海上风电KKS编码精准定位与数字孪生基础研究

袁林松

（浙江浙能嘉兴海上风力发电有限公司，浙江嘉兴 314000）

数字孪生（Digital Twin）最早应该追溯到NASA的John Vickers 结物理实体和其数字镜像的命名。而其概念的来源，一般认为是由密西根大学Michael Grieves 教授针对产品全生命周期管理（PLM）提出的，当初叫镜像空间模型（Mirrored Space Model，MSM），并不是叫Digital Twin。

工业仿真软件巨头对数字孪生的定义：“从高层次来说，它是创造物理对象的数字化表达形式；从根本上讲，它是为真实世界的资产设备创建数字模型，并将实际的性能数据与企业所拥有的与该特定资产设备有关的整套数字信息充分结合。”

德国工业4.0提出后，作为一个新兴技术，数字孪生逐渐进入到电力行业。数字孪生逐渐被行业以及学术界采纳后，其定义较为多样。数字孪生是充分利用传感器更新、物理模型、运行历史等数据，集成多维度的仿真过程，在虚拟空间中完成映射，来反映实体装备的全生命周期过程。本质来说，数字孪生是物理实体通过数字化形式进行模拟，从而呈现物理实体的运行，进而对物理实体分析的过程。数字孪生同时作为一种理论和一种工具能够更好地分析物理实体。然而作为较为新兴理论的数字孪生，并未有较为整体的结构化框架，在运用过程中构建并完善数字孪生框架也是研究目标之一。

由于海上风电场海域闪电、高盐雾、高湿度等环境恶劣对设备影响较大，机组易出现故障，海上不确定因素多及有效作业窗口期短，运维人员安全出海作业安全风险大、运维效率低和现场安全管控困难，深化海上风电KKS 编码精准定位，将海上设备、船舶与人员动态标识统一纳入物联网管理范畴，形成设备精准定位和人员作业移动定位标准化业务模型。

1 理论基础及相关技术介绍

1.1 数字孪生的定义

随着不断变化发展，数字孪生技术的定义也在不断变化。在GE 的定义中，数字孪生体侧重软件表达资产，其组成变为数据、算法与知识，而不再是物理实体。在定义过程中数字孪生还存在很多差异，在理解方向上对数字孪生可能天差地别。综合已有的定义，结合本文的目标，数字孪生定义如下：

数字孪生体是物理（设备KKS）实体的数字模型，通过传感器数据感知、分析、预测实体对象状态和仿真建模和数学模型优化，提高决策效率。

1.2 数字孪生模型

根据现在的需要，传统的数字三维无法完成数字孪生体的模型构建，为促进数字孪生在海上风电安全生产中的应用，提出了数字孪生五维模型（图1）。不同于传统制造业仅需要关注生产产品和要素，海上风电还需要对生产过程中的数据、信息、知识以及故障分析增加关注。

图1 数字孪生五维模型

数字孪生五维模型，由虚拟实体、物理实体、孪生数据、服务系统和链接组成，虚拟模型和物理对像是一对对应层面，由信息连接通道进行其中的交互，虚拟对象、物理对象以及相关的服务系统等产生的数据统称为孪生数据。通过分析计算孪生数据，可以得到有价值的信息反过来驱动多个对象的运行。相互作用是整个数字孪生模型特征，也可以相互促进其中的决策优化。

数字孪生体建立模型是要全面考虑模型的多方面信息，搭设物理端与虚拟端之间的桥梁，使孪生体全面反映物理实体的信息，进一步实现孪生体解除物理限制，从而使物理实体信息能够预测。

1.3 设备标识KKS

KKS 编码是用数字或字符，按照一定的规则，通过科学合理的排列、组合，来全面描述（标识）风电场各类系统、设备、元件、建（构）筑物的特征，从而构成了描述风电场状况的基础数据集，以便于对风电场进行管理。其对象要素关系：对象的功能属性、名称属性和占位属性三要素相互之间没有自然相关性，可通过标识编码将对象的三属性关联在一起。

1.4 深度学习

随着计算机运算能力的逐年提高，机器学习以及深度学习有了显著发展，以及卷积神经网络等算法的应用和推广，如今已经可以通过计算机完成以往无法完成的运算，对机器的自学习进步发展起了正向推动作用，深度学习方法也类似。作为机器学习的一个新方向，深度学习在计算机视觉和语音识别等领域得到较好应用，其中研究人员不断优化、整合较为优秀的神经网络如 Alexnet、RNN 等，以此构建了 Caffe、Pytorch、Tensorflow 等框架，降低了深度学习的应用门槛。

深度学习、强化学习等新兴机器学习技术的发展为构建面向实体的复杂数字孪生体提供了基础支撑。

数字孪生技术、深度学习理论以及迁移学习理论为构建海上风电数字孪生模型分析运行误操作和设备故障提供理论基础。

2 数字孪生模型构建与数据分析、设计

2.1 数字孪生业务模型

构建海上风电运维作业孪生数据模型，让模拟数据环境与生产环境通过设备KKS 码进行关联，通过数字孪生模型算法，提升海上操作层巡点检、两票执行与承包商作业层检修维护等物联网安全生产管控智能化水平，如海上运维船与人员实时定位，运维巡检、检修作业定位与设备位置的对应关系，解决海上风电智能安全报警、作业时设备周边环境安全提醒和危险行为预警数字孪生体系是该项研究的重点目标。

运行操作模型主要通过采集设备KKS 编码，对运行状态信息进行特征提取，建立电气倒闸操作步骤的孪生数据逻辑关系，避免操作顺序错误造成的电气事故。故障诊断主要依托设备缺陷管理积累的故障知识库，分析设备的健康情况，预测设备部件的受损情况，进而有针对性地进行检查、维修，保证设备高效运行与维修。设计运维标准化业务孪生场景：设备缺陷位置和时间由KKS 定位感知获取；巡检到位（自动监测KKS 位置码）时推出检查项；电气操作远方智能监护（操作顺序错误或误入间隔报警）；工作票执行与KKS 位置码不匹配，触发越界报警。

感知设备（KKS 工艺码）运行与人员作业（KKS位置码）“脉搏”数据，反映实时状态轨迹。（如图2精准巡点检感知）通过“业务场景+数字孪生”融合技术，最大限度地消除海上运维船及作业人员的安全隐患。

图2 精准巡点检感知

在海上风电场基础管理、基础设施、标准体系上重点突破，健全KKS 编码安装位置标识，研究海上定位系统作业，构建物联网智能数字孪生管控系统。

反映实时运行状态轨迹，通过“感知”真实物理场区，建立场区和数字孪生区之间的精准映射。实现智能干预，进而为海上智能作业大脑提供海量运行数据，使得海上作业具备自我学习、智慧生长能力。

随着未来海上风电AR/VR 技术体系逐步完善，将推动风电+AR/VR 孪生应用系统的快速发展。主要包括产品设计、运维巡检、远程协作、操作培训和数字孪生等方面。

2.2 数据分析

运用“事件网络”技术，通过KKS 位置码可以将海上风电运行巡检、故障诊断的各种属性映射到虚拟空间中，形成可修改、拆解、重复操作的数字镜像，使标准作业流程透明化，并结合在巡点检工作、管理操作流程、工作票执行等方面的数据，构建起完整的海上风电场数字孪生体，实现在运行参数、设备运行操作、巡点检和管理作业流程上的协同关系。通过计算获得作业任务模型优化的策略，使操作执行层得到反馈指令。从而能够快速构建以生产模型为基础的行业知识图谱，通过智能调阅参考历史数据，快速完成业务仿真模拟，极大降低了运算量，提升了分析效率，节省投入硬件设备。

2.3 算法详细设计

（1）作业区域电子围栏

运用设备KKS 位置码的方法选择判断点是否在电子围栏内/外，用数学来描述就是判断一个点是在多边形内/外部，比较常见的判断点与多边形关系的算法有射线法、点线判断法、夹角和法等。

（2）构建计算型物联网边平台

搭建海上风电场、风机塔筒内、海上升压站、陆上计量站以及海面航行区重点部位、危险点等工作区域模型。在船舶上部署物联网边缘计算网关、UWB人员定位基站、机器视觉基础设施，实现典型高风险作业关键要素联动风险感知与管控。

（3）构建“WIFI+数字孪生底座”

基于海上风电场无线网络技术，结合NB-IoT 等物联网、WIFI SA+MEC 组网方式，以数据环境建设、地理场景搭建、组织架构、业务场景、大数据为支撑。支持用户自行开发边缘算法，将算法远程download到网关并运行。

3 结论

3.1 总结

海上风电场KKS 编码精准定位与数字孪生基础研究体现“专业基础+物联网技术”“生产管控+ERP”“KKS 精准应用+生产应用场景”相融合设计，目前在国内发电集团中属于首创，该课题的研究与开发将会促进大规模海上风电数字化转型的落地。

“数据”以海上风电设备KKS 精准设计为基础，将电气倒闸操作、巡点检关键步骤和检查点与KKS关联；

“模型算法”采用物联网精准定位系统与海上作业应用场景设计结合，获取作业人员实时位置、感知现场设备信息、判断检修作业人员误入未授权区，实现智能“干预”；

“算力”依托物联网数据采集、深度学习、迁移学习的知识库数据，重在高风险作业关键要素、风险感知逻辑及算法等方面进行运算处理。

3.2 展望

本课题研究将在海上风电场基础管理、基础设施、标准体系上重点突破，健全KKS 编码安装位置标识，发挥海上定位系统作业，构建物联网智能安全管控系统。

通过海上风电场物联网边平台数据采集，数据孪生、深度学习，不断训练，得出作业风险高准确率AI 模型，最大限度地消除海上船舶及作业人员的安全隐患，实现高风险作业智能化本质安全管理从0到1的变化。