基于数字孪生网络的牵引供电智能运维体系与应用架构

高仕斌，刘帝洋，韦晓广，康高强，罗嘉明，雷杰宇

(1.西南交通大学 电气工程学院，四川 成都 611756；2.株洲电力机车研究所，湖南 株洲 412001)

牵引供电系统是列车运行的动力源泉,主要包括牵引变电所和接触网系统。牵引供电系统的安全可靠直接影响列车的运行安全。截至2022年底,我国电气化铁路里程已超11万km,线路分布广、规模大,分布地形复杂多变,部分地区地广人稀,气候条件差异大。并且接触网无备用的特点,一旦发生故障,严重时将威胁列车的运行安全,甚至造成巨大的社会影响和经济损失。要确保牵引供电系统运行安全,其中一个重要措施是提高牵引供电系统智能运维水平[1-2]。随着信息化技术的不断提升,以高速铁路供电安全检测监测系统(6C系统)为代表的智能运维平台相继投入使用,实现了以健康为中心的“监-检-修”一体化维修策略,为故障预警及维修方案制定提供了理论支撑,有效解决了传统定期维修方案维修不足与维修过剩的问题,并且能够对供电设备进行全寿命周期动态管理,对牵引供电系统智能运维起到了重要支撑作用。

然而,电气化铁路运维的智能水平仍无法满足电气化铁路快速发展的需求。例如,各运维平台之间相互独立,没有从时间和空间维度实现多维度信息融合,导致数据无法共享和兼容,数据价值得不到充分利用[3];缺乏前期统一规划,新老电气化线路功能的差异性较大,导致运维标准难以统一;数据处理处于半智能化水平,在一定程度上仍然依赖于人工,导致微粒数据中存在的特征信息无法充分挖掘;事故特性/故障机理具有典型的非线性特性,传统的物理模型难以满足复杂因素下的故障特性分析。因此,为突破当前智能运维技术的发展瓶颈,亟需探索和构建新的智能运维模式。随着数字化和网络化技术日趋成熟[4],各种新兴的传感技术、量测技术和控制技术的发展,人工智能、大数据和云计算等先进技术[5-7]的广泛应用,为实现牵引供电系统的状态全息感知、海量数据挖掘、高维非线性模型快速求解奠定了基础。要实现上述先进技术与牵引供电智能运维系统的深度融合,有必要引入数字孪生技术[8-9],构建基于数字孪生网络的牵引供电智能运维系统,充分利用先进技术在虚拟空间中完成物理系统映射,从而反映物理系统中各牵引设备的全生命周期过程,为物理机理与多源异构微数据的有机融合、牵引供电系统内部协同交互运行、运维决策快速自主响应提供基础条件和品质保障。

数字孪生自2003年提出后,已在航空航天[10-11]、建筑设计[12-13]、智能制造[14-16]行业取得了重大突破,在电力行业也取得了一定的突破[17-18]。将数字孪生技术应用于电力设备(如变压器、输电线路)智能运维中,通过对设备构建数字孪生体,实现物理量、多时间尺度、多层次的实时感知和故障推演[19-20]。针对当前电网稳定规定非标准化、半结构化问题,通过物理模型和电网计算模型构建虚拟电网孪生体,解决复杂大电网稳定规定数字化问题[21]。为实现源网荷储智能、高效协同,以数字孪生为支撑架构,提出了源网荷储协同与人工智能深度融合的应用体系[22]。与此同时,利用数字孪生技术对综合能源系统进行规划、运行和控制,提高了系统全景镜像、动态特性跟随的能力[23]。另外,将数字孪生技术应用在配网运行[24]、风险预警[25]、调度优化[26-27]、状态评估[28]等方面也取得了快速发展。

然而,数字孪生技术在轨道交通领域仍处于初步探索阶段。鉴于此,以数字孪生技术为核心,构建基于数字孪生网络的牵引供电系统智能运维体系与应用架构势在必行。在阐述数字孪生技术构建智能运维系统必要性的基础上,解析智能运维系统的物理架构、信息架构和模型架构。在此基础上,以构建数字孪生网络的关键要素为出发点,阐明构建智能运维系统的关键技术。并且,从故障应对机制出发,提出三级故障联动机制和故障预防机制;从应用场景出发,给出数字孪生技术具体落地的技术路线。最后,对当前面临的挑战和新兴技术的应用前景进行展望。本文可以为构建基于数字孪生网络的牵引供电智能运维系统提供借鉴和参考。

1 构建基于数字孪生技术的牵引供电智能运维系统的必要性

1.1 牵引供电系统运维技术的发展

为确保牵引供电系统安全、稳定、可靠和高效运行,牵引供电系统运维技术发挥了不可替代的作用。然而,与电力系统运维技术相比,牵引供电系统运维技术具有一定的滞后性,如图1所示。以电气化铁路为主的工业2.0时代,牵引供电系统运维技术主要是针对电气故障的继电保护设备。对于机械故障,主要以人工经验知识为主,通过制定维修计划,对系统进行周期性检修,包括人工定期巡检、变电站有人值守,需要大量的人力、物力和财力,并且具有自动化水平较低、维护水平低、维护成本高、安全隐患多的特点,其运维技术的发展明显落后电气化铁路发展的速度。

图1 牵引供电系统智能运维技术的发展历程

随着信息技术的快速发展,当前牵引供电系统运维技术正进入信息化时代。高速铁路供电安全检测监测系统(6C系统)[29-30]、SCADA系统和综合维修系统等运维平台的投入使用,实现了牵引供电系统由“定期修”向“状态修”的全面转变,并已具备有限的“预防修”能力,缩短了巡检周期。与此同时,通过对监测数据的分析与处理,制定维修决策,提高了检修效率与精度,具备一定的智能化水平。例如,通过6C系统拍摄的接触网图像数据,利用深度学习等监督学习算法识别与定位接触网零部件缺陷[31]。然而,当前牵引供电系统运维技术仍然存在亟待解决的问题。

1)虽然以6C系统为核心的运维平台缩短了系统的检测监测周期,但仍然不具备全面的全息感知能力。除了受电弓滑板监测装置(5C)和接触网及供电设备地面监测装置(6C)可实时监测受电弓滑板状态和接触网线索的特征参数之外,对机械故障的感知周期仍然以月为单位,不具备实时感知能力。

2)虽然在故障数据处理和识别中引入了深度学习等智能算法,但是仍然需要人工进行辅助识别,避免漏判和误判,其故障处理和分析仍然处于半智能化阶段。

3)“状态修”仍然以定期指令下达为主要形式,导致维修时间以经验和计划为主,不具备自主性和自治性。

4)大量运维数据(基础数据、检测监测数据、故障数据、维修数据和试验数据)得不到充分利用,并且多模态数据之间没有兼容性。例如,SCADA系统的信号数据、6C系统的图像数据以及人工记录的文本数据具有不兼容性,并且这些微粒数据利用率不高,导致不能挖掘出大量有价值的运维信息。毫无疑问,当前的“状态修”已不能完全满足牵引供电系统运维要求。

为确保牵引供电系统能够高效、安全和可靠运行,其首要因素是构建一个具有状态全息感知、多维信息融合、数据交互处理、自主维修决策的牵引供电智能运维系统,实现由“状态修”向“预防修”的彻底转型。因此,构建以工业4.0为代表的智能运维数字孪生网络具有重要意义。通过物理机理和数据驱动有机融合,构建虚拟的牵引供电系统数字孪生体/网络,实现物理系统和数字系统双向动态交互流动。一方面,通过对物理系统进行物理和数据建模,构建具有自感知、自学习、自表达和自决策能力的虚拟数字模型[32];另一方面,依托虚拟数字系统进行状态建模、健康评估、故障预测和风险分析,实现对真实物理系统的实时、精准维修决策[33]。构建基于数字孪生技术的牵引供电智能运维系统,其本质上是以现有的运维系统为基础,通过引入物联网技术,实现牵引供电系统的全息感知;通过对多种运维平台集成构建大数据平台,实现多维信息的融合;在此基础上,构建“边-云”协同数据处理技术,实现不同类型数据的交互处理;最后,通过人工智能技术,实现具有自决策能力的精准维修策略。

1.2 基于数字孪生技术的牵引供电系统运维特性

随着牵引供电系统运维技术的发展,其关注的内涵将发生改变,如图2所示。在“定期修”阶段,主要聚焦于对已发生的故障或缺陷进行定期维修,对部分电气故障要求识别/记录故障发生位置和时间(如保护动作时间),但对其他故障或缺陷(尤其机械故障或缺陷)检测监测的实时性要求不高;在“状态修”阶段,随着以6C系统为代表的检测监测平台的广泛应用,实现了对现有部分机械故障/缺陷实时检测监测,并且在一定程度上从还原论的角度,实现了部分故障和缺陷的物理建模,揭示了部分故障/缺陷的物理机理。然而,仍然缺乏从系统论角度解释不同运行环境下不同故障或缺陷之间的交互机理,例如,从大量数据中挖掘的故障/缺陷关联特性仍然无法解释。因此,为实现“预防修”,其首要问题就是依托虚拟的数字孪生体/网络,从系统论角度构建“数据驱动模型+物理模型”双驱动模型,全面揭示系统的故障/缺陷机理,使其故障/缺陷机理具有可解释性。依托可解释性,实现故障/缺陷的快速诊断和精准预测,构建以预防为主、检修为辅的维修目标。要实现上述智能化、信息化和数字化运维过程,基于数字孪生技术的牵引供电智能运维系统需具备六大认知能力,包括:感知能力、聚焦能力、记忆能力、学习能力、推理能力和决策能力[34]。

图2 智能运维技术认知特性的发展路径

1)感知能力

感知能力是使智能运维系统具备认知能力的基础和关键。感知能力首要目的就是通过量测技术实时采集牵引供电系统的数据信息,获取大量的实时数据。并且,为了提高数据的质量,其感知的数据必须能够对物理系统和周围环境精准表达,避免大量高维数、高容量的无用数据和过度冗余重复数据,有利于后期数据处理和运维决策。感知能力使牵引供电系统及其所处的外部环境具有可见性。

2)聚焦能力

聚焦能力能够依据当前或未来一段时间内的内部运行状态和外部环境有选择地专注于特定任务或目标。例如,当雷电多发季节,其系统的运维目标可重点聚焦于评估和预测雷电对接触网的影响。聚焦能力使智能运维系统能够从实时或历史数据库中提取相关特性信息,对特定任务或目标进行聚焦分析,可有效提高智能运维系统的感知和决策能力。

3)记忆能力

记忆能力是构造虚拟数字孪生体/网络的重要条件。通过存储牵引供电系统的运行状态和外部环境的各个阶段数据,精准实现虚拟孪生体/网络的镜像复现。并且,记忆能力使数字孪生体/网络具有雄厚的知识储备能力,是其具有更高认知能力的基石。例如,准确记忆故障发生位置、发生时间、发生环境,有助于对未来具有相似特性的故障进行推理和预防。与此同时,记忆能力也需要智能运维系统具有快速回溯和检索能力,有助于对重要故障/缺陷片段进行回放。

4)学习能力

学习能力要求智能运维系统能够对获得的历史数据或记忆片段进行学习,提取有价值的知识。学习能力要求将历史经验数据转化成具有一定规律的新知识,并且能够从数据驱动或物理机理角度对这些新知识进行解释。相比记忆能力,学习能力强调知识的可解释性和数据的再加工能力。

5)推理能力

推理能力要求智能运维系统能够依据当前或未来的外部环境以及系统自身的运行状态对故障或缺陷进行精准预测和定位。推理能力是智能运维系统的最高认知能力,利用学习获得的规律知识,对未知的运行状态或环境进行推理,精准预测系统故障演化趋势。对比记忆能力只能预测历史上在相似环境或运行状态下发生过的故障/缺陷,推理能力要求智能运维系统能够预测未知环境或未知运行状态(历史上没有出现过的)下的故障/缺陷(这里的故障/缺陷也可能是未知的)。

6)决策能力

决策能力要求数字孪生网络依据推理得到的结果自主给出解决方案和实现目标。决策能力强调其具有自治性和自主性。并且,以预防为指导目标,在故障/缺陷发生之前提前检修,实现系统的安全可靠运行。需要注意的是,精准决策需要综合考虑故障/缺陷的危害程度、即将发生时间、检修时间、维修经济等综合指标,制定最优检修方案和决策目标。

如图3所示,上述6种认知能力是闭环的,使牵引供电智能运维系统具备知识感知、解释、分析和处理的能力。

图3 智能运维系统的认知过程

2 牵引供电智能运维系统架构解析

基于数字孪生技术的牵引供电智能运维特性,从物理、信息和模型架构解构智能运维系统。

2.1 牵引供电智能运维系统的物理架构

牵引供电系统智能运维数字孪生网络是一个由现实物理系统、信息传输系统和虚拟数字系统构成的“物理-信息-数字”三层交互网络,如图4所示。其中信息系统是物理系统内部信息交互、虚拟系统内部信息交互以及物理-虚拟系统之间信息交互的传输介质。虚拟数字系统通过信息网络实时传输的数据,利用人工智能、信息技术对物理系统进行全景映射,虚拟数字系统具有以下特性:

图4 智能运维系统的物理架构

1)虚拟数字系统是一个两级数字孪生网络:路局级数字孪生网络和中国国家铁路集团有限公司(以下简称国铁集团)级数字孪生网络。其中,路局级数字孪生网络对路局管辖的各供电段进行全景镜像建模,由多个数字孪生体(如牵引变压器孪生体、接触网孪生体、列车孪生体等)构成。每一个数字孪生体可分别对映射的物理实体进行独立自主的建模和决策响应,一旦物理实体发生故障可快速实现响应和自愈。由多个数字孪生体构成的孪生网络主要聚焦于不同孪生体之间的交互特性分析,依据各孪生体的外部环境和运行状态,预测系统的故障发生时间和位置,制定相应的检修计划。

国铁集团级数字孪生网络主要聚焦于整个铁路系统的数字孪生建模,实现各路局级数字孪生网络互联互通。由于庞大的数据量,由国铁集团牵头,通过大数据技术可开展系统的故障/缺陷机理建模、分析和揭示,实现故障机理的可解释性,指导系统运维标准、政策的制定,也为“预防修”提供理论依据。

2)虚拟数字系统是一个多层次数字孪生网络。从内涵来看,虚拟数字系统是一个由数据、机理、算法等定义的数字化系统,用于表征物理系统的特征、行为、性能和形成过程。它是由不同数字模型组成的相依系统。数字模型既有物理模型也有数据驱动模型。其中,数据驱动模型表征形式多样[35]。例如,数据驱动模型可以是产生式规则数据库[36],用以表征系统不同内外因素之间以及故障/缺陷之间的因果关系;可以是网络图[37],用于表征故障元件/缺陷元件之间的故障演化关系;也可以是时间序列数据库,用以表征元件性能老化特性。这些不同的数据驱动模型和物理模型共同组成了多层次数字孪生网络。

2.2 牵引供电智能运维系统信息流

信息流是构成数字孪生网络信息交互的基础,主要包括物理系统与虚拟系统之间的信息交互(physical-to-virtual或virtual-to-physical,P2V)、虚拟系统内部的信息交互(virtual-to-virtual,V2V)和物理系统内部的信息交互(physical-to-physical,P2P)[38]。下面从通信带宽、通信延时、通信可靠性等方面分别介绍P2V、V2V和P2P的特性。

1)P2V通过无线通信技术(5G/6G)、光纤以及现有的6C系统等方式实现物理系统和数字系统的信息交互。通过各种“传感器”,如传统的电流、电压传感器、无线通信基站、光纤传感器等,将信息/数据传输到虚拟系统,以及将指令反馈给物理系统。毫无疑问,由于牵引供电系统是一个实时动态变化的物理系统,因此,为确保路局级的数字系统同步性,要求P2V具有较高的实时性。例如,当系统发生可修复性或可自愈性故障时,需要P2V及时将信息传输至虚拟系统,由虚拟系统进行故障分析和决策,并快速反馈至物理系统,防止故障的进一步恶化。

牵引供电系统是由零部件和牵引设备构成的复杂系统。随着对运维要求的不断提高,越来越多的物理实体将单独建模形成虚拟实体。并且由于数据不仅限于文本和信号,还包括图片和视频等其他模态数据形式,因此,对通信带宽要求很高,并应具有一定的备用容量。另外,要精确建模数字系统,首要前提是数据的可靠性,因此对通信传输可靠性也提出了很高的要求。

2)V2V主要用于路局级数字孪生网络内部虚拟孪生体之间的信息交互、路局级和国铁集团级孪生网络之间的信息交互以及国铁集团级孪生网络内部的信息交互。

在路局级数字孪生网络内部虚拟孪生体之间的信息交互中,由于传输至数字孪生网络的数据是边缘服务器处理后的数据,数据容量被压缩,因此,相比P2V,通信带宽要求较低。然而,由于路局级数字系统与物理系统需要实时镜像,因此,其传输延时和可靠性要求较高,以确保处理和计算后的数据能够精准、快速交互。

在路局级与国铁集团级数字孪生网络信息交互中,由于交互的数据是系统级的,因此对传输带宽具有很高的要求。然而,对于国铁集团级数字孪生网络,由于内部信息交互在局域网内流通,因此数据带宽要求相对要低。国铁集团级数字孪生网络主要聚焦于运维标准的制定、故障机理的揭示和运维技术的更新等内容,因此,对信息交互的实时性要求相对较低。对于传输可靠性,由于系统级的数据之间具有潜在的强关联性,任意微粒数据发生错误,可通过数据之间的关联性进行纠错,因此,对其可靠性要求也相对较低。

3)P2P要求物理实体之间能够实时、快速、可靠地进行无间断的信息交互与共享,使各物理实体之间能够实时协调配合。例如,在接触网发生不可逆故障时,可依据不同供电段的运行状态进行快速重构,实现最小供电单元划分,因此,对传输延时要求较高。但是,物理实体之间的传输通常以文本、信号为主,其带宽要求相对较低。

2.3 牵引供电智能运维系统的信息架构

要实现牵引供电智能运维系统物理架构,需要对物理系统进行全时段、全方位感知,以及对感知数据进行实时传输和快速处理,以确保虚拟数字系统能快速准确的与当前运行状态保持高度一致(主要指路局级数字孪生网络),使智能运维系统对故障/缺陷进行精准预测并给出最优决策。在此物理架构下,依据信息流的构成,如图5所示,智能运维系统可分为物理层、感知层、网络层、边缘层、孪生层和应用层。

图5 智能运维系统的信息架构

感知层为运维分析和决策提供数据支撑,主要由各种传感器组成的监测系统[39]。感知层不仅通过传感器全方位获取系统内部和外部环境的实时数据,也是将物理流(物理系统)转化成信息流(虚拟系统)的关键层。目前,除了在牵引供电系统广泛应用的电流(电压)互感器、温湿度传感器、6C系统中的高清摄像头等传感设备以外,未来新建铁路重点推广的光纤复合接触网也将作为感知层的重要组成部分。此外,未来也可借助于北斗卫星,实现对系统实时的动态感知,形成全覆盖、多元化的实时精准感知。

边缘层是一个轻量化数据处理层[40]。通过添加边缘服务器,对牵引供电系统中物理实体的局部数据或微粒数据进行就地分布式、规范化处理和分析,使数据具有通用标准协议,实现物理实体之间的无障碍信息交互,以及数字系统的标准化建模。同时,边缘层能够直接对数据进行就地处理和分析,并具备一定的数据缓存能力,有利于减小网络层的数据传输压力。

网络层起到连接边缘层与孪生层的作用。网络层要将边缘层处理后的大量微粒数据传输至孪生层,主要通过宽带通信、光纤通信、移动互联网进行数据传输。此外,对于大容量以及传输速率要求高的物理实体和运行场景,可借助于新兴的智能化光传输、太赫兹通信技术、STM-1等通信技术以及北斗卫星。

孪生层对边缘层处理后的海量微粒数据进行物理建模和数据驱动建模,构建全景镜像的虚拟数字系统。孪生层主要聚焦于真实物理系统中的各设备、环境以及故障演化规律的复现,解释和揭示故障机理,实现真实世界到数字孪生的完整映射,为应用层提供决策依据和理论支撑。

应用层基于各类人工智能技术(如认知计算、神经网络、推理计算)并整合各种计算资源(如超级计算机、云计算、大数据),实现数字系统对物理系统的闭环反馈、行为预测,并提供高效智能运维决策的集成式大数据平台。

2.4 牵引供电智能运维系统的模型架构

1)模型架构构成

依据物理架构和信息架构,智能运维系统的模型架构如图6所示,其主要分为镜像感知、内核驱动、动态保真、机理特性和智能决策五部分。

图6 智能运维系统的模型架构

镜像感知主要构建虚拟实体及孪生网络的3D立体模型,实现物理系统在虚拟数字系统上3D全景复现[41]。首先,利用3D建模技术对牵引供电系统及其子系统进行还原,实现牵引供电系统数字化和可视化。其次,将实时感知的数据和实体的固有参数附着在虚拟实体和孪生网络上,实现物理系统与数字系统之间参数的实时同步。

内核驱动主要利用感知获取的数据进行物理和数据双驱动建模。一方面,由于系统的复杂性,感知仍然存在“盲点”,因此,依据已知的数据,利用双驱动模型对“盲点”的运行状态进行建模,实现系统的“消盲”;另一方面,对于感知难度较大的电气特性和机械特性进行建模,例如,电场、磁场等物理特性,零部件的疲劳特性、应变特性等机械特性,实现数字系统的数字“透明化”。

动态保真基于镜像感知和动态保真实现全息模拟和高保真复现。除了实时数据的动态更新之外,利用构建的双驱动模型对电气特性和机械特性进行实时动态更新,实时洞悉牵引供电系统当前的运行健康程度,并且依据数字系统当前的实时虚拟状态对故障/缺陷进行一级响应。

机理特性主要依据数字系统对故障/缺陷(已经发生或未发生的)进行沙盘推演,分析故障/缺陷的成因,以及故障/缺陷下系统暂态演化过程,揭示故障/缺陷的物理机理以及系统暂/稳态特性,充分挖掘出系统的物理规律。

智能决策主要通过数字系统以及物理规律进行维修决策。对于不可自愈故障,进行二级或三级故障响应,通过协同调控、系统维修等方式使系统恢复正常运行状态;通过对系统进行中长期预测,依据预测结果制定维修计划;最后,对运维标准、政策进行修正和制定。

在上述五部分中,镜像感知和内核驱动分别构成了数字系统的外壳和内核,实现了数字系统与物理系统的完整映射。动态保真和机理特性实现运行特性(暂/稳态特性、正常运行与故障运行特性)动态高保真模拟,并且对现象、机理和规律进行解释,为模型、参数修正以及运维决策提供基础理论。运维决策通过制定决策模型为系统自主响应、维修计划制定、标准修订等提供上层应用服务。

2)模型架构的表达

依据模型架构的构成,模型架构的表达实质上是一系列双驱动模型依据系统的外部环境和运行特性进行知识生成、知识修正、知识表达的闭环反馈过程,如图7所示。通过感知的数据建立双驱动模型。依据3D技术和双驱动模型实现运行状态的高保真动态模拟和场景复现。进一步,利用动态模拟结果和双驱动模型对故障/缺陷特性、暂/稳态特性进行分析和解释。其中,对于新的物理/机械特性依据模拟结果建立新的双驱动模型,实现特性“消盲”。与此同时,通过对数字系统模拟的运行状态与物理系统真实的运行状态进行对比,分别对物理模型和数据驱动模型进行模型修正和参数修正,提高双驱动模型的精度。最后,依据系统的运行特性,构建决策模型,实现系统的运维决策。一方面,将决策模型提供给动态保真层,实现系统自主响应和决策;另一方面,依据决策模型对构建的双驱动模型进行反馈修正。

图7 智能运维系统的表达过程

3 牵引供电智能运维系统的关键技术

实现基于数字孪生网络的牵引供电智能运维系统的物理架构、信息架构和模型架构,其首要问题是解决如何实现牵引供电系统数字物理系统双向动态交互演化[42]。一方面,从物理系统向数字系统映射,需要通过物理模型和数据驱动模型建立高维动态、多时间尺度的高保真模型,是实现精准运维决策的关键步骤。另一方面,从数字系统向物理系统反馈,通过数据与知识融合的人工智能等先进技术,进行沙盘推演、策略评估、故障自愈和预测,将虚拟数字空间的决策结果反作用于真实物理空间,实现数字系统与物理系统的协同互动与双向优化。要解决上述问题,需以现有技术为基础,如图8所示,从全息感知、通信传输、数字建模以及运维决策等方面全面提升牵引供电系统的运维技术。

图8 智能运维系统的关键技术

3.1 智能运维系统的全息感知和信息传输技术

要建立能够复现牵引供电系统中的各设备以及运行环境的数字孪生网络,就要求运维系统有强大的感知能力,以及对真实的牵引供电系统进行完整的映射。针对上述要求,首先要求感知层的传感器种类多样性以及功能的全面性[43]。除了目前广泛应用的电流(电压)互感器、温湿度传感器、图像传感器以外,结合6C系统、光纤复合接触网、北斗卫星并研发新型敏感材料和微纳结构的电气化交通专用高精度传感器,以实现对系统的全景感知。

1)6C系统

如图9所示,6C系统包括高速弓网综合检测装置(1C)、接触网安全巡检装置(2C)、车载接触网运行状态检测装置 (3C)、接触网悬挂状态检测监测装置(4C)、受电滑板状态监测装置(5C)、接触网及供电设备地面监测装置(6C)和6C系统信息综合应用(6C数据中心)[29]。对数据感知的方式多样,包括图像传感器、热电传感器、霍尔传感器、应变传感器等。能够获取的数据类型也多样,包括力学数据、电气量数据、机械结构数据等。正如上文所述,除了受电弓滑板监测装置(5C)和接触网及供电设备地面监测装置(6C)可实时监测受电弓滑板状态和接触网线索的特征参数之外,对其余机械结构的感知也只是周期性的,并不能对系统进行全时间尺度的感知。因此,有必要进一步提高6C系统的实时感知能力以及数据传输能力。此外当前的各子系统相对独立,可通过数据驱动模型实现各子系统的协同交互,实现各子系统的优势互补。

图9 高速铁路供电安全检测监测系统(6C系统)

2)光纤复合接触网

为实现接触网实时感知以及信息的大容量传输,通过在接触线中内置具有通信和传感功能的光纤单元,能够同时传输电能和通信信号,尤其对于地形复杂、运维困难的铁路线路具有重要意义。光纤复合接触网将拓展现有监测技术的监测范围,如图10所示,可实现应力和振动的监测、闪络监测、通信监测、轨道不平顺或变形致振监测、列车和行驶状态监测等。在未来重点需要在制备工艺、焊接工艺以及监测装置等方向展开研究。

图10 光纤复合接触网

3)多跳自组织网络技术

引入多跳自组织网络[42],有利于避免由于实时海量微粒数据引起的网络拥塞,并且多跳自组织网络技术具有去中心化特点,可提高不同物理实体之间和虚拟实体之间的传输效率。针对牵引供电系统中各实体的交互特性,以及车网耦合特性,需重点研究多跳自组织网络的拓扑结构、传输模式、通信协议,并且如何与现有铁路系统的通信机制进行有机融合,实现物理实体之间和虚拟实体之间的灵活、可靠、自主交互。

3.2 智能运维系统的数字建模技术

牵引供电系统是物理结构复杂、动态特性多样的多时间尺度系统,传统物理建模方法主要聚焦于对特定的物理实体进行建模。因此,只能描述物理实体在某一时间和空间尺度下的动态过程。难以从全系统角度挖掘多时间和空间尺度下各种动态过程之间的交互关系。为使数字模型对其物理对象的内在特性与外部环境进行高度还原,需重点研究如何通过数据驱动建模和物理建模双驱动的方式,建立高可信度、高质量的孪生网络。

1)基于边缘计算的多源数据分布式处理技术

感知层获取的数据不仅规模庞大而且构成复杂,多模态数据之间也不具有兼容性,导致数字建模困难。与此同时,与传统建模中单一结构的数据驱动方式相比,孪生网络的建立需要充分挖掘感知层所获取的运维信息,这些信息包含着大量无结构、半结构数据,并且对物理系统的描述方式多种多样、质量参差不齐,这就需要对数据进行归一、去重、去噪、数模转化等融合处理。因此,需重点研究如何利用边缘计算对微粒数据、局部数据以及敏感数据进行就地清洗、剪枝、提取、分类和压缩,实现数据的标准化和轻量化处理[44-46]。以便数字建模时能充分利用运维数据,建立多维度、高还原的孪生网络,并保证应用层对故障预测以及运维决策的准确性。

2)物理数字双驱动建模技术

通过物理建模方式揭示系统和设备状态服役性能演变机理以及故障演化机理是研究牵引供电系统运行特性的主要研究手段。例如,对牵引变压器建立电场、热场和磁场等多场耦合的模型[19],分析牵引变压器的动态运行特性。然而,一方面,物理模型在建模过程引入大量的假设简化,不能完全反映真实条件下的演化特性;另一方面,由于牵引供电系统是一个多种耦合机制下的复杂系统(如机械耦合、电气耦合),导致物理建模难度大,非线性维度高。因此,有必要实现“物理+数据驱动”的混合建模方法。利用数据驱动修正物理模型的误差,增强机理模型的适应性。并且,利用数据驱动方法从全系统角度对物理实体交互中的非线性问题进行建模,实现模型的全景数字化。

3)外壳和内核的多模态知识表达建模技术

从外壳来看,数字孪生网络具有可视化功能,利用BIM和VR技术从结构上和外观上对物理系统进行3D还原,通过虚拟实体对物理实体属性、行为、规则等方面实现层次细节的可视化动态逼真显示,实现对复杂故障/缺陷的可视化沙盘推演,有助于探索故障/缺陷机理。从内核来看,数字孪生网络需具有多模态知识表达能力[47-48],使可视化3D模型具有动态特性。例如,通过复杂网络表达不同物理实体之间的故障交互关系;通过决策表达物理实体内部各因素对故障特性的影响;利用语义网络技术表达系统故障演化特性。这些不同的知识表达为快速数据查询、精准认知推理和精准学习预测提供了基础。

3.3 智能运维系统的运维决策技术

要使牵引供电系统具有自主决策能力,需要充分利用系统感知的海量数据高效挖掘蕴含的价值特征[49],并从物理和数据驱动角度揭示系统的运行特性,进而自主制定适用于当前运行状态或运行周期的运维策略。为达到上述目的,通过虚拟存储技术与网络存储技术对海量运维数据进行储存,以大数据和云计算技术对数据进行处理和分析,并为人工智能算法引擎提供自主学习的条件。通过人工智能算法引擎提供的先进算法模型不断优化运维策略,实现自主决策能力。

1)海量数据存储技术

通过虚拟存储技术与网络存储技术对运维系统产生的大规模数据进行存储、传输与处理。虚拟存储技术可使内存与外存进行有机结合,使实际使用容量远大于实际内存的存储空间,提高数据的存储能力[50]。另外,将存储系统划分为多个存储模块,并且将访问数据所需的带宽合理分配到每一个存储模块上,增加系统的整体访问带宽。网络存储技术不仅可满足智能运维系统大规模的数据存储,并且还可以实现计算设备与存储设备之间数据的高速传递,各层间也能进行快速灵活的数据调用。虚拟存储技术与网络存储技术相结合,使海量运维数据得以经济、安全地进行储存,并且使用时也能方便、快速地进行调用。

2)大规模并行计算技术

运维数据主要是由海量的结构化、半结构化及非结构化组成的混合大数据,因此,传统的数据处理技术和串行计算难以满足运维数据处理的需求。需引入并行计算[51],将复杂任务分解成若干个子任务,实现多进程、多线程并行协同执行。要实现并行计算,应重点研究多线程技术的开销和消息传递模式,提高并行处理的速度和通信速度。另外,从物理和数据双驱动模型入手,对模型进行并行化处理,重点研究如何将复杂模型等效分解,加速模型的求解速度。

3)模型求解技术

大数据与云计算技术所提供的庞大数据库以及相应的数据存储空间,是以人工智能为核心的智能运维决策系统进行自主学习的必要条件,也是提高计算效率和计算准确率的前提条件。通过人工智能算法引擎在智能运维系统中嵌入深度学习、因果学习、集成学习等先进算法模型,实现故障沙盘推演、故障定位诊断和状态预测评估等功能。一方面,对于多参数、多因素大规模非线性物理模型(如非线性动力学模型),结合并行计算,可利用深度学习进行快速求解。另一方面,利用因果推理等算法建立数据驱动模型,挖掘故障特性之间的关联特性和规律,实现数据驱动模型的可解释性。

4 牵引供电智能运维系统的故障应对机制

依据构建的模型架构,为实现牵引供电系统小故障快速自愈、大故障快速恢复,建立三级故障联动机制。基于预防为主、检修为辅的原则,建立故障预防机制。三级故障联动机制和故障预防机制如图11所示。

图11 三级故障联动机制

4.1 三级故障联动机制

牵引供电智能运维系统最重要的核心内容是对故障进行响应,确保系统(经济和安全)损失最小。依据模型架构,故障响应机制可分为三级。其中,一级和二级在路局级数字孪生网络,三级在国铁集团级数字网络。

在一级和二级响应中,各虚拟实体对感知的数据进行故障诊断,一旦发现故障,首先,虚拟实体快速启动响应机制,阻断故障进一步演化。对于故障在某个实体内部,可通过故障快速隔离、保护重合闸以及备用设备投切等方式,进行自愈恢复。对于故障涉及多个实体协同配合时,孪生网络进行快速协同控制。例如,接触网发生故障时,通过联络开关联动,以列车应急供电为需求,进行最小供电单元化划分,实现系统降级供电[52],优先确保列车通过无电区。当外部电源、牵引供电系统内部可再生能源设备发生故障时,通过对多源多储协同优化、应急资源调配以及负荷分级削减等方式[53],确保系统供需平衡,支持系统的应急供电[54]。

如果是不可自愈的重大故障,例如永久性故障,启动二级响应机制,分别以维修时间和维修经济为主目标和从目标,构建多级主从优化维修模型,制定最优维修策略,对故障进行快速抢修,确保牵引供电系统最短时间内恢复运行。

对于跨系统故障,设置三级响应机制,依据不同线路输送负荷的重要等级,进行统一调控,进行分级恢复,逐步恢复供电。

如图12所示,利用三级联动机制将增加系统响应、自愈、吸收和恢复的能力。依据数字系统实时分析牵引供电系统在应对故障扰动下的自组织临界效应和系统稳定边界特性,在此基础上,通过控制策略,主动“干扰”系统的临界特性,扩大系统的运行稳定域,提高系统抵御故障风险的能力。

图12 故障应对机制下系统性能与应急供电能力演化特性

4.2 故障预防机制

为实现故障预防,可通过短期和中长期预测,制定检测计划,避免故障的发生。

对于短期预测,数字系统通过记忆和学习能力,对历史故障/缺陷数据进行溯源分析,分析故障/缺陷与内外环境的关联特性,挖掘故障发生时的系统运行特性以及外部环境特点,提取故障场景特性。一旦出现相似故障场景,系统立即启动预警机制,通过抢修或协同控制,阻止故障的发生。

对于中长期故障,在对历史故障/缺陷数据进行溯源的基础上,对各物理实体的材料、性能等固有参数进行全生命周期分析,并结合历史运行数据,建立物理实体的老化模型,分析其物理实体的老化机理。在此基础上,通过物理实体的交互特性构建系统级的老化模型,全面评估系统的健康状态。另外,通过建立微气象模型,构建微气象预警机制,实时监测和预测系统所在的外部环境。依据历史数据、老化模型和微气象模型,以系统安全和运维经济为目标,制定最优检修策略和检修周期,降低系统发生故障的风险。

5 牵引供电智能运维系统典型场景应用

以牵引变压器、接触网和全系统作为应用对象,以物理架构、信息架构和模型架构为基础,构建物理和数字驱动的双驱动模型,实现设备级和系统级的状态评估和故障诊断。

5.1 多源异构数据的牵引变压器状态监测与评估

牵引变压器是将电力系统的电能传输给单相牵引供电系统的重要牵引设备,其运行安全是确保牵引供电系统安全可靠运行的重要前提,因此,有必要对其构建牵引变压器的数字系统,实现牵引变压器的镜像复现,利用虚拟数字系统进行实时状态监测和安全评估,如图13所示。

图13 牵引变压器状态监测与评估技术路线

为能够精准复现牵引变压器,需要全息感知牵引变压器的参数特性和运行状态。通过温度传感器、电压/电流传感器对牵引变压器进行在线感知,获取实时运行数据,配合试验特性和综合信息获取的数据,构建牵引变压器状态数据库。由于牵引变压器的数据具有多源异构特性,即数据类型复杂多样,故障与非故障性具有不平衡性。因此,有必要通过边缘计算,对数据进行整合、去噪、增强和特征提取,降低数据的异构性和不平衡性。

在此基础上,构建基于在线深度学习的物理和数据驱动的双驱动模型。一方面,通过在线深度学习对处理后的数据进行训练,从数据角度对系统的运行状态进行认知,仿真模拟内部元件之间的故障演化机理;另一方面,构建电场、磁场和热场等多场耦合的物理模型,仿真系统稳态/暂态运行特性。由于物理模型的非线性,可配合数据驱动模型,利用深度学习对模型参数进行修正。通过双驱动模型实现数字系统的实时镜像复现。利用高保真数字系统,揭示牵引变压器的服役性能、状态边界条件以及动态运行特性。进一步,利用数字系统对深度学习进行模型训练,利用训练后的学习模型通过输入实时数据进行故障诊断、故障预测以及维修决策,实现物理系统和数字系统实时闭环双向交互。

5.2 接触网零部件关联特性与维修决策

由于历史故障数据和维修数据蕴藏着丰富的零部件之间故障演化规律(可能是长期的缓慢演化规律)。因此,从国铁集团级数字孪生网络角度,如图14所示,利用历史故障和维修大数据,挖掘和学习故障关联特性,构建接触网零部件故障关联数字系统。

图14 接触网故障零部件关联特性与维修决策技术路线

由于不同铁路局上传至国铁集团的历史故障和维修数据格式和标准不统一。因此,首先对数据进行处理,通过数据清洗、数据剪枝、数据编码和数据分类实现数据的标准化和规范化。进一步,构建因果强化学习的关联特性模型。利用数字运行仿真系统构建因果环境模型,并依托构建的策略网络模型,实现智能体与数字运行仿真系统的动态交互,挖掘数据之间的故障关联特性,生成由故障网络组成的数字动态因果系统。利用数字动态因果系统,从时间和空间两个维度揭示故障关联特性。

与此同时,以数字动态因果系统为训练系统,对推理算法、深度学习和数据挖掘等人工智能技术进行模型训练,获得训练学习模型。通过采集的实时数据,在线识别接触网中的关键故障零部件,提高系统的风险防范能力。另外,通过零部件之间的关联特性,可对前序故障零部件进行监测以及对后序零部件进行预防,进一步降低故障的传播风险。

5.3 基于光纤复合接触网的牵引供电系统智能诊断与状态预测

当前,对牵引供电系统的感知主要有两种重要手段:一是通过SCADA系统实时监测电气量,包括电压、电流等;二是通过6C系统的高清移动相机、温度传感器、应力传感器等设备检测监测机械量和外部环境,包括异物入侵、应力、温度、缺陷等。其中,6C系统对应变、温度等运行参数的检测主要聚焦于接触网特殊断面和供电设备处。因此,为提高牵引供电系统对机械量和外部环境的感知能力,对新建线路引入光纤复合接触网,通过分布式光纤传感器对应变、温度等机械量进行实时感知。光学量测系统、SCADA系统以及6C系统三者之间协同配合、优势互补,将进一步提高系统的全息感知能力和精准检测监测能力。例如,当通过光纤传感器精确检测到系统发生应变时,可配合6C系统进一步判别应变发生原因,是异物入侵还是环境激扰引起的振动。如图15所示,通过三者协同配合,可构建牵引供电系统智能诊断与状态预测数字系统。

图15 牵引供电系统智能诊断与状态预测技术路线

通过3个量测系统对牵引供电系统的参数进行全方位实时感知,由于感知的数据模态多样,包括信号、文本和图像等,因此,通过就地分布式边缘计算对数据进行处理和特征提取,并将处理后的数据传输至数字系统进行实时保真模拟。综合考虑环境、电气和机械等参数变量,从物理和数据驱动角度构建牵引供电系统的运行特性模型,包括接触网状态模型、牵引供电系统潮流方程、弓网动态模型、回流模型。由于构建的运行特性模型是高阶非线性方程,利用深度强化学习对模型进行在线求解。将数字系统作为强化学习的环境,通过多智能体协同并行优化,实现多智能体与数字系统互动。通过多智能体与数字系统的交互,从系统论角度研究系统的老化特性,分析和评估系统当前的健康状态;研究系统故障演化特性,分析牵引供电系统发生故障时的传播规律,制定快速响应和自愈策略,实现故障的快速隔离阻断;研究环境激扰特性,分析与预测微气象、漂浮物等外界环境对牵引供电系统的影响,进一步制定合理的预防策略。与此同时,通过数字系统保真模拟,可对深度强化学习的参数进行修正,提高深度强化学习的求解精度,以及对状态特性模型进行修正,提高模型映射系统特性的精度。

通过数字系统的全景模拟,不仅与物理系统的实时状态高保真映射,而且可提前预测物理系统的未来状态,将大幅提升状态预测、故障诊断和运维决策的能力。

6 难点与展望

构建基于数字孪生网络的牵引供电智能运维系统虽然可实现系统全景镜像感知、动态特性分析、诊断决策建模,但是仍然存在以下难点:

1)还原论和系统论的“共生”[55]:当前,在牵引供电系统中,仍然主要从还原论角度,基于基本假设和条件简化,构建物理模型分析系统的运行特性,没有从系统论的角度,刻画牵引供电系统高维非线性系统内部元件的交互关系。因此,如何将还原论构建的物理模型结合数据驱动模型从系统论角度进行再构建、再融合和再解释是需要解决的一大难点。

2)海量大数据与异常小数据的“协同”:当前的人工智能技术能够借助于大数据和云计算平台实现海量大数据的批量处理,从而挖掘出具有共识意义的特性规律。然而,批量处理可能忽略一些偶然发生的异常小数据,不能完全识别出系统的薄弱点。因此,在批量处理海量大数据的同时,有必要精准捕捉和识别异常小数据,充分挖掘异常小数据的潜在价值。

3)系统集成与网络安全的“矛盾”:牵引供电系统中不同检测监测系统的内部互联互通,虽然有利于实现多维度信息融合和数据交互共享,但同时也将面临网络安全的问题。一旦某个检测监测系统受到信息攻击,将可能波及其他系统,导致信息系统处于大面积瘫痪状态,严重威胁牵引供电系统的运行安全。

为解决上述难点,可进一步探索新兴技术在智能运维系统中应用的可能性,包括知识图谱、边缘智能以及区块链技术。

1)构建知识图谱认知推理系统。依据多模态数据建立物理模型的内在联系,构建以物理模型为核心的多模态知识图谱的推理系统[42]。利用认知计算、类脑计算对推理系统进行认知推理,赋予智能运维系统的认知能力。

2)边缘智能的异常检测。将人工智能从云计算向边缘侧部分迁移,构建轻量化的人工智能技术。在边缘侧,对异常小数据进行智能识别,有效避免大数据和云平台对异常小数据的忽略,提供数据识别的敏感度。并且边缘侧赋予智能,也有利于对物理实体快速反应,做出最优决策。

3)基于区块链技术的信息交互。区块链是一种防篡改的分布式数据库,利用密码学以去中心化的方式确保每个链路安全。因此,在智能运维系统中,将区块链技术应用于构建信息构架中的网络层,实现物理和虚拟实体/网络之间去中心化信息交互,实现信息的可追溯性、可访问性和不可更改性,确保信息传输安全。