试析变电站数字孪生框架构建与关键技术

摘 要：本文探讨了数字孪生技术在变电站管理中的应用方法。研究通过数据预处理、特征提取和滤波算法等步骤，对传感器采集的多设备数据进行处理，以提升数据的质量和可靠性。具体处理方法包括标定变换、缺失值填补和滑动平均滤波，这些方法能够有效消除噪声和干扰，使滤波后的电压和电流数据呈现稳定的曲线。分析结果表明，不同设备之间表现出明显的电流、电压波动特征，反映了设备自身的特性及其工作状态的差异。建立数字孪生平台可以实现对变电站设备运行状态的实时监测和预测，为系统的优化和改进提供可靠的数据支持。

关键词：变电站；数字孪生；滤波算法

中图分类号：TM 73" " 文献标志码：A

在能源领域，特别是变电站管理中，数字孪生技术的应用可以提高设备运行效率，降低维护成本，提升安全性和可靠性。孙瑞江等[1]结合变电检修运维实际，提出数字孪生应具备快速扫描建模、物理引擎底座和虚实双向交互的实用化能力。张惠仙等[2]采用数字化建模、全域状态感知等技术，构建了面向变电站二次设备的数字孪生系统。张军六等[3]利用数字孪生模型进行输变电设备智能感知和在线诊断，提升了设备运行状态的准确度和反映能力。张冀等[4]提出数字孪生变电站模型框架，探讨数字孪生技术面临的问题。涂潜等[5]提出面向数字孪生的变电站三维场景自动目标识别方法，以准确识别变电站中的全部目标。刘云鹏等[6]提出变压器数字孪生体的构想，该构想包括虚拟体刻画－感知互动－模型驱动的多场计算－数据驱动的状态分析－智慧共享5个阶段。陈晨等[7]提出一套完整的变电站数字化移交应用研究方案，为数字化电网发展奠定了基础。

1 孪生平台数据收集

为构建数字孪生平台并实现实时监控，需要对原始数据进行标定变换和缺失值填补。在数模转换过程中，须根据分辨率和采样幅值对数字量进行调整，同时进行单位量纲转换，将不同传感器的采样值统一到同一量纲下。对于缺失值，可以采用均值插补、同类数据均值插补或手动插补等方法进行补充。传感器数据会受温度变化和环境因素等干扰，从而产生趋势漂移，影响特征提取和预测结果的准确性。为了消除这种趋势项，本文采用了基于多项式最小二乘法的曲线拟合方法。设采样数据如公式（1）所示。

A={y1，y2，…，yn} （1）

式中：A为采样样本集合；{y1，y2，…，yn}为从初始点到终末点的采样结果。

采样数据的拟合曲线如公式（2）所示。

（2）

式中：为期望的理想拟合结果；n为采样时长；a1为第一项自变量参与的具体影响机制表现系数；a2为第二项自变量参与的具体影响机制表现系数；an为第n项自变量参与的具体影响机制表现系数；x1为第一项自变量；x2为第二项自变量；xn为第n项自变量。

本文收集、整理了某变电站一段时间内的真实数据，包括电流、电压、有功功率和无功功率等数据集。这些数据集是变电站运行状态的重要指标，反映了电力系统的实时运行情况。应用上述滤波算法，对这些数据集进行预处理，以消除噪声和干扰，提高数据质量和可靠性。滤波后的电流、电压和功率实时变化情况如图1所示。

多台设备的采样结果显示，在经过滤波处理后，电压稳定在220 V，电流为4 A～6 A，平均功率为1 106.377 9W。滤波后的数据呈现出采样频率较低、总量较小的特点，并且形成了随时间轴平滑波动的曲线，有效去除了背景噪声，数据特征清晰。结果表明，滤波算法在处理多设备采集数据方面具有明显优势，能够有效提升数据的稳定性和可靠性，为后续的电力系统分析和管理提供更为可靠的数据基础。

比较多设备数据的电流、电压和实时功率波动，并综合分析其总体功率，结果如图2所示。

上述滤波结果表明不同设备的电流和电压波动范围更大，呈周期性振荡趋势。该现象可能与设备本身的特性、工作状态以及电力网络的复杂性有关。

不同设备间滤波性能的差异性也十分显著，该差异可能源自设备本身的特性、工作负荷以及滤波算法的适用性等因素。对不同设备的滤波结果进行深入分析，可以更好地了解设备间的异同，为系统的运行和维护提供更准确的数据支持，进而为系统优化和改进提供有力支持。

上述分析有助于识别系统中潜在的问题和优化空间，为电力系统的稳定运行和管理提供有力支持。

2 孪生平台仿真模拟

立足于设备参数监控，拟合曲线不仅能够实时反映变电站的运行情况，而且能够评估、预测未来一段时间内的参数波动，从而为异常状态检测和更多功能提供支持。

考虑预测结果，最小二乘法要求误差平方和最小，误差平方和E如公式（3）所示。

（3）

式中：E为误差平方和；为在任意时间t期望的理想拟合结果；yt为在任意时间t的采样结果。

误差平方和最小集满足最小二乘法的解，从而得到公式（2）的具体参数，即拟合曲线的理想拟合方程。拟合数据曲线可以分离出趋势项，从而得到更准确的原始信号，并能识别数据分析趋势，进而强化数字孪生平台的处理能力。综上所述，本文区分了不同样本数据的特征数量，考察了其不同特征数量在不同采样周期下的预测准确率，其结果如图3所示。

不同特征值的预测准确率均随着采样周期的延长而提高，并且在特征数较多情况下的预测准确率明显高于特征数较少的情况。对于仅有1项特征值的数据，其预测准确率虽随采样周期的延长而提高，但当采样时间超过1 h时，预测准确率仍在90%以下。而在其他特征数条件下，仅需40 min的采样周期，预测准确率就接近100%。对于这4项特征来说，即使在采样规模较小的情况下，也能达到上述高水平的预测准确率。

考虑变电站采集的数据通常包括工频信号和环境噪声干扰，这些干扰会导致数据波动剧烈，难以分析。平滑处理和降噪技术可以有效减少上述干扰。本文采用平均法进行平滑处理，即对数据进行滑动平均，以降低高频噪声的影响，使数据更平滑，如公式（4）所示。

（4）

式中：h为加权系数；xi为任意样本i的自变量；x1为第一项自变量；x2为第二项自变量；xn为第n项自变量。

h能够衡量平滑处理的强度，h的指标设置如公式（5）所示。

（5）

不同类型的数据需要采用不同的编码方式，以便机器学习模型能够进行有效的训练。此外，为了消除量纲的影响，还需要对数据进行标准化和归一化处理。本文中的变电站数据波动具有相对稳定性，仅存在少量显著偏离的异常值。在标准化处理中，选择将数据转换为正态分布。而在归一化处理中，本文保留数据的量级，仅利用基于95%数据的极值范围进行缩放，并提供无量纲的版本，以便于不同数据间分布趋势的平行对比。

综上所述，本文考虑了不同类型数据纳入水平的差异性，比较了不同模型的完整度，分析其在不同采样周期下的预测准确率，结果如图4所示。

不同模型完整度对预测能力的影响比较复杂。在数据来源有限的情况下，1%的模型完整度就能达到相对较高的预测水平。当模型完整度提高至15%时，预测准确率却有所下降。但对于更高水平的模型完整度而言，通过引入丰富的数据来源并采用多源融合的数据整合分析方法，能够显著提升模型的预测准确率，使其接近100%的水平。经上述算法优化处理，数字孪生平台能够获取更可靠、准确的变电站运行数据，为智能分析、预测及优化管理奠定基础。

3 结论

本文探讨了变电站的数字孪生平台构建，该平台必须具备出色的场景感知能力以及高效的数据获取和处理能力。因此，本文采用了数据预处理、特征提取和滤波算法等方法来处理来自传感器的变电站数据。在数据预处理阶段，本文进行了标定变换和缺失值填补，以保证数据的完整性和准确性。在特征提取阶段，本文利用机器学习算法从预处理后的数据中提取关键特征，该特征能够反映变电站运行状态的异常情况。滤波算法则用于消除噪声、凸显关键信号特征，并降低数据的复杂性。在对某变电站的真实数据进行滤波处理后，数据表现优异，数据总量适中，且形成了随时间轴平滑波动的曲线，有效去除了背景噪声的影响。不同设备的滤波结果显示，电流、电压波动范围较大，呈现出周期性振荡趋势。经过滤波算法处理后的数据，能够准确地反映实际系统的特征和行为，为数字孪生模型的构建提供了更可靠的数据基础，提高了平台的数据质量和可靠性，为后续的模型构建、仿真和预测分析奠定了基础。

参考文献

[1]孙瑞江，池威威，李树荣，等.雄安新区的数字孪生变电站应用及探索[J].现代电力，2024，41（1）：29-35.

[2]张惠仙，晋龙兴，付威，等.面向变电站二次设备的数字孪生系统研究[J].供用电，2024，41（1）：34-41.

[3]张军六，刘珊，李瑞.数字孪生技术下输变电设备运行状态智能感知[J].计算机仿真，2023，40（12）：123-127，144.

[4]张冀，马也，张荣华，等.数字孪生变电站框架设计与关键技术研究[J].工程科学与技术，2023，55（6）：15-30.

[5]涂潜，李俊，范东亮，等.面向数字孪生的变电站三维场景自动目标识别[J].系统仿真学报，2023，35（12）：2594-2601.

[6]刘云鹏，刘一瑾，刘刚，等.电力变压器智能运维的数字孪生体构想[J].中国电机工程学报，2023，43（22）：8636-8652.

[7]陈晨，宋晓帆，董平先，等.基于数字孪生的变电站逻辑模型移交深化应用[J].现代电力，2023，40（1）：108-116.