,报警信息传输至应急管理 平台。对历史数据进行分析,建立故障模型,预测未来 可能出现的故障情况,找出异常数据和规律性特征,进 一步优化故障预测模型。传感器获取监测数据,以 TCP 或者 UDP 传输到服务端,在平台上接收数据并存储到 数据库,客户端发起请求,查询数据,实时显示监测 数据。因为 UDP 的特性, 传感器监测的数据, 比如实 时电压、实时电流、实时功率、实时温度等需要实时显 示、快速传递, UDP 更适合作为传输协议。Socket 通 讯模型和 C++ 语言基于 UDP 的 Socket 传输实现过程 如图 1、图 2 所示。
(2)扩展现实系统模拟系统运行,包括增强现实系 统及虚拟现实系统。增强现实系统将系统二三维虚拟地 图及设备信息叠加到现实场景中,远程实时监控管理, 并可使用 AR 眼镜或手持设备,将系统的各种数据信息 以二三维形式呈现。虚拟现实系统利用 VR 设备 [3] 及虚 拟场景程序进行日常演练,并根据演练效果制定并优化应急指挥调度预案。
扩展现实系统通过三维激光扫描仪采集包括光伏阵 列、逆变器、电池组及相关控制器等设备的三维点云数 据 ;通过(无人机)倾斜式摄影或摄像机采集应急设 备、周边交通道路、消防救援通道等高清图像,根据采 集的三维点云数据和高清图像建立扩展现实系统场景。
扩展现实系统自主研发了三维模型驱动引擎,该引 擎具有组件化管理模式、动态模型载入、多级空间包含 关系定义、模型属性自定义等技术优势,便于和物联 网、GIS 及其他管理信息系统进行集成,复制成本低、 速度快,具有广泛的推广应用价值。具备 Mod 细颗粒 度低成本建模能力、Mass 大规模系统仿真能力,突破 建模成本高、技术要求高、时间花费高无法落地的“三 高”关键难题。通过云计算及图形图像技术集成智能体 进行混合仿真、数据交互与 IoT 数据混合对接及 3D 引 擎优化技术,极大地降低项目成本与周期。
扩展现实系统对空间管理及数据管理 ：以 1×1×1 的小立方体为基础单元进行单元分割,对三维结构进行 线格划分,将对象置于三维立体线格结构中按照基础单 元的分布进行重新分割。属性关联,根据每个基础单 元的位置信息赋予其编号、坐标等空间属性,并与相关 联的基础单元建立映射关系,形成系统三维立体拓扑结 构。根据基础单元的位置,找到与之对应的真实场景的 位置,并获取其设备、结构、材质等属性信息,将属性 信息赋予基础单元,构建属性拓扑结构。结构分析,利 用 Hadoop,以空间单元为质点,以 K-means 算法为 基础,通过迭代、分割、聚合等步骤,分析基础单元之 间的连通性。结合系统故障预测的位置、类型等属性信 息,快速计算出受到影响的区域,找到故障的关联区 域。系统中采用建设工程公司名称的拼音字头(如只有英文名称,小于等于 4 个字母使用英文全称 ;大于 4 个字母则使用各单词首字母)代表类。B 代表基础设施 类。每新增一种新建筑则在 B 后递增编号,如 B0001、 B0002 等。数据坐标和三维坐标误差导致系统中的坐标 不匹配,需要将数据手工配准,如图 3 所示。
施工现场虚拟场景与数据系统 [4] 集成,直接对设备 数据进行查询、统计、分析并编辑,实时更新数据库中 相应数据信息,提高平台的可持续化使用和可维护性。
(3)信息管理系统提供设备配置、故障诊断、维护 记录 [5] 等功能,对元宇宙平台进行管理维护,并提供历 史数据分析和趋势预测功能,进行更精准的应急管理。 其中,物联网及算法系统、扩展现实系统及信息管理系 统之间关联互通。如图 4 所示。
2 预测故障风险
元宇宙平台软件系统采用云计算技术,将数据存储 在云端,实现数据远程存储访问。并实时采集真实系统数据分析处理,预测故障风险并发送报警信息 [6]。
使用机器学习算法对历史数据进行分析,建立故障 模型,预测故障风险,找出异常数据和规律性特征,进 一步优化故障预测模型。
预测故障风险流程主要有如下几点 ：
(1)数据采集 ：通过传感器获取实时数据,如电池 板电流、电压、温度、烟感等。
(2)数据准备 ：将采集到的数据分为训练集和测 试集。
(3)数据预处理 ：对采集到的数据进行预处理, 如 去除噪声、平滑数据等操作。
(4)特征提取 ：预处理后的数据中提取特征作为输 入变量,如电流、电压、温度、电流与电压之间的比 值、温度的标准差等。
(5)数据标准化 ：对选择的特征进行标准化处理, 不同特征之间的差异不会影响分类结果 [7]。
(6)超平面计算 ：使用核函数将数据映射到高维空 间中,计算出超平面的位置和方向。
(7)模型训练：使用支持向量机 (SVM, Support Vector Machines) 算法分类不同类型的故障, 对提取的特征进 行训练。
支持向量机 (SVM) 算法的训练公式 ：有一个数据 集X, 其中包含 n 个样本, 每个样本都有 m 个特征。目 标是找到一个超平面,将正常样本和故障样本分开。
首先,对数据进行预处理,包括标准化、缩放等操 作。然后,计算支持向量机的决策边界,如式(1)所示 ：
其中, ω 是模型参数, yi 是第 i 个样本的真实标签 ( 正常或故障 ), xi 是第 i 个样本的特征向量, C 是正则 化参数,用于控制模型的复杂度。为了找到最优的 ω , 使用梯度下降法或其他优化算法来更新模型参数。具体 来说,可以定义损失函数,然后,通过求解该损失函数 的梯度来更新模型参数,最后,将模型参数 ω 存储起 来,并使用它进行预测。
模型评估则使用测试数据对训练好的模型进行评 估,计算模型的准确率、召回率、F1 值等指标,评估模 型的性能。
支持向量机 (SVM) 算法的准确率计算。假设已经训 练好一个 SVM 模型, 并使用该模型对测试数据集X ' 进 行预测。将预测结果与真实标签进行比较,计算出准确 率。其中, TP 表示真正例的数量,即预测为正常样本 且实际为正常样本的数量 ;TN 表示真负例的数量,即 预测为故障样本且实际为故障样本的数量 ;FP 表示假正例的数量,即预测为正常样本但实际为故障样本的数 量 ;FN 表示假负例的数量,即预测为故障样本但实际 为正常样本的数量。通过 TP、TN、FP、FN 分别替换 为实际值和预测值,计算出模型的准确率。需要注意的 是,在计算准确率时,需要将测试数据集中的所有样本 都进行预测,并将预测结果与真实标签进行比较。
3 建立应急管理平台
建立应急管理平台,包括如下几点 ：
(1) 自动触发响应 ：根据预测的故障风险等级自动触 发应急响应,如停机保护、自动修复、智能联动及报警。
(2)应急指挥中心 ：通过可视化界面对元宇宙虚拟 模型查询定位,可快速定位报警点并通过网络远程开通 现场视频监控系统接口,实时监控并可联动消防救援设 备及相关系统,同时在信息管理系统中调取相应文件, 进行应急指挥调度。
应急指挥中心还包括实时数据查询,包括监测设备、 检测设备等,各类检测设备通过串口(RS485)通讯协 议将采集数据实时传输到采集器并通过网关以 Socket 将 实时数据传输到服务端,存储到数据库。也可根据关键 属性在系统数据库中查找与之相符的设备数据信息,将 查找结果与三维空间信息相关联,将结果在三维虚拟场 景中通过模型的变换直观展示出来,结果更加直观。
(3)查询定位 ：在 AR 场景中查看系统场景,显示 设备类型,监测信息接收检测设备中采集并发送的数据 在显示面板中实时显示。AR 系统场景及设备可呈半透 明,可以任意角度查看,可在其中找到监测设备标识, 点击该标识显示该设备的型号、所在位置、监测的故障 信息种类等数据。基础设施查询主要包括线路信息的查 询、建筑信息的查询、生产设备信息的查询、水电渠道 信息的查询和防雷装置信息的查询。通过这些操作对模 型中基础设施进行查询,并进行之后的操作,其界面如 图 5 所示。
元宇宙平台软件系统具有多种云服务器,包括扩展 现实服务器、报警接收与处理服务器、数据库服务器、 视频监控与回放服务器、三维 GIS 服务器、Web 服务 器、媒体转发服务器等。
应急管理平台根据收到元宇宙平台预测的故障类别 及报警信息等级,采取相应措施或启动应急预案,进行 智能应急指挥调度管理。应急指挥中心通过政务专网、 5G 或应急指挥调度专线,可远程对硬件设备及系统操 作控制。
获取现有视频监控、消防硬件系统接口 API, 根据 现有 API 函数的结构、参数、使用方式、代码语言等信息,设计对接接口,通过 API 调用获取现有平台的数 据参数并对数据信息进行分析、处理,将数据传递给平 台,对具体监测设备的监测数据进行分析,根据监测数 据所处的状态对故障受影响的范围、设备、管线等模型 进行相应的模型变换,可直接看到数据分析结果。监测 数据一旦超过预警值,扩展现实场景添加红光闪烁预警 效果,并直接推送预警设备信息,快速了解设备位置、 型号等属性信息和其监测信息,并实现预警设备的虚拟 场景定位。
(4)信息系统远程管理 ：各级管理端都可基于应急 管理平台进行管理,直接点击三维对象弹出显示消防监 督网络执法的各种信息,即建筑物信息、设备信息、人 员信息、火灾隐患记录、各种法律文书、防火检查、巡 查记录等,非常直观。同时,消防报警主机、消防设施 的异常状况会在立体模型上实时显示,报警记录可保存 并上传。要素类是具有相同属性和相同几何类型的要素 集合,在关系数据库中的存储与对象类似,通过一个指 定的列存储其空间几何信息。在要素类内部可以划分若 干个次一级的组,每个组是一个子类,每个子类有其自 己的完整性规则和行为。为解决同一工作空间几何对象 多比例尺的表示问题,将要素数据集设计成一个具有相 同空间参照的要素类集合,简单要素类和聚合要素类可 以存放在某个要素数据集中,也可以独立于所有要素数 据集之外。构成复合要素的各个要素必须存放在空间参 照相同的同一个要素数据集中。数据库设计参照 Geo Database 结构体系, 建立在关系型数据库上, Geo Ddatabase 支持面向对象的矢量数据模型,并且是建立 在标准的关系型数据库之上,将空间数据组织成了一个 数据对象结构体系。
应急管理平台扩展现实三维仿真模型及其对象模型 的研究 ：根据 CAD 图纸及航拍高清照片,施工现场设 备的分布信息,以及设备的型号、用途、外观等信息建 立三维仿真模型。三维仿真模型可视化管理平台结构定 义简便,能完整立体表达系统内部三维空间结构,可根 据要求进行不同程度的建模和仿真,方便、准确、快速 地进行定义和显示查询操作。同时,地图比例尺与单位 比例尺可以不同,同一幅图出现多种比例尺的情况,可 以实现对不同地区的重点设备结构同时显示和观察。实 现系统交互界面的功能模型,同一界面多比例尺三维模 型显示,实现对地物空间的简便三维定义、管理与维 护。应急管理平台建立系统标准包括元数据标准、数据 库标准、信息分类和编码标准、三维物件库标准、电子 数据交换基础标准等,使各部门单位能够自行进行初步 的三维建模。该模型可与应急标准化管理子系统、远程 监督子系统内部集成,直接在三维管理界面上弹出系统 的所有信息。应急管理平台上能够非常直观地显示出工 程项目的所有报警设备、视频监控设备的状态,所有网 络执法与业务管理系统的文本、图纸、报告、记录、审 批等所有信息,可以进行远程巡查和浏览。如有报警或 异常情况能够立即切换场景至发生报警的地点并进行三 维立体显示,同时弹出显示报警设备的状态和相关视 频,调用相关历史资料。
其他相关系统的接口设计和研究 ：一旦发生报警以 后,应急管理平台通过元宇宙平台将故障报警区域所在 具体地理位置明确显示在电脑中,同时留有与相关系统 的接口,可以在增强现实系统上叠加显示故障区域周围 的环境,如交通状况、消防通道、警力分布、消防水 源、消防救援站等处境相关信息并通过加亮、颜色等各 种方式进行突出显示。信息管理系统为保证更具科学 性、直观性和实用性,把各种类型的故障及风险等级事 件进行梳理、合并及归纳。在虚拟现实系统中把每一种 类型故障的处置基本对策均制成应急救援与指挥辅助决 策预案,对每种类型应急侦察、救援对策、注意事项等 方面进行推演,根据不同类型应急特点介绍处置对策的 基本要素和基本行动准则。扩展现实系统同时具有电子 沙盘的推演功能,所有不同种类的应急力量 ( 人员、车 辆、器材等 ) 都做成计算机图标,可以移动、撤销,并 根据演练需要布置。
4 结论
(1)元宇宙平台采用云计算技术,将数据存储在云 端,实现数据远程存储访问,并实时采集施工现场数据分析处理,预测故障风险并发送报警信息。应急管理平 台根据预测的故障风险等级自动触发应急响应,如停机 保护、自动修复、智能联动及报警。应急指挥中心通过 可视化界面对虚拟模型查询,可快速定位施工现场设备 报警点,通过网络远程开通现场视频监控系统接口,并 联动消防救援设备及相关系统,同时在信息管理系统中 调取相应文件,进行应急指挥调度。预测管理过程中, 元宇宙平台软件系统中设置安全防护机制,包括身份认 证、访问控制、数据加密等措施。
(2)进行机器学习算法应用时,具体的网络结构及 参数迁移方式基本是根据建设工程项目设置的,如何根 据目标域的类型选择合适的迁移方式仍需进一步研究。
(3)由于元宇宙平台在故障检测类型验证中不能囊 括所有,且只能检测出是否存在故障,还不能穷尽判断 故障类型,可通过更多实际项目得到类型更全面的故障 数据,以进一步对故障预测管理优化。
参考文献
[1] PANG Y,NEE A Y C,ONG S K,et al.Assembly Feature Design in an Augmented Reality Environment[J].Assembly Automation,2006.26(1):34-43.
[2] GHADIMI N,AKBARIMAJD A,SHAYEGHI H,et al.Two Stage Forecast Engine with Feature Selection Technique and Improved Meta-heuristic Algorithm for Electricity Load Forecasting[J].Energy,2018(161):130-142.
[3] 张曦,康重庆,张宁,等.太阳能系统的中长期随机特性分析 [J].电力系统自动化,2014.38(06):6-13.
[4] OSTI F,CERU TI A,LIVERANI A,et al.Semi-automatic Design for Disassembly Strategy Planning:An Augmented Reality Approach[J].Procedia Manufacturing,2017(11): 1481-1488.
[5] ANAS TASSOVA M,BURK HARDT J M.Automotive Technicians' Training as a Community-of-Practice: implications for the Design of an Augmented Reality Teaching Aid [J].Applied Ergonomics,2009.40(4):713-721.
[6] 梁昌盛.大型光伏电站中集中式逆变器与组串式逆变器的选 择探究[J].通信电源技术,2020.37(10):283-285.
[7] YOUSSEF A,EL-TELBANY M,ZEKRY A.The Role of Artificial Intelligence in Photo-voltaic Systems Design and Control:A Review[J].Renewable and Sustainable Energy Reviews,2017(78):72-79.
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jisuanjilunwen/75910.html
