面向能源互聯網數字孿生的電力物聯網關鍵技術及展望

　　摘要：隨著“碳達峰、碳中和”目標與以新能源為主體的新型電力系統的提出，能源技術與數字技術進一步深度融合，電網加速向能源互聯網演進。構建能源互聯網及其數字孿生系統對電力物聯網技術提出了更高要求，也極大拓展了電力物聯網的內涵和外延。本文主要圍繞如何構建面向能源互聯網數字孿生系統的電力物聯網，分析了其面臨的兩大科學問題：物理數字融合建模與電網資源協同互動，提出了電力物聯網體系架構和安全防御機制，研究了 “端-邊-管-云-智”等多層級的關鍵支撐技術，包括精準感知與高效通信、高并發接入與海量數據管理、融合建模與趨優進化等技術，最后從設備、電網與用戶三方面展望電力物聯網支撐下的電網業務智能化典型應用。

　　趙鵬; 蒲天驕; 王新迎; 韓笑， 中國電機工程學報 發表時間：2021-11-15

　　關鍵詞：能源互聯網，數字孿生，電力物聯網，架構設計，感知網絡，物聯平臺，智能應用

　　0 引言

　　2020 年 9 月，習近平主席在第七十五屆聯合國大會上提出我國二氧化碳排放力爭于 2030 年前達到峰值，努力爭取在 2060 年前實現碳中和。能源電力領域碳排放總量大，是實現碳減排目標的關鍵和重點領域，2021 年 3 月召開的中央財經委員會第九次會議上進一步提出構建以新能源為主體的新型電力系統。

　　推動構建新型電力系統的過程，就是推動電網向能源互聯網升級的過程，二者是一個問題、兩個視角 [1-4]。以電力為核心的能源互聯網包括多種能量生產、傳輸、存儲和消費網絡，結構復雜、設備繁多、技術龐雜，具有典型的非線性隨機特征與多尺度動態特征，傳統機理模型分析和優化控制方法已經難以滿足能源互聯網規劃設計、監測分析和運行優化的要求[5]。而數字孿生系統可提供為機理模型提供海量模擬的試驗與評估環境，并結合數據驅動的方式，從態勢預測、參數辨識、非線性擬合等方面對機理模型進行補充。數字孿生系統可實現能源互聯網從物理實體到虛擬空間的實時完整映射，通過智能實體開展仿真、計算、分析及決策等對物理系統進行反饋優化，最終實現可再生能源的高比例消納及能源利用效率的提升，減少能源系統低碳、清潔、高效、經濟運行，助力建成以新能源為主體的新型電力系統，促進“碳達峰、碳中和”目標的實現。

　　電力物聯網是構建能源互聯網數字孿生系統的重要支撐技術，為在虛擬空間中精確構建能源互聯網的數字孿生系統提供了數字化與智能化基礎，是互聯網技術在能源電力領域的具體實踐[6-9]。通過構建連接全社會用戶、各環節設備的智慧電力物聯網體系，實現電網、設備、用戶狀態的動態采集、實時感知和在線監測，推進網源協調發展與運行優化，推動現有能源體系下，各類不同能源形式、種類和企業的融合，最終提升能源整體利用效率。

　　然而，隨著新能源大規模并網，電動汽車保有量增加，新型用能設施大量接入，當前電力物聯網進一步發展仍然存在諸多技術挑戰：在感知能力上，電網的源、荷不確定性日益突出，為實現對電網狀態的精準態勢感知，對電力物聯網的精準感知提出了更高要求;在傳輸能力上，網絡連接的廣泛性和實時性不夠;在數據處理能力上，海量高并發終端接入能力不足;在協同互動能力上，源網荷各要素協調調控手段較為單一、且與用戶資源的互動能力不足，難以實現新能源的高效消納、電動汽車的即插即用。

　　為應對上述挑戰，本文將首先分析支撐能源互聯網數字孿生系統的電力物聯網所面臨的科學問題，提出支撐電網狀態高性能精準感知與立體化高效傳輸網絡，支持億級終端接入、千萬級并行連接和 PB 級數據存儲計算的融合共享物聯支撐平臺和電力業務場景智能應用的關鍵技術，給出電力物聯網關鍵技術落地實施的技術路線，為電力物聯網建設提供理論指導和路徑參考。

　　1 面向能源互聯網數字孿生的電力物聯網核心科學問題

　　能源互聯網具備多能流相互耦合、信息物理融合等復雜特性，具有典型的非線性隨機特征與多尺度動態特征，傳統基于機理物理模型的方法難以滿足其監測分析及優化運行的要求。能源互聯網的數字孿生系統一般認為是充分利用能源互聯網的物理模型、先進計量基礎設施的在線量測數據、能源互聯網的歷史運行數據，并集成電氣、流體、熱力、計算機、通信、氣候、經濟等多學科知識，進行的多物理量、多時空尺度、多概率的仿真過程，通過在虛擬空間中完成對能源互聯網的映射，反映能源互聯網的全生命周期過程，是實現能源互聯網實時感知、運行優化及自主進化的理想途徑之一。能源互聯網及其數字孿生系統的構建主要需要以下幾種技術能力[10-12]：

　　(1)深度精準感知。隨著新能源大規模并網，電動汽車保有量增加，新型用能設施大量接入，導致電網的源、荷的不確定性日益突出，現有電網感知深度和廣度不足。

　　(2)海量接入管理。目前海量物聯終端和數據難以實現高效接入與管理，同時所采集的數據并未得到充分處理和應用。

　　(3)智能輔助決策。傳統的能源電力安全穩定運行理論與運行優化技術已經無法滿足未來新型電力系統調度控制需求。

　　面向以上需求，電力物聯網技術可提供數字化、網絡化和智能化基礎載體，通過傳感、網絡、平臺和人工智能等技術，將電力物理系統實時完整映射為數據和算法定義的數字系統，并有效利用數據的雙向流動與融合共享，實現電力系統各個環節網架、設備、人員的萬物互聯、人機交互，促進電網全面感知、泛在互聯、信息融合和智能應用。目前，如圖 1 所示，構建能源互聯網數字孿生系統存在兩個核心科學問題：

　　(1)在物理世界向虛擬世界映射方面，如何形成能源互聯網的動態多維、多時空尺度高保真模型，實現物理數字融合建模。針對能源互聯網具有隨機性和不確定性、難以單純通過物理機理進行描述或求解的問題，基于電力物聯網感知層和邊緣層的數據資源，利用數據驅動建模方法從參數辨識、場景擬合、行為預測等方面對物理機理模型進行補充和提升，在保證信息安全的前提下，形成實時完整映射的數字虛擬系統，支撐電力業務場景智能應用。

　　(2)在虛擬世界向物理世界反饋方面，如何進行能源互聯網雙系統的迭代交互與動態演化，實現資源協同互動。有效利用數據的雙向流動與價值挖掘，通過數據與知識融合的人工智能等先進數字技術，賦智業務場景應用，實現虛擬數字空間與真實物理空間的協同互動與反饋優化。

　　2 面向能源互聯網數字孿生的電力物聯網技術架構

　　圍繞構建能源互聯網數字孿生系統的兩個核心科學問題，需要突破以下三項電力物聯網關鍵技術：(1)精準感知與高效通信技術，(2)高并發接入與海量數據管理技術，(3)融合建模與趨優進化技術，通過這三項關鍵技術來構建圖 2 中所示的電力物聯網“端-邊-管-云-智”分層架構。

　　關鍵技術(1)為端層和邊層提供數字化感知與邊緣計算能力基礎，為管層提供數字傳輸渠道;關鍵技術(2)為云層提供物聯終端與海量數據管控、存儲、共享基礎;關鍵技術(3)則在“端-邊管-云”數字化基礎之上，為能源互聯網數字孿生提供物理數字融合建模與支撐更高階業務場景智能應用能力，是智層支撐技術;最終在這三項關鍵技術與數字化基礎上，再進一步地開展基于電力物聯網的電力業務場景智能應用，實現對電力物聯網的智能感知診斷、優化決策與數據增值。

　　圖 2 分層“端-邊-管-云-智”中的“端”指基于機-電-磁-光敏感機理表征、微納結構優化及器件制備封裝的高性能傳感器，加大感知覆蓋力度;“邊” 指利用邊緣計算技術實現數據的就地處理、現場判決，減輕后續環節的通信與數據處理壓力;“管” 指基于多跳自組網、5G 與北斗等融合通信技術，實現各類傳感器即插即用、本地和廣域靈活接入; “云”指為數據存儲、計算、共享等提供彈性資源保障的物聯管理平臺;“智”指基于深度學習、強化學習、知識引導及群智優化等技術，面向電網、設備與用戶提供多種智能業務應用。此外，在端、邊、管、云、智分層引入“零信任機制”，利用可信認證、信任評估、態勢感知、協同防御等安全技術，形成面向電力物聯網的“設備聯動-局部自治全局協同”安全防御架構[13]。

　　區別于傳統電網自上而下分為應用層-網絡層終端層三層，“端-邊-管-云-智”分層架構在感知層實現全面感知，感知的覆蓋力度加大;增加了邊緣層，實現數據的就地處理局部判決，加快系統響應速度;在管道層，實現多種通信方式異構協同通信;在云平臺上實現了億級設備接入和千萬級并行連接的終端，接入數量與并發數顯著增多;增加了智能應用層，基于深度學習、強化學習、知識引導及群智優化等技術實現多種電力業務的應用;在安全方面，設計了全層級的安全防護架構，安全防護力度更強。

　　3 面向能源互聯網的電力物聯網關鍵技術

　　3.1 精準感知與高效通信技術

　　針對當前電力設備狀態感知不全面、不充分，連接廣泛性與實時性不高等問題[14-15]，需要重點研究以下基礎技術：精準感知技術與多跳自組織網絡技術，滿足感知層全面海量數據獲取需求，實現數據高效可靠傳輸。

　　3.1.1 精準感知技術

　　應用于能源互聯網的智能感知技術需充分考慮其“點多面廣、業務龐雜”的特點，對能源領域各個環節的實時監測提供有效數據支撐，并從本征層面促進能量流與信息流的深度融合[16]。從精準傳感監測與輕量化便捷認知兩方面來看，針對能源互聯網的數字化精準感知技術研究需從新型傳感機理、微納器件制備、高效供電方法、邊緣計算技術、自主可控人工智能芯片五個層面分別開展[17]。

　　(1)新型傳感機理。為滿足新型電力系統的高傳感能力要求，需要研究基于新型材料的傳感機理及其在新型環境中的應用，進一步提升傳感器靈敏度，包括針對新型磁性材料、液態金屬、光聲光譜、分布式光纖等傳感技術的研究。

　　(2)微納器件制備。隨著傳感器的探測功能越來越精細化與多樣化，傳感器的微型化與模塊化成為必然趨勢，微納加工工藝的發展為傳感器模塊化設計提供了可能，其敏感元件尺寸可達微米級，重點需在制備工藝、標準接口、標準片上集成等方面開展研究。

　　(3)高效供電方法。低功耗設計及電磁場、振動、摩擦、溫差、光照等環境自取能技術促進傳感器功耗及續航能力達到更優水平，不僅節約了取電成本，還可以提高傳感系統的工作壽命，為傳感器的規模應用提供有力支撐。

　　(4)邊緣計算技術。邊緣計算技術包括對人工智能算法與模型的邊緣側處理和適配。基于深度學習架構下的模型及機器學習算法，對人工智能模型及算法在邊緣側進行剪枝、量化、壓縮，通過軟件定義的輕量化容器技術，實現物理資源的邊緣側應用，通過多參量物聯代理實現多種傳感接入、業務分發、邊緣計算及區域自治，最終實現高性能、低成本、高靈活性的人工智能技術邊緣側下沉[18]。

　　(5)自主可控人工智能芯片。嵌入式 AI 芯片是邊緣智能技術的核心載體，相比于傳統 ARM 架構芯片，。自主可控 RISC-V 芯片具有開源、穩定、易于硬件實現等優勢，研究重點包括指令集擴展、工具鏈開發、多核異構微架構設計以及軟硬件平臺移植等。通過硬件加速、模型移植等方法，為邊緣節點提供面向能源互聯網業務需求的技術支撐。

　　3.1.2 多跳自組織網絡技術

　　面對電力業務傳輸需求與接入能力不匹配問題，需通過多跳定向自組織傳輸、快速資源調配與控制、多層次自組網及協議層安全性設計等技術，解決高可靠超多跳安全接入問題難點，實現電力業務高頻次、高質量數據采集，以及全場景感知和廣泛接入要求，從而提升網絡靈活性和效率[19]。

　　(1)寬帶高可靠超多跳自組網技術。采用物理層多維雙層并行通信機制，并結合網絡層環境感知分布計算方法，以及電網場景下超多跳自組網的拓撲結構、傳輸模式、資源配給實時優化技術，通過協議內部各要素的跨層優化，構建高可靠高效率超多跳無線鏈路。

　　(2)窄帶多層次大規模自組網技術。采用大規模節點調度和干擾規避技術、分布式網絡節點的態勢感知與自主計算技術、計及服務質量與資源開銷的大規模多層次自組網技術，突破大規模自組網的海量節點與資源開銷的限制，實現物理空間虛擬化與網絡空間智能化。

　　3.2 高并發接入與海量數據管理技術

　　針對電力物聯網中海量物聯設備接入和多源異構數據融合共享等問題，需要重點研究以下基礎技術：高并發異構物聯終端接入管控技術、海量數據存儲共享技術[20-21]，實現電力物聯網海量異構終端高并發接入及智能管控、多模態數據融合與共享。

　　3.2.1 高并發異構物聯終端接入管控技術

　　電力物聯網高并發接入管控技術需充分考慮物聯終端“海量、異構、智能、新型”的特點，對終端管理的多環節云邊協同提供有效的技術支撐。應在終端模型、通信和功能層面，針對電力物聯網異構終端高并發接入管控研究需從軟件定義終端模型技術、異構通信技術和終端代理服務三個方面分別開展，形成電力物聯網海量終端接入管控的軟硬件協作架構體系。

　　(1)軟件定義終端模型技術。軟件定義終端是指利用軟件定義技術在物理、邏輯層面上對物聯終端組成的分維描述。采用軟件定義技術將海量異構物聯終端分解成柔性統一的結構模型、信息模型和傳感器執行器模型。終端產生的變動通過模型的柔性適配來保持功能的恒定性，在不影響電力物聯網正常運行的情況，實現新型異構終端多維物模型的統一構建、維護與擴展。

　　(2)異構通信網絡技術。在物理通信網絡旁路構建“工業互聯網四層交換+分布式全異步架構”的異構通信層，以硬解方式實現異構終端多協議適配、消息路由、流量和擁塞控制，通信連接信道基于硬件堆疊方式擴展，與云端主站/物聯管理平臺建立前置分布式消息隊列集群映射連通，實現云端與邊緣終端的千萬級并發通信能力。

　　(3)終端代理服務。由云端下發至智能終端的遠端微服務，提供可編程配置化采集、可編程設備管理規約、邊緣應用、統一下行語義控制通道和設備影子等管理功能，用于保持電力物聯網云端軟件對智能終端的全方位映射與控制，實現智能終端運行、功能和應用的數字化編程與定義。

　　3.2.2 海量數據存儲共享技術

　　電力物聯網海量數據存儲共享的關鍵在于實現多源異構數據立體化聚合和全域數據網貫通，其作為面向能源互聯網數據集約處理的交互新模式，具有通用、高效、易解釋等特點。針對海量數據存儲共享技術的研究需從分布式數據立方體技術、“物聯網一張圖”[22-23]技術和多元數據融合共享技術三個方面分別展開。

　　(1)分布式數據立方體技術。針對電網核心數據，通過基于分布式計算框架逐層算法、逐段算法靈活快速構建面向應用的分布式列存儲數據立方體，基于預先實例化的數據預處理、多路數組聚集的完全立方體計算、動態分片的數據在線聚集合并等技術，實現快速解析分布式列式存儲立方體數據。采用多源異構參數融合、網絡旁路報文解析和數據關聯關系自動解析技術，實現多源異構數據資源融合和數據資源目錄自動化構建。

　　(2)“物聯網一張圖”技術。采用基于圖譜理論和知識工程理論的知識表示與推理、語義網等技術，結合電力物聯網具有的天然網絡特征，建立電力全域數據與圖數據的結構映射，貫通“云邊端+關聯領域”全景數據，可根據業務維度自動劃分網格式層次化的子圖拓撲。通過提供跨時空數據集成、數據知識融合、高效查詢引擎與互動數據接口技術，實現電力物聯網數據的高效查詢、時序數據流訪問和互動可視化。

　　(3)多元數據融合共享技術。采用全鏈路多維數據集成框架和數據知識的統一表達機制，建立電力物聯網圖數據與分布式數據立方體的映射關聯。針對電力物聯網融合數據，采用基于開放性算法引擎的多模態協同和多計算模式框架協同機制，實現面向電力復雜應用場景的按需數據共享和定制化智能分析服務。

　　3.3 融合建模與趨優進化技術

　　針對電力物聯網中數字孿生系統融合建模與資源智能協同等問題，需要重點研究以下基礎技術：電網物理數字融合建模技術、電網資源協同趨優技術，實現電網狀態的全面感知、精準評估與穩定控制。

　　3.3.1 電網物理數字融合建模技術

　　引入先驗知識改善機器學習模型的可解釋性、魯棒性與可泛化性，是突破目前人工智能在電力系統應用瓶頸的一個重要研究方向[24-25]。電力系統在長期的生產實踐中積累了大量邏輯規則、代數方程、物理模型等，將上述系統機理知識引入數據驅動的分析方法中，可降低對訓練樣本數量及質量的要求、使機器學習模型具有應對動態環境的能力。針對不同場景下模型的獲取難度，物理機理與數據驅動融合建模的方法可分為數據模型對機理模型的改進、機理模型對數據模型的指導、以及構建混合模型三大類[26]。

　　(1)數據驅動方法對機理模型的改進方面，針對由于假設簡化導致精度不足的問題，通常可以結合數據驅動方法迭代優化模型參數及修正誤差，增強機理模型適應性。此外，數據驅動方法可輔助進行機理模型的篩選，或評估、完善機理模型構成。

　　(2)知識機理驅動方法的指導作用可在機器學習過程的不同階段引入。例如，在特征構建/篩選階段，可通過增加一致性損失函數，引導數據模型選擇人類可理解的特征作為決策依據;在模型構建 /訓練階段，可以加入邏輯規則或公式等作為約束條件嵌入模型，使模型更加符合物理規律;決策階段可基于技術標準、歷史故障處置案例等，結合數據模型的判斷結果進行協同決策，避免做出不符合常識或不符合業務邏輯的決策。

　　(3)混合建模方面，針對電力系統穩定分析、緊急控制策略選取等由于不確定因素多、計算復雜度高而難以建立物理模型的情況，可利用知識驅動方法表示易描述的、確定性的部分，通過數據驅動方法表示非線性的、隨機性的部分，從而替代部分不精確的機理模型，形成混合模型。

　　3.3.2 電網資源協同趨優技術

　　面對能源互聯網源網荷儲多種資源協同難點，需要逐步深化感知、認知到決策層面的智能，實現對設備、電網與用戶等資源的智能協調與發展，重點支撐技術包括：

　　(1) 計算機視覺理解感知。電力領域圖像中各部分存在邏輯關聯，針對二維圖像與視頻，通過聯合嵌入、注意機制、知識庫協同等方式關聯圖像與語義信息、聚焦高價值密度區域、推理分析圖像中視覺概念邏輯，實現視覺推理與智能理解。最終結合神經反饋機制劃分圖像多層次關系，實現海量億級像素圖像的主動視覺[27,28]。針對三維圖像，通過三維感知、位姿估計、三維重建、三維理解等獲取處理三維點云數據、構建視覺同步定位和制圖(Simultaneous Localization and Mapping，SLAM)、進行動態三維重建以及三維物體的識別分割等[29]。

　　(2) 知識圖譜多模認知推理。設計知識引導與數據驅動相結合的算法，從數據、特征、算法等不同層級，挖掘物理信號、圖像、音頻、視頻、文本等多模態數據語義信息，從數據、特征、算法多層次進行跨模態融合分析。研究邏輯推理、自主感知、類腦認知等機制，構建多模知識圖譜與圖計算應用[30,31]，進行多模認知推理，實現數據抽象、深度理解、推理決策、動機思考等類人的認知能力。

　　(3)混合增強智能。針對傳統決策嚴重依賴人工經驗、效率低、可解釋性差等問題，重點研究以人機知識構建與推理、人工智能可解釋性機制、人機雙向學習與協同決策為核心的混合增強智能技術[32]，通過知識與數據協同驅動的方式來增強調度決策對外部環境不確定性的適應能力[33]，保證和提升電力人工智能應用的可信性、魯棒性與安全性。

　　(4)群體智能。針對可再生能源比例不斷上升，優化變量和約束增加，計算時間和收斂難度都會呈現顯著加大等問題，重點研究以群體進化機制與多智能體協同控制為核心的群體智能技術，該技術與傳統直控類發電機等調控對象可建模直接控制相比，適應電網對源網荷儲泛在資源的控制不具有強制性、需要考慮泛在資源的多主體意愿等特性，在自主決策基礎上，引入群體智能引導趨優更貼合實際需求[34-35]。

　　4 基于電力物聯網的電力業務場景智能應用

　　電力物聯網智能應用場景廣泛，然而目前電力設備存在信息多源、狀態評價困難、故障診斷率低等技術瓶頸[36];能源互聯網中源網荷儲要素多樣、源荷雙側不確定性突出，導致新能源消納能力不足[37];綜合能源由于多能互補潛力挖掘不夠充分，使得能源利用效率不高[38-39]等問題。

　　本文將從設備、電網和用戶三方面選取典型應用，進行技術應用架構探討，并在電力物聯網海量數據采集的基礎上，以模型驅動與數據驅動相結合，利用大數據技術和人工智能技術充分挖掘數據內在價值，有效提升電力系統運行經濟性和安全性。

　　4.1 電力設備故障智能感知與診斷

　　隨著電力系統中物聯傳感終端數量的不斷增加，電力設備傳感監測數據呈現信號多源異構、樣本質量不均衡、故障樣本較少等特點，為全面刻畫設備運行狀態，可通過多源數據協同感知與壓縮感知、多模態數據融合、知識圖譜認知推理等技術，研發電力設備狀態評價、故障診斷預警與檢修輔助決策等智能應用，確保電力系統安全可靠運行。技術路線如圖 3 所示。

　　電力設備協同感知與壓縮感知重構技術方面，針對多源監測信號的差異性與互補性特點，研究聲光電化多模態傳感參量的融合技術。針對監測精度要求高與傳感設備成本高的問題，通過優化傳感布局與采樣策略、建立稀疏字典與觀測矩陣，在保證數據采樣精度的同時減小傳感監測數據存儲傳輸壓力。

　　電力設備多源異構數據融合技術方面，針對設備傳感數據類型多、數據間關聯性弱等問題，研究面向圖像、傳感監測、文本等數據信息的特征抽取及語義轉換技術，提出不同類型數據間關聯性挖掘方法，實現各類監測數據的融合分析。

　　電力設備知識圖譜與知識推理技術方面，針對電力設備文本語料數據，構建電力語料基礎庫。通過實體關系抽取等技術，構建電力設備知識圖譜。針對電力設備文本數據規模大、體系雜的特點，提出基于義項的詞和實體聯合表示學習模型，實現知識圖譜構建與融合更新。進而研究知識圖譜的知識檢索與路徑推理等技術，提出知識圖譜信息推薦與故障溯源技術，實現電力設備故障輔助決策與故障推理診斷。

　　電力設備的狀態評估與故障診斷方面，針對電網運維檢修環節中產生的各種結構化、非結構化數據，根據樣本規模提出機器學習與專家經驗判斷結合與自適應深度學習的設備故障診斷算法，實現適應電力業務特性的設備故障智能診斷應用。針對經過進一步壓縮感知及多源融合后的設備感知數據，研究集成智能評估與認知推理技術，提出狀態評價、故障診斷、決策建議等模型，實現輸電、變電、配電、繼保設備狀態評估與故障診斷。

　　電力設備的數字孿生分析方面，針對電力設備動態實時變化的物理實體，構建與之空間范圍、時間尺度全面映射的虛擬數字模型，結合電力設備的多源監測數據，使虛擬數字模型能全景模擬動態變化的大規模電力設備、實時趨近電力設備實體的運行狀態、預演及預判電力設備在突發情況下的異常狀態使設備智能運維的展示交互、風險預測、輔助決策能力得到提升。

　　4.2 源網荷儲自主智能調控

　　地區電網源網荷儲面臨利益主體多樣、源荷雙側不確定性突出的難點，可通過強化學習、模型/ 數據交互驅動、群體智能等方法，采用源網荷儲廣泛感知與預測、多元協同調度、分布式自主控制，提高分布式可再生能源利用率，實現源網荷儲泛在資源的自主智能調控。

　　如圖 4 所示，面向多利益主體、海量異構群體、靈活廣泛接入，應對可調資源的自主智能調控架構進行分析，基于模型/數據交互驅動理論，研究面向海量異構調控數據的分層分布式深度學習方法，并且根據多主體多目標調控需求，利用面向電網分布式自主控制的群體智能理論，研究分布式控制智能體的自趨優和群智進化策略。

　　優化前的準備方面，需要掌握源網荷儲運行狀態的智能感知方法，包含量測設備的優化配置方法、高冗余量測數據的降維方法。針對分布式電源和負荷的出力不確定性與波動性，可通過考慮網絡和儲能動態特性的源網荷儲概率預測方法和源網荷儲運行場景集智能生成與約減方法，為調控策略研究提供基礎數據。

　　多元協同調度方面，可基于可行域降維投影的泛在異構資源自主聚合的統一模型和數據模型驅動的電網調度方法，通過海量數據的輸入和深度學習形成隱性知識，在大數據基礎上通過訓練和擬合形成自動化的電網調度決策模型，研究仿真模型/數據驅動模型間的虛實交互方法，使仿真模型中的參數在與實際系統的互動中不斷進化，形成了面向源網荷儲調控的數字孿生體系，在物理實體提供的全面感知數據基礎上，在虛擬世界對抗博弈式生成系統運行狀態與調控決策，并通過與仿真環境甚至物理環境的不斷交互，自主學習獲取最優的策略，與傳統基于簡化、假設方式所構建的電網仿真決策模型相比，可增強能源互聯網的適應性，可更好地提升源荷雙側的匹配度，促進可再生能源消納。

　　此外，針對分布式廣泛資源節點數量多、信息交互復雜等問題，可根據可控資源合理配置原則，結合自治區域動態劃分方法，考慮廣泛資源的耦合特性和群體協同特性，研究面向多利益主體區域內的泛在資源超前控制策略;針對多主體多目標控制需求，制定多區域間合作-博弈策略與群體進化機制，基于強化學習的泛在資源群智進化模型與算法，通過控制目標的閉環修正方法，實現多元資源的分布式自主控制。

　　4.3 綜合能源自治協同與多元服務

　　電力物聯網電/氣/熱多能復雜耦合與強隨機性帶來的運行難題，可基于多能源感知數據，開展多能流時空特性分析與運行模式推演、多能流分布自治控制、綜合能源集群協同優化及綜合能源定制化多元服務技術研究，提高綜合能源服務精準匹配度與滿意度，具體技術路線圖 5 所示。

　　基于多能源海量物聯感知信息開展多能流時空特性分析，對多能流網絡廣義電路模型的源荷自適應集成建模，通過基于多能源荷多元互補特性的綜合能源系統動態分區方法，基于用戶服務響應特性提供了具備系統運行模式推演能力的數字孿生體系基礎，在此基礎之上可進一步擴展能源協同優化與多元服務等智能應用，在用戶服務領域構建數字孿生系統的優勢在于可更加精準直觀地展示當前用戶側需求模型、綜合能源分布與利用等情況，有助于用戶高效獲取能源市場動態資訊，積極主動參與多元應用服務。

　　通過采集的綜合能源系統環境狀態參數構建環境狀態空間，以綜合能源系統可控制設備策略為動作策略空間，根據系統局部優化目標設計分層獎勵措施，構建層次深度強化學習開展訓練學習，建立綜合能源系統分布自治控制模型。然后基于演化博弈的集群協同優化方法，結合綜合能源系統多主體行為模式，利用信息非對稱情況下的信息交互方法，探索非理性合作下多主體博弈機制及演化規律，根據分區特性并綜合考慮成本、能效等優化目標開展集群協同優化，實現綜合能源系統的多能互補與能效提升。

　　利用綜合能源系統多維場景劃分技術，以及數據挖掘分析的綜合能源用戶畫像和需求挖掘技術，實現針對政府、工業用戶等五類主體的定制化需求挖掘，通過研究綜合能源多元服務標準與定制化組件開發，形成綜合能源系統多元服務模塊，提供多種多元服務。

　　5 結論與展望

　　本文主要分析了電力物聯網及其數字孿生系統所面臨的核心科學挑戰，并據此提出了一種面向能源互聯網的電力物聯網體系架構，分析了架構中各層級的關鍵組成技術與典型應用方案，為后續電力物聯網建設提供了明確的研究方向。目前電力物聯網建設仍處于初級階段，正在向以下方向發展：

　　(1)全景感知方面：傳感器本體將向微型化、低功耗、多參量、網絡化方向發展，邊緣智能將向輕量級、嵌入式、軟件定義、自主芯片替代技術、工控級操作系統開發、端邊云協同技術方向發展。

　　(2)高效傳輸方面：將向協議統一化、5G 大連接技術、空天地一體化、電力定制化發展，使電力系統具備網絡化、在線化、泛在化特征。

　　(3)融合平臺方面：將向泛物聯模型柔性定義、云邊端智能協同、多模態數據自融合、可信計算和動態安全防護與追蹤技術等方向發展。

　　(4)智能應用方面：將從淺層特征分析發展至深度邏輯分析，從環境感知發展至自主認知與行為決策，從電力系統業務輔助決策發展至核心業務決策。具體來說，在設備方向重點發展基于多模態信息與知識推理的電力設備狀態分析與運維決策，在電網方向重點發展基于混合增強智能與群體智能的源網荷儲資源優化協調，在用戶方向重點發展基于聯邦學習與大數據分析的用電特性分析與數據增值服務，最終實現機器助人、機器代人，直至機器超人。

　　未來，電力物聯網將有效提升系統可觀、可測、可控能力，加快電網信息采集、感知、處理、應用等全環節數字化、智能化能力，成為連接全社會用戶、各環節設備的物聯體系，為打造數字孿生電網，推進電網向能源互聯網升級提供關鍵技術支撐，助力構建新型電力系統，推進雙碳目標的實現。