近幾年興起的“黑科技”——數字孿生技術從虛擬制造、數字樣機等技術上發展而來，現正拓展到智能制造、智慧建筑以及智能電網等多個領域。尤其是在智能電網領域，隨著智能電網的動態特性日趨復雜，數字孿生技術將為智能電網的分析、洞察與調控提供新的解決方案。
━━━━
在數月內接連發生的印尼空難和埃塞俄比亞空難引發全世界對波音737 MAX系列客機安全性的討論，同時，也讓數字孿生（Digital Twin）技術進入更多人的視野。業內人士開始勾勒數字孿生技術在飛機制造業乃至整個智能電網等行業的未來圖景，同時，也開啟了對于這項有望加速實現整個物理世界數字化轉型的技術的想象之門。
數字孿生一詞最早于2002年由美國密歇根大學的邁克爾?格里夫斯(Michael Grieves)教授提出，指的是通過采集設備的數據，結合對設備動態特性的認識，構建一個可以表征該物理設備的數學模型，并比較工程設計和數學模型的區別，來更好地理解理論設計與實際生產，最終加強對設備全生命周期的有效管理。作為具有極高工程價值的實用工具，數字孿生技術具有可視性、可預測性、可假設性、可解釋性以及可互動性等特點。從微觀來看，借助數字孿生技術可以將真實世界中的飛機映射為數字化飛機；從宏觀來看，這一技術甚至可以使數字城市的建設成為可能。鑒于數字孿生所擁有的廣闊應用前景和所孕育的巨大商業機遇，此技術被具有全球影響力的權威咨詢公司高德納連續3年（2016—2018年）列為當年十大戰略科技發展趨勢之一。當前數字孿生的工業應用實例主要還是出現在制造業，涉及航空發電機、風力渦輪機、海上平臺、暖通空調控制系統以及智慧建筑等領域。在電力行業，隨著電力電子器件、直流輸電線路以及新能源發電的不斷接入，電網的動態特性逐步變化，在振蕩或故障后將表現出更強的非線性和不確定性，而此時，數字孿生技術為增強對智能電網的認知和調控提供了新契機。通過構造數字智能電網，進而刻畫出交直流互聯電網的復雜潮流改變和多時間尺度動態過程，將幫助系統運營商發現電網薄弱環節、優化電網運行方式和改進系統規劃設計方案。而隨著智能電網的關鍵體系——高級計量基礎設施的快速發展，一套涵蓋高效量測、智能控制和快速通信等模塊的網絡處理系統日趨完善，形成了智能電網中能量流、信息流和業務流雙向互動平臺。當大量智能電網數據被創造和采集，借助云計算、人工智能算法、并行計算技術和大數據分析技術，打造智能電網的數字孿生愈發成為可能。━━━━
什么是智能電網數字孿生？
早在2000年，盧強院士就提出了數字電力系統的概念，即“實際運行的電力系統的物理結構、物理特性、技術性能、經濟管理、環保指標、人員狀況、科教活動等數字地、形象化地、實時地描述與再現”。而對于具備了先進計量基礎設施的智能電網來說，雖然其數據種類更為豐富、數據互動更為便捷高效，但是智能電網的數字孿生與數字電力系統并無本質上的區別。可以說，盧強院士所提的數字電力系統便是智能電網數字孿生的起源。結合數字孿生的定義和智能電網的特點，智能電網數字孿生可定義為：充分利用電力系統物理模型、先進計量基礎設施的在線量測數據、電力系統歷史運行數據，并集成電氣、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智能電網的映射，反映智能電網的全生命周期過程。與傳統的電力系統仿真相比，智能電網數字孿生最突出的特點是模型的形式更豐富。傳統的電力系統仿真模型表現形式一般為各種代數的、微分或偏微分形式的數學方程，這些方程是基于對電力系統物理過程的認識而建立起來的。智能電力的數字孿生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學模型之間的同步；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。實際上，智能電網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。高性能數字仿真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智能電網數字孿生的目標。
智能電網數字孿生的另外一個特點是需要考慮不同概率情況下的多場景仿真。智能電網的不確定性來自多個方面，例如新能源發電及負荷，交流系統故障發生的時間、地點、類型、嚴重程度，直流換流器何時發生換相失敗等；另外，新能源是否受外界影響造成脫網等也均具有隨機性，同樣可能會帶來不確定性。這就要求智能電網的數字孿生對于具有不同發生概率的不同場景都能進行模擬。另外，智能電網中先后發生的事件往往具有一定的關聯性，因此，數字孿生還需要具備對這種類型的事件鏈進行仿真模擬的能力。實現智能電網數字鏡像的關鍵
當前，無論是基于泛在傳感網絡開展的數據驅動的統計相關性模型研究，還是基于系統基本物理原理開展的知識驅動的微分代數模型研究，都已取得積極進展。然而，單方面考慮單一模型將存在一定的弊端，必須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。這便是實現智能電網數字鏡像的關鍵所在。除了建模層次上的互補融合，如何將兩種模型在仿真模擬以及決策支持層面上進行融合以實現對實體智能電網的真實刻畫以及優化控制，仍有待探索。這里給出兩種可行的路線：一是利用場景生成法從數據驅動的統計相關性模型中抽取大量場景以表征智能電網不確定性，然后針對每個場景，利用知識驅動的微分代數模型進行仿真計算，最后整合所有場景的仿真結果，以實現統計相關性模型與微分代數模型的融合；二是對智能電網中的隨機變量進行概率分布建模，并基于微分代數模型計算隨機變量的函數的概率分布，將知識驅動的確定性代數模型轉為知識驅動的概率分布函數模型，以實現微分代數模型與統計相關性模型的融合。智能電網數字孿生的整體框架
智能電網數字孿生具有3個關鍵的技術環節，即：對實物系統的量測感知、數字空間建模、仿真分析決策，而以上環節又離不開云計算環境的支撐。首先，實時量測是對智能電網物理實體進行分析控制的前提，量測的對象包括能量系統和輔助調控系統。為此，需要在實體系統中布置眾多傳感器，并且還需解決與數據量測、傳輸、處理、存儲、搜索相關的一系列技術問題。其次，在數字空間中對智能電網進行建模需要同時對能量系統和輔助調控系統建立相應的模型，在數字空間中后者對前者進行調控，前者的仿真結果用來驗證后者的有效性。需要強調的是，智能電網模型的形式并不僅僅局限于描述實體對象物理規律的數學方程，也可以包括基于量測數據構建的統計相關性模型。再有，仿真分析決策環節先對數字空間的智能電網進行優化計算，然后通過仿真驗證決策的合理性和有效性，再對數字智能電網進行多場景、多假設的沙盤推演，最終得到合理決策指令并下發至實體系統。云計算環境是連接實物系統和數字空間的橋梁。在云計算環境中，可以利用已經掌握的智能電網物理規律和傳感器量測數據，借助大數據分析和高性能仿真技術，實現對智能電網的數字建模和仿真模擬，計算結果可實時反饋至物理系統，傳感器數據同樣可實時傳遞給數字鏡像以實現同步。之所以要利用云計算技術構建智能電網的數字孿生主要有以下幾方面的考慮：云計算環境基于網絡可擴展性強；云端的IT資源豐富；智能電網參與者眾多，各參與方可以自助的方式獲得所需IT資源；便于眾多參與者貢獻或者共享資源，共同打造智能電網數字孿生的生態圈。智能電網數字鏡像的三大技術環節相互依存，循環往復，彼此之間的數據流、信息流的雙向互動貫穿智能電網的全生命周期，體現了數字孿生的可互動性。
━━━━
智能電網數字孿生原型系統——CloudPSS平臺
構造數字孿生需要的步驟包括創建(Create)、傳輸(Communicate)、聚合(Aggregate)、分析(Analyze)、洞見(Insight)、行動(Act)。清華大學研究團隊研發了智能電網數字孿生原型系統——基于云計算的電力系統仿真平臺（Cloud-computing based Power System Simulator，CloudPSS，http://www.cloudpss.net）部分實踐了上述步驟。創建步驟指的是在智能電網中部署大量傳感器，實時量測并收集系統的運行狀態。當前智能電網中配備了高級計量基礎設施，集數字傳感、智能儀表、測量及通信于一體，為構造智能電網數字孿生提供了數據基礎。然而，高級計量基礎設施建設的初衷并非為了數字孿生，因此，仍有可能存在一定的“數據角落”未能采集到。CloudPSS平臺設計了通用數據接口，可以與智能電網中部署的傳感器進行數據交互。傳輸步驟指的是實現智能電網和決策平臺之間數據的無縫雙向對接。CloudPSS平臺可借助光纖網絡、移動互聯網以及虛擬專用網絡（Virtual Private Network，VPN）實現對數據的雙向對接，同時還提供數據通道服務和加密通信服務，一方面確保了低延時、高安全的私網通信，另一方面避免了網絡質量不穩定、傳輸數據易泄露等問題。聚合步驟指的是將智能電網數據保存在平臺數據庫中進行有效管理，為后續的建模和分析提供基礎。CloudPSS平臺具有強大的數據管理模塊，其功能包括氣象數據庫及編輯功能、電力信息數據庫及編輯功能、設備信息庫及編輯功能、負荷數據庫及編輯功能。通過高效管理上述數據，CloudPSS平臺將為后續步驟提供強有力的支撐。分析步驟指的是通過建模和計算，實現物理實體的模擬運行，最終立足模擬運行結果進行分析，并指導決策。CloudPSS平臺借助數據管理和高性能仿真技術，實現了智能電網的模擬運行，并提供了針對智能電網的行業方案。以交直流電網分析業務支撐行業方案為例，CloudPSS平臺首先構建了多種交直流系統的電磁暫態數字模型。其次，CloudPSS平臺實現了含有多種類型直流輸電系統的交直流電網全電磁暫態仿真分析功能，解決了大規模交直流混聯系統全電磁暫態仿真從指定潮流斷面快速啟動的難題，為各類基于全電磁暫態仿真的在線安全校核應用掃清了技術障礙。此外，CloudPSS平臺借助GPU加速計算實現了極高的運算效率。例如，利用CloudPSS平臺搭建80個模塊的SST主功率拓撲并進行電磁暫態仿真只需要4分鐘，而利用商業軟件PSCAD仿真耗時大于1小時。最后，CloudPSS平臺還提供了多種基于全電磁暫態仿真的先進的交直流電網分析工具，包括全網短路電流掃描，節點阻抗掃描、安全穩定裝置在線校核、動態安全分析等。同時，CloudPSS平臺可與現有潮流、機電暫態計算軟件無縫銜接，實現此類軟件內部算例的快速轉換與電磁暫態仿真。洞見步驟指的是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。CloudPSS平臺首先將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。CloudPSS平臺的云端監控和運維功能適用于多種工業應用場景，其中包括光伏電站運維、供能設備缺陷監測、微能源網監控。
行動步驟是將通過以上若干步驟獲得的可操作建議反饋到物理實體中，從而實現物理世界和數字世界之間的閉環互動。CloudPSS平臺可借助光纖網絡、移動互聯網以及虛擬專用網絡下發模擬仿真結果以及操作建議至智能電網運營商，供其參考。隨著智能電網中電力電子器件、直流輸電線路以及新能源發電的不斷接入，電網的動態特性日趨復雜，而數字孿生技術為智能電網的分析、洞察與調控提供了新的解決方案。作為智能電網數字孿生的先行者，清華大學研究團隊研發的CloudPSS平臺無論是為智能電網提供交直流混聯電網分析業務支撐，還是為其提供新能源電站精細化建模和仿真方案，都憑借其高效性、可靠性、安全性展現出巨大的應用潛力和廣闊發展空間。我們有理由相信，CloudPSS平臺及其代表的數字孿生技術將為未來智能電網研究提供更大、更新、更快的試驗平臺，也將在中國智能電網的快速發展中發揮不可替代的作用。本文刊登于IEEE Spectrum中文版《科技縱覽》2019年11月刊。
沈沉：教授，電力系統與發電設備國家重點實驗室副主任，清華大學電機系學位分委員會主席，清華四川能源互聯網研究院云仿真與智能決策研究中心主任，電力系統與發電設備國家重點實驗室能源互聯網分室主任。
陳穎：副研究員，清華四川能源互聯網研究院云仿真與智能決策研究中心副主任。
黃少偉：副研究員，清華四川能源互聯網研究院云仿真與智能決策研究中心副主任。
于智同：清華四川能源互聯網研究院云仿真與智能決策研究中心主任助理。
宋炎侃：清華大學電機系博士后，清華四川能源互聯網研究院云仿真與智能決策研究中心總工程師。
IEEE Spectrum
《科技縱覽》
官方微信公眾平臺
>>>本文為原創，轉載請回復。<<<
