數字孿生在煤礦電網中的應用研究

趙建文， 孟旭輝

（西安科技大學 電氣與控制工程學院，陜西 西安 710054）

0 引言

由于煤礦井下環境潮濕、空間狹窄，同時存在瓦斯、煤塵爆炸等危險，煤礦電網智能化推進進程相比地面電網較慢。因此，需要借助全球數字化、信息化浪潮，大力推進煤礦電網的智能化進程。

隨著大數據時代的來臨，在當今傳感技術、軟硬件技術水平大大提高，計算機運算性能提升的背景下，數字孿生技術得到了充分發展，并應用在諸多領域中。文獻[1]系統性地探索了數字孿生技術在電力領域的應用，分析了數字孿生模型與傳統仿真模型的區別，闡述了數字孿生模型在電力系統中應用的前景。文獻[2]針對風電行星齒輪系統需要智能化無人管理的特點，提出了基于數字孿生的系統設計思路，在SolidWorks 中建立了與研究對象實物高度吻合的三維模型。文獻[3]設計了基于數字孿生的泛在電力物聯網模型架構，并對模型運行機制進行了研究，實現了泛在電力物聯網系統的故障診斷、預測和健康管理。文獻[4]將數字孿生技術引入電氣制造領域，對某變電站在役 220 kV 氣體絕緣金屬封閉開關進行數字孿生建模，推進了設備運行維護和數字孿生技術的融合。文獻[5]提出了煤礦數字孿生的設想，依據實際的煤礦井下綜采系統設計了煤礦智能綜采數字孿生系統，并且融合信息、工業和人工智能技術，建立了智慧礦山體系架構和智慧礦山平臺，為數字孿生技術在煤礦領域的應用提供了思路和借鑒。

數字孿生技術已成為制造業和工業研究的焦點，將數字孿生技術引入煤礦電網，建立煤礦電網數字孿生體系，既可以推進煤礦智能化進程，建立智能+綠色一體化的健全系統，又對保證整個系統的安全穩定，實現數據資源的高效利用具有重要意義。本文基于數字孿生技術的概念和內涵，提出了煤礦電網數字孿生體系的架構，探索了煤礦電網數字孿生體系的運行模式，介紹了數字孿生技術在煤礦電網中應用所需的關鍵技術，并給出了具體的應用場景，旨在為數字孿生在煤礦電網中的應用提供思路。

1 數字孿生概述

1.1 數字孿生概念和內涵

數字孿生是在信息世界中建立一個與物理世界中實物相對應的可視化模型的技術，并且該模型可通過傳感器實時更新其物理狀態的信息。

本文從電力系統的角度出發，認為數字孿生的內涵是利用數據對物理對象的狀態和運行進行動態仿真建模的方法。構建完成的數字孿生模型可以與現實世界中的物理實物相對應，模擬真實物體在干擾和環境影響下的內部過程、技術特性和行為。將數字孿生技術應用在煤礦電網中，建立可以更加精準地對煤礦電網物理實體全生命周期的狀態、過程及變化進行建模、仿真、分析和預測的數字孿生模型，實現對煤礦電網 1∶1 的映射和復制。

1.2 數字孿生在煤礦電網應用的優勢

煤礦電網數字孿生模型以同步實體運行狀態、數字化模擬運行 2 種手段來輔助煤礦電網的運行管理，區別于現行模型仿真，具有數據驅動、實時更新、同步反饋的特點。圍繞數字孿生模型建立煤礦電網數字孿生體系，能最大程度發揮數據量多的優勢，使得對實體煤礦電網的運行模擬更加精確。此外，煤礦電網數字孿生體系可以融合工程領域的其他數字技術，例如建筑信息模型（Building Information Modeling，BIM）和實體場景云數據等，以其作為基礎技術支撐的數字孿生在煤礦電網中具有很高的應用潛力[6]。

2 煤礦電網數字孿生體系

2.1 基本架構

針對煤礦電網物理結構及物理實體特征等參數，建立煤礦電網的數字空間模型，進而實現煤礦電網實體空間和虛擬數字空間之間的實時交互映射和同步反饋，并通過測量數字孿生模型從物理實體采集的設備設計、運行等參數，進行數據預處理和數據標志等數據融合分析操作，使得用戶通過人機接口遠程或虛擬操作設備，實現煤礦電網智能化。

煤礦電網數字孿生體系由煤礦電網物理實體層、煤礦電網數字孿生模型層、用戶管理服務層、數據交流層組成，如圖1 所示。

圖1 煤礦電網數字孿生體系基本架構Fig. 1 Basic architecture of digital twin system of coal mine power grid

1） 煤礦電網物理實體層。煤礦電網物理實體是構建煤礦電網數字孿生體系的基礎，其包括煤礦電網的所有要素，為煤礦電網數字孿生體系其余層級提供煤礦電網系統原始的數據資源。由于煤礦井下狹長空間和放射式結構等特點，數據傳輸難度相較地面較大，通過基于微機電系統（Micro-Electro-Mechanical System，MEMS）、LoRa[7-8]等技術的集成度高、抗干擾性強和功耗低的傳感器和多主模式的數據采集形式建立針對煤礦電網的數據采集技術。

2） 煤礦電網數字孿生模型層。煤礦電網物理實體中每一個元素都會經過映射來到虛擬端，并經過數據整合演算構建成為一個對應的數字孿生模型。煤礦電網數字孿生模型是煤礦電網數字孿生體系的核心，由PSCAD/EMTDC 和Matlab/Simulink 等高精度電路仿真建模技術配合三維地理信息系統（Geography Information System，GIS）、全景等可視化技術建立，并且由煤礦電網的數據驅動實現煤礦電網設備智能健康評估、線路智能巡檢、故障智能診斷等功能。因此，需要集成機器學習、深度學習、神經網絡和高維統計分析等智能算法。同時針對煤礦電網多段電纜供電、低壓大電流和較短的傳輸距離等特點，進行故障診斷和健康評估時需要綜合考慮煤礦電網的多方面因素對技術進行改進，以建立煤礦電網數字孿生模型層。

3） 用戶管理服務層。該層是煤礦電網數字孿生體系的“方向盤”，包括用戶、人機接口、應用軟件及孿生共智技術，其中孿生共智技術是涉及數字孿生模型等資源的接口、互操作、在線插拔和安全訪問的技術。由于煤礦電網具有井下和井上及移動等多個不同等級的變電站，需要通過虛擬現實（Virtual Reality，VR）、高級過程控制（Advanced Process Control，APC）、城市信息模型（City Information Model，CIM）等技術開發多個變電站一體化控制的應用平臺及其對應軟件[9-10]，實現數字孿生模型的可視化智能監控，以及用戶對數字孿生模型的遠程模擬操作和智能監管調度功能。

4） 數據交流層。該層是煤礦電網數字孿生體系的“橋梁與紐帶”，具有同步交互和閉環反饋的特點，負責對物理實體層、數字孿生模型層及用戶管理服務層之間的數據流和信息流進行整合演算。將物理實體、數字孿生模型、用戶三者連接成一個整體，形成物理空間和數字空間的閉環通路，并集成了數據和信息高效有序采集、傳輸和通信的技術，提供信息交換、數據保證、安全保障等支持。隨著目前5G、窄帶物聯網（Narrow Band-Internet of Things，NB-IoT）及LTE-Cat 1 等通信技術的高速發展，煤礦電網的人機接口可以通過5G 網關實現數據高效率、高穩定性傳輸[11-12]；之后通過NB-IoT 或LTE-Cat 1 等通信技術，使物理實體和數字孿生模型達到實時交互、同步反饋及互操作的程度，實現二者之間的孿生共智。

2.2 運行模式

針對煤礦井下場景構建的煤礦電網數字孿生體系，將數字煤礦電網與物理煤礦電網2 個主體通過1:1 建模、物聯感知、信息物理系統（Cyber-Physical Systems，CPS）和泛在網絡實現系統運維和用戶操作的“由實入虛”；再通過多學科、多尺度的仿真過程、科學決策和智能控制“由虛入實”，在數字空間進行仿真與控制，在物理空間進行實踐。煤礦電網數字孿生模型與現實物理實體相輔相成，互相優化，實現煤礦電網電氣設備健康管理、故障診斷和井下全域感知與巡檢等各項業務數字化運營，形成煤礦電網智能化運行模式，如圖2 所示。

圖2 煤礦電網數字孿生體系的運行模式Fig. 2 Operation mode of digital twin system of coal mine power grid

2.2.1 物理實體運行模式

為實現煤礦電網數字孿生模型層與煤礦電網物理實體層的信息精準匹配、控制，以及煤礦電網數字孿生體系服務的正常運行，需要對物理實體全域的數據進行采集。在煤礦井下安裝集成度高、抗干擾性強和功耗低的傳感器，同時采用主從式數據采集模式，實現煤礦電網數字孿生體系的數據采集[13-14]。通過5G 技術的低時延、大帶寬，區塊鏈技術的去中心化和Massive MIMO 技術具有更小體積的天線尺寸等適應煤礦井下特殊環境的技術，建立煤礦電網數字孿生智能數據庫[14-15]，完成對數據的加工、儲存、更新、拓展和維護，進而為煤礦電網數字孿生模型的智能控制和科學決策提供精準的數據。

2.2.2 數字孿生模型運行模式

在數字空間，煤礦電網由數據資源管理系統、數字孿生模型和智能控制平臺組成。數據資源管理系統通過建立數據采集和處理系統對物理實體數字化標志的數據進行采集、統一管理和使用。通過加載數據資源管理系統中采集的物理實體數據，利用電網信息模型（Grid Information Model，GIM）等技術構建煤礦電網在虛擬數字領域對應的數字孿生模型，實現煤礦電網的虛實對應、實時映射、同步反饋。構建數字孿生模型后，需要建立智能控制平臺來完成煤礦電網數字孿生模型的智能控制和科學決策。通過BIM、三維GIS、大數據、云計算、物聯網等智能化技術，將煤礦電網各個設備經過融合演算，同步形成數字煤礦電網的智能控制平臺[16]，實現煤礦電網從規劃、建設到管理的全過程、全要素、全方位的數字化、在線化和智能化。

3 煤礦電網數字孿生體系關鍵技術

3.1 煤礦電網數字孿生模型構建

建立全息感知、多源融合、同步反饋和信息交互的煤礦電網數字孿生模型是構建煤礦電網數字孿生體系的核心。隨著互聯網、大數據技術的高速發展，現代煤礦電網可以采集到的數據量爆炸性增長，以往通過物理模型進行建模仿真的傳統建模方法僅僅能夠通過輸入設置的參數來仿真驗證煤礦電網的運行情況和電網信息等，無法與采集到的設備和線路的海量數據進行匹配。煤礦電網數字孿生模型構建技術采取雙驅動模型融合的方式，即物理模型驅動和數據模型驅動建模相結合。通過煤礦電網物理實體的電網結構建立精確的數字孿生模型，實現與物理實體實時信息交互，通過數據平臺反映煤礦電網的運行狀態。為了滿足煤礦電網數字孿生模型中信息交互的實時性和數據的準確性，數字孿生模型的數據處理平均延遲時間應小于10?2ms，仿真數據與實際數據的誤差應小于3%[17]。建模時應先建立設備的數字孿生模型，進而連接各個設備的模型，構建煤礦電網各個子系統的數字孿生模型，最終構建全域的煤礦電網數字孿生模型。

3.2 智能數據采集

海量而多元的數據是構建煤礦電網數字孿生體系的基礎，建立智能化的數據采集體系是構建煤礦電網數字孿生體系的入口和通道。因此需要對煤礦電網中不同區段、不同線路、不同型號電纜、接線盒及配電裝置的絕緣狀況、運行狀態和其他狀態信息進行連續自動采集和監控[18]。

針對煤礦井下復雜環境，數據傳輸難度相較地面較大。地面常采用一主多從的數據采集形式，即主機以巡檢方式按周期對分站進行數據采集，需要精確定位節點地址來配合主機的數據讀取。相比主從形式，多主的數據采集形式即每個節點設備均可主動向上發送數據，僅存在按時傳送的單向數據，降低了通信帶寬的占用，減少了中心站主機數據采集任務，狀態數據無需中心站主機進行二次處理，提高了硬件資源利用率的同時狀態反饋更加及時，實現了數據的實時更新，效率更高，更符合煤礦智能化的需求[19-20]。同時，具有極小的質量和體積、極低的功耗、良好的抗振動性能、高抗沖擊能力等特點的MEMS 技術[21-22]和功耗低、丟包率小、抗干擾性好的LoRa 技術[23-24]高度適配煤礦井下的數據采集系統，已有大量高集成度芯片級傳感產品應用于煤礦中。在傳輸大量采集的數據時，煤礦電網數字孿生體系的智能數據采集技術應滿足系統在數據傳輸周期為 500，100 ms 時的數據丟失率均為 2.4%以下的精度要求。

3.3 基于5G 的智能通信

煤礦井下空間狹窄且分支多，設備多且密集，并且周圍的粗糙煤壁易對無線電波傳輸產生干擾。因此建立煤礦電網數字孿生體系需要先進的無線通信技術。5G 技術“多連接、大帶寬、低延時”的特性，是實現實時、高效、雙向智能通信的保障。

5G 技術在煤礦電網中應用時，可能會產生高頻無線信號快速衰減和網絡覆蓋范圍有限等問題，同時井下狹長的通道也會對信號傳遞造成影響。針對高頻無線信號快速衰減的問題， Massive MIMO 技術能夠帶來更高的天線陣列增益，大幅提升系統容量，同時能夠將波束控制在很窄的范圍內，從而帶來高波速增益，有效補償高頻段傳輸的較大路徑損耗[25]。將Massive MIMO 與正交頻分復用（Orthogonal Frequency Division Multiplexing，OFDM）技術融合，配合天線選擇算法建立優化函數，智能選擇符合煤礦電網環境的天線，實現系統容量與系統功耗的平衡，解決Massive MIMO 系統天線規模帶來的功耗問題[26-28]。從網絡覆蓋范圍的角度分析，單個5G 微基站的有效覆蓋距離約為 500 m，相對當前煤礦井下4G 基站的覆蓋距離（1.5 km），采用 3 個以上5G 微基站即可完全覆蓋原 4G 網絡的覆蓋范圍，并且具有更大的帶寬、更低的延時和更小的體積，更有利于井下長時間使用的安全性[29]。針對狹長多分支的井下空間，應合理使用5G 微基站技術，采取5G+有線光纖的網絡框架，合理控制功耗和優化站點配置[30-31]。目前5G+有線光纖架構的傳輸速率為10 Gbit/s，故障時保護倒換時間達30 ms 以內，可滿足數字孿生系統的應用需要。針對煤礦井下應用5G 技術可能產生的其他難題，大多可通過對5G 技術的合理規劃與布置解決，從而合理實現煤礦電網數字孿生體系中數據之間、設備之間、人機之間交流的一體化融合。

3.4 數字孿生智能數據庫

煤礦電網中所采集到的海量多元數據（如絕緣參數和運行狀態參數）需要分區段、分線路進行存儲和處理，這些數據之間既存在聯系，也相互獨立。同時煤礦電網數字孿生模型中存在大量的核心敏感數據，這些數據對數據系統安全性的要求很高，傳統的數據庫一般不能提供一個兼顧安全和高效的數據共享環境。因此需要建立能夠存儲數據的通用數據庫，可將拜占庭容錯共識、國密算法和P2P 數據傳輸等技術集成，形成一種新的煤礦電網數字孿生體系的區塊鏈技術，實現煤礦電網數字孿生體系的去中心化，解決中心化數據系統的單點安全問題和大量數據的同步網絡需求不足問題，加強數據的精細化匯集和高效管理，提高信息流通效率，并保證在煤礦電網某處發生故障時數據庫系統的穩定和安全[32]。

由于區塊鏈不適合存儲大規模數據，所以在煤礦電網數字孿生體系中應聯合數據庫LevelDB 和星際文件系統（InterPlanetary File System，IPFS）進行存儲[33-34]。數據庫LevelDB 用于存儲區塊鏈的索引、狀態、歷史狀態數據；IPFS 用于存儲區塊本體和非格式化文件，其中非格式化文件的指紋信息存儲于區塊中，這樣既滿足了高效性，也滿足煤礦電網較大數據規模的存儲要求。

3.5 數字孿生設備智能管理平臺

通過采集煤礦電網中設備的海量數據，建立連接各個設備和人機交互接口的數字化設備管理平臺。利用基于數字孿生模型的全息投影技術，將虛擬空間的數字孿生模型通過三維圖像的精確重構和映射，實現煤礦電網數字孿生模型多維度數據的可視化精確表征[35]，并通過VR 技術使得可視化的三維模型與虛擬空間的數字模型高精度同步更新，實時映射數字孿生模型的運行進程，進而融合人工智能模式識別、語音或手勢感知等指令，達到用戶對煤礦電網數字孿生模型的遠程控制、智能監控、精確查找定位和自由調度，進而實現人、機的智能控制和有機融合。在此基礎上，通過物聯網實現煤礦電網數字孿生模型中各個設備與用戶的泛在連接，實現用戶對煤礦電網數字孿生模型各個設備和工作進程的智能化感知、調控、管理和識別[36]。

4 煤礦電網數字孿生體系的應用方向

4.1 煤礦井下電氣設備狀態評估

傳統的煤礦井下電氣設備評估方法難以在兼顧安全性和經濟性的同時，對規模愈來愈龐大的煤礦井下設備進行精準的狀態評估。利用數字孿生模型模擬的設備運行數據，綜合煤礦井下特定環境，選取設備運行溫度、電動機轉速和電流等評價指標，將孿生數據和煤礦電網物理實體數據進行對比，建立設備健康狀態評估模型，實現煤礦井下電氣設備狀態評估，具體流程如圖3 所示。文獻[37-38]分別采用大數據挖掘和BP 神經網絡的方法，在獲取設備數據的基礎上進行大數據分析和機器學習建模，實現煤礦井下設備狀態評估，設備健康狀態的預測值與實際值誤差不超過9%，準確率達90%以上。文獻[39]針對電力變壓器建立精細化數字孿生模型，利用數字孿生技術模擬實體中難以全面獲取的短路電流次數、繞組直流電阻等指標，對設備數字孿生模型進行影響因素分析，并依此進行差異化劃分，實現對設備精準高效的狀態評估。

圖3 煤礦井下電氣設備狀態評估流程Fig. 3 Condition assessment flow of electrical equipment in underground coal mine

4.2 煤礦電網故障定位和保護

煤礦電網具有多段電纜供電、較短的傳輸距離和低壓大電流等特點，使得其故障特征與判斷非常困難，尤其是諧波諧振引起的保護系統誤動作及小電流接地故障的診斷等，難以設計單一有效的指標對其進行精準的故障診斷。對數字孿生模型模擬的大量且豐富的各種故障電氣數據進行預處理，進而進行數據融合，構建電網故障的高維統計指標，將常規電氣特征、融合數據特征等作為輸入，將故障所在位置作為輸出，利用卷積神經網絡、深度學習和線性判別分析等機器學習算法建立機器學習模型；所建模型可從實時數據集中提取出故障的深層特征，作為故障的精確判據，并利用Adam（Adaptive Moment Estimation）、RMSProp（Root Mean Square Propagation）

等優化算法提高模型的精度，防止陷入局部最優的情況，實現煤礦電網故障的智能定位。煤礦電網故障定位和保護流程如圖4 所示。文獻[40]利用卷積神經網絡，融合多組判據作為故障特征，實現煤礦電網單相接地故障選線，且不受故障線路、故障距離、故障初相位等條件的影響，仿真驗證準確率達 99.8%。

圖4 煤礦電網故障定位和保護流程Fig. 4 Fault location and protection flow of coal mine power grid

通過煤礦電網數字孿生模型的數據總線建立防越級環網，同時對煤礦電網內各個開關進行編號，實現煤礦供配電系統各個變電站的有機連接，使其自主交互、上傳故障信息，并融合煤礦電網故障定位系統，建立分布式防越級系統，具體工作參考文獻[41-43]。

4.3 煤礦電網智能監控

對煤礦電網物理實體全域的所有元素進行數字化標志，在此基礎上建立的煤礦電網數字孿生模型具有較高的精確性，將智能化傳感設備采集到的數據和信息通過通信紐帶加載到數字孿生模型中，能夠實現物理實體和數字模型的1∶1 精準映射，實現設備狀態和運行進程的可視化智能監控[44]。工作人員操作煤礦電網設備時，可借由操作煤礦電網數字孿生體系實現遠程控制，提高效率，并且減少人員下井等不確定因素引起的不穩定性風險。同時，通過應用人工智能算法，使得采集到的數據在數字孿生模型中不斷優化迭代和仿真，進而驅動設備實現自主決策、自主管理、故障預警和自我優化，實現在無人操控時完全自主管理與決策的煤礦電網數字孿生體系[45]。

4.4 煤礦井下線路智能巡檢

煤礦井下線纜常常由于通風不良導致熱量不易散發，或因管理不當導致線纜脫落泡水等引起漏電等電氣故障。井下空間狹窄，傳統的煤礦井下線路巡檢方式難度大、效率低，且可靠性受人為因素影響。文獻[46]將無人機作為數據采集裝置并引入電力系統，配備后端多種識別和數據學習算法，實現了自動化電力巡檢。文獻[47]將無人機巡線系統引入煤礦井下，借助激光即時定位與地圖構建（Simultaneous Localization and Mapping，SLAM）、機器視覺、圖像處理等技術實現無人機的同步定位。無人機能夠智能識別場景的異常狀態并自動巡檢，降低了人力和財力的投入，無需停止生產進行巡檢[48-49]。在無人機的基礎上結合數字孿生技術，建立煤礦井下無人機智能巡檢模塊，將井下圖像傳回數字孿生模型，構建飛行安全通道，并且實時優化飛行路徑，實現自主避障。此外，將流過線纜的電流數據與數字孿生模型中模擬運行的數據進行比較，對超過閾值的線纜進行電流標幺值比對，以此判斷線纜是否出現老化等問題，提高線路巡檢的準確度。煤礦井下線路智能巡檢技術路線如圖5 所示。

圖5 煤礦井下線路智能巡檢技術路線Fig. 5 Intelligent inspection technology route of coal mine underground line

5 結語

數字孿生應用在煤礦電網時相較于傳統煤礦電網在數據利用方面更加高效、在設備維護方面更加經濟，并且在管理和運行模式方面具有智能決策、自主學習和完善等功能，更加適應當今煤礦智能化的需求。此外，煤礦電網數字孿生體系可以更好地利用信息工程領域中的神經網絡、支持向量機和深度學習等技術，在處理非線性和不確定性問題時更加智能和精準。但目前煤礦電網數字孿生體系建設仍處于探索階段，隨著未來人工智能、大數據、物聯網等技術的進一步發展，成熟的煤礦電網數字孿生體系可實現能量流和信息流的深度融合，后續在硬件算力足夠強大時，煤礦電網數字孿生體系還可結合超實時虛擬測試、多代理等技術，優化自主決策功能，實現煤礦電網的深度智能化，使煤礦電網運行更加智能、安全、高效。