本发明涉及数据存储，尤其涉及一种数字电厂数据的自动存储方法及系统。
背景技术：
1、随着能源行业的快速发展，数字化电厂作为智能电网的重要组成部分，逐渐成为提高电力生产效率和安全管理的关键技术手段，数字电厂通过部署大量传感器和智能设备，实时监测和采集电厂运行过程中产生的各种数据，如电气参数、环境条件、设备状态和生产工艺等，这些数据的高效存储和智能分析对于优化电厂运行、预防故障发生以及提高整体电力系统的稳定性至关重要，然而，随着数据量的不断增加，如何对这些数据进行高效的管理和利用，成为当前数字电厂面临的重要挑战。
2、现有技术中，数字电厂的数据存储与管理方法通常缺乏对数据关联关系的智能化分析和动态优化能力，导致数据存储效率低下，并且难以在复杂的运行环境下保证数据的实时性和一致性，此外，现有技术的安全性和数据恢复能力也存在一定的不足，对于关键数据的保护措施相对简单，不能充分满足现代数字电厂对高效、安全、智能的数据管理需求，尤其是在数据压缩与加密、动态数据备份与冗余管理以及上下文数据检索与分析等方面，现有方案难以应对实际应用中的复杂性和多变性，存在较大的改进空间。
3、本发明的目的是提供一种数字电厂数据的自动存储方法及系统，为数字电厂的数据管理提供更加高效、可靠和智能的解决方案。
技术实现思路
1、本发明提供了一种数字电厂数据的自动存储方法及系统。
2、一种数字电厂数据的自动存储方法，包括以下步骤：
3、s1，数据采集：利用部署在数字电厂中的多个传感器实时采集数字电厂数据，包括电气参数数据（电压、电流、频率、功率）、环境参数数据（温度、压力、湿度）、设备状态数据（振动、转速、油位和油温）、安全监控数据（烟气成分、火灾报警）、生产工艺数据（燃料消耗、水处理数据）以及实时运营数据（生产计划执行情况、设备维护状态）；
4、s2，数据预处理：对采集到的数字电厂数据进行预处理，包括数据去噪、缺失值填补和数据格式统一；
5、s3，上下文关联存储：通过图神经网络（gnn）对预处理后的数字电厂数据进行上下文关联分析，具体包括：
6、s31，数据关系建模：利用图神经网络（gnn）对不同传感器的数字电厂数据的时间序列和空间位置关系进行建模，构建数据之间的图结构，以识别不同数据源之间的潜在关联；
7、s32，动态关联优化：根据电厂运行状态的实时变化，通过图神经网络（gnn）动态调整数字电厂数据之间的关联关系；
8、s33，关联数据存储：将经过关联优化的数字电厂数据进行捆绑存储；
9、s4，数据压缩与加密：对关联存储的数字电厂数据进行压缩和加密处理；
10、s5，数据同步与备份：定期将存储在数据库中的数字电厂数据进行同步和备份，同步与备份过程中，采用自适应冗余策略优化算法，根据数据的重要性和访问频率动态调整冗余级别；
11、s6，数据检索与分析：通过建立基于图结构的索引机制，快速检索与目标数字电厂数据相关的上下文数据，并对上下文数据进行分析，以支持电厂的运行优化和故障诊断。
12、可选的，所述s1中的数据采集包括：
13、s11，电气参数数据采集：在发电设备和配电设施中部署电流传感器、电压传感器和频率传感器，实时采集电气参数数据；
14、s12，环境参数数据采集：在锅炉、管道和冷却设施中部署温度传感器、压力传感器和湿度传感器，监控环境参数；
15、s13，设备状态数据采集：在机械设备（涡轮机、发电机、泵）上安装振动传感器、转速传感器、油位传感器和油温传感器，获取设备状态数据；
16、s14，安全监控数据采集：在排放物监测设施和消防安全单元中配置烟气成分传感器和火灾报警器，采集安全监控数据；
17、s15，生产工艺数据采集：在燃料供应和水处理单元中设置燃料消耗传感器和水质监测传感器，采集生产工艺数据；
18、s16，实时运营数据采集：在电厂管理单元中部署相关传感器和数据接口，实时采集生产计划执行情况和设备维护状态。
19、可选的，所述s2中的数据预处理包括：
20、s21，数据去噪：采用小波变换算法对数字电厂数据进行多尺度分析，将数据分解为不同频段，对高频部分进行阈值处理以去除噪声；
21、s22，缺失值填补：针对数字电厂数据中的缺失值，采用k近邻算法进行填补，通过计算数据点与其周围已知数据点的欧氏距离，选择最近的个数据点进行加权平均；
22、数据格式统一：采用正则表达式匹配和转换算法，将数据格式标准化为统一的时间戳、单位和数据类型。
23、可选的，所述s31中的数据关系建模包括：
24、s311，图结构构建：利用图神经网络（gnn）对不同传感器的数字电厂数据进行时间序列和空间位置关系的建模，将每个传感器数据视为图中的节点，节点之间的边表示传感器数据之间的关联关系，边的权重根据时间序列的相似度和空间位置的接近度进行计算，表示为：
25、；
26、其中，为传感器和在时间序列上的相似度，为传感器和在空间位置上的距离，和为调整权重的超参数；
27、s312，节点特征初始化：每个节点的初始特征向量由其对应的传感器数据的特征提取得到，包含传感器测量值的统计特征和传感器位置、类型，表示为：
28、；
29、其中，和分别表示传感器所采集数据的均值和标准差，表示传感器的空间位置，表示传感器的类型；
30、s313，图卷积操作：通过图卷积神经网络（gcn）对图结构中的节点进行特征传播和更新，表示为：
31、；
32、其中，表示第层中节点的特征向量，为节点的邻居节点集合，为第层的权重矩阵，为relu激活函数，和为节点和的度数；
33、s314，潜在关联识别：通过多层图卷积神经网络（gcn）的逐层特征更新，最终得到每个节点的高维特征表示，结合图中边的权重识别传感器数据之间的潜在关联关系，表示为：
34、；
35、其中，为最终的关联矩阵，为sigmoid激活函数，和分别是经过图神经网络第层后节点和节点的最终特征向量。
36、可选的，所述s32中的动态关联优化包括：
37、s321，实时状态监测与输入更新：实时监测电厂的运行状态参数，包括负载变化、环境条件以及设备状态，并将运行状态参数作为图神经网络（gnn）的动态输入，更新每个节点的特征表示，表示为：
38、；
39、其中，为节点在第层图卷积后的特征向量，为relu激活函数，为节点的邻居节点集合，为节点和节点之间的边权重，为映射函数，根据当前电厂运行状态调整边权重，和分别为节点和节点的度数，为第层的权重矩阵，邻居节点在第层图卷积后的特征向量；
40、s322，边权重动态调整：根据电厂运行状态的实时变化，调整节点和节点之间的边权重，使得节点之间的关联关系动态反映当前电厂的运行条件，表示为：
41、；
42、其中，为初始边权重；
43、s323，多层图卷积网络优化：经过多层图卷积网络（gcn）的迭代更新，节点特征表示和节点之间的边权重动态反映当前电厂运行状态下的最优关联关系，输出的节点特征和边权重构建优化后的关联矩阵，表示为：
44、；
45、其中，为sigmoid激活函数，为节点在第层图卷积后的最终特征向量，为节点在第层图卷积后的最终特征向量。
46、可选的，所述s33中的关联数据存储包括：
47、s331，数据捆绑策略生成：基于通过图神经网络（gnn）优化后的关联矩阵，确定具有强关联关系的数据节点集合，若优化后的关联矩阵的值超过预设阈值，则将对应的节点和节点加入同一集合；
48、s332，数据块划分与捆绑存储：将每个关联数据集合内经过关联优化后的数字电厂数据打包成独立的数据块，并将独立的数据块进行捆绑存储。
49、可选的，所述s4中的数据压缩与加密包括：
50、s41，数据压缩：采用混合压缩算法对关联存储的数字电厂数据进行压缩处理，采用huffman编码对实时数字电厂数据进行压缩，采用离散小波变换对历史数字电厂数据进行压缩；
51、s42，数据加密：采用加密标准（aes）算法对压缩后的数字电厂数据进行加密处理，加密过程包括生成对称密钥，对每个数据块进行分块加密，表示为：
52、；
53、其中，为加密后的数据块，为压缩后的数据块，为对称加密密钥，为加密函数。
54、可选的，所述s5中的自适应冗余策略优化算法包括：
55、s51，数据的重要性权重计算：对每一类数字电厂数据，计算其在电厂运行中的重要性权重，表示为：
56、；
57、其中，为数据的实时性需求，为数据的关键性，和为权重系数；
58、s52，数据访问频率计算：通过记录数据的访问日志，计算每个数据块的访问频率；
59、s53，冗余级别动态调整：依据数据的重要性权重和访问频率，动态调整每个数据块的冗余级别，表示为：
60、；
61、其中，为数据块的冗余副本数量，为调整因子，为所有数据块的数量；
62、s54，动态分配与存储：根据计算得到的冗余级别，为数据块动态分配相应数量的冗余副本，并将冗余副本分布存储到不同的存储节点上。
63、可选的，所述s6中的数据检索与分析包括：
64、s61，基于图结构的索引机制建立：通过对数字电厂数据的图结构进行分析，构建多层次的索引机制，包括：
65、s611，全局索引：对整个图结构进行分区，每个分区包含相关联的节点集合，用于定位目标节点所在的分区；
66、s612，局部索引：在每个分区内，基于节点之间的边权重，建立局部索引，用于检索与目标节点关联的上下文数据；
67、s62，快速数据检索算法：利用基于图结构的索引机制，通过全局索引定位目标数据节点所在的分区，通过局部索引检索与目标节点紧密关联的上下文数据，表示为：
68、；
69、其中，表示节点的上下文数据集合，表示节点和节点之间的边权重，为预设的边权重阈值，表示节点的邻居节点集合；
70、s63，上下文数据分析：对检索到的上下文数据进行分析，利用图神经网络（gnn）挖掘数据之间的复杂关联关系，并结合电厂的运行状态，进行电厂的运行优化和故障诊断，包括：
71、s631，特征提取：从上下文数据中提取特征，包括时间序列特征、设备运行状态特征、数据关联特征、故障模式特征、空间和拓扑特征以及访问频率特征，生成上下文特征向量，表示为：
72、；
73、其中，为节点和节点之间的边权重，为上下文节点的特征向量；
74、s632，关系推理：利用图神经网络对上下文特征向量进行推理，得出与目标数据节点之间的关联性和故障原因，表示为：
75、；
76、其中，为节点和节点之间的推理关系得分，和分别表示节点和节点经过层图卷积后的最终特征向量，为权重矩阵，为偏置项，为sigmoid激活函数。
77、一种数字电厂数据的自动存储系统，用于实现上述的一种数字电厂数据的自动存储方法，包括以下模块：
78、数据采集模块：利用部署在数字电厂中的多个传感器实时采集数字电厂数据，包括电气参数数据、环境参数数据、设备状态数据、安全监控数据、生产工艺数据以及实时运营数据；
79、数据预处理模块：对采集到的数字电厂数据进行预处理，包括数据去噪、缺失值填补和数据格式统一；
80、上下文关联存储模块：通过图神经网络对预处理后的数字电厂数据进行上下文关联分析，并进行关联存储；
81、数据压缩与加密模块：对关联存储的数字电厂数据进行压缩和加密处理；
82、数据同步与备份模块：定期将存储在数据库中的数字电厂数据进行同步和备份，同步与备份过程中采用自适应冗余策略优化算法，根据数据的重要性和访问频率动态调整冗余级别；
83、数据检索与分析模块：通过建立基于图结构的索引机制，快速检索与目标数字电厂数据相关的上下文数据，并对上下文数据进行分析，以支持电厂的运行优化和故障诊断。
84、本发明的有益效果：
85、本发明，通过部署在数字电厂中的多种传感器，实时采集涵盖电气参数、环境参数、设备状态、安全监控、生产工艺和实时运营数据，确保数据采集的全面性和精准性，同时，通过数据去噪、缺失值填补和数据格式统一，极大提高了数据的一致性和可靠性，为后续的数据存储、分析和决策支持提供了坚实的基础。
86、本发明，通过利用图神经网络进行上下文关联存储，能够捕捉数字电厂数据中复杂的时空关系，实现数据关系建模、动态关联优化和关联数据的捆绑存储，通过动态调整边权重和利用多层图卷积网络优化数据关联性，能够灵活响应电厂运行状态的实时变化，确保数据存储和分析过程中关联关系的准确性和一致性，提升了数据的存储效率和智能化水平，为电厂的运行优化和故障诊断提供了更为精准的支持。
87、本发明，通过采用混合压缩算法和高级加密标准算法，减少了数据存储的空间占用，并确保了数据在传输和存储过程中的安全性，同时，通过自适应冗余策略优化算法，动态调整数据的冗余级别，确保关键数据在高频访问和故障恢复时具有足够的冗余保护，最后，基于图结构的索引机制和快速数据检索算法，结合上下文数据的深度分析，提升了数据检索的速度和精度，有效支持电厂的智能化运行和预防性维护，显著提高了电厂的运行效率和整体安全性。
1.一种数字电厂数据的自动存储方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种数字电厂数据的自动存储方法，其特征在于，所述s1中的数据采集包括：
3.根据权利要求1所述的一种数字电厂数据的自动存储方法，其特征在于，所述s2中的数据预处理包括：
4.根据权利要求1所述的一种数字电厂数据的自动存储方法，其特征在于，所述s31中的数据关系建模包括：
5.根据权利要求4所述的一种数字电厂数据的自动存储方法，其特征在于，所述s32中的动态关联优化包括：
6.根据权利要求5所述的一种数字电厂数据的自动存储方法，其特征在于，所述s33中的关联数据存储包括：
7.根据权利要求1所述的一种数字电厂数据的自动存储方法，其特征在于，所述s4中的数据压缩与加密包括：
8.根据权利要求1所述的一种数字电厂数据的自动存储方法，其特征在于，所述s5中的自适应冗余策略优化算法包括：
9.根据权利要求6所述的一种数字电厂数据的自动存储方法，其特征在于，所述s6中的数据检索与分析包括：
10.一种数字电厂数据的自动存储系统，用于实现如权利要求1-9任一项所述的一种数字电厂数据的自动存储方法，其特征在于，包括以下模块：
