★ 天地电研（北京）科技有限公司杭州分公司 申潞瑶，李航，陈严滔，周能

关键词：轨道交通配电网；数字孪生；多源数据融合；自适应加权融合；健康状态自动化评估

轨道交通配电网作为城市公共交通系统的能源动脉，其运行可靠性直接关乎数百万乘客的出行安全与城市功能的正常运转。

当前，配电网健康状态评估正从单一数据源驱动向多源异构信息协同分析方向演进，学者们围绕数据融合策略与评估指标体系开展了大量探索。李一涵等人[1]采集配电网运行中的电气量数据、环境监测数据及设备台账信息三类异构数据源，设计了基于D-S证据理论的多源融合框架，通过健康度评分空间映射，输出综合健康指数。然而，配电网实际运行场景中设备老化机理复杂多变，此方法采用的先验赋值方法无法适配所有运行工况，导致评估精度不足；郭燚等人[2]通过层次分析法确定各设备在网络拓扑中的重要度权重，再利用模糊综合评判法计算设备个体健康值，最终通过加权耦合得到系统整体健康状态。但是，模糊综合评判中隶属度函数的选取缺乏统一标准，不同设备类型采用相同函数形式会掩盖个体差异，造成健康值计算出现系统性误差。

近年来， 多源传感数据和数字孪生技术为配电网状态评估提供了新的技术路径。本文将这两种方法相结合，设计了轨道交通配电网健康状态自动化评估体系，为轨道交通供电部门提供了智能化决策支撑。

1   轨道交通配电网健康状态自动化评估方法设计

1.1   轨道交通配电网数字孪生虚实映射模型构建

针对轨道交通配电网负荷冲击强、设备老化速率不一、工况动态变化频繁的特点，本文搭建了场景化数字孪生虚实映射模型，对电网拓扑、空间位置、运行参数及设备老化状态进行全维度数字化复刻，为后续数据融合与动态评估提供了高精度物理载体[3]。

设备级映射重点是实现核心电力设备老化机理的数字化表征。以变压器为典型对象，其热老化过程可通过Arrhenius寿命模型进行虚拟空间还原。具体计算公式如式（1）所示：

式中，L₀,表示额定设计寿命；E表示绝缘材料活化能；k表示玻尔兹曼常数； T_r表示参考温度； T₀,表示设备实际运行温度；表示等效剩余寿命。

基于公式（1），分别构建公共电力设备的虚拟模型，实现设备运行状态变化趋势的表征。在拓扑匹配基础上，计算设备运行状态虚实同步误差，公式为式（2）：

式中，X_r表示实体配电网设备实时运行参数； X_t表示数字孪生模型同步更新的仿真参数； e表示实时状态同步误差。

同步误差可保证模型工况与现场实时运行同步更新。轨道交通配电网数字孪生虚实映射架构如图1所示。

图1 轨道交通配电网数字孪生虚实映射架构

基于上述量化约束， 完成轨道交通配电网数字孪生模型搭建。数字孪生模型层级划分与映射关系如表1所示。

表1 数字孪生模型层级划分与映射关系

虚拟模型可实时复现全网设备的运行状态变化趋势，为状态异常评估提供了参考。

1.2   异构监测数据加权融合

基于数字孪生模型提供的设备仿真数据与现场采集的多源监测数据，本文采用基于数据波动稳定性的自适应加权融合算法，实现了多源异构数据归一化与最优权重分配，提升了输入特征的完整性与可靠性。

根据数据波动稳定性自动分配权重， 稳定数据权重更高、噪声数据权重更低 [4]。具体公式如式（3）所示：           

式中，n表示监测数据总类别； ai表示第数据时序方差；wi表示第数据自适应权重。

将多源异构监测数据进行耦合，生成综合健康特征量，如式（4）所示：

式中，X_i表示归一化后数据；Y表示多源数据融合综合特征值。

通过多源融合，可以将离散、异构、噪声大的原始监测数据转化为稳定、统一、高关联度的融合特征，为后续自动化健康评估模型提供高质量输入样本。其归一化分析结果如图2所示。

图2 多源数据归一化分析

图2展示了电流、电压、温湿度、局部放电等异构监测数据在自适应加权融合前后的特征分布。结果表明，融合前各数据源量纲差异大、波动分散，融合后的综合健康特征量曲线平滑且趋势一致，在设备状态变化时出现同步阶跃响应，验证了基于数据波动稳定性自动分配权重的自适应加权融合算法能够有效抑制噪声、提升输入特征的完整性与可靠性。

1.3   配电网健康状态自动化评估

基于数字孪生模型与融合特征向量，本文构建了自动化健康状态评估框架。针对传统云模型抗波动能力弱、静态拓扑权重无法适配电网工况变化的缺陷，本文对云模型输入规则进行优化，并引入动态拓扑重要度系数，逐级完成设备健康度计算与系统综合健康指数求解，实现配电网全域健康状态量化评估。

将融合健康特征向量作为云模型输入， 优化传统云模型的特征映射逻辑，弱化负荷短时波动带来的评估干扰[5]。具体公式如式（5）所示：

式中，E_x表示云模型期望，表征设备常态健康水平；E_n表示熵，反映健康状态的不确定性； H_e表示超熵，代表评估结果的离散程度； 表示标准正态随机数；ch表示第h台设备的健康度得分。

为实现系统级全局评估， 本文摒弃传统静态拓扑权重，采用动态拓扑重要度系数。该系数随电网实时潮流、节点介数中心性动态更新，能够精准反映不同设备在供电网络中的实时风险权重。结合单设备健康度与动态权重，计算系统综合健康指数如式（6）所示：

式中，m表示配电网中电力设备个数； bj表示设备j的拓扑重要度系数； Y表示多源数据融合综合特征值；表示系统综合健康指数。

根据系统综合健康指数 ，将轨道交通配电网的健康状态划分为5个等级： 0.8～1.0， 优秀； 0.6～0.8，良好；0.4～0.6，注意；0.2～0.4，警示；0～0.2，危险。轨道交通配电网健康指数分析结果如图3所示。

图3 轨道交通配电网健康指数分析

图3展示了云模型评估输出的设备级健康度与经拓扑重要度加权后的系统综合健康指数。结果表明，设备级健康度存在个别设备异常但重要性低，系统综合健康指数降幅较小；当关键设备健康度下降时，系统综合指数同步显著下降，验证了结合云模型与拓扑重要度系数的评估方法能够从全局视角反映配电网真实健康状态，避免了因非关键设备异常过度拉低系统评分。

2   实例论证分析

2.1   实验准备

实验选取某城市轨道交通3号线一期工程供电系统作为验证对象。该线路全长约28km，设牵引变电所4座、降压变电站12座，覆盖典型的中压环网与放射状供电结构。实验数据采集周期为2025年7月至9月，共获取SCADA电气量数据约43万条，覆盖正常运行、良好状态、注意、警示和危险等全场景运行工况。

数字孪生平台基于Unity3D引擎搭建，数据融合与评估算法采用Python3.10实现。为保证实验结果的可复现性，各模块关键参数设置如表2所示。

表2 核心算法参数设置

通过构建数字感知模型，完成了配电网终端对外物理连接和通信连接，实现了虚实模型参量的一致性。数字孪生外部数字感知模型如图4所示。

图4 数字孪生外部数字感知模型

启动数字孪生模型的实时运行模式，每60秒从SCADA系统采集一次电气量数据，多源数据经归一化与信息熵加权后输入云模型评估引擎，进而输出设备级健康度和系统级健康指数。

2.2   结果与分析

设计全时段、全工况仿真实验，采用本文方法对该轨道交通配电网的健康状态进行评估，结果如图5所示。

图5 轨道交通配电网健康状态评估结果

图5为本文方法应用后得到的混淆矩阵。数据分析显示，在输入的1000条数据中，仅有15条样本出现评估偏差，整体评估准确率为98.5%。误判样本均出现在列车启停引发的短时负荷突降工况，瞬时电流数据跨越健康等级阈值，造成短暂评估偏差。整体测试结果表明，本文方法受负荷瞬时波动影响较小，评估结果稳定，可精准识别配电网长期运行状态与隐性缺陷。

为量化验证本文方法的优势， 将本文方法与文献 [1]基于多源异构数据融合的配电网健康度评估技术路径和文献 [2]计及设备健康值和重要度的中低压配电网健康状态评估进行对比，比较各类方法评估的误报率和F1分数，结果如图6所示。

图6 轨道交通配电网健康状态评估精度对比

由图6对比结果可知， 在多次评估实验中， 本文方法的误报率稳定控制在20%以下，显著低于文献[1]和文献[2]方法；同时，其F1分数始终维持在0.9以上。通过改进云模型与动态拓扑权重的全局评估逻辑，本文方法能够适配轨道交通配电网的强冲击负荷工况，综合评估可靠性显著优于现有方法，可满足现场自动化运维评估的工程需求。

3   结束语

为降低轨道交通配电网的故障概率和运行风险，有必要对其健康状态进行自动化评估。针对此问题，本文应用数字孪生技术构建了与物理配电网实体高度契合的虚拟模型，结合多源异构数据融合方法统一表征系统运行状况，从而量化输出配电网健康指标值。对比实验结果表明，该方法能够有效识别配电网的真实健康状态，评估精度显著优于传统手段，为轨道交通供电运维提供了可落地的智能诊断工具。

作者简介：

申潞瑶（1991-） ，男 ，山西长治人 ，中级工程师 ，硕士 ，现就职于天地电研（北京） 科技有限公司杭州分公司 ，研究方向为电气工程。

李   航（1998-） ，男 ，安徽安庆人 ，中级工程师 ，本科 ，现就职于天地电研（北京） 科技有限公司杭州分公司 ，研究方向为电气工程及其自动化。

陈严滔（1995-） ，男 ，湖北当阳人 ，中级工程师 ，本科 ，现就职于天地电研（北京） 科技有限公司杭州分公司 ，研究方向为电气工程及其自动化。

周   能（1995-） ，男 ，浙江杭州人 ，助理工程师 ，本科 ，现就职于天地电研（北京） 科技有限公司杭州分公司 ，研究方向为自动化。

参考文献：

[1] 李一涵, 蔡金涛, 何晓敏. 基于多源异构数据融合的配电网健康度评估技术路径[J]. 张江科技评论, 2026, (01) : 97 - 99.

[2] 郭燚, 郭子壮, 谢军, 等. 计及设备健康值和重要度的中低压配电网健康状态评估[J]. 上海海事大学学报, 2025, 46 (04) : 122 - 132.

[3] 郝元钊, 吴豫, 苗福丰, 等. 基于移动边缘计算的低压配电网健康状态评价研究[J]. 电工技术, 2024, (18) : 228 - 231.

[4] 李水天, 黄雪莜, 蒋晶, 等. 基于改进LSTM算法的配电网设备故障率预测方法[J]. 河北电力技术, 2024, 43 (03) : 90 - 94.

[5] 张明泽, 栾文鹏, 艾欣, 等. 基于边缘计算的低压配电网健康状态评价方法[J]. 电测与仪表, 2024, 61 (05) : 91 - 97.

摘自《自动化博览》2026年7月刊