阙凌燕，孙志华，陈江尧，肖 禹，黄兆钰

（1.国网浙江省电力有限公司，浙江 杭州 310008；2.浙江华云信息科技有限公司，浙江 杭州 310008）

能源安全是关系国家经济社会发展的全局性、战略性问题，对于国家繁荣发展、人民生活改善、社会长治久安至关重要。浙江省地处中国东南沿海，每年夏季极易遭遇台风。建国以来登陆浙江的台风中台风级（中心附近风力12～13 级）及以上的占比超过60%，位居全国第一。2005 年时任浙江省委书记的习近平同志，在指导台风“海棠”救灾工作时提出“电力是重中之重，电网是生命之网”，对浙江电网建设提出了严格要求与深切寄托。因此，全面提升电网应对极端天气冲击能力，提高电力行业防灾减灾能力，打造“不怕台风的坚强电网”不仅是国网浙江省电力有限公司确保电力系统安全稳定、落实国家能源安全新战略的内在要求，也是服务浙江“重要窗口”建设、满足人民日益增长的美好生活需要的必然措施。

电力系统是由发电、输电、变电、配电、调度等环节设施构成的复合整体，是当下所有工业体系中资源规模最庞大、层次结构最复杂的人造工程。基于其规模和结构特点，电力系统呈现出数据高维度、业务及设备广分布、系统所辖实体多元化且非对称等特性，对其运算力、即时化信息处理、预测力提出一定要求[1]。电力调度控制中心作为集合大量数据、规则以及专家经验的电网运行控制指挥中枢，随着电力系统对数据分析处理需求的增多，电力调度工作所运用的传统建模仿真技术已很难适应复杂系统在极端气候情况下负荷预测、新业态数据分析维护、多环境协同信息感知等方面的能力需要：在防灾减灾场景中，现有调度系统面临着自动化技术支撑能力仍需提升、多时空尺度下负荷资源尚未有效聚合两大问题。传统电力调度系统对数据的感知及挖掘能力不足，在极端灾害等复杂场景下，对分布式电源、负荷侧资源和气象环境等信息感知、收集及判别的手段较为单一，缺乏人工智能辅助手段；另一方面，基于电网历史建设结果，大量可调节负荷资源亟待挖掘，在此开发过程中又由于可调节负荷具有类型复杂、规模庞大、特性不同等特点，不同时空尺度下负荷资源调节效应不同，难以形成有效聚合为电网提供有利的调节能力。为此，开展应对极端灾害和复杂情况下负荷资源的防灾减灾系统建设是不断提高电网优化配置资源能力、安全保障能力和智慧调节能力的必要之举。

1 系统研究背景及架构

1.1 电力调度防灾减灾工作的平战机制

平时机制是指电力调度系统在一般运行情况下预测用电负荷、制定发电任务及运行方式计划、安全监控分析、指挥操作及事故处理等工作。在无灾害发生时，电力调度系统基于负荷变化的历史记录、天气预报、分析用电生产情况和人民生活规律进行全系统负荷预测，编制预计负荷曲线，配备好相适应的发电容量（包括储备容量），并指定调频电厂和调频容量，安排发电机组的起停和备用；对系统继电保护及安全自动装置进行统一整定和考核，进行系统潮流和稳定计算等工作，合理安排运行方式，通过安全分析（采用状态估计和实时潮流计算等应用技术）进行事故预想和提出反事故措施。

战时机制是指电力调度系统对极端灾害影响作出受灾问题评估、快速预警告警、应急处置、快速恢复供电等工作。在极端灾害发生时，电力调度系统快速组织专家队伍召开紧急处置会议评估事故原因，对高承载率风险发生可能或调度需求进行告警通知，对于受损单元现场应急指挥搭接临时供电，重整调度运行方式，尽快恢复正常负荷和正常供电。

当前电力调度系统的平战机制已广泛实现物理驱动范式下的数字孪生构建。数字孪生（Digital Twin，DT）是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期。物理驱动下的数字孪生，通常是基于稳态及暂态分析的电力系统理论分析特定化系统运行场景，基于假设构建的系统运行机理推演数据简化物理模型、弱耦合模型或解耦合模型，继而通过傅里叶低维变换等手段将采集数据代入模型计算，以得到特征或者相应构建指标，实现对实际系统进行动态模拟。也因此，物理驱动范式下进行数字孪生的方式具有训练数据容易获得、部署迅速、过拟合风险小等优点。但是，对于复杂的系统、特别是所辖单元或因素强交织的（intertwined）系统，物理模型难以识别或学习其内部复杂的运行逻辑，无法满足其高速求解和高精度约束的客观需要；同时，对于不确定性处理，物理模型集内的各个子物理模型之间的误差传递及累积效应的机制难以评估，物理模型的精度和维度也会直接限制数据变量的利用效率，情形综合后容易导致最终模型表征效果失真。因此，需要对原始数据本身有更高程度的挖掘运用。

1.2 数据驱动范式下的数字孪生

近年来，如何强化对数据的感知能力、充分挖掘数据并建设坚强电网的问题引起了专家学者的广泛关注。文献[2]分析了基于随机矩阵理论展开的电力系统暂态稳定性提升，讨论了利用物理模型进行数值计算的传统电网暂态稳定分析方法在电网这个复杂的非线性动态网络中应用的局限性，提出了使用数据驱动的技术手段开展系统建设。文献[3]进一步阐述了基于数据驱动模式，利用多元大数据建立高维非线性映射模型，结合数据处理技术实现数据挖掘的高维度、精细化、实时化、边缘化。文献[4]提出了数据驱动模式下运用随机矩阵理论解决大数据处理问题的可实施路径，探究了包括电力系统在内的复杂多维度系统的数据处理等。

在现有理论支撑下，本文中防灾减灾系统采用数据驱动范式下的数字孪生技术，将物理空间电力网架映射至数字空间，充分利用电力运行系统所产生的数据流，动态感知各实体负荷态势及未来电力负荷流向，深入挖掘原始数据关联性信息、帮助支撑运营调控决策。基于数字驱动范式构建数字孪生空间，相对于传统物理模型范式构建预设性模型的方式而言，数据驱动具有以下优点：①通过数据集和统计工具直接挖掘数据对象，可充分利用全部数据流[5]，并一定程度上规避了物理模型范式中由于主观构建模型造成的难以建模的问题；②通过分析数据流程各环节和数据模型在高维特征上的收敛性、置信度、精度、偏离度等统计特性，提高了系统认知，对原始数据丢失和异常等情况也有较强的鲁棒性[4]；③由于数据驱动范式保留数据流的高维性，数据流的数据特征可考虑噪声空间与信号空间的高维统计规律，并基于两者分离可获得更高的信号表征能力，进一步稳定高维特征的统计性质。

1.3 防灾减灾系统基本架构

首先对物理空间进行数字孪生，建立数字空间。将海量分散资源按层次聚合到低压变电站和高压变电站，关联整合微网到配网、配网到主网的资源，在空间地理上叠加电网拓扑、气象信息、灾害信息、区域信息等，构建全息可视化电网[6]；由于采用数据驱动范式，本文所述防灾减灾系统可利用高维度数据构建全景化高仿真。对于可能发生的极端灾害，在数字孪生空间上进行灾情应对模拟和决策执行训练。通过监测和获取环境的态势要素（气象要素、电网设备要素等）获得实时运行数据，基于数据处理结果对电网状态进行风险评估，面对一般运行情况下的突发事故，数字空间可短时间内准确识别到系统异常，并发现扰动发生位置、原因，快速形成预警告警和辅助决策信息，为各级调度协同开展风险预控和故障处置提供依据。同时，在数字空间针对极端灾害情况进行超实时推演，运用人工神经网络算法结合灾情处理历史决策信息的方式迭代训练决策模型，整合外部遥测遥信、保护、PMU、影响电网安全运行的设备越限、N-1 越限、异常告警、薄弱运行方式等数据信息，自动分析、辨识故障类型及原因，针对严重故障场景，预先定制适用的监视信息、数据类别、分析工具、通信协议等关联功能模块，形成条件执行下的辅助决策推送和电力调度系统自动化应急响应，建立省地故障风险全景感知和自动化决策，为电力调度系统抗灾规划和防灾调度工作提供指引和助力。智慧调度系统架构图如图1所示。

图1 智慧调度系统架构图

2 数字孪生基本技术构成及算程描述

针对防灾减灾系统数据具有非线性、不同步等特点，在对其进行DT 构建的过程中利用特征抽取降维法对数据进行降维处理，随后基于概率矩阵理论对源数据进行处理挖掘，同时结合深度学习算法对数据处理训练模型及决策分析模型进行优化。

2.1 源数据处理基本技术构成——随机矩阵理论

本文运用随机矩阵理论解决包括电网设备采集信息、电网运行参数信息等海量源数据的处理问题，通过数据间的相关性描述整体系统的态势，形成数字孪生系统建设的全新高维视角[7]。

随机矩阵理论（Random Matrix Theory，RMT）最早应用于物理领域的原子核能谱研究，后来被用于估计大量统计样本中的协方差，并预测著名的黎曼zeta函数零点的分布，目前被广泛运用于理论神经科学和最优控制等现代科学。RMT 以矩阵为单位，通过对复杂系统的本征态和能谱进行分析转化获得系统本征，能处理独立同分布（Independent Identically Distributed，IID）的数据并获取关联以表征数据的波动特性。RMT仅要求具备大样本数量，并对源数据的分布特性不做要求，因此其具备广泛的应用场景，尤其在分析大量随机数据时具有很大优势。RMT 认为当系统中仅有白噪声、小扰动和测量误差时，系统源数据整体表现出统计上的随机特性；当系统内有新的信号输入（即事件产生）时，由于新事件的关联影响，系统的运行机制及其内部机理都会产生偏离，打破原先的随机统计特性。

目前RMT 的基本定理包括单环定律（Ring Law）、Marchenko-Pastur 定律（M-P Law），基于二者，通常会深入研究随机矩阵的线性特征根统计量（Linear Eigenvalue Statistics，LES），将LES 表征数据行为特征并作为深度学习的特征输入，从而感知数据深层行为特征，显著提高复杂高维度函数表征能力。

2.1.1 单环定律（Ring Law）

利用MSR 指标与内环半径对比，分析电网运行影响因素的关联性或者用于分析电网运行异常数据[4]。根据平均谱半径描述矩阵的特征值经验谱分布图展示有无事件（信号输入），上述描述通常为：对任意L个矩阵Xˆi=CN×T（i=1，…，L）进行同公式（1）的过渡矩阵变换后，按公式（2）求取其奇异值等价矩阵累积，进一步将Z按公式（3）进行单位化处理，最后获取特征值经验谱分布图像。Z˜的特征值经验谱分布服从公式（4）。

2.1.2 M-P 定律

Marchenko-Pastur 定律（M-P Law）通常用于研究高维数据样本协方差的谱特性，为高维数据的分析提供解决方法[8]。M-P 定律能有效避免样本协方差矩阵因高维条件产生的病态或奇异，进而无法为总体协方差矩阵做出良好估计的情况。对于独立同分布的随机矩阵X={εij}1≤i≤N，1≤j≤T，当其元素都满足μ（x）=0，σ2（x）=1，则其协方差矩阵的ESD 服从M-P 定律，如公式（5）：

式（5）中：a为特征值的理论下确界，；b为特征值的理论上确界，。

2.2 数据处理训练模型基本技术构成——GAM/LightGBM 故障概率模型

在对源数据和传感单元感知的气象、地理、区位等外部数据以及历史决策信息、预控决策信息等数据的处理训练中使用GAM 感知数据降维过程中数据间关联性。GAM 是由数据驱动而非统计分布模型驱动的非参数回归模型，可对部分解释变量进行线性拟合，对其他因子进行光滑函数拟合。模型不需要预先设定参数模型，模型通过解释变量的平滑函数建立，能够自动选择合适的多项式。同时，由于GAM 属于非参数回归模型中的一种，非参数回归不需要模型满足线性的假设前提，因此GAM 还具备灵活探测数据间复杂关系的优点。

GAM 模型如图2 所示。

图2 GAM 模型

使用LightGBM 优化训练模型的计算速度。LightGBM 是GBDT 算法的一个工程实现，传统XGBoost算法在进行预排序选择最优分裂点时，对所有特征的分裂点计算分裂后的全部样本目标函数增益时将面临高时空复杂度的困境。LightGBM 针对性优化了XGBoost算法中分裂点数量过多、样本数量过多、特征数量过多的问题，显著降低算力资源及时间成本。LightGBM支持并行训练，使用了包括直方图算法和梯度重采样算法在内的方法提高模型的训练速度，并能对非线性的关系作出较好的拟合。LightGBM 模型如图3 所示。

图3 LightGBM 模型

2.3 决策分析模型优化基本技术构成——案例推理法

为实现对预测结果及灾情处置决策优化，利用基于案例库、经验库的快速检索对人工神经网络（Artificial Neural Network，ANN）模型进行自适应调试，基于事件库、经验库的快速检索主要运用了案例推理法（Case-Based Reasoning，CBR）。CBR 技术核心思想是借鉴以前求解的经验来解决新的问题，基于Gavin Finnie 和Zhaohao Sun 提出的R5（表示、检索、重用、修正和保存）循环模式。CBR 采用一定的知识表示规则方法描述当前问题或历史案例的环境状态和具体内容获得案例特征信息，形成合理的案例表示形式，进一步获取历史案例库中的信息和知识提出解决方案，将解决方案与当前问题进行比对进而选择重用或修正，最后将当前案例进行经验知识梳理反馈到案例库。案例推理法的快速检索流程如图4 所示。

图4 案例推理法的快速检索流程

2.4 算程描述

该部分介绍了上述理论如何应用于数字孪生架构。基于数字驱动的数字孪生技术需要应对高维度的初始数据，在本文论述中主要为电力系统在应对极端灾害场景时产生的数据，将传感单元感知的各种信息及系统固有的变化规律视为已知输入A，将传感单元的系统误差和负荷承载的微小扰动视为噪音输入R，因此可将电力系统的负荷突变、短路故障、潮流分布等视作输入事件S，则系统的数据源Ω则可视为A、R、S在经过系统（视为H（·））后的输出结果。利用RMT算法放大输入事件S出现早期的微小特征，主要通过：①对系统中数据流（H=H（A+R+S））进行分块、拼接等预处理，对系统数据进行实时筛取分析和降维（降维过程由GAM和LightGBM对训练模型进行处理和优化），计算分段数据的线性特征值统计量LES，通过判断数据断面的单环定理效果图和M-P 定理效果图，进一步挖掘表征系统的运行状态异常；②通过相关性分析获得事件与系统的关联性（主要包括发生区块、类型、发生原因等），结合以往案例和专家经验进行比对确认，最后完成异常分析和预控决策；③得到异常分析结果后在数字空间进行呈现，通过基于深度学习和知识图谱的人机交互接口转化，将系统日常运行数据、预警分析信息和处置方案推送至管控平台[9]。

3 数字孪生结果的反馈应用

3.1 极端灾害预控及决策

电力系统的极端灾害应急处置涉及外部环境、电网拓扑结构、不同时间尺度预测预警技术、自动控制技术、运行方式/检修计划调整、静/动态安全分析、安全稳定控制理论与技术、智能优化与决策、应急指挥调度与联动救援等。在电网成灾因子诱发设备故障停运及小规模故障演化扩大为大面积停电事故的初期，在数字空间模拟故障演变走向，规划部署应急指挥调度、事故抢险等电力应急管理介入，从而实现风险预控。在较恶劣事故发生的情况下，利用数字孪生呈现的线上信息集合，综合考虑设备承载能力、地区电网容载情况、近期检修计划、N－1、断面限额等信息，结合气象实测信息、电网实时潮流、设备状态信息，自动生成应急最优方案及其他备案，对电网运行方式的重新调整，动态制定故障预案，在限定条件下自动决策包括拉停空充线路、调整备自投装置状态、分布式微网联动等措施。仿真模拟措施执行后电网运行情况，超前预测电力网架应急处理后运行状态及灾害进一步演化可能，查找新的运行情况及事故发生可能下电网薄弱环节及风险，并通过可视化界面提供将预警信息及推荐预案送至调度台供调控员判定。

3.2 处理突发事件的人机交互接口转化

3.2 .1 基于RPA 的第三人调度应用

利用深度学习技术，深度挖掘电网、设备、人员、环境等对象数据之间的潜在规律，构建数据资源池及全电力数据专家库，形成电网故障处置策略电子化及生成技术，强化数字孪生空间与物理空间人机交互[10]。在本文场景中通过RPA 技术模拟第三人调度的“虚拟”员工，智能告警自动触发推送关联的电子化故障处置预案，实现离线预案在线自动匹配、风险预案的在线计算生成、电网运行方式变化下的调度应急处置预案智能形成。机器人流程自动化（Robotic Process Automation，RPA），是基于AI（深度学习）技术的智能化应用，可以通过模拟并增强人类与计算机的交互过程，实现工作流程中的自动化，具有易用性、稳定性和灵活的扩展性、无侵入性（Non-Intrusive）。其应用基本机制是基于线上调控平台，将RPA 技术引入平台流程引擎，模拟人工进行输入、调阅、判断等操作行为，协助完成大量“规则较为固定、重复性较高”的工作，快速响应业务需求。利用RPA 技术，在处理突发事件的过程中可实现：①对电力系统产生影响的极端恶劣天气（如大风、强对流天气、雷击闪电、大雨、台风等）的实时播报，并根据当地电网运行薄弱环节，提前播报可能存在故障跳闸风险的线路；②实现计划性倒闸的一键式操作和智能安全语音校核，复杂故障告警及原因语音诊断；③实现自动生成操作指令、自动生成调度日志、流程联动闭环、信息发布等智能化辅助操作功能；④建立一键索引，便于调度员快速查找数据，实现调度业务报表智能生成，具备个性化报表功能，根据短信和文档生成模块定时生成电网早报，减轻调度报表工作量等，充分运用数字孪生强化人机交互接口智能化运用。第三人调度对话技术模型如图5 所示。

图5 第三人调度对话技术模型

3.2.2 基于知识图谱的精准推送和趋势预测

基于深度学习技术构建知识图谱，从业务协调与设备状态感知2 个方面开展拓展应用。知识图谱（Knowledge Graph）是一种将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法在知识域的可视化映射，通常为对知识发展进程与结构关系的一系列各种不同的图形，用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。由于知识图谱的融合性、深关联性和成长性等特质，其在电力调度系统诸多场景中具有应用价值。

第一，业务协调方面。基于调控云平台开展检修工作全流程智能闭环管控，依托月度检修计划管控平台，综合考虑重复停电、同停互斥、限额等约束，利用日前停电计划对票服务防范内容风险，通过流程跟踪服务实现流转审批透明高效。基于知识图谱，自动成票，在拟票、审核、执行等阶段，实现辅助决策信息精准推送，主动调用安全防误等规则化业务服务，驱动业务流程，并发布至检修公告牌PC 端和移动端，推出调度台繁忙指数、操作排队顺序等信息，滚动展示待批复、延期、告警、预警等检修计划状态，实现各级检修单位与调控中心的进度互通、任务提醒、时间提示等功能。实现检修操作工作全流程跟踪与进度管控，服务于各级单位调度、运行、检修以及管理人员，提升人力资源和电网运行效率。

第二，设备状态感知方面。构建基于知识图谱的故障知识库引擎，针对台风等极端灾害天气导致线路故障的快速复电需求，从故障线路本身以及试送电恢复相关的影响因素分析影响线路试送电的因素，并根据线路类型、故障性质、设备状态、故障后运行方式以及外部气象环境等因素，运用知识图谱的自动知识检索与知识推理，自动汇集故障关联信息、自动生成辅助决策方案、智能引导故障处置流程等，在线给出线路试送电决策建议、线路试送电优先级及推理过程解释，为线路故障跳闸的快速恢复提供决策支撑，能有效减轻极端气候环境下的故障处置压力。基于知识图谱的精准推送示意图如图6 所示。

图6 基于知识图谱的精准推送示意图

4 结束语

本文研究了数字孪生技术在防灾减灾系统平战机制中的应用，提出了在数据驱动模式下开展数字孪生架设，通过随机矩阵理论进行源数据的处理，利用GBM/LightGAM 技术对数据处理相关模型进行优化，并基于数字孪生仿真结果结合深度学习和知识图谱技术，形成强人工交互、提升业务协同和设备状态感知等应用。目前该数字孪生架设已在测试实体上进行执行，其执行情况与数字孪生系统实时交互融合，为电力系统的防灾减灾工作提供运行参照。