數字孿生技術在區域多能源系統中的應用展望

唐學用，梁垚,2，孫斌，李慶生，顏霞

(1.貴州電網公司有限責任公司電網規劃研究中心，貴陽550003；2. 貴州大學電氣工程學院，貴陽550025；3.貴州電網有限責任公司，貴陽550002)

0 引言

能源是人類賴以生存和發展的基礎，是國民經濟的命脈，如何在確保人類社會能源可持續供應的同時減少用能過程中的環境污染，是當今世界各國共同關注的熱點[1]。美國在2002年啟動氫燃料計劃，贊助汽車商開展氫燃料汽車研究，奧巴馬執政時期還對清潔能源的發展做了重點規劃[2]。加拿大為應對能源危機與溫室效應，將能源綜合利用列為國家發展戰略[3]。丹麥正在積極推動向具有綜合能源特性和以靈活性交易為互聯手段的區域能源互聯網的轉型[4]。瑞士聯邦理工學院提出能量樞紐(energy hub)的概念[5]。德國在撒哈拉沙漠啟動建設的大型太陽能項目“沙漠科技”將與北海電網組成一個有機整體，從而形成跨越歐洲、中東、北非的跨洲超級電網[6]。

為解決能源供應問題，目前的方法可總結為開源與節流兩個方面，開源即是人類尋求更多的可用能源以維護能源的可持續供應，除去傳統意義上的化石能源(包括頁巖氣)、核能和水能外，風能、太陽能、生物質能和海洋能等近年來得到高度關注并迅速發展[7]，節流則是盡可能節約資源提高能源利用效率，減少環境污染，實現資源優化配置。作為二次能源的核心，電力系統是實現能源轉型的關鍵途徑[8]，不同能源系統之間的多能互濟與能源梯級利用是提高能源綜合利用率的有效途徑[9]。針對上述兩個問題，研究人員提出了綜合能源系統[10]、智能電網[11]、能源互聯網[12]等概念，從不同角度對多能源系統的整體架構進行了闡述說明[13]。

目前對于電力系統的數字建模與仿真技術已有一定研究。但是并未進行大規模應用，且并未擴展到天然氣、供熱等其他能源系統當中，當前多能源系統規劃運行存在仿真手段有限且效果并不太理想的問題。而隨著當前云計算、大數據、物聯網、人工智能等技術的常態化發展，作為信息/物理系統關鍵融合技術之一的數字孿生技術，為區域多能源系統的發展提供了廣闊的技術前景。

1 區域多能源系統

1.1 區域多能源系統特點

區域多能源系統(multi-energy systems，MES)是下一代新型的智能能源系統，區域內多種能源、網、荷、儲深度融合、緊密互動，需利用系統化、集成化和精細化的方法來分析、設計、運行和管理整個能源系統的生產、傳輸、存儲和使用[14]，其目的在于有效提高社會能源的綜合利用效率，實現社會能源的可持續供應，同時提高社會能源供用系統的靈活性、安全性、經濟性和自愈能力[15]。區域多能源系統包含了區域電力系統、區域天然氣系統、區域供冷與熱力系統、分布式的可再生能源發電設備、儲能設備、能源變換設備和與終端用戶緊密連接的智能化信息物理系統。圖1是由日本的Tokyo Gas能源公司繪制的一個未來多能源系統的示意圖[16]。

圖1 區域多能源系統Fig.1 Multi-energy systems

區域多能源系統是一個極其復雜的、多能源耦合的系統，在時間、空間、行為3個方面都存在一定的復雜性。1)時間尺度不同。區域多能源系統既要考慮迅速響應的環節如電力系統，其能量傳輸幾乎瞬間完成，動態時間尺度為毫秒甚至納秒級；也要考慮具有較大延時的環節如熱力及燃氣管道系統，其動態需在秒、分鐘甚至小時級的時間尺度上描述。

此外，仿真分析技術既要滿足規劃和評估等長時間尺度研究的需要，也要滿足運行控制等短時間尺度分析的需要。2)多系統耦合方面：多種元件的耦合與疊加造成多能源系統互動機理難以把握和精確量化。3)行為方面：新能源的接入顯著增加了發電出力的隨機性，造成供需雙側的不匹配問題，從而嚴重影響系統的安全穩定運行。

1.2 區域多能源系統研究現狀

針對區域多能源系統時間、空間及行為上的特點，國內外學者從優化及建模方面開展了大量研究。文獻[17 - 19]將碳交易機制應用于電力系統電源規劃模型中，緩解了低碳能源發電經濟性與低碳性之間的矛盾。文獻[20]將多能源規劃周期根據負荷水平分成若干個階段，在每個規劃階段期初增加設備投入，以滿足長時間尺度下負荷增長的需求。文獻[21 - 24]進行統一多能源系統網絡建模，將氣網絡與熱網絡能量平衡及質量平衡的偏微分方程通過傅里葉變換轉變為與電網絡數學表達上一致的代數方程，并將穩態多能流方程擴展至暫態多能流方程，為后續多能源系統建模立了標尺。

區域多能源系統實體具備很強的非線性、不確定性、以及運行方式的關聯性，已有的多能源系統建模多采用如下研究思路。首先從具體的設備入手，建立相應的設備模型庫，然后再利用針對特定綜合能源單元系統的仿真分析和實驗驗證來不斷豐富這些模型庫[25]，而此類模型為固定模型，難以反映真實系統，對于間歇性能源，受天氣、季節因素影響較大，設備在不同的生命周期的運行特性也不相同。區域多能源系統仿真方面，大多采用以歐洲的DIgSILENT、北美的PSS/E、中國的SSDG等研究分析電力-熱力-天然氣機理模型為主的仿真軟件。但研究多將能源單元仿真與能源網絡仿真分開，多能源系統是一個由終端能源單元和供能網絡構成的有機整體，目前尚缺乏將兩者有機整合后的系統化仿真手段。而在電力系統仿真中有一種融合數字計算與實物模擬的混合仿真技術，被認為是未來針對復雜動態系統研究最有效的仿真手段，目前已有一些采用半實物仿真的工作，如利用電力系統中的實時數字仿真(RTDS)技術對微網特性進行半實物仿真研究。電力大系統部分的動態采過程用數字仿真實現，而微網設備的動態過程則采用實物加以模擬，但將半實物仿真技術擴展至燃氣、供熱、制冷等方面的研究還處于探索階段。

在規劃、運行方面，多能源系統是一個多目標、多約束、非線性的混合整形優化問題，單靠規劃人員以往經驗進行已不能滿足實際工作需求，而且多能源系統還存在許多不確定的影響，如多能源系統規劃需打破原有各能源系統單獨規劃、單獨設計、單獨運行的模式；在尋求整體目標優化的過程中，還需考慮各方利益訴求，在整體及局部優化間尋求平衡點。太陽能及風能等間歇能源的接入，使原本僅存在負荷端不確定的系統，轉換為現有的雙側不確定系統，規劃需要綜合考慮供需兩側不確定性帶來的影響，同時，在進行規劃方案優選時，還需綜合考慮各方面因素。

針對多能源系統的特點和當前仿真手段存在的不足，需要在當前如RTDS等數模混合仿真技術的基礎上，探索既能實現模型矯正，又能滿足全壽命周期仿真的技術方法。

2 數字孿生技術

數字孿生是物理世界和數字虛擬世界溝通的橋梁。該概念由密西根大學教授Grieves提出，NASA將其用于建立飛船鏡像仿真模型，用于健康診斷和飛行測試[26]。西門子、GE、ABB、達索等公司將數字孿生技術應用到工業制造領域，達索公司構建了基于數字孿生的汽車仿真平臺，根據空氣動力學和流體力學測試結果改進信息世界中的產品設計模型，并反饋到物理實體產品改進中[27]。西門子采用數字孿生為工業資產構建了高保真的數字世界，進行資產全生命周期管理[28]。通用電氣將數字孿生分別建立可靠性預測模型、物理仿真模型、優化調度模型，動態響應模型用于設備生產和運維[29]。數字孿生技術已經快速融入到了傳統制造業，智慧城市、智慧管網等開始逐漸采用數字孿生技術構建物理本體的超寫實模型來對物理實體進行全周期的設計、制造和管理、運維[30 - 31]。數字孿生建模方法已在機床和飛機上得到應用實踐[32 - 33]。國內外研究者也開始探索電網數字孿生化方面的應用。文獻[34]提出一種基于數字孿生技術的電力系統動態監控手段；文獻[35]設計了電力系統數字孿生的框架；文獻[36]運用神經網絡分析電力系統設備紅外圖像，實現設備精準定位、識別；文獻[37]運用人工智能檢測配電網高阻接地故障。而隨著電網通信網絡在通信組網方式[38 - 40]、帶寬預測與分配[41 - 44]、網絡安全與保護[45 - 46]等幾個方面的提升，以及泛在電力傳感器的發展，電力網絡逐漸透明化，為電網數字孿生體構建提供技術支撐。

數字孿生是應用人工智能、傳感、仿真工具等數字技術，具有平行互動、精準映射、虛實迭代特征，實現物理原子到數據比特的轉化、連接物理世界與數據世界的技術、過程和方法。數字孿生具有以下典型特征。1)高保真性：數字世界從本體構成、形態行為、運行規則等多維度、多角度、多屬性上對物理世界進行全息復制。2)可擴展性：數字模型可根據數字世界自我推演或者物理世界形態變化進行拆解、集成、復制、修改、刪除等操作[27]。3) 互操作性：數字模型與物理世界都具備標準接口和規范定義，不同數學模型之間，不同物理終端之間、數學模型與物理終端都可以進行信息交互。

數字孿生包括3個主要部分：物理世界(空間)實體、數字世界(空間)模型、物理實體和虛擬模型之間的數據和信息交互通道[47]。

數字世界(空間)：完成對物理實體的全息復制和高保真建模，建立對象、模型以及數據集一體的虛擬副本，實時動態反映物理實體行為狀態，支持對物理實體多層次、多維度、多尺度、多物理場的仿真模擬。采用數據挖掘技術、知識學習系統從物理實體歷史、實時數據中挖掘各種模態的結果，衍生數據價值。

物理世界(空間)：物理元素的互聯和感知具有標準定義和接口，支持即插即用。具有廣域布置的傳感器以及狀態反饋點，能夠高密度寬頻率地采集信息。接受數字世界的優化指令，改變其物理元素組合模式、生產流程、資源匹配。

連接和協同：采用設計工具、仿真工具、物聯網、虛擬現實等各種數字化的手段建立物理世界和數字世界的準實時聯系和映射。通過傳感器洞察和呈現物體的實時狀態，同時將承載指令的數據通過標準接口回饋到物體，最終導致狀態變化，形成閉環反饋。

數字孿生體是物理實體的全要素映射，以數字化的形式對物理對象過去和目前的行為進行動態呈現，并在此基礎上對物理對象的未來發展進行預測和推演，然后再將預測推演得到的信息反饋給物理對象從而改變物理對象的行為特征或者物理過程的發展軌跡。數字孿生技術的反饋并不只是狹義地包含實時控制，而是將運行與規劃通過數據進行融合，結合人工智能與數據挖掘技術，實時感知物理系統，并同時修正數字系統模型。數字孿生影響的可以是物理對象生命周期中任意時間尺度的行為或者發展軌跡。用數字孿生技術進行區域多能源系統的規劃和運行優化，結果的實施其實從不同時間尺度上改變了該系統的發展軌跡。

數字孿生技術通過全景鏡像實時仿真，實現物理系統的可視、可控、可驗及同步迭代，可以滿足區域多能源系統多時間尺度、多能耦合、行為隨機等仿真的需求，在生命周期的不同時間尺度上，有效提高系統的安全性、可靠性和經濟性。

3 基于數字孿生技術的區域多能源系統應用展望

實際上區域多能源系統的數字孿生是數據和知識共同驅動的信息物理電力網絡的數字空間建模。數字空間建模技術是智能電網數字孿生技術的基礎，實現對復雜的“信息-能量-環境”耦合動態精確模擬是構建智能電網數字孿生的前提。數字空間的知識融合、復雜動態的行為預測以及人工智能的優化決策是構建區域多能源系統數字孿生的目標。

結合區域多能源系統的需求和數字孿生技術的特點，本文擬從不同場景，嘗試提出數字孿生技術在區域多能源系統中的應用展望。

3.1 基于數字孿生技術的區域多能源系統建模仿真及數據處理

構建區域多能源系統的數字孿生模型是打造區域多能源系統數字孿生體的前提，相較于傳統建模，數字孿生體是使用全景自校準數字孿生建模方法，并制定多能源系統模型與數據結構標準，該建模方法具有較強泛化能力，易于推廣。為保證孿生體作為區域多能源系統在虛擬空間全要素重建和數字化映射，需要構建的模型包括：考慮多種能量傳輸過程中的多維、非線性混合約束的多能源網絡的穩態潮流模型；考慮全景因素的元件參數自適應數字孿生模型；基于規劃區域內電、熱、氣的負荷預測值和已有的多能流供能網絡的多能互補協調模型；基于數字孿生的多工況并行仿真數據驅動模型；基于工況庫與機器學習的控制策略優化模型等。

數字空間建模技術是數字孿生技術在區域多能源系統建模仿真中應用的關鍵技術。需要強調的是，區域多能源系統模型的形式并不僅僅局限于知識驅動的微分代數模型，還包括利用泛在傳感網絡獲得的海量系統狀態數據。當前量測數據有助于實現物理系統與數字空間之間的同步，而在歷史數據的基礎上則可以通過統計和學習構建數據驅動的相關性模型。對兩類模型進行融合，借助數據驅動的統計相關性模型來彌補另一方的動態建模不完備和不確定性信息未考慮的缺陷，借助知識驅動的微分代數模型來彌補另一方樣本有限和樣本有偏的缺陷，從而實現對區域多能源系統復雜的“信息-能量-環境”耦合的動態精確模擬。

在構建知識驅動的微分代數模型方面，考慮到區域多能源系統不同區域系統、不同能源形式之間可能采用不同的仿真算法，同時，仿真器也可能與其他上層業務仿真相接，為兼容不同系統對仿真速率的不同要求，采用面向區域多能源系統的多時間尺度建模技術。針對不同時間尺度的仿真需求，建立區域多能源系統關鍵設備的不同時間尺度模型，包括詳細模型、平均化模型和系統級模型等。

在構建數據驅動的統計相關性模型方面，采用基于傳感器量測數據及大數據技術的模型校正及參數優化方法。首先，對于區域多能源系統仿真模型中的關鍵參數，考慮其隨機因素，利用高斯混合模型的邊緣概率不變性與條件概率不變性，表征任意非高斯、非獨立的多維隨機變量的聯合概率分布，采用高斯混合模型構造仿真模型參數在給定動態行為特征量時的條件概率分布計算方法。其次，利用參數的可辨識性與靈敏度之間的內在聯系，判斷參數的可辨識性，選擇可辨識的重點參數。最后，采用啟發式算法優化校正重點參數。

從數據角度而言，數據流價值的萃取是數字孿生技術需要解決的核心問題，區域多能源系統包含海量數據集，此類數據集是指量大、多源、異構、復雜、增長迅速的、無法用常規方法處理的數據集合[48]。一方面，各類型能源，例如電力和天然氣，其數據掌握在不同投資、運營主體手中，各平臺數據無法共享共用，造成了“數據孤島”局面，數據應用壁壘嚴重，無法充分發揮數據價值[49]。另一方面，隨著冷熱、氣負荷和設備數據以及源端分布式可再生能源的大量接入，采用歷史數據進行勢態預測，并基于隨機海量場景進行控制、規劃等，將會帶來數據的“維數災”問題。因此高效的數據采集、清洗、特征提取、壓縮、存儲及交互機制將是保障數字孿生體與物理實體間全景映射的重要環節。

為此從數據保障層入手，首先標準化區域多能源系統的多元數據結構，建立區域電、冷/熱、氣等能源系統數字孿生中建模仿真、規劃優化及運行優化業務中的數據流模型和業務流模型，實現利用有向無環圖(directed acyclic graph，DAG)模型描述的業務數據傳遞及算法調度模型；進一步，分別設計數據中臺和調度中臺，解決標準化數據流和業務流的管理及實現。其一，為實現高效的數據管理和通信，結合數據中臺技術研究區域多能源系統數字孿生全景數據的數據采集、存儲及交互機制，形成高效、實時及可擴展的底層數據交換平臺；其二，為實現標準化業務流模型的接入，利用云計算技術和虛擬化技術解決多應用接入、應用間安全隔離的問題，構建業務調度中臺，實現用戶自定義的應用接入及流程編排；并最終構建數字孿生云服務平臺。

從仿真角度而言，傳統建模仿真是數字孿生的基礎，傳統電力系統仿真可以完成諸如半實物閉環仿真、實時仿真等應用，這些在數字孿生中也都可完成。除此之外，數字孿生由于考慮了量測傳感，具備數據建模的能力，可以從更高維度考慮含隨機性、波動性、多場景、事件鏈等信息的建模仿真功能，從而提供更廣的應用場景，具體如下。

1)對大規模區域電網進行實時電磁暫態仿真，由于RTLAB、RTDS等實時仿真器的仿真規模有限，其計算能力與硬件投資直接相關，若完全采用RTLAB或RTDS的解決方案其成本高昂。在數字孿生框架下，并不排斥采用RTlAB和RTDS作為仿真內核，但考慮到仿真軟件、數據接口的可控性，采用自主研發的仿真內核可具備更高的靈活性和拓展性，若采用數字孿生的解決方案，可通過連接自主知識產權的實時仿真器與RTLAB或RTDS，共同構建針對大規模系統的實時電磁暫態仿真器。例如：可針對大規模風電場、光伏電站、含海量分布式電源的配電網、多能源系統進行實時仿真和相應控保裝置的硬件閉環仿真。相比傳統實時仿真器，采用數字孿生的方案，可以將實際電網中的量測和數據采集系統接入，使得數字孿生模型可以準確、實時地反映實際系統的運行狀態，省去在實時仿真器上的大量建模工作。除此之外，該暫態仿真中的偏微分數值方程組求解核心模塊可下放至天然氣、供冷/熱系統，以仿真其能量流動的動態特性，解決現有框架下其他能源系統難以支撐海量數據仿真的問題。相對于電力系統，其他能源系統的暫態時間較長，地域耦合性較弱。因此，對于地域尺度較廣的系統，例如省內、省間天然氣長距離傳輸系統，可采用大規模并行計算的方式，而數字孿生下的云端計算架構則天然具有便于并行的特性。

2)區域多能系統中可能含有風電、光伏等受隨機性影響的電源，若需在線準確評估此類新能源發電系統的出力是否滿足區域電網的承載能力，其基本方法是通過蒙特卡洛抽樣，生成海量運行斷面，利用實時仿真器對其進行并發實時仿真，獲取計算所得的指標，并根據指標實時調整風電、光伏的出力。如果采用RTLAB和RTDS的仿真方案，其能并發的算例數量與硬件投資直接相關。若需完全并行地完成上述功能，其成本極高，幾乎難以實現。若僅購置有限的實時仿真器，本質上上述過程海量算例的仿真仍為串行計算完成，難以滿足實時性要求。而數字孿生采用云計算架構，僅需在完成海量計算任務時，在云端申請海量計算核心，就算資源在完成計算后即可釋放。這種云端的彈性計算資源可以以最低的成本實時地評估新能源發電的承載能力。因此，在短時間尺度應用中，考慮單一場景、確定性結構系統的實時仿真，采用RTLAB和RTDS確實是優異的解決方案。但綜合考慮到系統隨機性、波動性需要并發海量場景仿真的應用中，RTLAB與RTDS受限于成本，其應用受限。數字孿生的解決方案體現出了顯著優勢。

3)實際物理系統運行中，一系列控制或調度策略可能會因隨機性、波動性等導致截然不同的動態響應，從而引導系統走向不同的運行狀態。在傳統仿真中，由于模型是確定的，此類隨機特性很難在一次仿真測試中模擬出來。而數字孿生會隨時根據當前時刻的運行狀態和控制邏輯，根據隨機性自動分叉出不同的場景，并對每個場景進行仿真，或采用隨機規劃、魯棒規劃等算法，從而在盡可能多的保留隨機場景的特征信息的同時獲取海量場景、不同控制下的仿真結果，提供相比傳統仿真更準確、更全面的分析結果。

基于數字孿生技術的建模仿真應用的核心在于具備多場景并行仿真計算的優勢。現階段針對區域多能源系統的多場景生成和大規模并行計算的研究已經具備一定的規模，為基于數字孿生技術的建模仿真應用提供了可行和理論實踐基礎。

現有的多場景生成方法一般采用高斯混合模型(GMM)對區域多能源系統運行動態的邊界條件進行概率建模，得到其強度和范圍的概率分布關系。從已知運行場景邊界條件出發，生成未知且合理的邊界條件組合。采用對抗生成網絡技術，對已知的運行場景中學習各種邊界條件之間的關聯關系，進而根據場景生成中的邊界條件概率分布要求，生成合理的場景集合。

在大規模并行計算方面，清華大學團隊獨立開發了國內首個具備完全自主知識產權的高性能電磁暫態仿真云平臺CloudPSS(www.cloudpss.net)，實現了利用先進建模技術、異構并行計算和云計算技術加速大規模交直流電網的離線仿真，并且大大降低了針對大規模交流電網實時仿真的硬件成本。

基于數字孿生技術的區域多能源系統建模仿真平臺構架如圖2所示。

圖2 基于數字孿生技術的區域多能源系統建模仿真平臺構架Fig.2 Modeling and simulation platform framework of the regional multi-energy systems based on digital twin technology

綜上，基于數字孿生技術的區域多能源系統建模仿真及數據處理相比傳統建模仿真技術具備多場景、考慮隨機性的優勢，具有更高維度的分析功能；同時借助云計算的優勢，可以大幅度降低計算資源消耗，降低了部署成本，具備較高的推廣價值。

3.2 數字孿生技術在區域多能源系統規劃中的應用展望

數字孿生在解決規劃問題時提供了一種全新思路。這種思路類似于AlphaGo下圍棋，每走一步之前，在計算機后臺是要模擬上千萬種可能的步驟，通過對比，找到最優的策略。所以，在這種基于數字孿生的優化模型中，并不對系統做簡化，而是通過大規模異構并行計算資源對海量數字孿生的場景進行仿真，從海量仿真結果中尋找規律，從而驅動運行方式的優化。具體而言，在區域多能源規劃中引入數字孿生能有助于改進以下幾個問題。

1)規劃過程中存在海量不確定性問題，例如長期來說，電力、天然氣等負荷的不確定性，各類能源價格的不確定性，環境政策的不確定性等，短期負荷不確定性，可再生能源的不確定性等。這些不確定性的建模可能是連續的概率分布，也可以是離散的多個狀態，這些狀態的組合構成了海量的不確定性場景。傳統規劃與運行中對此研究的范式通常基于理論、機理模型計算。隨著數字孿生技術對系統全周期運行數據，以及非系統本身數據(例如天氣數據等)采集和處理能力的提升，基于數據驅動的規劃模式能夠更好地建立不確定性因素的統計和隨機過程模型，利用模糊聚類、數據挖掘等技術，以更小的代價提升規劃結果與運行方式的魯棒性。同時，借助不確定性建模、場景生成等技術，數字孿生可以對不同方案進行多概率、多場景的仿真模擬，從中選取最優方案。

2)不同能源系統設備、管網參數的狀態感知和滾動修復。區域多能源系統規劃與運行的前提是對現有的系統配置數據，例如設備參數、網架結構有清晰的認知。在傳統機理驅動的模型下，該認知可能是不可行或者不準確的。一方面，由于原有系統年限的原因，設備、管網參數可能已不可考證；另一方面，一些設備參數會隨著環境因素的變化而變化，且該變化是混沌的，難以用機理模型描述。以區域供熱網絡的管道為例，通常通過管道摩擦系數、熱傳導系數等描述性能，但是這些參數與環境，例如熱傳導系數與所在土壤的溫度、濕度等因素密切相關，采用出廠數據或者標準參數顯然是不準確的。但在數字孿生框架下，可通過采集的系統的實際運行狀態作為輸入量(通常是冗余的)，通過狀態估計、數據擬合來獲得該管道的實際運行過程中的特性參數，從而作為擴展規劃的基礎依據；最后，傳統規劃中多采用規劃時刻設備的標準模型，但是在實際運行中，一些設備會隨著投入年限的上升而老化，例如儲能的充放電效率等，該變化與實際運行狀態有關，在傳統規劃中難以考慮。同樣，通過數字孿生可以實時監測設備參數，從而了解規劃需求。

3)基于動態評價的自適應的動態規劃。傳統規劃由于不能實時感知系統運行狀態，因此通常是一種開環的長期規劃或者固定年限的滾動規劃。長期規劃由于缺少數據積累，對于遠景年例如負荷的不確定性規劃的冗余成本較高。滾動規劃中的固定年限通常也較為死板，無法反映系統的實時狀態與需求。但是，通過數字孿生技術對系統進行全生命周期的監測形成問題庫，并通過一定方法形成實時動態評價體系，評估系統例如充裕度、負載量、可靠性等信息，能夠更加及時、有效地評估系統擴展規劃的緊迫性，確定規劃需求，并為規劃方案的優選提供閉環反饋。

基于數字孿生技術的區域多能源系統規劃應用構架如圖3所示。

基于海量隨機場景下區域多能源系統的短期評估指標的動態規劃技術是數字孿生技術在區域多能源系統規劃中應用的關鍵技術。如上文所述，動態規劃技術能夠更貼合區域多能源系統的實際需求。然而，一方面由于冷熱和天然氣管網系統和電力系統不同的能流特性和運行方式，及其大規模的具有偏微分等式的數學模型，使得對于海量隨機場景下的區域多能源系統的短期評估缺乏高效的計算工具；另一方面，對于系統累計的運行數據以及環境情況缺乏有效的數據獲取與處理手段。而數字孿生技術能夠很好地解決這兩方面的問題。

現階段針對區域多能源系統的短期評估的研究已經具備一定的理論基礎，與數據孿生技術相輔相成，能夠更好地在模型參數矯正、計算效率等方面，為區域多能源系統的規劃應用奠定理論實踐基礎。

綜上，基于數字孿生技術的區域多能源系統規劃具備更高的模型精度和動態更新機制，對區域多能源系統的安全性和經濟性的評估相比傳統規劃結果更準確，更具備應用價值。

3.3 數字孿生技術在區域多能源系統運行優化中的應用展望

區域多能源系統的優化運行，一方面要利用多能源系統的多源及多種負荷與儲能，協調消納可再生能源，開發多能源系統耦合轉化與梯級優化利用方法。例如通過電熱聯產機組區域供熱替代電熱鍋爐等，通過運行層面的多能互補需求響應削減尖峰時刻的用電負荷。另一方面，根據實時監控層提供的風險點、故障等信息，基于歷史數據，提出多種優化策略，通過并行實時仿真進行優選校驗，支持系統運行控制規避風險，并按照選取的優化方案更新監控層基礎控制參數。

基于深度強化學習的仿真驅動優化技術是數字孿生技術在區域多能源系統運行優化中應用的關鍵技術之一。強化學習(reinforcement learning，RL)作為一種數據驅動的機器學習方法，通過學習歷史或訓練數據中的規律，在不需要知道未來信息的情況下做出其認為的能最大化未來收益的動作，在數據充分的情況下可以較好地處理不確定場景，因此強化學習可以用來求解不確定性場景下的多能源系統的運行優化問題。

針對運行狀態的不確定性，可以在訓練和測試時采用不同的場景。每一種場景對應一種出力、負荷及工況方式，一個場景結束時這個場景下的訓練也隨之結束。這樣，在訓練時智能體能充分地學習到系統中的諸多不確定性因素，從而提高在實際應用中的魯棒性。

把區域多能源系統的運行優化決策問題轉化為強化學習模型，關鍵在于狀態、動作及獎勵值的選取。強化學習中的“狀態”并不一定是區域多能源系統中定義的狀態量，它只需要是做出決策所需要的最小信息，而狀態應該易于從實際系統中計算或者直接得到。RL中的“動作”可以認為是系統中的可控變量，RL通過改變這些可控變量影響系統狀態。同時，RL中“獎勵”的選取也是一個非常有技巧性的工作，合適的獎勵值選取能促使智能體更好地向我們期望的目標發展。

具體思路如下：首先針對區域多能源系統多能耦合、可再生能源就地消納原則等特點，綜合分析各類優化控制方法的優缺點，結合能源利用結構與領域先驗信息，構建包含多種因素與運行約束條件的綜合優化目標。其次，基于數據驅動的狀態估計技術，尤其是考慮天然氣、供熱管網的動態特性進行偏微分方程的動態狀態估計技術，識別多能源系統運行狀態。然后，基于深度強化學習理論，利用數字孿生模型海量歷史數據和多場景仿真器構建強化學習訓練引擎，設計適用于區域多能源系統“離線訓練、在線提升”的強化學習模式，形成一種基于多能源系統數字孿生模型及海量仿真驅動的優化方法。然后，計及多能流耦合及可再生能源的分布、出力等運行特性，確定區域多能源系統優化對象，建立單目標及多目標優化的強化學習模型，合理設置強化學習的動作、狀態及反饋獎勵等參數，選取合理的強化學習方法，基于數字孿生模型完成模型訓練，形成可在線計算的區域多能源系統運行優化策略；提出運行優化策略的效果評估方法，基于數字孿生實時仿真器，結合實際運行數據，在線生成閉環檢測運行優化策略，實現運行優化策略的軟件閉環仿真(software-in-the-loop，SIL)測試；最后，將控制策略開發為一個模塊，并入能源智慧大腦一個環節。

基于數字孿生技術的區域多能源系統優化運行構架如圖4所示。

圖4 基于數字孿生技術的區域多能源系統優化運行構架Fig.4 Optimized operation framework of the regional multi-energy system based on digital twin technology

基于數字孿生技術的區域多能源系統運行優化可為人工智能和強化學習提供高保真的訓練、測試和部署平臺，促進人工智能技術在區域多能源系統運行優化中的應用和推廣。

3.4 數字孿生技術在區域多能源系統事故檢修中的應用展望

區域多能源系統發生事故影響用戶電、冷/熱、氣負荷供給后，需要快速生成合理的恢復策略，保障對用戶的供電。傳統的解決方案是預先根據區域電力系統潮流計算等穩態分析工具設定好若干恢復預案，根據實際故障情況選擇合適的預案。但隨著直流、新能源和其他能源系統的接入，僅采用穩態潮流計算獲得的恢復預案可能不滿足區域系統的暫態約束，從而可能在恢復過程中產生進一步的故障，故有必要引入電磁暫態仿真以及其他能源系統的動態特性仿真對預案進行校驗。一種改進的方案是基于RTlAB和RTDS校驗恢復策略，但這需要手動維護一套可與實際物理多能源系統實時對應的仿真模型，且該過程涉及到實際系統狀態的映射，通常需耗費大量人力和時間，且其應用時效性受限。而考慮到數字孿生本身具有的“建模仿真”和“量測采集”環節，其可以在數字空間中實時維護一套反映實際多能源系統運行狀態的數字仿真鏡像，進而借助云端彈性計算資源和實時電磁暫態仿真和多能源系統動態仿真功能，可準確校驗恢復策略是否滿足實際電網的安全性需求。

事件推理和優化決策技術是數字孿生技術在區域多能源系統事故檢修中應用存在的關鍵技術。

事件推理方面，從實測和仿真的大數據樣本中統計學習物理實體相關的離散事件相關性模型，用于事故因果推理和事故故障風險分析；優化決策方面，利用強化學習機制，通過對數字孿生體控制效果的學習，發現最優檢修方案，最終得到合理決策指令并下發至實體系統。

通過對比數字模型模擬運行結果和物理實體的真實量測結果，發現兩者之間的差異，從而為狀態檢修和精準運維提供指導。首先在運行維護歷史經驗數據集中，使用機器學習的算法學習故障設備狀態的特征分布以及各狀態的相關性結構，再結合設備的物理模型，模擬正常以及故障情況下設備狀態的特征分布以及各狀態的相關性結構，最終通過對比、分類等手段發現故障或者處于異常工況的設備，從而大幅提升故障預測準確率并降低運維成本。數字孿生的云端監控和運維功能適用于多種區域多能源系統應用場景，其中包括光伏電站運維、供能設備缺陷監測、多能源網監控等。

基于數字孿生技術的區域多能源系統事故檢修應用構架如圖5所示。

圖5 基于數字孿生技術的區域多能源系統事故檢修應用構架Fig.5 Accident repair application framework of the regional multi-energy system based on digital twin technology

綜上，基于數字孿生技術的區域多能源系統事故檢修可為故障恢復、事故反演提供實時沙盤推演基礎平臺，相比采用傳統實時仿真技術，節省了大量建模時間、進一步保證區域多能源系統故障恢復策略的有效性和經濟性。

4 結語

本文分別介紹了區域多能源系統和數字孿生技術的特點和研究現狀，并提出了數字孿生技術在區域多能源系統的應用前景與展望，包括建模仿真和數據處理、優化規劃、運行和事故檢修等方面。隨著數字孿生技術的不斷完善，該技術在電力系統中將會有更廣泛的應用前景。數字孿生技術的實時態勢感知手段后續還可結合先進的計算視覺技術實現電網智能巡檢；超實時決策推演手段也可對復雜電力設備作全生命周期管理。

但同時，我們也需要認識到數字孿生技術在區域多能源系統中應用仍處于持續探索和不斷完善階段，應用模式尚未成熟，制約數字孿生實例化應用的因素還有很多，例如智能傳感技術、異構通信技術、數字中臺技術、能源智慧大腦技術等重點關鍵技術仍在未來有待突破。