數(shù)字孿生技術(shù) 課件 第六章 電力系統(tǒng)的數(shù)字孿生技術(shù)

第六章電力系統(tǒng)數(shù)字孿生技術(shù)

6.1電力系統(tǒng)數(shù)字孿生概述

6.3電力系統(tǒng)數(shù)字孿生的建模

6.2電力系統(tǒng)數(shù)字孿生模型的框架

6.4數(shù)字孿生在光伏發(fā)電功率預測中應用

6.5數(shù)字孿生在光伏陣列故障診斷中應用第六章6.1電力系統(tǒng)數(shù)字孿生概述6.1.1電力系統(tǒng)數(shù)字孿生的定義（1）數(shù)字孿生本質(zhì)利用建模仿真、虛擬現(xiàn)實、機器學習和網(wǎng)絡(luò)安全等技術(shù)，建成與發(fā)電-輸電-變電-配電-用電（儲能）物理實體相匹配的數(shù)字孿生體，實現(xiàn)“狀態(tài)精準感知、數(shù)據(jù)實時分析、模型科學決策、智能精準控制”，有效破解電力系統(tǒng)運行風險激增、智能化亟須提升等困境，有效保證電力系統(tǒng)經(jīng)濟、優(yōu)質(zhì)、安全運行，服務(wù)于國家經(jīng)濟社會發(fā)展和人民生活用電需求，助推電力系統(tǒng)實現(xiàn)“碳達峰，碳中和”目標。（2）數(shù)字孿生的定義通過先進的高性能量測與傳感終端、監(jiān)測系統(tǒng)以及機器人、北斗高精度定位和激光雷達掃描建模等輔助裝備，實現(xiàn)電力系統(tǒng)中發(fā)電-輸電-變電-配電-用電、源-網(wǎng)-荷-儲電氣量、物理量、環(huán)境量、狀態(tài)量、空間量的全息感知，基于電力專用通信網(wǎng)絡(luò)、5G等先進通信移動互聯(lián)和物聯(lián)網(wǎng)技術(shù)，實現(xiàn)全覆蓋、廣連接、低時延及高可靠的數(shù)據(jù)傳輸，從而將電力系統(tǒng)的物理世界實時、完整地映射到數(shù)據(jù)、模型和算法定義的具有全生命周期數(shù)據(jù)的虛擬世界。6.1電力系統(tǒng)數(shù)字孿生概述6.1.2電力系統(tǒng)數(shù)字孿生的應用數(shù)字孿生技術(shù)可以應用于電力系統(tǒng)的各個方面，包括發(fā)電、輸電、變電、配電、用電、儲能等全流程。（1）在發(fā)電環(huán)節(jié)（2）在輸電環(huán)節(jié)（3）在配電環(huán)節(jié)（4）在用電環(huán)節(jié)（5）在儲能環(huán)節(jié)6.1電力系統(tǒng)數(shù)字孿生概述6.1.3電力系統(tǒng)數(shù)字孿生的發(fā)展趨勢（1）數(shù)字孿生電力系統(tǒng)模型精度更高（2）數(shù)字孿生電力系統(tǒng)智能化程度更高（3）數(shù)字孿生模型安全性和隱私保護更高（4）電力系統(tǒng)數(shù)據(jù)格式和交互協(xié)議標準化（5）跨領(lǐng)域融合緊密度更高6.2電力系統(tǒng)數(shù)字孿生模型的框架

6.2.1電力系統(tǒng)數(shù)字孿生的特征（1）數(shù)字保真化虛體和實體不僅要保持幾何結(jié)構(gòu)的高度保真，在狀態(tài)、相態(tài)和時態(tài)上也要保真。物理實體的各項指標及相互關(guān)系都能夠高度近似地虛擬在數(shù)字孿生體中，而數(shù)字孿生體的演化預測也能夠高度近似物理實體的變化。（2）信息同步化數(shù)字孿生體與物理實體之間存在數(shù)據(jù)及指令相互流動的通道，將信息在虛擬與實體之間進行同步。（3）運行預測化基于物理實體在真實世界中運行的海量歷史數(shù)據(jù)及物理機理、利用數(shù)字孿生體進行仿真，從而預測物理實體未來的狀態(tài)。（4）數(shù)據(jù)共享化數(shù)字孿生中的物理對象和數(shù)字空間能夠雙向映射、動態(tài)交互和實時鏈接。6.2電力系統(tǒng)數(shù)字孿生模型的框架

6.2.2電力系統(tǒng)數(shù)字孿生的框架（1）數(shù)字孿生五維模型數(shù)字孿生必須具備幾個基本要素，即真實空間、虛擬空間、從真實到虛擬空間的數(shù)據(jù)流連接及從虛擬到真實空間的信息連接。圖6.1電力系統(tǒng)數(shù)字孿生五維模型6.2電力系統(tǒng)數(shù)字孿生模型的框架

6.2.2電力系統(tǒng)數(shù)字孿生的框架（2）電力系統(tǒng)數(shù)字孿生框架電力系統(tǒng)數(shù)字孿生框架可分為物理層、感知層、傳輸層、虛擬層、應用層5個。層次圖6.2電力系統(tǒng)數(shù)字孿生框架6.2電力系統(tǒng)數(shù)字孿生模型的框架

6.2.2電力系統(tǒng)數(shù)字孿生的框架（2）電力系統(tǒng)數(shù)字孿生框架（1）物理層（2）感知層（3）傳輸層（4）虛擬層（5）應用層圖6.2電力系統(tǒng)數(shù)字孿生框架6.2電力系統(tǒng)數(shù)字孿生模型的框架

6.2.2電力系統(tǒng)數(shù)字孿生的框架（2）電力系統(tǒng)數(shù)字孿生框架（1）物理層（2）感知層（3）傳輸層（4）虛擬層（5）應用層圖6.2電力系統(tǒng)數(shù)字孿生框架6.3電力系統(tǒng)數(shù)字孿生的建模

6.3.1基于機理模型驅(qū)動的建模方法（1）定義機理模型驅(qū)動建模根據(jù)電力系統(tǒng)的物理機理，結(jié)合能量守恒、動量守恒及質(zhì)量守恒定律對“源-網(wǎng)-荷-儲”中的設(shè)備進行表征，實現(xiàn)多尺度、多物理機理的數(shù)字孿生模型。（2）機理模型要素拓撲結(jié)構(gòu)、調(diào)度方式（規(guī)則、約束等）、電磁暫態(tài)、潮流模型等。（3）機理模型建模步驟機理模型驅(qū)動建模方法可以從物理機理和過程上反映物理實體。首先需要構(gòu)建裝備的一維、二維、三維等幾何模型；結(jié)合實景數(shù)據(jù)實現(xiàn)出實景化的數(shù)字孿生模型；融合實體的物理參數(shù)，以及對物理實體的行為與規(guī)則進行表征；實現(xiàn)裝備的全尺度多物理場數(shù)字孿生模型。6.3電力系統(tǒng)數(shù)字孿生的建模

6.3.2基于數(shù)據(jù)驅(qū)動的建模方法（1）定義數(shù)據(jù)驅(qū)動方法摒棄了對研究對象內(nèi)部機理的嚴格分析，以大量的試驗及測試數(shù)據(jù)為基礎(chǔ)，通過不同的數(shù)據(jù)處理算法，分析數(shù)據(jù)之間的關(guān)聯(lián)關(guān)系，建立系統(tǒng)模型。（2）數(shù)據(jù)驅(qū)動方法包括統(tǒng)計分析方法、人工智能方法等。（3）數(shù)據(jù)驅(qū)動建模的實現(xiàn)流程結(jié)合電力系統(tǒng)的監(jiān)測數(shù)據(jù)、試驗數(shù)據(jù)等，利用機器學習方法構(gòu)造出輸入數(shù)據(jù)與輸出數(shù)據(jù)之間的數(shù)據(jù)模型，實現(xiàn)用電力系統(tǒng)的物理現(xiàn)象和機理，完成對電力系統(tǒng)的數(shù)字孿生建模。6.3電力系統(tǒng)數(shù)字孿生的建模

6.3.3基于機理模型和數(shù)據(jù)雙驅(qū)動的建模方法（1）并行模式（2）串行模式（3）引導模式（4）反饋模式圖6.3模型與數(shù)據(jù)驅(qū)動混合建模方式6.4數(shù)字孿生在光伏發(fā)電功率預測中應用6.4.1光伏發(fā)電功率預測數(shù)字孿生的框架（1）光伏功率預測系統(tǒng)數(shù)字孿生結(jié)構(gòu)物理層感知層數(shù)據(jù)傳輸層數(shù)據(jù)處理層決策層6.4數(shù)字孿生在光伏發(fā)電功率預測中應用6.4.1光伏發(fā)電功率預測數(shù)字孿生的框架（2）光伏發(fā)電功率預測中數(shù)據(jù)光伏發(fā)電功率預測中數(shù)據(jù)主要包括氣象數(shù)據(jù)、電力系統(tǒng)數(shù)據(jù)、光伏電池組件數(shù)據(jù)和周圍環(huán)境數(shù)據(jù)和周圍環(huán)境數(shù)據(jù)等。氣象數(shù)據(jù)：太陽能量、云量、溫度、濕度、風速等數(shù)據(jù)。電力系統(tǒng)數(shù)據(jù)：電網(wǎng)電壓異常波動、電力系統(tǒng)的網(wǎng)絡(luò)拓撲、輸電線路的長度、材料和負載等。光伏電池組件數(shù)據(jù)：光伏電池的開路電壓、短路電流、最大功率點等參數(shù)。光伏電站環(huán)境數(shù)據(jù)：光伏電站的接地電阻和土壤電導率、濕度變化等參數(shù)。歷史數(shù)據(jù)分析技術(shù)：歷史光伏發(fā)電功率、天氣數(shù)據(jù)等數(shù)據(jù)信息。6.4數(shù)字孿生在光伏發(fā)電功率預測中應用6.4.1光伏發(fā)電功率預測數(shù)字孿生的框架（2）光伏功率預測系統(tǒng)的工作原理一方面，使用傳感器對光伏陣列所處環(huán)境的實時氣象數(shù)據(jù)進行采集，進行歸一化處理后，作為神經(jīng)網(wǎng)絡(luò)功率預測模型的輸入量進行測試，獲得神經(jīng)網(wǎng)絡(luò)初步預測結(jié)果；另一方面，將采集到的實時氣象數(shù)據(jù)上傳到氣象數(shù)據(jù)庫進行數(shù)據(jù)更新，并通過對比分析，搜索最接近的氣象數(shù)據(jù)，得到當時該氣象條件對應的光伏發(fā)電輸出功率實際值和預測值，然后進行誤差補償?shù)玫阶罱K的數(shù)字孿生體預測值。6.4數(shù)字孿生在光伏發(fā)電功率預測中應用6.4.2光伏發(fā)電功率預測的影響因素影響光伏發(fā)電功率的因素眾多，除光伏電站本身的歷史功率、電壓、電流等數(shù)據(jù)，還有輻射輻強度、日照時長、降雨量、環(huán)境溫度、相對濕度、風向和風速等氣象因素。

特征相關(guān)系數(shù)ρ相關(guān)性氣象特征太陽輻照度0.877正相關(guān)板溫0.517正相關(guān)現(xiàn)場溫度0.166正相關(guān)風向0.177正相關(guān)風速0.114正相關(guān)歷史處理數(shù)據(jù)平均功率0.997正相關(guān)功率A0.996正相關(guān)功率B0.969正相關(guān)功率C0.979正相關(guān)電流A0.989正相關(guān)電流B0.975正相關(guān)電流C0.986正相關(guān)轉(zhuǎn)換效率-0.123負相關(guān)轉(zhuǎn)換效率A-0.123負相關(guān)轉(zhuǎn)換效率B-0.124負相關(guān)轉(zhuǎn)換效率C-0.136負相關(guān)電壓A-0.221負相關(guān)電壓B-0.218負相關(guān)電壓C-0.197負相關(guān)表6.1發(fā)電功率與天氣因素的相關(guān)系數(shù)6.4數(shù)字孿生在光伏發(fā)電功率預測中應用6.4.3光伏發(fā)電的數(shù)學模型（1）BP神經(jīng)網(wǎng)絡(luò)預測模型結(jié)構(gòu)輸入層變量：太陽輻射強度、溫度及濕度等數(shù)據(jù)；輸出層變量：光伏發(fā)電功率預測值。隱含層神經(jīng)元的數(shù)量：隱含層神經(jīng)元數(shù)量兼顧Kolmogrov公式，其中，m為輸入層神經(jīng)元數(shù)；n為輸出層神經(jīng)元數(shù)，最終確定隱含層神經(jīng)元數(shù)量q為8。圖6.5BP神經(jīng)網(wǎng)絡(luò)預測模型結(jié)構(gòu)6.4數(shù)字孿生在光伏發(fā)電功率預測中應用6.4.3光伏發(fā)電的數(shù)學模型（2）BP神經(jīng)網(wǎng)絡(luò)建模步驟步驟１：模型初始化。設(shè)置模型輸入層、隱含層節(jié)點個數(shù)和，初始化各層之間的權(quán)值矩陣和閾值，設(shè)定學習速度并選擇激勵函數(shù)。步驟２：計算隱含層的輸出。隱含層輸出可以表示為：步驟３：計算輸出層的輸出。輸出層輸出可以表示為：步驟４：計算誤差。計算模型輸出誤差：步驟５：權(quán)值反向傳播。根據(jù)誤差，更新模型權(quán)值：步驟６：迭代停止條件判定。判斷誤差是否滿足要求，如滿足模型迭代結(jié)束；如不滿足，返回步驟２。6.4數(shù)字孿生在光伏發(fā)電功率預測中應用6.4.3光伏發(fā)電的數(shù)學模型（3）基于GA的預測模型參數(shù)優(yōu)化步驟1：產(chǎn)生初始化種群；步驟2：計算適應度函數(shù)步驟3：進行遺傳算子基因交叉基因變異步驟4：重新評價新一代種群對新一代種群進行誤差評價。若網(wǎng)絡(luò)總誤差E滿足精度要求，算法結(jié)束；若不滿足精度要求，則將該種群作為父代種群，再次迭代，直到誤差達到精度要求，即E<ε。圖6.6遺傳算法優(yōu)化的BP網(wǎng)絡(luò)流程圖6.4數(shù)字孿生在光伏發(fā)電功率預測中應用6.4.3光伏發(fā)電的數(shù)學模型（3）基于GA的預測模型參數(shù)優(yōu)化步驟5：判斷是否滿足終止的條件，如果滿足，轉(zhuǎn)至輸出BP網(wǎng)絡(luò)最優(yōu)權(quán)值和閾值，如果不滿足，返回計算適應度函數(shù)計算。步驟6：如果獲得BP網(wǎng)絡(luò)最優(yōu)的權(quán)值和閾值，調(diào)整各層參數(shù)。步驟7：計算BP網(wǎng)絡(luò)的誤差，如果誤差在要求的范圍內(nèi)，則結(jié)束整個過程。反之繼續(xù)校正BP網(wǎng)絡(luò)參數(shù)。步驟8：得到優(yōu)化后BP神經(jīng)網(wǎng)絡(luò)參數(shù)，對網(wǎng)絡(luò)空間和映射關(guān)系進行保存。圖6.6遺傳算法優(yōu)化的BP網(wǎng)絡(luò)流程圖6.5數(shù)字孿生在光伏陣列故障診斷中應用6.5.1光伏陣列故障診斷數(shù)字孿生的框架以物理實體、孿生數(shù)據(jù)、連接、虛擬實體和服務(wù)為主體的五維結(jié)構(gòu)模型為基礎(chǔ)，建立光伏陣列故障診斷的框架如圖6.7所示，主要由數(shù)字孿生模型、數(shù)據(jù)采集與傳輸模塊、服務(wù)應用系統(tǒng)3部分組成。圖6.7光伏陣列故障診斷數(shù)字孿生的框架6.5數(shù)字孿生在光伏陣列故障診斷中應用6.5.2光伏陣列故障類型及特性分析（1）開路故障形成原因危害（2）短路故障形成原因危害（3）陰影遮擋故障形成原因危害（4）異常老化形成原因危害圖6.8光伏陣列典型故障示意圖6.5數(shù)字孿生在光伏陣列故障診斷中應用6.5.3光伏陣列的數(shù)學模型（1）光伏陣列數(shù)學模型單體太陽電池物理特性方程缺點：超越方程，求解困難太陽電池的工程模型當光照強度和溫度發(fā)生變化時，修正方法（2）光伏電站仿真模型光伏電站物理實體采用多級型非隔離三相逆變器，有功功率采用最大功率點MPPT跟蹤控制，MPPT采用擾動觀察法(P&O)，以保證輸出功率最大；無功功率采用逆變器的脈寬調(diào)制PWM控制，逆變器采用PQ控制策略（PLL、d-q變換、功率環(huán)、電流環(huán)、SPWM環(huán)節(jié)），以控制逆變器的輸出電壓和電流。6.5數(shù)字孿生在光伏陣列故障診斷中應用6.5.4光伏陣列故障診斷數(shù)字孿生建模（1）神經(jīng)網(wǎng)絡(luò)故障診斷模型光伏陣列故障診斷模型構(gòu)建時，通常從光伏陣列的開路電壓、短路電流、最大電流、U-I曲線和并網(wǎng)電流等參量中選擇一組數(shù)據(jù)參量，作為神經(jīng)網(wǎng)絡(luò)的輸入量，輸出為正常(F1)、短路(F2)、斷路(F3)、局部陰影(F4)與雨天接地(F5)故障類型，構(gòu)建如圖6.9所示的故障診斷模型。圖6.9神經(jīng)網(wǎng)絡(luò)故障診斷模型6.5數(shù)字孿生在光伏陣列故障診斷中應用6.5.4光伏陣列故障診斷數(shù)字孿生建模（2）TCN算法原理時間卷積網(wǎng)絡(luò)TCN是在CNN基礎(chǔ)上衍生的可以對輸入數(shù)據(jù)進行特征提取的時間卷積神經(jīng)網(wǎng)絡(luò)，融合一維卷積、因果卷積、擴張卷積和殘差卷積結(jié)構(gòu)，能夠挖掘數(shù)據(jù)中的時間特征，保證時序邏輯性。圖6.10TCN網(wǎng)絡(luò)結(jié)構(gòu)6.5數(shù)字孿生在光伏陣列故障診斷中應用6.5.4光伏陣列故障診斷數(shù)字孿生建模（2）TCN算法原理TCN的殘差模塊內(nèi)有兩層擴張卷積（擴展因果卷積）和ReLU非線性激活函數(shù)，且卷積核的權(quán)重都經(jīng)過了權(quán)重歸一化。首先進行一維擴張因果卷積，通過擴張系數(shù)調(diào)整采樣間隔來調(diào)整感受野；然后對權(quán)重進行歸一化處理，使用ReLU作為激活函數(shù)，通過Dropout層實現(xiàn)正則化處理，避免過度擬合。圖6.11TCN殘差模塊6.5數(shù)字孿生在光伏陣列故障診斷中應用6.5.4光伏陣列故障診斷數(shù)字孿生建模（3）BiGRU算法原理BiGRU是循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）和長短期記憶網(wǎng)絡(luò)（LSTM）的改進，在不降低收斂速度的情況下，將LSTM原有的三個門控單元減少到兩個。在前向GRU層中，通過前向傳播將特征輸入到網(wǎng)絡(luò)訓練中，并挖掘數(shù)據(jù)的前向相關(guān)性。在逆向GRU層中，輸入序列通過反向傳播進行訓練，挖掘數(shù)據(jù)的逆相關(guān)性。BiGRU網(wǎng)絡(luò)架構(gòu)可以對輸入的特征進行雙向提取，從而更準確捕捉序列數(shù)據(jù)中的特征信息，提高特征的完整性和全局性。圖6.12BiGRU網(wǎng)絡(luò)結(jié)構(gòu)6.5數(shù)字孿生在光伏陣列故障診斷中應用6.5.4光伏陣列故障診斷數(shù)字孿生建模（3）TCN-BiGRU算法首先，將時間序列數(shù)據(jù)輸入到TCN網(wǎng)絡(luò)中，TCN的卷積層可以捕捉不同時間尺度的特征，并對時序數(shù)據(jù)進行初步處理；其次，將TCN網(wǎng)絡(luò)的輸出作為BiGRU的輸入，BiGRU可進一步處理TCN提取的特征，并從前向和后向角度對這些特征進行建模，更全面理解特征之間的依賴關(guān)系，從而提高故障診斷的準確性；最終，在BiGRU的輸出上添加一個全連接層或其他分類器，用于將提取的特征映射到