基于云模型的配網運行畫像數字孿生構建方法研究

陳 宇,徐修能,李 凡

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

0 引言

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

國內學者對此開展了大量研究。孫黎霞等[3]通過計算配電設備的電氣量和非電氣量參數對應的健康指數,采用成功流法對全部健康指數開展等價簡化,以獲取配電設備層的健康狀態;同時,從多個不同角度出發,構建評估指標體系,將模糊層次分析法和證據理論相結合,對運行指標分析計算,進而獲取配電層的健康指數。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據準確性和穩定性,引入全系統狀態空間矩陣生成方法,并將其應用于配網特征值計算中,以實現配網仿真性能評估。但該方法的評估過程也較復雜。翁國慶等[5]優先構建配網運行狀態態勢評估體系,通過層次分析法和變異系數法得到不同評估指標的主客觀賦權,并通過最小二乘優化方法完成組合權重賦值,從而實現配電運行狀態評估。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運行畫像數字孿生構建方法。該方法通過數字孿生技術建立配網運行指標體系,利用魚骨圖法獲取配網優質性指標,引入相關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求和處理,從而得到完整的配網運行畫像。

1 基于數字孿生的配網運行畫像

1.1 配網運行指標體系的建立

數字孿生是一個虛擬的、以數字方式呈現的物理實體或系統的實時副本。它利用物聯網、傳感器、模擬建模和大數據分析等技術,將實際系統的運行狀態、行為和特性與數字模型相連接。數字孿生基于物理實體的數據采集和實時監測,將實際系統各方面的數據同步到數字化模型中,并保持兩者之間的實時關聯。這使得在數字孿生中可以完全模擬和預測實際系統的運行狀態、工作過程和性能表現。通過數字孿生技術對配網的實時監測和分析,可以進行故障診斷、性能優化、預測維護等工作[6-8]。數字孿生可以利用傳感器數據和歷史數據等,全面反映物理實體的實時狀態以及變化趨勢等。數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部及互相之間的各類運行邏輯、生產流程等已存在的邏輯規則。

②數字孿生技術應用。數字孿生技術應用主要接收來自物理實體的狀態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信息和分析結果的雙向傳播。

為了提升配網的數字化運行水平,需要搭建配網數字孿生技術架構。配網數字孿生技術架構如圖1所示。

圖1 配網數字孿生技術架構圖

通過配網數字孿生技術,可以精準反映配網相關設備的參數和用戶[9-10],為后續研究奠定基礎。配網改造的主要目的是構建一個安全、優質且環保的現代化配網。本文將配網數字孿生技術所獲得的設備參數作為研究的理論依據,通過魚骨圖法對配網安全性指標展開分析,以獲取優質性指標?；隰~骨圖法的配網安全性指標分析如圖2所示。

圖2 基于魚骨圖法的配網安全性指標分析

配網的優質性主要體現在可靠性和電能質量兩個方面。本文引入專家德爾菲咨詢法進行相關指標的計算,以衡量供電側和需求側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,并引入相關性分析方法?；谙嚓P性分析的配網指標篩選流程[11]如下。

①設定構建指標體系中的數量為p,則第i個和第j個指標之間的相關系數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通過需求選擇相關系數的臨界值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多重共線性的程度|u|ij。

(2)

式中:Rp為指標對應的因變量。

經過相關性分析后的指標無法確保指標完全的獨立,本文對經過相關性分析的指標作進一步篩選[12]。本文設定采樣值共有n′組。為了有效消除量綱對原始數據產生的影響,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為配網臺區編號;n為配網線路編號。

相關系數R1為:

(4)

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

本文求解相關系數矩陣的特征值,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,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各臺區和線路的運行特征。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 構建基于云模型的配網運行畫像

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、數據和知識。利用云模型的特點,可以對復雜多變的配網運行數據進行綜合分析和處理,包括配網運行數據的不確定性、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,以形成客觀的配網運行畫像。作為一種基于空間樣本的不確定性轉化工具,云模型理論旨在處理信息和數據中的不確定性、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模型的描述。云模型主要由三個不同的參數組成[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運行畫像數字孿生構建中,通過數字孿生技術構建配網運行畫像。配網運行畫像的構建主要包括以下步驟。

①配網數據平臺對不同臺區用電量日負荷數據進行采集,得到日負荷測量數據;通過對數據進行聚類分析,確定聚類中心矩陣。

(8)

通過數據平臺開展潮流分析,可以獲取配網對應的潮流狀況數據序列S:

S={sm1,sm2,…,smn}

(9)

② 通過畫像技術進行事物特征的描述,構建反映配網線路狀態的特征指標;同時,將全部指標值展開區間量化處理,使各量化區間對應一個相同的概念(即標簽)。另外,通過臺區的日用電量,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,同時結合配網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,由于臺區日運行行為受到人為以及周邊環境等因素的影響,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運行畫像的宏觀特征。所以,本文通過引入逆向云發生器將配網歷史樣本集合轉換為樣本的期望值以及超熵等,進而將樣本序列轉換為具有模糊特性以及統計特性的概念化表達,即利用云模型對配網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化處理,進而構建模糊集合W。

W={wm1,wm2,…,wmn}

(10)

以模糊集合為依據構建配網運行畫像,即通過配網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,進而形成配網不同元件運行行為畫像。

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

(11)

由于配網的運行具有一定的隨機性和不確定性,所以構建的物理畫像也具有一定的分散性。配網運行越不穩定,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運行畫像的不確定性,所以在構建配網運行畫像的同時還需要考慮配網的不確定性指標,進而得到完整且清晰的配網運行圖像。

2 試驗與分析

為了驗證基于云模型的配網運行畫像數字孿生構建方法的有效性,本文選擇的試驗操作系統為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節點配網測試系統搭建環境,并使用仿真試驗方式得到云模型的應用結果,從而以臺區畫像為例進行分析。IEEE 33 配網結構如圖3所示。

圖3 IEEE 33配網結構

為了檢驗基于云模型的配網運行畫像數字孿生構建方法的有效性,需要考慮IEEE 33配網結構中節點的故障情況。配網故障率在初始運行階段處于下降的趨勢,在穩定運行階段趨于平穩,在損耗階段出現增大的趨勢。本文結合專家經驗以及相關人員實際操作經驗,對配網節點指標的評價等級作標準化處理,進而對其進行分級,以獲取不同的狀態等級。指標歸一化分級結果如表1所示。

表1 指標歸一化分級結果

本文為了準確描述配網發生故障后負荷的損失情況,采用了對數似然比 (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為配網發生故障的概率;Sm為配網發生故障損失的嚴重性。

本文設定不同場景下配網電桿運行狀態如表2所示。

表2 不同場景下配網電桿運行狀態

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運行畫像數字孿生構建方法的有效性,本文將文獻[3]中的模糊層次分析法和文獻[4]中的全系統狀態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運行畫像。本文方法根據云模型獲取各指標的模糊特征,利用數字孿生技術構建電網運行指標體系,通過魚骨圖法得到配網優質性指標,從而獲得了完整且清晰的配網運行圖像、提高了配網的運行管理能力。本文方法可以準確獲取配網在不同場景下的運行狀態,更好地完成配網運行管理。

3 結論

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