面向電力變壓器PHM的數字孿生技術

羅兵 ，王婷婷 ，石鑫 ，房方 ，朱永利

（1.南方電網科學研究院， 廣州 510663；2.特高壓工程技術（昆明、廣州）國家工程實驗室， 廣州 510663；3.華北電力大學控制與計算機工程學院， 北京 102206；4.華北電力大學新能源電力系統(tǒng)國家重點實驗室， 河北 保定 071003）

0 引言

電力變壓器作為電力系統(tǒng)的重要樞紐設備，其運行狀況直接關系到整個系統(tǒng)的運行安全，一旦發(fā)生故障極易導致局部甚至整個系統(tǒng)癱瘓，嚴重影響日常生活生產供電從而造成巨大損失［1］。隨著傳感、通信、計算控制等新一代技術的迅速發(fā)展，電力變壓器集成化和智能化程度得以大幅提升，伴隨其復雜性隨之大大增加，導致設備故障發(fā)生及功能失效概率增加。傳統(tǒng)定期維修方式雖然一定程度上降低了故障發(fā)生的概率，但在應對設備運行過程中快速變化的新情況時顯得不足；相比之下，視情維修和預測維修通過精準的狀態(tài)監(jiān)測、故障診斷、故障預測等技術將設備故障消滅在萌芽狀態(tài)，成為未來變壓器運維保障的發(fā)展方向。因此，開展電力變壓器故障預測和健康管理技術研究，對于實現設備從傳統(tǒng)的定期維修轉向預測維修進而保障設備的健康運行具有重要意義。

由于傳感、通信及計算控制等新技術的發(fā)展，變壓器在線監(jiān)測技術如油中溶解氣體分析（dissolved gas analysis， DGA）［2］、局部放電監(jiān)測［3］、紅外熱像監(jiān)測［4］、油中糖醛監(jiān)測［5］等迅速發(fā)展，監(jiān)測數據量大并呈現高速、多源異構、低價值密度等工業(yè)大數據典型特點，為變壓器故障預測和健康管理（prognostics and health management， PHM）提供了重要數據支撐。然而，目前變壓器PHM技術尚處于理論研究階段［6-8］：一方面狀態(tài)監(jiān)測、故障診斷、故障預測等變壓器PHM各階段研究成果比較分散，缺乏有效的技術體系和平臺對其進行集成和性能提升，導致PHM技術難以落地實施；另一方面相比于PHM技術高目標、高標準的要求，目前各階段研究成果尚存在一定差距，難以滿足實際運維需求，如變壓器故障預測和剩余使用壽命（remaining useful life， RUL）預測方面研究較少，導致預測精度遠未達到實際運維要求標準等。

數字孿生（digital twin， DT）技術為推動電力變壓器PHM技術進一步發(fā)展和落地實施提供了新的思路和途徑。DT的概念最早是由美國密歇根大學教授Michael Grieves提出［9］，是針對物理實體，通過數字化手段（如激光點云等）構建一個與其完全等價的數字體，借此來實現對物理實體的了解、分析和優(yōu)化。早期主要被美國航空航天局和美國空軍研究實驗室應用于飛行系統(tǒng)的故障診斷和健康管理方面［10-13］，近幾年逐漸被推廣開來，開始應用于電力系統(tǒng)等工業(yè)領域［14-28］。電力變壓器的數字孿生技術研究尚處于起步階段：文獻［29］對面向輸變電設備狀態(tài)評估的數字孿生技術應用現狀進行了分析，闡述了包括狀態(tài)感知、數據治理、模型構建和應用在內的數字孿生技術具體應用，并對其未來發(fā)展趨勢進行了展望；文獻［30］構建了換流變壓器閥側套管數字孿生模型，并基于該模型確定了換流變閥側套管內部缺陷下的熱分布特性；文獻［31］聚焦數字孿生在變電設備運維領域的應用，通過案例介紹數字孿生在變電設備運維工作中的實際應用，并對其面臨的主要問題和應用前景進行了探討等。

雖然DT技術在電力系統(tǒng)及電力設備方面的應用取得了初步性成果，但總體尚處于起步階段，實例化應用研究相對薄弱。鑒于此，本文聚焦數字孿生技術在變壓器PHM方面的應用，闡明了變壓器PHM采用數字孿生技術的必要性，在原有變壓器PHM技術體系基礎上，系統(tǒng)分析其與DT技術的關聯和不同，進而構建面向電力變壓器PHM的數字孿生技術框架，對其中涉及的各項關鍵技術進行闡述，重點圍繞面向電力變壓器PHM的DT技術內涵、框架、關鍵技術及面臨的挑戰(zhàn)等進行分析，并對其未來發(fā)展趨勢進行展望。

1 電力變壓器PHM

面向工業(yè)系統(tǒng)/設備的PHM可定義為一種預防系統(tǒng)/設備故障發(fā)生并對其運行可靠性和RUL進行預測的工業(yè)過程［32］，包含故障預測和健康管理兩方面內容。故障預測又包含對系統(tǒng)/設備未來運行健康狀態(tài)的預測和RUL的預測，健康管理則是指基于預測信息，結合可利用資源等對系統(tǒng)/設備維修活動進行有效決策。PHM從某種意義上實現了一種維護方式的轉變，即從傳統(tǒng)的基于傳感器的診斷轉向基于智能系統(tǒng)的預測，為在準確的時間對準確的部位進行準確的維修（簡稱“3R”維修）提供技術支撐［33］。

相比于普適的工業(yè)PHM，電力變壓器PHM包含了更多層次內容：數據采集、數據質量管理、數據分析及特征提取、狀態(tài)檢測、故障診斷、故障預測和維修決策，基本流程如圖1所示。利用多種傳感裝置對電力變壓器運行數據進行采集，然后對數據進行質量管理和分析，提取數據特征，并在此基礎上對變壓器進行故障檢測、診斷和預測，給出變壓器運行狀態(tài)、故障類別位置、故障演化預測等信息，最后基于故障信息進行維修決策、制定維修計劃等。各層次內容具體描述如下。

圖1 電力變壓器PHM流程圖Fig.1 Power transformer PHM flow chart

1）數據采集，指利用傳感裝置等手段獲取能夠反映電力變壓器運行狀況的監(jiān)測數據，如通過溫度傳感器采集的繞組溫度變化數據［34-35］、利用聲紋傳感器采集的變壓器振動信號［36-37］、利用超聲傳感器采集的局放超聲波信號［38］等，為變壓器PHM提供數據支持。

2）數據質量管理，包括數據質量評估和數據清洗兩方面內容。數據質量評估主要是對數據合規(guī)、缺失、壞數據占比、一致性等情況進行評估并設計相應的量化指標；數據清洗則主要解決缺失數據填充、壞數據替換、不合規(guī)及不一致數據修正的問題，為后續(xù)數據分析提供保障。

3）數據分析及特征提取，指利用統(tǒng)計分析、機器學習等理論工具對數據進行信息挖掘的過程，提取數據的抽象特征，為后續(xù)故障分析提供支持。目前，常用的數據分析及特征提取方法大致可以劃分為傳統(tǒng)方法和智能方法兩類。傳統(tǒng)方法如統(tǒng)計分析［34，39］、小波分析［40］、經驗模態(tài)分解（empirical mode decomposition，EMD）［41］等，通常適用于某類或某幾類故障特征的提取，但不足以挖掘出所有故障類型的特征；智能方法通過構建學習器對變壓器多傳感融合數據特征進行自動學習，智能方法是近年來研究的熱點，如文獻［42-44］將隨機矩陣理論（random matric theory，RMT）、深度神經網絡（deep neural network，DNN）等智能算法應用于變壓器多傳感數據分析及特征提取，取得了不錯的效果。

4）狀態(tài)檢測，對電力變壓器運行狀態(tài)進行評估，并對評估結果進行分類（如正常、注意、異常、嚴重等狀態(tài)），為運維人員是否決定對變壓器進行故障診斷提供依據。早期的電力變壓器狀態(tài)監(jiān)測方法通常在狀態(tài)量選取方面較為單一，如僅選取DGA數據作為評估信息，導致狀態(tài)評估結果的準確性難以滿足變壓器實際運維需求，隨著監(jiān)測手段的增多和研究的不斷深入，基于更加完備監(jiān)測信息的狀態(tài)評估體系逐漸形成［7］。目前，常見的變壓器狀態(tài)檢測方法包括模糊理論、支持向量機（support vector machine，SVM）、人工神經網絡（artificial neural network，ANN）、貝葉斯網絡（bayesian network，BN）、相關性分析等［44-49］。

5）故障診斷，指根據故障前的征兆信息，確定故障的性質、程度和部位。電力變壓器按故障性質可劃分為機械、電和熱3種類型，而機械故障發(fā)生時通常又會以電或熱的形式表現出來，因此整體可以劃分為電性和熱性故障兩類。長期以來，行業(yè)內采用《變壓器油中溶解氣體分析和判斷導則》［50］中的特征氣體判別法和基于特征氣體濃度的三比值法對變壓器進行故障診斷［51-53］，但在多類型故障診斷時易出現比值邊界過于絕對、缺編碼等情況［54-55］。隨著人工智能等技術的發(fā)展，近年來越來越多的智能故障診斷方法被研究，如 ANN［56-57］、BN［58-59］、SVM［60-65］、相關向量機（RVM）［66-67］、極限學習機（ELM）［68-69］、DNN［70-73］等。

6）故障預測，包含對變壓器未來健康狀態(tài)預測及RUL預測，并將預測結果與置信區(qū)間關聯，為變壓器預測性維護提供支持。未來健康狀態(tài)預測方面主要采用統(tǒng)計學和人工智能方法，通過建立狀態(tài)監(jiān)測數據與未來時刻狀態(tài)數據或指標隸屬度的函數映射關系實現故障預測，如灰色模型、SVM、長短期記憶（long short-term memory，LSTM）網絡等［74-82］；RUL預測方面，行業(yè)內多是依據電力設備老化程度的公式計算得到［83-85］，存在取值過于絕對、與實際值偏差大等缺點，近年來部分學者開始嘗試將神經網絡（如廣義回歸神經網絡，generalized recurrent neural network，GRNN）引入變壓器RUL預測，但研究成果還遠未達到RUL預測標準［86-88］。

7）維修決策，指根據變壓器狀態(tài)監(jiān)測、故障診斷和故障預測階段的結果。制定變壓器維修計劃，如基于狀態(tài)監(jiān)測階段對變壓器運行狀態(tài)的評估結果，選擇是否對變壓器作進一步故障診斷；同時優(yōu)化關鍵部件的修程修制維修策略，實現“3R”維修目標，提高設備運行的可靠性。

電力變壓器PHM為變壓器日常運維提供了相對完整的健康管理體系，旨在通過對變壓器各階段研究成果的有效集成提升其運維管理水平，減少設備維修維護費用的同時提升其運行可靠性。但當前電力變壓器PHM的研究仍處于起步階段，尤其在體系的建設實施方面面臨諸多挑戰(zhàn)，如狀態(tài)監(jiān)測、故障診斷、故障預測等研究相對獨立分散，所利用的傳感數據類型、數據質量管理方法及數據分析方法等不同，各階段研究成果孤立，難以進行有效集成；各階段雖取得了一定的研究成果，但相比于PHM的高目標、高精準標準仍有較大差距，尤其是故障預測方面遠未達到標準；變壓器PHM管理落地實施方面缺少有效的技術體系和平臺支持。

2 面向電力變壓器PHM的DT技術體系

電力變壓器的數字孿生可以理解為基于對變壓器多傳感數據集成，通過構建物理機理和數據驅動模型，在信息化平臺實現對變壓器物理實體的數字化模擬（數字孿生體），且該模擬體基于實時傳輸的傳感數據能夠隨著物理實體的變化而作出相應的改變。典型的電力變壓器DT模型主要包括3部分：真實空間的變壓器物理實體、虛擬空間的數字孿生體及二者之間通過數據/信息建立的連接，如圖2所示。在物理側，變壓器實體通過部署多傳感裝置等實現運行監(jiān)測數據的采集，并將數據實時傳輸至數字等價體；在虛擬側，數字孿生體借助物理機理和數據驅動模型通過數據分析實現對實體的多層次實時態(tài)勢感知和超實時虛擬推演等，并將可靠的信息/操作反饋至物理實體，為變壓器的運維管理提供決策支持。

圖2 電力變壓器DT模型Fig.2 Power transformer DT model

從電力變壓器數字孿生的概念可以看出，它涵蓋了變壓器設計、制造、運維等全壽命周期的各個階段，通過在信息化平臺構建物理實體的數字孿生體，使得各階段的管理變得更加智能高效。運維階段，數字孿生技術加強了對變壓器各物理部件運行參數的監(jiān)測和集成，通過將物理機理模型和數據驅動模型相融合，可以更全面地對變壓器運行狀態(tài)進行監(jiān)測、對變壓器早期故障性質和部位進行判別以及對變壓器未來運行健康狀況和部件退化程度進行預測，使得變壓器運維管理功能更加完備、分析更為準確、計算更加高效，在降低變壓器運維成本的同時提升其運行可靠性，是變壓器PHM演變的重要方向。

圖3給出了面向電力變壓器PHM的數字孿生技術體系，它包含了數據管理層、建模計算層、孿生功能層和運維決策層。數據管理層是整個框架的基礎和保障，為上層建模計算提供數據支持；建模計算層是整個框架的核心，在獲取下層數據后利用機理模型和數據驅動的方法對變壓器進行多物理、多尺度建模；孿生功能層則是面向變壓器PHM需求提供相應的功能，如狀態(tài)檢測、故障診斷、故障預測等；運維決策層主要是基于孿生功能層反饋的設備運行信息進行決策支持和應用的過程。各層之間緊密關聯，每一層的實現均建立在前面各層的基礎上，同時又是前面各層的進一步拓展，最終實現基于數字孿生技術的電力變壓器PHM。

圖3 電力變壓器PHM數字孿生技術體系Fig.3 Digital twin technology system of power transformer PHM

2.1 數據管理層

數據管理層主要包括變壓器狀態(tài)數據采集、數據實時傳輸及數據存儲和質量管理，涵蓋了電力變壓器PHM體系中的1、2層次內容，更加注重對變壓器多源異構數據的感知及融合。分布式光纖溫度傳感、分布式光纖應變傳感、近聲場聲紋監(jiān)測等先進傳感技術提供了更為全面、準確的變壓器實時運行狀態(tài)感知數據。同時結合變壓器工藝制造數據、歷史檢修數據、離線實驗數據、孿生體模擬數據等，這些來自變壓器多物理部件的在線和離線數據包含了時間序列、圖像、文本等不同格式，呈現出典型的多源異構特性，構成了變壓器PHM數字孿生技術體系的數據基礎。數據傳輸方面，運行光纖、5G等高速通信技術確保了海量多源異構數據傳輸的實時性，為變壓器物理實體與孿生體之間數據及信息交互提供了保障。分布式存儲和流數據處理技術為數據存儲及質量管理（預處理）提供了技術支持，數據質量管理主要包括數據質量評估和數據清洗，其中數據質量評估重點從數據完整性、有效性、準確性和一致性4個方面進行評估，數據清洗則重點解決變壓器缺失數據填充、壞數據替換、不合規(guī)數據及不一致數據修正的問題，如利用矩陣恢復技術實現缺失數據填充，數據質量管理方法如圖4所示。

圖4 變壓器數據質量管理方法Fig.4 Transformer data quality management method

2.2 建模計算層

建模計算層主要分為建模和計算兩部分，涵蓋了電力變壓器PHM體系中的第3層次內容，更加注重數理模型與數據驅動模型的融合，是整個數字孿生技術體系的核心。數理模型主要是基于變壓器多物理部件運行機理，通過數字化建模構建相應數學方程模型，如變壓器繞組多導體傳輸線模型、變壓器端部絕緣電場仿真模型、變壓器繞組溫升數學模型等；數據驅動模型則主要是基于變壓器運行監(jiān)測數據等，利用高維統(tǒng)計、新一代人工智能、大數據分析等技術，構建相應數據分析模型，如基于DGA的氣體預測神經網絡模型、局部放電脈沖信號生成對抗網絡模型、多物理場深度學習模型等。建模部分主要基于數理模型和數據驅動模型相融合的方法在虛擬空間對變壓器進行多物理、多尺度建模，從不同層次解析傳感器數據實現對變壓器實體狀態(tài)的表征和建模。具體實現時，一方面基于數理模型構建變壓器物理模型本體，并基于狀態(tài)感知數據建立知識推演規(guī)則，將感知數據與動態(tài)屬性建立映射關系；另一方面則是構建變壓器物理實體的三維數字模型，利用SolidWorks等軟件建立其幾何模型，實現對變壓器真實的刻畫和描述，為孿生功能層提供可視化平臺支撐。

計算部分包括邊緣計算和云計算，協(xié)同完成建模過程中的計算任務，其中邊緣計算是在終端上完成簡單的建模計算任務，如變壓器運行異常數據剔除規(guī)則模型，減少了網絡鏈路中傳輸的數據量，云計算則是為復雜的建模計算任務提供平臺支持，如故障診斷深度神經網絡模型的訓練任務等。

2.3 孿生功能層

孿生功能層主要包括狀態(tài)監(jiān)測、故障診斷、狀態(tài)預測和壽命預測等功能，涵蓋了電力變壓器PHM體系中的4、5、6層次內容，通過建模計算層提供的強大模型/算法接口，孿生功能層根據電力變壓器PHM功能需求進行定制，一方面更為全面、精準地實現某一功能，另一方面實現多種功能的有序集成，提升變壓器PHM水平。例如，變壓器狀態(tài)監(jiān)測數字孿生的目的是基于設備實時感知狀態(tài)量判斷其運行狀態(tài)是否正常，通過對設備多個狀態(tài)量融合建立隨機矩陣模型獲得表征其運行穩(wěn)定性的線性特征值統(tǒng)計量，并結合聚類等方法實現設備實時運行狀態(tài)監(jiān)測；變壓器故障診斷數字孿生的目的是針對運行狀態(tài)判別為異常的設備作進一步故障判別，通過利用孿生體模擬產生的設備不同類型故障樣本數據支撐故障診斷神經網絡模型訓練，并基于實時狀態(tài)量實現故障判別；變壓器狀態(tài)預測數字孿生的目的是基于設備實時感知狀態(tài)量對其未來運行狀態(tài)進行評估，通過構建狀態(tài)預測神經網絡模型對設備運行狀態(tài)量進行預測，并在此基礎上結合孿生體實現設備運行狀態(tài)不同尺度模擬推演等。

在對單臺變壓器實現PHM的基礎上，進一步實現基于多臺變壓器的群體協(xié)同運維，如圖5所示，通過協(xié)調多臺變壓器的運行情況降低群體維護成本的同時提升其運行可靠性。例如，基于多臺變壓器數字孿生模型獲得油中溶解氣體體積分數及產氣率的閾值，通過將實時獲取的變壓器監(jiān)測數據與該閾值進行交互對比，便可得到變壓器的差異化評估結果。

圖5 多臺變壓器協(xié)同運維DT技術Fig.5 Cooperative operation and maintenance DT technology of multiple transformers

2.4 運維決策層

運維決策層主要包括運行優(yōu)化和維修指導兩部分內容，將虛擬空間孿生體上經反復推演得到的可靠決策信息反饋至物理實體，形成閉環(huán)反饋，涵蓋了電力變壓器PHM體系中的第7層次內容，更加強調決策信息的可靠性，基于數字孿生的變壓器運維決策路線如圖6所示。運行優(yōu)化方面，基于孿生功能層變壓器單體及群體的運行狀態(tài)評估和預測結果，對變壓器運行方式、負載率等運行參數進行優(yōu)化，在保證供電可靠性的同時降低變壓器的損耗；維修指導方面，基于孿生功能層變壓器故障診斷及預測結果，一方面制定合理的維修計劃，另一方面制定并優(yōu)化關鍵部件的維修策略，保證檢修的及時性、可靠性和經濟性等。

圖6 基于數字孿生的變壓器運維決策路線Fig.6 Transformer operation and maintenance decision-making route based on digital twin

綜上所述，面向電力變壓器PHM的數字孿生技術加強了對變壓器運行數據的監(jiān)測和采集，并對數據進行有效存儲和質量管理，通過構建機理模型和數據驅動模型對數據進行不同層次解析，實現對變壓器的多物理、多尺度建模和計算，進而更為全面、準確地對變壓器進行狀態(tài)監(jiān)測、故障診斷、故障預測等，同時通過構建虛擬空間對各孿生功能進行有序集成和多變壓器協(xié)同運維，有效提升變壓器PHM水平。

3 面向電力變壓器PHM的DT關鍵技術及挑戰(zhàn)

3.1 關鍵技術

3.1.1 變壓器物理實體數字化

變壓器物理實體數字化是指利用數字化手段（如激光點云［88］、CAD、SolidWorks［89］等）對變壓器進行精細化3D建模，作為數字孿生體的基礎，利用SolidWorks構建的變壓器3D模型如圖7所示。通過構建變壓器的3D數字化模型，一方面可以為運維人員提供良好的視覺體驗，直觀地獲取孿生功能層提供的變壓器運行狀態(tài)、故障類別、位置等信息，獲得運維決策方面的信息支持；另一方面能夠實現對變壓器物理實體的完全復現，借助數理模型、數據分析等技術實現現實物理實體由于環(huán)境復雜等因素導致不可測物理量的軟測量，加深運維人員對物理實體屬性和特征的理解進而優(yōu)化和改進各孿生功能及運維決策等。

圖7 基于SolidWorks構建的變壓器3D模型Fig.7 Transformer 3D model based on SolidWorks

3.1.2 變壓器狀態(tài)監(jiān)測數據采集和管理

變壓器狀態(tài)監(jiān)測數據采集是指利用先進的傳感裝置對能夠反映變壓器運行狀態(tài)的數據進行采集。分布式光纖溫度傳感器、應變傳感器、氫氣傳感器、局放超聲傳感器、近聲場聲紋傳感器等多種類型傳感器在變壓器的合理部署和傳感網絡的安全構建極為重要，采集的溫度、壓力、氫氣濃度等狀態(tài)量應以精準復現變壓器運行狀態(tài)為最優(yōu)，同時利用光纖、5G等通信技術將狀態(tài)量安全、實時傳輸至數字孿生體也至關重要，以實現孿生體對物理實體的實時和超現實映射。實時映射主要指孿生體與物理實體實時運行的一致性，基于孿生體可以獲取物理實體實時運行信息，如物理監(jiān)測點實時量測數據；超現實映射則是指基于孿生體可以獲取超出物理本體的對其更深刻認知，如變壓器現實難以測量點的軟測量、變壓器實時運行狀況、未來發(fā)展趨勢等。目前，數據采集方面的挑戰(zhàn)主要在于傳感裝置的精度和可靠性受當前技術發(fā)展水平的限制，數據傳輸的實時性和安全性在實際應用時也應予以重視。

狀態(tài)監(jiān)測數據管理主要指數據的存儲管理和質量管理。HDFS、Ceph、Swift等開源分布式存儲技術為海量異構狀態(tài)監(jiān)測數據的安全、實時存儲和訪問提供了技術支持，使變壓器數據分析和展示具備更充分的信息。數據質量管理的目的在于通過統(tǒng)計分析、規(guī)則評判、矩陣恢復等方法對數據合規(guī)、缺失、一致性等進行評估及修正來提升數據質量，確保后續(xù)數據處理和信息挖掘的可靠性，進而獲取更多潛在有價值的信息，加深對變壓器機理和數據特性的認知，最終實現數字孿生的實時和超實時屬性。目前，狀態(tài)監(jiān)測數據存儲和質量管理依托于服務器的分布式存儲，在進行分布式存儲系統(tǒng)集成時，需考慮底層硬件的兼容性，同時優(yōu)化分布式存儲架構和檢索方法確保數據訪問的安全、實時性也至關重要。

3.1.3 機理模型與數據驅動模型相融合

變壓器機理模型是指基于對變壓器運行機理分析和仿真實驗構建的數理模型來實現對其認知，如變壓器繞組多導體傳輸線模型、變壓器端部絕緣電場仿真模型、變壓器繞組溫升模型等。考慮到變壓器機理結構及運行工況的復雜性，通常難以建立精確的機理模型，單純基于機理模型的分析結果往往不夠精確，因此基于海量異構歷史及實時狀態(tài)監(jiān)測數據構建數據驅動模型對機理模型進行修正和補充十分必要。變壓器數據驅動模型是指通過直接挖掘變壓器狀態(tài)監(jiān)測數據而非將數據作為預設模型的輸入來實現對其認知，其建模分析獨立于變壓器物理過程，利用數據和數據挖掘工具即可實現，如利用人工智能方法構建的變壓器油中溶解氣體預測模型、利用深度學習建立的變壓器電磁、流體、溫度和應力的多物理場模型等。

通過將變壓器機理模型和數據驅動模型進行融合，結合變壓器的實時運行狀態(tài)監(jiān)測數據，通常能夠得到更精確的分析結果。在機理模型與數據驅動模型融合方面，目前主要有兩種思路：一種是以物理機理模型為基礎，基于實時狀態(tài)測量數據，利用數據驅動方法對模型參數進行辨識和不斷修正，反復循環(huán)，使得孿生體無限逼近于物理實體，如圖8（a）所示；另一種是機理模型和數據驅動模型并行使用，通過對兩者的分析結果進行融合得到最終結果，提升模型的精準度，如圖8（b）所示。以上兩種融合思路相對簡單，缺少對變壓器復雜機理和狀態(tài)監(jiān)測數據特性的更深刻認識，如何實現二者在原理層面更深刻的融合是迫切需要解決的問題。

圖8 機理模型與數據驅動模型典型融合方式Fig.8 Typical fusion method of mechanism model and datadriven model

以變壓器放電故障類型診斷和變壓器繞組溫升預測模型為例，如圖9所示。本文嘗試給出機理和數據驅動模型融合的兩種新模式：1）基于數字孿生機理模型模擬產生足量不同類型放電樣本數據，徹底解決數據樣本不平衡（小樣本）的問題，以支撐數據驅動模型的訓練，進而利用訓練好的數據驅動模型實現不同類型故障診斷，如圖10（a）所示；2）基于變壓器繞組溫度實時光纖傳感數據對所構建的溫度預測數據驅動模型進行訓練，并將數據驅動模型輸出接入到孿生機理模型進行數值仿真，實現設備運行趨勢預測及推演，如圖10（b）所示。

圖9 變壓器放電及繞組溫升模型Fig.9 Discharge and winding temperature rising model of transformer

圖10 機理模型與數據驅動模型新融合模式Fig.10 New fusion mode of mechanism model and data-driven model

3.1.4 高性能計算

變壓器實體與數字孿生體之間的實時交互及功能實現很大程度上依賴于虛擬空間的高性能計算平臺、云邊協(xié)同計算框架和分布式云服務器等為高性能計算提供基礎保障，并在此基礎上主要從硬件和軟件兩個方面進行優(yōu)化。硬件方面，利用GPU、FPGA等高性能計算芯片構建加速計算體系可以進一步提高任務的執(zhí)行速度；軟件方面，通過優(yōu)化數據結構、數據分析算法、數據計算框架等提升數據計算效率，進而滿足系統(tǒng)的實時性分析和計算需求。除此之外，減小數據網絡傳輸的時間延遲也十分重要。目前，將高維統(tǒng)計理論、深度學習等大數據分析算法與高性能計算芯片進行集成為滿足變壓器數字孿生實時性計算需求可以考慮的一個方向。

3.1.5 多物理多尺度建模

針對電力變壓器PHM的狀態(tài)監(jiān)測、故障診斷、故障預測等孿生功能需求，基于某一個或幾個方面因素的單一分析模型通常難以達到實際運維需求標準，因此需要對變壓器進行多物理層級建模并將各模型深度融合為綜合的模型，確保分析結果的可靠性和可用性。多物理建模是指對變壓器本體、套管、分接開關、冷卻系統(tǒng)等多物理部件進行不同層級建模，如針對變壓器本體及套管開展性能、缺陷和指標層級的建模，以幫助運維人員結合分析結果制定更為詳盡的維修策略。多物理建模的難點在于不同特性模型的深度融合能力不夠且可解釋性較弱，同時對傳感裝置的精度有較高要求，以保證模型實時更新。

多尺度建模是指針對變壓器PHM功能構建不同時間尺度的模型并進行連接，以滿足數字孿生系統(tǒng)回放、超實時推演等功能需求，如針對變壓器運行狀態(tài)預測，構建基于LSTM的不同時間尺度的預測模型，通過將各模型連接可以更好地掌握變壓器未來運行狀況。多尺度建模的難點在于模型的精準度難以控制，通常需要依賴大量數據對模型參數進行不斷更新，使得構建的數字孿生體更加精準。

3.2 面臨挑戰(zhàn)

3.2.1 多物理部件數字化水平低

電力變壓器設計制造領域從整體上看仍處于傳統(tǒng)行業(yè)模式，其底層的物理部件數字化水平偏低，尤其是投運時間比較久的變壓器這種現象更為嚴重，導致構建變壓器數字孿生體數理模型難以精準建立，成為制約數字孿生技術實現的重要因素。要打破這一約束，一方面對于已投運變壓器通過利用激光點云、計算機輔助設計軟件（CAD）等數字化手段提升其數化水平，另一方面應加強數字孿生技術在變壓器設計制造領域的應用，在設計制造物理實體的同時構建其數字孿生模型，并制定相應的行業(yè)統(tǒng)一規(guī)范標準。

3.2.2 數據質量差、價值密度低

多源異構監(jiān)測數據可以更全面地反映變壓器的運行特性，如油中溶解氣體濃度、繞組溫度、箱體振動等，但受監(jiān)測裝置質量差、監(jiān)測環(huán)境復雜、數據存儲形式多樣等因素影響，數據質量參差不齊，表現在數據可靠性差（如不能精確反映變壓器運行狀況）、壞數據占比高、數據以人工記錄文檔形式存儲等方面，加之監(jiān)測數據海量且價值密度偏低（如故障樣本少），為后續(xù)數據分析帶來極大挑戰(zhàn)，成為制約面向電力變壓器PHM數字孿生技術發(fā)展的一項重要因素。要解決這一問題，一方面應加強微型化、低功耗、高可靠性智能傳感裝置的研發(fā)和應用，提升監(jiān)測數據的質量和可靠性；另一方面則應加強海量低價值密度數據分析方法研究，尤其是不平衡樣本和小樣本數據學習算法的研究，提升算法模型的可解釋性和可用性。

3.2.3 模型深度融合水平不足

機理模型與數據驅動模型相融合是面向電力變壓器PHM數字孿生技術的重要特征，通過二者之間優(yōu)勢互補可以有效提升分析結果的精確性。然而，目前兩者在融合方面普遍采用利用數據驅動模型對機理模型進行參數辨識或并行使用進行決策融合的研究思路，融合深度不夠，缺少對變壓器運行機理和監(jiān)測數據統(tǒng)計特性的認知。為提升數字孿生系統(tǒng)分析決策的精確性，應加深機理模型與數據驅動模型二者在原理層面的進一步融合與互補研究，如3.1節(jié)中提出的機理模型與數據驅動模型融合的兩種新模式研究，此外通過研究新的理論和方法（如概率圖）實現二者在知識網絡層面的融合也變得十分重要。

3.2.4 軟件專業(yè)化水平低

目前針對電力變壓器PHM中的狀態(tài)監(jiān)測、故障診斷、故障預測等研究相對分散，它們采用的數據類型、分析方法、建模層次等各不相同，研究成果相對孤立且軟件專業(yè)化水平較低，軟件功能通常比較單一且可擴展性差，使得短期內構建面向電力變壓器PHM各階段的數字孿生技術體系和信息化平臺面臨著一定的挑戰(zhàn)。為解決這一問題，須進一步探索數字孿生系統(tǒng)的實用化研究，加強融合多源異構數據的數字孿生數據庫建設，構建以PC端、移動端為載體的數字孿生軟件體系架構，通過提供圖表分析、算法模型在線訓練、數化模型管理等功能實現對系統(tǒng)狀態(tài)監(jiān)測、故障診斷、故障預測等應用支撐。

4 結語

隨著高精度傳感、大數據分析、高性能計算等技術的迅速發(fā)展，數字孿生技術由復雜設備設計制造階段逐漸推廣到運維階段，在降低設備運維成本、提升設備運行可靠性、提高設備管理水平等方面展現出了較好的前景，成為電力變壓器PHM演變的重要方向。本文聚焦于電力變壓器PHM數字孿生技術，構建了面向變壓器PHM的數字孿生技術框架并對其中涉及的關鍵技術進行了詳細闡述，重點圍繞面向變壓器PHM的數字孿生技術內涵、關鍵技術及面臨的挑戰(zhàn)等進行了探討分析，并對其未來發(fā)展趨勢進行了展望。