基于多模态融合学习的数字孪生驱动的电力变电站故障诊断

《Nature Communications》：Digital twin-driven fault diagnosis of power substations by multi-modal fusion learning

摘要

变电站是确保电力系统可靠运行的关键基础设施。随着数字化程度的提高和系统复杂性的增加，多源数据的快速增长给准确及时的故障诊断带来了重大挑战。现有的方法往往难以有效整合异构数据或适应不同的运行条件。为了解决这些限制，本研究提出了一个基于数字孪生的故障诊断框架，该框架采用多模态融合模型，通过图注意力网络（Graph Attention Networks）和自注意力机制（self-attention mechanisms）整合系统拓扑、报警信息、故障波形以及SCADA数据。在110 kV变电站的实验中，使用CloudPSS生成的11,597个训练场景和3,890个测试场景对这种方法进行了验证。实验结果显示，在数据丢失率低于30%的情况下，故障定位的准确率超过95%，故障类型识别的准确率为97%，保护装置故障检测的准确率为90%。部署的数字孪生系统进一步证明了所提出方法的实际可行性，展示了其在复杂运行环境中的鲁棒性。