數據驅動的電網系統突發事件應急響應決策方法

黃敏芳，郝園媛，王顏新

（1. 華北電力大學 經濟與管理學院, 北京 102206；2. 新能源電力與低碳發展研究北京市重點實驗室, 北京 102206；3. 北京聯合大學 商務學院, 北京 100025）

一、引言

近年來，洪水、冰凍、臺風等突發事件頻繁發生，為電網系統帶來嚴重破壞，如果沒有采取及時、有效的應急措施，將會引發電網大規模中斷并產生嚴重后果，如2003 年的美加“8·14”大停電和2012 年的印度大停電。除了自然災害外，電力供需失衡也會導致嚴重的停電事故，如2021 年初的德州大停電事件，極寒天氣和電力供應的不穩定性導致電力中斷，影響了500 多萬人，超過100 人死亡[1]，嚴重影響了社會生產生活秩序。目前，各國政府和電網公司已高度重視由突發事件引起的電網系統的應急管理問題[2]。由于突發事件發生的事前、事中、事后階段涉及眾多自然、社會和人為因素，這些因素都很模糊且無法定量描述，因此，電網系統應急管理決策是一項極其復雜的系統工程。當前，電網系統應急決策的研究主要集中在模型的構建、輔助決策系統的設計等方面，有效提升了城市電網系統的應急能力并節約了社會成本。但隨著電網規模的擴張，電力設備增多，數據愈加繁雜，傳統的應急模型難以全面、科學地分析海量數據。已有學者基于設備歷史數據開展了電網設備故障診斷、應急資源預測等研究，取得了一定的成果。但由于電網系統突發事件的復雜性、不確定性，僅從歷史數據角度開展的預測無法反映出實時設備狀態對應急決策的影響，很難提升應急資源預測的精準度以及應急響應的靈活度。

隨著電力物聯網的建設和信息采集技術的發展，電力大數據環境逐步成熟，為提高電網系統突發事件的應急決策能力帶來機遇。基于城市電網系統積累的海量數據，融合地理氣象、社會經濟等多方面的數據，完善電網系統突發事件的應急決策方法體系，對于提高電網系統應急管理水平具有重要意義。電網系統中累積的歷史數據以及大量實時數據已成為推動電網智能化的基礎性和戰略性資源。若能從數據驅動的視角，實時感知可能導致電網突發事件的異常狀態，提供動態分析與決策，對提升應急決策的速度和精度，進一步提高電網系統突發事件的應急響應能力將起到重要作用。本文聚焦于電力大數據環境下電網系統突發事件應急響應決策問題，綜合應急預警、應急演練、物資管理、信息管理等方面，對應急響應決策進行架構部署與功能規劃，并探討了實現多源數據融合技術、突發事件的演化建模技術、面向復雜大群體的智能優化決策技術的研究需求和實現策略。

二、文獻綜述

（一） 人工智能與大數據技術在電網系統應急管理的應用

人工智能技術在電力應急管理中的應用已有初步成果，如文獻[3]、文獻[4]分別利用遺傳算法、人工蜂群算法優化構建的基于支持向量機的故障診斷模型，提高了故障診斷的效率。但是面對海量數據，傳統的機器學習算法學習能力有限，并且需要人工提取特征，因此越來越多的研究采用深度學習來提升應急管理的效率，如Lee 等[5]基于卷積神經網絡和DET（Dynamic Event Trees）方法建立了一種實時的決策支持工具，可用于預測突發事件發生后產生不同后果的可能性。Zhang 等[6]利用卷積神經網絡的集成分類器，提出了一種分層自適應的方法對暫態穩定性進行評估和預測。大數據技術在促進電網系統應急管理的智能化、數字化、協同化方面已有初步的應用，主要集中于電網系統的應急數據處理及分析[7]、數據融合[8]、數據存儲[9]等研究工作。但已有研究成果所處理的電網系統數據多是與應急管理相關聯的系統運行、氣象環境等靜態歷史數據，反映電網系統監測的實時數據較少，且部分成果是科研人員或少數企業以研究為目的做出的局部嘗試。

近年來，已有學者提出融合人工智能技術與大數據技術，將其應用于電力系統的應急管理，如劉云鵬等[10]綜述了面向數據分析的人工智能技術，并探討了現階段基于人工智能的數據分析技術在狀態檢修領域應用效果的關鍵問題。在電網系統應急管理中，通過對人工智能和大數據技術的結合，利用機器學習、數據挖掘等技術對所采集的數據進行系統性和戰略性的分析，能夠為電網應急管理的各階段提供更豐富的反饋，以更智能的角度修正和加強電網的規劃與運行。但由于機器學習模型對訓練樣本的數量有一定的要求，而在具體工作中，電網系統突發事件的出現為小概率事件并且存在高度不確定性和復雜性，易產生訓練樣本不均衡的問題，使得部分機器學習和數據挖掘模型的效果受到限制。如何應用數據增強等技術解決異常樣本缺乏的問題，從而提升樣本質量還有待深入研究。

（二） 電網應急管理理論與方法

在電網系統突發事件的應急管理方面，早期的研究主要從電網事故的分析和處理入手，如文獻[11]、文獻[12]，多集中于電網系統應急管理理論或決策框架的研究，為電網系統應急管理理論體系的建立奠定了一定基礎。但隨著新興信息技術的發展，電網應急管理理論與方法也隨之改進，內容綜合性與技術先進性上有所提升。

當前，在電網系統突發事件應急管理中已有將情景分析應用于電網系統應急響應決策的研究成果。情景分析主要包括情景構建、情景感知與情景推演的過程。相比傳統方法，情景分析法更注重事件發展的多種可能性、動態性、系統性以及高智能性，能夠降低因決策失誤對預測效果造成的影響。關于電網系統中突發事件的情景分析理論方面，王顏新等[13]提出了情景分析的方法，即通過對情景或者態勢的分析，可以對事件未來的發展趨勢進行預測，從而為不確定性問題提供確定性方案。情景構建方面，Riaz 等[14]針對未來電網情景分析，提出了一種考慮需求響應、能源存儲與集中太陽能熱發電技術的電力市場仿真工具。電網異常情景感知方面，葛朝強等[15]基于智能電網大數據分析建立安全態勢感知機制，實現對電網系統安全態勢的智能分析。情景推演方面，林棟等[16]采用情景理論，根據若干大停電事故構建了貝葉斯網絡推演模型，研究典型電力安全事件情景推演的不確定和多路徑問題。上述文獻從不同角度探討了突發事件的演化機制，對難預測、危害大、發生概率小的重大事件的態勢預測起到了很好的參考作用。但是由于電網系統應急響應決策不僅要考慮歷史案例數據還需考慮實時監測數據，僅利用電網系統的歷史數據進行情景分析與建模易影響模型的時效性，將兩方面數據如何有機融合構建情景并分析情景演變趨勢，依然很具挑戰性且缺乏同類研究成果可供參考。

現階段電網應急管理體系依然還存在以下問題[17]：（1）電網企業在建設應急管理體系時仍側重于基于經驗的應急預案的編制；（2）對于突發事件應急處置，更多地從專業角度出發強調電網應急調度與設備搶修，而忽略了電網事件對社會、群眾所造成影響的評估；（3）預測預警技術不發達，在如何實現對元件失效、設備故障、系統災變、停電時空分布的預測預警方面還缺乏有效的理論模型和計算工具；（4）電力系統應急管理所需各方系統的信息資源缺乏整合；（5）政府部門、發電企業、電網公司、用電企業、一般用戶之間缺乏聯動機制。因此，有必要在研究應急管理決策時將電網系統的大數據特征考慮進來，基于人工智能與大數據技術，結合電網系統突發事件的現狀、特點及發展趨勢，探討如何根據動態及靜態數據來驅動電網系統遭遇災變的應急決策。

三、數據驅動的電網系統突發事件應急決策方法體系架構部署與功能規劃

在大數據環境下，驅動應急決策的數據更加廣泛和豐富。用于分析和處理的數據不再局限于突發事件的歷史數據，而是將歷史數據與實時數據相結合，突發事件數據與日常運行數據相結合，電網系統內部數據與外部數據相結合。數據類型既包含結構數據，也包含圖片、視頻等非結構數據，呈現出海量、多源、異構的特點。上述特征為傳統的模型驅動方法帶來了挑戰。當數據規模非常大時，傳統模型很難全面地刻畫數據的特征屬性，可能會導致聯系缺失或過擬合。此外，在傳統模型中，部分非結構化數據處理難度大、不易獲得，從而使模型的解釋力下降，建立的模型不準確，從而降低突發事件應急決策的效率。這些挑戰恰恰是推動數據驅動決策發展的機遇。利用數據驅動應急決策，不僅能夠通過數據挖掘新變量關系，而且能夠從全局視角對整個應急過程進行分析，并結合人工智能、區塊鏈、云計算等新興技術賦能電網系統的應急響應決策。

（一） 電網系統的大數據特征分析

電網系統大數據既有大數據的共性，又繼承了能源行業數據的特征[18]。一方面，電網系統大數據具有大數據的“4V”特性，即數據量大（Volume）、數據多樣（Variety）、速度快（Velocity）、價值密度低（Value）。第一，數據量大。電網系統涉及設備多、數量大，電網設備、電網運行及氣象、環境等數據量巨大；第二，數據多樣。電網系統數據既包含電網運行監測、能量管理等內部數據，也包括地理信息、天氣預報等外部數據。所涉及的大數據類型復雜多樣，包括結構化、半結構化和非結構化數據；第三，速度快。電網系統的大數據流轉速度快，需要足夠快的數據采集、分析、處理技術以滿足海量數據的分析要求；第四，價值密度低。對電網數據的應用能夠為企業帶來價值，但是由于電網數據量大，價值密度低，需要從中挖掘有意義的數據，為電網系統的應急管理提供科學的決策支持。

另一方面，電網系統大數據具有典型的電力行業特征。智能電網的發展，優化了電的生產、分配及消耗過程，提高了數據采集、測量、控制和監測的效率。在此環境下，電網系統的狀態監測數據呈現出多源異構性、海量性、時空相關性、動態流式性和高維性特點，并伴隨著數據缺失、異常、不同步等瑕疵。結合這些特性，需要對電網相關領域的數據進行分析和處理，以應對部分異常數據帶來的不確定性。

傳統的應急決策體系注重事件的階段演化過程，但是難以應對電網系統大數據的高維性和不確定性，由此催生了應急決策響應的新需求：從數據驅動的視角，綜合考慮突發事件歷史數據及電網實時監測數據。通過對數據的采集、融合、分析、處理，驅動電網系統及時、科學的應急決策與響應。

（二） 數據驅動的應急響應決策原理

數據驅動的電網系統應急決策體系圍繞電網的時空數據流，實現實時和類實時的應急決策。數據驅動的方法更關注對時空數據流的整合和處理，由數據驅動決策，而不是由需求尋找數據再產生決策。將數據作為整個應急決策過程的中心，從而實現科學決策和快速響應。本文提出的數據驅動的電網系統應急響應決策流程如圖1 所示。

圖1 數據驅動的電網系統應急響應決策流程圖

圖1中應急響應決策流程主要涉及三個關鍵問題：

1.數據驅動的電網系統異常情景識別。對于靜態數據，如歷史突發事件的發生信息、決策過程以及應急預案等，利用人工智能、統計分析等技術從大量突發事件中整合、分析、提取擾動因素和現場信息，建立應急預案庫與知識庫，作為實時決策的輔助；對于動態數據，如電網設備的實時監測數據、實時天氣信息、能源供應信息等，利用流處理技術對動態的時空數據流進行處理，分析擾動的類型和嚴重程度。如果某一擾動對應預案庫里的一種，就調用相應的預案對突發事件進行處理；否則，就調用決策方案的求解算法獲得最佳應急響應決策方案。另外，監測系統對各觀測量設定閾值范圍，如果擾動程度低于最小閾值，可將之忽略；如果擾動程度高于最大閾值，則進入預警狀態，并對系統完全重新構造優化模型；如果擾動程度在閾值范圍內，則需結合專家知識、不確定推理等方法，從邏輯層面上完成異常擾動的定義、異常識別規則的確定，對其演化趨勢進行判斷。

2.電網系統突發事件的演化建模。對于突發事件引發的異常情景，需要對其演變趨勢及演化特點進行分析，以判斷觸發應急響應決策的必要性及觸發時機。首先，分析整理電網系統異常擾動的特征、發展趨勢及可能的影響，挖掘出異常情景相關要素間的關聯規則，再將其連接形成電網系統狀態變化的演化路徑，由此形成電網系統突發事件的演化模型。

3.電網系統突發事件應急決策方案的求解。基于突發事件演化模型，圍繞突發事件的特點與相關數據特點，采用定性與定量綜合集成的方法，以縮減問題解空間，提高方案生成效率為目標，引入人工智能狀態空間搜索理論，智能生成應急決策方案并利用智能算法求出方案的滿意解，建立電網系統突發事件應急決策方案的在線快速生成方法，實現高效、實時的應急響應決策。

（三） 電網系統突發事件應急決策方法體系的架構與功能

基于數據驅動的應急決策在技術上關注的主要問題有：針對可能發生的重大極端突發事件，如何實現全面監控，形成合理有效的情景庫和預案庫的集成化體系？面對不同條件下的突發事件，如何充分利用時空數據流，快速、動態、全面地了解現場的狀況？如何科學、實時地識別，判斷其趨勢、后果、危險性，快速對比尋求適應情景—預案準備的決策應對方案？面對跨部門的重大突發事件，如何科學決策和高效處置？以及結合已有數據，如何通過風險分析和演練仿真來查找隱患、評估應急過程？針對以上問題，本文提出了如圖2 所示的電網系統突發事件應急決策方法體系的架構圖。該決策方法體系以數據為主要脈絡，對電網系統的大數據特征及應急決策過程進行分析，并從數據驅動的技術場景與突發事件的演變過程兩個維度研究應急管理的關鍵技術與方法模型。從功能屬性角度來看，需研究大數據環境下電網系統應急響應的新需求，提升決策管理的針對性、智能性；從時空屬性角度來看，需研究數據驅動下突發事件的演變規律，建立靜態模型與動態監測相結合的應急管理模式，利用數據驅動提升應急決策管理的實時性、高效性。

圖2 數據驅動的電網系統突發事件應急響應決策方法體系的架構圖

不同于傳統的應急決策，數據驅動的方法不依賴數學模型、專家經驗等先驗知識，而是依賴數據，通過數據驅動應急決策。在突發事件演化階段的基礎上，關注數據處理流程的同時，注重對實時數據的利用，將實時數據與歷史數據結合，提高應急響應決策的實時性和智能性。因此，多源數據融合技術、突發事件的演化建模技術、面向復雜大群體的智能優化決策技術、數據安全與隱私、應急決策后評估技術、演練仿真技術等成為實現圖2 所示的應急響應決策方法的關鍵。限于篇幅，下文僅對前三項關鍵技術進行闡述。

四、關鍵技術需求和實現策略

（一） 多源數據融合技術

電力系統中突發事件難預測、演化復雜、危害大，與其相關聯的應急數據數量大、種類多、復雜性高，其中靜態數據與動態數據、結構化數據與非結構化數據均相混合。為了更好地將數據服務于應急決策，需要對相關的多源異構數據流進行融合，建立統一數據模型，對電網中各種信息源的監測數據進行采集、傳輸、轉換和綜合，實現數據的自動化和智能化集成。目前一般從三個層面來處理數據的融合問題[19]：像素級融合、特征級融合、決策級融合。

通過融合多源、多系統的數據有利于加強應急管理的協同性。驅動應急響應決策的數據既包含電網系統內部數據，如專家預警系統、數據采集與監視控制系統、應急通信管理系統等，也包含系統外部數據，如經濟數據、氣象系統數據、社交大數據等等，需要加強各系統之間的數據共享和應急通信，同時保證系統之間的松耦合性。此外，可以應用抽取、轉化和加載技術（Extract Transform Load）對數據進行整合和轉換，從而獲取更全面的數據。

（二） 突發事件的演化建模

由于電網的時空數據流具有數量、類別、時間等多個維度的復雜性，電網系統突發事件異常狀態的分析難度增加，面向低維數據的傳統分析方法難以發揮作用。因此需要對融合后的數據進行處理與降維，建立有效的數據驅動系統狀態的認知邏輯，萃取電網時空數據流中的數據價值，挖掘用于支持電網系統突發事件的高維特征，從而識別出與電網系統狀態變化具有關聯關系的各類自然、人為影響因素，確定情景要素，為電網系統突發事件異常情景的識別提供支持。根據場景的不同，具體的應急數據分析模型與技術分析如下。

1. 基于數據的意外建模

突發事件本質上是系統擾動因素通過擴散、傳導后的系統狀態變遷。面向突發事件的本質特性和周期特性，可以借鑒Eric Horvitz 的意外建模（Surprise Modeling）思想去探索突發事件中可能隱含的未知規律，努力提高應急決策的主動性[20]。Horvitz 強調意外建模通過對過去意外事件的分析建立一個模型從而有利于應對未來發生的同類意外事件。意外建模方法結合了數據挖掘和機器學習技術，從全新的視角對它們進行了應用。傳統的方法主要在“找出其中隱含的規律”進行研究，而意外建模則是分析找出系統中隱含的意外因素（Surprise），建立歷史案例庫，同時不斷獲取實時的環境信息，根據案例庫及專家規則，預測意外事件是否發生及發生情況，從而確定應急響應方式。

本文預期的意外模型以一定單位時間為基準建立系統的時間窗周期，通過數據挖掘和機器學習方法推算可能的意外因素（擾動）。一旦系統發現可能的意外因素，就回溯雙倍的時間周期，運行貝葉斯算法進行推斷并提出處理方案，然后將處理過程形成預案并存入預案庫，與情景庫中的對應情景進行集對匹配。

2. 情景分析方法

情景分析法基于局部事實或邏輯推理，通過主觀概念來描繪事物的某些細節，預測事件的發展趨勢[21]，是一種創造性的方法。情景分析技術用于構建應急決策管理的情景庫，識別和確定影響系統需求與能力的因素，這些因素是形成新情景的依據。通過對這些影響因素開展定性闡述，明確和區分不同情景的特征、內在規律及演化路徑，分析和設定出與新情景相協調的系統發展狀況，使情景演變形象化。情景分析法在電網系統突發事件應急響應決策中的應用如圖3 所示。

圖3 情景分析法在電網系統突發事件應急響應決策中的應用

在電網系統突發事件應急響應決策方法體系中，情景分析法應包括以下步驟：第一步，對系統結構、系統發展的本質性特征進行研究的基礎上，探索系統發展的根本機理，并尋找與系統結構的聯系。第二步，一方面通過對系統發展歷史或已有相似影響條件下研究對象變化規律的探索，對第一步中各變量影響下研究對象的發展趨勢進行分析，從而對其發展的總體狀況進行初步推測；另一方面通過對當前系統發展現狀的分析來尋找未來系統中具有不確定性并會對研究對象造成較大影響的關鍵因素，以及對這些關鍵因素可能采取的決策。第三步，以前述步驟為基礎，結合各因素之間的因果關系設定典型的系統可能的發展路徑，作為要重點研究的幾種情景；同時，對各情景發生的概率進行分析與確定。第四步，對受不確定因素影響較大的環節通過與相似的發展情況進行縱、橫向對比來尋求這些環節對研究對象的作用機制。選取恰當的定量模型對各環節可能出現的不同情況進行預測，以此為依據按照所設置的各情景中對各環節的發展方向以及各情景的概率來綜合計算各情景下的預測結果。

異常情景感知和情景演變分析是提升電網系統應急管理能力的重要手段。情景感知（Scenario Awareness）或者態勢感知（Situation Awareness）是指在特定的時間和空間內識別異常情景，對引起關鍵情景發生變化的要素進行采集、理解與預測，為情景分析和應急決策提供基礎。情景演變分析方法采用情景構建理論，推演電網系統突發事件的演化過程，可通過“情景分析-任務梳理-能力評估”的研究思路[22]，對突發事件進行有效的預防、準備、響應和恢復，對電網突發事件的態勢預測起到很好的參考作用。

（三） 面向復雜大群體的智能優化決策技術

突發事件的應急決策需協調各方關系和利益，是復雜大群體（Complex Large Groups）下的決策問題。群體成員對決策問題的求解往往從各自的角度進行，即存在多套不同的評價屬性，屬性具有不確定性、模糊性和信息不完全性。在電力大數據的時代背景下，各類人工智能技術正逐步應用于電網系統的應急管理中。

人工智能技術能夠結合電網應急管理各階段的智能化需求，形成人工智能驅動的數據分析方法。將其應用在各種應急場景中，為電網系統應急數據的分析提供技術支持。對于數據處理后的數據流，可利用深度學習、模式識別等人工智能技術對數據流進行聚類分析、頻繁模式發現和關聯規則分析等，結合突發事件演化過程以及各參數間的關聯關系和變化規律，挖掘大群體決策的屬性信息以輔助決策，實現決策的實時迭代和優化。發現海量時空數據流的內在特性，用數據驅動人工智能技術的應用，提升應急響應決策的智能性與實時性。

狀態空間搜索技術是人工智能的核心技術之一。針對復雜大群體的非結構化問題決策，為了在盡可能短的時間內實現應急響應，可以結合電網系統實時數據及歷史突發事件數據，用狀態空間表示當前問題的可行解空間。狀態空間中的一條路徑代表一個可能的演變方案，由此將突發事件的應急決策轉化為狀態空間中的最短路搜索問題。并可根據問題的特征設計控制策略，作為縮減解空間的規則。最后通過精確算法或者啟發式算法求解，獲得響應時間最快、滿意程度最高的決策方案。

五、總結

電網系統突發事件演變及其應急決策管理都是復雜的系統工程，需要研究突發事件的數據特性和決策管理的機理，提供相適應的應急響應決策方法。本文在分析電網系統的大數據特征及決策過程的基礎上，提出從數據驅動的技術場景與突發事件的演變過程兩個維度構建電網應急響應決策方法。該方法可提高對突發事件的監測、分析能力，及時發現、匹配、修訂應急決策的可行預案，能最大程度地降低決策難度，提升決策響應速度；支持宏觀層面和微觀層面的應急決策管理的有效集成，靜態模型和實時決策的有效集成。當突發事件發生且無可行預案時，基于靜態及動態數據的分析和處理對突發事件做出應急決策。

未來的研究將考慮電網中不同類型突發事件的特性，在各關鍵技術實現策略的基礎上，設計具體的數據驅動決策方法，提升本文中應急決策方法的適用性和針對性。并進一步結合電網應急案例進行相關實證，探討方法的合理性與應用效果。