Bridging interpretability and real-time performance in digital twins: a multi-model fusion approach for power equipment condition monitoring
Lele Luo , Heming Zhang , Weiqi Qin , Jian Chen & Wenlei Yu
a Department of Automation, Tsinghua University, Beijing, China;
b Department of Electrical Engineering, Tsinghua
University, Beijing, China
气体绝缘输电线路（GIL）内部的温度分布是反映设备运行状态和潜在故障的重要指标。然而，GIL内部存在高电场和高压环境，使得内部传感器的安装在实际应用中难以实现。传统仿真方法计算量较大，难以满足实时监测需求，同时也缺乏根据外部测量数据重建内部温度场的能力。
针对上述问题，本文提出一种多模型协同数字孪生方法，将物理机理、数据驱动建模和几何表达相结合，实现温度场的实时预测。首先，通过高保真多物理场仿真模型保证预测结果的物理一致性，并生成具有可解释性的训练数据；随后，构建高精度的数据驱动代理模型（DE-CAPT-LSTM），利用少量外部传感器测量数据，快速反演GIL内部完整温度场分布；同时，将三维几何模型与可视化引擎结合，对设备热状态进行动态呈现。
该数字孪生系统充分利用物理仿真模型的物理可解释性和神经网络代理模型的快速推理能力，实现了较高的计算效率。仅依靠有限的外部传感器数据，系统即可对GIL内部热行为进行全面、实时的监测，为故障诊断和预防性维护提供有效支持。
气体绝缘输电线路（GIL）长期运行可能因接触不良或机械损伤产生局部过热，而内部高电场和高压环境使温度传感器难以安装。传统多物理场仿真计算耗时，难以满足实时监测需求；仅依靠外部传感器又难以重建内部温度场。针对这一问题，本文提出融合物理仿真、数据驱动模型和三维几何模型的数字孪生方法，实现内部温度场的实时预测与可视化。
图1. 用于直流气体绝缘输电线路温度仿真的实时数字孪生方法
系统由物理层、信息层和可视化层组成。物理层通过安装于GIL外壳的温度、电流和环境温度传感器，以1 Hz频率采集数据；信息层利用DE-CAPT-LSTM代理模型，根据传感器数据实时预测完整温度场；可视化层利用Unity3D将预测结果映射到GIL三维模型上。
当前系统采用“物理层→信息层→可视化层”的单向数据流，对应“Digital Shadow”层级，尚未实现双向同步和在线模型更新，因此属于代理模型辅助的数字孪生系统。
2.2 总体工作流程
系统主要包括三个部分：仿真模型构建、DNN代理模型训练，以及实时预测与可视化。物理仿真提供不同运行条件下的温度场数据，DNN学习外部测量数据与内部温度场之间的关系，并在实际运行时替代耗时的仿真计算。
2.3 仿真模型构建
仿真模型以导体电流、电压、环境温度等运行参数为输入，以内部温度场为输出。通过多物理场仿真建立物理机制并生成训练数据，为后续DNN模型提供数据基础。
2.4 DNN代理模型训练
由于温度场具有明显的瞬态特征，研究采用序列神经网络建立代理模型，并通过Optuna优化超参数。训练完成后，DNN模型用于替代传统多物理场仿真，实现快速温度场预测。
2.5 实时预测与可视化
运行过程中，传感器以1 Hz向DNN模型提供数据，模型可在20 ms以内预测所有网格点的温度，随后由三维引擎实时渲染。该方法除温度场外，也可用于导体、接头、终端以及电势、电场和压力等其他物理量的实时预测。
研究对象为带三柱绝缘子的1100 kV直流GIL，包括中心导体、绝缘支柱、金属外壳和SF6绝缘气体。模型考虑焦耳热、热传导、热对流、热辐射以及SF6非等温流动等多物理场耦合过程。
由于GIL内部难以安装传感器，研究通过高保真数值仿真生成训练数据。水平GIL运行时，受热气体上升并形成循环，因此采用瞬态仿真描述温度场变化。GIL外壳设置3个外部温度传感器，分别位于绝缘支柱与外壳接触位置，以获取外部温度信息。
在12小时仿真中，导体温度明显高于外壳温度。温度在前2.5小时快速上升，随后逐渐趋缓，并在约8小时后趋于稳定。12小时后，绝缘子表面温度为43.08–55.38°C。传统仿真一次计算耗时约4712秒，无法满足实时数字孪生要求，因此研究利用仿真数据训练DNN代理模型。
4.1 数据集生成与预处理
DNN模型以3个外部温度传感器数据、环境温度和电流为输入，以内部温度场为输出，从而解决由稀疏外部测量反演内部温度场的问题。
研究设置66种运行条件，每种条件进行12小时瞬态仿真。由于温度场随时间变化，并受到前一时刻状态影响，因此采用滑动时间窗口，并将TCN、RNN、LSTM、GRU、Transformer与DE-CAPT-LSTM进行比较。
4.2 代理模型架构：DE-CAPT-LSTM
DE-CAPT-LSTM结合Transformer和LSTM两个并行分支。Transformer通过自注意力机制捕捉长期时间依赖和全局信息；LSTM用于捕捉局部时间动态，并预测温度变化量Δy。随后通过双向交叉注意力实现两个分支之间的特征交互，最终融合绝对温度预测和动态变化预测。
4.3 超参数优化与训练设置
研究利用Optuna进行贝叶斯超参数优化，每种模型进行50次独立试验。66种运行条件按照50:8:8划分训练集、验证集和测试集，测试集包含训练过程中未出现的电流—环境温度组合，以检验模型对未知运行条件的泛化能力。
4.4 模型性能评估
五次独立运行的平均结果显示，DE-CAPT-LSTM取得最佳综合性能，MSE为0.0099，RMSE为0.080°C，MAE为0.064°C，最大误差为0.270°C，95%分位误差为0.139°C。相比性能最佳的基准模型Transformer，其MSE降低46.8%。
误差主要出现在远离3个传感器的位置以及绝缘子尖端附近。传统序列模型容易对快速温度变化产生平滑效应，而DE-CAPT-LSTM结合Transformer、LSTM、交叉注意力和差分建模，能够更好地保持温度变化特征。整体预测残差保持在2°C以内。
4.5 鲁棒性分析
研究进一步测试了传感器噪声和传感器通道丢失情况下的模型性能。当加入0.1°C、0.5°C和1.0°C高斯白噪声时，MSE分别增加0.3%、13.9%和63.5%。
相比之下，传感器通道丢失带来的影响更加明显。丢失一个传感器后，MSE最高增加约232倍；丢失上方传感器造成的性能下降最为明显。结果表明，实际应用中需要进一步考虑传感器冗余、噪声抑制和传感器融合。
4.6 推理速度与可视化
在NVIDIA RTX 3060 GPU上，DE-CAPT-LSTM预测全部网格点温度的平均推理时间为14 ms。相比之下，传统瞬态多物理场仿真每个工况约需78分钟，因此实现约3.3×10⁵倍的速度提升。
预测结果进一步映射到Unity3D三维GIL模型，实现内部温度场的实时、高保真可视化。
本文提出了一种融合物理仿真、数据驱动模型和三维几何模型的多模型数字孪生方法，用于解决GIL内部温度难以直接测量以及传统多物理场仿真难以实时运行的问题。高保真仿真模型提供物理基础和训练数据，DE-CAPT-LSTM根据稀疏外部传感器数据快速重建内部温度场，三维可视化引擎则实现温度分布的动态呈现。
该方法能够在保持预测精度的同时显著降低计算时间，为GIL实时状态评估、故障预警和预防性维护提供支持。未来研究将进一步优化传感器布置，研究噪声鲁棒性和仿真到现实的域偏移，并探索PINNs和时序图网络，以提高模型的可解释性和计算效率。
