面向可信电力系统数字孪生的异常数据评估与可靠更新机制研究

《Expert Systems with Applications》：Anomalous Data Evaluation for Reliable Updates of Trustworthy Power System Digital Twins

本文针对电力系统数字孪生（DT）在更新过程中因物理实体（PT）数据异常而导致可靠性下降的问题，提出了可信数字孪生（TwDT）新概念。研究团队开发了一种去噪物理信息自编码器（De-PI-AE）算法，构建了包含检测、识别和估计三个关键步骤的PT数据评估功能。该方案能有效区分可信与异常数据，定位并修正异常值，确保DT更新的连续性。实验表明，De-PI-AE在异常检测（88.5%）、识别（98.9%）和估计（均方误差降低98.8%）方面均优于现有AI算法，为高可靠性电力系统数字孪生的实现提供了关键技术支撑。

　　

在智能电网和能源转型的浪潮中，数字孪生（Digital Twin, DT）技术作为连接物理世界与数字空间的关键桥梁，正日益成为提升电力系统规划、运行和控制智能化水平的核心工具。一个理想的DT应能持续、准确地反映其物理实体（Physical Twin, PT）的动态状态。然而，在电力系统这类安全苛求且时效性强的领域中，测量设备故障、通信中断等问题导致的PT数据异常，会直接危及DT更新的准确性，进而影响基于DT的各类高级应用（如韧性规划、可再生能源接入、净零运行等）的可靠性。传统DT在更新前缺乏对PT数据的有效评估机制，使得异常数据可能直接用于更新，导致DT与PT失配，甚至引发错误的决策。这一瓶颈严重制约了DT在关键基础设施中的深度应用与信任建立。

为解决上述挑战，发表在《Expert Systems with Applications》上的这项研究，创新性地提出了“可信数字孪生”（Trustworthy Digital Twin, TwDT）的概念，并开发了一套基于去噪物理信息自编码器（Denoising Physics-Informed Autoencoder, De-PI-AE）的PT数据评估框架，旨在确保DT在面对异常PT数据时仍能进行可靠、连续的更新。

研究人员为开展此项研究，主要运用了几项关键技术方法。首先，他们构建了一个基于IEEE澳大利亚基准网络的电力系统数字孪生（PSDT）作为虚拟PT，通过实时数字仿真（RTDS）生成了5382组涵盖不同运行工况的数据集，用于算法训练和测试。核心算法是自定义的De-PI-AE，其在传统自编码器（AE）基础上引入了三个关键修改：添加了去噪操作层（通过随机扰动原始数据进行数据增强）、集成了功率平衡约束层（确保重构数据符合物理定律），以及重构了包含数据重建损失和物理损失（基于功率平衡）的混合损失函数。该算法的网络结构参数（如编码器-解码器层数k=4，隐藏层j=4）根据系统拓扑（7台发电机、4个负荷、1条联络线）灵活配置。评估过程分为检测（判断数据是否异常）、识别（定位异常数据点）和估计（用重构值替换异常值）三个步骤。性能通过准确率、F1分数、AUC、均方误差（MSE）以及新提出的可信度指数（Trustworthiness Index, TwI）等指标进行量化，并与多种监督学习（如NN, SVM, DeT, ELM, XGBoost, Ensemble）和无监督学习（如标准AE）算法进行了对比。

4.3.1. 步骤 i) 检测

研究首先评估了De-PI-AE在异常检测方面的能力。通过设定阈值T₁并计算PT测量值与重构值之间的重建误差，算法能够有效区分可信数据（偏差≤ |10%|）和异常数据（偏差> |10%|）。实验结果表明，De-PI-AE的整体检测准确率达到88.5%，优于标准AE的87.0%以及其他对比的监督学习算法（平均准确率51.8%-61.9%）。具体到各负荷节点（L₄₀₅至L₄₁₂），De-PI-AE的检测准确率均高于85.6%，展现了其良好的泛化能力。F1分数和AUC值也证实了De-PI-AE在精确率和召回率之间取得了更好平衡。

4.3.2. 步骤 ii) 识别

在成功检测到异常后，De-PI-AE需要精确定位异常数据点。该步骤通过比较各数据点的重建误差与阈值T₂来实现。De-PI-AE在识别特定异常值方面表现卓越，平均准确率高达98.9%，显著高于标准AE的91.2%。尤其是在处理偏差较大的异常时（如D₄₁₂数据集），De-PI-AE的识别准确率（99.5%）比AE（80.8%）提升了18.7个百分点。这表明De-PI-AE能更可靠地 pinpoint 数据异常的具体位置，为后续的修正提供了准确目标。

4.3.3. 步骤 iii) 估计

估计步骤的核心是用De-PI-AE重构出的值替换已识别的异常值。结果表明，经过修正后，异常数据与真实值之间的均方误差（MSE）平均降低了98.8%，从修正前的0.0556大幅降至0.000674。各负荷节点的偏差均被成功控制在可接受的范围内（< |2.81%|）。例如，对于L₄₀₈的+25%偏差，修正后残差仅为-2.09%。这确保了即使存在异常数据，用于更新DT的数据也能保持高精度。

4.4. 执行时间

算法的执行效率对于实时应用至关重要。De-PI-AE的平均执行时间为0.04秒，最大值为0.205秒，标准差为0.011秒，表明其运行稳定。超过90%的案例能在0.03秒至0.05秒内完成评估，满足电力系统DT从秒级到小时级更新频率的实时性需求。

4.5. 与其他AI方法的比较

与多种主流AI算法对比显示，De-PI-AE在检测、识别、估计三个步骤上综合表现最优。监督学习算法虽然在针对特定负荷训练时表现良好，但泛化能力差，平均检测准确率低。而De-PI-AE作为一种无监督学习方法，无需标签数据，能统一处理所有负荷的异常，实用性强。此外，De-PI-AE通过引入去噪和物理信息约束，其性能全面超越了标准AE。

研究结论与意义

本研究系统地论证了所提出的可信数字孪生（TwDT）概念及其核心PT数据评估功能的可行性与有效性。通过集成检测、识别、估计三步走的De-PI-AE算法，TwDT能够在使用PT数据更新前，有效筛查、定位并校正数据异常，从而显著提升DT更新的可靠性和持续性。新定义的可信度指数（TwI）为量化评估DT更新过程的鲁棒性提供了新指标。

这项研究的重要意义在于：1）概念创新：首次明确提出TwDT概念，强调了DT更新过程中数据质量的前置评估的重要性，弥补了传统DT研究的空白。2）技术突破：开发的De-PI-AE算法将去噪、物理规律约束与自编码器相结合，在一个框架内实现了异常数据的端到端处理，简化了集成流程，且性能优于现有方法。3）应用价值：为电力系统等高可靠性要求领域的DT应用提供了抵御数据异常、保障决策正确的关键技术，增强了DT的可信度。4）推广潜力：虽然本研究聚焦电力系统，但TwDT框架和De-PI-AE方法具有通用性，可扩展至智能制造、智慧城市等其他领域的数字孪生系统。

未来研究可围绕扩展De-PI-AE处理更多类型数据（如电压、频率）、优化自适应阈值、应对多重并发异常以及开展在线验证等方面展开，进一步推动TwDT技术的成熟与落地。