买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：浙江浙能数字科技有限公司;浙江浙能技术研究院有限公司

摘要：本发明涉及一种基于数字孪生体的集团级KKS编码智能映射推荐方法，包括步骤：构建基于电力全生产流程的数字孪生体；根据获得的数字孪生体构建专业字典；使用采集设备采集获得原编码规则下的编码和新编码规则下的编码，构建KKS编码数据集。本发明的有益效果是：本发明将复杂的发电流程系统化，构建基于电力全生产流程的数字孪生体，实例化集团级数字孪生技术；本发明还构建了基于注意力堆叠网络的KKS生成模型，激发了电厂原有数字基础设施的活力，打通数据孤岛、破除信息壁垒，促进物理空间与信息空间之间的实时融合，实现多种KKS编码体系下的智能化映射任务。

主权项：1.一种基于数字孪生体的集团级KKS编码智能映射推荐方法，其特征在于，包括以下步骤：步骤1、根据数字孪生建模过程，首先将发电流程系统化，构建基于电力全生产流程的数字孪生体：Dsys＝{S1,S2,…,St}，式中，S1,S2,…,St表示组成数字孪生体的各个子系统，Dsys表示基于电力全生产流程的数字孪生体；步骤1中将发电流程系统化时，按照不同电力子系统进行划分，不同电力子系统之间存在包含、并行、串联三种关系；步骤2、根据步骤1获得的数字孪生体Dsys构建专业字典Ddict；步骤2中专业词典Ddict以电力子系统的编号、序号、专业编码组成的三键值对作为数据结构，保存于存储设备的存储单元内，所述存储单元存取Json格式的文件，并提供数据接口服务；步骤2具体包括以下步骤：步骤2.1、针对数字孪生体Dsys中包含的各个子系统的详细描述进行分词，获得专业分词数据；步骤2.2、根据步骤2.1获得的专业分词数据，构建多级专业词典：Ddict＝{Dmain_dict,Dsub_dict}上式表示多级专业词典Ddict由主系统词典Dmain_dict和子系统词典Dsub_dict构成，将多级专业词典Ddict存储于存储设备；步骤3、使用采集设备采集获得原编码规则下的编码和新编码规则下的编码其中指按照原编码规则进行编码的第n个编码，指按照新编码规则进行编码的第n个编码；根据人工对原编码规则下的编码新编码规则下的编码进行映射匹配，并构建KKS编码数据集：步骤3中原编码规则为设计院设计电厂时采用的KKS编码规则，新编码规则是发电集团制定的KKS编码规则；步骤3中采集设备内的采集单元通过运行Python脚本进行数据采集，将采集得到的数据通过数据接口向外传输；步骤4、对步骤3获得的KKS编码数据集Datasetkks进行数据预处理，获得训练集Datasetkks_train与测试集Datasetkks_test；步骤5、通过步骤4获得的训练集Datasetkks_train，训练基于注意力堆叠网络的KKS生成模型，基于注意力堆叠网络的KKS生成模型由多层注意力网络堆叠成；步骤5具体包括以下步骤：步骤5.1、根据全连接层由按照原编码规则进行编码的k1st、按照新编码规则进行编码的k2nd来进行词向量化编码，分别得到具有固定维度的向量化结果 上式中，上标1st表示原编码规则，上标2nd表示新编码规则；步骤5.2、根据步骤5.1得到的向量化结果通过自注意力层计算注意力特征： 上式中，向自注意力层输入具有固定维度的向量化结果其中自注意力层由N个自注意力模块堆叠组成，自注意力层形式上将后一个模块的输入作为上一个模块的输出，每个自注意力模块均分为两层；通过自注意力网络self_attentionn得到注意力矩阵 上式中，自注意力网络self_attentionn分别通过权重wq、wk、wv得到特征值query1st、key1st、value1st；然后采用softmax得到基于特征值query1st、key1st、value1st的注意力权重，另外query1st、key1st的向量维度为d1st；然后再通过前馈全连接层feed_full_connectionn计算得到注意力特征其中n∈N，表示在第n个自注意力模块中进行计算；步骤5.3、将步骤5.1得到的向量化结果步骤5.2得到的自注意力特征进行特征融合计算；其融合计算模块由M个融合自注意力模块堆叠构成，融合计算模块内后一个模块的输入作为上一个模块的输出；其中融合自注意力模块由三层结构组成： attnmfm＝full_connectionmattn_mixm上式中，将作为自注意力网络self_attentionn的输入特征，首先通过自注意力网络self_attentionn得到注意力矩阵 上式中，自注意力网络self_attentionn分别通过权重wq、wk、wv得到特征值query2nd、key2nd、value2nd；然后采用softmax得到基于特征值query2nd、key2nd、value2nd的注意力权重另外d2nd为query2nd、key2nd的向量维度；然后再通过self_attentionn将两种注意力矩阵以及注意力特征进行融合，得到融合注意力矩阵attn_mixm；最后通过前馈全连接层feed_full_connectionn根据融合注意力矩阵attn_mixm计算得到融合注意力特征attnmfm，其中m∈M表示在第m个融合自注意力模块中进行计算；步骤5.4、根据步骤5.3得到的融合注意力特征attnmfm，采用归一化指数函数softmax计算得到各个融合注意力特征在词向量中的概率映射值p：p＝softmaxattnmfm步骤5.5、由步骤5.4得到的融合注意力特征在词向量中的概率映射值p，采用交叉熵结果作为训练基于注意力堆叠网络的KKS生成模型的损失函数，对模型训练结果进行评价；并根据迭代次数与损失函数收敛值共同确定基于注意力堆叠网络的KKS生成模型训练的暂停条件；若要继续训练基于注意力堆叠网络的KKS生成模型，则重复执行步骤5.1至步骤5.4，直至达到迭代次数；达到迭代次数后，得到基于注意力堆叠网络的KKS生成模型，并保存于计算单元；步骤6、根据步骤2得到的专业字典Ddict、步骤5得到的融合注意力特征在词向量中的概率映射值p，采用重构函数生成新编码规则下的KKS编码预测值，将新编码规则下的KKS编码预测值通过字符串的形式采用最小编辑距离进行相似度计算；得到最相似的g个KKS编码值用于KKS编码映射推荐： 上式中，通过recon重构函数得到KKS编码预测值然后通过MED最小编辑距离函数计算KKS编码的相似度，最后采用Topg选择最相似的g个KKS编码值用于KKS编码映射推荐，将推荐结果保存于存储单元。

全文数据：

权利要求：

百度查询： 浙江浙能数字科技有限公司 浙江浙能技术研究院有限公司 一种基于数字孪生体的集团级KKS编码智能映射推荐方法