Проект направлен на создание гибридного цифрового двойника электросети, объединяющего классические физико-математические модели (решение систем дифференциальных уравнений электромагнитных и тепловых процессов) с адаптивной калибровкой по данным реального времени. Ключевая идея — преодолеть фундаментальное ограничение "чистых" подходов: физические модели точны в симуляции, но не учитывают дрейф параметров и немоделируемую динамику, а чистые data-driven модели игнорируют физические законы и требуют огромных объемов данных для обучения.

Принципы работы:

1. Гибридная архитектура (Physics-Informed):

- Физическое ядро: в основе цифрового двойника лежат системы обыкновенных дифференциальных уравнений (ODE), описывающие электромагнитные переходные процессы, тепловые режимы генераторов и трансформаторов, а также потоки мощности в сети .

- Нейросетевая надстройка для немоделируемой динамики: вместо того чтобы обучать нейросеть "с нуля", известные компоненты ODE внедряются непосредственно в архитектуру (например, Physics-Embedded Neural ODEs), а нейронная сеть дообучается только на остаточной динамике — тех эффектах, которые не учтены в классической модели . Это снижает количество требуемых нейронов и обеспечивает физическую интерпретируемость.

2. Калибровка в реальном времени (Streaming Synchronization)

- Создается конвейер синхронизации, который непрерывно принимает данные с SCADA/AMI/μPMU, выполняет тегирование событий и обновляет ключевые параметры модели (например, сопротивления линий, параметры нагрузки) через рекурсивную идентификацию и оценку состояния сети.

- Такой подход позволяет цифровому двойнику "оставаться синхронизированным с реальностью" вместо того, чтобы быть разовым симуляционным артефактом, и снижает ошибку моделирования до значений ниже 3% .

3. Учет гибридной динамики (события + непрерывные процессы): электросеть — это гибридная система, где непрерывные ODE-процессы прерываются дискретными коммутационными событиями (срабатывание защиты, переключение инверторов) . Модель включает автомат событий, который явно управляет переключением между режимами работы, что критически важно для точного прогнозирования переходных процессов.

4. Применение для мониторинга "горячих точек" (Hot-Spot):

- Гибридный подход особенно эффективен для прогнозирования температурных режимов ключевого оборудования (генераторы, трансформаторы), где требуется высокая точность. Например, гибридная редуцированная модель (на базе POD-RBF) обеспечивает точность прогноза температуры в пределах ±8.0 K при различных режимах нагрузки, что критично для оценки износа изоляции .

Ожидаемый результат: создание операционной модели электросети, которая сочетает физическую достоверность классических дифференциальных уравнений с адаптивностью data-driven подходов. Это позволяет:

- Снизить ошибку моделирования до 3% в переходных режимах

- Улучшить скорость динамического отклика систем управления на 20% по сравнению со статическими моделями

- Сократить потери энергии на 5–8% за счет оптимизации режимов

- Обеспечить работоспособность цифрового двойника в условиях неполной наблюдаемости сети (без PMU), используя только данные SCADA и RTU

На страницу проекта