基于云模型的配網(wǎng)運行畫像數(shù)字孿生構(gòu)建方法研究

陳 宇,徐修能,李 凡

(1.國網(wǎng)上海市電力公司,上海 200120;2.國網(wǎng)上海松江供電公司,上海 201699;3.國網(wǎng)上海市電力有限公司電力科學研究院,上海 200437)

0 引言

數(shù)字孿生是一種精確反映物理實體的虛擬模型。隨著我國電力事業(yè)的發(fā)展,目前難以通過簡單的物理試驗獲取配網(wǎng)的實際運行狀況。如果配網(wǎng)發(fā)生故障,不僅會導致大面積電力癱瘓,還會產(chǎn)生比較慘重的經(jīng)濟損失,從而對社會產(chǎn)生一定的負面影響[1-2]。在智能電網(wǎng)快速發(fā)展的背景下,為了實現(xiàn)對電力系統(tǒng)的高效管理和優(yōu)化運營,需要建立準確、可靠的配網(wǎng)運行畫像。配網(wǎng)運行畫像對配電網(wǎng)的實時狀態(tài)、負荷信息、設(shè)備健康狀況等數(shù)據(jù)進行集成和分析,以提供全面的運行情況和決策支持。因此,為了提高配網(wǎng)運行的管理水平、減少配網(wǎng)故障的發(fā)生,研究配網(wǎng)運行畫像數(shù)字孿生構(gòu)建方法具有重要意義。

國內(nèi)學者對此開展了大量研究。孫黎霞等[3]通過計算配電設(shè)備的電氣量和非電氣量參數(shù)對應的健康指數(shù),采用成功流法對全部健康指數(shù)開展等價簡化,以獲取配電設(shè)備層的健康狀態(tài);同時,從多個不同角度出發(fā),構(gòu)建評估指標體系,將模糊層次分析法和證據(jù)理論相結(jié)合,對運行指標分析計算,進而獲取配電層的健康指數(shù)。但該方法的計算過程較多,評估過程較復雜。劉科研等[4]采用特征瞬時評估驗證數(shù)據(jù)準確性和穩(wěn)定性,引入全系統(tǒng)狀態(tài)空間矩陣生成方法,并將其應用于配網(wǎng)特征值計算中,以實現(xiàn)配網(wǎng)仿真性能評估。但該方法的評估過程也較復雜。翁國慶等[5]優(yōu)先構(gòu)建配網(wǎng)運行狀態(tài)態(tài)勢評估體系,通過層次分析法和變異系數(shù)法得到不同評估指標的主客觀賦權(quán),并通過最小二乘優(yōu)化方法完成組合權(quán)重賦值,從而實現(xiàn)配電運行狀態(tài)評估。但該方法的評估準確性還需進一步提升。

為解決上述方法存在的問題,本文提出基于云模型的配網(wǎng)運行畫像數(shù)字孿生構(gòu)建方法。該方法通過數(shù)字孿生技術(shù)建立配網(wǎng)運行指標體系,利用魚骨圖法獲取配網(wǎng)優(yōu)質(zhì)性指標,引入相關(guān)性分析方法篩選獨立指標;采用云模型獲取指標的模糊特征,對運行指標和標簽矩陣作距離加權(quán)求和處理,從而得到完整的配網(wǎng)運行畫像。

1 基于數(shù)字孿生的配網(wǎng)運行畫像

1.1 配網(wǎng)運行指標體系的建立

數(shù)字孿生是一個虛擬的、以數(shù)字方式呈現(xiàn)的物理實體或系統(tǒng)的實時副本。它利用物聯(lián)網(wǎng)、傳感器、模擬建模和大數(shù)據(jù)分析等技術(shù),將實際系統(tǒng)的運行狀態(tài)、行為和特性與數(shù)字模型相連接。數(shù)字孿生基于物理實體的數(shù)據(jù)采集和實時監(jiān)測,將實際系統(tǒng)各方面的數(shù)據(jù)同步到數(shù)字化模型中,并保持兩者之間的實時關(guān)聯(lián)。這使得在數(shù)字孿生中可以完全模擬和預測實際系統(tǒng)的運行狀態(tài)、工作過程和性能表現(xiàn)。通過數(shù)字孿生技術(shù)對配網(wǎng)的實時監(jiān)測和分析,可以進行故障診斷、性能優(yōu)化、預測維護等工作[6-8]。數(shù)字孿生可以利用傳感器數(shù)據(jù)和歷史數(shù)據(jù)等,全面反映物理實體的實時狀態(tài)以及變化趨勢等。數(shù)字孿生體系的組成部分如下。

①物理實體。物理實體包括物理實體內(nèi)部及互相之間的各類運行邏輯、生產(chǎn)流程等已存在的邏輯規(guī)則。

②數(shù)字孿生技術(shù)應用。數(shù)字孿生技術(shù)應用主要接收來自物理實體的狀態(tài)信息以作同步演化處理,同時對物理實體作故障診斷和預測等一系列相關(guān)操作。

③雙向交互通道。雙向交互通道主要負責物理實體狀態(tài)信息和分析結(jié)果的雙向傳播。

為了提升配網(wǎng)的數(shù)字化運行水平,需要搭建配網(wǎng)數(shù)字孿生技術(shù)架構(gòu)。配網(wǎng)數(shù)字孿生技術(shù)架構(gòu)如圖1所示。

圖1 配網(wǎng)數(shù)字孿生技術(shù)架構(gòu)圖

通過配網(wǎng)數(shù)字孿生技術(shù),可以精準反映配網(wǎng)相關(guān)設(shè)備的參數(shù)和用戶[9-10],為后續(xù)研究奠定基礎(chǔ)。配網(wǎng)改造的主要目的是構(gòu)建一個安全、優(yōu)質(zhì)且環(huán)保的現(xiàn)代化配網(wǎng)。本文將配網(wǎng)數(shù)字孿生技術(shù)所獲得的設(shè)備參數(shù)作為研究的理論依據(jù),通過魚骨圖法對配網(wǎng)安全性指標展開分析,以獲取優(yōu)質(zhì)性指標?；隰~骨圖法的配網(wǎng)安全性指標分析如圖2所示。

圖2 基于魚骨圖法的配網(wǎng)安全性指標分析

配網(wǎng)的優(yōu)質(zhì)性主要體現(xiàn)在可靠性和電能質(zhì)量兩個方面。本文引入專家德爾菲咨詢法進行相關(guān)指標的計算,以衡量供電側(cè)和需求側(cè)的停電時間以及停電頻率。

本文對篩選后的指標展開獨立性篩選,并引入相關(guān)性分析方法?；谙嚓P(guān)性分析的配網(wǎng)指標篩選流程[11]如下。

①設(shè)定構(gòu)建指標體系中的數(shù)量為p,則第i個和第j個指標之間的相關(guān)系數(shù)xij為:

(1)

式中:tix為第i個指標的觀測值;tjx為第j個指標的觀測值。

②通過需求選擇相關(guān)系數(shù)的臨界值l(p)。|xij|的取值越大,說明兩個指標之間重復的信息越多;反之,則說明兩個指標之間重復的信息越少,且指標獨立性越強。

③對指標展開共線性診斷,采用方差膨脹因子衡量各指標之間出現(xiàn)多重共線性的程度|u|ij。

(2)

式中:Rp為指標對應的因變量。

經(jīng)過相關(guān)性分析后的指標無法確保指標完全的獨立,本文對經(jīng)過相關(guān)性分析的指標作進一步篩選[12]。本文設(shè)定采樣值共有n′組。為了有效消除量綱對原始數(shù)據(jù)產(chǎn)生的影響,本文對原始矩陣作標準化處理,以獲取標準矩陣B:

(3)

式中:m為配網(wǎng)臺區(qū)編號;n為配網(wǎng)線路編號。

相關(guān)系數(shù)R1為:

(4)

式中:C(si,sj)為si和sj的協(xié)方差;d(si)和d(sj)為si和sj的方差。

本文求解相關(guān)系數(shù)矩陣的特征值,則對應的主成分為:

(5)

式中:pmn為特征向量。

本文分別計算主成分的累積方差貢獻率βij和主成分因子負載矩陣ρij,通過絕對值|ρij|展開指標篩選。|ρij|的取值越大,說明和主成分越相關(guān),指標應該保留;反之,則需要將指標刪除。

在完成指標篩選之后,全部指標分別從不同角度反映配網(wǎng)各臺區(qū)和線路的運行特征。由于不同指標的屬性完全不同,需要將指標按照量值劃分為不同等級,進而形成標簽矩陣E。

(6)

1.2 構(gòu)建基于云模型的配網(wǎng)運行畫像

云模型的提出主要是為了解決模糊邏輯和概率統(tǒng)計在處理不確定性問題時存在的局限性。其可以處理不確定的信息、數(shù)據(jù)和知識。利用云模型的特點,可以對復雜多變的配網(wǎng)運行數(shù)據(jù)進行綜合分析和處理,包括配網(wǎng)運行數(shù)據(jù)的不確定性、模糊性和不完整性等。云模型可將模糊概念與精準樣本進行集成,以形成客觀的配網(wǎng)運行畫像。作為一種基于空間樣本的不確定性轉(zhuǎn)化工具,云模型理論旨在處理信息和數(shù)據(jù)中的不確定性、模糊性和隨機性,并通過云模型的概念從概率和模糊的角度進行綜合分析。通過云模型可以確定樣本集合,并將樣本定義為云滴。通過云滴可以進行云參數(shù)模型的描述。云模型主要由三個不同的參數(shù)組成[13]。云模型對應的隸屬度θ(i)為:

(7)

通過上述分析,本文將云模型引入配網(wǎng)運行畫像數(shù)字孿生構(gòu)建中,通過數(shù)字孿生技術(shù)構(gòu)建配網(wǎng)運行畫像。配網(wǎng)運行畫像的構(gòu)建主要包括以下步驟。

①配網(wǎng)數(shù)據(jù)平臺對不同臺區(qū)用電量日負荷數(shù)據(jù)進行采集,得到日負荷測量數(shù)據(jù);通過對數(shù)據(jù)進行聚類分析,確定聚類中心矩陣。

(8)

通過數(shù)據(jù)平臺開展潮流分析,可以獲取配網(wǎng)對應的潮流狀況數(shù)據(jù)序列S:

S={sm1,sm2,…,smn}

(9)

② 通過畫像技術(shù)進行事物特征的描述,構(gòu)建反映配網(wǎng)線路狀態(tài)的特征指標;同時,將全部指標值展開區(qū)間量化處理,使各量化區(qū)間對應一個相同的概念(即標簽)。另外,通過臺區(qū)的日用電量,可以將特征指標劃分為多個不同的等級,從而以概念化的語言展開描述和分析。

③ 通過式(8)和式(9)描述的日采樣序列,同時結(jié)合配網(wǎng)的指標計算日運行特征指標,則每天可形成一個指標樣本。另外,由于臺區(qū)日運行行為受到人為以及周邊環(huán)境等因素的影響,使其具有比較強的隨機性和分散性,故通過單一的日樣本無法準確刻畫配網(wǎng)運行畫像的宏觀特征。所以,本文通過引入逆向云發(fā)生器將配網(wǎng)歷史樣本集合轉(zhuǎn)換為樣本的期望值以及超熵等,進而將樣本序列轉(zhuǎn)換為具有模糊特性以及統(tǒng)計特性的概念化表達,即利用云模型對配網(wǎng)的全部特征展開概念化歸納。

④ 歷史樣本特征序列主要利用逆向云展開云轉(zhuǎn)化處理,進而構(gòu)建模糊集合W。

W={wm1,wm2,…,wmn}

(10)

以模糊集合為依據(jù)構(gòu)建配網(wǎng)運行畫像,即通過配網(wǎng)不同元件的模糊特征判斷模糊對象對應的模糊標簽。通過模糊概念的貼近度方法,可以為各模糊對象貼上對應的模糊標簽,進而形成配網(wǎng)不同元件運行行為畫像。

⑤ 以日為單位提取配網(wǎng)運行指標,將獲取的運行指標設(shè)定為配網(wǎng)的模糊特征,對運行指標和標簽矩陣展開距離加權(quán)求和處理,進而獲取配網(wǎng)運行指標的打分值D(ai,bi)。

(11)

由于配網(wǎng)的運行具有一定的隨機性和不確定性,所以構(gòu)建的物理畫像也具有一定的分散性。配網(wǎng)運行越不穩(wěn)定,則畫像的離散程度越大。單純從物理角度無法準確描述配網(wǎng)運行畫像的不確定性,所以在構(gòu)建配網(wǎng)運行畫像的同時還需要考慮配網(wǎng)的不確定性指標,進而得到完整且清晰的配網(wǎng)運行圖像。

2 試驗與分析

為了驗證基于云模型的配網(wǎng)運行畫像數(shù)字孿生構(gòu)建方法的有效性,本文選擇的試驗操作系統(tǒng)為Ubuntu18.04、軟件為CUDNN7.0、硬件為NVIDIA GTX 1080Ti、中央處理器(central processing unit,CPU)頻率為3.0 GHz、圖形處理器(graphics processing unit,GPU)型號為FP32。本文選擇IEEE 33節(jié)點配網(wǎng)測試系統(tǒng)搭建環(huán)境,并使用仿真試驗方式得到云模型的應用結(jié)果,從而以臺區(qū)畫像為例進行分析。IEEE 33 配網(wǎng)結(jié)構(gòu)如圖3所示。

圖3 IEEE 33配網(wǎng)結(jié)構(gòu)

為了檢驗基于云模型的配網(wǎng)運行畫像數(shù)字孿生構(gòu)建方法的有效性,需要考慮IEEE 33配網(wǎng)結(jié)構(gòu)中節(jié)點的故障情況。配網(wǎng)故障率在初始運行階段處于下降的趨勢,在穩(wěn)定運行階段趨于平穩(wěn),在損耗階段出現(xiàn)增大的趨勢。本文結(jié)合專家經(jīng)驗以及相關(guān)人員實際操作經(jīng)驗,對配網(wǎng)節(jié)點指標的評價等級作標準化處理,進而對其進行分級,以獲取不同的狀態(tài)等級。指標歸一化分級結(jié)果如表1所示。

表1 指標歸一化分級結(jié)果

本文為了準確描述配網(wǎng)發(fā)生故障后負荷的損失情況,采用了對數(shù)似然比 (log-likelihood ratio,LLR)指標。本文通過計算指標之間的相似性,獲取各項指標的得分值。分值越高,表明構(gòu)建效果越好。LLR指標的計算式如下。

(12)

式中:L為LLR指標值;Gm為配網(wǎng)發(fā)生故障的概率;Sm為配網(wǎng)發(fā)生故障損失的嚴重性。

本文設(shè)定不同場景下配網(wǎng)電桿運行狀態(tài)如表2所示。

表2 不同場景下配網(wǎng)電桿運行狀態(tài)

表2中:場景1含分布式電源;場景2不含分布式電源。為了驗證基于云模型的配網(wǎng)運行畫像數(shù)字孿生構(gòu)建方法的有效性,本文將文獻[3]中的模糊層次分析法和文獻[4]中的全系統(tǒng)狀態(tài)空間矩陣生成方法作為對比方法,將本文方法、文獻[3]方法和文獻[4]方法應用于表2所述場景中,以測定不同場景下的配網(wǎng)故障LLR。不同場景下的LLR如表3所示。

表3 不同場景下的LLR

由表3可知,在場景1和場景2中,文獻[3]方法和文獻[4]方法的LLR分別在0.7和0.6左右,而本文方法的LLR始終在0.8以上。這表明本文方法可更好地刻畫和評價配網(wǎng)運行畫像。本文方法根據(jù)云模型獲取各指標的模糊特征,利用數(shù)字孿生技術(shù)構(gòu)建電網(wǎng)運行指標體系,通過魚骨圖法得到配網(wǎng)優(yōu)質(zhì)性指標,從而獲得了完整且清晰的配網(wǎng)運行圖像、提高了配網(wǎng)的運行管理能力。本文方法可以準確獲取配網(wǎng)在不同場景下的運行狀態(tài),更好地完成配網(wǎng)運行管理。

3 結(jié)論

為了更好地刻畫配網(wǎng)運行畫像,本文提出基于云模型的配網(wǎng)運行畫像數(shù)字孿生構(gòu)建方法。本文利用數(shù)字孿生技術(shù)構(gòu)建配網(wǎng)運行指標體系,通過云模型獲取配網(wǎng)運行指標的模糊特征,對運行指標進行加權(quán)求和處理后,以獲得配網(wǎng)運行畫像。測試結(jié)果表明,采用本文方法可以更好地刻畫和評價配網(wǎng)運行畫像。本文方法的LLR較高。本文方法能有效促進未來電網(wǎng)的發(fā)展建設(shè)。但是,在數(shù)字孿生構(gòu)建和應用過程中,仍涉及到大量的系統(tǒng)數(shù)據(jù)和敏感信息。后續(xù)研究將聚焦確保數(shù)據(jù)安全、保護用戶隱私、防止未經(jīng)授權(quán)的訪問或攻擊等問題。