海上風電KKS編碼精準定位與數字孿生基礎研究

袁林松

（浙江浙能嘉興海上風力發電有限公司，浙江嘉興 314000）

數字孿生（Digital Twin）最早應該追溯到NASA的John Vickers 結物理實體和其數字鏡像的命名。而其概念的來源，一般認為是由密西根大學Michael Grieves 教授針對產品全生命周期管理（PLM）提出的，當初叫鏡像空間模型（Mirrored Space Model，MSM），并不是叫Digital Twin。

工業仿真軟件巨頭對數字孿生的定義：“從高層次來說，它是創造物理對象的數字化表達形式；從根本上講，它是為真實世界的資產設備創建數字模型，并將實際的性能數據與企業所擁有的與該特定資產設備有關的整套數字信息充分結合。”

德國工業4.0提出后，作為一個新興技術，數字孿生逐漸進入到電力行業。數字孿生逐漸被行業以及學術界采納后，其定義較為多樣。數字孿生是充分利用傳感器更新、物理模型、運行歷史等數據，集成多維度的仿真過程，在虛擬空間中完成映射，來反映實體裝備的全生命周期過程。本質來說，數字孿生是物理實體通過數字化形式進行模擬，從而呈現物理實體的運行，進而對物理實體分析的過程。數字孿生同時作為一種理論和一種工具能夠更好地分析物理實體。然而作為較為新興理論的數字孿生，并未有較為整體的結構化框架，在運用過程中構建并完善數字孿生框架也是研究目標之一。

由于海上風電場海域閃電、高鹽霧、高濕度等環境惡劣對設備影響較大，機組易出現故障，海上不確定因素多及有效作業窗口期短，運維人員安全出海作業安全風險大、運維效率低和現場安全管控困難，深化海上風電KKS 編碼精準定位，將海上設備、船舶與人員動態標識統一納入物聯網管理范疇，形成設備精準定位和人員作業移動定位標準化業務模型。

1 理論基礎及相關技術介紹

1.1 數字孿生的定義

隨著不斷變化發展，數字孿生技術的定義也在不斷變化。在GE 的定義中，數字孿生體側重軟件表達資產，其組成變為數據、算法與知識，而不再是物理實體。在定義過程中數字孿生還存在很多差異，在理解方向上對數字孿生可能天差地別。綜合已有的定義，結合本文的目標，數字孿生定義如下：

數字孿生體是物理（設備KKS）實體的數字模型，通過傳感器數據感知、分析、預測實體對象狀態和仿真建模和數學模型優化，提高決策效率。

1.2 數字孿生模型

根據現在的需要，傳統的數字三維無法完成數字孿生體的模型構建，為促進數字孿生在海上風電安全生產中的應用，提出了數字孿生五維模型（圖1）。不同于傳統制造業僅需要關注生產產品和要素，海上風電還需要對生產過程中的數據、信息、知識以及故障分析增加關注。

圖1 數字孿生五維模型

數字孿生五維模型，由虛擬實體、物理實體、孿生數據、服務系統和鏈接組成，虛擬模型和物理對像是一對對應層面，由信息連接通道進行其中的交互，虛擬對象、物理對象以及相關的服務系統等產生的數據統稱為孿生數據。通過分析計算孿生數據，可以得到有價值的信息反過來驅動多個對象的運行。相互作用是整個數字孿生模型特征，也可以相互促進其中的決策優化。

數字孿生體建立模型是要全面考慮模型的多方面信息，搭設物理端與虛擬端之間的橋梁，使孿生體全面反映物理實體的信息，進一步實現孿生體解除物理限制，從而使物理實體信息能夠預測。

1.3 設備標識KKS

KKS 編碼是用數字或字符，按照一定的規則，通過科學合理的排列、組合，來全面描述（標識）風電場各類系統、設備、元件、建（構）筑物的特征，從而構成了描述風電場狀況的基礎數據集，以便于對風電場進行管理。其對象要素關系：對象的功能屬性、名稱屬性和占位屬性三要素相互之間沒有自然相關性，可通過標識編碼將對象的三屬性關聯在一起。

1.4 深度學習

隨著計算機運算能力的逐年提高，機器學習以及深度學習有了顯著發展，以及卷積神經網絡等算法的應用和推廣，如今已經可以通過計算機完成以往無法完成的運算，對機器的自學習進步發展起了正向推動作用，深度學習方法也類似。作為機器學習的一個新方向，深度學習在計算機視覺和語音識別等領域得到較好應用，其中研究人員不斷優化、整合較為優秀的神經網絡如 Alexnet、RNN 等，以此構建了 Caffe、Pytorch、Tensorflow 等框架，降低了深度學習的應用門檻。

深度學習、強化學習等新興機器學習技術的發展為構建面向實體的復雜數字孿生體提供了基礎支撐。

數字孿生技術、深度學習理論以及遷移學習理論為構建海上風電數字孿生模型分析運行誤操作和設備故障提供理論基礎。

2 數字孿生模型構建與數據分析、設計

2.1 數字孿生業務模型

構建海上風電運維作業孿生數據模型，讓模擬數據環境與生產環境通過設備KKS 碼進行關聯，通過數字孿生模型算法，提升海上操作層巡點檢、兩票執行與承包商作業層檢修維護等物聯網安全生產管控智能化水平，如海上運維船與人員實時定位，運維巡檢、檢修作業定位與設備位置的對應關系，解決海上風電智能安全報警、作業時設備周邊環境安全提醒和危險行為預警數字孿生體系是該項研究的重點目標。

運行操作模型主要通過采集設備KKS 編碼，對運行狀態信息進行特征提取，建立電氣倒閘操作步驟的孿生數據邏輯關系，避免操作順序錯誤造成的電氣事故。故障診斷主要依托設備缺陷管理積累的故障知識庫，分析設備的健康情況，預測設備部件的受損情況，進而有針對性地進行檢查、維修，保證設備高效運行與維修。設計運維標準化業務孿生場景：設備缺陷位置和時間由KKS 定位感知獲取；巡檢到位（自動監測KKS 位置碼）時推出檢查項；電氣操作遠方智能監護（操作順序錯誤或誤入間隔報警）；工作票執行與KKS 位置碼不匹配，觸發越界報警。

感知設備（KKS 工藝碼）運行與人員作業（KKS位置碼）“脈搏”數據，反映實時狀態軌跡。（如圖2精準巡點檢感知）通過“業務場景+數字孿生”融合技術，最大限度地消除海上運維船及作業人員的安全隱患。

圖2 精準巡點檢感知

在海上風電場基礎管理、基礎設施、標準體系上重點突破，健全KKS 編碼安裝位置標識，研究海上定位系統作業，構建物聯網智能數字孿生管控系統。

反映實時運行狀態軌跡，通過“感知”真實物理場區，建立場區和數字孿生區之間的精準映射。實現智能干預，進而為海上智能作業大腦提供海量運行數據，使得海上作業具備自我學習、智慧生長能力。

隨著未來海上風電AR/VR 技術體系逐步完善，將推動風電+AR/VR 孿生應用系統的快速發展。主要包括產品設計、運維巡檢、遠程協作、操作培訓和數字孿生等方面。

2.2 數據分析

運用“事件網絡”技術，通過KKS 位置碼可以將海上風電運行巡檢、故障診斷的各種屬性映射到虛擬空間中，形成可修改、拆解、重復操作的數字鏡像，使標準作業流程透明化，并結合在巡點檢工作、管理操作流程、工作票執行等方面的數據，構建起完整的海上風電場數字孿生體，實現在運行參數、設備運行操作、巡點檢和管理作業流程上的協同關系。通過計算獲得作業任務模型優化的策略，使操作執行層得到反饋指令。從而能夠快速構建以生產模型為基礎的行業知識圖譜，通過智能調閱參考歷史數據，快速完成業務仿真模擬，極大降低了運算量，提升了分析效率，節省投入硬件設備。

2.3 算法詳細設計

（1）作業區域電子圍欄

運用設備KKS 位置碼的方法選擇判斷點是否在電子圍欄內/外，用數學來描述就是判斷一個點是在多邊形內/外部，比較常見的判斷點與多邊形關系的算法有射線法、點線判斷法、夾角和法等。

（2）構建計算型物聯網邊平臺

搭建海上風電場、風機塔筒內、海上升壓站、陸上計量站以及海面航行區重點部位、危險點等工作區域模型。在船舶上部署物聯網邊緣計算網關、UWB人員定位基站、機器視覺基礎設施，實現典型高風險作業關鍵要素聯動風險感知與管控。

（3）構建“WIFI+數字孿生底座”

基于海上風電場無線網絡技術，結合NB-IoT 等物聯網、WIFI SA+MEC 組網方式，以數據環境建設、地理場景搭建、組織架構、業務場景、大數據為支撐。支持用戶自行開發邊緣算法，將算法遠程download到網關并運行。

3 結論

3.1 總結

海上風電場KKS 編碼精準定位與數字孿生基礎研究體現“專業基礎+物聯網技術”“生產管控+ERP”“KKS 精準應用+生產應用場景”相融合設計，目前在國內發電集團中屬于首創，該課題的研究與開發將會促進大規模海上風電數字化轉型的落地。

“數據”以海上風電設備KKS 精準設計為基礎，將電氣倒閘操作、巡點檢關鍵步驟和檢查點與KKS關聯；

“模型算法”采用物聯網精準定位系統與海上作業應用場景設計結合，獲取作業人員實時位置、感知現場設備信息、判斷檢修作業人員誤入未授權區，實現智能“干預”；

“算力”依托物聯網數據采集、深度學習、遷移學習的知識庫數據，重在高風險作業關鍵要素、風險感知邏輯及算法等方面進行運算處理。

3.2 展望

本課題研究將在海上風電場基礎管理、基礎設施、標準體系上重點突破，健全KKS 編碼安裝位置標識，發揮海上定位系統作業，構建物聯網智能安全管控系統。

通過海上風電場物聯網邊平臺數據采集，數據孿生、深度學習，不斷訓練，得出作業風險高準確率AI 模型，最大限度地消除海上船舶及作業人員的安全隱患，實現高風險作業智能化本質安全管理從0到1的變化。