Py学习  »  Git

DigiTwin | 上海交大贺兴:基于数字孪生的时空数据分析

数字孪生DigitalTwin • 1 周前 • 189 次点击  

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《Spatial-temporal data analysis of digital twin》于2025年3月在线发表于《Digital Twin》期刊,本文由上海交大贺兴团队完成,文章探讨了数字孪生中异构时空数据的分析方法,提出了一种系统化、量化的时空数据分析模式,并通过中国某实际数字化变电站的案例验证了该方法的有效性。

引用本文:

He, X., Ai, Q., Pan, B., Tang, L., & Qiu, R. (2025). Spatial-temporal data analysis of digital twin. Digital Twin, 2(1). https://doi.org/10.12688/digitaltwin.17446.1



 核心速览    


Spatial-temporal data analysis of digital twin

Xing He, Qian Ai , Bo Pan , Lei Tang & Robert Qiu


作者单位

1 Shanghai Jiao Tong University, Shanghai, China

2 State Grid Shanghai Municipal Electric Power Company, Shanghai, China

3 State Grid Shanghai Pudong Electric Power Supply Company, Xi’an, China



基于数字孪生的时空数据分析

——数字孪生助力电力复杂系统智能监测与可信研判


摘要

背景:在变电站数字化转型过程中,局放、电参量、温湿度、图像等在线监测系统已广泛部署,构建了覆盖变电站的多源感知网络。然而,在线监测本身无法控制环境变量,极易产生外界干扰混入、多源信号耦合、毗邻柜体串扰等现象。加之数据之间结构不统一、更新不同步,形成严重的数据割裂与孤岛现象,使得传统基于静态阈值与经验判据的检测方法频繁诱发误警,降低了系统判别可信度,造成运维负担加重。构建面向弱结构化、多源干扰场景的新型异常检测范式,已成为推动变电站智能监测从“看得见”迈向“判得准”的关键需求。数字孪生(Digital Twin, DT)作为虚实融合的重要路径,凭借其高维建模、数据驱动、虚实闭环反馈等特性,为多源监测数据的统一认知与异常识别提供了方法基础,为变电站智能化、少人化运维提供了技术支撑。


方法:本文提出一种融合深度学习与随机矩阵理论(RMT)的高维时空数据联合分析方法,构建面向新型电力系统的数字孪生范式。该方法直接作用于多源时空数据,通过高维统计建模与谱特征提取,实现对运行状态的全局刻画与异常识别。具备良好的鲁棒性与适应性,可应对多模态融合、干扰混叠、状态多样性等复杂场景,显著提升系统级监测的稳定性与可信度,支撑从感知到研判的全流程智能监控体系。


结果:本文提出的高维时空联合分析方法成功将原本在低维空间中信息密度较低的色谱监测数据,转化为具有全局表征能力的高维指标,揭示了采样数据间潜在的“绝缘”相关性。该高维指标具备良好的鲁棒性与抗干扰能力,可有效抑制外部噪声对判据稳定性的影响,显著提升状态评估与风险识别的精准度。同时,所提方法具备良好的结构适应性与场景泛化能力,适用于多类结构相似的在线监测数据场景。。

结论:本文构建了一种融合深度学习与随机矩阵理论的高维时空数据分析方法,拓展了数字孪生在数据驱动建模与智能识别中的能力边界。该方法不仅提升了多源监测数据的价值利用效率,更在理论上建立起工程实践与数据科学之间的桥梁,为变电站智能运维的落地应用提供了可复用、可推广的方法路径。


关键词

数字孪生;随机矩阵理论;不确定性;时空数据;大数据分析


1. 数字孪生分析框架

本文面向变电站复杂工况下的在线监测数据利用问题,聚焦局部放电(PD)、环境量、运行量等异构时空数据的统一建模,提出一种系统化、可量化的数字孪生数据分析框架。该框架通过构建高维统计指标体系,有效应对多设备、多柜体间的干扰与状态演化复杂性,实现从数字化到信息化的关键跨越。


2. 数字孪生特性

文章总结了当前数字孪生的四项核心特性

(1)鲁棒:具备在多扰动、高不确定性环境下保持稳定识别性能;

(2)高维:深度整合人工智能与大数据分析等先进技术;

(3)连接:能够通过在线数据保持对物理对象的动态映射;

(4)推演:可支持对物理状态的“假设—推演—验证”闭环互动,服务于运维决策。


3. 数字孪生属性

进一步地,数字孪生具备三项关键属性

(1)数据驱动模式,从原始观测中挖掘高维统计特征,无需依赖传统物理模型;

(2)自适应学习能力,能够融合历史监测、专家经验、相似柜体运行数据进行动态演化;

(3)虚实闭环反馈机制,支撑多轮次反馈修正与优化,提高决策可信度与系统自愈能力。


4. 时空数据分析及其方法

变电站监测数据具有变量多、频率高、结构复杂的特点,传统低维方法难以有效建模。本文提出在高维特征空间下进行联合建模,通过深度学习提取非线性特征,并结合随机矩阵理论(RMT)建立谱结构分析体系,实现多柜体、多时间窗、多模态数据的统一处理,为后续故障识别提供统一指标平台。


5. RMT基础统计

文章基于RMT理论构建了用于谱分析的指标体系,采用Marchenko-Pastur定律刻画高维数据的谱密度结构,并利用线性特征值统计(LES)进行异常检测。该方法对非高斯干扰、数据漂移具有鲁棒性,可有效区分真实状态变化与外部扰动,显著优于均值、方差等低维指标。


6. RMT因子分析方法

文章基于RMT理论构建了用于谱分析的指标体系,采用Marchenko-Pastur定律刻画高维数据的谱密度结构,并利用线性特征值统计(LES)进行异常检测。该方法对非高斯干扰、数据漂移具有鲁棒性,可有效区分真实状态变化与外部扰动,显著优于均值、方差等低维指标。


7. 应用案例

以浦东某35kV数字化变电站为案例,部署238个传感器,采集包括PD、色谱、温湿度、电流电压等数据。通过高维指标设计,成功识别出长期绝缘劣化趋势,显著降低误警率,验证了该方法在真实工程环境下的可用性与通用性。

图4. 用于进行设备状态评估的LES指标τ


8. 总体结论及未来展望

本文提出的高维时空数据分析方法,为数字孪生在变电站智能运维中的落地应用提供了有效路径。该方法具备良好的通用性与适应性,可扩展应用于开关柜健康评估、异常趋势预警、差异化检修策略制定等任务场景,推动传统“人工巡检+经验研判”向“在线监测+机器主判”的转型升级。


数字孪生技术在能源系统中的应用前景广阔,未来可进一步探索智能化方向,如虚拟电厂的运营策略优化和多智能体系统增强交互。文章提供的教程为研究人员和工程师提供了宝贵的指导,有助于推动能源系统的数字化、信息化和智能化发展。




关注公众号,后台回复“DT论文”即可下载原文


 作者简介 

贺兴

上海交通大学电气工程学院副研究员,研究领域为数据科学技术与新型电力系统的融合应用,方向为电力大数据分析、能源互联网数字孪生。曾被授予IEEE PES 中国区杰出青年工程师(全国4人),IEEE变电站数字孪生/ITU电力元宇宙国际标准发起人之一,主持和参与国家级项目4项,国网总部科技项目4项,发表学术论文30余篇。


DigiTwin2025

第五届数字孪生国际会议(DigiTwin 2025)将于2025年10月14日-10月18日在德国加尔米施-帕滕基兴举行。加尔米施-帕滕基兴位于慕尼黑以南约90公里,坐落在阿尔卑斯山脚下,以其壮丽山景和1936年冬奥会举办地的历史而闻名,是学术交流与自然美景完美结合的理想之地。


DigiTwin 2025设置分论坛如下:

• 数字孪生智能设计

• 数字孪生智能制造

• 数字孪生智能服务

• 数字工程

• 数字孪生智能建造与城市

• 数字孪生海洋工程与装备

• 数字孪生医疗健康

• 数字孪生通信网络

• 数字孪生可靠性

• 数字孪生交叉学科

• 数字孪生能源

• 数字孪生物流

• 试验测试验证


诚邀国内外相关领域专家学者进行专题报告和论文交流

大会秘书邮箱:digitaltwin@buaa.edu.cn



投稿邀请及版权

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!


Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/184015
 
189 次点击