数字孪生技术在区域多能源系统中的应用展望

唐学用，梁垚,2，孙斌，李庆生，颜霞

(1.贵州电网公司有限责任公司电网规划研究中心，贵阳550003；2. 贵州大学电气工程学院，贵阳550025；3.贵州电网有限责任公司，贵阳550002)

0 引言

能源是人类赖以生存和发展的基础，是国民经济的命脉，如何在确保人类社会能源可持续供应的同时减少用能过程中的环境污染，是当今世界各国共同关注的热点[1]。美国在2002年启动氢燃料计划，赞助汽车商开展氢燃料汽车研究，奥巴马执政时期还对清洁能源的发展做了重点规划[2]。加拿大为应对能源危机与温室效应，将能源综合利用列为国家发展战略[3]。丹麦正在积极推动向具有综合能源特性和以灵活性交易为互联手段的区域能源互联网的转型[4]。瑞士联邦理工学院提出能量枢纽(energy hub)的概念[5]。德国在撒哈拉沙漠启动建设的大型太阳能项目“沙漠科技”将与北海电网组成一个有机整体，从而形成跨越欧洲、中东、北非的跨洲超级电网[6]。

为解决能源供应问题，目前的方法可总结为开源与节流两个方面，开源即是人类寻求更多的可用能源以维护能源的可持续供应，除去传统意义上的化石能源(包括页岩气)、核能和水能外，风能、太阳能、生物质能和海洋能等近年来得到高度关注并迅速发展[7]，节流则是尽可能节约资源提高能源利用效率，减少环境污染，实现资源优化配置。作为二次能源的核心，电力系统是实现能源转型的关键途径[8]，不同能源系统之间的多能互济与能源梯级利用是提高能源综合利用率的有效途径[9]。针对上述两个问题，研究人员提出了综合能源系统[10]、智能电网[11]、能源互联网[12]等概念，从不同角度对多能源系统的整体架构进行了阐述说明[13]。

目前对于电力系统的数字建模与仿真技术已有一定研究。但是并未进行大规模应用，且并未扩展到天然气、供热等其他能源系统当中，当前多能源系统规划运行存在仿真手段有限且效果并不太理想的问题。而随着当前云计算、大数据、物联网、人工智能等技术的常态化发展，作为信息/物理系统关键融合技术之一的数字孪生技术，为区域多能源系统的发展提供了广阔的技术前景。

1 区域多能源系统

1.1 区域多能源系统特点

区域多能源系统(multi-energy systems，MES)是下一代新型的智能能源系统，区域内多种能源、网、荷、储深度融合、紧密互动，需利用系统化、集成化和精细化的方法来分析、设计、运行和管理整个能源系统的生产、传输、存储和使用[14]，其目的在于有效提高社会能源的综合利用效率，实现社会能源的可持续供应，同时提高社会能源供用系统的灵活性、安全性、经济性和自愈能力[15]。区域多能源系统包含了区域电力系统、区域天然气系统、区域供冷与热力系统、分布式的可再生能源发电设备、储能设备、能源变换设备和与终端用户紧密连接的智能化信息物理系统。图1是由日本的Tokyo Gas能源公司绘制的一个未来多能源系统的示意图[16]。

图1 区域多能源系统Fig.1 Multi-energy systems

区域多能源系统是一个极其复杂的、多能源耦合的系统，在时间、空间、行为3个方面都存在一定的复杂性。1)时间尺度不同。区域多能源系统既要考虑迅速响应的环节如电力系统，其能量传输几乎瞬间完成，动态时间尺度为毫秒甚至纳秒级；也要考虑具有较大延时的环节如热力及燃气管道系统，其动态需在秒、分钟甚至小时级的时间尺度上描述。

此外，仿真分析技术既要满足规划和评估等长时间尺度研究的需要，也要满足运行控制等短时间尺度分析的需要。2)多系统耦合方面：多种元件的耦合与叠加造成多能源系统互动机理难以把握和精确量化。3)行为方面：新能源的接入显著增加了发电出力的随机性，造成供需双侧的不匹配问题，从而严重影响系统的安全稳定运行。

1.2 区域多能源系统研究现状

针对区域多能源系统时间、空间及行为上的特点，国内外学者从优化及建模方面开展了大量研究。文献[17 - 19]将碳交易机制应用于电力系统电源规划模型中，缓解了低碳能源发电经济性与低碳性之间的矛盾。文献[20]将多能源规划周期根据负荷水平分成若干个阶段，在每个规划阶段期初增加设备投入，以满足长时间尺度下负荷增长的需求。文献[21 - 24]进行统一多能源系统网络建模，将气网络与热网络能量平衡及质量平衡的偏微分方程通过傅里叶变换转变为与电网络数学表达上一致的代数方程，并将稳态多能流方程扩展至暂态多能流方程，为后续多能源系统建模立了标尺。

区域多能源系统实体具备很强的非线性、不确定性、以及运行方式的关联性，已有的多能源系统建模多采用如下研究思路。首先从具体的设备入手，建立相应的设备模型库，然后再利用针对特定综合能源单元系统的仿真分析和实验验证来不断丰富这些模型库[25]，而此类模型为固定模型，难以反映真实系统，对于间歇性能源，受天气、季节因素影响较大，设备在不同的生命周期的运行特性也不相同。区域多能源系统仿真方面，大多采用以欧洲的DIgSILENT、北美的PSS/E、中国的SSDG等研究分析电力-热力-天然气机理模型为主的仿真软件。但研究多将能源单元仿真与能源网络仿真分开，多能源系统是一个由终端能源单元和供能网络构成的有机整体，目前尚缺乏将两者有机整合后的系统化仿真手段。而在电力系统仿真中有一种融合数字计算与实物模拟的混合仿真技术，被认为是未来针对复杂动态系统研究最有效的仿真手段，目前已有一些采用半实物仿真的工作，如利用电力系统中的实时数字仿真(RTDS)技术对微网特性进行半实物仿真研究。电力大系统部分的动态采过程用数字仿真实现，而微网设备的动态过程则采用实物加以模拟，但将半实物仿真技术扩展至燃气、供热、制冷等方面的研究还处于探索阶段。

在规划、运行方面，多能源系统是一个多目标、多约束、非线性的混合整形优化问题，单靠规划人员以往经验进行已不能满足实际工作需求，而且多能源系统还存在许多不确定的影响，如多能源系统规划需打破原有各能源系统单独规划、单独设计、单独运行的模式；在寻求整体目标优化的过程中，还需考虑各方利益诉求，在整体及局部优化间寻求平衡点。太阳能及风能等间歇能源的接入，使原本仅存在负荷端不确定的系统，转换为现有的双侧不确定系统，规划需要综合考虑供需两侧不确定性带来的影响，同时，在进行规划方案优选时，还需综合考虑各方面因素。

针对多能源系统的特点和当前仿真手段存在的不足，需要在当前如RTDS等数模混合仿真技术的基础上，探索既能实现模型矫正，又能满足全寿命周期仿真的技术方法。

2 数字孪生技术

数字孪生是物理世界和数字虚拟世界沟通的桥梁。该概念由密西根大学教授Grieves提出，NASA将其用于建立飞船镜像仿真模型，用于健康诊断和飞行测试[26]。西门子、GE、ABB、达索等公司将数字孪生技术应用到工业制造领域，达索公司构建了基于数字孪生的汽车仿真平台，根据空气动力学和流体力学测试结果改进信息世界中的产品设计模型，并反馈到物理实体产品改进中[27]。西门子采用数字孪生为工业资产构建了高保真的数字世界，进行资产全生命周期管理[28]。通用电气将数字孪生分别建立可靠性预测模型、物理仿真模型、优化调度模型，动态响应模型用于设备生产和运维[29]。数字孪生技术已经快速融入到了传统制造业，智慧城市、智慧管网等开始逐渐采用数字孪生技术构建物理本体的超写实模型来对物理实体进行全周期的设计、制造和管理、运维[30 - 31]。数字孪生建模方法已在机床和飞机上得到应用实践[32 - 33]。国内外研究者也开始探索电网数字孪生化方面的应用。文献[34]提出一种基于数字孪生技术的电力系统动态监控手段；文献[35]设计了电力系统数字孪生的框架；文献[36]运用神经网络分析电力系统设备红外图像，实现设备精准定位、识别；文献[37]运用人工智能检测配电网高阻接地故障。而随着电网通信网络在通信组网方式[38 - 40]、带宽预测与分配[41 - 44]、网络安全与保护[45 - 46]等几个方面的提升，以及泛在电力传感器的发展，电力网络逐渐透明化，为电网数字孪生体构建提供技术支撑。

数字孪生是应用人工智能、传感、仿真工具等数字技术，具有平行互动、精准映射、虚实迭代特征，实现物理原子到数据比特的转化、连接物理世界与数据世界的技术、过程和方法。数字孪生具有以下典型特征。1)高保真性：数字世界从本体构成、形态行为、运行规则等多维度、多角度、多属性上对物理世界进行全息复制。2)可扩展性：数字模型可根据数字世界自我推演或者物理世界形态变化进行拆解、集成、复制、修改、删除等操作[27]。3) 互操作性：数字模型与物理世界都具备标准接口和规范定义，不同数学模型之间，不同物理终端之间、数学模型与物理终端都可以进行信息交互。

数字孪生包括3个主要部分：物理世界(空间)实体、数字世界(空间)模型、物理实体和虚拟模型之间的数据和信息交互通道[47]。

数字世界(空间)：完成对物理实体的全息复制和高保真建模，建立对象、模型以及数据集一体的虚拟副本，实时动态反映物理实体行为状态，支持对物理实体多层次、多维度、多尺度、多物理场的仿真模拟。采用数据挖掘技术、知识学习系统从物理实体历史、实时数据中挖掘各种模态的结果，衍生数据价值。

物理世界(空间)：物理元素的互联和感知具有标准定义和接口，支持即插即用。具有广域布置的传感器以及状态反馈点，能够高密度宽频率地采集信息。接受数字世界的优化指令，改变其物理元素组合模式、生产流程、资源匹配。

连接和协同：采用设计工具、仿真工具、物联网、虚拟现实等各种数字化的手段建立物理世界和数字世界的准实时联系和映射。通过传感器洞察和呈现物体的实时状态，同时将承载指令的数据通过标准接口回馈到物体，最终导致状态变化，形成闭环反馈。

数字孪生体是物理实体的全要素映射，以数字化的形式对物理对象过去和目前的行为进行动态呈现，并在此基础上对物理对象的未来发展进行预测和推演，然后再将预测推演得到的信息反馈给物理对象从而改变物理对象的行为特征或者物理过程的发展轨迹。数字孪生技术的反馈并不只是狭义地包含实时控制，而是将运行与规划通过数据进行融合，结合人工智能与数据挖掘技术，实时感知物理系统，并同时修正数字系统模型。数字孪生影响的可以是物理对象生命周期中任意时间尺度的行为或者发展轨迹。用数字孪生技术进行区域多能源系统的规划和运行优化，结果的实施其实从不同时间尺度上改变了该系统的发展轨迹。

数字孪生技术通过全景镜像实时仿真，实现物理系统的可视、可控、可验及同步迭代，可以满足区域多能源系统多时间尺度、多能耦合、行为随机等仿真的需求，在生命周期的不同时间尺度上，有效提高系统的安全性、可靠性和经济性。

3 基于数字孪生技术的区域多能源系统应用展望

实际上区域多能源系统的数字孪生是数据和知识共同驱动的信息物理电力网络的数字空间建模。数字空间建模技术是智能电网数字孪生技术的基础，实现对复杂的“信息-能量-环境”耦合动态精确模拟是构建智能电网数字孪生的前提。数字空间的知识融合、复杂动态的行为预测以及人工智能的优化决策是构建区域多能源系统数字孪生的目标。

结合区域多能源系统的需求和数字孪生技术的特点，本文拟从不同场景，尝试提出数字孪生技术在区域多能源系统中的应用展望。

3.1 基于数字孪生技术的区域多能源系统建模仿真及数据处理

构建区域多能源系统的数字孪生模型是打造区域多能源系统数字孪生体的前提，相较于传统建模，数字孪生体是使用全景自校准数字孪生建模方法，并制定多能源系统模型与数据结构标准，该建模方法具有较强泛化能力，易于推广。为保证孪生体作为区域多能源系统在虚拟空间全要素重建和数字化映射，需要构建的模型包括：考虑多种能量传输过程中的多维、非线性混合约束的多能源网络的稳态潮流模型；考虑全景因素的元件参数自适应数字孪生模型；基于规划区域内电、热、气的负荷预测值和已有的多能流供能网络的多能互补协调模型；基于数字孪生的多工况并行仿真数据驱动模型；基于工况库与机器学习的控制策略优化模型等。

数字空间建模技术是数字孪生技术在区域多能源系统建模仿真中应用的关键技术。需要强调的是，区域多能源系统模型的形式并不仅仅局限于知识驱动的微分代数模型，还包括利用泛在传感网络获得的海量系统状态数据。当前量测数据有助于实现物理系统与数字空间之间的同步，而在历史数据的基础上则可以通过统计和学习构建数据驱动的相关性模型。对两类模型进行融合，借助数据驱动的统计相关性模型来弥补另一方的动态建模不完备和不确定性信息未考虑的缺陷，借助知识驱动的微分代数模型来弥补另一方样本有限和样本有偏的缺陷，从而实现对区域多能源系统复杂的“信息-能量-环境”耦合的动态精确模拟。

在构建知识驱动的微分代数模型方面，考虑到区域多能源系统不同区域系统、不同能源形式之间可能采用不同的仿真算法，同时，仿真器也可能与其他上层业务仿真相接，为兼容不同系统对仿真速率的不同要求，采用面向区域多能源系统的多时间尺度建模技术。针对不同时间尺度的仿真需求，建立区域多能源系统关键设备的不同时间尺度模型，包括详细模型、平均化模型和系统级模型等。

在构建数据驱动的统计相关性模型方面，采用基于传感器量测数据及大数据技术的模型校正及参数优化方法。首先，对于区域多能源系统仿真模型中的关键参数，考虑其随机因素，利用高斯混合模型的边缘概率不变性与条件概率不变性，表征任意非高斯、非独立的多维随机变量的联合概率分布，采用高斯混合模型构造仿真模型参数在给定动态行为特征量时的条件概率分布计算方法。其次，利用参数的可辨识性与灵敏度之间的内在联系，判断参数的可辨识性，选择可辨识的重点参数。最后，采用启发式算法优化校正重点参数。

从数据角度而言，数据流价值的萃取是数字孪生技术需要解决的核心问题，区域多能源系统包含海量数据集，此类数据集是指量大、多源、异构、复杂、增长迅速的、无法用常规方法处理的数据集合[48]。一方面，各类型能源，例如电力和天然气，其数据掌握在不同投资、运营主体手中，各平台数据无法共享共用，造成了“数据孤岛”局面，数据应用壁垒严重，无法充分发挥数据价值[49]。另一方面，随着冷热、气负荷和设备数据以及源端分布式可再生能源的大量接入，采用历史数据进行势态预测，并基于随机海量场景进行控制、规划等，将会带来数据的“维数灾”问题。因此高效的数据采集、清洗、特征提取、压缩、存储及交互机制将是保障数字孪生体与物理实体间全景映射的重要环节。

为此从数据保障层入手，首先标准化区域多能源系统的多元数据结构，建立区域电、冷/热、气等能源系统数字孪生中建模仿真、规划优化及运行优化业务中的数据流模型和业务流模型，实现利用有向无环图(directed acyclic graph，DAG)模型描述的业务数据传递及算法调度模型；进一步，分别设计数据中台和调度中台，解决标准化数据流和业务流的管理及实现。其一，为实现高效的数据管理和通信，结合数据中台技术研究区域多能源系统数字孪生全景数据的数据采集、存储及交互机制，形成高效、实时及可扩展的底层数据交换平台；其二，为实现标准化业务流模型的接入，利用云计算技术和虚拟化技术解决多应用接入、应用间安全隔离的问题，构建业务调度中台，实现用户自定义的应用接入及流程编排；并最终构建数字孪生云服务平台。

从仿真角度而言，传统建模仿真是数字孪生的基础，传统电力系统仿真可以完成诸如半实物闭环仿真、实时仿真等应用，这些在数字孪生中也都可完成。除此之外，数字孪生由于考虑了量测传感，具备数据建模的能力，可以从更高维度考虑含随机性、波动性、多场景、事件链等信息的建模仿真功能，从而提供更广的应用场景，具体如下。

1)对大规模区域电网进行实时电磁暂态仿真，由于RTLAB、RTDS等实时仿真器的仿真规模有限，其计算能力与硬件投资直接相关，若完全采用RTLAB或RTDS的解决方案其成本高昂。在数字孪生框架下，并不排斥采用RTlAB和RTDS作为仿真内核，但考虑到仿真软件、数据接口的可控性，采用自主研发的仿真内核可具备更高的灵活性和拓展性，若采用数字孪生的解决方案，可通过连接自主知识产权的实时仿真器与RTLAB或RTDS，共同构建针对大规模系统的实时电磁暂态仿真器。例如：可针对大规模风电场、光伏电站、含海量分布式电源的配电网、多能源系统进行实时仿真和相应控保装置的硬件闭环仿真。相比传统实时仿真器，采用数字孪生的方案，可以将实际电网中的量测和数据采集系统接入，使得数字孪生模型可以准确、实时地反映实际系统的运行状态，省去在实时仿真器上的大量建模工作。除此之外，该暂态仿真中的偏微分数值方程组求解核心模块可下放至天然气、供冷/热系统，以仿真其能量流动的动态特性，解决现有框架下其他能源系统难以支撑海量数据仿真的问题。相对于电力系统，其他能源系统的暂态时间较长，地域耦合性较弱。因此，对于地域尺度较广的系统，例如省内、省间天然气长距离传输系统，可采用大规模并行计算的方式，而数字孪生下的云端计算架构则天然具有便于并行的特性。

2)区域多能系统中可能含有风电、光伏等受随机性影响的电源，若需在线准确评估此类新能源发电系统的出力是否满足区域电网的承载能力，其基本方法是通过蒙特卡洛抽样，生成海量运行断面，利用实时仿真器对其进行并发实时仿真，获取计算所得的指标，并根据指标实时调整风电、光伏的出力。如果采用RTLAB和RTDS的仿真方案，其能并发的算例数量与硬件投资直接相关。若需完全并行地完成上述功能，其成本极高，几乎难以实现。若仅购置有限的实时仿真器，本质上上述过程海量算例的仿真仍为串行计算完成，难以满足实时性要求。而数字孪生采用云计算架构，仅需在完成海量计算任务时，在云端申请海量计算核心，就算资源在完成计算后即可释放。这种云端的弹性计算资源可以以最低的成本实时地评估新能源发电的承载能力。因此，在短时间尺度应用中，考虑单一场景、确定性结构系统的实时仿真，采用RTLAB和RTDS确实是优异的解决方案。但综合考虑到系统随机性、波动性需要并发海量场景仿真的应用中，RTLAB与RTDS受限于成本，其应用受限。数字孪生的解决方案体现出了显著优势。

3)实际物理系统运行中，一系列控制或调度策略可能会因随机性、波动性等导致截然不同的动态响应，从而引导系统走向不同的运行状态。在传统仿真中，由于模型是确定的，此类随机特性很难在一次仿真测试中模拟出来。而数字孪生会随时根据当前时刻的运行状态和控制逻辑，根据随机性自动分叉出不同的场景，并对每个场景进行仿真，或采用随机规划、鲁棒规划等算法，从而在尽可能多的保留随机场景的特征信息的同时获取海量场景、不同控制下的仿真结果，提供相比传统仿真更准确、更全面的分析结果。

基于数字孪生技术的建模仿真应用的核心在于具备多场景并行仿真计算的优势。现阶段针对区域多能源系统的多场景生成和大规模并行计算的研究已经具备一定的规模，为基于数字孪生技术的建模仿真应用提供了可行和理论实践基础。

现有的多场景生成方法一般采用高斯混合模型(GMM)对区域多能源系统运行动态的边界条件进行概率建模，得到其强度和范围的概率分布关系。从已知运行场景边界条件出发，生成未知且合理的边界条件组合。采用对抗生成网络技术，对已知的运行场景中学习各种边界条件之间的关联关系，进而根据场景生成中的边界条件概率分布要求，生成合理的场景集合。

在大规模并行计算方面，清华大学团队独立开发了国内首个具备完全自主知识产权的高性能电磁暂态仿真云平台CloudPSS(www.cloudpss.net)，实现了利用先进建模技术、异构并行计算和云计算技术加速大规模交直流电网的离线仿真，并且大大降低了针对大规模交流电网实时仿真的硬件成本。

基于数字孪生技术的区域多能源系统建模仿真平台构架如图2所示。

图2 基于数字孪生技术的区域多能源系统建模仿真平台构架Fig.2 Modeling and simulation platform framework of the regional multi-energy systems based on digital twin technology

综上，基于数字孪生技术的区域多能源系统建模仿真及数据处理相比传统建模仿真技术具备多场景、考虑随机性的优势，具有更高维度的分析功能；同时借助云计算的优势，可以大幅度降低计算资源消耗，降低了部署成本，具备较高的推广价值。

3.2 数字孪生技术在区域多能源系统规划中的应用展望

数字孪生在解决规划问题时提供了一种全新思路。这种思路类似于AlphaGo下围棋，每走一步之前，在计算机后台是要模拟上千万种可能的步骤，通过对比，找到最优的策略。所以，在这种基于数字孪生的优化模型中，并不对系统做简化，而是通过大规模异构并行计算资源对海量数字孪生的场景进行仿真，从海量仿真结果中寻找规律，从而驱动运行方式的优化。具体而言，在区域多能源规划中引入数字孪生能有助于改进以下几个问题。

1)规划过程中存在海量不确定性问题，例如长期来说，电力、天然气等负荷的不确定性，各类能源价格的不确定性，环境政策的不确定性等，短期负荷不确定性，可再生能源的不确定性等。这些不确定性的建模可能是连续的概率分布，也可以是离散的多个状态，这些状态的组合构成了海量的不确定性场景。传统规划与运行中对此研究的范式通常基于理论、机理模型计算。随着数字孪生技术对系统全周期运行数据，以及非系统本身数据(例如天气数据等)采集和处理能力的提升，基于数据驱动的规划模式能够更好地建立不确定性因素的统计和随机过程模型，利用模糊聚类、数据挖掘等技术，以更小的代价提升规划结果与运行方式的鲁棒性。同时，借助不确定性建模、场景生成等技术，数字孪生可以对不同方案进行多概率、多场景的仿真模拟，从中选取最优方案。

2)不同能源系统设备、管网参数的状态感知和滚动修复。区域多能源系统规划与运行的前提是对现有的系统配置数据，例如设备参数、网架结构有清晰的认知。在传统机理驱动的模型下，该认知可能是不可行或者不准确的。一方面，由于原有系统年限的原因，设备、管网参数可能已不可考证；另一方面，一些设备参数会随着环境因素的变化而变化，且该变化是混沌的，难以用机理模型描述。以区域供热网络的管道为例，通常通过管道摩擦系数、热传导系数等描述性能，但是这些参数与环境，例如热传导系数与所在土壤的温度、湿度等因素密切相关，采用出厂数据或者标准参数显然是不准确的。但在数字孪生框架下，可通过采集的系统的实际运行状态作为输入量(通常是冗余的)，通过状态估计、数据拟合来获得该管道的实际运行过程中的特性参数，从而作为扩展规划的基础依据；最后，传统规划中多采用规划时刻设备的标准模型，但是在实际运行中，一些设备会随着投入年限的上升而老化，例如储能的充放电效率等，该变化与实际运行状态有关，在传统规划中难以考虑。同样，通过数字孪生可以实时监测设备参数，从而了解规划需求。

3)基于动态评价的自适应的动态规划。传统规划由于不能实时感知系统运行状态，因此通常是一种开环的长期规划或者固定年限的滚动规划。长期规划由于缺少数据积累，对于远景年例如负荷的不确定性规划的冗余成本较高。滚动规划中的固定年限通常也较为死板，无法反映系统的实时状态与需求。但是，通过数字孪生技术对系统进行全生命周期的监测形成问题库，并通过一定方法形成实时动态评价体系，评估系统例如充裕度、负载量、可靠性等信息，能够更加及时、有效地评估系统扩展规划的紧迫性，确定规划需求，并为规划方案的优选提供闭环反馈。

基于数字孪生技术的区域多能源系统规划应用构架如图3所示。

基于海量随机场景下区域多能源系统的短期评估指标的动态规划技术是数字孪生技术在区域多能源系统规划中应用的关键技术。如上文所述，动态规划技术能够更贴合区域多能源系统的实际需求。然而，一方面由于冷热和天然气管网系统和电力系统不同的能流特性和运行方式，及其大规模的具有偏微分等式的数学模型，使得对于海量随机场景下的区域多能源系统的短期评估缺乏高效的计算工具；另一方面，对于系统累计的运行数据以及环境情况缺乏有效的数据获取与处理手段。而数字孪生技术能够很好地解决这两方面的问题。

现阶段针对区域多能源系统的短期评估的研究已经具备一定的理论基础，与数据孪生技术相辅相成，能够更好地在模型参数矫正、计算效率等方面，为区域多能源系统的规划应用奠定理论实践基础。

综上，基于数字孪生技术的区域多能源系统规划具备更高的模型精度和动态更新机制，对区域多能源系统的安全性和经济性的评估相比传统规划结果更准确，更具备应用价值。

3.3 数字孪生技术在区域多能源系统运行优化中的应用展望

区域多能源系统的优化运行，一方面要利用多能源系统的多源及多种负荷与储能，协调消纳可再生能源，开发多能源系统耦合转化与梯级优化利用方法。例如通过电热联产机组区域供热替代电热锅炉等，通过运行层面的多能互补需求响应削减尖峰时刻的用电负荷。另一方面，根据实时监控层提供的风险点、故障等信息，基于历史数据，提出多种优化策略，通过并行实时仿真进行优选校验，支持系统运行控制规避风险，并按照选取的优化方案更新监控层基础控制参数。

基于深度强化学习的仿真驱动优化技术是数字孪生技术在区域多能源系统运行优化中应用的关键技术之一。强化学习(reinforcement learning，RL)作为一种数据驱动的机器学习方法，通过学习历史或训练数据中的规律，在不需要知道未来信息的情况下做出其认为的能最大化未来收益的动作，在数据充分的情况下可以较好地处理不确定场景，因此强化学习可以用来求解不确定性场景下的多能源系统的运行优化问题。

针对运行状态的不确定性，可以在训练和测试时采用不同的场景。每一种场景对应一种出力、负荷及工况方式，一个场景结束时这个场景下的训练也随之结束。这样，在训练时智能体能充分地学习到系统中的诸多不确定性因素，从而提高在实际应用中的鲁棒性。

把区域多能源系统的运行优化决策问题转化为强化学习模型，关键在于状态、动作及奖励值的选取。强化学习中的“状态”并不一定是区域多能源系统中定义的状态量，它只需要是做出决策所需要的最小信息，而状态应该易于从实际系统中计算或者直接得到。RL中的“动作”可以认为是系统中的可控变量，RL通过改变这些可控变量影响系统状态。同时，RL中“奖励”的选取也是一个非常有技巧性的工作，合适的奖励值选取能促使智能体更好地向我们期望的目标发展。

具体思路如下：首先针对区域多能源系统多能耦合、可再生能源就地消纳原则等特点，综合分析各类优化控制方法的优缺点，结合能源利用结构与领域先验信息，构建包含多种因素与运行约束条件的综合优化目标。其次，基于数据驱动的状态估计技术，尤其是考虑天然气、供热管网的动态特性进行偏微分方程的动态状态估计技术，识别多能源系统运行状态。然后，基于深度强化学习理论，利用数字孪生模型海量历史数据和多场景仿真器构建强化学习训练引擎，设计适用于区域多能源系统“离线训练、在线提升”的强化学习模式，形成一种基于多能源系统数字孪生模型及海量仿真驱动的优化方法。然后，计及多能流耦合及可再生能源的分布、出力等运行特性，确定区域多能源系统优化对象，建立单目标及多目标优化的强化学习模型，合理设置强化学习的动作、状态及反馈奖励等参数，选取合理的强化学习方法，基于数字孪生模型完成模型训练，形成可在线计算的区域多能源系统运行优化策略；提出运行优化策略的效果评估方法，基于数字孪生实时仿真器，结合实际运行数据，在线生成闭环检测运行优化策略，实现运行优化策略的软件闭环仿真(software-in-the-loop，SIL)测试；最后，将控制策略开发为一个模块，并入能源智慧大脑一个环节。

基于数字孪生技术的区域多能源系统优化运行构架如图4所示。

图4 基于数字孪生技术的区域多能源系统优化运行构架Fig.4 Optimized operation framework of the regional multi-energy system based on digital twin technology

基于数字孪生技术的区域多能源系统运行优化可为人工智能和强化学习提供高保真的训练、测试和部署平台，促进人工智能技术在区域多能源系统运行优化中的应用和推广。

3.4 数字孪生技术在区域多能源系统事故检修中的应用展望

区域多能源系统发生事故影响用户电、冷/热、气负荷供给后，需要快速生成合理的恢复策略，保障对用户的供电。传统的解决方案是预先根据区域电力系统潮流计算等稳态分析工具设定好若干恢复预案，根据实际故障情况选择合适的预案。但随着直流、新能源和其他能源系统的接入，仅采用稳态潮流计算获得的恢复预案可能不满足区域系统的暂态约束，从而可能在恢复过程中产生进一步的故障，故有必要引入电磁暂态仿真以及其他能源系统的动态特性仿真对预案进行校验。一种改进的方案是基于RTlAB和RTDS校验恢复策略，但这需要手动维护一套可与实际物理多能源系统实时对应的仿真模型，且该过程涉及到实际系统状态的映射，通常需耗费大量人力和时间，且其应用时效性受限。而考虑到数字孪生本身具有的“建模仿真”和“量测采集”环节，其可以在数字空间中实时维护一套反映实际多能源系统运行状态的数字仿真镜像，进而借助云端弹性计算资源和实时电磁暂态仿真和多能源系统动态仿真功能，可准确校验恢复策略是否满足实际电网的安全性需求。

事件推理和优化决策技术是数字孪生技术在区域多能源系统事故检修中应用存在的关键技术。

事件推理方面，从实测和仿真的大数据样本中统计学习物理实体相关的离散事件相关性模型，用于事故因果推理和事故故障风险分析；优化决策方面，利用强化学习机制，通过对数字孪生体控制效果的学习，发现最优检修方案，最终得到合理决策指令并下发至实体系统。

通过对比数字模型模拟运行结果和物理实体的真实量测结果，发现两者之间的差异，从而为状态检修和精准运维提供指导。首先在运行维护历史经验数据集中，使用机器学习的算法学习故障设备状态的特征分布以及各状态的相关性结构，再结合设备的物理模型，模拟正常以及故障情况下设备状态的特征分布以及各状态的相关性结构，最终通过对比、分类等手段发现故障或者处于异常工况的设备，从而大幅提升故障预测准确率并降低运维成本。数字孪生的云端监控和运维功能适用于多种区域多能源系统应用场景，其中包括光伏电站运维、供能设备缺陷监测、多能源网监控等。

基于数字孪生技术的区域多能源系统事故检修应用构架如图5所示。

图5 基于数字孪生技术的区域多能源系统事故检修应用构架Fig.5 Accident repair application framework of the regional multi-energy system based on digital twin technology

综上，基于数字孪生技术的区域多能源系统事故检修可为故障恢复、事故反演提供实时沙盘推演基础平台，相比采用传统实时仿真技术，节省了大量建模时间、进一步保证区域多能源系统故障恢复策略的有效性和经济性。

4 结语

本文分别介绍了区域多能源系统和数字孪生技术的特点和研究现状，并提出了数字孪生技术在区域多能源系统的应用前景与展望，包括建模仿真和数据处理、优化规划、运行和事故检修等方面。随着数字孪生技术的不断完善，该技术在电力系统中将会有更广泛的应用前景。数字孪生技术的实时态势感知手段后续还可结合先进的计算视觉技术实现电网智能巡检；超实时决策推演手段也可对复杂电力设备作全生命周期管理。

但同时，我们也需要认识到数字孪生技术在区域多能源系统中应用仍处于持续探索和不断完善阶段，应用模式尚未成熟，制约数字孪生实例化应用的因素还有很多，例如智能传感技术、异构通信技术、数字中台技术、能源智慧大脑技术等重点关键技术仍在未来有待突破。