CN118826301A - 基于数字孪生的电网设备状态监测方法 - Google Patents

Abstract

本申请提供了基于数字孪生的电网设备状态监测方法，涉及设备状态监测技术领域，包括：获得电网设备的实时运行数据；构建初始数字孪生模型，对初始数字孪生模型进行融合，获取更新数字孪生模型；获取健康参数数据，进行对健康监测的影响分析，建立影响适应性模型；对健康异常数据和设备寿命进行影响分析，生成健康影响系数；进行电网设备的存在评价，生成健康评价系数；进行电网设备的验证评价，生成电网设备状态监测结果。通过本申请可以解决现有技术中由于未实时监控电网设备的健康状态，导致电网设备监测效率低和健康预测准确性差的技术问题，实现实时监测电网健康状态的技术目标，达到提高监测效率和健康状态预测准确性的技术效果。

Description

基于数字孪生的电网设备状态监测方法

技术领域

本申请涉及设备状态监测技术领域，尤其涉及基于数字孪生的电网设备状态监测方法。

背景技术

随着现代电网的复杂性和规模的不断扩大，电网设备的健康状态监测变得尤为重要。电网设备的可靠运行是保证电力系统稳定和安全的关键。

目前，现有的电网设备状态监测方法存在诸多不足，难以满足当前电力系统的高要求。例如，定期检查具有周期性，无法实现实时监测，存在检查盲区。依赖于工程师的经验和判断，容易出现误判，无法准确预测设备的潜在故障和剩余寿命。不同设备和传感器的数据缺乏有效整合，难以形成整体的健康状态评估。

综上所述，现有技术中存在由于电网设备状态监测过程中未根据电网设备进行模拟，实时分析和监控电网设备的健康状态，导致电网设备监测效率低，存在滞后性，造成电网设备健康预测准确性差的技术问题。

发明内容

本申请的目的是提供基于数字孪生的电网设备状态监测方法，用以解决现有技术中存在由于电网设备状态监测过程中未根据电网设备进行模拟，实时分析和监控电网设备的健康状态，导致电网设备监测效率低，存在滞后性，造成电网设备健康预测准确性差的技术问题。

鉴于上述问题，本申请提供了基于数字孪生的电网设备状态监测方法。

本申请提供了基于数字孪生的电网设备状态监测方法，其中，包括：通过布设于电网设备的传感器进行采集，获得所述电网设备的实时运行数据；基于制造数据和历史运行数据构建所述电网设备的初始数字孪生模型，根据所述实时运行数据对所述初始数字孪生模型进行融合，获取所述电网设备的更新数字孪生模型；通过所述更新数字孪生模型获取所述电网设备的健康参数数据，并进行所述健康参数数据对健康监测的影响分析，建立影响适应性模型；通过所述影响适应性模型对健康异常数据和设备寿命进行影响分析，生成健康影响系数；基于环境特征、操作特征、维护特征、制造特征和电气特征，建立健康指标特征，根据所述健康指标特征进行所述电网设备的存在评价，生成健康评价系数；根据所述健康影响系数和健康评价系数进行所述电网设备的验证评价，生成电网设备状态监测结果。

本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

通过布设于电网设备的传感器进行采集，获得所述电网设备的实时运行数据；基于制造数据和历史运行数据构建所述电网设备的初始数字孪生模型，根据所述实时运行数据对所述初始数字孪生模型进行融合，获取所述电网设备的更新数字孪生模型；通过所述更新数字孪生模型获取所述电网设备的健康参数数据，并进行所述健康参数数据对健康监测的影响分析，建立影响适应性模型；通过所述影响适应性模型对健康异常数据和设备寿命进行影响分析，生成健康影响系数；基于环境特征、操作特征、维护特征、制造特征和电气特征，建立健康指标特征，根据所述健康指标特征进行所述电网设备的存在评价，生成健康评价系数；根据所述健康影响系数和健康评价系数进行所述电网设备的验证评价，生成电网设备状态监测结果，实现根据模拟数据实时监测电网健康状态的技术目标，达到提高监测效率和健康状态预测准确性的技术效果。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其他特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本申请或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请基于数字孪生的电网设备状态监测方法的流程示意图；

图2为本申请基于数字孪生的电网设备状态监测方法中获取所述电网设备的更新数字孪生模型的流程示意图。

具体实施方式

本申请通过提供基于数字孪生的电网设备状态监测方法，解决了现有技术中存在由于电网设备状态监测过程中未根据电网设备进行模拟，实时分析和监控电网设备的健康状态，导致电网设备监测效率低，存在滞后性，造成电网设备健康预测准确性差的技术问题。实现根据模拟数据实时监测电网健康状态的技术目标，达到提高监测效率和健康状态预测准确性的技术效果。

下面，将参考附图对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。基于本申请的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部。

实施例，请参阅附图1，本申请提供基于数字孪生的电网设备状态监测方法，具体包括如下步骤：

步骤一：通过布设于电网设备的传感器进行采集，获得所述电网设备的实时运行数据。

具体而言，通过布设于电网设备上的传感器，实时采集电网设备的运行数据，包括电压、电流、温度等关键指标，为设备状态监测提供了重要的依据。通过对实时数据的分析，可以实时掌握电网设备的运行状态，及时发现并预测潜在故障，为电网的稳定运行和设备维护提供有力支持。

步骤二：基于制造数据和历史运行数据构建所述电网设备的初始数字孪生模型，根据所述实时运行数据对所述初始数字孪生模型进行融合，获取所述电网设备的更新数字孪生模型。

具体而言，为了更精准地监测和管理电网设备，利用设备的制造数据和历史运行数据构建了一个初始的数字孪生模型，初始数字孪生模型是对物理设备在数字世界中的映射，能够模拟设备的实际运行情况。随后，采用传感器实时采集到的电网设备运行数据与初始模型进行融合，能够不断地更新和完善数字孪生模型。更新数字孪生模型可以更准确地反映设备的当前状态，从而优化设备的维护和运行效率。

步骤三：通过所述更新数字孪生模型获取所述电网设备的健康参数数据，并进行所述健康参数数据对健康监测的影响分析，建立影响适应性模型。

具体而言，通过使用更新后的数字孪生模型，获得电网设备的健康参数数据，包括但不限于设备的温度、振动、电气特性等关键指标。利用健康参数数据，以评估对设备健康监测的影响，进而帮助理解各个参数如何单独或共同作用于设备的健康状况，从而识别出潜在的故障模式和发展趋势。基于分析结果，建立一个影响适应性模型，能够根据健康参数的变化预测设备的未来状态，并提供针对性的维护建议，确保电网设备的可靠运行和延长其使用寿命。

步骤四：通过所述影响适应性模型对健康异常数据和设备寿命进行影响分析，生成健康影响系数。

具体而言，通过影响适应性模型，能够对电网设备的健康异常数据和设备寿命进行综合分析。对设备运行过程中出现的任何异常情况进行研究，以确定异常对设备健康的具体影响。通过对异常数据的特征提取和模式识别，能够量化异常对设备性能和寿命的潜在影响，从而生成一个健康影响系数，反映了不同异常情况对设备健康的相对重要性，为设备维护和管理提供了科学的依据。通过健康影响系数，运维人员可以更加精确地制定维护计划，优先处理对设备健康影响最大的问题，确保电网的稳定运行和设备的长期耐用性。

步骤五：基于环境特征、操作特征、维护特征、制造特征和电气特征，建立健康指标特征，根据所述健康指标特征进行所述电网设备的存在评价，生成健康评价系数。

具体而言，为了全面评估电网设备的健康状况，根据环境特征、操作特征、维护特征、制造特征和电气特征等多个方面，建立了全面的健康指标特征，涵盖了设备所处的环境条件，如温度、湿度、灰尘等，设备的操作方式、频率和维护历史，设备制造时的材料和工艺以及电气性能等关键参数。

利用健康指标特征，对电网设备进行存在评价，即对设备的当前状态进行全面的分析和评估。结合实时数据和累积的历史数据，通过算法和模型分析，生成一个健康评价系数，综合反映设备在各个方面的健康状况，提供了一个量化的指标，帮助运维人员快速判断设备的整体状态，及时做出维护决策，确保电网的安全和高效运行。

步骤六：根据所述健康影响系数和健康评价系数进行所述电网设备的验证评价，生成电网设备状态监测结果。

具体而言，通过结合健康影响系数和健康评价系数，对电网设备进行了全面的验证评价。健康影响系数揭示了不同健康异常对设备性能和寿命的具体影响程度，而健康评价系数则提供了设备在环境、操作、维护、制造和电气等方面的综合健康状态。两个系数的结合能够更准确地评估设备的实际运行状况，并预测电网设备未来的健康趋势，生成一套电网设备状态监测结果，不仅包括了设备的当前健康状态，还提供了对未来潜在问题的预警。帮助制定更为精准的维护计划，优化资源分配，确保设备的高效运行，并延长使用寿命。

所述基于数字孪生的电网设备状态监测方法，可以实现根据模拟数据实时监测电网健康状态的技术目标，达到提高监测效率和健康状态预测准确性的技术效果。

进一步，如图2所示，本申请还包括：

基于所述制造数据构建所述电网设备的模型框架，根据所述历史运行数据添加至所述模型框架获得所述初始数字孪生模型；将所述实时运行数据通过卡尔曼滤波器进行滤波，赋值所述初始数字孪生模型，获得所述更新数字孪生模型。

具体而言，在构建电网设备的数字孪生模型过程中，首先利用设备的制造数据来搭建模型的基本框架。制造数据包括设备的设计参数、材料特性、制造工艺等信息，为数字孪生模型提供了初始的结构和参数。接下来，将历史运行数据整合到这个模型框架中，历史数据可能包含了设备的性能记录、维护日志、故障历史等，用于对模型进行训练和调整，使其能够模拟设备在实际运行中的行为，从而形成初始的数字孪生模型。

为了保持数字孪生模型的准确性，实时运行数据需要被不断地整合进去。卡尔曼滤波器是一种数学算法，能够从包含噪声的数据中估计动态系统的状态。将实时运行数据通过卡尔曼滤波器进行处理，可以有效地去除数据中的噪声和不确定性，提高数据的准确性和可靠性。经过滤波处理后的数据被用来更新初始数字孪生模型，使其能够反映设备的最新状态，获得了更新的数字孪生模型，提供更准确的设备状态预测和性能分析，为设备的维护和运行决策提供支持。

进一步，本申请还包括：

基于所述健康参数数据提取健康状态关键指标，生成健康状态关键值；通过所述健康状态关键指标和健康状态关键值，建立影响适应性模型，通过所述影响适应性模型输出所述健康状态关键值关联对应的参考健康影响系数。

具体而言，在电网设备状态监测的过程中，从收集的健康参数数据中提取出健康状态的关键指标，包括温度、振动频率、电流波动等能够反映设备健康状况的物理量。通过分析健康状态关键指标，能够生成一组健康状态关键值，健康状态关键值是对电网设备当前健康状况的直接量化。

接下来，利用健康状态关键指标和关键值，建立了一个影响适应性模型，能够将健康状态关键值与参考健康影响系数相关联，从而输出一个反映设备健康状况的综合评估。参考健康影响系数是一个预定义的参数，表示了不同健康状态关键值对设备整体健康影响的权重。

通过影响适应性模型，可以根据实时监测到的健康状态关键值，快速地评估设备当前的健康状况，并预测未来可能出现的健康问题，进而能够根据模型输出的参考健康影响系数，有针对性地制定维护计划，优先处理对设备健康影响最大的问题，确保电网设备的可靠运行和延长其使用寿命。

进一步，本申请还包括：

基于所述健康参数数据，若任意健康参数数据满足异常阈值，判定获得健康异常参数；基于所述健康异常参数的任意一次循环，获得健康异常频次的计数值加1；根据所述健康异常参数和健康异常频次获得所述健康异常数据。

具体而言，在监测电网设备的过程中，持续收集健康参数数据，包括但不限于温度、压力、振动等能够指示设备状态的指标。为了及时识别潜在的问题，设定了一系列的异常阈值。每当健康参数数据中的任意一项超过了预设的阈值，将其判定为健康异常参数，表明设备的某项性能指标出现了问题。

对于每一个健康异常参数，在监测过程中进行循环检测。每当检测到同一个异常参数再次出现，就将对应的健康异常频次计数值加1。计数值的累加帮助追踪特定异常参数出现的频率，从而了解该异常的严重程度和持续性问题。

通过结合健康异常参数和健康异常频次，能够获得更为详细的健康异常数据，不仅指出了哪些参数超出了正常范围，还提供了关于异常发生的频次信息。运维人员可以评估设备的可靠性，预测可能的故障模式，并据此制定相应的维护策略，以确保电网设备的稳定运行和长期性能。

进一步，本申请还包括：

对所述更新数字孪生模型进行设备寿命监测，当所述设备寿命满足预设稳态判定阈值，根据稳态值获得设备寿命实时评价结果；根据多个相同长度的评价窗口，配置取样窗口；若所述设备寿命实时评价结果满足稳态瓦解值的启用阈值，通过所述取样窗口进行启用窗口的邻近阈值取样；基于取样结果进行设备寿命衰减计算，获得设备寿命衰减值；根据所述设备寿命衰减值更新所述设备寿命实时评价结果，获得所述设备寿命。

具体而言，利用更新后的数字孪生模型来跟踪设备的健康状况和预期寿命。当设备寿命的预测值达到预设的稳态判定阈值时，根据稳态值来获得设备寿命的实时评价结果。实时评价结果是对设备剩余使用寿命的估计，可以帮助运维人员了解设备的健康状态和未来的维护需求。

为了更精确地监测设备寿命的变化，在监测过程中配置了多个相同长度的评价窗口，并在多个窗口中进行取样。取样窗口帮助捕捉设备寿命的实时数据，从而能够更细致地观察寿命的变化趋势。

当设备寿命的实时评价结果达到稳态瓦解值的启用阈值时，表明设备的寿命可能正在迅速下降，需要采取更为密集的监测措施。通过在启用窗口的邻近阈值进行取样，获得更精确的数据，用于进行设备寿命衰减的计算。寿命衰减值是对设备寿命减少速度的一个量化指标，反映了设备老化的速率。

最后，根据计算出的设备寿命衰减值，更新了设备寿命的实时评价结果，确保了对设备寿命的估计始终是最准确和最新的，从而使得运维人员能够基于最新的信息来制定维护计划和预防措施，确保电网设备的可靠运行和延长使用寿命。

进一步，本申请还包括：

基于所述健康指标特征监测所述更新数字孪生模型，建立健康指标数据集；根据所述健康指标数据集进行异常阈值的触发判定，生成健康指标异常数据集；基于所述健康指标异常数据集计算异常频率，生成所述健康评价系数。

具体而言，在监测电网设备的过程中，利用更新后的数字孪生模型来监测各项健康指标特征，包括设备的温度、振动、电气特性等。通过持续监测健康指标特征，建立了一个健康指标数据集，包含了电网设备在一段时间内的健康状态信息。

为了及时发现潜在的健康问题，根据健康指标数据集进行异常阈值的触发判定。当任何健康指标超过了预先设定的正常范围阈值时，将其视为异常，并生成一个健康指标异常数据集。记录了所有异常指标的具体情况，包括异常发生的时间、持续时长、异常值大小等。

接下来，基于健康指标异常数据集来计算异常频率，即统计每个异常指标在一段时间内出现的次数。异常频率的计算有助于了解哪些健康问题是频繁发生的，哪些是偶发性的，从而提供关于设备健康状况的综合视图。基于异常频率数据，生成一个健康评价系数，健康评价系数是对设备整体健康状况的一个量化指标，能够帮助运维人员快速评估设备的健康状态，并据此制定维护计划和预防措施，确保电网设备的稳定运行和延长使用寿命。

进一步，本申请还包括：

根据所述健康影响系数和健康评价系数进行映射关联，根据映射关系计算所述健康影响系数和健康评价系数的融合结果；基于所述融合结果进行所述电网设备的健康状态验证，生成所述电网设备状态监测结果。

具体而言，为了获得电网设备状态的全面评估，将健康影响系数和健康评价系数进行映射关联。健康影响系数反映了不同健康异常对设备性能和寿命的具体影响程度，而健康评价系数则提供了设备在环境、操作、维护、制造和电气等方面的综合健康状态。通过映射这两种系数，能够建立一个更全面的评估框架，将直接影响因素与设备的整体健康状态联系起来。

在评估框架内，计算健康影响系数和健康评价系数的融合结果。融合结果是对设备健康状态的综合性评估，结合了异常因素的具体影响和设备当前的整体状态，为设备维护和管理提供了更加精准的决策支持。

基于融合结果，对电网设备的健康状态进行验证，对设备当前运行状况的详细分析，以及对未来潜在健康问题的预测。通过验证，生成了电网设备状态监测的最终结果，不仅包括了设备的当前健康状态，还提供了对未来可能出现的健康问题的预警，使得运维人员能够及时采取相应的维护措施，确保电网的稳定运行和设备的长期耐用性。

进一步，本申请还包括：

基于所述更新数字孪生模型进行健康突变监测，并调用健康突变对应的预警特征；以所述预警特征进行电网设备预警。

具体而言，利用更新后的数字孪生模型，能够对电网设备的健康状态进行实时监测，特别针对突发的健康状况变化，即健康突变。健康突变可能是由设备的老化、意外损伤或操作失误等因素引起的，预示着设备性能的迅速下降或潜在的故障风险。

当监测到健康突变时，调用与之对应的预警特征。预警特征是基于设备历史数据和专家知识预先定义的，能够指示设备在发生特定类型的健康突变时应采取的预警措施。预警特征可能包括设备的温度、振动、电气参数的异常变化等。

一旦预警特征被触发，就会针对电网设备发出预警。预警可能是通过自动化的监控系统发出的，也可能需要人工干预来确认和响应。预警的目的是在设备发生严重故障前，提醒运维人员采取必要的措施，如调整操作方式、安排预防性维护或更换故障部件等，以防止设备性能的进一步恶化，保障电网的稳定运行和设备的安全使用。

综上所述，本申请所提供的基于数字孪生的电网设备状态监测方法具有如下技术效果：

通过布设于电网设备的传感器进行采集，获得所述电网设备的实时运行数据；基于制造数据和历史运行数据构建所述电网设备的初始数字孪生模型，根据所述实时运行数据对所述初始数字孪生模型进行融合，获取所述电网设备的更新数字孪生模型；通过所述更新数字孪生模型获取所述电网设备的健康参数数据，并进行所述健康参数数据对健康监测的影响分析，建立影响适应性模型；通过所述影响适应性模型对健康异常数据和设备寿命进行影响分析，生成健康影响系数；基于环境特征、操作特征、维护特征、制造特征和电气特征，建立健康指标特征，根据所述健康指标特征进行所述电网设备的存在评价，生成健康评价系数；根据所述健康影响系数和健康评价系数进行所述电网设备的验证评价，生成电网设备状态监测结果，实现根据模拟数据实时监测电网健康状态的技术目标，达到提高监测效率和健康状态预测准确性的技术效果。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (8)

1.基于数字孪生的电网设备状态监测方法，其特征在于，包括：

通过布设于电网设备的传感器进行采集，获得所述电网设备的实时运行数据；

基于制造数据和历史运行数据构建所述电网设备的初始数字孪生模型，根据所述实时运行数据对所述初始数字孪生模型进行融合，获取所述电网设备的更新数字孪生模型；

通过所述更新数字孪生模型获取所述电网设备的健康参数数据，并进行所述健康参数数据对健康监测的影响分析，建立影响适应性模型；

通过所述影响适应性模型对健康异常数据和设备寿命进行影响分析，生成健康影响系数；

基于环境特征、操作特征、维护特征、制造特征和电气特征，建立健康指标特征，根据所述健康指标特征进行所述电网设备的存在评价，生成健康评价系数；

根据所述健康影响系数和健康评价系数进行所述电网设备的验证评价，生成电网设备状态监测结果。

2.如权利要求1所述的基于数字孪生的电网设备状态监测方法，其特征在于，所述获取所述电网设备的更新数字孪生模型，包括：

基于所述制造数据构建所述电网设备的模型框架，根据所述历史运行数据添加至所述模型框架获得所述初始数字孪生模型；

将所述实时运行数据通过卡尔曼滤波器进行滤波，赋值所述初始数字孪生模型，获得所述更新数字孪生模型。

3.如权利要求1所述的基于数字孪生的电网设备状态监测方法，其特征在于，所述生成健康影响系数，之前包括：

基于所述健康参数数据提取健康状态关键指标，生成健康状态关键值；

通过所述健康状态关键指标和健康状态关键值，建立影响适应性模型，通过所述影响适应性模型输出所述健康状态关键值关联对应的参考健康影响系数。

4.如权利要求1所述的基于数字孪生的电网设备状态监测方法，其特征在于，获得健康异常数据，包括：

基于所述健康参数数据，若任意健康参数数据满足异常阈值，判定获得健康异常参数；

基于所述健康异常参数的任意一次循环，获得健康异常频次的计数值加1；

根据所述健康异常参数和健康异常频次获得所述健康异常数据。

5.如权利要求1所述的基于数字孪生的电网设备状态监测方法，其特征在于，获得设备寿命，包括：

对所述更新数字孪生模型进行设备寿命监测，当所述设备寿命满足预设稳态判定阈值，根据稳态值获得设备寿命实时评价结果；

根据多个相同长度的评价窗口，配置取样窗口；

若所述设备寿命实时评价结果满足稳态瓦解值的启用阈值，通过所述取样窗口进行启用窗口的邻近阈值取样；

基于取样结果进行设备寿命衰减计算，获得设备寿命衰减值；

根据所述设备寿命衰减值更新所述设备寿命实时评价结果，获得所述设备寿命。

6.如权利要求1所述的基于数字孪生的电网设备状态监测方法，其特征在于，所述生成健康评价系数，包括：

基于所述健康指标特征监测所述更新数字孪生模型，建立健康指标数据集；

根据所述健康指标数据集进行异常阈值的触发判定，生成健康指标异常数据集；

基于所述健康指标异常数据集计算异常频率，生成所述健康评价系数。

7.如权利要求1所述的基于数字孪生的电网设备状态监测方法，其特征在于，所述生成电网设备状态监测结果，包括：

根据所述健康影响系数和健康评价系数进行映射关联，根据映射关系计算所述健康影响系数和健康评价系数的融合结果；

基于所述融合结果进行所述电网设备的健康状态验证，生成所述电网设备状态监测结果。

8.如权利要求1所述的基于数字孪生的电网设备状态监测方法，其特征在于，还包括：

基于所述更新数字孪生模型进行健康突变监测，并调用健康突变对应的预警特征；

以所述预警特征进行电网设备预警。