点击蓝字 关注我们↑↑↑
DIGITAL TWIN
如果您不希望错过文章，就加个星标吧！
本期阅读
文章信息
论文《Digital twins and their use in future power systems》于2021年9月收录于《Digital Twin》期刊，本文由荷兰代尔夫特理工大学Peter Palensky教授团队完成。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。
DOI: 10.12688/digitaltwin.17435.2
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.17435.2
文章阅读（译文）
Digital twins and their use in future power systems
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
数字孪生概念源于NASA阿波罗计划和航空工业的“铁鸟”技术，随着仿真技术的发展，逐渐演变为支持产品全生命周期管理的完整数字模型。数字孪生通过虚拟化技术为系统设计、操作和维护提供更深入的洞察，成为未来电力系统等领域的潜在关键技术。
数字孪生概念自2002年提出以来，经历了从“镜像空间模型”到“信息镜像模型”再到“数字孪生”的演变。
NASA和Grieves分别对其进行了定义，强调其多物理、多尺度和高保真特性。数字孪生从最初的三部分模型发展为包含物理、虚拟、连接、数据和服务的五维模型，并衍生出飞机机身数字孪生（ADT）和可实验数字孪生（EDT）等特殊概念。随着技术进步，数字孪生在工业4.0和电力系统等领域的应用迅速扩展。
2. 数字历史的架构和变体
近年来，“数字孪生”这一术语逐渐流行，并受到技术趋势报告的推动。物联网和数字化转型的兴起使得这一概念对许多新领域和应用变得更具吸引力和可及性。
在此背景下，明确“孪生”的定义及其当前使用的变体至关重要。数字孪生通常是对过程或系统的描述，并通过实时数据增强。这种描述本身可以是从系统的简单示意图到动态数值模拟模型的任何形式，但当我们将其与现实世界数据或特定应用联系起来时，它便成为数字孪生：简单的系统描述成为工作流程的一部分。如果应用需要，系统描述可能包括数据甚至系统所处环境的模型。例如，预测控制或使用预测来优化某些操作。
数字孪生通过接收环境和过程数据，支持操作员和应用程序对系统进行控制和决策。其数据处理部分利用测量数据同步状态、更新模型，并依赖丰富的元数据确保数据准确性。数字孪生不仅适用于物理系统，还可镜像业务流程。
基于上一节中历史悠久的、特定领域的数字孪生，我们可以定义以下数字孪生变体的用途（参见图3）：
仪表盘：仅显示或镜像当前感知（测量）的过程，有时也称为“数字阴影”。
静态（尺寸）孪生：用于描述和优化系统的设计和尺寸，范围从数据表到静态公式。
动态设计孪生：用于描述和优化过程及其动态行为，可观察复杂交互（如两个控制器的交互），模型可以是基于物理的或数据驱动的。
异常检测：能够实时执行模型的孪生体可以与实际过程或系统进行比较，从而暴露异常行为（如故障），需始终与现实同步。
预测和调度孪生：使用预测的环境变量（如天气或使用模式）预览或预测未来场景，可通过多个孪生体模拟多种潜在未来，以得出在多种不同场景下表现稳健的决策。
控制孪生：展示未来动态行为，可用于模型预测控制，若需短时间内评估多个场景，可并行运行多个孪生体。
数字孪生可通过以下维度或特征进行区分：
模型保真度：描述中涵盖哪些现象？
模型覆盖范围：城市、区域、国家，或不同物理领域（如热、气、电等能源载体）？
执行速度：比实时慢还是快？这对用例有影响。
模型准确性：区分“真实”孪生（尽可能准确地表示真实系统，使用系统所有者的专有和机密数据）、兄弟模型（基于开放数据，统计上与孪生相似但细节不同）和表亲模型（无真实对应物的推测模型，用于研究特殊现象或测试性能想法）。这对电力系统尤为重要，因为电网数据通常保密，研究和开发通常在数字兄弟模型上进行。
图3展示了基于执行时间和模型保真度的孪生体用途：
实时：孪生体在保证时间内提供输出，可用于控制和调度决策。
超前时间：输出计算时间远小于操作时间步长，可用于提前制定决策。
规划与设计：输出计算时间远长于操作时间，仅用于规划和设计。
图3中的模型保真度级别包括：
拓扑：仅描述系统结构和组件连接关系，无物理或功能机制的数学描述。
静态：基于代数方程或简单if-then代码的静态模型，逐步使用时显示准静态行为。
动态：动态方程或代码描述系统，包含所有内部模式和状态，可触发复杂行为。例如，电力系统可通过电磁暂态（EMT）模型详细描述，或通过谐波模型、动态相量、相量模型和潮流模型等简化形式描述。
数字孪生是信息物理系统（CPS）的典型示例，因为它们是信息与通信技术（ICT）构造，以某种方式与现实世界交互。有时，数字孪生不仅是信息物理系统，甚至直接代表一个信息物理系统：例如，如果现实世界系统包含物理过程和数字分布式控制系统，数字孪生可能还需要建模网络控制中的通信链路。
根据数字孪生的计算规模，它可以“在现场”通过嵌入式系统实现，或“在云端”托管于强大的数据中心运行（见图4）。根据文献39，模型用途可分为：
白盒模型：拓扑、组件和参数已知，其结构与现实完全一致。
灰盒模型：与白盒类似，但部分未知，需要通过学习、推导或测量获得，其结构在某种程度上与现实相似。
黑盒模型：整个模型需要通过学习获得，虽然孪生体的行为与其现实对应物一致，但其内部结构完全不同（例如，表示污水处理厂的统计模型或神经网络）。
图4. 数字孪生可以扩展到本地设施之外，集成并提供基于云的服务。
由于白盒模型是一种理想化的构造，大多数情况下使用灰盒或黑盒模型，模型的部分内容需要机器学习等支持方法。
如果系统具有一定程度的复杂性，甚至是系统之系统（SoS），则很难创建一个能够正确模仿其所有行为的孪生体。由于复杂系统在参数稍有变化时可能表现出显著不同的行为，保持孪生体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
电力系统作为复杂的信息物理系统，数字孪生技术为其向工业4.0和物联网转型提供了重要支持。然而，这一转型面临建模、数据管理和计算复杂性等多重挑战。数字孪生在电力系统控制中心的应用将增强动态可观测性和决策支持功能，推动传统离线操作向在线操作转变，并取代低维度情境感知系统。
最近文献中提出的电力系统数字孪生框架可根据其支持的方法分为基于模型的方法、数据驱动的方法或两者结合的方法。
基于模型方法的电力系统数字孪生框架以白盒建模为基础，其中特定应用模型的自动化仿真与决策支持系统共同构成数字孪生的核心引擎。此类数字孪生系统的计算复杂度由模型的维度决定，而模型维度又取决于其应用类型。例如，从电力系统稳定性的角度来看，用于故障分析的负荷模型和准稳态模型属于低维度类别，而动态RMS和EMT模型则属于高维度类别。
基于数据驱动方法的电力系统数字孪生框架以黑盒建模方法为基础，其核心引擎高度依赖统计/机器学习算法。深度学习等机器学习技术的日益普及推动了基于该框架的许多应用的发展。
电力系统数字孪生的一个重要特性是其模型和数据的所有权或价值。通常，“真实”孪生只能在输电或配电系统运营商内部使用，因为数据是机密的，泄露会威胁关键基础设施。以隐私保护方式组合机密孪生体可以通过以下三种方式实现：
可信第三方：委托咨询公司接收所有子模型，组合它们，确保其安全，并执行所有所需分析。这是一种简单的方法，但需要完全可信且能够保护模型安全的第三方。
加密子模型：所有子模型被编译和加密，使其无法读取但仍可在仿真环境中执行。该方法的安全性取决于模型在保持可执行性的同时如何被混淆和加密。此外，复杂的攻击者可能在执行期间分析模型。
分布式协同仿真：子模型托管在所属公司的仿真环境中，仅通过API（应用程序编程接口）向其他方公开（最好通过安全通信渠道）。通过这种方式，其中一方（或多方）可以启动主算法，以协同仿真的方式通过网络组合所有子模型。这种变体受网络延迟影响，可能较慢。
4. 集成能源系统数字历史
随着电力到X（P2X）能源转换技术在住宅、商业和工业领域的广泛应用，能源系统正变得更加互联和集成。数字孪生技术通过结合精确的物理模型，能够显著提升集成能源系统的运行效率和可靠性，帮助运营商监控系统健康状况、测试新技术应用影响，并评估容量扩展需求。此外，数字孪生技术还可用于资产的有计划或预测性维护，通过实时数据流和历史测量数据预测网络和资产健康状况，并采取主动措施。
在建筑能源管理等特定领域，数字孪生模型可通过先进的建模语言和工具创建。然而，在集成能源系统中，由于能源载体内部和之间的复杂相互作用难以通过单一建模环境充分捕捉，建模面临诸多挑战。为克服这些限制，可采用领域特定工具建模各子系统，并通过协同仿真方法将这些子系统耦合起来。协同仿真方法采用主算法控制仿真时间进度并管理各模型子系统之间的信息交换，为集成系统运营商提供了一种设计、运营和维护高度互联能源系统的新方法。
尽管通过协同仿真采用模型耦合方法存在一些挑战，例如代数循环、收敛问题等，但它相比传统仿真技术具有三个重要优势。首先，大型系统可以分解为较小的子系统并并行处理，从而减少仿真计算量。其次，各领域模型可以由专家使用先进的工具开发，利用这些工具提供的高级库和功能，建模者能够创建高保真度的子系统模型。第三，它允许将各子系统模型作为黑箱模型嵌入整体系统设置中，从而保护模型的知识产权（如模型定义和拓扑结构），同时仅在协同仿真期间与其他子系统共享所需变量。
开放标准如功能模拟接口（FMI）支持将物理模型封装为加密的功能模拟单元（FMU），其中包含模型描述、模型方程以及可选的求解器。这使得能源系统运营商能够整合高度详细和复杂的子系统模型，从而构建模型增强的数字孪生。通过高保真度子系统模型的支持，数字孪生能够准确分析运营策略、网络升级等的影响，为系统优化提供可靠依据。
5. 数字孪生在未来电力系统中的应用
数字孪生在未来电力系统的各种应用中发挥着重要作用，为各级利益相关者（从维护人员到规划工程师，再到变电站控制室的操作员）提供准确、可靠和及时的决策支持工具。以下是数字孪生的一些高影响力应用：
控制室咨询：确保电力供应的可靠性需要依赖电网运营商的专家判断快速做出决策。随着部门耦合、分布式能源渗透和需求响应的增加，电网运营商面临许多新的挑战。数字孪生提供的实时建议（如实时电压稳定控制）对应对这些挑战至关重要。
教育与培训：数字孪生可用于基础设施运营商的教育和培训。通过模拟网络攻击、自然灾害和级联故障等场景，数字孪生系统能够帮助运营商在真实事件中更快做出反应。
事后分析：在事后分析中，电力工程师试图确定导致电网（或组件）故障的事件序列，以提高系统对未来事件的韧性。数字孪生通过模拟不同路径的分叉，简化了关键事件的可追溯性并帮助建立因果关系。
长期决策支持：利益相关者需要准确和全面的模型来制定长期决策。数字孪生能够评估替代方案的可行性并研究采用路径，支持电网加固和扩展项目的分阶段和比较分析。
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。数字孪生已包含此类模型。
增强现实的现场操作支持：通过增强现实技术增强的数字孪生可以为维护人员提供支持，在决策实施前实时评估其影响，从而提高技术人员和基础设施的安全性。
利益相关者协同决策：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。数字孪生为协作工具提供了后端和/或前端平台。
模型预测操作：操作负载分接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配电网电压和拥塞水平的调节。由于配电网中控制和协调的复杂性已无法通过传统的嵌入式线性控制器解决，托管在数据中心中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”（数据中心中的数字孪生）。
6. 展望
数字孪生目前正处于计算机在20世纪50年代的发展阶段：庞大而复杂，需要大量的人工干预和专家支持。然而，未来数字孪生有望成为各行业普遍接受的标准工具。专家输入（如模型生成或验证）将被数据驱动流程所取代，参数将通过学习自动调整，变化也将被自动识别和确认。
数字孪生可能会无处不在！对于电力系统而言，这不仅意味着变电站中的所有控制器可能拥有自己的私有孪生以协助日常任务，还意味着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都将采用数字孪生原理，以数字化方式呈现其环境和同伴。通过这种方式，它们可以优化自身操作，因为环境情况甚至同伴行为都可以被预测。
一个自组织、弹性、扁平化和点对点的电力系统，除非其组件中嵌入了智能，否则无法正常运行。这要求每个个体都能意识到自身和周围环境的存在。
关注公众号，后台回复“DT04”即可下载原文
DigiTwin2025
相关阅读
本公众号致力于分享高质量的数字孪生与数字工程相关学术研究与知识资讯，以促进学术交流与知识传播。推送的论文内容主要来源于公开出版或在线发布的学术资源，版权归原作者所有，仅供学术交流，未经授权不得商用。如有侵权，请联系删除。
如您有优秀论文需推荐，或者成果发布、企业进展、科研交流等需求，请在公众号后台留言，或发送邮件到digitaltwin@buaa.edu.cn，与我们取得联系。感谢您的持续关注与支持！
