认知电力系统就是要实时精确地获知电力系统当前所处的状态, 并对电力系统未来的运行状态进行评估。只有正确认知电力系统, 才能保证整个电力系统的安全平稳运行^[1]。由于电力系统具有实时性和随机性, 所以认知电力系统有一定的困难^[2]。目前, 认知电力系统所面临的困难主要有: 整个系统是随机的, 具有不确定性和非线性, 并且整个系统的运行是关联在一起的; 电力系统是复杂多变的, 并且系统所处的环境也是时刻变化的; 在输变电过程中, 由于外界的影响, 可能会导致获取数据的缺失或者存在大量的异常数据。

随着经济的不断发展, 整个电力系统的规模也越来越大, 对整个电力系统的认知就显得尤为重要, 建立一个数字化、智能化的感知系统的需求更加迫切。

数字孪生技术是一个集成人工智能、5G技术、大数据分析的新型技术, 也是一个集成的跨科学、多物理、多维度的模拟过程^[3]。作为一种高新技术, 数字孪生技术为电力系统的正确认知提供了一个全新的思路, 把显示的物理空间反映到虚拟空间, 使整个系统的实时状态得到感知。目前，该技术已经应用到航天技术^[4]、无人驾驶技术^[5]、智能制造、工业自动化、设备故障诊断与评估、医疗等多个方面。

电力系统是由发电厂、电网、用户所组成的一个整体。电网作为整个系统的输送电能的网络, 是整个系统的枢纽, 连接着电厂和用户。基于数字孪生技术对电网的正确认知和评估也是电力数字孪生最重要的部分。对于发电厂和用户而言, 数字孪生技术主要用于构建智能电厂和对用户的行为进行分析。

数字孪生思想是由美国密歇根大学的教授GRIEVES M提出的, 称为“镜像模型”, 后被定义为“数字孪生”^[6]。数字孪生是基于MBD(Model Based Definition)深度开发的, 是在大量的数学、物理模型的基础上发展起来的, 主要由物理空间的实体产品、虚拟空间的虚拟产品以及物理空间和虚拟空间的数据和信息交互接口3个部分组成。在2011年数字孪生技术首先被应用于航天工业, 美国航天局将该技术用于航天器的健康维护和状态监测。2012年NASA解释了数字孪生的概念: 数字孪生技术是一种虚拟空间对物理空间实体的镜像空间模型, 是集成了多科学、多物理量、多尺度的用于反映物理空间实体整个生命周期的仿真过程。

整个数字孪生体系包括物理实体(物理世界)、虚拟模型(数字世界)以及物理实体与虚拟模型之间的信息交互通道。其框架如图 1所示。

图 1 数字孪生框架

(1) 物理实体, 既包含物理元素, 又包含各实体间的相互运行逻辑关系、生产流程等规则。在实际生产过程中主要是指研发阶段、生产阶段、维护阶段包含的物理实体, 如工作人员、设备、材料、产品、用户等, 以及各物理实体间存在的逻辑关系。

(2) 虚拟模型, 是指对物理实体的高度仿真建模, 建立对象、模型、数据一体的数字空间, 能够实时地反映物理实体的状态信息、全息感知和模拟物理实体。

(3) 信息交互通道, 采用物理网、互联网、仿真工具、虚拟现实等技术, 使物理实体和虚拟模型保持实时联系, 实现准确映射。将传感器获取的物理实体的实时状态传输到虚拟模型, 并将数字世界的数据回馈给物理实体, 形成闭环。

电力数字孪生就是使数据流充分发挥作用, 通过虚拟推演以及实时态姿感知, 达到认知电力系统的目的。

数字孪生电网就是把物理实体电网的状态信息映射到虚拟空间, 在虚拟空间建立一个与物理电网相匹配的数字电网, 基于物理电网的状态信息进行实时诊断、预测, 并将评估结果反馈给物理电网, 从而达到物理电网的平稳运行。它是一个闭环体系, 具体如图 2所示。

图 2 数字孪生电网示意

数字孪生电网与物理电网同步建设: 从物理电网的规划阶段就开始建模, 在建设阶段导入数据; 在电网运行阶段, 物理电网与数字电网进行虚实互动、用虚控实, 成为一个平衡的系统。

数字孪生电网框架主要由基础设施层、平台层和应用层3个层次构成, 如图 3所示。

图 3 数字孪生电网框架

(1) 基础设施层主要包括端侧的测量感知设备、网侧的网络连接设备和云端的智能计算设备。

(2) 平台层主要包括管理调控层、数据汇聚层、孪生模型层。管理调控层包括物联设备平台和电网资源调控平台, 用于对基础设备和电网侧的资源进行统一的调控和管理。数据汇聚层, 就是汇聚全部的数据。孪生模型层由设备数字孪生模型、子系统数字孪生模型和电网数字孪生模型组成, 功能是与数据汇聚层结合起来, 建立一个与实体对应的数字孪生模型, 是整个平台层的核心。

(3) 应用层按其作用与不同的场景可分为设备层、电网层、业务层、运营管理层。设备层主要是用于设备状态的管理和评估、故障诊断以及全寿命周期的管理, 是整个应用层的基础。电网层主要用于电网调度、运行风险分析和全寿命周期管理, 是应用层的核心。业务层主要是围绕基建、生产、调度、营销、培训等部门协同支撑业务开展, 是应用层的关键支撑。运营管理层的主要功能是优化企业的资产管理、运营风险管理、投资决策, 是应用层的顶层应用。

输变电设备是电网中的核心部分。其正常运行是电网安全的根本保证^[7]。输变电设备在实际运行中会受到外界环境、设备老化、负荷过大等因素的影响, 导致其运行状态出现异常。这就要求要实时掌握输变电设备的运行状态, 保证电网的平稳运行。数字孪生技术应用于电网运行非常重要的一点就是对输变电设备的运行状态进行评估, 而评估输变电设备的运行状态是确保电网安全稳定运行的重要措施^[8]。

输变电设备的运行条件特殊, 无法在设备状况出现恶化时及时进行停电维护。将用于获取反应设备状态的传感装置安装在输变电设备上, 然后根据获得的状态数据建立设备评估模型, 以实时获取输变电设备的运行状态。这是目前用来评估输变电设备能否安全运行的主要方式^[9]。但是这种采用单一系统的部分设备信息来进行检测的方式, 在实际的使用过程中会存在一定的问题, 比如: 用于测量输变电设备全景状态信息的传感装置较少, 而且目前新型智能传感器还面临准确度和可靠性不够的问题, 成熟度未能达到现场使用的条件。只能通过不同类别的传感器分别采集不同类型的状态信息加以弥补。但各类传感器获取的数据具有一定的差异性, 无法对数据进行高效融合。此外, 构建的评估输变电设备运行状态的模型不可靠。目前主要是通过专家的经验和一些通用的算法来建立评估模型, 但是这种方式缺少对输变电设备个性化的考虑。

鉴于以上传统的评估输变电设备运行状态的方法存在感知全景信息的传感装置较少、数据融合性差、评估模型可靠性差等问题, 数字孪生技术被逐渐应用于输变电设备运行状态评估中。相比于传统技术, 数字孪生技术打破了实体、感知、建模、应用之间的独立格局, 将它们融合起来, 用各类传感装置全面获取输变电设备的各种运行状态数据, 并根据获得的精准数据, 应用数据融合技术进行融合, 应用大数据分析、数据挖掘等现代信息技术构建输变电设备数字孪生模型, 对输变电设备的运行状态进行准确评估和预测。数字孪生技术的应用, 为保证输变电设备的安全平稳运行提供了新的思路。

随着人工智能技术和数字电网的大力发展, 输变电设备的检修方式由传统的按照计划日期检修发展为基于数字孪生技术的比较灵活的检修方式^[10]。基于数字孪生技术的输变电设备状态评估的主要实现过程为: 首先由传感装置获得输变电设备的状态数据; 然后应用大数据分析等技术对状态数据进行分析处理, 利用处理好的状态量数据建立数字孪生模型^[11]; 最后对该模型进行一系列的优化, 以提高模型的可靠性, 更准确地反映输变电设备的运行状态。

输变电设备运维中的数字孪生技术架构由数字孪生电网框架展开而来: 将数字孪生电网的基础设施层展开成物理层和感知层; 将数字孪生电网的平台层展开成数据层和模型层。

在实际的运行过程中, 数字孪生技术的物理层包括变压器、电缆、电容器、避雷器、线路等。其后是感知层, 感知层的作用是将传感装置获取的输变电设备的状态数据与设备自身的生产数据、环境数据和检修数据结合起来, 全方位地感知输变电设备的运行状态。输变电设备的实际运行环境复杂多变, 感知层获取的数据包含很多无用数据, 就需要对数据进行处理, 以提高数据的质量。这个过程就是输变电设备状态评估数字孪生技术的数据层。根据数据层处理后的数据和实际的功能需求构建数字孪生模型。该模型与所需功能是相对应的, 可用于对输变电设备的状态评估、故障诊断和未来一段时间运行状态的预测。这就是输变电设备运维中数字孪生模型的模型层。模型层之后是输变电设备评估中数字孪生模型的应用层, 主要功能包括: 输变电设备的检修、寿命评估、指导设备和装置的升级、资产管理等。输变电设备运维中的数字孪生技术架构如图 4所示。

图 4 输变电设备运维中的数字孪生技术

在输变电设备上安装传感装置可以获取输变电设备的运行状态数据, 全面感知设备的各种状态量。常用的传感装置有油中溶解气体传感装置、压力传感装置、油中电场传感装置、特高频传感装置等。

溶解气体传感装置主要包括基于氢离子火焰传感器、基于热导检测器以及基于光学技术的油中气体传感装置等。基于光纤结构的压力传感装置, 用于测量变压器内部的压力, 在高温复杂的电磁环境下, 能够直接对变压器内部各个位置的压力进行测量。油中电场传感装置用于测量变压器内部的电场情况, 实现复杂电场的非接触测量。对输变电设备变压器的状态进行评估的一个重要手段就是对变压器的局部放电进行监测。目前, 基于特高频信号的局部放电监测装置在监测变压器的局部放电信号领域已得到应用, 其稳定性和灵敏度较高。基于光学技术的局部放电监测装置也是当今研究的重点。

各类传感装置感知到设备的各种状态量后, 再结合设备的工艺制造数据、运行环境、设备的运维检修数据和以前的故障案例, 就可以实现多元数据融合, 对输变电设备状态进行全面的深度感知。

通过输变电设备运行状态的全面感知技术, 获得了输变电设备的运行状态数据, 而这些数据中会存在一些噪声数据、异常数据等, 影响了状态数据的质量。为了提高状态数据的质量, 就需要用数据处理技术对获得的状态数据进行数据清洗, 去除异常数据。

对输变电设备运行状态数据进行处理, 首先是对传感装置进行评估, 找到异常传感装置。由于输变电设备的运行环境多变, 导致传感装置的稳定性和可靠性得不到保证, 容易发生故障。这种异常传感装置的存在, 就会使获得的状态数据中混杂着较多的异常数据, 影响数字孪生模型的构建, 从而影响对输变电设备的评估。

传统的异常传感装置评估方法通常是构建智能分类器, 进行模式识别, 或者从异常数据中提取关键的统计量, 根据统计量进行判断。这种方式需要进行离线标定实验、离线数据和在线数据相互校验的方法来进行评估, 但是输变电设备传感装置一般都要保持持续运行, 不能进行离线实验。由于较少的异常数据以及异常数据与正常数据的边界并不清晰, 构建可靠的分类器也是一个很大的难题, 所以基于实时数据的异常特征对传感装置进行评估成为一种有效的方法。该方法具体过程如图 5所示。

图 5 基于实时监测数据的异常特征值评估方法流程

基于实时监测数据的异常特征值评估方法的基本原理是基于滑动窗口的流量控制作用, 从实时监测数据流中选取评价数据集, 然后通过异常标记值、连续相同值、变化率和变异系数等判据进行评估, 并且调整容忍度来改变评估的严厉程度。相比于传统方式, 该评估方法能够在输变电设备传感装置运行时, 在不影响其运行工况的条件下, 对其进行准确评价, 并且通过滑动窗口和各种判据解决传统分类器边界不清晰的问题。

经过异常传感装置评估可以发现出现运行故障的传感装置。但是, 即使传感装置运行状态正常, 由于外界环境的影响也会出现一些异常数据, 比如出现数据丢失和一些突变值等, 因此这些异常数据会降低数字孪生模型的可靠性, 需要对其进行清洗。数据清洗流程如图 6所示。

图 6 数据清洗流程

数据清洗流程的第一步是异常数据监测, 异常值包括空值、奇异值等。通过检索可以发现丢失值, 通过设置一定的判别条件可以检测到空值和奇异值。找到异常值后, 需要对异常数据进行剔除, 那么对应的位置上就会产生空值, 并且异常值本身也包含空值, 因此需要采用数据补全方法对缺失的数据进行补全, 以保证输变电设备状态数据的连续性和完整性。

数据平滑就是对一些噪声数据、突变值数据进行剔除。可以通过低通滤波器对数据进行平滑, 采用数据包络技术处理可以忽略数据在小尺度时间维度上的波动, 保证数据在大尺度时间维度上的整体变化趋势。

经过异常传感装置评估、数据清洗后, 运行状态数据形成了跨度较长的时间序列, 下一步就要对经过清洗的数据进行选择。为了保证选择的数据既能及时反映当前设备运行状态, 又能不漏选数据, 数据时间序列既不能选得过长也不能选得过短, 目前采用的主要方法是根据人们的主观经验来进行选择。这种方法缺乏一定的客观性, 可靠性不高, 因此基于混沌理论的数据选择方法成为了一种比较可靠的方法。该方法利用状态量数据的非线性特征在混沌相空间发现状态量的时序变化规律, 进而选择最优数据。

根据全面感知技术和数据处理技术获得的数据, 可以建立用于评估输变电设备的数字孪生模型。该模型可以对输变电设备当前的运行状态进行评估, 也可以预测输变电设备未来一段时间的运行状态。输变电设备状态评估中的数字孪生模型主要包括异常状态快速检出数字孪生模型、设备状态差异化评估数字孪生模型、设备状态精细化评估数字孪生模型、设备故障诊断数字孪生模型、设备状态预测数字孪生模型等。其主要评估过程就是: 首先快速检出设备异常状态, 然后对异常设备进行差异化评估, 再对设备状态进行精细化评估, 最后对设备故障进行诊断。

异常状态快速检出数字孪生模型的作用就是在获得设备的状态数据后, 快速判断设备的状态是否正常。其具体流程是: 首先获取输变电设备状态数据, 并对数据进行归一化处理; 然后对数据分配权重, 根据权重对其进行判别。当设备的运行状态发生改变时, 其数据对应的权值也会改变, 当状态量的权值由正常值范围变化到异常值范围后, 说明设备状态出现异常。

设备状态差异化评估数字孪生模型就是基于输变电设备的状态数据建立数字模型, 然后从模型中找到特征, 基于特征对设备运行状态进行评估。其流程是: 首先找到设备状态差异化影响因素, 发现可以最大程度体现设备差异化的最优影响因素; 然后建立在最优化因素影响下的设备数字孪生模型。通过对比获取的设备状态数据和数字孪生模型的差异化阈值, 获得设备的状态差异化评估结果。

设备状态精细化评估数字孪生模型就是构建更精细化的评估模型, 对设备的各个部位进行精细化评估, 实现对设备状态的全面评估。其流程与设备状态差异化评估数字孪生模型相似。

设备故障诊断数字孪生模型可以对设备故障进行进一步的诊断, 确定具体的故障类型。其流程同样是先获取设备的实时数据, 构建数字孪生体, 然后结合人工神经网络和编码器, 建立故障模式分类器, 对设备的故障类型进行诊断。

目前, 数字孪生技术在电网运行中的应用主要以监测电网运行状态为主, 智能化水平不高。随着人工智能、大数据、云计算等高新技术的飞速发展, 将会使数字孪生电网更加精细化、系统化、智能化、普遍化、开放化。

(1) 精细化。随着科技的发展, 数字孪生技术将会运用到电网中的每一台设备, 再慢慢普及到每一台设备的每一个部件。

(2) 系统化。未来数字孪生电网将打破零碎化的格局, 将所有的输变电设备以及其他部件的数字孪生有机结合在一起, 形成一个整体。

(3) 智能化。人工智能技术在电网中将会被广泛应用, 大大提高数字孪生电网的智能化水平, 能对电网的状态变化自动做出应对措施。

(4) 普遍化。未来数字孪生技术将会被普遍应用于电网领域, 在电网运行的每一个环节发挥作用。

(5) 开放化。数字孪生电网的开放性会越来越强, 将与其他行业领域交叉融合发展。

本文基于通用数字孪生技术的概念和架构, 介绍了数字孪生电网的相关概念, 并对数字孪生技术在电网中输变电设备运维中的应用进行了分析, 然后阐述了数字孪生电网的发展趋势。

(1) 数字孪生体系包括物理层、数据层、模型层、功能层和应用层, 是物理空间向虚拟空间的映射。

(2) 数字孪生电网由基础设施层、平台层和应用层组成, 是一个闭环的电网系统, 可以保证电网平稳运行。

(3) 输变电设备状态评估中的数字孪生技术包括输变电设备实体物理层、状态数据感知层、模型层和应用层。目前, 对于输变电设备状态全面感知技术、输变电设备状态数据处理技术有了一定的研究成果, 并且对于异常状态快速检出数字孪生模型、设备状态差异化评估数字孪生模型、设备状态精细化评估数字孪生模型、设备故障诊断数字孪生模型、设备状态预测数字孪生模型的研究有了阶段性进展。

(4) 数字孪生电网有广阔的发展前景, 未来数字孪生电网将朝着精细化、系统化、智能化、普遍化、开放化的方向发展。