2024數(shù)字孿生技術(shù)在輸變電設(shè)備狀態(tài)評估中應(yīng)用

數(shù)字孿生技術(shù)在輸變電設(shè)備狀態(tài)評估中的應(yīng)用現(xiàn)狀與發(fā)展展望引言輸變電設(shè)備作為電網(wǎng)中的電能輸送和傳輸?shù)臉屑~設(shè)備，其運(yùn)行的可靠性直接關(guān)系到電網(wǎng)的安全穩(wěn)定運(yùn)行。因此，及時掌握輸變電設(shè)備當(dāng)前的運(yùn)行狀態(tài)以及未來一段時間的運(yùn)行趨勢，實現(xiàn)對設(shè)備運(yùn)行狀態(tài)的準(zhǔn)確評估，對于保證設(shè)備安全可靠運(yùn)行具有重要意義[1]。由于輸變電設(shè)備特殊的運(yùn)行工況，在設(shè)備狀態(tài)出現(xiàn)劣化趨勢時，無法及時進(jìn)行停電檢修，因此，在運(yùn)輸變電設(shè)備安裝各種傳感裝置，實時獲取用于反映設(shè)備運(yùn)行情況的各類狀態(tài)量，并基于此建立輸變電設(shè)備的評估模型，及時掌握設(shè)備的[2]。然而，在目前的實際應(yīng)用過程中，仍然存在一些困難和問題[3]，具體如下：用于獲取輸變電設(shè)備運(yùn)行狀態(tài)量數(shù)據(jù)的高輸變電設(shè)備狀態(tài)量數(shù)據(jù)質(zhì)量較差。受限于輸變電設(shè)備狀態(tài)評估模型準(zhǔn)確性較差。目前，輸變電設(shè)備狀態(tài)評估模型通常依賴于專家經(jīng)驗在構(gòu)建模型的過程中，受限于狀態(tài)量種類的限制，模型表達(dá)能力較弱、泛化能力差；此外，在對設(shè)備的狀態(tài)進(jìn)行預(yù)測時，傳統(tǒng)預(yù)測方法無法很好表征輸[6]。隨著計算機(jī)技術(shù)與現(xiàn)代信息技術(shù)的快速迭代，

涉及計算機(jī)、信息通信、數(shù)字表達(dá)、人工智能、數(shù)twin，DT)技術(shù)應(yīng)運(yùn)而生，且已經(jīng)被應(yīng)用至衛(wèi)星技術(shù)[7]、遠(yuǎn)程手術(shù)[8]、智[9][10][11-12]、復(fù)雜工業(yè)自動化控制系統(tǒng)[13]等多個方面[14]4個層面對數(shù)字孿生技術(shù)在輸變電設(shè)備狀態(tài)評估中的應(yīng)用情況進(jìn)行了梳理和總結(jié)，并分析了在具體應(yīng)用過程中遇到的挑戰(zhàn)，對應(yīng)用數(shù)字孿生技術(shù)實現(xiàn)輸變電設(shè)備狀態(tài)評估的發(fā)展趨勢進(jìn)行了展望。數(shù)字孿生技術(shù)概述數(shù)字孿生是由歇根大學(xué)的邁克爾·格里夫(MichaelGrieves)2003年提出，最初定義為[15]。隨后，2010年美國國家航空航天局(NASA)在阿波羅項目[16]。2010感極強(qiáng)的“數(shù)字孿生體”期各項活動的決策[17]。目前，通行的數(shù)字孿生技術(shù)架構(gòu)包括物理層、數(shù)據(jù)層、模型層、功能層和應(yīng)用層。其中，物理層模型層包括機(jī)理模型以及數(shù)據(jù)驅(qū)動模型，功能層包括描述、診斷、預(yù)測、決策等功能，應(yīng)用層則對應(yīng)具體模型功能的具體應(yīng)用情況。數(shù)字孿生技術(shù)區(qū)別于用軟件方式來模擬物理世界確定性規(guī)律和完整機(jī)理的仿真技術(shù)，其具有實時性、閉環(huán)性的特點(diǎn)，而仿真技術(shù)僅能離線進(jìn)行。數(shù)字孿生技術(shù)也區(qū)別于構(gòu)建物理空間與虛擬空間的全要素映射、交互、協(xié)同的關(guān)系的信息物理系統(tǒng)技術(shù)(cyber-physicalsys-且取得了較好的應(yīng)用效果[18-20]。輸變電設(shè)備狀態(tài)評估中的數(shù)字孿生技術(shù)應(yīng)用狀構(gòu)建用于評估輸變電設(shè)備運(yùn)行狀態(tài)的模型，在此過程中，采用試驗?zāi)M、數(shù)據(jù)驅(qū)動等方法不斷優(yōu)化模模型準(zhǔn)確性和可靠性不斷增強(qiáng)，從而更好地表征實際輸變電設(shè)備的運(yùn)行規(guī)律?；谏鲜霾襟E實現(xiàn)輸變電設(shè)備運(yùn)行規(guī)律的挖掘過程本質(zhì)上是輸變電設(shè)備狀態(tài)評估的數(shù)據(jù)孿生技術(shù)實現(xiàn)的過程。目前，中國電子信息產(chǎn)業(yè)發(fā)展研究院給出的最新數(shù)字孿生技術(shù)架

驗/運(yùn)維檢修數(shù)據(jù)等多維度數(shù)據(jù)實現(xiàn)輸變電設(shè)備運(yùn)行狀態(tài)和運(yùn)行環(huán)境數(shù)據(jù)的全方位感知，因此，區(qū)別于通用的數(shù)字孿生技術(shù)架構(gòu)，在輸變電設(shè)備狀態(tài)評估的數(shù)字孿生技術(shù)架構(gòu)中，物理層之后是用于全方變電設(shè)備狀態(tài)評估數(shù)據(jù)孿生技術(shù)架構(gòu)的應(yīng)用層包括：指導(dǎo)現(xiàn)場檢修、為調(diào)度提供服務(wù)、對設(shè)備壽命進(jìn)行評估、指導(dǎo)設(shè)備物資采購、為設(shè)備和裝置升級提供建議、指導(dǎo)改進(jìn)設(shè)備制造和組裝工藝、輔助進(jìn)行設(shè)備資產(chǎn)管理等，其與通用數(shù)字孿生技術(shù)架構(gòu)中的應(yīng)用層對應(yīng)。綜上所述，輸變電設(shè)備狀態(tài)評估中1所示。圖1輸變電設(shè)備狀態(tài)評估中的數(shù)字孿生技術(shù)架構(gòu)Fig.1Digitaltwintechnologyarchitectureinstateassessmentofpowertransmissionandtransformationequipment1所示的輸變電設(shè)備狀態(tài)評估中的數(shù)字孿3層的研究成果進(jìn)行分析。在感知層中，對輸3部分的相關(guān)研究進(jìn)行分析。輸變電設(shè)備狀態(tài)全面感知技術(shù)為了實現(xiàn)對輸變電設(shè)備運(yùn)行狀態(tài)的實時監(jiān)控和精準(zhǔn)評估，需要為其安裝各種傳感裝置，以實現(xiàn)對其各個方面狀態(tài)量的全面感知。如超聲流速傳感微水傳感裝置、油中電場傳感裝置、特高頻傳感裝置、SF6傳感裝置、接地電流傳感裝置等，如圖2所示。對于重要的輸變電設(shè)備變壓器而言，油中溶解氣體傳感裝置是監(jiān)測其運(yùn)行狀態(tài)和故障情況的重要

圖2面向輸變電設(shè)備狀態(tài)深度感知的各類傳感裝置Fig.2Varioussensingdevicesforin-depthperceptionofthestateofpowertransmissionandtransformationequipment[22-23]等的油中溶解氣。而對變壓器的局部放電進(jìn)行監(jiān)在監(jiān)測局部放電信號時，基于特高頻信號的局部放電監(jiān)測裝置由于具有較好的靈敏度以及抗干擾能力學(xué)技術(shù)的局部放電監(jiān)測裝置也是目前的研究熱Kerr了復(fù)雜油紙絕緣結(jié)構(gòu)內(nèi)部空間電場的非接觸式測量[29]關(guān)設(shè)備(gas-insulatedswitchgear，GIS)的運(yùn)行狀態(tài)時，SF6氣體密度、濕度、分解氣體成分以及開關(guān)[33-35]態(tài)進(jìn)行全面感知成為現(xiàn)實。在輸變電設(shè)備各類傳感裝置獲取到設(shè)備的實輸變電設(shè)備狀態(tài)數(shù)據(jù)治理技術(shù)輸變電設(shè)備狀態(tài)全面感知技術(shù)實現(xiàn)了對輸變電設(shè)備運(yùn)行狀態(tài)量的全面監(jiān)測，獲得了反映其運(yùn)行狀態(tài)的多維度數(shù)據(jù)。而輸變電設(shè)備狀態(tài)數(shù)據(jù)治理技保證數(shù)據(jù)質(zhì)量，為輸變電設(shè)備狀態(tài)評估中的數(shù)字孿生技術(shù)提供了質(zhì)量保證。輸變電設(shè)備狀態(tài)數(shù)據(jù)治理技術(shù)包括異常傳感裝置評估、數(shù)據(jù)清洗和數(shù)據(jù)選擇部分內(nèi)容。異常傳感裝置評估及時發(fā)現(xiàn)異常傳感裝置，并剔除對應(yīng)數(shù)據(jù)，以保證輸變電設(shè)備數(shù)據(jù)模型構(gòu)建的準(zhǔn)確性。傳統(tǒng)的針對傳感裝置有效性的研究采用模式識別方式，基于異常傳感裝置的歷史數(shù)據(jù)進(jìn)行訓(xùn)練構(gòu)建智能的分類器，或者從傳感裝置的異常數(shù)據(jù)提取關(guān)鍵統(tǒng)計量，基于統(tǒng)計量進(jìn)行判斷[39-40]。針對輸變電設(shè)備狀態(tài)量傳感裝置，通常采用離線標(biāo)定試驗、離線在線數(shù)據(jù)相互校驗的方法來實現(xiàn)評估[41-42]。然而，由于輸變電設(shè)備狀態(tài)傳感裝置特殊的運(yùn)行工況，導(dǎo)致其很難退出運(yùn)行進(jìn)行離線試驗，且離線試驗操作繁瑣、周期較長，很難對現(xiàn)場大量的傳感裝置進(jìn)行批量評價。而較少的異常數(shù)據(jù)以及異常模式邊界模糊等問題也使3所示。該方法采用滑動窗口從實時監(jiān)測數(shù)據(jù)流中獲取評價數(shù)據(jù)集，考慮異常值、連續(xù)相同值、數(shù)據(jù)變化率、整體和分段變異系數(shù)進(jìn)行評判，并設(shè)置了容忍度調(diào)整評判的嚴(yán)厲程度。該方法可以在輸變電設(shè)備狀態(tài)量傳感裝置不退出運(yùn)行的情況下，對其有效性進(jìn)行評估，及時發(fā)現(xiàn)異常傳感裝置。圖3基于多判據(jù)融合和數(shù)據(jù)驅(qū)動的傳感裝置有效性評估方法流程Fig.3Flowchartofsensingdeviceeffectivenessevaluationmethodbasedonmulti-criterionfusionanddatadriven數(shù)據(jù)清洗基于多判據(jù)融合的方法可以及時發(fā)現(xiàn)現(xiàn)場處于異常運(yùn)行狀態(tài)的傳感裝置，然而在實際應(yīng)用中，很多傳感裝置處于正常的運(yùn)行狀態(tài)，但是由于受到突變值等[44-45]。盡管這部分異常數(shù)據(jù)占整體數(shù)據(jù)的比例較少，但同樣會影響模型的可靠性，因此需要對這部分異常數(shù)據(jù)進(jìn)行清洗，從而提升數(shù)據(jù)質(zhì)量。4所示[46]。數(shù)據(jù)清洗首要檢測數(shù)據(jù)流中的異常數(shù)據(jù)，包5以有效克服數(shù)據(jù)中的階躍現(xiàn)象。數(shù)據(jù)包絡(luò)處理是呈現(xiàn)時間序列整體變化趨勢(Hilberttransform，HT)變換的數(shù)據(jù)包絡(luò)處理可以表征這種趨勢變化。數(shù)據(jù)選擇由于輸變電設(shè)備在電力系統(tǒng)中承擔(dān)重要的作

6所示[48]。圖4輸變電設(shè)備狀態(tài)量數(shù)據(jù)清洗流程圖Fig.4Flowchartofstatedatacleaningofpowertransmissionandtransformationequipment圖5基于雙向馬爾科夫的缺失數(shù)據(jù)補(bǔ)全流程圖Fig.5FlowchartofmissingdatacompletionbasedonbidirectionalMarkov圖6基于混沌理論的設(shè)備狀態(tài)量最優(yōu)數(shù)據(jù)集選擇流程圖Fig.6FlowchartofselectingoptimaldatasetofequipmentstatebasedonChaosTheory對于設(shè)備狀態(tài)量時間序列數(shù)據(jù)集，基于輸變電設(shè)備狀態(tài)評估數(shù)字孿生模型基于全面感知以及數(shù)據(jù)治理技術(shù)獲得的多維7所示。異常狀態(tài)快速檢出數(shù)字孿生模型輸變電設(shè)備狀態(tài)快速檢出數(shù)字孿生模型的目Canopy簇合并實現(xiàn)正常狀態(tài)和異常狀態(tài)的區(qū)分[49-50]8所示。其處于正常狀態(tài)，否則，為異常狀態(tài)。在輸變電設(shè)備狀態(tài)快速檢出數(shù)字孿生模型中CanopyCanopy方Canopy簇合并算法在形成新的類

以此獲得更加準(zhǔn)確的聚類結(jié)果，其實現(xiàn)流程如圖9所示。在輸變電設(shè)備異常狀態(tài)快速檢出數(shù)字孿生模型中，傳感裝置獲取設(shè)備的實時數(shù)據(jù)后，即在高維Canopy聚類方法形成兩個幾何體，圖7輸變電設(shè)備狀態(tài)評估數(shù)字孿生模型的具體內(nèi)容Fig.7Contentsofdigitaltwinmodelforconditionassessmentofpowertransmissionandtransformationequipment8輸變電設(shè)備狀態(tài)異常快速檢出模型流程圖Fig.8Flowchartofthefastdetectionmodelforabnormalstateofpowertransmissionandtransformationequipment圖9Canopy簇合并算法流程圖Fig.9FlowchartofCanopyclustermergeralgorithm的直觀描述。設(shè)備狀態(tài)差異化評估數(shù)字孿生模型泛使用的方法。如在國際電工委員會(InternationalElectrotechnicalCommission,IEC)制定的用于評估25個電網(wǎng)20000臺變壓器的油中溶解氣體數(shù)據(jù)，90%的數(shù)據(jù)為正常，從而獲得用于評價變壓器狀態(tài)的閾值[51]IECIEC變壓器影響因素分析[54]

CLARANS方法來確定每個影響因素分類下的數(shù)字孿生體的聚類中心，并用馬哈拉諾比斯距離(Mahalanobisdistance)替代歐氏距離作為距離度10所示。的聚類中心點(diǎn)集合來描述聚類簇的特征，并基于Hausdorff距離定量描述聚類中心點(diǎn)集合之間的距Hausdorff距離，并按照大小進(jìn)行排序。某Hausdorff距離越大，即表明在變壓器油中溶解氣體分布模型220kVH2數(shù)據(jù)以及圖10基于CLARAS-Mahalanobis的聚類算法流程圖Fig.10FlowchartofclusteringalgorithmbasedonCLARAS-Mahalanobis500kVC2H6產(chǎn)氣率數(shù)據(jù)進(jìn)行統(tǒng)12變壓器差異化評價4個等級：正常、注意、。其中，正常狀態(tài)表示變壓器運(yùn)行況，需要立即進(jìn)行停電檢修?；谧儔浩魅芙鈿怏w分布模型得到油中溶解

圖某個區(qū)域電網(wǎng)220kV變壓器H2體積分?jǐn)?shù)頻率分布圖FrequencydistributionhistogramofH2concentrationfor220kVtransformerinaregionalpowergrid1類為面向群體設(shè)備的數(shù)字孿生體，2類則是群體中??

,c<cAttn&r<rAttncAttnc<cAttn&r<rAttn

?c

&r r<r? Attn Attn ?

響因素，并根據(jù)最優(yōu)影響因素對群體設(shè)備孿生體進(jìn)? c

cAlm&r<rAttn

行差異化劃分，以獲得針對單獨(dú)設(shè)備數(shù)字孿生體的變壓器狀態(tài)?cAttnccAlm&r

(1)

差異化評價閾值。隨后，將實體設(shè)備獲取的實時數(shù)? c<c &rr? Attn Alm?? cAttnc<cAlm&r?Alm ?嚴(yán), cc &r?Alm ? cm&tnr<mr、ncmrAlm分別表示氣體體積分?jǐn)?shù)和產(chǎn)氣率的警示值。2類孿

設(shè)備狀態(tài)精細(xì)化評估數(shù)字孿生模型基于輸變電設(shè)備的關(guān)鍵狀態(tài)量數(shù)據(jù)建立用于12Fig.12FrequencydistributionhistogramofC2H6increaseratefor500kVtransformerinaregionalpowergrid模型的建立方法[55]。5個部分組成，其中本體以及套3個方面綜合評估其運(yùn)行狀態(tài)，進(jìn)一步梳理變壓器狀態(tài)量與53個性能對應(yīng)的情況，構(gòu)建變壓器狀態(tài)精細(xì)化評估數(shù)字孿生模型13所示。

圖13變壓器精細(xì)化評估模型Fig.13Transformerfineevaluationmodel，并考慮實體變壓器實際的運(yùn)行規(guī)律建立狀態(tài)量的模144種狀態(tài)的隸屬度。[56-57]，度獲得狀態(tài)量的劣化權(quán)重。利用D-S(Dempster-Shafer)證據(jù)理論對多個狀態(tài)量的隸設(shè)備狀態(tài)精細(xì)化評估數(shù)字孿生模型考慮了設(shè)備的部位、性能以及對應(yīng)的狀態(tài)量，獲取狀態(tài)量的實時數(shù)據(jù)建立分層的精細(xì)化設(shè)備孿生模型。在該孿生體模型中，基于前文所述的設(shè)備狀態(tài)差異化評估數(shù)字孿生模型獲得差異化評價閾值，并建立模糊隸屬函數(shù)，基于實體設(shè)備各個狀態(tài)量的實時數(shù)據(jù)獲取劣化程度，并基于證據(jù)理論對模糊隸屬度和劣化權(quán)該數(shù)字孿生體不僅實現(xiàn)了對設(shè)備部位和性能的精細(xì)化表達(dá)，并且可以根據(jù)實體設(shè)備的實時數(shù)據(jù)對狀態(tài)量之間的關(guān)系進(jìn)行修正，以獲得更加精確的數(shù)字孿生體，從而實現(xiàn)精細(xì)化的評估。設(shè)備故障診斷數(shù)字孿生模型[58-60]，另一方面基于智能算[61-62]。在相關(guān)的研究中，基15(sparseautoencoder,SAE)將故障案例映射到高維空間中，正決策單元的策略，實現(xiàn)自決策主動糾偏診斷。考慮到在故障診斷過程中不僅要對故障類型16設(shè)備故障診斷數(shù)字孿生模型同樣通過數(shù)據(jù)實例數(shù)據(jù)用來構(gòu)建狀態(tài)量與故障模式之間的映射關(guān)

圖14狀態(tài)量模糊隸屬函數(shù)Fig.14Fuzzymembershipfunctionofstatevariables圖15基于自決策主動糾偏診斷模型的變壓器診斷方法流程圖Fig.15Flowchartoftransformerdiagnosismethodbasedonself-decisionactivecorrectiondiagnosismodel圖16基于組合深度信念網(wǎng)絡(luò)的變壓器故障診斷流程圖Fig.16Flowchartoftransformerfaultdiagnosisbasedoncombineddeepbeliefnetwork設(shè)備狀態(tài)預(yù)測數(shù)字孿生模型對設(shè)備未來的運(yùn)行狀態(tài)進(jìn)行預(yù)測是輸變電設(shè)備狀態(tài)評估的重要內(nèi)容，基于設(shè)備的全景式數(shù)據(jù)建立輸變電設(shè)備狀態(tài)預(yù)測數(shù)字孿生模型提前掌握設(shè)備。這種方法用材料的老化規(guī)律來力較差，無法進(jìn)行大規(guī)模的現(xiàn)場應(yīng)用。為了克服傳統(tǒng)擬合模型的缺陷，結(jié)合數(shù)字孿生技術(shù)中數(shù)據(jù)挖掘、深度學(xué)習(xí)等方法，對輸變電設(shè)備的關(guān)鍵狀態(tài)量在時間維度上的變化規(guī)律進(jìn)行學(xué)習(xí)，獲取關(guān)鍵狀態(tài)量隨時間變化的規(guī)律，對未來時刻狀態(tài)量進(jìn)行預(yù)測，再基于診斷方法實現(xiàn)未來時刻狀態(tài)量與未來時刻設(shè)備運(yùn)行狀態(tài)之間的映射，從而構(gòu)建設(shè)備狀態(tài)預(yù)測數(shù)字孿生模型實現(xiàn)設(shè)備狀態(tài)的預(yù)測。以變壓器為例，基于支持向量機(jī)、長短時記憶網(wǎng)絡(luò)、深度信念網(wǎng)絡(luò)以及組合模型等預(yù)測方法已經(jīng)得到了廣泛使用[67-70]。然而，實際應(yīng)用表明，循環(huán)神經(jīng)網(wǎng)絡(luò)、長短時記憶網(wǎng)絡(luò)等沒有很好地克服誤差問題[71]7些誤差是隨著預(yù)測時間的增加，網(wǎng)絡(luò)對時間序列數(shù)基于深度遞歸信念網(wǎng)絡(luò)(deeprecurrentbeliefnet-work，DRBN)的設(shè)備狀態(tài)預(yù)測數(shù)字孿生模型被提出，實現(xiàn)了對變壓器油中溶解氣體的預(yù)測[72-73]，其18所示?；谏疃冗f歸信念網(wǎng)絡(luò)的數(shù)字孿生模型在傳現(xiàn)場的實際應(yīng)用表明，深度遞歸信念網(wǎng)絡(luò)可以

圖17深度信念網(wǎng)絡(luò)方法的預(yù)測誤差Fig.17Predictionerrorofdeepbeliefnetworkmethod圖18深度遞歸信念網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)Fig.18Topologicalstructureofdeeprecurrentbeliefnetworkmodel用的診斷方法[74-75]。目前，通過狀態(tài)量預(yù)測+狀態(tài)診斷的方式是變壓器狀態(tài)預(yù)測數(shù)字孿生體中的主要方法，然而，盡管眾多研究學(xué)者對狀態(tài)量預(yù)測方法以及狀態(tài)診斷方法進(jìn)行了深入的研究，但還是無法徹底解決狀態(tài)量預(yù)測方法誤差與狀態(tài)診斷方法誤差相互疊加的問題。為了解決上述變壓器狀態(tài)預(yù)測數(shù)字孿生體中的誤差疊加問題，提出基于態(tài)勢量和強(qiáng)化學(xué)習(xí)的變壓器健康狀態(tài)預(yù)測數(shù)字孿生模型。在該該態(tài)勢量融合了實體變壓器運(yùn)行過程中的多種關(guān)系，包括：表征狀態(tài)量在時間維度上變化規(guī)律的狀態(tài)量時序關(guān)系、狀態(tài)量之間的關(guān)聯(lián)關(guān)系、傳統(tǒng)導(dǎo)則中狀態(tài)量與狀態(tài)之間的關(guān)系、狀態(tài)量與實際運(yùn)行狀態(tài)間關(guān)系、評價結(jié)果與實際運(yùn)行狀態(tài)間關(guān)系。變壓器的態(tài)勢量中不僅考慮了狀態(tài)量時序上圖19自適應(yīng)延遲網(wǎng)絡(luò)拓?fù)鋱DFig.19Topologyofself-adaptivedelaynetwork基于關(guān)聯(lián)分析方法以及生成模型等方法提取基于態(tài)勢量和強(qiáng)化學(xué)習(xí)的變壓器健康狀態(tài)預(yù)測數(shù)字孿生模