由于可再生能源发电量不断增加、能源资源分散和重工业脱碳，世界能源系统变得越来越复杂和分布式。能源生产商面临的挑战是，在混合发电厂中优化运营效率和成本，这些厂同时生产可再生和碳基电力。电网运营商需要尽快地调度能源资源，以确保家庭和企业的电网可靠性和弹性。
Siemens Energy 使用 NVIDIA Modulus 开发了 AI 代理模型，NVIDIA Modulus 是一个开源框架，用于构建、训练和微调物理信息机器学习 (Physics-ML) 模型。这些代理模型适用于复杂的工程系统，将为现代电网的工业数字孪生提供动力。这些系统包括电网中使用的衬套和气体绝缘开关设备 (GIS)。衬套是一个关键的 Transformer 组件，是一种隔离结构，能够帮助载流体通过接地水箱。
本文详细介绍西门子能源公司如何构建其 AI 专业知识，并在复杂的电网系统中大规模利用加速的 Physics-ML 方法。
用于 Transformer 衬套的数字孪生
西门子能源公司是能源技术和开发领域的全球领导者，致力于推动清洁能源转型。AI 是优化发电、改善全球能源供应链、增强能源需求预测和提高电网运营灵活性的关键推动因素。
然而，要实现由 AI 提供支持的自主互联电力系统，需要通过模拟发电和传输基础设施中物理精准的资产，以预测设备运行状况和资产管理。
为此，西门子能源公司正在开发一种用于电网中的 Transformer 衬套的 AI 替代产品，以近乎实时地预测不同操作和环境条件下的热点温度。
AI 替代物用于变压器套管的训练策略
西门子能源公司使用 NVIDIA Modulus 训练神经网络，以模拟导体内的热量生成、在绝热和支撑介质中的热量传播，以及冷却介质和环境条件导致的热损失。该模型充当 虚拟传感器，能够预测衬套资产在真实工作条件下的温度分布，例如负载和环境温度。同时，该模型还可以节省基于传感器的昂贵监控系统的成本。
这种方法使用基于物理信息的神经网络（PINN）来解决复杂的多域设置中的静态热传导问题。该设置包括多个固态固态和固态流体接口，每个域都具有独特的热属性。
借助衬套数字孪生中的虚拟温度传感器，电网运营商可以获得近乎实时的温度警告和最大负载指示见解，即使在不同的操作条件下。这样可以防止热失控事故，并减少因 Transformer 过热而造成的电力浪费。
成果
Siemens Energy 使用 3D 设计文件捕获每个衬套资产中组件的精确几何表示。该团队采用了特定领域的神经网络训练方法，单独捕获资产组件内的传热物理特性，并使用椭圆接口条件连接在一起。在 NVIDIA Modulus 提供的输入负载和环境条件下，对 AI 模型进行参数化。训练完成后，对未见负载和环境操作条件的热剖面推理调用可以在不到一秒的时间内进行处理，从而实现近乎实时的资产运行状况诊断。
为了说明这一点，西门子能源公司使用了一个衬套资产示例，该衬套资产用于连接高电压电网传输线和接地 Transformer。图 2 内页显示了 Transformer 衬套在特定操作条件下的热分布情况。通过监控热分布，电网运营商可以快速评估和确定热点温度。此外，进一步分析可以确定温度是否在当地或国家电网标准设置的规定限制范围内。
通过使用变压器衬套的数字孪生，客户可以根据热点温度（而不是固定速率电流）动态地增加或减轻负载，以运行电网资产。电网运营商可以在较热的环境条件下，以可控的方式运行电网资产，以较低的电流，而无需面临昂贵的计划外停机来进行设备维修。这提高了电网的可靠性，减少了停电，并有助于降低最终用户的电力成本。
该衬套生在最大推荐额定值条件下运行，根据内部测量数据，误差幅度小于 4%，即小于 3.5℃，目前正在进行客户现场评估试验。
用于气体绝缘开关设备的数字孪生
气体绝缘开关设备的功能是作为一个“大开关”，用于路由或断开高功率电流。它使用某种气体（SF6，Clean Air）作为绝缘介质，以防止火焰浮起。这种气体通常是带压的，被填充到气密的金属外壳中，封装载流导体。 与 GIS 相关的是空气绝缘开关设备。这里，大气空气以及电气导体之间更大的分离起到了绝缘作用。GIS 更紧凑，通常用于空间有限的区域，例如城市。
西门子能源公司正在积极使用基于 AI 的代理模型为 GIS 开发数字孪生，该数字孪生旨在预测运行中开关设备的瞬态热行为。同时，该数字孪生还考虑到不同的 GIS 操作条件和配置，以实现短期过载。
AI 代理 GIS 训练策略
为了安全运行 GIS，操作人员必须确保每个不同组件的温度保持在各自的设计极限以下。电流通过导体，因电流损失而转换为热量，从而增加整个资产的温度。
在开关设备设计中，这些温度限制会被考虑进去，从而产生特定的操作边界。然而，这些边界通常来自相当保守的稳态考虑，而没有考虑到温度动态的瞬变性。这意味着，在某些情况下，操作边界可以在一定时间内安全突破，即短时过载。
为了准确评估潜在的短时过载场景，开发的代理模型必须能够预测开关设备的固态组件在给定状态下的温度动态变化，持续数小时，并且误差幅度较小。同时，模型还必须能够泛化电流大小和环境温度的不同组合。
由于开关设备组件的复杂性（具有不同的材料和热属性），尤其是问题的瞬变性，因此我们选择了 NVIDIA Modulus 中可用的优化图形神经网络（GNN）作为代理模型的架构。该基于数据的方法的训练数据是使用计算流体力学（CFD）模拟生成的。捕获所有热传递模式，包括通过传导、对流和辐射的热传递模式，是一个特殊的挑战。
成果
在最初的概念验证阶段，我们开发了 GIS 的一个子部分的模型。该图形模型来自具有确切规格的复杂几何网格的简化，包含数千个节点和边缘。通过针对不同当前温度和环境温度组合运行瞬态 CFD 模拟，生成了大量数据，每次模拟的操作跨度为 10 小时，总计数百 GB 的数据。然后，我们对生成的数据进行预处理，包括平滑、压缩低信息区域等，以便使用消息传递算法在 NVIDIA 多 GPU 设置上训练图形模型。
在训练后，模型能够在给定未知的环境温度和电流的情况下准确预测 10 小时操作的发布温度动力学。在单个 GPU 上，完整的推理发布时间不到 2 秒，误差幅度在 0.3 K 以下。相比之下，这比瞬态 CFD 求解器快 10000 倍，准确性损失极小。通过额外的优化，图形的大小和所需的训练数据进一步减少，而不会显著增加错误。
目前，整个交换机系统的代理模型的开发和现场验证仍在进行中。
总结
Siemens Energy 已开始为单个电网资产开发数字孪生资产。目前，该公司正在开发 bushings 和 GIS 的原型，这些原型将由客户验证。Siemens Energy 计划将单个资产数字孪生合并为系统数字孪生，然后将其集成到跨多个领域和地区的电网数字孪生中。
如需了解更多信息，请观看点播 GTC 会议：借助物理特性提高电网弹性，并借助西门子能源公司的数据驱动型 ML 虚拟传感器。另外，探索 NVIDIA Modulus，用于构建物理-ML 驱动的 AI 代理模型。
