2024年5月22日
北京朝阳区中电发展大厦
元宇宙科技 数字孪生

数字孪生在电力系统应用中的机遇和挑战

电力数字孪生(digital twin of power systems, PSDT)是电力模型日渐复杂、数据呈现井喷趋势以及 数字孪生(digital twin,DT)技术发展完善等多方背景共同作用下的新兴产物。

本文立足于电力物联网所承载的数据流,从工程和科学 2 个视角聚焦于数据利用方法论,回答如何萃取电力数据流其价值这一科学问题。本文结合笔者对PSDT的思考、认知和实践,阐明了 PSDT 的基础知识及其内涵与外延:

PSDT 旨在认知电力系统继而辅助电网运管调控的决策制定。
为实现上述目的,PSDT 应具备实时态势感知、超实时虚拟推演 2 种手段。
为实现上述手段,PSDT 应具备数据驱动、实时交互和闭环反馈 3 大特点。
设计 PSDT 的框架和功能模块,探讨 PSDT的关键问题和核心技术。
结合实践给出了 PSDT 在多个电力系统领域的应用现状以及预期效果。

一、电力 DT 的建设背景及内核

经典电力系统认知方法

电力系统的高可靠性需求和工程实际约束致使我们往往无法通过现场实验的方式来认知系统。为此,相继发展了电力系统理论分析(稳态分析和暂态分析),专家系统,电力系统软件仿真,基于实时数字仿真装置或等值物理系统上对实际系统的动态模拟等。这类方法的弊端是:

首先,对于复杂的系统及其行为,难以建立起满足求解速度和精度约束的物理模型,特别是对于所辖单元或因素强交织的系统;

其次,数据的利用以及效果均受制于所建的物理模型—模型的维度会限制变量利用数目的上限,模型的精度会影响认知结果的准确性,模型的个性化会造成信息甄选的困难;

再次,物理模型难以分析处理不确定性——各个子物理模型之间的误差传递机制和误差累积效应难以描述和评估,致使所提取的最终特征其表征效果无法保证。

上述弊端会严重影响其工程应用甚至可能引发严重错误决策。

数据驱动的认知方法论—PSDT 内核

故而有必要引入更高维度的数据空间来映射/ 表征电力系统中各类繁杂的实体及事件,通过充分挖掘/发挥海量数据资源所带来的福利,探索 (高维)数据驱动的电力系统认知方案。高维数据也是 PSDT 展开分析研究的主要“原料”,通过 PSDT 萃取数据流的价值是实现 PSDT 待解决的核心问题。

PSDT 建设的思路和特色

DT 则将数字技术引入 twins 工程中,DT 通过挖掘/分析大量实时/历史数据,映射实体的实时动作、行为和状态。与现行仿真或数据统计分析相比, DT 可以提供更全面、透明、多层次的观测/推演视角。

数据驱动范式

数据驱动的核心思想是将数据视为研究对象的表象,通过直接挖掘数据而非依靠将数据带入预设模型来认知对象继而分析出所关注的对象属性。数据模型的建模与分析可独立于工程系统,即利用数据集和统计工具即可实现。

数据驱动范式在一定程度上规避了电网系统和运行机理难以建模、大量数据难以利用等问题,并可采用统计工具分析各个环节和数据模型其高维特征的统计性质(收敛性、置信度、精度、训练/测试误差),所得的高维特征为系统认知提供了新的依据。

大数据挖掘体系及其实现难点与基本工具

大数据挖掘体系包含高维数据建模与分析所涉及的基础理论、数学工具和处理算法等,其实现的难点在于高维度——维度高(而非数据量大)是电力时空数据的最主要特征。高维度(即多量测点)开辟了数据集的空间维度,从而得以通过高维统计分析多个变量间的相关性,即得到高维统计信息。

基于人工智能的深度学习技术,和基于高维分析的随机矩阵理论则是 2 种有力的高维数据处理工具,两者在高维空间中均具有独到的优越性——前者具备灵活严格的数学分析能力,后者具备卓越的数据建模能力。

二、PSDT 的框架设计

DT 作用于电力系统时如图1所示,它以数据驱动为内核,集结了传统的模型驱动和专家系统。相比于Matpower, PSCAD 等经典物理机理仿真,电力孪生系统 PSDT 的建立对物理系统的依赖度更小,组建方式更为灵活—PSDT 主要依赖于历史/实时数据以及相匹配的高维统计分析、机器/深度学习等工具/算法。PSDT 在运行过程中可通过与真实值的校正、比对等主动行为,以确保虚实系统的一致性。

图1 数字孪生电力系统▲

实现上述目的,PSDT 应具备 3 大特征:数据驱动,闭环反馈和实时交互。

数据驱动让 PSDT 更适用于当今复杂电力系统,可以有个非常简易的“上手”,我们可以仅依据所得数据建立实体系统模型继而对系统进行感知和分析;模型驱动模式则需要预先处理大量的信息。

闭环反馈则使得PSDT 的数据模型可以在投运后通过主动学习海量数据,实现自适应更新和优化,且学习效果随着数据的增多而提升。介入门槛低和自学习使得PSDT 相比于传统仿真更具接纳能力,且能充分利用大数据福利。

实时交互联动数据驱动和闭环反馈,进一步完善了PSDT 的实时态势感知和超实时虚拟测试的功能,使其可在常规运行甚至紧急情况下准确把控系统情况并迅速模拟出可行/优化的决策方案,达到类比Apollo 孪生的效果。

三、PSDT 潜在应用方向

电力设备健康状态评估

电力设备点多面广、运行特征各异,传统的运维检修方法难以对设备状态进行精准评价。当前设备的健康状态评估和运维仍以计划检修和事后检修为主,不足以应对愈来愈高的设备精细化管理需求。

基于电网运行数据建立电力系统的数据模型,利用 RMT 对数据模型进行分析挖掘,进一步结合时间序列分析建立量化评价指标,实现对扰动的影响程度分析和影响范围评估,进一步分析电力系统稳定性、运行裕度等。

负荷预测和用户行为分析

此部分研究技术路线如图2所示。

图2 基于用采数据建模及用户行为分析技术路线▲

随着智能电网时代的发展,电力用户侧数据量剧增,传统的负荷预测方法难以应付更大的数据量和更强的随机性。针对此问题,提出了基于 LSTM 网络建立模型,利用 LSTM 网络善于处理序列型数据的特点,在整合历史时刻点信息的基础上,对未来的负荷进行预测。

故障诊断

在小电流接地系统中单相接地故障特征并不显著,难以设计有效指标对其进行精准诊断。配电网故障智能诊断方案旨在实现故障检测、辨识和定位功能,其设计流程图如图3所示。

图3 基于故障录波数据的故障诊断▲

微网系统优化运行

在微电网中,由于负荷和电源功率波动较大、各种不确定因素复杂,通常需要增加储能系统以保证供需实时平衡、并提高可再生能源的利用率。在发电量、负荷等多种因素变化的情况下,复合能量协调控制是一个复杂的优化决策问题,不同方案可能会影响系统供电稳定、利用效率和经济效益。

引入深度强化学习框架和神经网络模型,规避了传统算法所面临的难题,同时,对于不同时刻、天气、季节的场景均能有效处理。

基于图像数据的智能巡检

该部分应用主要基于计算机视觉技术的最新突破,将 CNN,faster- RCNN 等一系列深度神经网络应用于计算机领域解决物体辨识、定位等问题。

我国输电线路分散、面积广,所处地形复杂,自然环境恶劣,人力巡线成本高、花费时间长、困难大、风险高,已经很难满足需求。运用无人机能够“多快好省”的完成电力巡检任务。

上述技术方案也适用于红外图像、安全操作规范(如佩戴安全帽、挂接地线)、异物介入(如变电站内误入小动物、特殊车辆驶入限制区域内)、气体(SF6)泄露等工程场景。

PSDT 在电力系统的应用还处于探索时期,PSDT 是实现智能电网及发挥电力物联网建设所带来的数据福利的有力工具。超实时虚拟测试后续也可结合多代理技术等解决虚拟电厂决策优化问题。本文对PSDT 的研究也会推动DT 和数据科学在工程中的应用。

文章来源:数字电网技术与标准,如有侵权,请联系删除。


发表评论

您的电子邮箱地址不会被公开。