試析變電站數(shù)字孿生框架構(gòu)建與關(guān)鍵技術(shù)

摘 要：本文探討了數(shù)字孿生技術(shù)在變電站管理中的應用方法。研究通過數(shù)據(jù)預處理、特征提取和濾波算法等步驟，對傳感器采集的多設備數(shù)據(jù)進行處理，以提升數(shù)據(jù)的質(zhì)量和可靠性。具體處理方法包括標定變換、缺失值填補和滑動平均濾波，這些方法能夠有效消除噪聲和干擾，使濾波后的電壓和電流數(shù)據(jù)呈現(xiàn)穩(wěn)定的曲線。分析結(jié)果表明，不同設備之間表現(xiàn)出明顯的電流、電壓波動特征，反映了設備自身的特性及其工作狀態(tài)的差異。建立數(shù)字孿生平臺可以實現(xiàn)對變電站設備運行狀態(tài)的實時監(jiān)測和預測，為系統(tǒng)的優(yōu)化和改進提供可靠的數(shù)據(jù)支持。

關(guān)鍵詞：變電站；數(shù)字孿生；濾波算法

中圖分類號：TM 73" " 文獻標志碼：A

在能源領(lǐng)域，特別是變電站管理中，數(shù)字孿生技術(shù)的應用可以提高設備運行效率，降低維護成本，提升安全性和可靠性。孫瑞江等[1]結(jié)合變電檢修運維實際，提出數(shù)字孿生應具備快速掃描建模、物理引擎底座和虛實雙向交互的實用化能力。張惠仙等[2]采用數(shù)字化建模、全域狀態(tài)感知等技術(shù)，構(gòu)建了面向變電站二次設備的數(shù)字孿生系統(tǒng)。張軍六等[3]利用數(shù)字孿生模型進行輸變電設備智能感知和在線診斷，提升了設備運行狀態(tài)的準確度和反映能力。張冀等[4]提出數(shù)字孿生變電站模型框架，探討數(shù)字孿生技術(shù)面臨的問題。涂潛等[5]提出面向數(shù)字孿生的變電站三維場景自動目標識別方法，以準確識別變電站中的全部目標。劉云鵬等[6]提出變壓器數(shù)字孿生體的構(gòu)想，該構(gòu)想包括虛擬體刻畫－感知互動－模型驅(qū)動的多場計算－數(shù)據(jù)驅(qū)動的狀態(tài)分析－智慧共享5個階段。陳晨等[7]提出一套完整的變電站數(shù)字化移交應用研究方案，為數(shù)字化電網(wǎng)發(fā)展奠定了基礎(chǔ)。

1 孿生平臺數(shù)據(jù)收集

為構(gòu)建數(shù)字孿生平臺并實現(xiàn)實時監(jiān)控，需要對原始數(shù)據(jù)進行標定變換和缺失值填補。在數(shù)模轉(zhuǎn)換過程中，須根據(jù)分辨率和采樣幅值對數(shù)字量進行調(diào)整，同時進行單位量綱轉(zhuǎn)換，將不同傳感器的采樣值統(tǒng)一到同一量綱下。對于缺失值，可以采用均值插補、同類數(shù)據(jù)均值插補或手動插補等方法進行補充。傳感器數(shù)據(jù)會受溫度變化和環(huán)境因素等干擾，從而產(chǎn)生趨勢漂移，影響特征提取和預測結(jié)果的準確性。為了消除這種趨勢項，本文采用了基于多項式最小二乘法的曲線擬合方法。設采樣數(shù)據(jù)如公式（1）所示。

A={y1，y2，…，yn} （1）

式中：A為采樣樣本集合；{y1，y2，…，yn}為從初始點到終末點的采樣結(jié)果。

采樣數(shù)據(jù)的擬合曲線如公式（2）所示。

（2）

式中：為期望的理想擬合結(jié)果；n為采樣時長；a1為第一項自變量參與的具體影響機制表現(xiàn)系數(shù)；a2為第二項自變量參與的具體影響機制表現(xiàn)系數(shù)；an為第n項自變量參與的具體影響機制表現(xiàn)系數(shù)；x1為第一項自變量；x2為第二項自變量；xn為第n項自變量。

本文收集、整理了某變電站一段時間內(nèi)的真實數(shù)據(jù)，包括電流、電壓、有功功率和無功功率等數(shù)據(jù)集。這些數(shù)據(jù)集是變電站運行狀態(tài)的重要指標，反映了電力系統(tǒng)的實時運行情況。應用上述濾波算法，對這些數(shù)據(jù)集進行預處理，以消除噪聲和干擾，提高數(shù)據(jù)質(zhì)量和可靠性。濾波后的電流、電壓和功率實時變化情況如圖1所示。

多臺設備的采樣結(jié)果顯示，在經(jīng)過濾波處理后，電壓穩(wěn)定在220 V，電流為4 A～6 A，平均功率為1 106.377 9W。濾波后的數(shù)據(jù)呈現(xiàn)出采樣頻率較低、總量較小的特點，并且形成了隨時間軸平滑波動的曲線，有效去除了背景噪聲，數(shù)據(jù)特征清晰。結(jié)果表明，濾波算法在處理多設備采集數(shù)據(jù)方面具有明顯優(yōu)勢，能夠有效提升數(shù)據(jù)的穩(wěn)定性和可靠性，為后續(xù)的電力系統(tǒng)分析和管理提供更為可靠的數(shù)據(jù)基礎(chǔ)。

比較多設備數(shù)據(jù)的電流、電壓和實時功率波動，并綜合分析其總體功率，結(jié)果如圖2所示。

上述濾波結(jié)果表明不同設備的電流和電壓波動范圍更大，呈周期性振蕩趨勢。該現(xiàn)象可能與設備本身的特性、工作狀態(tài)以及電力網(wǎng)絡的復雜性有關(guān)。

不同設備間濾波性能的差異性也十分顯著，該差異可能源自設備本身的特性、工作負荷以及濾波算法的適用性等因素。對不同設備的濾波結(jié)果進行深入分析，可以更好地了解設備間的異同，為系統(tǒng)的運行和維護提供更準確的數(shù)據(jù)支持，進而為系統(tǒng)優(yōu)化和改進提供有力支持。

上述分析有助于識別系統(tǒng)中潛在的問題和優(yōu)化空間，為電力系統(tǒng)的穩(wěn)定運行和管理提供有力支持。

2 孿生平臺仿真模擬

立足于設備參數(shù)監(jiān)控，擬合曲線不僅能夠?qū)崟r反映變電站的運行情況，而且能夠評估、預測未來一段時間內(nèi)的參數(shù)波動，從而為異常狀態(tài)檢測和更多功能提供支持。

考慮預測結(jié)果，最小二乘法要求誤差平方和最小，誤差平方和E如公式（3）所示。

（3）

式中：E為誤差平方和；為在任意時間t期望的理想擬合結(jié)果；yt為在任意時間t的采樣結(jié)果。

誤差平方和最小集滿足最小二乘法的解，從而得到公式（2）的具體參數(shù)，即擬合曲線的理想擬合方程。擬合數(shù)據(jù)曲線可以分離出趨勢項，從而得到更準確的原始信號，并能識別數(shù)據(jù)分析趨勢，進而強化數(shù)字孿生平臺的處理能力。綜上所述，本文區(qū)分了不同樣本數(shù)據(jù)的特征數(shù)量，考察了其不同特征數(shù)量在不同采樣周期下的預測準確率，其結(jié)果如圖3所示。

不同特征值的預測準確率均隨著采樣周期的延長而提高，并且在特征數(shù)較多情況下的預測準確率明顯高于特征數(shù)較少的情況。對于僅有1項特征值的數(shù)據(jù)，其預測準確率雖隨采樣周期的延長而提高，但當采樣時間超過1 h時，預測準確率仍在90%以下。而在其他特征數(shù)條件下，僅需40 min的采樣周期，預測準確率就接近100%。對于這4項特征來說，即使在采樣規(guī)模較小的情況下，也能達到上述高水平的預測準確率。

考慮變電站采集的數(shù)據(jù)通常包括工頻信號和環(huán)境噪聲干擾，這些干擾會導致數(shù)據(jù)波動劇烈，難以分析。平滑處理和降噪技術(shù)可以有效減少上述干擾。本文采用平均法進行平滑處理，即對數(shù)據(jù)進行滑動平均，以降低高頻噪聲的影響，使數(shù)據(jù)更平滑，如公式（4）所示。

（4）

式中：h為加權(quán)系數(shù)；xi為任意樣本i的自變量；x1為第一項自變量；x2為第二項自變量；xn為第n項自變量。

h能夠衡量平滑處理的強度，h的指標設置如公式（5）所示。

（5）

不同類型的數(shù)據(jù)需要采用不同的編碼方式，以便機器學習模型能夠進行有效的訓練。此外，為了消除量綱的影響，還需要對數(shù)據(jù)進行標準化和歸一化處理。本文中的變電站數(shù)據(jù)波動具有相對穩(wěn)定性，僅存在少量顯著偏離的異常值。在標準化處理中，選擇將數(shù)據(jù)轉(zhuǎn)換為正態(tài)分布。而在歸一化處理中，本文保留數(shù)據(jù)的量級，僅利用基于95%數(shù)據(jù)的極值范圍進行縮放，并提供無量綱的版本，以便于不同數(shù)據(jù)間分布趨勢的平行對比。

綜上所述，本文考慮了不同類型數(shù)據(jù)納入水平的差異性，比較了不同模型的完整度，分析其在不同采樣周期下的預測準確率，結(jié)果如圖4所示。

不同模型完整度對預測能力的影響比較復雜。在數(shù)據(jù)來源有限的情況下，1%的模型完整度就能達到相對較高的預測水平。當模型完整度提高至15%時，預測準確率卻有所下降。但對于更高水平的模型完整度而言，通過引入豐富的數(shù)據(jù)來源并采用多源融合的數(shù)據(jù)整合分析方法，能夠顯著提升模型的預測準確率，使其接近100%的水平。經(jīng)上述算法優(yōu)化處理，數(shù)字孿生平臺能夠獲取更可靠、準確的變電站運行數(shù)據(jù)，為智能分析、預測及優(yōu)化管理奠定基礎(chǔ)。

3 結(jié)論

本文探討了變電站的數(shù)字孿生平臺構(gòu)建，該平臺必須具備出色的場景感知能力以及高效的數(shù)據(jù)獲取和處理能力。因此，本文采用了數(shù)據(jù)預處理、特征提取和濾波算法等方法來處理來自傳感器的變電站數(shù)據(jù)。在數(shù)據(jù)預處理階段，本文進行了標定變換和缺失值填補，以保證數(shù)據(jù)的完整性和準確性。在特征提取階段，本文利用機器學習算法從預處理后的數(shù)據(jù)中提取關(guān)鍵特征，該特征能夠反映變電站運行狀態(tài)的異常情況。濾波算法則用于消除噪聲、凸顯關(guān)鍵信號特征，并降低數(shù)據(jù)的復雜性。在對某變電站的真實數(shù)據(jù)進行濾波處理后，數(shù)據(jù)表現(xiàn)優(yōu)異，數(shù)據(jù)總量適中，且形成了隨時間軸平滑波動的曲線，有效去除了背景噪聲的影響。不同設備的濾波結(jié)果顯示，電流、電壓波動范圍較大，呈現(xiàn)出周期性振蕩趨勢。經(jīng)過濾波算法處理后的數(shù)據(jù)，能夠準確地反映實際系統(tǒng)的特征和行為，為數(shù)字孿生模型的構(gòu)建提供了更可靠的數(shù)據(jù)基礎(chǔ)，提高了平臺的數(shù)據(jù)質(zhì)量和可靠性，為后續(xù)的模型構(gòu)建、仿真和預測分析奠定了基礎(chǔ)。

參考文獻

[1]孫瑞江，池威威，李樹榮，等.雄安新區(qū)的數(shù)字孿生變電站應用及探索[J].現(xiàn)代電力，2024，41（1）：29-35.

[2]張惠仙，晉龍興，付威，等.面向變電站二次設備的數(shù)字孿生系統(tǒng)研究[J].供用電，2024，41（1）：34-41.

[3]張軍六，劉珊，李瑞.數(shù)字孿生技術(shù)下輸變電設備運行狀態(tài)智能感知[J].計算機仿真，2023，40（12）：123-127，144.

[4]張冀，馬也，張榮華，等.數(shù)字孿生變電站框架設計與關(guān)鍵技術(shù)研究[J].工程科學與技術(shù)，2023，55（6）：15-30.

[5]涂潛，李俊，范東亮，等.面向數(shù)字孿生的變電站三維場景自動目標識別[J].系統(tǒng)仿真學報，2023，35（12）：2594-2601.

[6]劉云鵬，劉一瑾，劉剛，等.電力變壓器智能運維的數(shù)字孿生體構(gòu)想[J].中國電機工程學報，2023，43（22）：8636-8652.

[7]陳晨，宋曉帆，董平先，等.基于數(shù)字孿生的變電站邏輯模型移交深化應用[J].現(xiàn)代電力，2023，40（1）：108-116.