支撑新型配电网数字化规划的图形-模型-数据融合关键技术

余 涛，王梓耀，孙立明，2，曹华珍，吴亚雄，，吴毓峰

（1.华南理工大学电力学院，广东省广州市 510640；2.广州水沐青华科技有限公司，广东省广州市 510898；3.广东电网有限责任公司电网规划研究中心，广东省广州市 510080）

0 引言

以新一代数字技术为代表的第4 次工业革命（Industry 4.0）［1］正在向社会各领域全面渗透，中国在数字中国、能源革命等方面做出一系列重大决策部署，积极推进产业数字化发展［2-3］。为抓住数字化革命的发展机遇，中国南方电网有限责任公司于2019 年提出“数字电网”并于2020 年发布《数字电网白皮书》［4］，旨在打造数字电网的生态体系，建设电网“一张图”［5］，提升电网的智能化、便捷化、信息化水平。此外，能源转型背景下，新型电力系统产生了许多新的场景和形态，传统的配电网规划方法不再适用，亟须对其背后的物理规律和计算方法开展新的研究。

在能源电力行业发展的同时，人工智能（artificial intelligence，AI）技 术 也 在 高 歌 猛 进［6］。Hinton 于2006 年在Science 期刊上发表关于深度学习（deep learning，DL）的文章［7］，自此拉开现代机器学习（machine learning，ML）的序幕；随后，Alpha Go战胜围棋世界冠军李世石［8］，标志着AI 与人类开始同台竞技并走向大众；近期，Open AI 推出的聊天机器人ChatGPT［9］，其能够像人类一样进行互动并完成代码编写、文案创作、逻辑推理等。已有大量研究人员将AI 技术中的DL、强化学习（reinforcement learning，RL）、知识图谱（knowledge graph，KG）等应用到电力系统的感知、预测、控制与调度中［10-13］，在提升决策速度、决策质量和自动化水平上取得了可喜进步。但是，由于配电网规划业务点多面广、场景众多、流程复杂，难以用统一的语言（统一的图形、统一的模型、统一的数据底座）来描述这一系统工程，目前的研究和应用仍处于初始阶段。

数字电网平台和新一代计量自动化系统的部署和发展在各环节中积累了海量的数据［14-15］，为新型配电网计算和优化模型的持续发展奠定了模型计算的基础［16-17］。同时，计算机领域的图数据和图计算取得了巨大成功［18］，为实现面向机器自主优化决策的配电网数字化规划提供了重大机遇和强力支撑。如何构建一套联通图形-模型-数据的配电网规划框架，是一项涉及多学科交叉的、高度复杂的系统性工程，也是在新型配电网规划领域实现机器自主决策优化的关键。

面对上述机遇与挑战，本文从深度提升配电网规划数字化水平的角度出发，提出一套图形-模型-数据深度融合算法驱动的新技术。首先，介绍配电网数字化规划的发展历程；其次，归纳出当前新型配电网数字化规划在图形-模型-数据方面所面临的挑战；然后，从图形-模型融合、模型-数据融合、图形-数据融合3 个方面归纳关键技术以及图形-模型-数据融合在数字化系统的集成方法；最后，从前瞻性发展的角度，尝试提出配电网数字化规划的未来形态和发展趋势。

1 新型配电网数字化规划的发展历程

配电网规划业务包括负荷预测、空间负荷分布分析、变电站选址定容、线路网架设计、用户报装等［17］，其本质内容可理解为数据分析、图形绘制、模型计算。回顾配电网规划的发展历程，其重大发展均伴随着图形、数据、模型的突破，本文将其总结为4 个发展阶段，如图1 所示。

图1 配电网数字化规划发展历程Fig.1 Development history of digital planning of distribution network

第1 阶段是手工编制规划时代。受限于数据的信息化存储、电力系统计算模型、规划图纸的电子化上图，配电网规划业务的开展需大量依赖规划人员的经验知识，并结合计算器和手工绘图开展配电网规划工作［19］。

第2 阶段是计算机辅助工具时代。由于电力系统计算模型的突破，粗放计算逐渐转向MATLAB等计算机软件辅助的精细化计算。计算机图形化技术的发展也促使规划图设计转向以AutoCAD 为主的计算机辅助绘图［20-21］，并推动面向电力系统业务的地理信息系统（geographic information system，GIS）建设［22-23］。

第3 阶段是规划辅助软件时代。随着配电网规划 模 型（distribution network planning model，DNPM）、优化决策方法的发展，出现了配电网规划专用软件［24-31］，可以部分替代人工开展规划决策。此阶段配电网规划的主要特点是“以人为主，机器为辅”。

第4 阶段是数字化规划时代。“数字电网”和“数字政府”的接入带来了海量的数据信息［32］，AI 技术和电力系统有望结合，AI 技术的发展也推动配电网规划智能化迈向更高的台阶，此阶段配电网规划朝着“机器为主，人机协同”的方向快速发展。

可以看出，配电网规划取得的突破都伴随着图形、模型、数据的发展。近年来，AI 技术飞速发展，为机器替代人类完成关键决策，融合贯通图形-模型-数据，实现深度数字化规划奠定了坚实的基础。

2 新型配电网数字化规划的关键问题及内涵

本章归纳了实现新型配电网数字化规划在图形、模型、数据上所面临的三大挑战。在此基础上，围绕图形-模型-数据融合提出了4 个关键问题，并结合配电网数字化规划的背景知识，丰富和补充图形、模型、数据的内涵。

2.1 实现新型配电网数字化规划的主要挑战

传统的配电网规划通常包括负荷特性、负荷预测、电源规划、电网规划、设备配置。由于分布式新能源接入、电能替代、电力电子化以及数字化技术的应用，配电网具备新的形态和特征，逐渐演化为新型配电网［16-17］，将面临图形多样化、场景碎片化、数据规模化三大挑战。

1）图形多样化。新型配电网打破了不同行业的壁垒，数字政府、综合能源、信息通信网络的接入形成多网耦合，海量异构图纸难以进行有机整合和清晰、便捷地检索与展示。

2）场景碎片化。随着新能源渗透率的提升、新型负荷的接入以及交直流网架的应用，源、网、荷侧产生显著的变化。碎片化的场景需要通过组合的解决方案或特定的模型进行求解，配电网规划决策的时间复杂度和空间复杂度呈指数级增长。

3）数据规模化。信息化水平的提升以及智能表计的安装，使电网企业积累了海量的数据资源（广东省全域电能表计量数据达PB 级），地市供电企业每年花费在数据治理和台账更新上的资金动辄上千万元。

2.2 图形-模型-数据融合驱动新型配电网数字化规划中的关键问题

新一代配电网规划在图形的联动展示、模型的智能构建、多源数据的自动融合等方面存在多重困难，图形-模型-数据融合算法驱动的新型配电网智能规划新技术有望解决这一难题，其关键问题可拆解为3 个理论问题和1 个集成应用问题:

关键问题1:如何实现图形和模型之间的自动联通？面向配电网规划的图形和模型自动联通包含2 个层面的过程:一是如何识别提取图形中的配电网模型；二是如何利用配电网模型实现图形中的网架结构识别与计算。

关键问题2:如何实现模型和数据的深度结合并高效利用？传统的模型数据融合驱动难以有效地挖掘和利用领域知识，无法完成更细颗粒度的负荷与新能源推演分析。理论规划优化模型与规划工程之间脱节严重，如何嵌入领域知识以引导数据的自动处理与模型的自动构建是实现模数深度融合的关键。

关键问题3:如何提高图形和数据之间的联动程度？对于配电网规划在时间横轴上将形成多个规划方案，在版本纵轴形成多个规划方案，如何实现多模态数据以及三态图形（历史态、现状态、未来态）的融合、继承与冲突检测，清晰直观地了解配电网全貌是提高图数联动程度的关键。

关键问题4:如何开发一套图形-模型-数据融合驱动的配电网智能规划系统？目前，国内外已有多家单位开发了各具特色的配电网规划工具［33-35］（具体总结如附录A 所示），但尚未具备成熟的配电网规划软件系统地支撑实现新型配电网智能规划，大量的决策过程仍旧依赖于人工经验判断。

2.3 图形-模型-数据融合数字化规划的关键概念解析

不同学科和专业对于图形、模型、数据的理解有所不同。本文从配电网数字化规划的角度出发，丰富和补充图形、模型、数据的内涵。

1）图形可以理解为“图拓扑”“图像”，是数字化配电网的“面貌”，其主要功能是多维度、直观、丰富地展示配电网信息；

2）模型是电力系统图元模型、可计算模型、优化模型，是数字化配电网的“骨架”，其主要功能是将关键信息进行提炼并传递给机器；

3）数据指多源异构的数据，包括可扩展标记语言（extensible markup language，XML）数据、台账数据、营销数据等，是数字化配电网的“血液”，其主要功能是驱动模型计算和图形展示。

配电网规划的图形、模型、数据三者之间有着密不可分的联系，如图2 所示。图形智能化操作与展示离不开模型的支撑，模型的构建和优化计算离不开数据的支撑，图形的多维度立体化展示需要多源异构数据的支撑。三者之间相互依赖、相互补充，完成两两之间的融合贯通是实现配电网规划图形-模型-数据融合的基础条件。

图2 配电网规划领域的图形-模型-数据融合关系图Fig.2 Relation graph of graph-model-data fusion in field of distribution network planning

3 新型配电网数字化规划的关键技术

3.1 数字化规划主要突破方向

由上述分析可知，实现新型配电网数字化规划的突破方向是图形-模型-数据深度融合驱动的新技术。以算法为核心“大脑”，将模型、数据、图形三者进行深度融合，实现“以机为主，人机协同”的配电网数字化规划。

对应于2.2 节中所提出的3 个理论难题和1 个集成应用难题，本文将实现图形-模型-数据融合的新型配电网数字化规划分解为3 个子问题，分别是“图形-模型融合”“模型-数据融合”和“图形-数据融合”，最终集成到图形-模型-数据融合配电网智能规划软件平台上，尝试从实现数字化的角度阐述新型配电网数字化规划的图形-模型-数据融合关键技术，如图3 所示。

图3 图形-模型-数据融合驱动的新型配电网数字化规划关键技术框架Fig.3 Key technical framework of digital planning of new distribution network driven by graph-model-data fusion

关键技术1:图形-模型融合。包含两方面内容:1）打通配电网规划图纸到可计算模型的自动生成，以支撑后续基于可计算模型开展各类规划指标的高级计算；2）基于模型算法实现配电网图拓扑的自动搜索和计算，充分挖掘图拓扑的结构特征。

关键技术2:模型-数据深度融合。需要将专业领域知识融入配电网规划中，结合“知识嵌入”来挖掘负荷/新能源中长期变化规律，并基于“知识驱动”完成AI 搜索的规划优化决策。

关键技术3:图形-数据融合。借助知识图谱实现面向配电网规划业务的多类图形和多源数据的融合，直观地展示和操作配电网图形，基于Git 共享开发模式开展多时空协同规划。

在上述3 项关键技术中，图形-模型融合是开展数字化规划的基础；模型-数据融合是深度提升数字化规划智能化水平的核心；图形-数据融合是提升人机协同规划的关键。3 项技术相互补充，助力图形-模型-数据融合配电网智能规划软件系统的开发。

3.2 配电网规划中的图形-模型融合技术

图形和模型二者的有机融合有望实现图形到模型的自动生成，也可实现基于模型自动识别图形中的关键结构。在配电网数字化规划中，计算机视觉（computer vision，CV）技术是解决配电网图纸到可计算模型的有效工具，图论（graph theory，GT）/复杂网络（complex network，CN）理论是解决可算模型到配电网图纸的有效方法。

3.2.1 多源图纸识别

配电网规划系统需要参考多种类型图纸，涉及电气接线图纸、无人机巡线航拍图、数字政府控规图等，既有静态图也有动态图。许多图片背后并无图元模型，依赖人工识别并导入系统需要耗费大量的人力资源。但是，CV 技术的蓬勃发展给电气领域多源图纸识别带来了福音，可以部分取代人工识别并导入数字化规划系统。多源图纸识别流程如附录B 图B1 所 示。

1）结合配电网接线图，基于图元识别、文字识别、接线关系识别算法，可自动将图纸转化为可计算的电网拓扑模型，“一键完成”配电网规划与计算分析［32，36］。

2）结合控规图的地块信息，自动识别出控规图中可走线的管廊、交通路网、控制性详细规划地块等，这些信息将影响配电网自动规划模型的决策空间集合，是开展配电网数字化规划的关键，也是目前理论研究难以落地到工程应用的“症结”所在［37］。

3）结合无人机航拍巡线动态图，采用动态目标检测算法，可实时、快速地更新现有的数字化配电网系统中的线路信息、管廊信息、杆塔信息等。

3.2.2 拓扑智能分析

从图像图纸到图拓扑后，得到的是抽象的公共信息模型（common information model，CIM），其中详细包含了配电网中各类元件的详细描述，包括配电变压器、开关、杆塔、电房、线路等，并运用统一建模语言（unified modeling language，UML）描述各个元件的属性以及相互关系。打通拓扑智能分析的关键一步，是针对具体计算应用场景，实现解析后元件的计算机自动建模，发现图形背后隐含的信息并指导规划人员开展规划工作。以电网拓扑为例，本文将不同应用场景下的拓扑建模方式进行总结［38-41］，即“图模型”的构建，如附录B 图B2、表B1 和图B3所示。

“开环运行，闭环设计”的配电网天然具备丰富的拓扑信息。因此，在完成拓扑建模后，可运用GT、CN、图神经网络（graph neural network，GNN）等方法，挖掘拓扑结构的隐藏特征，开展拓扑智能分析。

1）GT 是拓扑智能分析的“驱动器”，丰富了配电网规划拓扑分析的手段。从邻接矩阵出发，计算奇异值序列、谱半径、谱宽度、代数连通度等，用于描述两个拓扑结构之间的相似度，可基于这一原理快速计算可靠性指标［42］。在定义节点电气距离的基础上，基于集群的模块度可开展微电网集群划分［43］；采用生成树模型或树形编码可以有效描述配电网辐射状运行拓扑［44］，也有基于“供电 环 路”［45］“虚拟功率流”［46］描述有源配电网的辐射状运行拓扑。

2）CN 是拓扑智能分析的“模拟器”，揭示了配电网网架的演化规律。通过计算网架的度、介数、网络流、聚类系数等，可揭示网架的内在性质，包括配电网的健壮性［47］、坚强度［48］、抗毁度［49］等指标。此外，根据真实网络中负荷增长、人类活动以及城市发展规律，基于Barabási-Albert 无标度网络、随机网络、小世界网络等模拟配电网的时空演化模式，指导配电网规划人员开展网络规划［50-51］。

3）GNN 是拓扑智能分析的“计算器”，提升了配电网规划分析的效率。以拓扑结构作为输入的GNN，可结合GT 和CN 的指标，作为GNN 训练的特征指标或者先验知识提升GNN 提取拓扑特征的能力，结合“迁移学习”“元学习”的思想完成配电网指标的快速计算［52-53］。

GT、CN、GNN 这三者之间相互支撑，其在数字化配电网中的应用框架如附录B 图B4 所示。首先，在配电网规划系统中将多模态数据进行展示，多模态数据的底层由算法进行识别与提取。然后，开展数据解析及校核，多模态数据在不同指标计算场景中对拓扑数据的建模方式有所不同，需要进行分类建模。在拓扑建模的基础上，开展配电网拓扑智能分析（“图计算”），可快速得到规划的各类指标，同时，传递给规划人员和决策智能体。随后，结合规划人员的经验知识和偏好选择，开展人机协同规划决策。最后，将规划结果显示在图形界面上，闭环完成人机协同配电网拓扑智能分析。

3.3 配电网规划中的模型-数据融合技术

一方面，配电网机理模型可以准确刻画物理特性与规律，但复杂对象、约束和任务难以建模，且优化模型难以集成和落地应用；另一方面，海量的数据蕴含丰富的信息，是刻画不确定性的关键元素，但传统数据驱动方法缺乏可解释性，难以应用到对可靠性要求较高的场景中。

传统的模型数据融合驱动难以提炼数据和模型背后隐含的知识。受“混合增强智能”［10］的启发，本文在深度融合机理模型和多源数据的基础上开展智能决策，提出知识驱动的负荷画像构建中长期负荷预测和智能规划决策技术。

3.3.1 配电网负荷画像构建

负荷画像是一种基于用户数据从整体上定义标签来刻画负荷曲线的工具，在精准负荷预测、新增负荷业扩报装、需求响应潜力评估、问题库生成等新型配电网规划工作中有着巨大的应用空间，其整体框架如附录C 图C1 所示。为了将负荷画像构建技术搭建于电网公司数据中心分节点之上，本文从知识驱动的角度，对负荷画像构建过程中数据质量提升、用户画像构建和行业画像构建进行归纳总结。

1）数据质量提升。在实际生产环境中，负荷画像构建技术需要以营销、计量、气象、经济等海量真实数据为基础。由于测量因素或人为因素会出现一定的异常值［54-64］和缺失值［65-69］，负荷画像构建效果受到影响。针对负荷数据缺失值和异常值，基于相似日替代、行业曲线规律等业务知识，进行数据填充；针对低分辨率数据，受AI 在图像识别领域的启发，采用数据超分辨率重建方法可以有效提升负荷数据质量［70-72］。不同数据质量提升方法的优缺点总结如附录C 表C1 所示。

2）用户画像构建。电网企业主要关注用户在基本属性、用电行为、缴费行为和诉求行为等方面的差异，开展电力用户个体画像的构建。通过对电力用户在日、月、季、年不同时间维度和频域维度上的负荷曲线和负荷特征分析，分别提取用户画像在不同时间尺度和频率尺度上的画像特征，构建多尺度下立体的电力用户画像。

3）行业画像构建。传统电力用户画像提供的价值信息有限，难以充分提炼数据和模型背后隐含的知识。结合传统电力用户画像的定义，开展行业画像构建，以各行业电力用户为对象，借助知识工程驱动与挖掘技术，从行业生产规模、行业用电模式、行业行为模式及行业用电地点全方位出发，开展特征分级并赋予标签，结合业务需求场景，搭建出立体的行业虚拟模型，即行业画像［73］，其应用框架如附录C图C2 所示。

3.3.2 配电网中长期负荷预测

区别于短期负荷预测，中长期负荷预测具有预测样本少、周期长、影响因素多等特点。因此，中长期负荷预测是一个多维度、非线性问题。模型-数据融合的知识驱动能够充分挖掘电网的拓扑特征、发展规律，提高中长期负荷预测的时空精细化程度。在新型配电网数字化规划的背景下，知识驱动的中长期负荷预测基本框架如附录C 图C3 所示。

1）多源海量数据融合。电力负荷的变化趋势受多个方面的影响，需要系统、广泛地融合多源数据，如负荷数据、网架数据、台账数据、气象数据、疫情数据等，构建面向配电网规划业务的“数据图书馆”。在数据形式方面，可采用关系型表格数据并通过设备ID 或名称进行属性自动关联，或基于Neo4j 知识图谱进行导入图结构数据构建；在多源数据时间断面的对齐方面，可将中长期历史负荷数据设置为主时间轴并赋予时间标签Tl及其缓冲区Dbuf，根据不同来源数据的时间标签落在主时间轴上对应的Tl的缓冲区完成多源数据时间断面的对齐与融合；在数据接口方面，为满足数据访问的便捷性、降低广泛部署的资源损耗，可统一数据接口，并采用如Browser/Server（B/S）架构设计来获得数据资源。

2）数据处理与特征挖掘。在数据处理方面，中长期负荷预测的开展依赖于样本数据的质量，数据质量提升可参考3.3.1 节。在中长期负荷预测中，结合知识驱动可将复杂预测任务进行分解。例如，对于含新能源出力的母线负荷数据，通过“盲源分离”等方式分解出相应的数据序列。对于配电变压器无序多变的历史数据，可嵌入领域知识完成转供电识别，通过数据处理提升现有数据的质量和丰富度。在特征挖掘方面，结合业务知识设计各类计算指标，如日负荷变化指标、多元特征的相关因素等，揭示数据的分布规律，从而为建模的开展提供数据支撑。

3）多维度模型构建。数据的变化规律和内在机理将影响AI 预测模型的构建，相关负荷预测模型已在附录C 表C2 中进行总结。在模型选择上充分考虑多源数据的表现特性，从多维度构建智能化预测模型，联合多层级的电力数据、多时空数据进行建模，实现从海量多层级数据中挖掘关键知识，提高预测模型精度。

4）智能模型管理。由于预测模型一般基于历史数据进行训练构建，难免存在特征场景不足等问题。因此，当有新训练样本导入系统中时，应对已有模型适量地进行调整更新，从而让模型获得关于电力负荷预测任务更多的参数知识，提高模型的适应性和精度。在实际应用过程中，往往需要研究人员根据历史经验选择相应的AI 预测模型，仅依赖人类历史经验需消耗较多时间且难以充分结合历史经验数据。因此，可引入智能体对多个模型进行集成决策，让智能体选择合适的模型开展预测任务，代替人为选择，提高智能预测水平，中长期负荷预测框架如附录C 图C4 所示。

3.3.3 配电网智能规划决策

配电网智能规划决策主要包括3 个方面的内容:多环节自动建模、规划模型的求解算法、复杂问题的处理技巧。

1）多环节自动建模

DNPM 是一个典型的优化问题，其紧凑形式的数学模型可表示为:

式中:cI(x)为配电网线路、开关、电源等规划方案x对应的投资成本；cO(x，y)为该投资建设方案下基于运行策略y的运行成本；cR(x，z)为该投资建设方案下的可靠性成本；z为可靠性辅助变量；f(x，y)为运行规划一体化约束集；g(x，z)为可靠性约束集；D为离散决策空间。

规划决策变量x往往是决策空间D中的离散元素。因此，DNPM 往往是复杂的混合整数规划（mixed-integer programming，MIP）问题，是典型的非 确 定 性 多 项 式 困 难（non-deterministic polynominal hard，NP-hard）问题，求解计算时间随输入规模的增大呈“指数”增长。

DNPM 是通用模型，具体形式需要结合特定规划场景进行细化。首先，其规划的对象有所不同，包括交直流配电网［74］、信息物理耦合配电网［75］、综合能源接入配电网［76］等；其次，规划的内容不同，包括网架规划、电源规划、设备配置等；接着，规划的边界条件不同，包括新建区域配电网［37］和存量区域配电网扩展规划［77］；最后，根据问题耦合的情况进一步划分，包括多阶段耦合、多区域耦合、多层级耦合等。各个环节的逻辑关系梳理如附录C 图C5 所示。配电网智能规划存在多种组合，在规划对象、决策内容、决策边界、问题形式确定的情况下，决策变量、约束条件以及目标函数也可随之确定，进而实现DNPM 的自动构建。

2）规划模型的求解算法

在求解算法上，可分为经典数学优化方法和元启发式优化算法。经典数学优化算法（分支定界算法、L-shaped 算法、Benders 分解算法等）求解质量高、理论性强，但存在求解速度慢、通用性差等问题。元启发式优化算法（进化算法、群智能算法、物理原理驱动算法）便于处理非凸非线性模型，广泛适用于多种类型的规划问题，虽然其可能陷入局部最优，但是求解速度可控且适应性强。在求解DNPM时，应综合考虑问题特点、求解时间、求解精度、通用性等因素选择合适的算法，两者亦可“双剑合璧”，形成高效的混合算法。

3）复杂问题的处理技巧

复杂规划模型往往难以用算法实现高效求解，为了提升配电网规划智能决策的效率和质量，可将人类的经验知识嵌入规划模型中。处理技巧总结如下:

（1）空间解耦。结合地理控规图，按照用地性质、园区类型、网格划分等原则，将规划片区划分为若干小的区域，对小区域进行优化规划，再对区域之间开展联络线规划［78-79］。此时，DNPM 被划分为多个小模型，决策空间D得以有效缩减，可显著减少优化计算时间。

（2）时间解耦。对于配电网中的多阶段随机规划问题，运筹学家Bellman 提出了近似动态规划（approximate dynamic programming，ADP），其基本思想如式（3）—式（5）所示。

式中:t为规划阶段；E[·]为期望值函数；Δt为每两个规划阶段之间的时间跨度；(xt)为t阶段后续的值函数近似成本。

式（3）表示多阶段t成本求和形成的全局规划目标，为了处理全局规划求解的复杂性以及后续规划阶段的不确定性，利用各阶段的转移及约束关系，将t阶段后续的成本用数学期望进行描述，将原问题式（3）进行时段解耦，形成式（4）；式（5）表示t阶段后续的值函数近似成本(xt)替代，逐个求解单阶段优化问题式（5），解决“维数灾难”问题［77］。

（3）轻模型代理。虽然精细化模型提升了规划的精细化程度，但配电网规划涉及线路投建、设备选型、拓扑建模等，往往包含大量离散决策变量和非线性约束，构成超大规模MIP、非线性规划问题，阻碍了其落地应用。为提升DNPM 求解效率，可考虑运用ML 算法，将DNPM 中的非凸/非线性部分转化为一系列线性约束的代理模型［80］，实现轻模型的快速求解，如式（6）所示。

式中:fNLP(x，y)为非线性/非凸函数；fLP(x，y)为线性代理函数。

3.4 配电网规划中的图形-数据融合技术

一方面，配电网规划设计多种类型图纸且各类规划图功能单一，图形与数据耦合程度低，无法计算和关联各类规划数据指标；另一方面，各类规划计算指标数据以多张Excel 表进行保存，可视化程度较低，不便于规划人员更清晰、直观地了解配电网全貌。

为了解决图形和数据的联动问题，需要突破两项关键技术:多模态数据融合和图形数据的时空融合。

3.4.1 面向配电网规划的多模态数据融合

多模态数据融合是实现图形、数据融合的基础［81］。面向新型配电网数字化规划的多模态数据融合技术框架总结如附录D 图D1 所示。

1）电网数字平台、卫星图像、数字政府、能源数字平台等大系统的融合，本质是完成电力网络-信息通信网络-道路交通网络-综合能源网络等不同形式的网络的耦合，在打通耦合节点的数据关系后，可实现不同形式的网络融合与多维度数据的呈现，助力CN 耦合下的分析。

2）多层级电网拓扑可以实现自动关联，在图纸识别的基础上，实现从输电网拓扑-厂站级拓扑-中压线路-中低压设备的多层级联通，以及规划常用4 类图单线图-环网简图-电气联络图-网格地理沿布图的“电网一张图”。各类图形之间的转化关系可参考附录D 图D2，支持规划人员通过关键节点自动索引到不同层级、不同图层的位置。

3）电网规划人员面临的各类图纸对数据的要求有所不同，基于CIM 数据可解析得到配电网规划专用一套“数”（scx 文件），进行多图转化并开展高级应用［82］，包括空间负荷预测、规划问题上图定位、规划方案上图编制、规划指标自动计算、多类图纸无缝衔接，清晰直观地了解多类图形及其相应的规划指标，最终实现规划报告一键编制。

3.4.2 图形数据的时空融合

图形-数据融合的一大特点是数据的变化直观地在图形上呈现，数据的时间特性和图形的空间特性深度融合，数据的变化体现在图形的演变上。时空融合是一种将时间和空间信息融合开展分析和预测的方法，可在不同的时间和位置对数据进行比较，发现它们之间的联系并预测未来的发展趋势。图形-数据的时空融合，需构建配电网历史态-现状态-规划态方案库（三态方案库），在此基础上开展机器推演计算。

在配电网三态方案库构建过程中，需多人协同完成编制和校验。为克服多规划方案可能存在的冲突问题，本文提出建设配电网规划系统Git 共享方案数据库，功能特点总结详见附录D 图D3。

1）时间轴:历史态方案直接从某个时间断面导出数据即可，现状态数据是电子化移交后的版本，规划态可能涉及多个时间断面的规划。业务人员开展规划操作时，将智能锁定操作中的馈线，避免方案重复编制，详见附录D 图D4。完成编制后，将在“共享”方案库中对每个规划方案打上相应的时间标签，结合时间前后的逻辑关系进行冲突校验，如接线模式退化、存在规划态网架问题等，形成规划态配电网“先验”问题库。

2）空间轴:同一时间断面上的规划方案中可能存在空间逻辑上的冲突，如间隔占用、配电变压器、线路以及变电站的建设和布局，基于“共享”方案库可以快速提示规划人员存在冲突的地方。完成编制后，在空间纵轴上对每次形成的规划方案进行冲突检测，如规划网架存在自环、孤岛、非典型接线等事件进行冲突检测，形成配电网规划事件型问题库。

随着时间轴的推移，后续时间断面的规划态将自动继承先前时间断面的方案，三态图形方案通过读取不同时间断面的数据自动成图。在图形上的一系列规划操作也将自动映射到“共享”方案数据库，实现历史态-现状态-规划态配电网规划数据和图形在时间纵轴上同时呈现。

在机器推演计算方面，受薛禹胜院士所提“沙盘推演”［83］的理论启发，提供“历史-平行-未来”多时态场景的推演计算，分析新型配电系统多态势边界条件下的演化规律与演化路径，实现宏观、微观相结合的高精度复盘及推演仿真。

1）多时态自动推演计算。数字化配电网规划系统需搭建规划尺度跨领域仿真平台［84］，基于历史态配电网负荷、新能源数据以及外源气象数据、人口流动数据等，内嵌运行优化模拟与推演预测模块，平行孪生多个现状态场景，并通过现状态持续更新、修正未来态规划方案及其关键指标。

2）多态势自动推演计算。考虑到负荷、新能源具有强不确定性，结合3.3.2 节中长期预测方法，基于异速生长规律对负荷、新能源组合下的高、中、低态势开展网架拓扑的推演分析［85］，为人机互动开展配电网规划提供依据。

3.5 图形-模型-数据融合智能规划数字化决策系统

配电网数字化规划工程的落地应用主要体现在软件系统的开发和实践中。

图形、模型、数据三者之间有着密不可分的联系:图形智能化操作与展示离不开模型的支撑，模型的构建和优化计算离不开数据的支撑，图形的多维度立体化展示离不开多源异构数据的支撑。新型配电网数字化规划需要在完成两两融合后，将其进行有机融合。图形-模型-数据融合新型配电网数字化规划决策系统的基本框架如图4 所示，其特征在于以算法为核心，将图形-模型-数据三者进行相互融合。

图4 新型配电网图形-模型-数据融合数字化规划决策系统框架Fig.4 Framework of graph-model-data fusion for new distribution network digital planning system

1）在数据层面，基于知识驱动开展自动数据清洗，基于AI 智能识图打通图形到数据的关联性，支持与云端数据库进行存取交互操作，并将多源数据指标展示到图形界面上。

2）在模型层面，可结合规划相关基础数据，构建配电网智能规划“决策器”和“计算器”，并将规划结果展示到图形界面上，通过高级计算指标和辅助决策方案指导规划人员开展精细化规划。

3）在图形层面，支持地理沿布图、环网简图、电气联络图等多类型图纸自动转化，支持规划方案智能生成与多人协同、人机协同规划，提升电网规划人员的工作效率。

4 新型配电网数字化规划未来展望

“以人为主，机器为辅”向“以机为主，人机协同”转化已成为配电网规划运行必然的发展趋势，其核心理念在于，构建面向配电网规划业务的电力大模型，代替配电网规划“数据解析-需求明确-方案生成-校核实施”四大环节中的人工参与。如上所述，配电网图形-模型-数据融合技术为新型配电网数字化规划建设提供了有效的数据透镜，实现了多数据平台下图形-模型-数据的高效转换，特别是“数据解析”环节的自动化。在此基础上，如何实现“需求明确-方案生成-校核实施”三大环节的智能化、自动化是配电网规划有待深入研究的内容。为此，本文基于当前规划流程存在的问题以及现有技术基础对未来新型配电网数字化规划形态进行展望。

1）规划需求形成的智能化

规划需求是配电网规划任务的方向标，但当前需求的形成很大程度上依赖于业务人员的全程参与。业务人员根据经验对配电网系统实际运行状态进行分析，确定规划对象、具体任务及建设资源边界。受限于人的经验，规划需求的形成通常面临着时间长、片面化等缺点。因此，智能化的规划需求形成方法成为确保新型配电网数字化规划建设方向有效性的基础工具，具体的技术手段包含但不限于:（1）利用配电网薄弱环节辨识技术［86］，实现配电网关键设备的精准快速定位，实现规划对象智能化生成，缩短规划需求形成的时间；（2）基于配电系统风险演变分析技术［87］，动态捕捉配电网运行风险变化轨迹，实现配电网规划目标的智能化明晰，保障规划需求形成的全面性。

2）规划方案生成的自适应化

规划方案生成是整个规划的核心。当前，已有大量的规划研究人员对其展开针对性讨论，提出了丰富的优化模型及相关联的优化算法［88-90］，实现了规划方案的智能生成。然而，不同的规划模型与方法各有其适用的处理对象，如两阶段鲁棒适用于随机性较强的配电网场景［91］，而园区微网这类对电能质量具有需求的规划场景则需要将频率约束纳入考虑［92］。在具体的工程应用中，规划模型和算法选择依赖于研究人员对规划任务的分析与研究，可拓展性弱且经验依赖性强。为实现精细化智能规划，未来配电网规划生成方法需要具备自适应的能力，自动形成适用于规划任务的规划方案生成模型及求解算法。因此，自动ML 技术是现阶段较为理想的技术途径［93］，其思想在于通过ML 方法自动地完成特征工程、模型调整、模型评估，实现算法模型的自适应学习与应用［94-96］。将自动ML 技术融入配电网规划方案生成中，是保障规划方案精准生成的有效手段。

3）实施方案调整的自动化

规划方案在具体实施过程中需要结合政府控规图、地形图以及施工条件等多个因素做出调整，这同样需要经验丰富的工程人员干预处理。但实际上这类调整通常可由规则性较强的约束进行规范。此类规范可通过当前发展迅速的自然语言处理技术进行知识提取［9，97-98］，并利用决策树［99-100］等经典算法对规则类知识进行学习转化，从而形成实施方案自动调整模型。

4）“人机协同”的简易化

上述未来新型配电网数字化规划形态的有效实施将专业人员的经验知识映射至上层一系列的智能模型之中，最大程度降低人工在“需求明确-方案生成-校核实施”三大环节的参与程度。然而，智能模型的可解释性当前还有待深入研究［10］。因此，在其可靠性和安全性有待验证的未来，配电网规划有必要提供有效的人工干预途径，即简易化的“人机协同”方式。具体而言，“人机协同”路径需要具有两方面特征:

（1）良好的可视化展示手段。将智能模型的规划收益、规划模型以及规划结果进行全面的可视化展示，为专业人员了解规划生成全流程及其结果提供动态窗口。

（2）有效的人工反馈机制。智能模型的形成是一个动态学习的过程，专业人员针对模型决策存在的问题进行总结，并以损失函数或其他方式经反馈机制传递回智能模型中，帮助其学习。

综上所述，本文设想的未来新型配电网数字化规划形态如图5 所示。

图5 未来新型配电网数字化规划形态Fig.5 Digital planning form of new distribution network in future

由图5 可见，相较于传统规划路径依赖于人工的深度参与，未来智能规划路径依托图形-模型-数据融合技术及新型配电网数字化规划形态展望中所提技术，将人工参与层中各类知识映射至自动规划决策模型中，实现规划任务的智能自动生成。不同领域的专家仅需通过人机交互层，即可实现对自动规划决策模型的全面观测以及针对性调整，最终实现配电网规划“以机为主，人机协同”的理想形态。

5 结语

本文针对新型配电网数字化规划发展客观需要，从图形-模型-数据深度融合的角度出发，分析了国内外配电网规划技术发展现状，探讨了配电网数字化规划的未来解决思路和关键技术，包括图形-模型融合技术、模型-数据融合技术、图形-数据融合技术，尝试在新型配电网规划的各个环节引入大数据处理方法、优化计算方法、AI 方法，提升机器自主分析、自主决策的质量和效率，并对未来新型配电网数字化规划进行了展望。

随着电网企业数字化转型的深入，图形-模型-数据将进一步深度融合，提升配电网规划业务的知识自动化程度，逐渐实现从“以人为主，机器为辅”到“以机为主，人机协同”的转变，发现规划人员凭借导则与经验未能发现的薄弱环节并生成智能规划方案，显著提升电网规划的经济效益和智能化程度，持续助力新型电力系统的数字化变革。

本文撰写得到南方电网数字电网集团有限公司、东莞供电局、北京国科恒通科技股份有限公司及广州致讯信息科技有限责任公司等单位帮助，特此感谢！

附录见本刊网络版（http：//www.aeps-info.com/aeps/ch/index.aspx），扫英文摘要后二维码可以阅读网络全文。