由于可再生能源發電量不斷增加、能源資源分散和重工業脫碳，世界能源系統變得越來越復雜和分布式。能源生產商面臨的挑戰是，在混合發電廠中優化運營效率和成本，這些廠同時生產可再生和碳基電力。電網運營商需要盡快地調度能源資源，以確保家庭和企業的電網可靠性和彈性。
Siemens Energy?使用?NVIDIA PhysicsNeMo?開發了 AI 代理模型，NVIDIA PhysicsNeMo?是一個開源框架，用于構建、訓練和微調物理信息機器學習 (Physics-ML) 模型。這些代理模型適用于復雜的工程系統，將為現代電網的工業數字孿生提供動力。這些系統包括電網中使用的襯套和氣體絕緣開關設備 (GIS)。襯套是一個關鍵的 Transformer 組件，是一種隔離結構，能夠幫助載流體通過接地水箱。
本文詳細介紹西門子能源公司如何構建其 AI 專業知識，并在復雜的電網系統中大規模利用加速的 Physics-ML 方法。
用于 Transformer 襯套的數字孿生
西門子能源公司是能源技術和開發領域的全球領導者，致力于推動清潔能源轉型。AI 是優化發電、改善全球能源供應鏈、增強能源需求預測和提高電網運營靈活性的關鍵推動因素。
然而，要實現由 AI 提供支持的自主互聯電力系統，需要通過模擬發電和傳輸基礎設施中物理精準的資產，以預測設備運行狀況和資產管理。
為此，西門子能源公司正在開發一種用于電網中的 Transformer 襯套的 AI 替代產品，以近乎實時地預測不同操作和環境條件下的熱點溫度。
AI 替代物用于變壓器套管的訓練策略
西門子能源公司使用 NVIDIA PhysicsNeMo 訓練神經網絡，以模擬導體內的熱量生成、在絕熱和支撐介質中的熱量傳播，以及冷卻介質和環境條件導致的熱損失。該模型充當 虛擬傳感器，能夠預測襯套資產在真實工作條件下的溫度分布，例如負載和環境溫度。同時，該模型還可以節省基于傳感器的昂貴監控系統的成本。
這種方法使用基于物理信息的神經網絡（PINN）來解決復雜的多域設置中的靜態熱傳導問題。該設置包括多個固態固態和固態流體接口，每個域都具有獨特的熱屬性。
借助襯套數字孿生中的虛擬溫度傳感器，電網運營商可以獲得近乎實時的溫度警告和最大負載指示見解，即使在不同的操作條件下。這樣可以防止熱失控事故，并減少因 Transformer 過熱而造成的電力浪費。
成果
Siemens Energy 使用 3D 設計文件捕獲每個襯套資產中組件的精確幾何表示。該團隊采用了特定領域的神經網絡訓練方法，單獨捕獲資產組件內的傳熱物理特性，并使用橢圓接口條件連接在一起。在 NVIDIA PhysicsNeMo 提供的輸入負載和環境條件下，對 AI 模型進行參數化。訓練完成后，對未見負載和環境操作條件的熱剖面推理調用可以在不到一秒的時間內進行處理，從而實現近乎實時的資產運行狀況診斷。
為了說明這一點，西門子能源公司使用了一個襯套資產示例，該襯套資產用于連接高電壓電網傳輸線和接地 Transformer。圖 2 內頁顯示了 Transformer 襯套在特定操作條件下的熱分布情況。通過監控熱分布，電網運營商可以快速評估和確定熱點溫度。此外，進一步分析可以確定溫度是否在當地或國家電網標準設置的規定限制范圍內。
通過使用變壓器襯套的數字孿生，客戶可以根據熱點溫度（而不是固定速率電流）動態地增加或減輕負載，以運行電網資產。電網運營商可以在較熱的環境條件下，以可控的方式運行電網資產，以較低的電流，而無需面臨昂貴的計劃外停機來進行設備維修。這提高了電網的可靠性，減少了停電，并有助于降低最終用戶的電力成本。
該襯套生在最大推薦額定值條件下運行，根據內部測量數據，誤差幅度小于 4%，即小于 3.5℃，目前正在進行客戶現場評估試驗。
用于氣體絕緣開關設備的數字孿生
氣體絕緣開關設備的功能是作為一個“大開關”，用于路由或斷開高功率電流。它使用某種氣體（SF6，Clean Air）作為絕緣介質，以防止火焰浮起。這種氣體通常是帶壓的，被填充到氣密的金屬外殼中，封裝載流導體。 與 GIS 相關的是空氣絕緣開關設備。這里，大氣空氣以及電氣導體之間更大的分離起到了絕緣作用。GIS 更緊湊，通常用于空間有限的區域，例如城市。
西門子能源公司正在積極使用基于 AI 的代理模型為 GIS 開發數字孿生，該數字孿生旨在預測運行中開關設備的瞬態熱行為。同時，該數字孿生還考慮到不同的 GIS 操作條件和配置，以實現短期過載。
AI 代理 GIS 訓練策略
為了安全運行 GIS，操作人員必須確保每個不同組件的溫度保持在各自的設計極限以下。電流通過導體，因電流損失而轉換為熱量，從而增加整個資產的溫度。
在開關設備設計中，這些溫度限制會被考慮進去，從而產生特定的操作邊界。然而，這些邊界通常來自相當保守的穩態考慮，而沒有考慮到溫度動態的瞬變性。這意味著，在某些情況下，操作邊界可以在一定時間內安全突破，即短時過載。
為了準確評估潛在的短時過載場景，開發的代理模型必須能夠預測開關設備的固態組件在給定狀態下的溫度動態變化，持續數小時，并且誤差幅度較小。同時，模型還必須能夠泛化電流大小和環境溫度的不同組合。
由于開關設備組件的復雜性（具有不同的材料和熱屬性），尤其是問題的瞬變性，因此我們選擇了 NVIDIA PhysicsNeMo 中可用的優化圖形神經網絡（GNN）作為代理模型的架構。該基于數據的方法的訓練數據是使用計算流體力學（CFD）模擬生成的。捕獲所有熱傳遞模式，包括通過傳導、對流和輻射的熱傳遞模式，是一個特殊的挑戰。
成果
在最初的概念驗證階段，我們開發了 GIS 的一個子部分的模型。該圖形模型來自具有確切規格的復雜幾何網格的簡化，包含數千個節點和邊緣。通過針對不同當前溫度和環境溫度組合運行瞬態 CFD 模擬，生成了大量數據，每次模擬的操作跨度為 10 小時，總計數百 GB 的數據。然后，我們對生成的數據進行預處理，包括平滑、壓縮低信息區域等，以便使用消息傳遞算法在 NVIDIA 多 GPU 設置上訓練圖形模型。
在訓練后，模型能夠在給定未知的環境溫度和電流的情況下準確預測 10 小時操作的發布溫度動力學。在單個 GPU 上，完整的推理發布時間不到 2 秒，誤差幅度在 0.3 K 以下。相比之下，這比瞬態 CFD 求解器快 10000 倍，準確性損失極小。通過額外的優化，圖形的大小和所需的訓練數據進一步減少，而不會顯著增加錯誤。
目前，整個交換機系統的代理模型的開發和現場驗證仍在進行中。
總結
Siemens Energy 已開始為單個電網資產開發數字孿生資產。目前，該公司正在開發 bushings 和 GIS 的原型，這些原型將由客戶驗證。Siemens Energy 計劃將單個資產數字孿生合并為系統數字孿生，然后將其集成到跨多個領域和地區的電網數字孿生中。
如需了解更多信息，請觀看點播 GTC 會議：借助物理特性提高電網彈性，并借助西門子能源公司的數據驅動型 ML 虛擬傳感器。另外，探索 NVIDIA PhysicsNeMo，用于構建物理-ML 驅動的 AI 代理模型。
?
