★ 天地電研（北京）科技有限公司杭州分公司 申潞瑤，李航，陳嚴滔，周能

關鍵詞：軌道交通配電網；數字孿生；多源數據融合；自適應加權融合；健康狀態自動化評估

軌道交通配電網作為城市公共交通系統的能源動脈，其運行可靠性直接關乎數百萬乘客的出行安全與城市功能的正常運轉。

當前，配電網健康狀態評估正從單一數據源驅動向多源異構信息協同分析方向演進，學者們圍繞數據融合策略與評估指標體系開展了大量探索。李一涵等人[1]采集配電網運行中的電氣量數據、環境監測數據及設備臺賬信息三類異構數據源，設計了基于D-S證據理論的多源融合框架，通過健康度評分空間映射，輸出綜合健康指數。然而，配電網實際運行場景中設備老化機理復雜多變，此方法采用的先驗賦值方法無法適配所有運行工況，導致評估精度不足；郭燚等人[2]通過層次分析法確定各設備在網絡拓撲中的重要度權重，再利用模糊綜合評判法計算設備個體健康值，最終通過加權耦合得到系統整體健康狀態。但是，模糊綜合評判中隸屬度函數的選取缺乏統一標準，不同設備類型采用相同函數形式會掩蓋個體差異，造成健康值計算出現系統性誤差。

近年來， 多源傳感數據和數字孿生技術為配電網狀態評估提供了新的技術路徑。本文將這兩種方法相結合，設計了軌道交通配電網健康狀態自動化評估體系，為軌道交通供電部門提供了智能化決策支撐。

1   軌道交通配電網健康狀態自動化評估方法設計

1.1   軌道交通配電網數字孿生虛實映射模型構建

針對軌道交通配電網負荷沖擊強、設備老化速率不一、工況動態變化頻繁的特點，本文搭建了場景化數字孿生虛實映射模型，對電網拓撲、空間位置、運行參數及設備老化狀態進行全維度數字化復刻，為后續數據融合與動態評估提供了高精度物理載體[3]。

設備級映射重點是實現核心電力設備老化機理的數字化表征。以變壓器為典型對象，其熱老化過程可通過Arrhenius壽命模型進行虛擬空間還原。具體計算公式如式（1）所示：

式中，L₀,表示額定設計壽命；E表示絕緣材料活化能；k表示玻爾茲曼常數； T_r表示參考溫度； T₀,表示設備實際運行溫度；表示等效剩余壽命。

基于公式（1），分別構建公共電力設備的虛擬模型，實現設備運行狀態變化趨勢的表征。在拓撲匹配基礎上，計算設備運行狀態虛實同步誤差，公式為式（2）：

式中，X_r表示實體配電網設備實時運行參數； X_t表示數字孿生模型同步更新的仿真參數； e表示實時狀態同步誤差。

同步誤差可保證模型工況與現場實時運行同步更新。軌道交通配電網數字孿生虛實映射架構如圖1所示。

圖1 軌道交通配電網數字孿生虛實映射架構

基于上述量化約束， 完成軌道交通配電網數字孿生模型搭建。數字孿生模型層級劃分與映射關系如表1所示。

表1 數字孿生模型層級劃分與映射關系

虛擬模型可實時復現全網設備的運行狀態變化趨勢，為狀態異常評估提供了參考。

1.2   異構監測數據加權融合

基于數字孿生模型提供的設備仿真數據與現場采集的多源監測數據，本文采用基于數據波動穩定性的自適應加權融合算法，實現了多源異構數據歸一化與最優權重分配，提升了輸入特征的完整性與可靠性。

根據數據波動穩定性自動分配權重， 穩定數據權重更高、噪聲數據權重更低 [4]。具體公式如式（3）所示：           

式中，n表示監測數據總類別； ai表示第數據時序方差；wi表示第數據自適應權重。

將多源異構監測數據進行耦合，生成綜合健康特征量，如式（4）所示：

式中，X_i表示歸一化后數據；Y表示多源數據融合綜合特征值。

通過多源融合，可以將離散、異構、噪聲大的原始監測數據轉化為穩定、統一、高關聯度的融合特征，為后續自動化健康評估模型提供高質量輸入樣本。其歸一化分析結果如圖2所示。

圖2 多源數據歸一化分析

圖2展示了電流、電壓、溫濕度、局部放電等異構監測數據在自適應加權融合前后的特征分布。結果表明，融合前各數據源量綱差異大、波動分散，融合后的綜合健康特征量曲線平滑且趨勢一致，在設備狀態變化時出現同步階躍響應，驗證了基于數據波動穩定性自動分配權重的自適應加權融合算法能夠有效抑制噪聲、提升輸入特征的完整性與可靠性。

1.3   配電網健康狀態自動化評估

基于數字孿生模型與融合特征向量，本文構建了自動化健康狀態評估框架。針對傳統云模型抗波動能力弱、靜態拓撲權重無法適配電網工況變化的缺陷，本文對云模型輸入規則進行優化，并引入動態拓撲重要度系數，逐級完成設備健康度計算與系統綜合健康指數求解，實現配電網全域健康狀態量化評估。

將融合健康特征向量作為云模型輸入， 優化傳統云模型的特征映射邏輯，弱化負荷短時波動帶來的評估干擾[5]。具體公式如式（5）所示：

式中，E_x表示云模型期望，表征設備常態健康水平；E_n表示熵，反映健康狀態的不確定性； H_e表示超熵，代表評估結果的離散程度； 表示標準正態隨機數；ch表示第h臺設備的健康度得分。

為實現系統級全局評估， 本文摒棄傳統靜態拓撲權重，采用動態拓撲重要度系數。該系數隨電網實時潮流、節點介數中心性動態更新，能夠精準反映不同設備在供電網絡中的實時風險權重。結合單設備健康度與動態權重，計算系統綜合健康指數如式（6）所示：

式中，m表示配電網中電力設備個數； bj表示設備j的拓撲重要度系數； Y表示多源數據融合綜合特征值；表示系統綜合健康指數。

根據系統綜合健康指數 ，將軌道交通配電網的健康狀態劃分為5個等級： 0.8～1.0， 優秀； 0.6～0.8，良好；0.4～0.6，注意；0.2～0.4，警示；0～0.2，危險。軌道交通配電網健康指數分析結果如圖3所示。

圖3 軌道交通配電網健康指數分析

圖3展示了云模型評估輸出的設備級健康度與經拓撲重要度加權后的系統綜合健康指數。結果表明，設備級健康度存在個別設備異常但重要性低，系統綜合健康指數降幅較小；當關鍵設備健康度下降時，系統綜合指數同步顯著下降，驗證了結合云模型與拓撲重要度系數的評估方法能夠從全局視角反映配電網真實健康狀態，避免了因非關鍵設備異常過度拉低系統評分。

2   實例論證分析

2.1   實驗準備

實驗選取某城市軌道交通3號線一期工程供電系統作為驗證對象。該線路全長約28km，設牽引變電所4座、降壓變電站12座，覆蓋典型的中壓環網與放射狀供電結構。實驗數據采集周期為2025年7月至9月，共獲取SCADA電氣量數據約43萬條，覆蓋正常運行、良好狀態、注意、警示和危險等全場景運行工況。

數字孿生平臺基于Unity3D引擎搭建，數據融合與評估算法采用Python3.10實現。為保證實驗結果的可復現性，各模塊關鍵參數設置如表2所示。

表2 核心算法參數設置

通過構建數字感知模型，完成了配電網終端對外物理連接和通信連接，實現了虛實模型參量的一致性。數字孿生外部數字感知模型如圖4所示。

圖4 數字孿生外部數字感知模型

啟動數字孿生模型的實時運行模式，每60秒從SCADA系統采集一次電氣量數據，多源數據經歸一化與信息熵加權后輸入云模型評估引擎，進而輸出設備級健康度和系統級健康指數。

2.2   結果與分析

設計全時段、全工況仿真實驗，采用本文方法對該軌道交通配電網的健康狀態進行評估，結果如圖5所示。

圖5 軌道交通配電網健康狀態評估結果

圖5為本文方法應用后得到的混淆矩陣。數據分析顯示，在輸入的1000條數據中，僅有15條樣本出現評估偏差，整體評估準確率為98.5%。誤判樣本均出現在列車啟停引發的短時負荷突降工況，瞬時電流數據跨越健康等級閾值，造成短暫評估偏差。整體測試結果表明，本文方法受負荷瞬時波動影響較小，評估結果穩定，可精準識別配電網長期運行狀態與隱性缺陷。

為量化驗證本文方法的優勢， 將本文方法與文獻 [1]基于多源異構數據融合的配電網健康度評估技術路徑和文獻 [2]計及設備健康值和重要度的中低壓配電網健康狀態評估進行對比，比較各類方法評估的誤報率和F1分數，結果如圖6所示。

圖6 軌道交通配電網健康狀態評估精度對比

由圖6對比結果可知， 在多次評估實驗中， 本文方法的誤報率穩定控制在20%以下，顯著低于文獻[1]和文獻[2]方法；同時，其F1分數始終維持在0.9以上。通過改進云模型與動態拓撲權重的全局評估邏輯，本文方法能夠適配軌道交通配電網的強沖擊負荷工況，綜合評估可靠性顯著優于現有方法，可滿足現場自動化運維評估的工程需求。

3   結束語

為降低軌道交通配電網的故障概率和運行風險，有必要對其健康狀態進行自動化評估。針對此問題，本文應用數字孿生技術構建了與物理配電網實體高度契合的虛擬模型，結合多源異構數據融合方法統一表征系統運行狀況，從而量化輸出配電網健康指標值。對比實驗結果表明，該方法能夠有效識別配電網的真實健康狀態，評估精度顯著優于傳統手段，為軌道交通供電運維提供了可落地的智能診斷工具。

作者簡介：

申潞瑤（1991-） ，男 ，山西長治人 ，中級工程師 ，碩士 ，現就職于天地電研（北京） 科技有限公司杭州分公司 ，研究方向為電氣工程。

李   航（1998-） ，男 ，安徽安慶人 ，中級工程師 ，本科 ，現就職于天地電研（北京） 科技有限公司杭州分公司 ，研究方向為電氣工程及其自動化。

陳嚴滔（1995-） ，男 ，湖北當陽人 ，中級工程師 ，本科 ，現就職于天地電研（北京） 科技有限公司杭州分公司 ，研究方向為電氣工程及其自動化。

周   能（1995-） ，男 ，浙江杭州人 ，助理工程師 ，本科 ，現就職于天地電研（北京） 科技有限公司杭州分公司 ，研究方向為自動化。

參考文獻：

[1] 李一涵, 蔡金濤, 何曉敏. 基于多源異構數據融合的配電網健康度評估技術路徑[J]. 張江科技評論, 2026, (01) : 97 - 99.

[2] 郭燚, 郭子壯, 謝軍, 等. 計及設備健康值和重要度的中低壓配電網健康狀態評估[J]. 上海海事大學學報, 2025, 46 (04) : 122 - 132.

[3] 郝元釗, 吳豫, 苗福豐, 等. 基于移動邊緣計算的低壓配電網健康狀態評價研究[J]. 電工技術, 2024, (18) : 228 - 231.

[4] 李水天, 黃雪莜, 蔣晶, 等. 基于改進LSTM算法的配電網設備故障率預測方法[J]. 河北電力技術, 2024, 43 (03) : 90 - 94.

[5] 張明澤, 欒文鵬, 艾欣, 等. 基于邊緣計算的低壓配電網健康狀態評價方法[J]. 電測與儀表, 2024, 61 (05) : 91 - 97.

摘自《自動化博覽》2026年7月刊