输变电设备运维中数字孪生技术应用

山西振中电力股份有限公司 王 桐

输变电设备是电力系统中的重要组成部分，对电力传输和分配起着关键的作用。为了确保输变电设备的安全运行和高效运维，数字孪生技术应运而生。数字孪生技术是指将实际设备建模和仿真，实现设备的虚拟化，以提供更准确、实时的设备状态监测和故障诊断，从而优化设备的运维管理。本文将探讨数字孪生技术在输变电设备运维中的应用。

1 输变电设备数字孪生内涵

输变电设备的管理采取全生命周期管理模式，各阶段的管理要求为：设计阶段，存储与设计有关的各类数据、模型等资料，在运维管理工作中存在需求时可及时调用，发挥出数据的利用价值；制造阶段，严格管控生产流程和生产工艺，采取标准化生产模式，进行出厂检验，保证输变电设备各零部件及整体装置的生产质量，记录各项制造信息，以便溯源；交付阶段，严格执行输变电设备的质量标准，必须在各项指标均符合要求后才可交付；运维阶段，全面监测输变电设备，根据监测数据客观评价输变电设备当前的运行状态，发现异常后及时处理，并根据某个时间段内的数据变化趋势预测输变电设备在后续可能出现的故障，进行源头管控；报废阶段，对于达到报废年限的输变电设备，需要停用，进行报废、回收，对各零部件采取无害化处理措施。

2 输变电设备运维中数字孪生技术的应用

2.1 全面感知技术的应用

通过传感器采集输变电设备的运行数据，用于反映设备的运行状态，为运维工作提供参考。下文是输变电设备的常用传感装置及各自的功能[1]。

压力传感器：能够在电磁环境中测量变压器内部的压力，即便此传感器所处环境复杂，也仍然能够正常采集压力信息。

溶解气体传感装置：基于光学技术的油中气体传感装置、氢离子火焰传感器等均是输变电设备日常监测中较为常见的溶解气体传感装置。

油中电传感装置：主要功能在于测量变压器内部的电场，该装置对环境的适应性强，采用非接触测量方式，即便在复杂电场中仍然能够有效测量。

2.2 数据处理技术的应用

2.2.1 异常传感装置评估

对传感装置进行离线试验的可操作性差，且即便条件允许，离线试验也存在周期长、操作烦琐等难点，要批量评价各类传感装置的运行状态并非易事。考虑到上述方法的局限性，提出对传感装置实时数据异常特征进行有效性评估的优化方法，基本原理是：通过滑动窗口从监测数据流中获得部分数据，从数据变化率、连续相同值、异常值及变异系数四个维度进行综合评价，能够提升评价结果的可靠性，同时还设置了容忍度调整评判的严厉程度。按照该方法进行异常传感装置评估时，获得的评估结果准确可靠，且无须传感装置退出运行，提升了可操作性。

2.2.2 数据清洗

详细检测数据流中的异常数据，由于异常数据的类型较多，需要采取多样化的检查方法，避免遗漏。例如，设置简单的判断条件，检测数据流中的空值、超量程值；通过检索时间戳的方式发现丢失值；根据拉依达准则确定奇异值。经过检测后，确定异常值并将其剔除，此时将产生空值，且在整个数据流中也有可能出现空值数据，考虑到时间维度上状态量有状态转移的情况，采用马尔可夫过程进行描述，即通过转移概率来反映各状态时系统的具体表现，确定系统的变化情况，实现对缺失数据的补全，详细反映系统的细微波动。

2.2.3 数据选择

在安装输变电设备时，同步配置多种类型的传感装置，随着输变电设备运行时间的延长，监测数据越发丰富，若选择较长的时间序列建立数字孪生体模型，其中含有部分时间较早的数据，该时间序列的数据并不能准确地反映出输变电设备当前的运行状态；若建立孪生数字模型时选择的是较短的时间序列，数据缺乏全面性，也难以准确地反映输变电设备的真实情况。最优数据的选择基于混沌理论进行，流程如图1所示。

图1 最优数据集选择流程图

根据Lyapunov 指数评价输变电设备状态量时间序列数据集：若具备混沌特征，则重构相空间，确定最优数据集长度与嵌入维数的关系，据此确定最优数据集；若不具有混沌特性，最优数据应取所有数据。

2.3 数字孪生模型

2.3.1 异常状态快速检出

传感装置采集输变电设备运行数据，采用Canopy 聚类方法构成可反映设备状态的两个几何体，即正常和异常两种状态。状态量具有动态变化的特性，将随着设备运行状态的变化而发生改变，此时分析高维变权空间中状态量的位置，根据变化情况评价输变电设备的运行状态，例如几何体从正常变化至异常时，则表明被检测的输变电设备存在特殊情况，需做深入分析，采取管控措施。

2.3.2 设备状态差异化评估

第一，变压器运行状态的影响因素。锁定某区域电网或特定的范围，考虑其中的各类变压器，建立全体数字孪生模型，并以设备类型、电压等级、实际负载等影响因素为主要的依据，划分出数字孪生体[2]。在形成影响因素分类后，采用CLARANS 方法确定各自数字孪生体的聚类中心，并确定距离度量（马哈拉诺比斯距离），此方法能够应对溶解气体变化尺度的差异或其他维度的差异，更加有效地依据油中溶解气体状态量进行分析，确定设备差异化程度。

第二，油中溶解气体分布模型。按上述分析思路确定变压器的最优影响因素，建立变压器数字孪生模型。由于油中溶解气体存在累积效应，在差异化划分时，最优影响因素选取的是电压等级这一因素。以研究范围内的220kV 变压器和500kV 变压器为例，绘制H2体积分数频率和C2H6产气率频率的分布图，如图2、图3所示。

图2 H2体积分数频率分布图（220kV 变压器）

根据图2、图3可知，气体体积分数和产气率数据均符合威布尔分布，结合前文确定的最优影响因素（电压等级），建立该因素分类下的威布尔分布模型。考虑注意状态和警示状态两种情况，分别指的是变压器有缺陷、有故障，应根据模型反映出的状态信息做准确地分析，再按照模型计算溶解气体体积分数及产气率差异化阈值。在构建数字孪生体的分布模型后，将注意状态时的缺陷率和警示状态时的故障率建立关联，则有：累积概率分别与故障率、故障率关联时，各自对应的估计值分别指的是注意值、警示值。

第三，变压器差异化评价。群体变压器数字孪生分布模型获取差异化阈值，将实时获取的数据与之比较，可以准确地进行差异化评估，确定变压器的具体状态，细分为如下几种状态。

式中，c、cAttn、cAlm分别为气体体积分数及其注意值、警示值；r、rAttn、rAlm分别为产气率及其注意值、警示值。在确定群体设备数字孪生体的影响因素后，进行对比，明确最优影响因素，尽可能准确地反映设备间的差异性，同时还可依据该因素做差异化划分，确定差异化评价阈值。

2.3.3 设备状态精细化评估

对于模型中指标层的状态量，主要是区分正常和注意状态、注意和异常状态、异常和严重状态各自的阈值，分别记为y1、y2、y3，与此同时还建立状态量的模糊隶属函数，用于反映实体变压器的实际运行规律。在确定某变压器的监测值后，根据实际测定的数据建立模糊隶属函数，再确定隶属度，根据此数据判断被测变压器的状态，具体分为正常、注意、异常和严重四种状态。

本文建立的精细化评估数字孪生体具有细致性，可以精细表达设备部位和性能，反映指定设备的真实情况，同时也能够修正实时数据对状态量之间的关系，从而进一步提升数字孪生体的精确性，能够更为有效地用于设备状态的精细化评估。

2.3.4 设备故障诊断

根据实体设备的实时数据建立数字孪生体，用于设备故障的诊断。设备实时数据与数字孪生体交互，同时设备的历史故障数据会被数字孪生体所记录，因此信息具有全面性。引入稀疏自编码器，将深度信念网络与之结合可以建立故障模式分类器，在故障诊断中提供重要的辅助作用，便于准确地判断故障。

设备的历史案例数据具有重要的应用价值，例如在故障诊断数字孪生模型中，该部分数据可作为关键依据用于建立设备状态量与故障模式的映射关系，设备数字孪生体的特征可通过实时数据驱动诊断模型而获得，持续优化迭代诊断模型，提升其在设备诊断中的可行性。

3 数字孪生技术的发展趋势

在通信技术日益发展之下，提供了更多有利的技术条件，构建出高质量的全量输变电设备孪生体，其涵盖的内容具有全面性，例如设计、制造、运维等阶段的孪生体模型均包含在内，且除了单台设备的各类孪生体模型外，还能够反映出设备之间的关系，具体又体现在位置关系、电气关系等方面，综合应用价值高[3]。

4 结语

通过数字孪生技术，可以实现设备的虚拟化和智能化管理，提高设备运维的效率和可靠性。然而，数字孪生技术的应用还面临一些挑战，如数据安全性、模型准确性等问题。因此，在数字孪生技术的推广和应用过程中，需要综合考虑技术、安全和经济等多方面因素，不断完善和优化技术和管理手段，为输变电设备的安全运行和高效运维提供可靠的支持。