基于數字孿生驅動的防災減災系統平戰機制應用探索

闕凌燕，孫志華，陳江堯，肖 禹，黃兆鈺

（1.國網浙江省電力有限公司，浙江 杭州 310008；2.浙江華云信息科技有限公司，浙江 杭州 310008）

能源安全是關系國家經濟社會發展的全局性、戰略性問題，對于國家繁榮發展、人民生活改善、社會長治久安至關重要。浙江省地處中國東南沿海，每年夏季極易遭遇臺風。建國以來登陸浙江的臺風中臺風級（中心附近風力12～13 級）及以上的占比超過60%，位居全國第一。2005 年時任浙江省委書記的習近平同志，在指導臺風“海棠”救災工作時提出“電力是重中之重，電網是生命之網”，對浙江電網建設提出了嚴格要求與深切寄托。因此，全面提升電網應對極端天氣沖擊能力，提高電力行業防災減災能力，打造“不怕臺風的堅強電網”不僅是國網浙江省電力有限公司確保電力系統安全穩定、落實國家能源安全新戰略的內在要求，也是服務浙江“重要窗口”建設、滿足人民日益增長的美好生活需要的必然措施。

電力系統是由發電、輸電、變電、配電、調度等環節設施構成的復合整體，是當下所有工業體系中資源規模最龐大、層次結構最復雜的人造工程。基于其規模和結構特點，電力系統呈現出數據高維度、業務及設備廣分布、系統所轄實體多元化且非對稱等特性，對其運算力、即時化信息處理、預測力提出一定要求[1]。電力調度控制中心作為集合大量數據、規則以及專家經驗的電網運行控制指揮中樞，隨著電力系統對數據分析處理需求的增多，電力調度工作所運用的傳統建模仿真技術已很難適應復雜系統在極端氣候情況下負荷預測、新業態數據分析維護、多環境協同信息感知等方面的能力需要：在防災減災場景中，現有調度系統面臨著自動化技術支撐能力仍需提升、多時空尺度下負荷資源尚未有效聚合兩大問題。傳統電力調度系統對數據的感知及挖掘能力不足，在極端災害等復雜場景下，對分布式電源、負荷側資源和氣象環境等信息感知、收集及判別的手段較為單一，缺乏人工智能輔助手段；另一方面，基于電網歷史建設結果，大量可調節負荷資源亟待挖掘，在此開發過程中又由于可調節負荷具有類型復雜、規模龐大、特性不同等特點，不同時空尺度下負荷資源調節效應不同，難以形成有效聚合為電網提供有利的調節能力。為此，開展應對極端災害和復雜情況下負荷資源的防災減災系統建設是不斷提高電網優化配置資源能力、安全保障能力和智慧調節能力的必要之舉。

1 系統研究背景及架構

1.1 電力調度防災減災工作的平戰機制

平時機制是指電力調度系統在一般運行情況下預測用電負荷、制定發電任務及運行方式計劃、安全監控分析、指揮操作及事故處理等工作。在無災害發生時，電力調度系統基于負荷變化的歷史記錄、天氣預報、分析用電生產情況和人民生活規律進行全系統負荷預測，編制預計負荷曲線，配備好相適應的發電容量（包括儲備容量），并指定調頻電廠和調頻容量，安排發電機組的起停和備用；對系統繼電保護及安全自動裝置進行統一整定和考核，進行系統潮流和穩定計算等工作，合理安排運行方式，通過安全分析（采用狀態估計和實時潮流計算等應用技術）進行事故預想和提出反事故措施。

戰時機制是指電力調度系統對極端災害影響作出受災問題評估、快速預警告警、應急處置、快速恢復供電等工作。在極端災害發生時，電力調度系統快速組織專家隊伍召開緊急處置會議評估事故原因，對高承載率風險發生可能或調度需求進行告警通知，對于受損單元現場應急指揮搭接臨時供電，重整調度運行方式，盡快恢復正常負荷和正常供電。

當前電力調度系統的平戰機制已廣泛實現物理驅動范式下的數字孿生構建。數字孿生（Digital Twin，DT）是充分利用物理模型、傳感器更新、運行歷史等數據，集成多學科、多物理量、多尺度、多概率的仿真過程，在虛擬空間中完成映射，從而反映相對應的實體裝備的全生命周期。物理驅動下的數字孿生，通常是基于穩態及暫態分析的電力系統理論分析特定化系統運行場景，基于假設構建的系統運行機理推演數據簡化物理模型、弱耦合模型或解耦合模型，繼而通過傅里葉低維變換等手段將采集數據代入模型計算，以得到特征或者相應構建指標，實現對實際系統進行動態模擬。也因此，物理驅動范式下進行數字孿生的方式具有訓練數據容易獲得、部署迅速、過擬合風險小等優點。但是，對于復雜的系統、特別是所轄單元或因素強交織的（intertwined）系統，物理模型難以識別或學習其內部復雜的運行邏輯，無法滿足其高速求解和高精度約束的客觀需要；同時，對于不確定性處理，物理模型集內的各個子物理模型之間的誤差傳遞及累積效應的機制難以評估，物理模型的精度和維度也會直接限制數據變量的利用效率，情形綜合后容易導致最終模型表征效果失真。因此，需要對原始數據本身有更高程度的挖掘運用。

1.2 數據驅動范式下的數字孿生

近年來，如何強化對數據的感知能力、充分挖掘數據并建設堅強電網的問題引起了專家學者的廣泛關注。文獻[2]分析了基于隨機矩陣理論展開的電力系統暫態穩定性提升，討論了利用物理模型進行數值計算的傳統電網暫態穩定分析方法在電網這個復雜的非線性動態網絡中應用的局限性，提出了使用數據驅動的技術手段開展系統建設。文獻[3]進一步闡述了基于數據驅動模式，利用多元大數據建立高維非線性映射模型，結合數據處理技術實現數據挖掘的高維度、精細化、實時化、邊緣化。文獻[4]提出了數據驅動模式下運用隨機矩陣理論解決大數據處理問題的可實施路徑，探究了包括電力系統在內的復雜多維度系統的數據處理等。

在現有理論支撐下，本文中防災減災系統采用數據驅動范式下的數字孿生技術，將物理空間電力網架映射至數字空間，充分利用電力運行系統所產生的數據流，動態感知各實體負荷態勢及未來電力負荷流向，深入挖掘原始數據關聯性信息、幫助支撐運營調控決策?；跀底烛寗臃妒綐嫿〝底謱\生空間，相對于傳統物理模型范式構建預設性模型的方式而言，數據驅動具有以下優點：①通過數據集和統計工具直接挖掘數據對象，可充分利用全部數據流[5]，并一定程度上規避了物理模型范式中由于主觀構建模型造成的難以建模的問題；②通過分析數據流程各環節和數據模型在高維特征上的收斂性、置信度、精度、偏離度等統計特性，提高了系統認知，對原始數據丟失和異常等情況也有較強的魯棒性[4]；③由于數據驅動范式保留數據流的高維性，數據流的數據特征可考慮噪聲空間與信號空間的高維統計規律，并基于兩者分離可獲得更高的信號表征能力，進一步穩定高維特征的統計性質。

1.3 防災減災系統基本架構

首先對物理空間進行數字孿生，建立數字空間。將海量分散資源按層次聚合到低壓變電站和高壓變電站，關聯整合微網到配網、配網到主網的資源，在空間地理上疊加電網拓撲、氣象信息、災害信息、區域信息等，構建全息可視化電網[6]；由于采用數據驅動范式，本文所述防災減災系統可利用高維度數據構建全景化高仿真。對于可能發生的極端災害，在數字孿生空間上進行災情應對模擬和決策執行訓練。通過監測和獲取環境的態勢要素（氣象要素、電網設備要素等）獲得實時運行數據，基于數據處理結果對電網狀態進行風險評估，面對一般運行情況下的突發事故，數字空間可短時間內準確識別到系統異常，并發現擾動發生位置、原因，快速形成預警告警和輔助決策信息，為各級調度協同開展風險預控和故障處置提供依據。同時，在數字空間針對極端災害情況進行超實時推演，運用人工神經網絡算法結合災情處理歷史決策信息的方式迭代訓練決策模型，整合外部遙測遙信、保護、PMU、影響電網安全運行的設備越限、N-1 越限、異常告警、薄弱運行方式等數據信息，自動分析、辨識故障類型及原因，針對嚴重故障場景，預先定制適用的監視信息、數據類別、分析工具、通信協議等關聯功能模塊，形成條件執行下的輔助決策推送和電力調度系統自動化應急響應，建立省地故障風險全景感知和自動化決策，為電力調度系統抗災規劃和防災調度工作提供指引和助力。智慧調度系統架構圖如圖1所示。

圖1 智慧調度系統架構圖

2 數字孿生基本技術構成及算程描述

針對防災減災系統數據具有非線性、不同步等特點，在對其進行DT 構建的過程中利用特征抽取降維法對數據進行降維處理，隨后基于概率矩陣理論對源數據進行處理挖掘，同時結合深度學習算法對數據處理訓練模型及決策分析模型進行優化。

2.1 源數據處理基本技術構成——隨機矩陣理論

本文運用隨機矩陣理論解決包括電網設備采集信息、電網運行參數信息等海量源數據的處理問題，通過數據間的相關性描述整體系統的態勢，形成數字孿生系統建設的全新高維視角[7]。

隨機矩陣理論（Random Matrix Theory，RMT）最早應用于物理領域的原子核能譜研究，后來被用于估計大量統計樣本中的協方差，并預測著名的黎曼zeta函數零點的分布，目前被廣泛運用于理論神經科學和最優控制等現代科學。RMT 以矩陣為單位，通過對復雜系統的本征態和能譜進行分析轉化獲得系統本征，能處理獨立同分布（Independent Identically Distributed，IID）的數據并獲取關聯以表征數據的波動特性。RMT僅要求具備大樣本數量，并對源數據的分布特性不做要求，因此其具備廣泛的應用場景，尤其在分析大量隨機數據時具有很大優勢。RMT 認為當系統中僅有白噪聲、小擾動和測量誤差時，系統源數據整體表現出統計上的隨機特性；當系統內有新的信號輸入（即事件產生）時，由于新事件的關聯影響，系統的運行機制及其內部機理都會產生偏離，打破原先的隨機統計特性。

目前RMT 的基本定理包括單環定律（Ring Law）、Marchenko-Pastur 定律（M-P Law），基于二者，通常會深入研究隨機矩陣的線性特征根統計量（Linear Eigenvalue Statistics，LES），將LES 表征數據行為特征并作為深度學習的特征輸入，從而感知數據深層行為特征，顯著提高復雜高維度函數表征能力。

2.1.1 單環定律（Ring Law）

利用MSR 指標與內環半徑對比，分析電網運行影響因素的關聯性或者用于分析電網運行異常數據[4]。根據平均譜半徑描述矩陣的特征值經驗譜分布圖展示有無事件（信號輸入），上述描述通常為：對任意L個矩陣X?i=CN×T（i=1，…，L）進行同公式（1）的過渡矩陣變換后，按公式（2）求取其奇異值等價矩陣累積，進一步將Z按公式（3）進行單位化處理，最后獲取特征值經驗譜分布圖像。Z?的特征值經驗譜分布服從公式（4）。

2.1.2 M-P 定律

Marchenko-Pastur 定律（M-P Law）通常用于研究高維數據樣本協方差的譜特性，為高維數據的分析提供解決方法[8]。M-P 定律能有效避免樣本協方差矩陣因高維條件產生的病態或奇異，進而無法為總體協方差矩陣做出良好估計的情況。對于獨立同分布的隨機矩陣X={εij}1≤i≤N，1≤j≤T，當其元素都滿足μ（x）=0，σ2（x）=1，則其協方差矩陣的ESD 服從M-P 定律，如公式（5）：

式（5）中：a為特征值的理論下確界，；b為特征值的理論上確界，。

2.2 數據處理訓練模型基本技術構成——GAM/LightGBM 故障概率模型

在對源數據和傳感單元感知的氣象、地理、區位等外部數據以及歷史決策信息、預控決策信息等數據的處理訓練中使用GAM 感知數據降維過程中數據間關聯性。GAM 是由數據驅動而非統計分布模型驅動的非參數回歸模型，可對部分解釋變量進行線性擬合，對其他因子進行光滑函數擬合。模型不需要預先設定參數模型，模型通過解釋變量的平滑函數建立，能夠自動選擇合適的多項式。同時，由于GAM 屬于非參數回歸模型中的一種，非參數回歸不需要模型滿足線性的假設前提，因此GAM 還具備靈活探測數據間復雜關系的優點。

GAM 模型如圖2 所示。

圖2 GAM 模型

使用LightGBM 優化訓練模型的計算速度。LightGBM 是GBDT 算法的一個工程實現，傳統XGBoost算法在進行預排序選擇最優分裂點時，對所有特征的分裂點計算分裂后的全部樣本目標函數增益時將面臨高時空復雜度的困境。LightGBM 針對性優化了XGBoost算法中分裂點數量過多、樣本數量過多、特征數量過多的問題，顯著降低算力資源及時間成本。LightGBM支持并行訓練，使用了包括直方圖算法和梯度重采樣算法在內的方法提高模型的訓練速度，并能對非線性的關系作出較好的擬合。LightGBM 模型如圖3 所示。

圖3 LightGBM 模型

2.3 決策分析模型優化基本技術構成——案例推理法

為實現對預測結果及災情處置決策優化，利用基于案例庫、經驗庫的快速檢索對人工神經網絡（Artificial Neural Network，ANN）模型進行自適應調試，基于事件庫、經驗庫的快速檢索主要運用了案例推理法（Case-Based Reasoning，CBR）。CBR 技術核心思想是借鑒以前求解的經驗來解決新的問題，基于Gavin Finnie 和Zhaohao Sun 提出的R5（表示、檢索、重用、修正和保存）循環模式。CBR 采用一定的知識表示規則方法描述當前問題或歷史案例的環境狀態和具體內容獲得案例特征信息，形成合理的案例表示形式，進一步獲取歷史案例庫中的信息和知識提出解決方案，將解決方案與當前問題進行比對進而選擇重用或修正，最后將當前案例進行經驗知識梳理反饋到案例庫。案例推理法的快速檢索流程如圖4 所示。

圖4 案例推理法的快速檢索流程

2.4 算程描述

該部分介紹了上述理論如何應用于數字孿生架構?；跀底烛寗拥臄底謱\生技術需要應對高維度的初始數據，在本文論述中主要為電力系統在應對極端災害場景時產生的數據，將傳感單元感知的各種信息及系統固有的變化規律視為已知輸入A，將傳感單元的系統誤差和負荷承載的微小擾動視為噪音輸入R，因此可將電力系統的負荷突變、短路故障、潮流分布等視作輸入事件S，則系統的數據源Ω則可視為A、R、S在經過系統（視為H（·））后的輸出結果。利用RMT算法放大輸入事件S出現早期的微小特征，主要通過：①對系統中數據流（H=H（A+R+S））進行分塊、拼接等預處理，對系統數據進行實時篩取分析和降維（降維過程由GAM和LightGBM對訓練模型進行處理和優化），計算分段數據的線性特征值統計量LES，通過判斷數據斷面的單環定理效果圖和M-P 定理效果圖，進一步挖掘表征系統的運行狀態異常；②通過相關性分析獲得事件與系統的關聯性（主要包括發生區塊、類型、發生原因等），結合以往案例和專家經驗進行比對確認，最后完成異常分析和預控決策；③得到異常分析結果后在數字空間進行呈現，通過基于深度學習和知識圖譜的人機交互接口轉化，將系統日常運行數據、預警分析信息和處置方案推送至管控平臺[9]。

3 數字孿生結果的反饋應用

3.1 極端災害預控及決策

電力系統的極端災害應急處置涉及外部環境、電網拓撲結構、不同時間尺度預測預警技術、自動控制技術、運行方式/檢修計劃調整、靜/動態安全分析、安全穩定控制理論與技術、智能優化與決策、應急指揮調度與聯動救援等。在電網成災因子誘發設備故障停運及小規模故障演化擴大為大面積停電事故的初期，在數字空間模擬故障演變走向，規劃部署應急指揮調度、事故搶險等電力應急管理介入，從而實現風險預控。在較惡劣事故發生的情況下，利用數字孿生呈現的線上信息集合，綜合考慮設備承載能力、地區電網容載情況、近期檢修計劃、N－1、斷面限額等信息，結合氣象實測信息、電網實時潮流、設備狀態信息，自動生成應急最優方案及其他備案，對電網運行方式的重新調整，動態制定故障預案，在限定條件下自動決策包括拉?？粘渚€路、調整備自投裝置狀態、分布式微網聯動等措施。仿真模擬措施執行后電網運行情況，超前預測電力網架應急處理后運行狀態及災害進一步演化可能，查找新的運行情況及事故發生可能下電網薄弱環節及風險，并通過可視化界面提供將預警信息及推薦預案送至調度臺供調控員判定。

3.2 處理突發事件的人機交互接口轉化

3.2 .1 基于RPA 的第三人調度應用

利用深度學習技術，深度挖掘電網、設備、人員、環境等對象數據之間的潛在規律，構建數據資源池及全電力數據專家庫，形成電網故障處置策略電子化及生成技術，強化數字孿生空間與物理空間人機交互[10]。在本文場景中通過RPA 技術模擬第三人調度的“虛擬”員工，智能告警自動觸發推送關聯的電子化故障處置預案，實現離線預案在線自動匹配、風險預案的在線計算生成、電網運行方式變化下的調度應急處置預案智能形成。機器人流程自動化（Robotic Process Automation，RPA），是基于AI（深度學習）技術的智能化應用，可以通過模擬并增強人類與計算機的交互過程，實現工作流程中的自動化，具有易用性、穩定性和靈活的擴展性、無侵入性（Non-Intrusive）。其應用基本機制是基于線上調控平臺，將RPA 技術引入平臺流程引擎，模擬人工進行輸入、調閱、判斷等操作行為，協助完成大量“規則較為固定、重復性較高”的工作，快速響應業務需求。利用RPA 技術，在處理突發事件的過程中可實現：①對電力系統產生影響的極端惡劣天氣（如大風、強對流天氣、雷擊閃電、大雨、臺風等）的實時播報，并根據當地電網運行薄弱環節，提前播報可能存在故障跳閘風險的線路；②實現計劃性倒閘的一鍵式操作和智能安全語音校核，復雜故障告警及原因語音診斷；③實現自動生成操作指令、自動生成調度日志、流程聯動閉環、信息發布等智能化輔助操作功能；④建立一鍵索引，便于調度員快速查找數據，實現調度業務報表智能生成，具備個性化報表功能，根據短信和文檔生成模塊定時生成電網早報，減輕調度報表工作量等，充分運用數字孿生強化人機交互接口智能化運用。第三人調度對話技術模型如圖5 所示。

圖5 第三人調度對話技術模型

3.2.2 基于知識圖譜的精準推送和趨勢預測

基于深度學習技術構建知識圖譜，從業務協調與設備狀態感知2 個方面開展拓展應用。知識圖譜（Knowledge Graph）是一種將應用數學、圖形學、信息可視化技術、信息科學等學科的理論與方法在知識域的可視化映射，通常為對知識發展進程與結構關系的一系列各種不同的圖形，用可視化技術描述知識資源及其載體，挖掘、分析、構建、繪制和顯示知識及它們之間的相互聯系。由于知識圖譜的融合性、深關聯性和成長性等特質，其在電力調度系統諸多場景中具有應用價值。

第一，業務協調方面。基于調控云平臺開展檢修工作全流程智能閉環管控，依托月度檢修計劃管控平臺，綜合考慮重復停電、同停互斥、限額等約束，利用日前停電計劃對票服務防范內容風險，通過流程跟蹤服務實現流轉審批透明高效。基于知識圖譜，自動成票，在擬票、審核、執行等階段，實現輔助決策信息精準推送，主動調用安全防誤等規則化業務服務，驅動業務流程，并發布至檢修公告牌PC 端和移動端，推出調度臺繁忙指數、操作排隊順序等信息，滾動展示待批復、延期、告警、預警等檢修計劃狀態，實現各級檢修單位與調控中心的進度互通、任務提醒、時間提示等功能。實現檢修操作工作全流程跟蹤與進度管控，服務于各級單位調度、運行、檢修以及管理人員，提升人力資源和電網運行效率。

第二，設備狀態感知方面。構建基于知識圖譜的故障知識庫引擎，針對臺風等極端災害天氣導致線路故障的快速復電需求，從故障線路本身以及試送電恢復相關的影響因素分析影響線路試送電的因素，并根據線路類型、故障性質、設備狀態、故障后運行方式以及外部氣象環境等因素，運用知識圖譜的自動知識檢索與知識推理，自動匯集故障關聯信息、自動生成輔助決策方案、智能引導故障處置流程等，在線給出線路試送電決策建議、線路試送電優先級及推理過程解釋，為線路故障跳閘的快速恢復提供決策支撐，能有效減輕極端氣候環境下的故障處置壓力。基于知識圖譜的精準推送示意圖如圖6 所示。

圖6 基于知識圖譜的精準推送示意圖

4 結束語

本文研究了數字孿生技術在防災減災系統平戰機制中的應用，提出了在數據驅動模式下開展數字孿生架設，通過隨機矩陣理論進行源數據的處理，利用GBM/LightGAM 技術對數據處理相關模型進行優化，并基于數字孿生仿真結果結合深度學習和知識圖譜技術，形成強人工交互、提升業務協同和設備狀態感知等應用。目前該數字孿生架設已在測試實體上進行執行，其執行情況與數字孿生系統實時交互融合，為電力系統的防災減災工作提供運行參照。