一种断网续控与重连平滑对齐的电气柜数字孪生控制方法与流程

摘要: 本发明涉及电气自动化与物联网控制,具体为一种断网续控与重连平滑对齐的电气柜数字孪生控制方法。背景技术:1、电气柜、配电箱等配电设备是工业供电、楼宇配电及户外计量...
一种断网续控与重连平滑对齐的电气柜数字孪生控制方法与流程

本发明涉及电气自动化与物联网控制,具体为一种断网续控与重连平滑对齐的电气柜数字孪生控制方法。

背景技术:

1、电气柜、配电箱等配电设备是工业供电、楼宇配电及户外计量系统中的核心基础设备,其运行状态直接影响供电系统的安全性、稳定性和可靠性。随着物联网技术在配电领域的推广,现有系统普遍通过采集终端获取电压、电流、温度、环境温湿度等运行数据,并将数据上传至远程管控平台,由平台进行状态监测、异常识别、能耗分析及远程控制。相关技术通过数据清洗、降噪、标准化及异常检测等方法提高了采集数据的质量;通过多维度状态监测、谐波分析、谐振路径解析等方式增强了对设备运行状态的感知能力;通过远程控制系统实现了断电需求分析、控制异常判断及远程操作调整;通过智能补偿、参数优化和过载风险模拟等手段提升了配电系统的运行管理水平。

2、然而,现有配电物联网系统普遍对通信网络的连续性具有较强依赖。在实际运行环境中,受户外通信条件、网络设备故障、信号干扰及运维调度等因素影响,电气柜与管控平台之间可能出现网络中断、延迟增大或连接频繁波动等情况。当通信中断时,本地控制单元通常只能依赖固定规则、预设阈值或断网前的控制指令继续运行,难以根据设备当前状态、环境变化和控制目标对未来运行趋势进行预判,容易出现柜内温度超限、负载分配不合理或控制响应滞后等问题。当网络恢复时,本地实际运行状态与平台侧期望状态之间可能已经形成偏差,若直接将本地控制切换至平台最新指令,又可能造成温度、负载率等状态量的快速跳变,以及风扇转速、负荷投切等控制指令的剧烈波动,进而增加设备运行冲击,影响控制平稳性和设备使用寿命。

3、因此,如何在不依赖稳定远程通信的条件下保持电气柜本地控制的连续性,并在网络恢复后实现本地状态与平台期望状态之间的平滑过渡,成为本领域亟待解决的技术问题。

技术实现思路

1、为了解决上述背景技术中存在的问题,本发明提出一种断网续控与重连平滑对齐的电气柜数字孪生控制方法,以解决电气柜物联网控制场景下断网时本地控制缺乏状态预判、控制连续性差,网络恢复时状态与指令突变易造成设备冲击、运行平稳性不足的问题,实现电气柜在网络异常条件下的连续自主控制和重连后的平滑对齐。

2、为实现上述目的,本发明采用以下技术方案:

3、一种断网续控与重连平滑对齐的电气柜数字孪生控制方法,包括以下步骤:

4、采集电气柜的状态数据、控制数据和环境数据,构建用于映射电气柜运行状态并预测状态演化的数字孪生模型;

5、当网络处于正常状态时,接收管控平台下发的期望状态,根据数字孪生模型生成控制指令并执行,同时利用实测数据更新数字孪生模型的参数;

6、当网络进入断网状态时,以断网时刻的实际状态为初始条件,通过数字孪生模型预测未来时域内的状态演化,生成断网期间的期望状态序列和对应的控制序列,并按照滚动优化方式执行所述控制序列;

7、以历史断网事件的状态偏差和断网持续时间为索引,预构建包含多条平滑对齐轨迹的重连对齐轨迹库,每条所述平滑对齐轨迹表征从断网恢复后的本地实际状态向平台期望状态过渡的状态路径及对应控制策略;

8、当网络恢复时,计算本地实际状态与平台最新期望状态的偏差,根据所述偏差和断网持续时间从重连对齐轨迹库中匹配目标对齐轨迹,并按照所述目标对齐轨迹执行控制,直至本地实际状态与平台期望状态完成对齐。

9、具体地,所述数字孪生模型采用离散状态空间模型表示:

10、;

11、其中,为离散时刻,为状态向量,为控制向量,为可测扰动向量,、、为系数矩阵,为数字孪生模型参数集合,为模型预测残差向量;

12、所述状态向量表示为:

13、;

14、其中,为柜内温度,为总负载率;

15、所述控制向量表示为:

16、;

17、其中,为风扇转速指令,为可控负荷投入比例;

18、所述可测扰动向量表示为:

19、;

20、其中,为环境温度,为不可控负载率;

21、所述系数矩阵表示为:

22、;

23、其中,为温度自保持系数,为环境温度对柜温的影响系数,为风扇对柜温的影响系数,为负载发热对柜温的影响系数,为负载率自保持系数,为可控负荷投入比例对总负载率的影响系数,为不可控负载率对总负载率的影响系数。

24、具体地,所述利用实测数据更新数字孪生模型的参数,包括:

25、(1)对温度子模型进行参数更新,所述温度子模型的参数向量和回归向量分别表示为:

26、;

27、;

28、在获得时刻的实测柜内温度后,计算温度预测误差:

29、;

30、更新温度子模型参数:

31、;

32、;

33、;

34、其中,为温度子模型增益向量,为温度子模型参数协方差矩阵,为遗忘因子,为单位矩阵;

35、(2)对负载率子模型进行参数更新,所述负载率子模型的参数向量和回归向量分别表示为:

36、;

37、;

38、在获得时刻的实测总负载率后,计算负载率预测误差:

39、;

40、更新负载率子模型参数:

41、;

42、;

43、;

44、其中,为负载率子模型增益向量,为负载率子模型参数协方差矩阵;

45、在完成温度子模型参数和负载率子模型参数更新后,对更新后的参数施加物理约束投影,使更新后的参数满足:,,,,,,;当任一参数超出对应约束范围时,将该参数限制在对应约束边界上。

46、具体地,所述通过数字孪生模型预测未来时域内的状态演化,包括:

47、设定预测时域,控制时域;在断网后的时刻,以当前状态为初始状态,按照下式进行多步状态预测:

48、;

49、其中,为预测步索引,;为求和索引;为在时刻预测的时刻状态;为在时刻预测的时刻可测扰动;

50、在预测时域内,将可测扰动视为保持断网时刻的当前值:

51、;

52、其中,为扰动预测步索引;

53、当控制步索引大于或等于控制时域时,控制量保持控制时域最后一步的值:

54、。

55、具体地,所述生成断网期间的期望状态序列和对应的控制序列,并按照滚动优化方式执行所述控制序列,具体包括:

56、设定未来控制时域内的控制序列为:

57、;

58、构造滚动优化目标函数:

59、;

60、其中,和分别为预测状态中的柜内温度和总负载率;为断网前最后一次接收的平台期望温度;为断网前最后一次接收的平台期望负载率;和分别为温度跟踪权重和负载率跟踪权重;和分别为风扇转速指令变化惩罚权重和可控负荷投入比例变化惩罚权重;为风扇转速指令的单步变化量;为可控负荷投入比例的单步变化量;

61、所述目标函数的优化满足以下约束:

62、;

63、;

64、;

65、;

66、;

67、;

68、其中,和分别为柜内温度的下限和上限;和分别为总负载率的下限和上限;和分别为风扇转速指令的下限和上限;和分别为可控负荷投入比例的下限和上限;和分别为风扇转速指令和可控负荷投入比例单步变化量的上限;

69、在所述约束下求解优化问题:

70、;

71、得到最优控制序列:

72、;

73、并将所述最优控制序列代入多步状态预测公式,得到对应的期望状态序列:

74、;

75、其中,为最优控制向量,为与最优控制向量对应的预测状态;

76、执行所述最优控制序列中的第一步控制量,并在下一控制周期以新的实测状态为初始条件重新进行预测和优化。

77、具体地,所述预构建重连对齐轨迹库包括:

78、将断网恢复后的温度偏差、负载率偏差和断网持续时间离散为网格点,得到重连对齐轨迹库的条目集合:

79、;

80、其中,为重连对齐轨迹库条目索引,为条目总数,为第条目的温度偏差网格值,为第条目的负载率偏差网格值,为第条目的断网持续时间网格值;

81、对第条目,设定轨迹时域长度为,轨迹步索引为,并设定归一化时间:

82、;

83、采用五次多项式构造第条目的偏差轨迹:

84、;

85、其中,;所述偏差轨迹满足,,且在和处所述偏差轨迹的一阶导数和二阶导数均为零;

86、将平台期望状态与所述偏差轨迹叠加,得到第条目的本地参考状态轨迹:

87、;

88、其中,为平台期望状态;

89、根据所述数字孪生模型,以本地参考状态轨迹为跟踪目标,通过逆模型求解或满足状态、控制约束的二次规划求解,得到第条目的控制序列:

90、;

91、将第条目的温度偏差网格值、负载率偏差网格值、断网持续时间网格值、本地参考状态轨迹和控制序列关联存储,形成所述重连对齐轨迹库。

92、具体地,所述根据偏差和断网持续时间从重连对齐轨迹库中匹配目标对齐轨迹,包括:

93、在网络恢复时刻,获取本地实际状态、平台最新期望状态和本次断网持续时间,并计算当前状态偏差:

94、;

95、式中,为当前温度偏差,为当前负载率偏差;

96、计算当前场景与重连对齐轨迹库中第条目之间的加权距离:

97、;

98、其中,、和分别为温度偏差、负载率偏差和断网持续时间的匹配权重;、和分别为历史样本中温度偏差、负载率偏差和断网持续时间的归一化尺度;

99、选取加权距离最小的条目作为目标对齐轨迹:

100、;

101、其中,为目标对齐轨迹的条目索引;

102、按照第条目对应的本地参考状态轨迹和控制序列执行重连对齐控制。

103、具体地,在按照所述目标对齐轨迹执行控制之前,执行安全工况判断:

104、判断本地实际状态是否满足:

105、(1)网络恢复时刻的实测柜内温度高于温度紧急阈值或网络恢复时刻的实测总负载率高于负载率紧急阈值;

106、(2)利用所述数字孪生模型进行一步预测后超出温度或负载率硬约束;

107、当满足任一条件时,进入安全优先控制模式,将风扇转速指令设置为上限并将可控负荷投入比例设置为下限,直至柜内温度和总负载率均回到安全范围内,重新采集本地实际状态并计算与平台最新期望状态的偏差,返回轨迹匹配步骤选择新的目标对齐轨迹执行。

108、具体地,按照所述目标对齐轨迹执行控制,具体包括:

109、在执行目标对齐轨迹的第步控制量之前,利用当前更新后的数字孪生模型进行一步状态预测:

110、;

111、其中,为第步实测状态,为目标对齐轨迹第步的控制向量,为第步可测扰动向量;

112、计算预测状态与目标对齐轨迹参考状态之间的跟踪误差:

113、;

114、其中,为目标对齐轨迹第步的参考状态;

115、当满足时,执行,式中为轨迹跟踪误差阈值;当满足时,以当前实测状态为初始状态,以目标对齐轨迹中未来步的参考状态为跟踪目标进行滚动优化,得到修正控制序列,并执行所述修正控制序列的第一步控制量;为短时预测时域步数。

116、具体地,在本地实际状态与平台期望状态完成对齐之后,执行轨迹库扩充:

117、计算当前场景与重连对齐轨迹库中所有条目之间的加权距离,并获取最小加权距离:

118、;

119、当满足时,将本次断网持续时间、网络恢复时刻的状态偏差、本次对齐过程中实际跟踪的状态轨迹以及实际成功执行的控制序列作为新条目存入重连对齐轨迹库;为轨迹库扩充阈值;

120、在存入所述新条目之前,采用五次多项式对所述实际成功执行的控制序列进行平滑处理,使平滑后的控制序列在相邻轨迹步之间的变化量满足风扇转速指令变化上限和可控负荷投入比例变化上限。

121、综上所述,本发明的有益技术效果为:

122、1.提高了断网期间的控制连续性:本发明通过数字孪生模型对柜内温度和总负载率进行多步状态预测,并在断网期间基于预测结果生成期望状态序列和控制序列,使本地控制器在失去平台通信后仍能够按照控制目标持续运行。相比于断网后仅保持固定输出或依赖预设阈值的方式,本发明能够提前响应温度变化和负载变化,降低柜内温度超限、负载分配不合理以及控制滞后的风险。

123、2.增强了数字孪生模型对实际工况的适应能力:本发明采用可在线更新的离散状态空间模型,并利用实测数据对温度子模型和负载率子模型进行递推参数辨识。该方式不依赖大规模标注数据,能够在边缘侧实时运行,同时通过物理约束投影限制参数范围,使模型既能够随设备老化、季节变化和负载差异进行调整,又保持物理意义明确、运行稳定。

124、3.提高了重连过程的状态过渡平稳性:本发明预构建以温度偏差、负载率偏差和断网持续时间为索引的重连对齐轨迹库,并采用五次多项式生成平滑偏差轨迹。该类轨迹在起点和终点处满足一阶导数和二阶导数为零的条件,能够使本地实际状态向平台期望状态渐进过渡,减少网络恢复瞬间的状态跳变以及风扇转速、负荷投切等控制指令的剧烈波动,从而降低设备运行冲击。

125、4.提高了对齐轨迹与实际工况的匹配效率:本发明在网络恢复时计算当前状态偏差、断网持续时间与轨迹库条目之间的加权距离,并选取距离最小的条目作为目标对齐轨迹。该方式无需在重连时刻临时求解完整过渡过程,能够快速获得适用于当前工况的状态路径和控制策略,满足边缘控制器对实时性的要求。