数字孪生变电站框架设计与关键技术研究

张 冀，马 也，张荣华*，朵春红

(1.华北电力大学 计算机系，河北 保定 071003；2.复杂能源系统智能计算教育部工程研究中心，河北 保定 071003；3.河北省能源电力知识计算重点实验室, 河北 保定 071003)

随着全球能源互联网和智能电网快速推进，数字化体系将具备量测感知、分析计算和反馈控制等数字孪生功能特征，数字孪生将成为能源互联网的核心驱动和关键支撑[1]。2020年中国提出“数字孪生计划”，电网作为代表性的资产类应用场景，近几年不断引入数字孪生技术，但取得的效果并不理想，人依然作为主要角色来进行生产和管理。为此，提出了“数字孪生电网”新概念体系。《数字孪生电网白皮书》中指出，“数字孪生电网”要实现数据驱动的全局、全生命周期电网数字孪生体，同时具备电网、环境、业务和人员四个基本要素[2]，以系统思维和生态理论来构建电力系统要素间的关系，推动源-网-荷-储[3]多要素间的相互联动、相互促进，实现从“源随荷动”到“源荷互动”的转变，保障运行安全，提升系统效率。

近年，电力行业与工业技术的迅速发展推动变压器、风力发电机等大型电力设备趋于复杂化、智能化[4]，极大增加了设备故障、性能退化发生的几率。变电站作为能源互联网多种能量传输、消费的重要环节，其拓扑结构动态变化，演变为结构复杂、设备繁多、技术庞杂的巨维系统，具有典型的非线性随机特征与多尺度动态特征，传统运维管理模式已经难以满足变电站规划设计、监测分析和运行优化的要求[5]。因此，电力设备运行状态的在线监测、故障诊断、退化与寿命预测等成为当下研究的热点[6]。同时，物联网技术与传感技术的发展使电力设备监测的数据量倍增，呈现出多源异构、复杂度高、信息量大等特点，对电力行业精细化管理提出了更高要求。

2003年密歇根大学Grieves教授[7]提出“数字孪生”，经过无数专家学者对数字孪生的系统研究，至今，已提出了各种应用场景下的数字孪生模型与技术框架，形成了比较完整的理论体系。同样，随着数字化技术的发展，传感器制作工艺的不断提升，以及深度学习、3维重建与动态渲染、云边协同等技术趋于成熟，已经形成了一套完善的数字孪生技术体系，进一步加速了数字孪生技术的理论研究与工程应用，将数字孪生应用于电力设备全生命周期的仿真、监控、优化和验证，成为未来输变电运维的发展方向。数字孪生技术在变电站生产与运维的各业务环节深度结合，将推动变电设备状态精准感知、故障智能分析、趋势精准预测、运维科学决策，开辟数字化智能变电站运维管理新模式。

为此，本文结合变电站运维现状与数字孪生变电站建设需求，总结设计了一套涵盖空间信息建模、变电主设备机理建模、智能反馈控制、设备感知网络、设备模型仿真以及3维可视化渲染与应用的变电站数字孪生框架。在此基础上对现阶段建设数字孪生变电站面临技术方面的难题进行了分析，并探讨了构建数字孪生变电站的关键技术。最后结合实际工程开发，给出一套数字孪生变电站系统设计，并且对其典型的应用场景进行探讨，为数字孪生变电站实际建设与应用提供理论与方法参考，为数字化电网发展提供基础指导。

1 数字孪生技术

数字孪生是一种以数字化方式建立物理实体的多维、多时空尺度、多学科、多物理量动态虚拟模型的过程，其通过建模仿真手段刻画物理实体在真实环境中的属性、行为、规则等[8]，具备数字驱动、闭环反馈、实时交互三大特点。

数字孪生应用的首要任务是创建应用对象的数字孪生模型，数字生态与物理生态之间虚实共生、互馈演绎，并融合人、机、物三元世界全生命周期实时数据，通过持续迭代优化、以虚控实，实现整个物理系统的最优化目标[9]。目前数字孪生模型多沿用Grieves教授等[7]最初定义的3维模型，即由现实世界中的物理实体、数字世界中的虚拟实体以及它们之间的联系组成。陶飞等[8]进而将3维模型扩展为5维模型，包括物体实体、虚拟模型、服务、融合数据以及它们之间的连接。

目前，数字孪生技术在能源电力行业的应用研究处于理论探索阶段，实际应用的数字孪生系统开发较少。有学者设计了数字孪生能源电力系统框架，对构建智能数字孪生电力系统所面临的关键问题和核心技术进行了探讨，并对数字孪生技术在电力系统中的应用前景进行展望[10-14]。其中，有重点从数字孪生智能电网运行控制角度出发，设计了一套集中在“源-荷-储”等分布式元件的多智能体协调控制架构[14]；也有基于特定场景搭建了光伏发电装置的数字孪生模型和基于数字孪生的风电场构建了运行模型[15]。

近几年，有部分省份或地区开展了电网数字孪生技术的试点应用，国网河北公司建设了雄安高铁数字孪生光伏电站、雄安数字孪生高压电缆系统以及雄安王家寨数字孪生微电网项目等，为数字孪生在电力行业的应用提供了理论与实践指导，推动了电网数字化转型。

2 数字孪生变电站模型

2.1 需求分析

变电站作为电力系统的核心要素，其稳定运行对保证电力系统的可靠性有重要意义[15]。当下，变电站运维过程存在诸多问题：

1）变电站人工巡检依赖于人员的专业知识与操作经验，借助第三方工具辅助分析也会带来不确定性的问题。定期检修的运维模式缺陷多，易造成过修或欠修，传统运维管理模式已经难以满足变电站规划设计、监测分析和运行优化的要求。

2）基于单独的感知参数判断，缺乏对设备运行参数之间的关联信息的考量，使得模型容易出现遗漏和误判[16]等情况。为促进变电站安全稳定运行，急需构建一套密集多参量感知网络，实现变电站全设备、全状态、全生命周期的精细化感知。

3）变电站在长期运行过程中积累了海量历史数据，对于这些数据的利用处于较低水平，缺乏有效的挖掘。数据中潜在的设备运行机理知识将有助于实现变电设备精细化诊断、故障提前预警，提升设备健康状态分析与评估准确度。

4）变电站内部环境复杂，生产过程中存在人员少、任务重、危险区域多、监管难度大等客观因素[17]，给变电站安全生产管理带来很大挑战。

亟需借助数字孪生技术，实现变电站从物理实体到虚拟空间的实时完整映射，通过对虚拟实体进行仿真、计算、分析决策等，对变电站生产运维各环节产生的海量数据进行高效管理与利用，对新型智慧变电站系统各环节生产要素及其交互过程进行全方位智能化管控，有助于发现潜在的故障与隐患。此技术可广泛应用于变电设备故障诊断、状态评级、状态预测维护等方面，以支撑变电设备全生命周期内各项活动决策[18]，推动变电站安全可靠与高效运行，实现对物理系统的反馈优化，赋能基于数据驱动的智慧变电站运维管理发展与效能提升，开辟数字化智能变电站运维管理新模式。

2.2 变电站数字孪生模型设计

基于对变电站运维现状以及建设数字孪生变电站需求分析，以数字孪生5维模型[8]为基础，设计了一套涵盖空间信息建模、变电主设备机理建模、智能反馈控制、设备感知网络、设备模型仿真以及3维可视化渲染与应用的数字孪生变电站模型框架，如图1所示。以数据来驱动业务的发展，提升变电站实时感知能力、运检业务质量管控能力、作业人员安全保障能力，支撑变电安全稳定运行和精益管理。

图1 数字孪生变电站总体架构Fig.1 Overall architecture of digital twin substation

2.2.1 物理实体

变电站物理实体由一二次变电设备、传感网络与智能控制系统构成。其中，基于多参量在线监测传感器构成的传感网络实现系统各环节的电气量、状态量、物理量、环境量、空间量、行为量的全面感知与采集，为数字孪生体构建提供实时、可靠的海量数据。

2.2.2 虚拟实体

1）孪生数据

变电站虚拟实体则是以孪生数据为核心，高效整合设备全生命周期运行数据、物理实体3维模型数据与设备机理仿真模型数据，专家先验知识数据等，同时支撑孪生体智能分析与应用。

2）孪生模型

数字孪生模型包含物理实体3维模型与设备机理仿真模型。其中，物理实体模型以绝对精度的3维实景数据为基准，对各信息源进行统一时空管理，构建语义信息丰富的3维模型数据；设备机理建模以变电站主设备运行数据、保护数据、状态监测数据为基础，构建能精准刻画设备运行原理的机理模型。

3）智能分析与应用

智能分析与应用是赋能变电站数字孪生体的关键，基于多参量数据构建变电站主设备的性能劣化、构建主设备的故障诊断、剩余寿命预估以及故障预测等仿真模型。

2.2.3 沉浸式体验与应用

基于3D技术进行实时3维可视化渲染，实现变电站设备的全状态量感知与管理可视化。主要有智能巡检、安全管控和远程专家指导以及交互控制等，通过大屏或VR、MR终端设备进行可视化展示，实现数字孪生远端与现场作业不同场景的协作共融。

3 数字孪生变电站面临的问题与挑战

3.1 感知设备研制面临的挑战

数字孪生变电站系统通过布设大量多参量传感器构成传感网络，实现变电站设备、环境状态全感知。受当前技术发展水平限制，现阶段变电站数据采集设备仍采用传统的工业采集装置，监测功能单一且智能化程度低，与数字孪生系统契合程度不高，不能全方位多维度反映设备运行状态，仅有少数变电站的传感设备可支撑数字孪生的无人巡视和智能自主运维。急需在感知理论与新材料方面进行研发突破，研制一套数字孪生变电站专业智能传感设备。关于新型智能传感器的研制需要改进以下几方面：

1）增强抗干扰能力。电力设备内外具有强电磁干扰，面对变电站高压带电的复杂环境，传感器需要具备抗干扰性强、可靠性高、轻量化等特点，确保感知数字的真实性与可靠性。

2）完善智慧功能。传感器需要在精度、集成度、智能化方面进行改进提高。数字孪生系统对实时性、可靠性有极高要求，因此传感器应能对变电设备的监控状态做出预判、预警等处理，且需具备数据处理、逻辑判断和设备异常数据记录的能力。同时，海量数据传输容易造网络拥塞，传感器还应具备数据压缩功能，从而节省带宽、提高系统实时性。

3）降低成本、科学部署。面对变电站内海量的传感器，如何科学有效部署、降低传感器冗余，避免数据重复传输造成网络拥塞也是亟需解决的技术难题。

4）实现自供能与低功耗。目前，电网的传感量测手段仍以“互感器+低压回路测控终端”为主，其复杂的安装流程与可靠供能要求限制了其自身的环境适应能力。需要加强微型传感技术、微型能量收集技术与低功耗技术等方面的理论研究[19]。

3.2 海量数据处理与计算面临的问题

大数据、深度学习、边缘计算、云计算以及人工智能等先进技术的使用可以将海量数据有效地转化为面向各具体应用场景的有价值信息。然而，现阶段针对数字孪生变电站的数据处理与计算面临以下问题：

1）海量多源异构数据具有长度不同、格式不同、所属时间尺度不同等特点，给数据的储存、共享与数据管理带来巨大挑战，需要对数据的存储结构与存取方式进行系统优化设计。

2）面对海量异构数据，以及孪生系统对数据计算实时性要求，如何统筹变电站内的计算资源，合理优化分配，为海量数据处理与计算提供充足算力支撑仍需进行深入研究。

3）现阶段对于变电站运行数据的利用处于较低水平，缺乏有效的挖掘。如何挖掘数据中的潜在规律信息，突破传统的电力数据模型和标准，实现数据的统一建模，提升系统智能化程度，实现变电站系统预测性维护是一大技术难点。

3.3 模型精度与可解释性

实现“预测性维护”是构建数字孪生变电站系统的重要目标，预测的准确性依赖于算法模型的精确度。现阶段机器学习、深度学习等人工智能算法模型在电力系统实际应用中取得了不错的效果，但存在算法不稳定、精确度不够等问题，多作为业务人员辅助手段参与变电站运维管理。

算法精度导致的决策失误给系统带来的风险是不可估计的。数字孪生变电站系统要实现的是整个系统的自反馈、自调节、自优化，使得系统具备“智慧”，减少系统人员要素参与，因此数字孪生变电站系统对算法模型的准确度、可靠性提出了更高的要求。

现有机器学习技术往往依赖于封闭环境假设，然而，现实学习任务面临的环境是开放的，例如：标记集合、特征空间、数据分布和学习目标等要素可能会随时间发生变化，使得已经训练好的模型不适应当前的改变。因而，如何使机器学习适应变电站开放环境也需要重点研究[20]。数据驱动的算法模型属于黑盒模型，不具备可解释性，若要打破传统变电站运检模式，需对算法模型可解释性、可靠性进行论证。

此外，变电站作为一个复杂系统，单纯依赖机理建模或数据驱动建模难满足孪生模型在实际应用中对于高精度的要求，如何有机融合机理建模与数据驱动建模方法各自的优势，提高模型精度与鲁棒性是亟待解决的问题。

3.4 “ 数据安全”与“数据孤岛”问题

基于数据驱动的数字孪生系统的最终目标是智能决策，通常需要强大的算力支撑。为解决计算所需的算力资源，采用分布式云边协同计算方式，而在这过程中需将计算任务与所需数据分配到指定计算节点，海量数据流动不仅给系统网络带宽带来沉重压力，也容易受到网络攻击、造成信息泄露等，使变电站正常生产活动受影响。变电站的数据安全问题关乎国计民生，研发有效的信息安全体系尤为重要。

在数据隐私保护的大背景下，当各数据持有者之间无数据共享时便形成了“数据孤岛”，现有的变电站自动化系统、辅助集中监控系统和统一视频系统，以及变压器油色谱、局部放电等在线监测系统等，是在变电站系统发展过程中堆砌式构建的，各系统之间相互独立，不具备数据信息共享、模型互通，缺乏统一规范标准，存在一定的数据壁垒。

“数据安全”与“数据孤岛”之间的矛盾使收集大量电力系统数据进行集中训练尤为困难。在现阶段打破数据壁垒，实现数据安全共享并不现实，所以亟需一种有效平衡数据安全与数据共享的桥梁，使参与者在满足隐私保护的前提下，能够进行大数据分析、模型训练。

3.5 变电站实景3维建模与虚拟实体动态更新面临的挑战

现阶段，对于大场景自动化3维建模技术已愈发成熟，但对于部件级别复杂的精细化建模，在自动化程度和模型修复准确度方面面临着巨大挑战，面向多元融合、空地融合等数据采集的新趋势，需考虑如何有效融合多源数据，提高3维模型逼真度。

同时，对于数字孪生系统实时性要求，需要考虑虚拟实体3维变电站模型的动态变化响应问题。海量的虚拟实体数据无疑增大了模型数据传输时间与实时渲染的难度，如何优化相关算法模型是数字孪生系统虚拟实体动态更新方面亟需解决的问题。

4 建设数字孪生变电站关键技术

4.1 传感技术

当前，传感技术作为电力设备状态数据监测的主要手段，各种新型专业电力设备传感器的研发与应用加快了电力系统的智能化建设。随着传感器的探测功能越来越精细化与多样化，传感器需要具备微型化与模块化的特点，同时，在变电站的建设过程中，对传感设备抗干扰性、灵敏度、轻量化、统一接口、传输速度等方面有更高的要求[21]。构建功能完备的数字孪生体，需要大量准确可靠的相关数据，数据的感知程度与可信度决定了数字孪生体最终的效果。为此，数字孪生变电站系统精准化全面感知技术的研究可以从微纳器件工艺、新型传感机理等方面入手[22]。采用微纳加工工艺可以使传感器达到微型化轻量化的目的。通过对新材料在特定环境下的传感机理的研究，设计研发更高精度的新型传感器设备，例如新型磁性材料、光声光谱、分布式光纤等。

随着传感器在变电站数字孪生系统中的大量使用，给海量数据实时传输带来巨大的挑战。压缩感知理论[23]是一种新型信号处理方法，该理论可以用低秩数据高概率重构出原始型号[24]，使所测量信号在数量上远远小于其他传统方式，极大地减轻了系统传输与存储压力，并且大大提高了采样信号的分辨率。当传感设备具备数据处理与压缩能力，将会极大地缓解数据传输给网络带宽带来的压力，提高系统数据传输的实时性，并且一定程度上可以解决传感器性能与成本之间的矛盾。

4.2 海量数据存储技术

变电站内环境与设备的全生命周期数据存储与管理是数字孪生变电站系统的重要支撑。数字孪生变电站系统中存在着大量的结构化与非结构化数据，贯穿在运行、维护、故障、失效、退役等全生命周期[25]的各个环节，运行监测数据可以为数据分析与展示提供完备的数据支撑，同时为数据挖掘提供丰富的样本信息，其中潜在信息可以加深对系统运行机理的认知，实现数字孪生体的超现实属性。

对变电站运行产生的海量的多源异构数据进行高效存储与管理是数字孪生系统亟待解决的问题。可以采用分布式云存储对海量数据进行管理，实现数据的高效稳定存储，其中分布式存储底层是由大量存储服务器与异构存储设备构成，而软件层可以采用Ceph、HDFS等分布式存储系统对设备与数据进行有效管理。表1列出了几种非结构化形式数据存储方式及其特点。

表1 几种非结构化形式数据存储方式及其特点Tab.1 Several unstructured data storage methods and their characteristics

此外，数字孪生系统对数据传输的实时性与安全性有极高的要求，为此需要对数据的分布式存储结构模型进行优化，提高数据读取性能，构建以安全私有云为核心的数据管理体系。

4.3 云、边协同计算

在数字孪生变电站系统中，海量数据处理与复杂算法模型训练依赖于其强大的算力，日益剧增的数据量给系统实时计算能力提出更高的要求。

云计算与边缘计算的发展为数字孪生系统的实现提供了技术支持。云计算集成了强大的硬件、软件、网络等服务器资源，采用分布式计算方式，通过虚拟化技术为用户提供各类计算服务。云计算通过对计算资源的弹性调度，提升了系统资源的利用率，从而节约了系统硬件成本。边缘计算是为了解决云端任务量爆炸造成网络堵塞问题而提出的一种新的分布式计算方式，其通过将云计算的各类计算资源配置给用户侧边缘，使计算可在边缘服务器、智能手机等终端设备上执行，资源的分配采用就近原则，达到节省网络带宽，降低服务时延的目的[30]。

云计算与边缘计算配合大数据分析、人工智能算法，为数字孪生变电站系统提供高效的数据处理与智能计算服务。通过边端进行轻量化算法模型的计算和数据处理服务，云端则提供大数据分析与深度学习训练等复杂计算。边缘节点收集区域传感数据，对数据进行处理整合并利用高速网络将处理后的数据运往云计算中心，极大地提升数据传输效率，既满足了变电站孪生系统对实时性的要求，也保证了模型训练与数据计算对系统算力需求。

为此，针对电网边缘侧多主体、多要素运行特征，发展云边、边边协同架构下的边缘智能推理与分布式运行控制方法，以及受限于边缘侧的存储运算资源，如何对有限的电网数据进行高效挖掘并支撑电网边缘侧的分布式就地控制是未来研究的关键[31]。

4.4 融合建模技术

变电站孪生体内核模型的构建是保证变电站安全稳定运行的关键。数字孪生体的认知、诊断、预测、决策等功能离不开大数据与人工智能技术作为支撑。在数字孪生系统中，借助人工智能算法，对变电设备实时感知数据进行计算，训练出满足不同需求场景的数字孪生体模型，为设备故障预测、诊断等任务提供支撑，使数字孪生体具备超现实功能。

在变电站历史运行数据中负样本数量比例失衡，使得基于数据驱动的深度学习模型预测结果往往很难达到理想目标。引入先验知识增强深度学习模型的鲁棒性与泛化性，是解决电力系统数据失衡的常用方法。变电站在长期的生产实践中积累了大量的机理模型、逻辑规则等，将机理知识、专家系统与数据驱动的深度学习方法相结合，可以降低深度学习模型训练对样本数量与质量的要求，增强模型的适应能力，同时，深度学习方法也可以对物理模型进行更新、修正和补充，从而达到融合互促的目的。

对于数据驱动与机理模型融合建模方法的研究主要体现在两方面：一是将深度学习算法应用于机理模型参数的学习与调整；二是依据对机理模型与深度学习模型的结果置信度进行加权来给出评估结果。上述两种结合方式多停留于表层，难以达到更深层次的融合。同时，变电站数字孪生既要体现个体要素的状态与行为，又要刻画系统层面的全局特征，兼具反映变电站空间结构和地理布局等客观属性，在数据融合与建模方面均存在极大的困难[10]，应将机理模型与传感采集的多源异构数据信息，以及知识图谱信息进行数据层面的有效融合作为目前融合建模方式的突破方向。

4.5 可信联邦学习

可信联邦学习是一种满足隐私保护和数据安全前提下的模型训练技术，可以使得数据所有者在本地进行模型训练，无需共享数据[32]。在可信联邦学习的应用中，每个节点在服务器下载需要训练的模型，利用本地数据完成模型训练，训练完成后将结果加密上传给第三方可信机构，由第三方可信机构聚合各节点的训练数据来更新模型参数，并依据节点贡献度返回更新后的模型。可信联邦学习的提出为解决数字孪生系统在模型训练与海量数据传输引发的数据安全问题提供了很好的解决办法。同时，可信联邦学习有助于解决能源电力行业因数据隐私要求所形成的“数据孤岛”问题，系统能够在满足模型训练要求的同时保证各部门数据可用不可见。

可信联邦学习可以更好地利用数据，在隐私保护、异构协作、提升模型性能、打破数据孤岛和全局优化等诸多方面具有优势，但也带来很多挑战。可信联邦学习本身存在较多的安全隐患，容易遭受投毒、对抗攻击与隐私攻击[33]。同时，可信联邦学习对网络通信质量要求较高，参数上传和下载速度不一致都会增大整个算法模型训练成本。另一个需要解决的问题就是联邦学习的异构性，除了不同设备之间的存储、CPU计算能力和网络传输方面的异构性外，还存在数据异构性问题[34]。可信联邦学习中，设备经常以非独立同分布的方式在网络中生成和收集数据，这使得针对独立同分布数据假设的优化算法对于联邦学习来说都是不适用的。为此，做好隐私安全、模型准确性和算法效率三者之间的平衡，提高模型可解释性、可监管性，构建可信联邦学习框架，是突破当前数字孪生系统“数据应用”瓶颈的关键。将可信联邦学习与数字孪生技术和分布式计算巧妙结合，解决能源电力各部门间的“数据孤岛”问题，是未来需要进行深入研究的问题。

4.6 可视化相关技术

数字孪生变电站可构建全站形态与数据可视化平台，利用3维可视化的手段将变电站的整体结构、设备分布情况进行立体化呈现，满足多样化展示需求，支持设备详情点击查看等操作。数字孪生变电站可视化框架如图2所示，包含了从数据采集到3维重建再到可视化渲染的流程与关键技术，涉及3维重建、点云语义分割、点云动态可视化技术和AR、VR等技术。

图2 数字孪生变电站可视化框架Fig.2 Digital twin substation visualization framework

4.6.1 实景3维重建技术

3维重建作为数字孪生中重要的一环，是数字孪生虚拟实体构建的关键技术[35]，其目的是恢复物体的几何结构和外观，重建物理实体3维模型。3维重建依据重建方式可分为传统方式和学习方式，传统方法如基于深度相机（RGBD）的3维重建和基于多视图图像的3维重建，此类方式借助图形学、计算机视觉等原理，通过测量计算恢复物体的3维信息；学习方式是将神经网络、机器学习等先进的人工智能算法和传统的图形学知识融合，从而减少对采集的数据集合规模的依赖。基于学习的重建方法有很多，例如基于单张图像的模型重建[36]，以及近两年以NeRF[37]为代表的可微渲染。在变电站场景3维重建过程中，由于变电站内环境复杂，基于学习方式的3维重建不能有效地学习，所以在数字孪生变电站建设中适用性不高，可作为辅助重建手段使用。

目前，对于大场景高精度数字高程模型的快速获取已有许多成熟的技术，比如基于立体卫星影像[38]、航空摄影测量或倾斜摄影测量[39]、机载激光扫描[40]等。倾斜摄影测量与机载激光扫描均是场景3维重建中常用的技术手段，但单一建模方式具有局限性，重建的变电站模型应用程度不高，在实际数字孪生变电站建设中通常需将二者融合进行建模，从而弥补各自缺陷，提高模型可用性。倾斜摄影可以弥补激光扫描技术中感受野上的不足，而激光扫描可以提高关键区域点云密度。

随着传感技术的发展，数据采集方式向融合的趋势发展。如RGB-D相机的兴起给数字孪生变电站虚拟实体的3维重建提供了新的方案，深度相机具有一个深度传感器，所采集的数据包括RGB图像和深度图像。基于深度相机和IUM惯性传感器的大规模、高精度实时3维场景重建方法，在大场景的3维重建中具有较好的鲁棒性和更高的精度[41]。多元融合、空地融合数据采集使得融合建模成为未来的发展趋势，这给实景3维重建带来诸多挑战，例如：如何将多元数据有效融合表示、构建2维和3维一体化平台，如何解决大场景数据的轻量化以及3维场景分析等问题。

4.6.2 点云语义分割

数字孪生变电站系统中，孪生设备只有被赋予组成结构、属性、部件间的关联关系及其动态变化规律等丰富的语义信息，才能具备分析与智能化操作，支撑变电站孪生体强大功能的实现。点云数据的表达性更强，更接近人类的视觉感官，特征更加准确，更适合作为3维场景理解的数据类型，点云语义分割作为点云数据处理和分析的基础技术，在很多领域中都有着广泛的应用，如自动驾驶[42]、电力线路检测[43]、3维重构[44]等。在数字孪生变电站系统的建设与运维过程中，变电站虚拟实体的3维建模、机器人巡检、站内设备与环境监控等，都依赖语义分割技术，语义分割技术的应用极大提高了系统的巡检效率与智能化程度。

对基于深度学习的原始点云语义分割模型的研究，学者们提出大量的语义分割网络。从2016年斯坦福大学Qi等[45]提出PointNet网络模型开始，无数专家学者投入到对点云直接处理的语义分割网络研究中，例如：Qi等[46]在PointNet网络的基础上进行扩展提出Pointnet++网络；Jiang等[47]在PointNet网络基础上引入PointSIFT模块，同时实现方向感知与尺度感知，以及用于3D点云实例分割的相似群建议网络SGPN[48]；Li等[49]提出的SO-Net网络。

上述基于原始点云的语义分割网络在点云分类和形状检索方面表现良好，在单物体点云的分类问题或小型室内场景的语义分割问题中取得了一定效果，但对变电站这类大规模大场景的点云语义分割问题并不适用。为此，针对大场景点云分割问题的轻量级网络也有新的研究，例如：2020年Hu等[50]提出的RandLA-Net网络，具备良好的分类与较高的计算存储效率。网络使用简单的随机采样方法来降低点云密度，极大地提高了网络速度，同时采用KD-Tree的存储结构提高点云检索效率。RandLA-Net网络设计使用了一个局部特征聚合模块，通过设置不同的感受野大小来有效学习复杂的局部空间结构。

尽管当下对于点云语义分割课题研究越来越多，但要将网络在大场景的语义分割方面进行实际应用还有很多问题亟待解决。为满足系统实时性要求，需要在点云语义分割网络的轻量化以及系统计算与存取结构方面做进一步设计。

4.6.3 AR、VR、MR技术

随着计算机视觉的发展，虚拟现实（VR）、增强现实（AR）、混合现实（MR）技术在各个领域有了广泛应用[51]。VR能够使用户体验脱离真实世界，在虚拟的空间与虚拟事物进行交互，从而迅速了解和学习变电系统设备的原理、构造、特性、变化趋势、健康状态等信息，并为系统的优化和创新提供灵感。AR技术能够将虚拟世界与物理世界叠加，使用户实现超越现实感官的体验，不拘泥于虚拟空间。混合现实可在增强现实的基础上构建虚拟与真实空间的交互方式，增强用户沉浸感。将VR、AR、MR技术应用于数字孪生变电站，拓宽了变电站数字孪生体的应用场景。

4.6.4 点云动态可视化技术

实时3维重建和可视化渲染是数字孪生中一个重要的研究领域。在数字孪生系统中，实体变电站场景动态变化需要在孪生体中更新呈现。实时3维重建与可视化渲染对于变电设备形变和站内环境的监测和评估不仅具有科学上的研究意义，而且有利于风险的控制和预测以及区域规划和发展。同时，将实时获取的3D数据在虚拟变电站模型中进行3维重建与可视化渲染有利于拓宽MR技术的应用场景，如图3所示，借助混合现实移动终端来指导现场巡检作业。

图3 基于混合现实（MR）专家远程指导现场检修Fig.3 Based on mixed reality (MR) experts remotely guide on-site maintenance

针对模型动态更新的研究是现在计算机视觉领域研究的热点之一，已有相关文献发表，例如：基于3维物体的动态变形物理模拟方法[52]、基于层次动态细节层次的确定性动态场景可视化方法[53]、新的傅里叶平面八叉树（FPO）技术[54]，适用于广泛的大型动态场景更新问题，解决有效的神经建模和在自由观看视频设置下捕获的动态场景的实时渲染问题。

但由于变电站内点云潜在的不受约束的拓扑变化和快速的帧到帧移动，使得变电站场景下的点云实时动态更新具有挑战性。同时，激光雷达、视频监控等数据采集设备精度的提高，也极大地增加了动态点云可视化计算复杂度，点云动态可视化框架需要向轻量级的方向发展，以满足更新的实时性与准确度要求。

5 数字孪生变电站应用

5.1 数字孪生变电站系统设计

结合第2节所设计的变电站数字孪生模型框架，设计了一套适应数字孪生变电站实际工程应用的系统结构，具体分为以下4层：物理设备层、感知层、中间件层、应用层。如图4所示。

图4 数字孪生变电站系统架构Fig.4 Digital twin substation system architecture

1）物理设备层包括一次变电设备，如变压器、GIS设备、断路器、电缆接头、隔离刀闸和补偿电容器等，以及二次辅助设备。

2）感知层则由多参量传感器、红外监控设备、巡检机器人、RGB图像监控、激光点云监控与环境监测等多类型数据监测设备构建的密集的感知系统，全面感知变电站的环境变化与设备运行状态，密集的监测感知网络为系统提供庞大的数据支撑。

数字孪生变电站感知层不只局限于单纯的信息采集，而是将设备状态全感知与运行智能化进行有机结合，具备保护、测量、控制、计量、监测等功能[19]。

3）中间件层包含数据与服务，孪生体数据是整个变电站系统的核心，是一切业务功能实现的基础。其中包括虚拟孪生体数据、数字孪生模型数据，以及变电站全生命周期的历史监测数据与变电站业务数据等。并借助于人工智能、3维建模、仿真建模、可视化渲染、知识图谱分析、3维网格遥感等先进技术，为数字孪生体提供强大的功能支撑。

4）应用层是整个数字孪生变电站系统的灵魂，其包含了各种孪生模型的仿真训练，是整个孪生系统功能实现的基础，支撑了设备性能状态监测、故障诊断与预警、变电站全感知可视化、运检全流程智控，数字化培训与推演等应用功能的实现。变电站运维人员可通过变电站数字孪生系统应用层功能，处理各种运行数据，精准感知设备运行状态，对设备全生命周期的运行数据高效管理与利用，为变电站系统运维提供科学有效的决策方案。

5.2 数字孪生变电站典型应用

5.2.1 设备状态实时监测

状态监测的目的是通过对设备的运行和状况数据进行实时监测，为设备故障诊断、性能评估和寿命预测模型的训练提供数据支持，更好地帮助运维人员制定相应的维修策略，节省维修成本[55]。全面感知变电设备状态是保障变电站安全运行、实现智能巡检的前提。数字孪生变电站系统通过传感监控网络实现变电站的全面感知，对环境、设备全生命周期数据追踪管理，形成数据闭环。

在数字孪生系统中，虚拟实体对物理实体的仿真度体现在“形”和“态”的一致性上。“形”是指物理实体与虚拟实体的位置、外形与内部结构的相像程度；“态”表现为物理实体与虚拟实体在功能行为与时空状态上保持一致。

1）数字孪生变电站系统通过布设激光点云、红外等监测设备，对物理变电站进行网格化，形成海量监测单元，实现对变电站内设备和环境状态的非接触式感知、智能判断、自主预警，实时将采集的变电站内环境和设备的形变与状态数据传输到计算中心，经过算法模型处理后在变电站孪生体虚拟模型中实时渲染更新，从而保证了实体变电站与变电站虚拟孪生体之间“形”的一致性。

2）在智能变电设备中嵌入状态监测传感器是当前获取设备状态信息的通用技术手段[56]。数字孪生变电站系统中，通过装配多参量的专业变电设备传感器，周期采集海量监测单元，给孪生体模型提供实时采集数据，从而保持“态”的一致性，这些信息包括设备自身运行数据和状态监测数据[57]。表2列出了部分不同类型主变电设备监测参量。

表2 部分主变电设备监测参量Tab.2 Monitoring parameters of some transformer main equipment

5.2.2 设备故障诊断与预测

变电站设备的故障检测是保证变电站安全稳定运行的重要措施[67]。数字孪生变电站系统借助其全面感知优势，结合多种方式，综合诊断设备故障情况，极大提高了故障判断精确度。设备故障诊断与预测具体流程如图5所示，涵盖设备故障定位、预警、诊断与算法模型参数更新4个模块。

图5 设备故障诊断与预测Fig.5 Equipment fault diagnosis and prediction

1）设备故障定位

在数字孪生变电站系统中，可利用红外热图像分析法检测变电设备故障位置情况。由电流效应引起的发热导致设备表面局部温度发生明显变化，通过站内红外热成像监测网络，采集变电站设备表面红外热图像，对图像进行图像增强、分割等一系列处理，最后通过故障识别算法确定设备故障位置信息。

2）故障提前预警

对单一热图像进行故障分析只能将设备故障简单划分为正常和故障两种状态，而设备故障的发生是一个设备性能逐渐退化的过程。数字孪生变电站通过加入热图像时序关系与空间分布特征，结合设备运行监控传感数据，刻画设备性能退化机制，从而达到故障提前预警等目的。如图6所示，将设备网格化，监测每个网格的温度变化趋势，判断隐患。

图6 网格化监测设备温度变化趋势Fig.6 Temperature trend of grid monitoring equipment

3）故障信息诊断

数字孪生系统通过对设备全生命周期数据进行学习，挖掘设备故障规律，生成故障诊断模型。利用深度学习技术与知识图谱方法对采集的多模态数据进行知识提取和融合，构建变电设备各故障类型的语义特征知识图谱，结合专家知识系统与设备运行机理提升设备故障智能诊断模型的准确率。

依据故障定位模型和预警模型判别的故障信息，宏观定位故障发生位置，再借助故障诊断模型对设备全生命周期实时监测数据进行计算分析，精确定位故障部件，从而对设备故障情况进行分析诊断，实现故障分层处理与精细化诊断。

4）模型更新

实现数字孪生变电站系统迭代优化需要依据环境、运行阶段的转换及时对孪生体模型参数进行更新调整。基于优化算法实现数字孪生体模型的更新[68]，将监测数据与模型运行输出数据进行比较计算，采用粒子群算法[69]构建二者距离目标函数，寻求最优参数更新孪生体模型。

5.2.3 运维决策优化

变电站数字孪生系统中，物理实体与虚拟实体间相互映射，在变电站孪生体中调整环境、设备变量参数，模拟实际物理世界中可能的事故及风险，利用数字沙盘手段进行运维计划推演与未来可能发生故障的预演，从而在无需付出实际电站建设或改建成本的情况下，寻找变电站建设及运维最优策略。而且数字孪生变电站整合了海量、多源、异构的设备故障诊断大数据，可用于增强视觉场景的语义理解，结合这些信息进行有效的知识表达和知识推理，可以实现对变电站智能巡检的分析和决策[70]。

在虚拟平台借助3D可视化技术同步现场操作，数字孪生体内同步映射巡检运维操作与路径，实时监控巡检进程与操作规范性，对出现的错检、漏检、误入带电间隔等错误，平台通过混合现实移动终端向巡检员发布告警信息，如图7所示。同时，数字孪生变电站通过虚拟现实技术，搭建可交互式仿真环境，利用3D可视化技术，提供全方位与实操式的培训体验，实现3维交互仿真演示培训，降低技术人员运维检修时操作风险。

图7 可视化同步巡检Fig.7 Visual Synchronous Inspection

5.2.4 智能反馈控制

反馈控制机制作为数字孪生系统闭环结构的重要一部分，是数字孪生技术应用的最终实现目标。通过对数据信息的有效利用使系统具备智慧“大脑”，可以在变电站运维过程中实现自主决策与自动控制。智能反馈控制结构如图8所示，该框架充分体现了人机物三元的智能融合。其中，物理变电站设备的智控系统嵌入的轻量级AI模块具备低级智能，有对数据的简单处理、状态阈值判断与决策能力，可以有效实现系统的自我保护，提高系统安全性，同时提供外部控制接口供检修人员使用。智慧信息平台包含了以状态感知、智慧模型、知识图谱构建和智能优化调节为代表的机器智能，以及以专家系统为代表的人类智能。智慧信息平台通过融合机器决策与专家系统决策来为物理变电站系统的控制提供指导帮助。并且，智慧信息平台具备一定程度的认知属性，能够通过自主学习优化决策模型、更新知识图谱。以此提高系统智能决策水平，体现了人机物三元融合中，社会空间同信息空间高层次的智能融合。

图8 智能反馈控制框架Fig.8 Intelligent feedback control framework

6 结 论

数字孪生变电站作为数字孪生电网的关键组成部分，是电网实现数字化转型的落脚点。如何将变电站数字化改革打造成为能源电力行业的标志性示范项目，从而更好地推动整个能源电力行业的数字化转型，亟需进一步的研究，后续可以围绕以下几方面进行：

1）基于国内变电站统筹规划发展及源网荷储系统互动的总体要求，传统的数字孪生是CPS系统，缺乏对于社会属性的考虑，新型数字孪生应该是人机物三元融合的智能系统，接下来可以基于人机物三元融合研究新型智慧变电站关键技术。

2）在多业务整合方面，结合数字孪生的特点，开展基于联邦学习的先进机器学习算法以及基于图学习的几何深度学习算法研究，重点围绕现实世界中大规模和动态异构数据，研究基于图学习的高精度动态时间信息建模技术。

3）随着变电站建设逐步向室内变电站迈进，基于室内变电站特点，从“形”和“态”两个维度出发，开展对变电站设备精细化3维静态和动态智能重建，以及知识图谱、数据和机理相结合的自适应建模技术的深入研究。

4）在数据治理方面，针对可能存在的感知数据错误、冗余、缺失等问题，研究数据可信度评价体系与质量评估模型，从时间维度出发，研究基于时序特征的电力感知数据异常检测及恢复算法。

数字孪生技术的发展成熟必将有助于打破能源电力行业数据、技术壁垒，实现电力全产业链上下游企业的价值、技术协同，构建更大范围的数字孪生系统。