基于數(shù)字孿生驅(qū)動的防災(zāi)減災(zāi)系統(tǒng)平戰(zhàn)機制應(yīng)用探索

闕凌燕，孫志華，陳江堯，肖 禹，黃兆鈺

（1.國網(wǎng)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(guān)系國家經(jīng)濟社會發(fā)展的全局性、戰(zhàn)略性問題，對于國家繁榮發(fā)展、人民生活改善、社會長治久安至關(guān)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(zāi)工作時提出“電力是重中之重，電網(wǎng)是生命之網(wǎng)”，對浙江電網(wǎng)建設(shè)提出了嚴格要求與深切寄托。因此，全面提升電網(wǎng)應(yīng)對極端天氣沖擊能力，提高電力行業(yè)防災(zāi)減災(zāi)能力，打造“不怕臺風的堅強電網(wǎng)”不僅是國網(wǎng)浙江省電力有限公司確保電力系統(tǒng)安全穩(wěn)定、落實國家能源安全新戰(zhàn)略的內(nèi)在要求，也是服務(wù)浙江“重要窗口”建設(shè)、滿足人民日益增長的美好生活需要的必然措施。

電力系統(tǒng)是由發(fā)電、輸電、變電、配電、調(diào)度等環(huán)節(jié)設(shè)施構(gòu)成的復合整體，是當下所有工業(yè)體系中資源規(guī)模最龐大、層次結(jié)構(gòu)最復雜的人造工程?；谄湟?guī)模和結(jié)構(gòu)特點，電力系統(tǒng)呈現(xiàn)出數(shù)據(jù)高維度、業(yè)務(wù)及設(shè)備廣分布、系統(tǒng)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(diào)度控制中心作為集合大量數(shù)據(jù)、規(guī)則以及專家經(jīng)驗的電網(wǎng)運行控制指揮中樞，隨著電力系統(tǒng)對數(shù)據(jù)分析處理需求的增多，電力調(diào)度工作所運用的傳統(tǒng)建模仿真技術(shù)已很難適應(yīng)復雜系統(tǒng)在極端氣候情況下負荷預測、新業(yè)態(tài)數(shù)據(jù)分析維護、多環(huán)境協(xié)同信息感知等方面的能力需要：在防災(zāi)減災(zāi)場景中，現(xiàn)有調(diào)度系統(tǒng)面臨著自動化技術(shù)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(tǒng)電力調(diào)度系統(tǒng)對數(shù)據(jù)的感知及挖掘能力不足，在極端災(zāi)害等復雜場景下，對分布式電源、負荷側(cè)資源和氣象環(huán)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(wǎng)歷史建設(shè)結(jié)果，大量可調(diào)節(jié)負荷資源亟待挖掘，在此開發(fā)過程中又由于可調(diào)節(jié)負荷具有類型復雜、規(guī)模龐大、特性不同等特點，不同時空尺度下負荷資源調(diào)節(jié)效應(yīng)不同，難以形成有效聚合為電網(wǎng)提供有利的調(diào)節(jié)能力。為此，開展應(yīng)對極端災(zāi)害和復雜情況下負荷資源的防災(zāi)減災(zāi)系統(tǒng)建設(shè)是不斷提高電網(wǎng)優(yōu)化配置資源能力、安全保障能力和智慧調(diào)節(jié)能力的必要之舉。

1 系統(tǒng)研究背景及架構(gòu)

1.1 電力調(diào)度防災(zāi)減災(zāi)工作的平戰(zhàn)機制

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

戰(zhàn)時機制是指電力調(diào)度系統(tǒng)對極端災(zāi)害影響作出受災(zāi)問題評估、快速預警告警、應(yīng)急處置、快速恢復供電等工作。在極端災(zāi)害發(fā)生時，電力調(diào)度系統(tǒng)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(fā)生可能或調(diào)度需求進行告警通知，對于受損單元現(xiàn)場應(yīng)急指揮搭接臨時供電，重整調(diào)度運行方式，盡快恢復正常負荷和正常供電。

當前電力調(diào)度系統(tǒng)的平戰(zhàn)機制已廣泛實現(xiàn)物理驅(qū)動范式下的數(shù)字孿生構(gòu)建。數(shù)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(shù)據(jù)，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(yīng)的實體裝備的全生命周期。物理驅(qū)動下的數(shù)字孿生，通常是基于穩(wěn)態(tài)及暫態(tài)分析的電力系統(tǒng)理論分析特定化系統(tǒng)運行場景，基于假設(shè)構(gòu)建的系統(tǒng)運行機理推演數(shù)據(jù)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(shù)據(jù)代入模型計算，以得到特征或者相應(yīng)構(gòu)建指標，實現(xiàn)對實際系統(tǒng)進行動態(tài)模擬。也因此，物理驅(qū)動范式下進行數(shù)字孿生的方式具有訓練數(shù)據(jù)容易獲得、部署迅速、過擬合風險小等優(yōu)點。但是，對于復雜的系統(tǒng)、特別是所轄單元或因素強交織的（intertwined）系統(tǒng)，物理模型難以識別或?qū)W習其內(nèi)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(nèi)的各個子物理模型之間的誤差傳遞及累積效應(yīng)的機制難以評估，物理模型的精度和維度也會直接限制數(shù)據(jù)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(shù)據(jù)本身有更高程度的挖掘運用。

1.2 數(shù)據(jù)驅(qū)動范式下的數(shù)字孿生

近年來，如何強化對數(shù)據(jù)的感知能力、充分挖掘數(shù)據(jù)并建設(shè)堅強電網(wǎng)的問題引起了專家學者的廣泛關(guān)注。文獻[2]分析了基于隨機矩陣理論展開的電力系統(tǒng)暫態(tài)穩(wěn)定性提升，討論了利用物理模型進行數(shù)值計算的傳統(tǒng)電網(wǎng)暫態(tài)穩(wěn)定分析方法在電網(wǎng)這個復雜的非線性動態(tài)網(wǎng)絡(luò)中應(yīng)用的局限性，提出了使用數(shù)據(jù)驅(qū)動的技術(shù)手段開展系統(tǒng)建設(shè)。文獻[3]進一步闡述了基于數(shù)據(jù)驅(qū)動模式，利用多元大數(shù)據(jù)建立高維非線性映射模型，結(jié)合數(shù)據(jù)處理技術(shù)實現(xiàn)數(shù)據(jù)挖掘的高維度、精細化、實時化、邊緣化。文獻[4]提出了數(shù)據(jù)驅(qū)動模式下運用隨機矩陣理論解決大數(shù)據(jù)處理問題的可實施路徑，探究了包括電力系統(tǒng)在內(nèi)的復雜多維度系統(tǒng)的數(shù)據(jù)處理等。

在現(xiàn)有理論支撐下，本文中防災(zāi)減災(zāi)系統(tǒng)采用數(shù)據(jù)驅(qū)動范式下的數(shù)字孿生技術(shù)，將物理空間電力網(wǎng)架映射至數(shù)字空間，充分利用電力運行系統(tǒng)所產(chǎn)生的數(shù)據(jù)流，動態(tài)感知各實體負荷態(tài)勢及未來電力負荷流向，深入挖掘原始數(shù)據(jù)關(guān)聯(lián)性信息、幫助支撐運營調(diào)控決策。基于數(shù)字驅(qū)動范式構(gòu)建數(shù)字孿生空間，相對于傳統(tǒng)物理模型范式構(gòu)建預設(shè)性模型的方式而言，數(shù)據(jù)驅(qū)動具有以下優(yōu)點：①通過數(shù)據(jù)集和統(tǒng)計工具直接挖掘數(shù)據(jù)對象，可充分利用全部數(shù)據(jù)流[5]，并一定程度上規(guī)避了物理模型范式中由于主觀構(gòu)建模型造成的難以建模的問題；②通過分析數(shù)據(jù)流程各環(huán)節(jié)和數(shù)據(jù)模型在高維特征上的收斂性、置信度、精度、偏離度等統(tǒng)計特性，提高了系統(tǒng)認知，對原始數(shù)據(jù)丟失和異常等情況也有較強的魯棒性[4]；③由于數(shù)據(jù)驅(qū)動范式保留數(shù)據(jù)流的高維性，數(shù)據(jù)流的數(shù)據(jù)特征可考慮噪聲空間與信號空間的高維統(tǒng)計規(guī)律，并基于兩者分離可獲得更高的信號表征能力，進一步穩(wěn)定高維特征的統(tǒng)計性質(zhì)。

1.3 防災(zāi)減災(zāi)系統(tǒng)基本架構(gòu)

首先對物理空間進行數(shù)字孿生，建立數(shù)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(guān)聯(lián)整合微網(wǎng)到配網(wǎng)、配網(wǎng)到主網(wǎng)的資源，在空間地理上疊加電網(wǎng)拓撲、氣象信息、災(zāi)害信息、區(qū)域信息等，構(gòu)建全息可視化電網(wǎng)[6]；由于采用數(shù)據(jù)驅(qū)動范式，本文所述防災(zāi)減災(zāi)系統(tǒng)可利用高維度數(shù)據(jù)構(gòu)建全景化高仿真。對于可能發(fā)生的極端災(zāi)害，在數(shù)字孿生空間上進行災(zāi)情應(yīng)對模擬和決策執(zhí)行訓練。通過監(jiān)測和獲取環(huán)境的態(tài)勢要素（氣象要素、電網(wǎng)設(shè)備要素等）獲得實時運行數(shù)據(jù)，基于數(shù)據(jù)處理結(jié)果對電網(wǎng)狀態(tài)進行風險評估，面對一般運行情況下的突發(fā)事故，數(shù)字空間可短時間內(nèi)準確識別到系統(tǒng)異常，并發(fā)現(xiàn)擾動發(fā)生位置、原因，快速形成預警告警和輔助決策信息，為各級調(diào)度協(xié)同開展風險預控和故障處置提供依據(jù)。同時，在數(shù)字空間針對極端災(zāi)害情況進行超實時推演，運用人工神經(jīng)網(wǎng)絡(luò)算法結(jié)合災(zāi)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(wǎng)安全運行的設(shè)備越限、N-1 越限、異常告警、薄弱運行方式等數(shù)據(jù)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(jiān)視信息、數(shù)據(jù)類別、分析工具、通信協(xié)議等關(guān)聯(lián)功能模塊，形成條件執(zhí)行下的輔助決策推送和電力調(diào)度系統(tǒng)自動化應(yīng)急響應(yīng)，建立省地故障風險全景感知和自動化決策，為電力調(diào)度系統(tǒng)抗災(zāi)規(guī)劃和防災(zāi)調(diào)度工作提供指引和助力。智慧調(diào)度系統(tǒng)架構(gòu)圖如圖1所示。

圖1 智慧調(diào)度系統(tǒng)架構(gòu)圖

2 數(shù)字孿生基本技術(shù)構(gòu)成及算程描述

針對防災(zāi)減災(zāi)系統(tǒng)數(shù)據(jù)具有非線性、不同步等特點，在對其進行DT 構(gòu)建的過程中利用特征抽取降維法對數(shù)據(jù)進行降維處理，隨后基于概率矩陣理論對源數(shù)據(jù)進行處理挖掘，同時結(jié)合深度學習算法對數(shù)據(jù)處理訓練模型及決策分析模型進行優(yōu)化。

2.1 源數(shù)據(jù)處理基本技術(shù)構(gòu)成——隨機矩陣理論

本文運用隨機矩陣理論解決包括電網(wǎng)設(shè)備采集信息、電網(wǎng)運行參數(shù)信息等海量源數(shù)據(jù)的處理問題，通過數(shù)據(jù)間的相關(guān)性描述整體系統(tǒng)的態(tài)勢，形成數(shù)字孿生系統(tǒng)建設(shè)的全新高維視角[7]。

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

目前RMT 的基本定理包括單環(huán)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(tǒng)計量（Linear Eigenvalue Statistics，LES），將LES 表征數(shù)據(jù)行為特征并作為深度學習的特征輸入，從而感知數(shù)據(jù)深層行為特征，顯著提高復雜高維度函數(shù)表征能力。

2.1.1 單環(huán)定律（Ring Law）

利用MSR 指標與內(nèi)環(huán)半徑對比，分析電網(wǎng)運行影響因素的關(guān)聯(lián)性或者用于分析電網(wǎng)運行異常數(shù)據(jù)[4]。根據(jù)平均譜半徑描述矩陣的特征值經(jīng)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(jīng)驗譜分布圖像。Z?的特征值經(jīng)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(shù)據(jù)樣本協(xié)方差的譜特性，為高維數(shù)據(jù)的分析提供解決方法[8]。M-P 定律能有效避免樣本協(xié)方差矩陣因高維條件產(chǎn)生的病態(tài)或奇異，進而無法為總體協(xié)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(xié)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(shù)據(jù)處理訓練模型基本技術(shù)構(gòu)成——GAM/LightGBM 故障概率模型

在對源數(shù)據(jù)和傳感單元感知的氣象、地理、區(qū)位等外部數(shù)據(jù)以及歷史決策信息、預控決策信息等數(shù)據(jù)的處理訓練中使用GAM 感知數(shù)據(jù)降維過程中數(shù)據(jù)間關(guān)聯(lián)性。GAM 是由數(shù)據(jù)驅(qū)動而非統(tǒng)計分布模型驅(qū)動的非參數(shù)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(shù)擬合。模型不需要預先設(shè)定參數(shù)模型，模型通過解釋變量的平滑函數(shù)建立，能夠自動選擇合適的多項式。同時，由于GAM 屬于非參數(shù)回歸模型中的一種，非參數(shù)回歸不需要模型滿足線性的假設(shè)前提，因此GAM 還具備靈活探測數(shù)據(jù)間復雜關(guān)系的優(yōu)點。

GAM 模型如圖2 所示。

圖2 GAM 模型

使用LightGBM 優(yōu)化訓練模型的計算速度。LightGBM 是GBDT 算法的一個工程實現(xiàn)，傳統(tǒng)XGBoost算法在進行預排序選擇最優(yōu)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(shù)增益時將面臨高時空復雜度的困境。LightGBM 針對性優(yōu)化了XGBoost算法中分裂點數(shù)量過多、樣本數(shù)量過多、特征數(shù)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(nèi)的方法提高模型的訓練速度，并能對非線性的關(guān)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(yōu)化基本技術(shù)構(gòu)成——案例推理法

為實現(xiàn)對預測結(jié)果及災(zāi)情處置決策優(yōu)化，利用基于案例庫、經(jīng)驗庫的快速檢索對人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）模型進行自適應(yīng)調(diào)試，基于事件庫、經(jīng)驗庫的快速檢索主要運用了案例推理法（Case-Based Reasoning，CBR）。CBR 技術(shù)核心思想是借鑒以前求解的經(jīng)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(huán)模式。CBR 采用一定的知識表示規(guī)則方法描述當前問題或歷史案例的環(huán)境狀態(tài)和具體內(nèi)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(jīng)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(yīng)用于數(shù)字孿生架構(gòu)?；跀?shù)字驅(qū)動的數(shù)字孿生技術(shù)需要應(yīng)對高維度的初始數(shù)據(jù)，在本文論述中主要為電力系統(tǒng)在應(yīng)對極端災(zāi)害場景時產(chǎn)生的數(shù)據(jù)，將傳感單元感知的各種信息及系統(tǒng)固有的變化規(guī)律視為已知輸入A，將傳感單元的系統(tǒng)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(tǒng)的負荷突變、短路故障、潮流分布等視作輸入事件S，則系統(tǒng)的數(shù)據(jù)源Ω則可視為A、R、S在經(jīng)過系統(tǒng)（視為H（·））后的輸出結(jié)果。利用RMT算法放大輸入事件S出現(xiàn)早期的微小特征，主要通過：①對系統(tǒng)中數(shù)據(jù)流（H=H（A+R+S））進行分塊、拼接等預處理，對系統(tǒng)數(shù)據(jù)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(yōu)化），計算分段數(shù)據(jù)的線性特征值統(tǒng)計量LES，通過判斷數(shù)據(jù)斷面的單環(huán)定理效果圖和M-P 定理效果圖，進一步挖掘表征系統(tǒng)的運行狀態(tài)異常；②通過相關(guān)性分析獲得事件與系統(tǒng)的關(guān)聯(lián)性（主要包括發(fā)生區(qū)塊、類型、發(fā)生原因等），結(jié)合以往案例和專家經(jīng)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(jié)果后在數(shù)字空間進行呈現(xiàn)，通過基于深度學習和知識圖譜的人機交互接口轉(zhuǎn)化，將系統(tǒng)日常運行數(shù)據(jù)、預警分析信息和處置方案推送至管控平臺[9]。

3 數(shù)字孿生結(jié)果的反饋應(yīng)用

3.1 極端災(zāi)害預控及決策

電力系統(tǒng)的極端災(zāi)害應(yīng)急處置涉及外部環(huán)境、電網(wǎng)拓撲結(jié)構(gòu)、不同時間尺度預測預警技術(shù)、自動控制技術(shù)、運行方式/檢修計劃調(diào)整、靜/動態(tài)安全分析、安全穩(wěn)定控制理論與技術(shù)、智能優(yōu)化與決策、應(yīng)急指揮調(diào)度與聯(lián)動救援等。在電網(wǎng)成災(zāi)因子誘發(fā)設(shè)備故障停運及小規(guī)模故障演化擴大為大面積停電事故的初期，在數(shù)字空間模擬故障演變走向，規(guī)劃部署應(yīng)急指揮調(diào)度、事故搶險等電力應(yīng)急管理介入，從而實現(xiàn)風險預控。在較惡劣事故發(fā)生的情況下，利用數(shù)字孿生呈現(xiàn)的線上信息集合，綜合考慮設(shè)備承載能力、地區(qū)電網(wǎng)容載情況、近期檢修計劃、N－1、斷面限額等信息，結(jié)合氣象實測信息、電網(wǎng)實時潮流、設(shè)備狀態(tài)信息，自動生成應(yīng)急最優(yōu)方案及其他備案，對電網(wǎng)運行方式的重新調(diào)整，動態(tài)制定故障預案，在限定條件下自動決策包括拉?？粘渚€路、調(diào)整備自投裝置狀態(tài)、分布式微網(wǎng)聯(lián)動等措施。仿真模擬措施執(zhí)行后電網(wǎng)運行情況，超前預測電力網(wǎng)架應(yīng)急處理后運行狀態(tài)及災(zāi)害進一步演化可能，查找新的運行情況及事故發(fā)生可能下電網(wǎng)薄弱環(huán)節(jié)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(diào)度臺供調(diào)控員判定。

3.2 處理突發(fā)事件的人機交互接口轉(zhuǎn)化

3.2 .1 基于RPA 的第三人調(diào)度應(yīng)用

利用深度學習技術(shù)，深度挖掘電網(wǎng)、設(shè)備、人員、環(huán)境等對象數(shù)據(jù)之間的潛在規(guī)律，構(gòu)建數(shù)據(jù)資源池及全電力數(shù)據(jù)專家?guī)?，形成電網(wǎng)故障處置策略電子化及生成技術(shù)，強化數(shù)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(shù)模擬第三人調(diào)度的“虛擬”員工，智能告警自動觸發(fā)推送關(guān)聯(lián)的電子化故障處置預案，實現(xiàn)離線預案在線自動匹配、風險預案的在線計算生成、電網(wǎng)運行方式變化下的調(diào)度應(yīng)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(shù)的智能化應(yīng)用，可以通過模擬并增強人類與計算機的交互過程，實現(xiàn)工作流程中的自動化，具有易用性、穩(wěn)定性和靈活的擴展性、無侵入性（Non-Intrusive）。其應(yīng)用基本機制是基于線上調(diào)控平臺，將RPA 技術(shù)引入平臺流程引擎，模擬人工進行輸入、調(diào)閱、判斷等操作行為，協(xié)助完成大量“規(guī)則較為固定、重復性較高”的工作，快速響應(yīng)業(yè)務(wù)需求。利用RPA 技術(shù)，在處理突發(fā)事件的過程中可實現(xiàn)：①對電力系統(tǒng)產(chǎn)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(jù)當?shù)仉娋W(wǎng)運行薄弱環(huán)節(jié)，提前播報可能存在故障跳閘風險的線路；②實現(xiàn)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(xiàn)自動生成操作指令、自動生成調(diào)度日志、流程聯(lián)動閉環(huán)、信息發(fā)布等智能化輔助操作功能；④建立一鍵索引，便于調(diào)度員快速查找數(shù)據(jù)，實現(xiàn)調(diào)度業(yè)務(wù)報表智能生成，具備個性化報表功能，根據(jù)短信和文檔生成模塊定時生成電網(wǎng)早報，減輕調(diào)度報表工作量等，充分運用數(shù)字孿生強化人機交互接口智能化運用。第三人調(diào)度對話技術(shù)模型如圖5 所示。

圖5 第三人調(diào)度對話技術(shù)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(shù)構(gòu)建知識圖譜，從業(yè)務(wù)協(xié)調(diào)與設(shè)備狀態(tài)感知2 個方面開展拓展應(yīng)用。知識圖譜（Knowledge Graph）是一種將應(yīng)用數(shù)學、圖形學、信息可視化技術(shù)、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(fā)展進程與結(jié)構(gòu)關(guān)系的一系列各種不同的圖形，用可視化技術(shù)描述知識資源及其載體，挖掘、分析、構(gòu)建、繪制和顯示知識及它們之間的相互聯(lián)系。由于知識圖譜的融合性、深關(guān)聯(lián)性和成長性等特質(zhì)，其在電力調(diào)度系統(tǒng)諸多場景中具有應(yīng)用價值。

第一，業(yè)務(wù)協(xié)調(diào)方面?；谡{(diào)控云平臺開展檢修工作全流程智能閉環(huán)管控，依托月度檢修計劃管控平臺，綜合考慮重復停電、同?；コ狻⑾揞~等約束，利用日前停電計劃對票服務(wù)防范內(nèi)容風險，通過流程跟蹤服務(wù)實現(xiàn)流轉(zhuǎn)審批透明高效?；谥R圖譜，自動成票，在擬票、審核、執(zhí)行等階段，實現(xiàn)輔助決策信息精準推送，主動調(diào)用安全防誤等規(guī)則化業(yè)務(wù)服務(wù)，驅(qū)動業(yè)務(wù)流程，并發(fā)布至檢修公告牌PC 端和移動端，推出調(diào)度臺繁忙指數(shù)、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(tài)，實現(xiàn)各級檢修單位與調(diào)控中心的進度互通、任務(wù)提醒、時間提示等功能。實現(xiàn)檢修操作工作全流程跟蹤與進度管控，服務(wù)于各級單位調(diào)度、運行、檢修以及管理人員，提升人力資源和電網(wǎng)運行效率。

第二，設(shè)備狀態(tài)感知方面。構(gòu)建基于知識圖譜的故障知識庫引擎，針對臺風等極端災(zāi)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(guān)的影響因素分析影響線路試送電的因素，并根據(jù)線路類型、故障性質(zhì)、設(shè)備狀態(tài)、故障后運行方式以及外部氣象環(huán)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(guān)聯(lián)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(yōu)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(huán)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(jié)束語

本文研究了數(shù)字孿生技術(shù)在防災(zāi)減災(zāi)系統(tǒng)平戰(zhàn)機制中的應(yīng)用，提出了在數(shù)據(jù)驅(qū)動模式下開展數(shù)字孿生架設(shè)，通過隨機矩陣理論進行源數(shù)據(jù)的處理，利用GBM/LightGAM 技術(shù)對數(shù)據(jù)處理相關(guān)模型進行優(yōu)化，并基于數(shù)字孿生仿真結(jié)果結(jié)合深度學習和知識圖譜技術(shù)，形成強人工交互、提升業(yè)務(wù)協(xié)同和設(shè)備狀態(tài)感知等應(yīng)用。目前該數(shù)字孿生架設(shè)已在測試實體上進行執(zhí)行，其執(zhí)行情況與數(shù)字孿生系統(tǒng)實時交互融合，為電力系統(tǒng)的防災(zāi)減災(zāi)工作提供運行參照。