基于云模型的配网运行画像数字孪生构建方法研究

陈 宇,徐修能,李 凡

(1.国网上海市电力公司,上海 200120;2.国网上海松江供电公司,上海 201699;3.国网上海市电力有限公司电力科学研究院,上海 200437)

0 引言

数字孪生是一种精确反映物理实体的虚拟模型。随着我国电力事业的发展,目前难以通过简单的物理试验获取配网的实际运行状况。如果配网发生故障,不仅会导致大面积电力瘫痪,还会产生比较惨重的经济损失,从而对社会产生一定的负面影响[1-2]。在智能电网快速发展的背景下,为了实现对电力系统的高效管理和优化运营,需要建立准确、可靠的配网运行画像。配网运行画像对配电网的实时状态、负荷信息、设备健康状况等数据进行集成和分析,以提供全面的运行情况和决策支持。因此,为了提高配网运行的管理水平、减少配网故障的发生,研究配网运行画像数字孪生构建方法具有重要意义。

国内学者对此开展了大量研究。孙黎霞等[3]通过计算配电设备的电气量和非电气量参数对应的健康指数,采用成功流法对全部健康指数开展等价简化,以获取配电设备层的健康状态;同时,从多个不同角度出发,构建评估指标体系,将模糊层次分析法和证据理论相结合,对运行指标分析计算,进而获取配电层的健康指数。但该方法的计算过程较多,评估过程较复杂。刘科研等[4]采用特征瞬时评估验证数据准确性和稳定性,引入全系统状态空间矩阵生成方法,并将其应用于配网特征值计算中,以实现配网仿真性能评估。但该方法的评估过程也较复杂。翁国庆等[5]优先构建配网运行状态态势评估体系,通过层次分析法和变异系数法得到不同评估指标的主客观赋权,并通过最小二乘优化方法完成组合权重赋值,从而实现配电运行状态评估。但该方法的评估准确性还需进一步提升。

为解决上述方法存在的问题,本文提出基于云模型的配网运行画像数字孪生构建方法。该方法通过数字孪生技术建立配网运行指标体系,利用鱼骨图法获取配网优质性指标,引入相关性分析方法筛选独立指标;采用云模型获取指标的模糊特征,对运行指标和标签矩阵作距离加权求和处理,从而得到完整的配网运行画像。

1 基于数字孪生的配网运行画像

1.1 配网运行指标体系的建立

数字孪生是一个虚拟的、以数字方式呈现的物理实体或系统的实时副本。它利用物联网、传感器、模拟建模和大数据分析等技术,将实际系统的运行状态、行为和特性与数字模型相连接。数字孪生基于物理实体的数据采集和实时监测,将实际系统各方面的数据同步到数字化模型中,并保持两者之间的实时关联。这使得在数字孪生中可以完全模拟和预测实际系统的运行状态、工作过程和性能表现。通过数字孪生技术对配网的实时监测和分析,可以进行故障诊断、性能优化、预测维护等工作[6-8]。数字孪生可以利用传感器数据和历史数据等,全面反映物理实体的实时状态以及变化趋势等。数字孪生体系的组成部分如下。

①物理实体。物理实体包括物理实体内部及互相之间的各类运行逻辑、生产流程等已存在的逻辑规则。

②数字孪生技术应用。数字孪生技术应用主要接收来自物理实体的状态信息以作同步演化处理,同时对物理实体作故障诊断和预测等一系列相关操作。

③双向交互通道。双向交互通道主要负责物理实体状态信息和分析结果的双向传播。

为了提升配网的数字化运行水平,需要搭建配网数字孪生技术架构。配网数字孪生技术架构如图1所示。

图1 配网数字孪生技术架构图

通过配网数字孪生技术,可以精准反映配网相关设备的参数和用户[9-10],为后续研究奠定基础。配网改造的主要目的是构建一个安全、优质且环保的现代化配网。本文将配网数字孪生技术所获得的设备参数作为研究的理论依据,通过鱼骨图法对配网安全性指标展开分析,以获取优质性指标。基于鱼骨图法的配网安全性指标分析如图2所示。

图2 基于鱼骨图法的配网安全性指标分析

配网的优质性主要体现在可靠性和电能质量两个方面。本文引入专家德尔菲咨询法进行相关指标的计算,以衡量供电侧和需求侧的停电时间以及停电频率。

本文对筛选后的指标展开独立性筛选,并引入相关性分析方法。基于相关性分析的配网指标筛选流程[11]如下。

①设定构建指标体系中的数量为p,则第i个和第j个指标之间的相关系数xij为:

(1)

式中:tix为第i个指标的观测值;tjx为第j个指标的观测值。

②通过需求选择相关系数的临界值l(p)。|xij|的取值越大,说明两个指标之间重复的信息越多;反之,则说明两个指标之间重复的信息越少,且指标独立性越强。

③对指标展开共线性诊断,采用方差膨胀因子衡量各指标之间出现多重共线性的程度|u|ij。

(2)

式中:Rp为指标对应的因变量。

经过相关性分析后的指标无法确保指标完全的独立,本文对经过相关性分析的指标作进一步筛选[12]。本文设定采样值共有n′组。为了有效消除量纲对原始数据产生的影响,本文对原始矩阵作标准化处理,以获取标准矩阵B:

(3)

式中:m为配网台区编号;n为配网线路编号。

相关系数R1为:

(4)

式中:C(si,sj)为si和sj的协方差;d(si)和d(sj)为si和sj的方差。

本文求解相关系数矩阵的特征值,则对应的主成分为:

(5)

式中:pmn为特征向量。

本文分别计算主成分的累积方差贡献率βij和主成分因子负载矩阵ρij,通过绝对值|ρij|展开指标筛选。|ρij|的取值越大,说明和主成分越相关,指标应该保留;反之,则需要将指标删除。

在完成指标筛选之后,全部指标分别从不同角度反映配网各台区和线路的运行特征。由于不同指标的属性完全不同,需要将指标按照量值划分为不同等级,进而形成标签矩阵E。

(6)

1.2 构建基于云模型的配网运行画像

云模型的提出主要是为了解决模糊逻辑和概率统计在处理不确定性问题时存在的局限性。其可以处理不确定的信息、数据和知识。利用云模型的特点,可以对复杂多变的配网运行数据进行综合分析和处理,包括配网运行数据的不确定性、模糊性和不完整性等。云模型可将模糊概念与精准样本进行集成,以形成客观的配网运行画像。作为一种基于空间样本的不确定性转化工具,云模型理论旨在处理信息和数据中的不确定性、模糊性和随机性,并通过云模型的概念从概率和模糊的角度进行综合分析。通过云模型可以确定样本集合,并将样本定义为云滴。通过云滴可以进行云参数模型的描述。云模型主要由三个不同的参数组成[13]。云模型对应的隶属度θ(i)为:

(7)

通过上述分析,本文将云模型引入配网运行画像数字孪生构建中,通过数字孪生技术构建配网运行画像。配网运行画像的构建主要包括以下步骤。

①配网数据平台对不同台区用电量日负荷数据进行采集,得到日负荷测量数据;通过对数据进行聚类分析,确定聚类中心矩阵。

(8)

通过数据平台开展潮流分析,可以获取配网对应的潮流状况数据序列S:

S={sm1,sm2,…,smn}

(9)

② 通过画像技术进行事物特征的描述,构建反映配网线路状态的特征指标;同时,将全部指标值展开区间量化处理,使各量化区间对应一个相同的概念(即标签)。另外,通过台区的日用电量,可以将特征指标划分为多个不同的等级,从而以概念化的语言展开描述和分析。

③ 通过式(8)和式(9)描述的日采样序列,同时结合配网的指标计算日运行特征指标,则每天可形成一个指标样本。另外,由于台区日运行行为受到人为以及周边环境等因素的影响,使其具有比较强的随机性和分散性,故通过单一的日样本无法准确刻画配网运行画像的宏观特征。所以,本文通过引入逆向云发生器将配网历史样本集合转换为样本的期望值以及超熵等,进而将样本序列转换为具有模糊特性以及统计特性的概念化表达,即利用云模型对配网的全部特征展开概念化归纳。

④ 历史样本特征序列主要利用逆向云展开云转化处理,进而构建模糊集合W。

W={wm1,wm2,…,wmn}

(10)

以模糊集合为依据构建配网运行画像,即通过配网不同元件的模糊特征判断模糊对象对应的模糊标签。通过模糊概念的贴近度方法,可以为各模糊对象贴上对应的模糊标签,进而形成配网不同元件运行行为画像。

⑤ 以日为单位提取配网运行指标,将获取的运行指标设定为配网的模糊特征,对运行指标和标签矩阵展开距离加权求和处理,进而获取配网运行指标的打分值D(ai,bi)。

(11)

由于配网的运行具有一定的随机性和不确定性,所以构建的物理画像也具有一定的分散性。配网运行越不稳定,则画像的离散程度越大。单纯从物理角度无法准确描述配网运行画像的不确定性,所以在构建配网运行画像的同时还需要考虑配网的不确定性指标,进而得到完整且清晰的配网运行图像。

2 试验与分析

为了验证基于云模型的配网运行画像数字孪生构建方法的有效性,本文选择的试验操作系统为Ubuntu18.04、软件为CUDNN7.0、硬件为NVIDIA GTX 1080Ti、中央处理器(central processing unit,CPU)频率为3.0 GHz、图形处理器(graphics processing unit,GPU)型号为FP32。本文选择IEEE 33节点配网测试系统搭建环境,并使用仿真试验方式得到云模型的应用结果,从而以台区画像为例进行分析。IEEE 33 配网结构如图3所示。

图3 IEEE 33配网结构

为了检验基于云模型的配网运行画像数字孪生构建方法的有效性,需要考虑IEEE 33配网结构中节点的故障情况。配网故障率在初始运行阶段处于下降的趋势,在稳定运行阶段趋于平稳,在损耗阶段出现增大的趋势。本文结合专家经验以及相关人员实际操作经验,对配网节点指标的评价等级作标准化处理,进而对其进行分级,以获取不同的状态等级。指标归一化分级结果如表1所示。

表1 指标归一化分级结果

本文为了准确描述配网发生故障后负荷的损失情况,采用了对数似然比 (log-likelihood ratio,LLR)指标。本文通过计算指标之间的相似性,获取各项指标的得分值。分值越高,表明构建效果越好。LLR指标的计算式如下。

(12)

式中:L为LLR指标值;Gm为配网发生故障的概率;Sm为配网发生故障损失的严重性。

本文设定不同场景下配网电杆运行状态如表2所示。

表2 不同场景下配网电杆运行状态

表2中:场景1含分布式电源;场景2不含分布式电源。为了验证基于云模型的配网运行画像数字孪生构建方法的有效性,本文将文献[3]中的模糊层次分析法和文献[4]中的全系统状态空间矩阵生成方法作为对比方法,将本文方法、文献[3]方法和文献[4]方法应用于表2所述场景中,以测定不同场景下的配网故障LLR。不同场景下的LLR如表3所示。

表3 不同场景下的LLR

由表3可知,在场景1和场景2中,文献[3]方法和文献[4]方法的LLR分别在0.7和0.6左右,而本文方法的LLR始终在0.8以上。这表明本文方法可更好地刻画和评价配网运行画像。本文方法根据云模型获取各指标的模糊特征,利用数字孪生技术构建电网运行指标体系,通过鱼骨图法得到配网优质性指标,从而获得了完整且清晰的配网运行图像、提高了配网的运行管理能力。本文方法可以准确获取配网在不同场景下的运行状态,更好地完成配网运行管理。

3 结论

为了更好地刻画配网运行画像,本文提出基于云模型的配网运行画像数字孪生构建方法。本文利用数字孪生技术构建配网运行指标体系,通过云模型获取配网运行指标的模糊特征,对运行指标进行加权求和处理后,以获得配网运行画像。测试结果表明,采用本文方法可以更好地刻画和评价配网运行画像。本文方法的LLR较高。本文方法能有效促进未来电网的发展建设。但是,在数字孪生构建和应用过程中,仍涉及到大量的系统数据和敏感信息。后续研究将聚焦确保数据安全、保护用户隐私、防止未经授权的访问或攻击等问题。