数字孪生能源1：数字孪生未来电力系统应用

本文是首批发表的四篇文章之一“数字孪生及其在电力系统中的应用”。这篇文章由荷兰代尔夫特理工大学Peter Palensky教授团队完成。这篇文章首先回顾了数字孪生的历史、基本属性和演变，以及数字孪生与电力系统的关系。其次，首次解释了数字孪生概念在电力和能源业务中的应用。模型的跨学科性、不同时间尺度和异构性是数字孪生在电力系统应用过程中的主要挑战，而协同仿真和协同建模可为上述挑战提供帮助。相关工作将帮助电力系统专业人士进入数字孪生领域，并了解如何在其业务中使用数字孪生。

文章信息

文章发表于《Digital Twin》期刊，2021年9月23日

DOI：10.12688/digitaltwin.17435.1

论文链接：

https://digitaltwin1.org/articles/1-4/v1

引用本文：Palensky P, Cvetkovic M, Gusain D et al. Digital twins and their use in future power systems. Digital Twin 2021, 1:4. https://doi.org/10.12688/digitaltwin.17435.1

译 文

数字孪生及其在电力系统中的应用

Peter Palensky, Milos Cvetkovic, Digvijay Gusain, Arun Joseph

Electric Sustainable Energy, TU Delft, Delft, 2628CD, The Netherlands

摘要

电力部门是在其运营过程中较晚采用数字孪生和模型的部门之一。本文首先回顾了数字孪生的历史、基本属性和演变，以及数字孪生与电力系统的关系。其次，首次解释了数字孪生概念在电力和能源业务中的应用。结果表明，所需模型的跨学科性、不同时间尺度和异构性是数字孪生在电力系统应用过程中的主要挑战，而协同仿真和协同建模可为上述挑战提供帮助。本文将帮助电力系统专业人士进入数字孪生领域，并了解如何在其业务中使用数字孪生。

关键词：电力系统，数字孪生，协同仿真  

1 数字孪生的起源及历史

数字化转型是以许多强大的技术为特征的，例如机器学习和物联网1。最近获得关注的一项技术是数字孪生。本文将向您介绍数字孪生的概念，并回顾在未来电力系统中应用数字孪生的好处。

回顾数字孪生概念的简史可知，其理论基础在过去几年中已出现在各种不同的学科中，例如生产工程、航空航天工程、汽车工程、电气工程、计算机技术和信息科学2。数字孪生的概念可以追溯到美国宇航局的阿波罗计划。作为该计划的一部分，美国宇航局建造了个完全相同的航天器3。在任务期间，地球上的一个充当孪生，并使用可用的飞行数据来反映飞行条件，从而在危急情况下为宇航员和工程师提供帮助。Iron Bird 是“硬件”孪生的另一个著名例子，它是飞机工业用来整合、优化和验证重要飞机系统的地面工程工具4。随着仿真技术的进步，Iron Bird 中的物理组件被其虚拟对应物所取代，这使系统设计人员即使在实际物理组件不可用时也可以测试各种产品生命周期场景。将这个想法进一步扩展到产品生命周期管理的所有阶段，产生了物理系统的完整数字模型，即数字孪生（图 1）。

数字孪生一词由 Grieves 作为产品生命周期管理中的一个新概念于 2002 年首次引入。尽管它最初在 2003 年被称为镜像空间模型，但该概念后来在 2005  年演变为信息镜像模型，并最终在 2011 年演变为数字孪生。2012 年，美国国家航空航天局 (NASA) 重新阐述了数字孪生的概念。他们将数字孪生定义为充分利用物理模型、传感器更新、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，在虚拟空间中完成映射，从而反映相对应的实体的全生命周期过程9。2016 年，Grieves10 将数字孪生定义为一组虚拟信息结构，从微观原子级别到宏观几何级别全面描述潜在的或实际的物理制造产品，并在最佳状态下，任何可以通过检查物理获得的信息都可以从其数字孪生中获得。

在概念开发的初期，数字孪生被定义为仅包括三个部分：a) 现实空间中的物理产品，b) 虚拟空间中的虚拟产品和 c) 它们以数据和信息形式的连接11。2019 年最新的数字孪生概念提出，数字孪生应该包括一个包含物理部分、虚拟部分、连接、数据和服务的五维模型。数字孪生概念的演变导致了特殊概念，例如机身数字孪生 (ADT)13 和实验数字孪生 (EDT)14。ADT 整合了飞机设计所需的不同模型，例如结构模型、飞行动力学模型、材料状态演化模型等，并使用高性能计算仿真作为虚拟健康传感器，预测单个飞机所需的维护。文献14 中提出的 EDT 结合了数字孪生和虚拟测试平台的方法。随着技术的新进步，数字孪生概念在工业 4.0 或电力系统等各种多学科应用中经历了指数级增长13-19。

2 数字历史的架构和变体

最近几个月，数字孪生一词越来越受欢迎，这也受到了 20 等技术趋势报告的推动。物联网和数字化转型总体上使这一概念变得有趣，并且适用于全新的行业和应用范围19。

为此，定义双胞胎是什么，以及当前使用的变体是非常重要的。数字孪生通常是对流程或系统的描述，并通过（实时）数据进行增强2。数字化描述本身的可以从系统的简单图解到动态数值模拟模型，但一旦我们将其与现实世界的数据联系起来，它就会变成一个数字孪生（图 2）。

操作员和孪生都接收环境数据（温度、市场价格等）和过程数据（测量值、状态）。应用（例如操作员、用户、控制器）使用此信息对系统采取行动（例如，闭环控制，以某种方式改变系统）。该应用还通过孪生的管理 (MGMT) 部分操作孪生，以启动、停止、初始化、快进或回滚孪生。通过采取这些行动，孪生可用于决策支持21。

孪生的数据处理部分使用测量数据定期同步22其状态（这是必需的，因为不完善的系统描述会在一段时间后偏离现实），更新模型（参数识别），或以数据驱动的方式生成和更新整个模型。数据可能来自地理上遥远的地方，因此每个测量样本都需要一组丰富的元数据，例如同步时间戳和描述其含义和来源的语义标签。

从上一节中数字孪生的历史、特定领域的数字孪生开始，我们可以定义数字孪生变体的以下用法（另请参见图 3）：

•     仪表板：只是当前感知（测量）过程的显示或镜像，有时也称为“数字阴影”23。

•     静态（尺寸）孪生：用于描述和优化系统的设计和尺寸24。这可以从数据表到（静态）公式。

•     用于动态设计的孪生：用于描述和优化过程及其动态行为。可以观察到复杂的交互（例如两个控制器交互），并且模型可以是基于物理的或数据驱动的 25。

•     异常检查：孪生能够实时（即动态）执行其模型，可以与真实进程或系统进行比较，从而暴露异常行为，例如故障。它需要始终与现实同步，否则模型状态会发散26。

•     预测和调度孪生：这些孪生可以使用预测的环境变量（例如天气或使用模式）预览或预测未来的情景。一个具有潜在未来的多元宇宙可以由这样的孪生启动，以便在许多不同的场景中得出一个执行良好的稳健决策 27。

•     控制孪生：这些孪生显示未来的动态行为，这反过来又可用于模型预测类型的控制。如果短时间内需要多个场景，平行孪生可以评估它们28。

•     如果孪生在等于或小于预期操作时间步长的时间内提供（即计算或仅显示）其输出，则可以说数字孪生可以“实时”执行29。如果这个时间大大小于预期的时间步长，那么数字孪生可以提前很久提供答案，从而可以用来推导出控制或调度决策。如果输出的计算比预期的时间长得多，它只能用于规划和设计目的30。

图 3 中的模型保真度级别可以是：

•     拓扑：系统只描述了结构以及组件如何连接和相互关联，但没有嵌入对其物理或功能机制的数学描述。一个例子是墙上的工厂地图，显示其中的所有资产和设备，可能嵌入了实时传感器值（灯、刻度盘）。

•     静态：静态模型（基于代数方程或简单的 if-then 代码）将输入、状态和输出设置为确定性视角。该模型可以逐步使用，从而产生一个准静态模型，随着时间的推移显示一些行为。一个例子是某个市场的经济模型。

•     动态：动态方程或代码描述系统。它包含所有内部模式和状态，可以由外部和内部事件触发，并暴露潜在的复杂行为。一个例子是电动发动机的机电模型。

数字孪生是信息物理系统的经典示例31，因为它们是信息和通信技术 (ICT) 结构，以某种方式与现实世界交互。有时它们不仅是，甚至还代表了一个信息物理系统32,33：例如，如果现实世界的系统包含一个物理过程和一个数字分布式控制系统，则孪生可能还必须对基于网络的控制的通信链接进行建模34.

根据孪生的计算量级，它可以在嵌入式系统上“现场”实施，或托管在运行强大的数据中心的“云端”35，见图 4。根据 36，模型使用可以是：

•     白盒：拓扑、组件和参数是已知的。其结构与现实相同。

•     灰盒：同白盒，但部分未知，需要学习、推导或测量。它的结构在某种程度上类似于现实。

•     黑盒：需要学习整个模型。虽然孪生的行为与其真正的对应物一样，但其内部结构具有完全不同的性质（例如代表污水厂的统计模型或神经网络）。

由于白盒模型是一种理想化的构造，因此大部分时间使用灰盒或黑盒模型，并且模型的某些部分需要支持方法，例如机器学习37。

如果一个系统包含一定程度的复杂性，或者甚至是一个系统的系统，则很难创建一个能够正确模仿其所有行为的孪生体。由于如果参数稍有变化，复杂系统就会表现出完全不同的行为，因此保持孪生与现实匹配的唯一方法是通过测量数据流进行定期同步。

3 电力系统数字孪生

电力系统是人类有史以来最复杂的信息物理系统之一，而数字孪生是一项最有前途的技术15，可以使其向新一代工业 4.0 和物联网过渡。但在这一转变过程中面临的挑战是多方面的。

为了在电力系统中有效利用数字孪生技术的全部潜力，需要一种整体方法来解决建模、数据管理、存储、计算要求和可扩展性等各种挑战。尽管高性能计算设施和云计算等新兴技术 38 可以作为应对大多数挑战的基石，但与建模和数据管理相关的挑战需要的不仅仅是工程技能。此外，有效地平衡数字孪生预测的准确性与优化各种模型/数据所需的计算复杂性之间的权衡将具有挑战性。最近这方面已有广泛的研究15。

数字孪生概念被设想为电力系统控制中心技术的下一个进化步骤18。在电力系统控制室实施数字孪生概念将通过附加功能加强传统系统，例如动态可观察性、评估和高级决策支持。因此，作为电力系统离线运行一部分的系统稳定性分析、系统规划、模型验证和扰动分析等各种过程现在可以合并为在线电力系统运行的一部分，如表 I 所述. 此外，传统控制室中使用低维模型40的态势感知系统将被更复杂的框架所取代。最近文献中为电力系统提出的数字孪生框架可以根据它们支持的方法分类为基于模型的方法 16、17 或数据驱动的方法 41 或两者的组合 39。

基于模型方法的电力系统数字孪生框架基于白盒建模传统电力系统的功能。基于孪生的电力系统方法，其中特定应用模型的自动仿真和决策支持系统是数字孪生的核心引擎。这种数字孪生系统的仿真执行时间所增加的计算复杂度由模型的维数决定，而这又取决于它所用于的应用程序类型。例如，从电力系统稳定性的角度来看，用于故障分析的负载模型和准稳态模型属于低维类别，而动态 RMS 和 EMT 模型属于高维类别 42。在 16 中，作者将动态模型的使用描述为比电力系统的实时数字孪生更快，用于预测和缓解短期电压不稳定问题。比实时数字孪生更快的速度是通过使用适用于 Powerfactory 软件的 Python 应用程序编程接口 (API) 的超快速模拟实现的，而 Powerfactory 开发的模型所实现的高级细节准确地描述了故障诱导动态电压恢复 (FIDVR)事件传播和缓解策略16。17 提出了一种基于模型的分布式光伏系统故障诊断数字孪生模型，其中使用低成本现场可编程门阵列 (FPGA) 单元在现场实施数字孪生模型。

采用数据驱动方法的电力系统数字孪生框架基于黑盒建模方法，其严重依赖基于统计/机器学习的算法作为数字孪生的核心引擎44。机器学习技术（如深度学习）的日益普及为基于该框架的许多应用程序的开发过程增添了更多动力。在 41 中，作者提出了一种利用随机矩阵理论和深度学习进行实时潮流监测的数字孪生。态势感知是通过对时空数据集进行数据提取和信息挖掘来获得的。在 Zhou et al., 201939 文章中使用的灰盒建模方法可以看到这两种框架的组合。数字孪生框架由不断更新的网格拓扑模型组成，该模型使用 interPSS 软件45 和基于机器学习的快速动态安全评估作为决策支持系统。

4 集成能源系统数字历史

在住宅 46、47、商业 48、49 和工业 50-52 空间中越来越多地采用 power-to-x (P2X) 能量转换器正在实现更加互联和集成的能源系统。数字孪生可以在增强此类集成系统的运行和可靠性方面发挥转型作用。考虑具有配电网络和区域供热网络的本地能源系统运营商。能源系统运营商注意到其网络拓扑的变化，例如越来越多的屋顶太阳能、智能电器（如冰箱、洗衣机等）的采用、向电加热的过渡（使用锅炉和热泵）等.，使其控制区域成为一个更加复杂的实体。为了测试网络的可靠性，能源系统运营商可以使用数字孪生及其网络的复杂物理模型来监控和预测系统健康状况。由于数字孪生是精确系统的虚拟副本，因此可以进行测试和实验，例如分析采用新技术的影响、所需的容量扩展等。

能源系统运营商对数字孪生的另一种用途是计划性或预测性维护53。使用由恒定数据流支持的网络的最新模型表示，再加上历史测量，能源系统运营商可以预测网络健康状况并采取适当的行动。如果发生电网线路故障或区域热网漏水等事件，网络的物理模型可用于评估近期情景（通过展望未来数小时到数天）以避免任何不必要的情况。数字孪生还可以在这种集成系统中帮助 P2X 设备的资产所有者更多地了解其设备的运行方式并使用实时数据监控其健康状况。它不仅可以提高运营效率，还可以通过最大限度地减少网络和其中设备的停机时间来延长运营寿命。在上述用例中，建模和仿真起着关键作用。

在数字孪生的特定领域应用（例如建筑能源管理）54,55 中，可以使用最先进的建模语言和工具（例如 EnergyPlus）创建支持数字孪生的模型。在综合能源系统中，这更难实现，因为任何单一建模环境都无法充分捕捉能源载体内部和之间的复杂相互作用56。尽管有 Modelica 等通用建模语言可用，但为综合能源系统开发模型仍面临一些挑战，例如 1) 存在成熟且先进的特定领域模型库，2) 对单个子系统建模的专业领域知识，3) 满足特定领域仿真特性的能力，等等。如果没有合适的模型，就无法充分利用数字孪生的力量。

克服在单个建模环境中对整个集成能源系统建模的局限性的一个有趣选择是使用特定领域的工具对单个子系统进行建模，并使用协同仿真作为模型耦合方法来组合这些子系统 56。协同仿真或耦合仿真是一种仿真技术，允许以统一的方式组合和仿真不同类型的模型（基于物理方程、数据驱动等）57。对于能源系统运营商来说，这提供了显着的好处。不同事业部开发的模型（如供热事业部开发的区域热网模型、电力事业部开发的电力网络模型）可以有效组合，无需将一个或多个子系统模型转换为通用建模语言。这些模型可以放置在同一台机器上58，也可以分布在不同的机器上59 以支持数字孪生。

协同仿真方法采用主算法，该算法控制仿真中的时间进程并管理各个模型子系统之间的信息交换 60。在分布式子系统模型的情况下，时间进程可以通过标准化协议进行协调，例如分布式协同仿真协议 (DCP)61。已经有多种协同仿真大师在开源许可下可用，例如 energysim58、MESCOS62、Mosaik63 等，可用于执行集成能源系统协同仿真。通过使用所描述的协同仿真方法将多域模型（物理或数据驱动的）结合起来，并利用现代计算基础设施的超实时仿真能力，数字孪生可以使集成系统运营商采用一种新的方式来设计、操作，并维护高度互联的能源系统。图 5 显示了与物理世界耦合的集成能源系统的数字孪生体。

尽管通过协同仿真采用模型耦合方法存在挑战，例如代数环、收敛问题等 59，但与传统仿真技术相比，它具有三个重要优势。首先，一个更大的系统可以分解成更小的子系统，并有效地并行处理。这减少了模拟系统的计算工作量62。其次，专家建模者可以在最先进的工具中开发各个领域模型。使用这些工具提供的高级库和功能，建模人员可以创建高保真子系统模型。第三，它允许将单个子系统模型作为黑盒模型嵌入到整个系统设置中。这允许子系统模型保留敏感信息，例如模型定义和模型拓扑（从而保护模型 IP），同时在协同仿真期间仅与其他子系统公开请求的变量64。

功能模型接口 (FMI)65 等开放标准允许将物理模型打包为加密的功能模型单元 (FMU)，其中包含模型描述、模型方程和可选的求解器来模拟模型。这允许能源系统运营商将高度详细和复杂的子系统模型整合在一起，从而实现模型增强的数字孪生。其数字双胞胎与高保真子系统模型的支持使其能够准确分析其运营策略、网络升级等的影响。

5 数字孪生在未来电力系统中的应用

数字孪生在与未来电力系统相关的各种应用中发挥着重要作用。它提供准确、可靠和及时的支持工具，用于各级利益相关者（从维护人员到规划工程师到变电站间隔内的控制器）的决策，见图 6。在下面，我们列出了一些高影响的数字孪生应用：

•     控制室咨询——确保电力供应的可靠性需要根据电网运营商的专家判断做出快速决策。过去，经验丰富的操作员能够及时做出高质量的决策。然而，随着我们增加部门耦合、分布式能源的渗透和需求响应，电网运营商发现自己面临许多新的挑战66。为了克服这些问题，及时的数字孪生建议可能至关重要。其中一个例子是 67 中报道的实时电压稳定控制。

•     教育和培训——数字孪生的另一个重要用途是基础设施运营商的教育和培训。数字孪生系统可用于建立红队 - 蓝队演习，模拟电力系统的网络攻击、自然灾害、级联故障等。如果在数字技术的帮助下进行指导，电网运营商可以更快地站起来 真实事件的情况68。

•     事后分析——在事后分析中，电力工程师寻求建立导致电网（或组件）故障的事件序列，以提高系统对未来事件的弹性69。由于它模拟了不同路径的分叉，因此数字孪生简化了关键事件的可处理性并有助于建立因果关系70。

•     长期决策支持——为了做出长期决策，利益相关者需要准确和全面的模型。数字孪生允许评估替代方案的可行性并调查采用途径71。可以支持电网加固和扩建项目的阶段性和比较分析。

•     资产管理 - 高保真模型可成功用于电力载体、断路器和其他变电站设备的预测性维护。数字孪生已经包含此类模型72。

•     使用增强现实的现场操作支持 - 维护人员可以通过增强现实访问增强的数字孪生提供支持73。在将决策实施到电网之前实时评估决策可提高技术人员和基础设施的安全性。

•     利益相关者之间的协作决策——基础设施扩展决策通常需要所有相关利益相关者的协调和支持74。数字孪生为协作工具提供后端和/或前端平台。

•     模型预测操作 - 操作有载分接变换变压器和智能屋顶光伏逆变器的控制器可以使用数字孪生来优化调节配电网电压和拥塞程度75。由于配电网中相对复杂的控制和协调挑战不再适合嵌入式传统线性控制器，因此托管在数据中心的数字孪生可以提供适当的解决方案。在这种情况下，“边缘”（现场控制器）咨询“云”（数据中心的孪生）。

6 展望

数字孪生现在是计算机在 1950 年代所处的位置：需要大量关注和手动专家支持的大而笨重的东西。未来，我们希望它们成为一个既定的原则，为所有部门所接受。模型生成或验证等专家输入将被数据驱动的过程所取代，其中学习参数并自动识别和认可更改。

孪生可能无处不在！对于电力系统，这意味着不仅变电站中的所有控制器可能都有自己的私有孪生来帮助他们完成日常任务，而且电网中的每个参与者：电动汽车、光伏逆变器、智能热泵和风力发电站将使用数字孪生原理，以数字化表示其环境和同行。有了这个，他们可以优化他们的运营，因为可以预测环境情况甚至同伴行为。

除非智能嵌入到此类系统的组件中，否则自组织、弹性、扁平和点对点的电力系统将无法工作。它需要了解自己和他人的单元。