首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 发电与发电厂论文 > 一种基于数字孪生技术的水电企业数据采集传输方法

一种基于数字孪生技术的水电企业数据采集传输方法

2024-12-04 6 上传者：管理员

摘要：输电线路热容量的限制对水电企业的安全可靠性起着至关重要的作用。为了准确采集、传输并估计输电线路的温度数据，现有的基于物理的标准是根据多个传感器测量的环境和线路条件来实现，计算成本高、估计精度低，基于此，提出基于数字孪生技术的数据采集与传输方法。该方法通过物理传感器数据与实际导体温度数据之间的输入输出关系来进行机器学习，作为基于物理标准的数字等效。通过对实际数据的实验评估，将所提出的方法与IEEE738标准进行比较，结果表明，该方法可明显降低预测温度的均方根误差，数字孪生体提供了更准确和可靠的估计，可以作为传统方法的补充或潜在替代方法。

关键词：
动态热线额定值
数字孪生技术
数据驱动
机器学习
水电企业
加入收藏

传统上用于处理可控负载的水电企业数据采集与传输系统，受到可变发电机的影响，其轮廓预测仍然具有挑战性。大量的可再生能源发电可能导致线路上数据的传输功率较高，以至于超过其既定的可负荷阈值。因此，有必要修改传统的电力线运行策略，以保持最佳的线路管理水平。传输线的特点是用热极限表示其最高工作温度，热极限直接影响线路的负载容量，在确定导体的最大电流强度方面起着至关重要的作用[1-2]。

静态线路额定值旨在计算导体的最大电流容量[3]，其为单一固定值，这导致线路的运行条件保守，随着时间的推移，限制了线路容量的充分利用。与之不同的是，动态线路额定值引入了动态调整输电线路容量的可能性[4-5]。动态线路额定值相对于静态线路额定值的显著优势包括减少由静态热极限引起的线路拥堵，以及更容易整合可再生能源[6-7]。水电企业可以根据当前大气条件对导线温度的影响来调整电流容量。动态线路额定值是水电企业数据采集与传输系统的一个重要课题，文中对动态线路额定值进行分析。

1、数字孪生技术

数字孪生技术是充分利用物理模型、传感器更新信息、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程[8-9]，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。数字孪生是一种超越现实的概念，可以被视为一个或多个重要的、彼此依赖的装备系统的数字映射系统。数字孪生技术是物理系统的虚拟模型，其特征是网络空间和物理空间之间的无缝集成，无缝集成是通过整合物理和虚拟数据来实现的。数字孪生技术在不同的研究领域应用越来越普遍。

机器学习通常是数字孪生技术实现的核心，因为它能够从数据中提取有意义的关系[10-11]。一旦经过训练，机器学习模型就可以充当物理系统的等效物，即给定特定的输入信息，机器学习模型会产生与物理系统一致的输出数据。

2、IEEE738标准

IEEE738标准旨在提供一种实用、稳定、统一的计算方法，它描述了一种将裸架空电导体的芯、表面温度与稳定或时变电流联系起来的数值方法。利用非稳态热平衡方程计算导体温度随时间间隔dt的变化关系[12]，如式（1）所示：

式中，qc[W/m]为单位长度的对流热损失率，qr[W/m]为单位长度的辐射热损失率，m·Cp[J/(m·°C)]为导体的总热容，Tavg[°C]为导体的平均温度，qs[W/m]为太阳的热增益率，I[A]为导体电流，R(Tavg)[W/m]为温度Tavg时导体的交流电阻。基于IEEE738的模型是一个迭代模型，不需要任何训练数据。

在时间间隔结束时，输电线路的温度数据简单地等于初始温度及其变化的总和。然后，使用一系列这样的时间间隔，计算每个间隔结束时输电线路导体的温度数据以近似计算导体温度。总之，温度数据是一个时变量，取决于线路中的电流。

3、数字孪生技术仿真模型

数字孪生技术的仿真模型包括黑箱模型、白箱模型、灰箱模型三种[13]。

1）黑箱模型是指研究内容不涉及系统内部的结构和相互关系，仅从输入、输出探究系统规律。

2）白箱模型是指根据系统的输入、输出关系以及两者之间的结构，预测系统的行为。白箱模型具有唯一性，且输入输出关系明了，文中不予考虑。

3）灰箱模型，又称概念模型，它所针对的研究对象是知识背景不完全清晰的问题，一般难以完全提取模型暗含的规律性信息及经过训练学习的知识。

黑箱模型需要训练数据来预测未来数据：

式中，X[t]为输入数据，为使用黑盒模型预测的数据矢量。f1()函数表示黑箱模型函数。对黑箱模型进行如下训练：

式中，Train()函数表示训练阶段函数，并返回训练后的机器学习模型。

灰箱模型也需要一组训练数据来执行，但其目的是对IEEE738标准的预测进行如下修正：

式中，为IEEE738标准与实际温度导体之间的预测误差矢量。当t=D时，为灰箱模型最终输出的数据矢量，D为模型训练结束的最终时刻。预测误差矢量可以表示为：

式中，f2()是灰箱模型函数，其在训练步骤中使用以下映射进行训练：

其中，e(n)是IEEE738标准给出的导体真实数据值与导体估计温度数据之间误差的向量，Train()函数表示训练阶段函数，如式（3）所示，返回训练后的机器学习模型。

4、学习算法

文中使用随机森林回归学习算法进行实验评估，因为该算法与其他方法(如线性回归、kNN和SVM)相比，性能表现优异[14-16]。随机森林回归器是一种学习算法，它利用集成学习，结合来自多个决策树回归器的预测，以做出比单个模型更准确的预测。每个决策树都使用原始数据的不同随机子样本进行训练，并求它们的最终预测结果的平均值。随机森林回归可以有效地模拟其他几个领域的线性和非线性关系。每棵决策树都是从一个根节点自上向下构建的，包含相应随机子样本中的所有数据点，其构建通过搜索最大化分离标准的特征值将数据划分为同质组。

图1所示为n棵树的随机森林算法流程图。该过程从收集数据开始，将数据分成训练集和测试集。接下来，对训练集进行n次随机抽样，每个样本用于构建决策树。然后使用每个决策树对未见的测试集执行预测，最终的随机森林预测是每个树预测的平均值。

图1 n棵树的随机森林算法流程

5、案例研究描述

为了验证提出方法的性能，进行了实际案例研究，以证明采用数字孪生技术可以有效采集并传输温度数据，从而估计内部导体温度。机器学习模型可以从历史数据中学习所收集的测量值与导体温度之间的关系。

5.1实验数据

文中采用安装在高压架空线塔架上的传感器站获得的真实数据，时间分辨率为1 min。

为了设置一个真实的分析环境，基于数字孪生技术模型在初始训练阶段之后不考虑任何真实的导体温度，仅用于评估模型的性能。然而，由于IEEE738标准需要一个初始导体温度数据来对热方程进行积分，因此先前估计的导体温度值是正向估计的初始条件。在此设置下，IEEE738标准从机器学习的角度作为迭代预测器运行。

5.2实验设置

实验分为黑箱模型和灰箱模型的性能测试、降维分析和模型精度分析三部分。第一组实验将数字孪生技术的黑箱模型和灰箱模型与IEEE738标准进行了比较。为了对性能指标进行适当的验证，进行10次交叉验证，即使用不同的训练集和测试集重复实验10次。测试集的大小是总数据点的10%。第二组实验进行数据降维，探索采用数字孪生技术误差。最后一组实验旨在评估IEEE738标注的估计误差与输入传感器数据值之间的相关性。

5.3性能指标

文中选用的性能指标包括均方误差、均方根误差、非对称均方误差。在时间t处的预测误差如式（7）所示。均方误差、均方根误差、非对称均方误差分别如式（8）、（9）、（10）所示，其中，α表示惩罚因子。

6、实验结果

6.1模型性能

该实验比较了所提出的数字孪生方法预测的温度与IEEE738标准估计的温度，实验结果如图2所示。由图可知，数字孪生技术的两种模型均能准确地预测温度，均方根误差均小于0.5℃，其中，灰箱模型的均方根误差更低，其与IEEE738标准相差不大。

图2性能指标

6.2降维分析

如前所述，数字孪生技术的另一个优点是在不影响模型性能的情况下显著减少了收集和传输数据的维数。由于模型各个数据的权重不同，通过提取最相关的训练集，并将其迭代加入到训练集中，计算性能并选择最佳组合。在不严重影响温度估计的情况下，可以显著减少需要收集的特征数量，与物理模型相比，数字孪生技术黑箱模型需要收集的特征要少得多。

对于不同权重的数据特征值，使用随机森林回归器内置的特征重要性度量来计算。为了评估数字孪生技术的性能，通过增加特征数量，迭代地重新执行灰箱模型实验。实验结果如图3所示。其中，n表示考虑的特征数量。在图3中，IEEE738标准的均方误差、均方根误差和非对称均方误差相同并且是恒定的，因为它不依赖于外部特征。

图3实验结果

6.3模型精度分析

文中提供了IEEE738标准估计的误差与相应输入传感器数据值之间的相关性研究，为未来更深入的分析提供可能的见解。IEEE738标准的误差和输入值之间的相关系数是两个向量的协方差与其标准差的乘积之间的比值，两个向量分别为误差向量和特征相关性向量。相关系数的取值范围在-1到1之间，其中，1表示总正相关，-1表示总负相关，0表示不相关。

为保证模型的精度，一般做法是将采集和传输的数据集合分为训练集和测试集，前者用于训练并构建灰箱模型，后者是用于检验IEEE738模型的精度。分别计算两种训练集和验证集的真实值与回归值的相关系数，相关系数越接近于1，则说明回归值越接近于真实值，模型的精度就越高。由于测试集不用于构建模型，因此测试集的输出结果更能直观地反映模型的回归精度。模型精度测试结果如图4所示。

图4模型精度测试结果

由图4可以看出，训练集和测试集的相关系数均接近于1，都不随种群规模的变化而发生变化，说明通过数字孪生模型生成的数据回归值非常接近于IEEE738标准要求的真实数据值，模型具有良好的回归精度。

7、结论

文中提出了一种基于数字孪生技术的方法来支持输电线路运营商对架空输电线路数据进行采集与传输。基于物理的动态线路额定值方法允许从线路传感器采集、传输并估计温度数据，而不是使用昂贵的直接测量设备。该方法提高了温度估计的质量，减少了所需传感器的数量，并降低了成本。它利用了训练阶段临时可用的直接温度测量，并设计了两个子模型，即黑箱模型与灰箱模型。前者试图学习从输入传感器参数到实际导体温度的映射，后者负责从输入传感器参数到IEEE738误差的映射，这两个模块都显著提高了数据传输质量。与IEEE738标准的比较表明，相对于实际传感器群数据，提出方法的均方根误差明显减少。未来的研究将集中在采用迁移学习技术来开发新的模型，减少对建模数据的需求，进一步降低成本。

参考文献:

[1]邝梓佳,邱桂华.探讨分布式光伏接入对10kV线路负载情况的影响[J].电气开关,2023,61(1):1-3.

[2]吴涵,王瑾辉,苗安康,等.基于广义极值分布的线路负载率指标及计算方法[J].电网技术,2023,47(2):773-783.

[3]胡新远,刘文阳.海上风电场海缆回路最大持续工作电流的分析计算[J].水电与新能源,2023,37(2):17-22.

[4]赵振兵,金超熊,戚银城,等.基于动态监督知识蒸馏的输电线路螺栓缺陷图像分类[J].高电压技术,2021,47(2):406-414.

[5]陈莉波,白困利,周统刚,等.基于动态安全域的静态电网输电线路安全概率自动评估方法[J].制造业自动化,2022,44(8):135-139.

[6]侯宇,王伟,韦徵,等.基于模型校核的输电线路载流量限额动态评估[J].电力系统自动化,2021,45(13):159-166.

[7]严伯伦,谢红刚,杨明.微气象分析与载流量预测结合的动态线路增容方法[J].电力系统及其自动化学报,2022,34(12):137-144.

[8]白岩,张云峰,金文海,等.基于数字孪生技术的微型智慧工厂物理和虚拟交互平台设计[J].机床与液压,2022,50(6):108-113.

[9]李杰林,刘晋飞,鞠传海,等.可靠性数字孪生概念内涵和技术框架研究[J].测控技术,2021,40(2):18-24.

[10]刁生富,李思琦.数字孪生算法黑箱的生成机制与治理创新[J].山东科技大学学报(社会科学版),2022,24(6):25-33.

[11]朱康奇,华楠,李艳和,等.数字孪生技术在光网络中的应用与问题[J].信息通信技术与政策,2021(12):69-75.