支撐新型配電網數字化規劃的圖形-模型-數據融合關鍵技術

余 濤，王梓耀，孫立明，2，曹華珍，吳亞雄，，吳毓峰

（1.華南理工大學電力學院，廣東省廣州市 510640；2.廣州水沐青華科技有限公司，廣東省廣州市 510898；3.廣東電網有限責任公司電網規劃研究中心，廣東省廣州市 510080）

0 引言

以新一代數字技術為代表的第4 次工業革命（Industry 4.0）［1］正在向社會各領域全面滲透，中國在數字中國、能源革命等方面做出一系列重大決策部署，積極推進產業數字化發展［2-3］。為抓住數字化革命的發展機遇，中國南方電網有限責任公司于2019 年提出“數字電網”并于2020 年發布《數字電網白皮書》［4］，旨在打造數字電網的生態體系，建設電網“一張圖”［5］，提升電網的智能化、便捷化、信息化水平。此外，能源轉型背景下，新型電力系統產生了許多新的場景和形態，傳統的配電網規劃方法不再適用，亟須對其背后的物理規律和計算方法開展新的研究。

在能源電力行業發展的同時，人工智能（artificial intelligence，AI）技 術 也 在 高 歌 猛 進［6］。Hinton 于2006 年在Science 期刊上發表關于深度學習（deep learning，DL）的文章［7］，自此拉開現代機器學習（machine learning，ML）的序幕；隨后，Alpha Go戰勝圍棋世界冠軍李世石［8］，標志著AI 與人類開始同臺競技并走向大眾；近期，Open AI 推出的聊天機器人ChatGPT［9］，其能夠像人類一樣進行互動并完成代碼編寫、文案創作、邏輯推理等。已有大量研究人員將AI 技術中的DL、強化學習（reinforcement learning，RL）、知識圖譜（knowledge graph，KG）等應用到電力系統的感知、預測、控制與調度中［10-13］，在提升決策速度、決策質量和自動化水平上取得了可喜進步。但是，由于配電網規劃業務點多面廣、場景眾多、流程復雜，難以用統一的語言（統一的圖形、統一的模型、統一的數據底座）來描述這一系統工程，目前的研究和應用仍處于初始階段。

數字電網平臺和新一代計量自動化系統的部署和發展在各環節中積累了海量的數據［14-15］，為新型配電網計算和優化模型的持續發展奠定了模型計算的基礎［16-17］。同時，計算機領域的圖數據和圖計算取得了巨大成功［18］，為實現面向機器自主優化決策的配電網數字化規劃提供了重大機遇和強力支撐。如何構建一套聯通圖形-模型-數據的配電網規劃框架，是一項涉及多學科交叉的、高度復雜的系統性工程，也是在新型配電網規劃領域實現機器自主決策優化的關鍵。

面對上述機遇與挑戰，本文從深度提升配電網規劃數字化水平的角度出發，提出一套圖形-模型-數據深度融合算法驅動的新技術。首先，介紹配電網數字化規劃的發展歷程；其次，歸納出當前新型配電網數字化規劃在圖形-模型-數據方面所面臨的挑戰；然后，從圖形-模型融合、模型-數據融合、圖形-數據融合3 個方面歸納關鍵技術以及圖形-模型-數據融合在數字化系統的集成方法；最后，從前瞻性發展的角度，嘗試提出配電網數字化規劃的未來形態和發展趨勢。

1 新型配電網數字化規劃的發展歷程

配電網規劃業務包括負荷預測、空間負荷分布分析、變電站選址定容、線路網架設計、用戶報裝等［17］，其本質內容可理解為數據分析、圖形繪制、模型計算?；仡櫯潆娋W規劃的發展歷程，其重大發展均伴隨著圖形、數據、模型的突破，本文將其總結為4 個發展階段，如圖1 所示。

圖1 配電網數字化規劃發展歷程Fig.1 Development history of digital planning of distribution network

第1 階段是手工編制規劃時代。受限于數據的信息化存儲、電力系統計算模型、規劃圖紙的電子化上圖，配電網規劃業務的開展需大量依賴規劃人員的經驗知識，并結合計算器和手工繪圖開展配電網規劃工作［19］。

第2 階段是計算機輔助工具時代。由于電力系統計算模型的突破，粗放計算逐漸轉向MATLAB等計算機軟件輔助的精細化計算。計算機圖形化技術的發展也促使規劃圖設計轉向以AutoCAD 為主的計算機輔助繪圖［20-21］，并推動面向電力系統業務的地理信息系統（geographic information system，GIS）建設［22-23］。

第3 階段是規劃輔助軟件時代。隨著配電網規劃 模 型（distribution network planning model，DNPM）、優化決策方法的發展，出現了配電網規劃專用軟件［24-31］，可以部分替代人工開展規劃決策。此階段配電網規劃的主要特點是“以人為主，機器為輔”。

第4 階段是數字化規劃時代?！皵底蛛娋W”和“數字政府”的接入帶來了海量的數據信息［32］，AI 技術和電力系統有望結合，AI 技術的發展也推動配電網規劃智能化邁向更高的臺階，此階段配電網規劃朝著“機器為主，人機協同”的方向快速發展。

可以看出，配電網規劃取得的突破都伴隨著圖形、模型、數據的發展。近年來，AI 技術飛速發展，為機器替代人類完成關鍵決策，融合貫通圖形-模型-數據，實現深度數字化規劃奠定了堅實的基礎。

2 新型配電網數字化規劃的關鍵問題及內涵

本章歸納了實現新型配電網數字化規劃在圖形、模型、數據上所面臨的三大挑戰。在此基礎上，圍繞圖形-模型-數據融合提出了4 個關鍵問題，并結合配電網數字化規劃的背景知識，豐富和補充圖形、模型、數據的內涵。

2.1 實現新型配電網數字化規劃的主要挑戰

傳統的配電網規劃通常包括負荷特性、負荷預測、電源規劃、電網規劃、設備配置。由于分布式新能源接入、電能替代、電力電子化以及數字化技術的應用，配電網具備新的形態和特征，逐漸演化為新型配電網［16-17］，將面臨圖形多樣化、場景碎片化、數據規?；筇魬?。

1）圖形多樣化。新型配電網打破了不同行業的壁壘，數字政府、綜合能源、信息通信網絡的接入形成多網耦合，海量異構圖紙難以進行有機整合和清晰、便捷地檢索與展示。

2）場景碎片化。隨著新能源滲透率的提升、新型負荷的接入以及交直流網架的應用，源、網、荷側產生顯著的變化。碎片化的場景需要通過組合的解決方案或特定的模型進行求解，配電網規劃決策的時間復雜度和空間復雜度呈指數級增長。

3）數據規?；?。信息化水平的提升以及智能表計的安裝，使電網企業積累了海量的數據資源（廣東省全域電能表計量數據達PB 級），地市供電企業每年花費在數據治理和臺賬更新上的資金動輒上千萬元。

2.2 圖形-模型-數據融合驅動新型配電網數字化規劃中的關鍵問題

新一代配電網規劃在圖形的聯動展示、模型的智能構建、多源數據的自動融合等方面存在多重困難，圖形-模型-數據融合算法驅動的新型配電網智能規劃新技術有望解決這一難題，其關鍵問題可拆解為3 個理論問題和1 個集成應用問題:

關鍵問題1:如何實現圖形和模型之間的自動聯通？面向配電網規劃的圖形和模型自動聯通包含2 個層面的過程:一是如何識別提取圖形中的配電網模型；二是如何利用配電網模型實現圖形中的網架結構識別與計算。

關鍵問題2:如何實現模型和數據的深度結合并高效利用？傳統的模型數據融合驅動難以有效地挖掘和利用領域知識，無法完成更細顆粒度的負荷與新能源推演分析。理論規劃優化模型與規劃工程之間脫節嚴重，如何嵌入領域知識以引導數據的自動處理與模型的自動構建是實現模數深度融合的關鍵。

關鍵問題3:如何提高圖形和數據之間的聯動程度？對于配電網規劃在時間橫軸上將形成多個規劃方案，在版本縱軸形成多個規劃方案，如何實現多模態數據以及三態圖形（歷史態、現狀態、未來態）的融合、繼承與沖突檢測，清晰直觀地了解配電網全貌是提高圖數聯動程度的關鍵。

關鍵問題4:如何開發一套圖形-模型-數據融合驅動的配電網智能規劃系統？目前，國內外已有多家單位開發了各具特色的配電網規劃工具［33-35］（具體總結如附錄A 所示），但尚未具備成熟的配電網規劃軟件系統地支撐實現新型配電網智能規劃，大量的決策過程仍舊依賴于人工經驗判斷。

2.3 圖形-模型-數據融合數字化規劃的關鍵概念解析

不同學科和專業對于圖形、模型、數據的理解有所不同。本文從配電網數字化規劃的角度出發，豐富和補充圖形、模型、數據的內涵。

1）圖形可以理解為“圖拓撲”“圖像”，是數字化配電網的“面貌”，其主要功能是多維度、直觀、豐富地展示配電網信息；

2）模型是電力系統圖元模型、可計算模型、優化模型，是數字化配電網的“骨架”，其主要功能是將關鍵信息進行提煉并傳遞給機器；

3）數據指多源異構的數據，包括可擴展標記語言（extensible markup language，XML）數據、臺賬數據、營銷數據等，是數字化配電網的“血液”，其主要功能是驅動模型計算和圖形展示。

配電網規劃的圖形、模型、數據三者之間有著密不可分的聯系，如圖2 所示。圖形智能化操作與展示離不開模型的支撐，模型的構建和優化計算離不開數據的支撐，圖形的多維度立體化展示需要多源異構數據的支撐。三者之間相互依賴、相互補充，完成兩兩之間的融合貫通是實現配電網規劃圖形-模型-數據融合的基礎條件。

圖2 配電網規劃領域的圖形-模型-數據融合關系圖Fig.2 Relation graph of graph-model-data fusion in field of distribution network planning

3 新型配電網數字化規劃的關鍵技術

3.1 數字化規劃主要突破方向

由上述分析可知，實現新型配電網數字化規劃的突破方向是圖形-模型-數據深度融合驅動的新技術。以算法為核心“大腦”，將模型、數據、圖形三者進行深度融合，實現“以機為主，人機協同”的配電網數字化規劃。

對應于2.2 節中所提出的3 個理論難題和1 個集成應用難題，本文將實現圖形-模型-數據融合的新型配電網數字化規劃分解為3 個子問題，分別是“圖形-模型融合”“模型-數據融合”和“圖形-數據融合”，最終集成到圖形-模型-數據融合配電網智能規劃軟件平臺上，嘗試從實現數字化的角度闡述新型配電網數字化規劃的圖形-模型-數據融合關鍵技術，如圖3 所示。

圖3 圖形-模型-數據融合驅動的新型配電網數字化規劃關鍵技術框架Fig.3 Key technical framework of digital planning of new distribution network driven by graph-model-data fusion

關鍵技術1:圖形-模型融合。包含兩方面內容:1）打通配電網規劃圖紙到可計算模型的自動生成，以支撐后續基于可計算模型開展各類規劃指標的高級計算；2）基于模型算法實現配電網圖拓撲的自動搜索和計算，充分挖掘圖拓撲的結構特征。

關鍵技術2:模型-數據深度融合。需要將專業領域知識融入配電網規劃中，結合“知識嵌入”來挖掘負荷/新能源中長期變化規律，并基于“知識驅動”完成AI 搜索的規劃優化決策。

關鍵技術3:圖形-數據融合。借助知識圖譜實現面向配電網規劃業務的多類圖形和多源數據的融合，直觀地展示和操作配電網圖形，基于Git 共享開發模式開展多時空協同規劃。

在上述3 項關鍵技術中，圖形-模型融合是開展數字化規劃的基礎；模型-數據融合是深度提升數字化規劃智能化水平的核心；圖形-數據融合是提升人機協同規劃的關鍵。3 項技術相互補充，助力圖形-模型-數據融合配電網智能規劃軟件系統的開發。

3.2 配電網規劃中的圖形-模型融合技術

圖形和模型二者的有機融合有望實現圖形到模型的自動生成，也可實現基于模型自動識別圖形中的關鍵結構。在配電網數字化規劃中，計算機視覺（computer vision，CV）技術是解決配電網圖紙到可計算模型的有效工具，圖論（graph theory，GT）/復雜網絡（complex network，CN）理論是解決可算模型到配電網圖紙的有效方法。

3.2.1 多源圖紙識別

配電網規劃系統需要參考多種類型圖紙，涉及電氣接線圖紙、無人機巡線航拍圖、數字政府控規圖等，既有靜態圖也有動態圖。許多圖片背后并無圖元模型，依賴人工識別并導入系統需要耗費大量的人力資源。但是，CV 技術的蓬勃發展給電氣領域多源圖紙識別帶來了福音，可以部分取代人工識別并導入數字化規劃系統。多源圖紙識別流程如附錄B 圖B1 所 示。

1）結合配電網接線圖，基于圖元識別、文字識別、接線關系識別算法，可自動將圖紙轉化為可計算的電網拓撲模型，“一鍵完成”配電網規劃與計算分析［32，36］。

2）結合控規圖的地塊信息，自動識別出控規圖中可走線的管廊、交通路網、控制性詳細規劃地塊等，這些信息將影響配電網自動規劃模型的決策空間集合，是開展配電網數字化規劃的關鍵，也是目前理論研究難以落地到工程應用的“癥結”所在［37］。

3）結合無人機航拍巡線動態圖，采用動態目標檢測算法，可實時、快速地更新現有的數字化配電網系統中的線路信息、管廊信息、桿塔信息等。

3.2.2 拓撲智能分析

從圖像圖紙到圖拓撲后，得到的是抽象的公共信息模型（common information model，CIM），其中詳細包含了配電網中各類元件的詳細描述，包括配電變壓器、開關、桿塔、電房、線路等，并運用統一建模語言（unified modeling language，UML）描述各個元件的屬性以及相互關系。打通拓撲智能分析的關鍵一步，是針對具體計算應用場景，實現解析后元件的計算機自動建模，發現圖形背后隱含的信息并指導規劃人員開展規劃工作。以電網拓撲為例，本文將不同應用場景下的拓撲建模方式進行總結［38-41］，即“圖模型”的構建，如附錄B 圖B2、表B1 和圖B3所示。

“開環運行，閉環設計”的配電網天然具備豐富的拓撲信息。因此，在完成拓撲建模后，可運用GT、CN、圖神經網絡（graph neural network，GNN）等方法，挖掘拓撲結構的隱藏特征，開展拓撲智能分析。

1）GT 是拓撲智能分析的“驅動器”，豐富了配電網規劃拓撲分析的手段。從鄰接矩陣出發，計算奇異值序列、譜半徑、譜寬度、代數連通度等，用于描述兩個拓撲結構之間的相似度，可基于這一原理快速計算可靠性指標［42］。在定義節點電氣距離的基礎上，基于集群的模塊度可開展微電網集群劃分［43］；采用生成樹模型或樹形編碼可以有效描述配電網輻射狀運行拓撲［44］，也有基于“供電 環 路”［45］“虛擬功率流”［46］描述有源配電網的輻射狀運行拓撲。

2）CN 是拓撲智能分析的“模擬器”，揭示了配電網網架的演化規律。通過計算網架的度、介數、網絡流、聚類系數等，可揭示網架的內在性質，包括配電網的健壯性［47］、堅強度［48］、抗毀度［49］等指標。此外，根據真實網絡中負荷增長、人類活動以及城市發展規律，基于Barabási-Albert 無標度網絡、隨機網絡、小世界網絡等模擬配電網的時空演化模式，指導配電網規劃人員開展網絡規劃［50-51］。

3）GNN 是拓撲智能分析的“計算器”，提升了配電網規劃分析的效率。以拓撲結構作為輸入的GNN，可結合GT 和CN 的指標，作為GNN 訓練的特征指標或者先驗知識提升GNN 提取拓撲特征的能力，結合“遷移學習”“元學習”的思想完成配電網指標的快速計算［52-53］。

GT、CN、GNN 這三者之間相互支撐，其在數字化配電網中的應用框架如附錄B 圖B4 所示。首先，在配電網規劃系統中將多模態數據進行展示，多模態數據的底層由算法進行識別與提取。然后，開展數據解析及校核，多模態數據在不同指標計算場景中對拓撲數據的建模方式有所不同，需要進行分類建模。在拓撲建模的基礎上，開展配電網拓撲智能分析（“圖計算”），可快速得到規劃的各類指標，同時，傳遞給規劃人員和決策智能體。隨后，結合規劃人員的經驗知識和偏好選擇，開展人機協同規劃決策。最后，將規劃結果顯示在圖形界面上，閉環完成人機協同配電網拓撲智能分析。

3.3 配電網規劃中的模型-數據融合技術

一方面，配電網機理模型可以準確刻畫物理特性與規律，但復雜對象、約束和任務難以建模，且優化模型難以集成和落地應用；另一方面，海量的數據蘊含豐富的信息，是刻畫不確定性的關鍵元素，但傳統數據驅動方法缺乏可解釋性，難以應用到對可靠性要求較高的場景中。

傳統的模型數據融合驅動難以提煉數據和模型背后隱含的知識。受“混合增強智能”［10］的啟發，本文在深度融合機理模型和多源數據的基礎上開展智能決策，提出知識驅動的負荷畫像構建中長期負荷預測和智能規劃決策技術。

3.3.1 配電網負荷畫像構建

負荷畫像是一種基于用戶數據從整體上定義標簽來刻畫負荷曲線的工具，在精準負荷預測、新增負荷業擴報裝、需求響應潛力評估、問題庫生成等新型配電網規劃工作中有著巨大的應用空間，其整體框架如附錄C 圖C1 所示。為了將負荷畫像構建技術搭建于電網公司數據中心分節點之上，本文從知識驅動的角度，對負荷畫像構建過程中數據質量提升、用戶畫像構建和行業畫像構建進行歸納總結。

1）數據質量提升。在實際生產環境中，負荷畫像構建技術需要以營銷、計量、氣象、經濟等海量真實數據為基礎。由于測量因素或人為因素會出現一定的異常值［54-64］和缺失值［65-69］，負荷畫像構建效果受到影響。針對負荷數據缺失值和異常值，基于相似日替代、行業曲線規律等業務知識，進行數據填充；針對低分辨率數據，受AI 在圖像識別領域的啟發，采用數據超分辨率重建方法可以有效提升負荷數據質量［70-72］。不同數據質量提升方法的優缺點總結如附錄C 表C1 所示。

2）用戶畫像構建。電網企業主要關注用戶在基本屬性、用電行為、繳費行為和訴求行為等方面的差異，開展電力用戶個體畫像的構建。通過對電力用戶在日、月、季、年不同時間維度和頻域維度上的負荷曲線和負荷特征分析，分別提取用戶畫像在不同時間尺度和頻率尺度上的畫像特征，構建多尺度下立體的電力用戶畫像。

3）行業畫像構建。傳統電力用戶畫像提供的價值信息有限，難以充分提煉數據和模型背后隱含的知識。結合傳統電力用戶畫像的定義，開展行業畫像構建，以各行業電力用戶為對象，借助知識工程驅動與挖掘技術，從行業生產規模、行業用電模式、行業行為模式及行業用電地點全方位出發，開展特征分級并賦予標簽，結合業務需求場景，搭建出立體的行業虛擬模型，即行業畫像［73］，其應用框架如附錄C圖C2 所示。

3.3.2 配電網中長期負荷預測

區別于短期負荷預測，中長期負荷預測具有預測樣本少、周期長、影響因素多等特點。因此，中長期負荷預測是一個多維度、非線性問題。模型-數據融合的知識驅動能夠充分挖掘電網的拓撲特征、發展規律，提高中長期負荷預測的時空精細化程度。在新型配電網數字化規劃的背景下，知識驅動的中長期負荷預測基本框架如附錄C 圖C3 所示。

1）多源海量數據融合。電力負荷的變化趨勢受多個方面的影響，需要系統、廣泛地融合多源數據，如負荷數據、網架數據、臺賬數據、氣象數據、疫情數據等，構建面向配電網規劃業務的“數據圖書館”。在數據形式方面，可采用關系型表格數據并通過設備ID 或名稱進行屬性自動關聯，或基于Neo4j 知識圖譜進行導入圖結構數據構建；在多源數據時間斷面的對齊方面，可將中長期歷史負荷數據設置為主時間軸并賦予時間標簽Tl及其緩沖區Dbuf，根據不同來源數據的時間標簽落在主時間軸上對應的Tl的緩沖區完成多源數據時間斷面的對齊與融合；在數據接口方面，為滿足數據訪問的便捷性、降低廣泛部署的資源損耗，可統一數據接口，并采用如Browser/Server（B/S）架構設計來獲得數據資源。

2）數據處理與特征挖掘。在數據處理方面，中長期負荷預測的開展依賴于樣本數據的質量，數據質量提升可參考3.3.1 節。在中長期負荷預測中，結合知識驅動可將復雜預測任務進行分解。例如，對于含新能源出力的母線負荷數據，通過“盲源分離”等方式分解出相應的數據序列。對于配電變壓器無序多變的歷史數據，可嵌入領域知識完成轉供電識別，通過數據處理提升現有數據的質量和豐富度。在特征挖掘方面，結合業務知識設計各類計算指標，如日負荷變化指標、多元特征的相關因素等，揭示數據的分布規律，從而為建模的開展提供數據支撐。

3）多維度模型構建。數據的變化規律和內在機理將影響AI 預測模型的構建，相關負荷預測模型已在附錄C 表C2 中進行總結。在模型選擇上充分考慮多源數據的表現特性，從多維度構建智能化預測模型，聯合多層級的電力數據、多時空數據進行建模，實現從海量多層級數據中挖掘關鍵知識，提高預測模型精度。

4）智能模型管理。由于預測模型一般基于歷史數據進行訓練構建，難免存在特征場景不足等問題。因此，當有新訓練樣本導入系統中時，應對已有模型適量地進行調整更新，從而讓模型獲得關于電力負荷預測任務更多的參數知識，提高模型的適應性和精度。在實際應用過程中，往往需要研究人員根據歷史經驗選擇相應的AI 預測模型，僅依賴人類歷史經驗需消耗較多時間且難以充分結合歷史經驗數據。因此，可引入智能體對多個模型進行集成決策，讓智能體選擇合適的模型開展預測任務，代替人為選擇，提高智能預測水平，中長期負荷預測框架如附錄C 圖C4 所示。

3.3.3 配電網智能規劃決策

配電網智能規劃決策主要包括3 個方面的內容:多環節自動建模、規劃模型的求解算法、復雜問題的處理技巧。

1）多環節自動建模

DNPM 是一個典型的優化問題，其緊湊形式的數學模型可表示為:

式中:cI(x)為配電網線路、開關、電源等規劃方案x對應的投資成本；cO(x，y)為該投資建設方案下基于運行策略y的運行成本；cR(x，z)為該投資建設方案下的可靠性成本；z為可靠性輔助變量；f(x，y)為運行規劃一體化約束集；g(x，z)為可靠性約束集；D為離散決策空間。

規劃決策變量x往往是決策空間D中的離散元素。因此，DNPM 往往是復雜的混合整數規劃（mixed-integer programming，MIP）問題，是典型的非 確 定 性 多 項 式 困 難（non-deterministic polynominal hard，NP-hard）問題，求解計算時間隨輸入規模的增大呈“指數”增長。

DNPM 是通用模型，具體形式需要結合特定規劃場景進行細化。首先，其規劃的對象有所不同，包括交直流配電網［74］、信息物理耦合配電網［75］、綜合能源接入配電網［76］等；其次，規劃的內容不同，包括網架規劃、電源規劃、設備配置等；接著，規劃的邊界條件不同，包括新建區域配電網［37］和存量區域配電網擴展規劃［77］；最后，根據問題耦合的情況進一步劃分，包括多階段耦合、多區域耦合、多層級耦合等。各個環節的邏輯關系梳理如附錄C 圖C5 所示。配電網智能規劃存在多種組合，在規劃對象、決策內容、決策邊界、問題形式確定的情況下，決策變量、約束條件以及目標函數也可隨之確定，進而實現DNPM 的自動構建。

2）規劃模型的求解算法

在求解算法上，可分為經典數學優化方法和元啟發式優化算法。經典數學優化算法（分支定界算法、L-shaped 算法、Benders 分解算法等）求解質量高、理論性強，但存在求解速度慢、通用性差等問題。元啟發式優化算法（進化算法、群智能算法、物理原理驅動算法）便于處理非凸非線性模型，廣泛適用于多種類型的規劃問題，雖然其可能陷入局部最優，但是求解速度可控且適應性強。在求解DNPM時，應綜合考慮問題特點、求解時間、求解精度、通用性等因素選擇合適的算法，兩者亦可“雙劍合璧”，形成高效的混合算法。

3）復雜問題的處理技巧

復雜規劃模型往往難以用算法實現高效求解，為了提升配電網規劃智能決策的效率和質量，可將人類的經驗知識嵌入規劃模型中。處理技巧總結如下:

（1）空間解耦。結合地理控規圖，按照用地性質、園區類型、網格劃分等原則，將規劃片區劃分為若干小的區域，對小區域進行優化規劃，再對區域之間開展聯絡線規劃［78-79］。此時，DNPM 被劃分為多個小模型，決策空間D得以有效縮減，可顯著減少優化計算時間。

（2）時間解耦。對于配電網中的多階段隨機規劃問題，運籌學家Bellman 提出了近似動態規劃（approximate dynamic programming，ADP），其基本思想如式（3）—式（5）所示。

式中:t為規劃階段；E[·]為期望值函數；Δt為每兩個規劃階段之間的時間跨度；(xt)為t階段后續的值函數近似成本。

式（3）表示多階段t成本求和形成的全局規劃目標，為了處理全局規劃求解的復雜性以及后續規劃階段的不確定性，利用各階段的轉移及約束關系，將t階段后續的成本用數學期望進行描述，將原問題式（3）進行時段解耦，形成式（4）；式（5）表示t階段后續的值函數近似成本(xt)替代，逐個求解單階段優化問題式（5），解決“維數災難”問題［77］。

（3）輕模型代理。雖然精細化模型提升了規劃的精細化程度，但配電網規劃涉及線路投建、設備選型、拓撲建模等，往往包含大量離散決策變量和非線性約束，構成超大規模MIP、非線性規劃問題，阻礙了其落地應用。為提升DNPM 求解效率，可考慮運用ML 算法，將DNPM 中的非凸/非線性部分轉化為一系列線性約束的代理模型［80］，實現輕模型的快速求解，如式（6）所示。

式中:fNLP(x，y)為非線性/非凸函數；fLP(x，y)為線性代理函數。

3.4 配電網規劃中的圖形-數據融合技術

一方面，配電網規劃設計多種類型圖紙且各類規劃圖功能單一，圖形與數據耦合程度低，無法計算和關聯各類規劃數據指標；另一方面，各類規劃計算指標數據以多張Excel 表進行保存，可視化程度較低，不便于規劃人員更清晰、直觀地了解配電網全貌。

為了解決圖形和數據的聯動問題，需要突破兩項關鍵技術:多模態數據融合和圖形數據的時空融合。

3.4.1 面向配電網規劃的多模態數據融合

多模態數據融合是實現圖形、數據融合的基礎［81］。面向新型配電網數字化規劃的多模態數據融合技術框架總結如附錄D 圖D1 所示。

1）電網數字平臺、衛星圖像、數字政府、能源數字平臺等大系統的融合，本質是完成電力網絡-信息通信網絡-道路交通網絡-綜合能源網絡等不同形式的網絡的耦合，在打通耦合節點的數據關系后，可實現不同形式的網絡融合與多維度數據的呈現，助力CN 耦合下的分析。

2）多層級電網拓撲可以實現自動關聯，在圖紙識別的基礎上，實現從輸電網拓撲-廠站級拓撲-中壓線路-中低壓設備的多層級聯通，以及規劃常用4 類圖單線圖-環網簡圖-電氣聯絡圖-網格地理沿布圖的“電網一張圖”。各類圖形之間的轉化關系可參考附錄D 圖D2，支持規劃人員通過關鍵節點自動索引到不同層級、不同圖層的位置。

3）電網規劃人員面臨的各類圖紙對數據的要求有所不同，基于CIM 數據可解析得到配電網規劃專用一套“數”（scx 文件），進行多圖轉化并開展高級應用［82］，包括空間負荷預測、規劃問題上圖定位、規劃方案上圖編制、規劃指標自動計算、多類圖紙無縫銜接，清晰直觀地了解多類圖形及其相應的規劃指標，最終實現規劃報告一鍵編制。

3.4.2 圖形數據的時空融合

圖形-數據融合的一大特點是數據的變化直觀地在圖形上呈現，數據的時間特性和圖形的空間特性深度融合，數據的變化體現在圖形的演變上。時空融合是一種將時間和空間信息融合開展分析和預測的方法，可在不同的時間和位置對數據進行比較，發現它們之間的聯系并預測未來的發展趨勢。圖形-數據的時空融合，需構建配電網歷史態-現狀態-規劃態方案庫（三態方案庫），在此基礎上開展機器推演計算。

在配電網三態方案庫構建過程中，需多人協同完成編制和校驗。為克服多規劃方案可能存在的沖突問題，本文提出建設配電網規劃系統Git 共享方案數據庫，功能特點總結詳見附錄D 圖D3。

1）時間軸:歷史態方案直接從某個時間斷面導出數據即可，現狀態數據是電子化移交后的版本，規劃態可能涉及多個時間斷面的規劃。業務人員開展規劃操作時，將智能鎖定操作中的饋線，避免方案重復編制，詳見附錄D 圖D4。完成編制后，將在“共享”方案庫中對每個規劃方案打上相應的時間標簽，結合時間前后的邏輯關系進行沖突校驗，如接線模式退化、存在規劃態網架問題等，形成規劃態配電網“先驗”問題庫。

2）空間軸:同一時間斷面上的規劃方案中可能存在空間邏輯上的沖突，如間隔占用、配電變壓器、線路以及變電站的建設和布局，基于“共享”方案庫可以快速提示規劃人員存在沖突的地方。完成編制后，在空間縱軸上對每次形成的規劃方案進行沖突檢測，如規劃網架存在自環、孤島、非典型接線等事件進行沖突檢測，形成配電網規劃事件型問題庫。

隨著時間軸的推移，后續時間斷面的規劃態將自動繼承先前時間斷面的方案，三態圖形方案通過讀取不同時間斷面的數據自動成圖。在圖形上的一系列規劃操作也將自動映射到“共享”方案數據庫，實現歷史態-現狀態-規劃態配電網規劃數據和圖形在時間縱軸上同時呈現。

在機器推演計算方面，受薛禹勝院士所提“沙盤推演”［83］的理論啟發，提供“歷史-平行-未來”多時態場景的推演計算，分析新型配電系統多態勢邊界條件下的演化規律與演化路徑，實現宏觀、微觀相結合的高精度復盤及推演仿真。

1）多時態自動推演計算。數字化配電網規劃系統需搭建規劃尺度跨領域仿真平臺［84］，基于歷史態配電網負荷、新能源數據以及外源氣象數據、人口流動數據等，內嵌運行優化模擬與推演預測模塊，平行孿生多個現狀態場景，并通過現狀態持續更新、修正未來態規劃方案及其關鍵指標。

2）多態勢自動推演計算?？紤]到負荷、新能源具有強不確定性，結合3.3.2 節中長期預測方法，基于異速生長規律對負荷、新能源組合下的高、中、低態勢開展網架拓撲的推演分析［85］，為人機互動開展配電網規劃提供依據。

3.5 圖形-模型-數據融合智能規劃數字化決策系統

配電網數字化規劃工程的落地應用主要體現在軟件系統的開發和實踐中。

圖形、模型、數據三者之間有著密不可分的聯系:圖形智能化操作與展示離不開模型的支撐，模型的構建和優化計算離不開數據的支撐，圖形的多維度立體化展示離不開多源異構數據的支撐。新型配電網數字化規劃需要在完成兩兩融合后，將其進行有機融合。圖形-模型-數據融合新型配電網數字化規劃決策系統的基本框架如圖4 所示，其特征在于以算法為核心，將圖形-模型-數據三者進行相互融合。

圖4 新型配電網圖形-模型-數據融合數字化規劃決策系統框架Fig.4 Framework of graph-model-data fusion for new distribution network digital planning system

1）在數據層面，基于知識驅動開展自動數據清洗，基于AI 智能識圖打通圖形到數據的關聯性，支持與云端數據庫進行存取交互操作，并將多源數據指標展示到圖形界面上。

2）在模型層面，可結合規劃相關基礎數據，構建配電網智能規劃“決策器”和“計算器”，并將規劃結果展示到圖形界面上，通過高級計算指標和輔助決策方案指導規劃人員開展精細化規劃。

3）在圖形層面，支持地理沿布圖、環網簡圖、電氣聯絡圖等多類型圖紙自動轉化，支持規劃方案智能生成與多人協同、人機協同規劃，提升電網規劃人員的工作效率。

4 新型配電網數字化規劃未來展望

“以人為主，機器為輔”向“以機為主，人機協同”轉化已成為配電網規劃運行必然的發展趨勢，其核心理念在于，構建面向配電網規劃業務的電力大模型，代替配電網規劃“數據解析-需求明確-方案生成-校核實施”四大環節中的人工參與。如上所述，配電網圖形-模型-數據融合技術為新型配電網數字化規劃建設提供了有效的數據透鏡，實現了多數據平臺下圖形-模型-數據的高效轉換，特別是“數據解析”環節的自動化。在此基礎上，如何實現“需求明確-方案生成-校核實施”三大環節的智能化、自動化是配電網規劃有待深入研究的內容。為此，本文基于當前規劃流程存在的問題以及現有技術基礎對未來新型配電網數字化規劃形態進行展望。

1）規劃需求形成的智能化

規劃需求是配電網規劃任務的方向標，但當前需求的形成很大程度上依賴于業務人員的全程參與。業務人員根據經驗對配電網系統實際運行狀態進行分析，確定規劃對象、具體任務及建設資源邊界。受限于人的經驗，規劃需求的形成通常面臨著時間長、片面化等缺點。因此，智能化的規劃需求形成方法成為確保新型配電網數字化規劃建設方向有效性的基礎工具，具體的技術手段包含但不限于:（1）利用配電網薄弱環節辨識技術［86］，實現配電網關鍵設備的精準快速定位，實現規劃對象智能化生成，縮短規劃需求形成的時間；（2）基于配電系統風險演變分析技術［87］，動態捕捉配電網運行風險變化軌跡，實現配電網規劃目標的智能化明晰，保障規劃需求形成的全面性。

2）規劃方案生成的自適應化

規劃方案生成是整個規劃的核心。當前，已有大量的規劃研究人員對其展開針對性討論，提出了豐富的優化模型及相關聯的優化算法［88-90］，實現了規劃方案的智能生成。然而，不同的規劃模型與方法各有其適用的處理對象，如兩階段魯棒適用于隨機性較強的配電網場景［91］，而園區微網這類對電能質量具有需求的規劃場景則需要將頻率約束納入考慮［92］。在具體的工程應用中，規劃模型和算法選擇依賴于研究人員對規劃任務的分析與研究，可拓展性弱且經驗依賴性強。為實現精細化智能規劃，未來配電網規劃生成方法需要具備自適應的能力，自動形成適用于規劃任務的規劃方案生成模型及求解算法。因此，自動ML 技術是現階段較為理想的技術途徑［93］，其思想在于通過ML 方法自動地完成特征工程、模型調整、模型評估，實現算法模型的自適應學習與應用［94-96］。將自動ML 技術融入配電網規劃方案生成中，是保障規劃方案精準生成的有效手段。

3）實施方案調整的自動化

規劃方案在具體實施過程中需要結合政府控規圖、地形圖以及施工條件等多個因素做出調整，這同樣需要經驗豐富的工程人員干預處理。但實際上這類調整通?？捎梢巹t性較強的約束進行規范。此類規范可通過當前發展迅速的自然語言處理技術進行知識提?。?，97-98］，并利用決策樹［99-100］等經典算法對規則類知識進行學習轉化，從而形成實施方案自動調整模型。

4）“人機協同”的簡易化

上述未來新型配電網數字化規劃形態的有效實施將專業人員的經驗知識映射至上層一系列的智能模型之中，最大程度降低人工在“需求明確-方案生成-校核實施”三大環節的參與程度。然而，智能模型的可解釋性當前還有待深入研究［10］。因此，在其可靠性和安全性有待驗證的未來，配電網規劃有必要提供有效的人工干預途徑，即簡易化的“人機協同”方式。具體而言，“人機協同”路徑需要具有兩方面特征:

（1）良好的可視化展示手段。將智能模型的規劃收益、規劃模型以及規劃結果進行全面的可視化展示，為專業人員了解規劃生成全流程及其結果提供動態窗口。

（2）有效的人工反饋機制。智能模型的形成是一個動態學習的過程，專業人員針對模型決策存在的問題進行總結，并以損失函數或其他方式經反饋機制傳遞回智能模型中，幫助其學習。

綜上所述，本文設想的未來新型配電網數字化規劃形態如圖5 所示。

圖5 未來新型配電網數字化規劃形態Fig.5 Digital planning form of new distribution network in future

由圖5 可見，相較于傳統規劃路徑依賴于人工的深度參與，未來智能規劃路徑依托圖形-模型-數據融合技術及新型配電網數字化規劃形態展望中所提技術，將人工參與層中各類知識映射至自動規劃決策模型中，實現規劃任務的智能自動生成。不同領域的專家僅需通過人機交互層，即可實現對自動規劃決策模型的全面觀測以及針對性調整，最終實現配電網規劃“以機為主，人機協同”的理想形態。

5 結語

本文針對新型配電網數字化規劃發展客觀需要，從圖形-模型-數據深度融合的角度出發，分析了國內外配電網規劃技術發展現狀，探討了配電網數字化規劃的未來解決思路和關鍵技術，包括圖形-模型融合技術、模型-數據融合技術、圖形-數據融合技術，嘗試在新型配電網規劃的各個環節引入大數據處理方法、優化計算方法、AI 方法，提升機器自主分析、自主決策的質量和效率，并對未來新型配電網數字化規劃進行了展望。

隨著電網企業數字化轉型的深入，圖形-模型-數據將進一步深度融合，提升配電網規劃業務的知識自動化程度，逐漸實現從“以人為主，機器為輔”到“以機為主，人機協同”的轉變，發現規劃人員憑借導則與經驗未能發現的薄弱環節并生成智能規劃方案，顯著提升電網規劃的經濟效益和智能化程度，持續助力新型電力系統的數字化變革。

本文撰寫得到南方電網數字電網集團有限公司、東莞供電局、北京國科恒通科技股份有限公司及廣州致訊信息科技有限責任公司等單位幫助，特此感謝！

附錄見本刊網絡版（http：//www.aeps-info.com/aeps/ch/index.aspx），掃英文摘要后二維碼可以閱讀網絡全文。