综述：电力系统对野火的抵御能力：关于建模、规划和实时运营技术的系统综述 Eugenio Navarro-Zeballos 和 Petr Musilek

《Energies》：Power System Resilience to Wildfires: A Systematic Review of Modeling, Planning, and Real-Time Operational Techniques Eugenio Navarro-Zeballos and Petr Musilek

　　摘要
由于气候因素和基础设施的扩展，野火日益威胁电力系统的可靠运行。然而，现有研究仍然分散，限制了综合韧性策略的发展。本研究的目的是系统地回顾关于电力系统在野火事件下的韧性的文献，重点关注建模方法、运营策略和基于学习的方法。本综述遵循PRISMA 2020指南进行。在Scopus数据库中进行了结构化搜索（2025年5月；2026年1月更新）。通过预定义的入选标准，筛选了2016年至2025年间发表的研究。纳入了那些研究电力系统在野火干扰下的运行并采用优化或基于学习方法的研究，而纯粹的生态学研究则被排除在外。最终纳入了30项研究。数据提取和定性主题综合在四个分析层中进行。没有正式评估偏倚风险，也没有进行元分析。结果显示研究活动不断增加，并且倾向于使用随机和数据驱动的方法。优化方法仍然占主导地位，而强化学习正在兴起。结合优化和基于学习方法的混合方法被认为是特别有前景的解决方案。然而，证据受到方法论多样性和缺乏标准化验证的局限。

1. 引言
现代电力系统是支持当代社会的关键基础设施之一，它们使经济活动、公共安全、医疗服务和通信网络成为可能。随着电气化的推进和电网变得越来越相互连接和复杂，它们对极端天气事件的脆弱性也在增加。根据全球趋势，此类事件的频率也在上升[1]。在这些威胁中，野火已成为影响电力系统运行的最具破坏性和复杂性的危害之一[2]，特别是在气候变暖导致的干燥气候、高植被密度和温度升高的地区[3]。最近的野火事件表明了级联故障、长时间停电和严重社会经济后果的潜在风险，这突显了增强电力系统韧性策略的紧迫性。

野火可以通过多种机制影响电力系统，最终可能导致停电。输电和配电资产可能会因直接暴露于火源而受损，而烟雾和热量可能会降低绝缘性能，增加输电线路和设备（如静态无功补偿器、同步电容器和燃烧式涡轮机）发生闪络的可能性。此外，电力公司依赖于预防性停电措施（如公共安全停电PSPS）来降低点火风险。尽管这些措施在减少火灾方面有效，但它们也可能导致大规模的停电，从而在安全和服务持续性之间造成难以权衡的局面。在这方面，最近的文献显示，通过结合分布式能源资源等现代系统元素来优化PSPS的趋势正在增加。例如，为了在减轻野火风险的同时尽量减少停电，参考文献[4]提出了一种同时优化主动线路停电和移动电源调度的模型。类似地，参考文献[5,6]表明，通过微电网的形成同时优化线路加固、分布式发电分配和PSPS可以在韧性、运营成本和点火风险之间提供更大的灵活性。此外，参考文献[7]提出了一个安全约束最优停电（SC-OPS）模型；该框架确保即使在高风险线路被主动停电后，电网仍能对后续的突发事件保持韧性。

根据联合国减灾办公室[8]的定义，韧性是指系统有效抵抗和适应灾害影响的能力，同时保持其基本结构和功能。与可靠性不同，后者关注正常运行条件下的预期性能，韧性明确关注极端干扰和系统恢复动态。在这方面，参考文献[9]强调了韧性系统必须具备的三个关键能力：鲁棒性——即使在高影响事件期间也能执行关键任务；资源丰富性——能够有效管理和应对危机；以及快速恢复——尽可能快地恢复正常运行。提高野火韧性需要在多个阶段进行协调决策，包括事件前的预防措施、干扰期间的适应型运营策略以及事后的有效恢复政策。这种多阶段决策结构使得基于传统优化的方法面临特殊挑战。

传统的电力系统运营和控制方法通常基于运营可靠性标准，该标准假设不确定性特征明确且系统条件相对静态。尽管这些方法在常规运营中非常成功，但由于火灾动态、环境条件和电网行为之间的复杂、非线性和高度不确定的相互作用，它们在野火事件中的有效性有限。火灾蔓延受天气、地形和燃料特性的影响，所有这些因素都可能迅速变化且只能部分观察到。将这种动态纳入传统优化框架通常会导致过于简化的模型或计算上难以处理的公式[10]。此外，分布式能源资源（DERs）由于可再生能源的固有不可预测性而引入了额外的不确定性。在这种背景下，一些作者将研究重点放在分布式资源控制领域。例如，参考文献[11]强调了先进控制方法在增强社区微电网在极端事件中的自主韧性方面的关键作用。为了实际管理太阳能发电的不确定性，参考文献[12]提出了一种两阶段优化策略，结合了日前太阳能预测和日内校正，以有效管理可调发电机和电池存储。同样，参考文献[13]实现了一种用于确定风能-PV-电池微电网规模的算法，通过平衡经济、可靠性和可持续性指标来主动解决全球能源三难问题。因此，必须现代化传统的规划和运营范式，以应对在高不确定性水平下越来越频繁和剧烈的野火事件。

近年来，机器学习（ML）技术因其快速响应能力而受到越来越多的关注，成为解决电力系统中复杂决策问题的补充工具[10]。特别是强化学习（RL）为在不确定性下的顺序决策提供了一个自然的数学框架，其中代理通过与环境的互动学习最优控制策略，而不需要对该环境的完整模型[14]。通过将电力系统及其外部干扰建模为马尔可夫决策过程（MDP），基于RL的控制器可以根据观察到的系统状态和积累的经验调整其行动，而无需对所有系统动态进行显式分析表示。此外，深度强化学习（DRL）结合了RL和深度神经网络进行函数逼近，在高维度、实时和非线性控制问题中取得了显著成功，包括机器人技术、自主系统和游戏玩法。最近，DRL已在各种电力系统应用中得到探索，如经济调度、频率控制和电压调节以及微电网能源管理[14]。这些研究表明，在具有不确定性、非线性和部分可观察性的环境中，DRL可以优于传统的基于规则或优化的控制器，特别是在需要快速响应的情况下。

然而，将DRL应用于野火干扰下的电力系统韧性仍然相对较少被探索。此外，现有研究通常使用简化的模型来表示野火，例如在预定义时间发生的二进制线路停电，忽略了与火灾蔓延相关的时间演变和空间相关性。虽然这种抽象有助于分离电力系统的影响，但它们可能限制了基于学习的控制器对真实野火场景的泛化能力。此外，许多方法主要关注预防性活动[15,16]，如基础设施加固和火灾检测，而对在野火事件发生前和期间可能减轻停电严重性的适应型运营措施的关注较少。

受这些挑战的启发，本文研究了当前提高电力系统对野火韧性的技术现状，特别关注DRL的使用。本研究的主要贡献可以总结如下：
1. 理解用于表示野火引起的电力系统干扰的不同方法。
2. 识别为支持电网运营和提高输电和配电系统不同运营阶段的韧性指标而开发的策略。
3. 强调ML和RL技术作为传统基线策略的潜力。

本文的其余部分组织如下。第2节回顾了野火建模、电力系统韧性和基于学习的控制的背景。第3节介绍了本综述采用的方法论。第4节描述了获得的结果。第5节讨论了发现。最后，第6节总结了本文并概述了未来的研究方向。

2. 背景
2.1 野火建模和仿真技术
野火建模在评估和提高电力系统的韧性方面起着根本性作用，因为它提供了评估电网性能的干扰场景。火灾行为受燃料特性、地形和气象条件（如风速、风向、温度和湿度）之间的复杂和非线性相互作用的影响。因此，已经开发了多种建模方法，从基于物理的公式到适合电力系统研究的高度简化的抽象方法。

2007年，Andrew Sullivan对1990年以来发表的野火蔓延建模方法进行了分类。第一类包括基于物理和半物理的野火模型[17]。这些模型旨在使用从燃烧理论和实验观察中得出的经验或分析公式来捕捉火灾蔓延机制。它们根据燃料属性、地形坡度和风条件估计火灾蔓延速度。野火建模中涉及的物理过程包括分子扩散、气体中的热传递、辐射和固体燃料传输等复杂过程。基于物理的模型和半物理模型之间的主要区别在于，基于物理的模型还结合了化学过程来估计燃料燃烧释放到大气中的能量，而半物理模型则需要火焰特性作为输入参数。第二类包括基于经验和准经验的模型[18]，它们提供了更简单且计算速度更快的野火行为表示。该领域的持续改进确定了影响火灾蔓延的关键变量，如风速和燃料湿度。然而，这些模型也存在局限性。测量误差可能源于测量风速与实际野外风条件之间的差异。选择适当的燃料层也可能导致额外的不准确性。此外，控制实验火灾与真实野火条件之间的差异以及火灾规模和几何形状的变化可能会影响结果的准确性。第三类包括数学模型和基于仿真的方法[19]。数学模型通过变量之间的数学关系描述火灾蔓延，而不显式表示潜在的物理过程。例如包括元胞自动机、神经网络和反应-扩散方程。相比之下，仿真模型依赖计算技术来实现经验火灾蔓延模型并生成动态火灾演变场景。在这些仿真中常用的两种主要算法之一是通过直接接触传播来扩展火灾边界，另一种基于惠更斯小波原理，其中火灾边界上的每个点都作为新的蔓延源。尽管许多这些仿真方法是在几十年前开发的，但计算能力和地理空间数据的进步显著提高了它们的准确性。常用的野火仿真软件示例包括FlamMap [20]、Prometheus [21]、Burn-P3 [22]、FireSim [23]、WRF-Fire [24]、SiroFire [25] 和ELMFIRE [26]。尽管这些模型具有能力，但它们通常涉及显著的实现复杂性。因此，许多电力系统研究采用简化的野火表示方法。一种常见的方法是将野火建模为以指定概率或在预定时间触发线路停电的外生随机事件。

2.2 提高电力系统对野火韧性的策略
尽管韧性指标差异很大——从未供应的能源量到受影响客户数量或相关的经济成本[27,28]——但提高电力系统对野火的韧性通常涉及三个时间阶段的宏观框架：长期基础设施规划、运营策略和事件后恢复。虽然长期规划和事件后恢复对整体韧性至关重要，但本综述的分析范围特别关注运营阶段。从规划角度来看，已经广泛研究了诸如地下配电线路、升级的导体材料和增强植被管理等电网加固措施。尽管有效，但这些解决方案通常需要大量资本投资和较长的实施时间。因此，运营策略作为灵活且成本效益高的韧性增强措施受到了越来越多的关注。例如，在野火风险增加期间，电力公司通常会采取预防性措施，如切断选定的线路或网络部分，以降低点火概率[29]。然而，这些措施在安全性和服务连续性之间引入了权衡，这促使人们开发出决策框架，以在野火风险与负荷削减和运营限制之间取得平衡[30]。为了在野火干扰期间维持系统稳定性，还提出了一些纠正性和适应性运营方法。这些方法包括发电重新调度、网络重构和拓扑控制，以减轻线路中断的影响。为了在野火事件前后有效管理电网，这一运营阶段进一步细分为三个关键分析层面：（1）风险评估，即在事件发生前收集关于火灾概率、线路故障可能性以及其他相关因素的信息；（2）规划和优化，涉及短期调整系统配置和资产布局，以降低与野火相关的风险；（3）实时控制，重点是在干扰期间管理系统运行、电力流动和自动化响应。灾后恢复策略在增强韧性方面也起着至关重要的作用。恢复模型通常优先考虑关键负荷，并通过优化修复动作的顺序来尽量减少停电时间。然而，恢复性能受到野火发生前和期间所做的决策以及事件期间遇到的具体条件的强烈影响[31]。这种相互依赖性进一步强调了需要全面的、多阶段的韧性框架。2.3. 马尔可夫决策过程马尔可夫过程描述了系统通过状态和转移概率的随机演变[32]。当这些状态转移与奖励相关联时，该模型变成了马尔可夫奖励过程（MRP）。通过进一步引入影响转移动态的控制动作，该框架扩展为MDP，从而能够在不确定性下进行最优决策。因此，MDP框架被广泛用于模拟和控制野火干扰下的电力系统。这种表述足够通用，可以表示大多数顺序决策问题，同时保持马尔可夫属性，即假设未来状态仅取决于当前状态和动作。MDP通常由五个关键元素定义：决策时期、状态、动作、转移概率和奖励[33]。在这种表述中，表示决策时期的集合，这些是非负时间索引，可以形成离散或连续的集合。同样，表示状态空间，包括给定决策时期系统变量的所有可能值。动作集表示当系统处于状态时可用的动作，其中。作为选择状态s中的动作a的结果，决策者会收到奖励，并且系统根据概率分布转移到新状态。当奖励取决于结果状态j时，预期奖励可以如下计算（5）。该框架的一个主要优点是它为强化学习（RL）方法提供了数学基础。在这种表述中，代理通过观察系统状态、选择控制动作并接收反映运营和韧性目标的奖励信号与环境进行顺序交互。这种结构使得将电力系统状态和与野火相关的信息整合到统一的决策过程中成为可能，从而可以随着时间的推移优化发电重新调度、网络重构或预防性线路断电等动作。此外，深度DRL通过使用神经网络来近似价值函数或策略，扩展了这种方法。这允许处理大规模和高维的电力系统，并能够在不确定和动态变化的野火条件下学习适应性控制策略。然而，MDP框架在现实世界场景中的应用存在重大局限性。尽管MDP框架提供了方便的数学抽象，但其基本假设往往与物理系统的行为不同。首先，标准的MDP假设下一个状态仅取决于当前状态和动作；因此，未建模的随机偏差的存在可能导致RL模型中的不准确性[34]。由于许多实际问题表现出部分可观测性和测量噪声，完全可观测和静态环境的假设经常被违反——研究人员引入了更复杂的变体，如部分可观测马尔可夫决策过程（POMDPs）、信念MDP [35]和最小信息状态马尔可夫决策过程（MISMDPs）[36]。此外，RL解决方案往往缺乏对不确定性的鲁棒性，并且受到模拟与现实差距的影响[35]。最后，传统的MDP表述假设环境动态是同步和静态的，这不适合实时系统[36]。在这方面，参考文献[37]探讨了三个关键的延迟来源：决策延迟、状态获取时间和传输延迟。从建模的角度来看，由于信息要求和系统复杂性的限制，准确识别物理系统的“真实”MDP可能是不可行的。这些局限性突显了理论MDP假设与实际实现之间的差距，特别是在野火紧急情况下高度不稳定和部分可观测的条件下。3. 方法论以往关于野火对电力系统影响的综述文章通常被归类为高影响低概率（HILP）事件，或者主要根据缓解策略对文献进行分类。这些研究大多提供了现有方法的定性讨论；然而，专门关注野火并考虑提高电网韧性所涉及的不同分析层面的文献综述仍然存在空白。相比之下，本文对目前用于分析这些层面的技术进行了结构化的综述。这种方法使得研究之间的比较更加一致，并突出了方法论上的差距，特别是在将野火动态与电力系统优化相结合方面。因此，该综述提供了对当前局限性和未来研究方向的更清晰视角。现有的关于受野火影响的电力系统的综述文章有效地讨论了诸如PSPS [29]和其他旨在降低电网相关野火风险的缓解技术[15,38,39]。另一方面，一些考虑更广泛HILP事件的研究强调了通过预测技术[40]或在破坏性事件期间的运营管理[41]的重要性。表1系统地根据对野火模拟、风险评估、规划策略和实时控制的关注程度对现有文献进行了分类。采用了一个三级定性方案来指示每个方面是被完全解决、部分考虑还是未被包括。这种分类使得跨研究进行一致比较成为可能，并有助于识别主导的研究趋势和现有差距。表1. 关于面临野火的电力系统的现有文献综述。对检索到的文献的回顾显示，没有一篇文章同时全面解决了所有四个方面。在大多数情况下，其中一个或多个组成部分被省略或仅简要提及，而没有详细讨论其背后的分析技术。此外，当前的大部分文献没有纳入最近的进展，如RL方法。在这种情况下，本综述的方法论旨在回答以下研究问题：RL作为在野火事件期间提高电力系统韧性工具的最新状态是什么？为了回答这个问题，遵循了PRISMA 2020指南[48]中说明的系统综述程序。首先，于2025年5月12日进行了文献搜索，然后于2026年1月28日使用Scopus数据库进行了补充搜索，因为它具有中立的引用索引和广泛的全球覆盖范围[49]。这些特性使得能够从IEEE Xplore、MDPI和ScienceDirect等主要数字图书馆高效收集参考文献。这次综述没有注册，也没有制定任何协议。图1. 用于综述分析的方法论。3.1. 搜索策略搜索策略旨在捕获最相关的文献，使用了表2中显示的两个独立查询。第一个查询针对野火和电网韧性的更广泛交集：TITLE-ABS-KEY（wildfire AND (“power system” OR “power grid” OR “distribution grid” OR “electric grid”) AND (resilience OR reliability)）。第二个查询旨在捕获使用机器学习技术解决类似问题的额外研究：TITLE-ABS-KEY ((wildfire ) AND (ml OR “machine learning” OR rl OR “reinforcement learning”) AND (“power system” OR grid OR “distribution”)）。在删除重复项并整合两个查询的结果后，共检索到378篇独特文章。表2. 用于文献综述的查询。3.2. 资格标准为了确保选定文献与电力系统韧性的相关性，应用了一组特定的资格标准。3.2.1. 包含标准明确关注输电或配电电网。提出了明确的基于数学、优化或学习的系统运营或规划方法（如RL）。直接将野火事件作为主要运营干扰，或者作为高影响低概率（HILP）事件。3.2.2. 排除标准仅关注野火的生态、气象或化学方面的研究，而不涉及电气工程应用。研究仅集中于长期的机械电网强化（例如，植被管理或材料科学），而不涉及动态运营决策。非同行评审的来源，如技术报告或预印本，以保持方法论的严谨性。3.3. 选择过程为了简化系统综述程序，使用了基于网络的软件平台Covidence [50]。该平台允许分两个阶段进行筛选过程：摘要筛选和全文筛选。最初，在摘要筛选阶段，根据定义的资格标准排除了不相关的文章。在全文筛选阶段，文章主要因以下三个原因被排除：缺乏对运营控制或动态决策的明确关注、缺乏明确的优化或机器学习方法，或者在问题表述中未能充分体现野火动态。摘要和全文的筛选以及随后的数据提取过程完全由第一作者根据预定义的资格标准进行，这可能会引入选择偏差。图2展示了选择最终30篇相关文章进行详细分析的步骤总结；完整的PRISMA检查表提供的在补充材料中。图2. PRISMA 2020图表。按阶段选择的论文。3.4. 数据收集数据收集工作由第一作者完成，以从选定研究中收集关键信息。这包括以下数据项：电力系统级别、作者采用的野火建模方法，以及提出的用于在野火事件期间提高电力系统韧性的优化或决策技术。此外，还记录了出版年份和研究国家等一般信息。由于建模方法、研究设计和评估框架的多样性，没有进行正式的偏差风险评估。3.5. 数据综合根据其主要方法论重点，将研究分配到不同的综合组中。每项研究根据其主要贡献被归类为四个分析层面之一——野火模拟、风险评估、规划和优化或实时控制。没有应用任何定量数据转换或标准化程序，提取的信息以其原始形式进行分析。进行了定性主题综合，以识别研究中的方法论趋势和共同模式。通过比较建模假设、系统规模和决策方法的差异，定性地探讨了异质性；因此，没有进行元分析。4. 结果通过数据库搜索共识别出534条记录。在删除重复项后，筛选出378条记录，其中286条被排除。评估了87篇全文文章的资格，最终有30项研究被纳入综合分析，如图2所示。4.1. 一般文献搜索涵盖了截至2025年的出版物，以避免引入与这些研究的出版时间框架相关的偏见。所选文章的出版年份范围从2016年到2025年，2024年和2025年的出版物约占总数的半数。相比之下，在这一时期的早期，每年大约只有一篇相关出版物。总体而言，如图3所示，出版物数量呈现出明显的上升趋势。图3. 按出版年份划分的文章。这一趋势紧密反映了近年来报告的野火活动增加[51]，这相应地导致了对电力系统相关野火影响的更多研究关注[52]。在出版来源方面，近四分之三的选定的文章是通过IEEE Xplore发表的。ScienceDirect是第二大常见的文献来源，占所有出版物的大约20%，而其余的文章则发表在其他科学期刊上。从研究地理分布来看，美国明显主导了这个研究领域，如图4所示，大约每十篇出版物中有六篇来自美国。中国和伊朗各有三篇论文。加拿大和希腊各有两篇论文，智利和巴西各有一篇论文。图4显示了按国家划分的出版物分布情况。与美国相关的研究占了主导地位，这与之前的研究结果一致。例如，参考文献[53]强调了加利福尼亚等地发生野火的高概率及其与干旱条件的关系。同样，参考文献[54]讨论了美国东部野火风险的增加，而参考文献[55]则报告了由于气候变化导致美国西部野火威胁的加剧。

如图5所示，所选研究文章主要集中在主要的科学出版物上，其中IEEE（电气和电子工程师协会）是主要的文献来源，占据了审查的主要文献的近75%。这些文献包括发表在《IEEE电力系统汇刊》、《IEEE智能电网汇刊》和《IEEE Access》等领先期刊上的文章。其余的出版物分布在ScienceDirect（爱思唯尔）等跨学科平台以及施普林格出版社的专业工程期刊上。这种分布反映了学术界的现状：电网运营和规划方面的技术研究主要由IEEE索引的出版物引领，同时也有其他国际出版物的跨学科贡献。图5展示了按出版商划分的论文分布情况。

为了系统地比较这些文献，表3总结了本综述中包含的30项研究的关键特征。该总结根据所采用的数学或人工智能方法、分析的特定电网层级以及用于模拟野火蔓延的方法对每个参考文献进行了分类。如表中所示，当前的研究方法呈现出高度多样化的特点。文献显示了一种从传统确定性编程（如MILP和MINLP）向先进的数据驱动方法、随机框架以及强化学习技术的明显转变，这反映了在严重不确定性下平衡计算可行性与电力系统物理约束的持续努力。这些结果将在以下各小节中进一步深入分析。

**4.2 野火建模**
根据参考文献[84]，可以使用多种建模方法来描述野火对电力系统的影响。这些方法可以根据建模范式（确定性或随机性）、数学公式（基于连续介质或基于电网）或火势传播机制（最近邻或基于胡伊根斯小波的传播）进行分类。检索到的研究揭示了文献中采用的两种主要建模策略。第一种方法使用数学公式来估计输电线的热状态，主要将火视为一个局部热源，而不显式模拟其在地形中的空间传播动态。这些公式包括动态热平衡（DHB）、动态热额定值（DTR）和动态线路额定值（DLR），用于评估在特定环境条件下的导体热极限。第二种方法针对野火的传播进行显式模拟，捕捉火势的前沿的时空演变。在这种情况下，野火行为可以通过元胞自动机等方式进行随机建模，或者使用FlamMap或Prometheus等专门的野火模拟工具进行确定性建模。

图6显示，在分析配电系统时倾向于使用数学公式，而在关注输电系统的研究中则更常用基于模拟的技术。

**4.2.1 基于热学的公式**
裸露在外的导体的温度可以根据风速和方向、太阳辐射和 ambient air temperature 等天气变量来计算。还需要考虑与导体相关的其他变量，包括材料属性、直径、表面状况和电流。在这方面，IEEE标准738-2012 [85]提供了在多种条件下计算导体温度所需的框架：稳态情况（变量随时间保持不变）；瞬态情况（天气条件不变，但电流从初始值变化到最终值）；以及动态情况（环境和电气变量随时间变化）。一些最早采用该标准中的非稳态热平衡方程的研究包括参考文献[81,83]。这些工作后来被多位研究野火对输电线路影响的研究人员引用。该方程考虑了导体中的焦耳热（）和太阳辐射（）产生的热量，以及由于对流（）和辐射（）导致的热量损失。在此基础上，参考文献[81]引入了一个额外的热量增益项，代表了野火暴露（），从而得到了修改后的表达式：[7]。

基于这些公式，多项研究将野火引发的热效应纳入了电力系统分析中。例如，参考文献[69,79]使用这些方程来表示野火热量暴露对输电网络的不确定影响。类似地，参考文献[59,66,68,70,71,72,77,80]利用该公式来确定输电线路在何种情况下会受到野火的影响，并结合了参考文献[86]中描述的火势蔓延速率。在另一项相关研究中，参考文献[56]使用动态热平衡模型通过动态热额定值（DTR）来计算线路载流量，从而识别出应使网络与上游电力系统断开连接的运行条件，以防止导体损坏。

**4.2.2 模拟**
与基于热学的公式相比，一些研究通过基于模拟的方法来描述野火对电力系统的影响。使用野火模拟器的主要动机是它们能够捕捉复杂的火势动态，并分析野火传播如何在整个系统范围内影响电网。这些模型还包含了地形拓扑、海拔、燃料水分和气候变量等地理和环境背景。然而，基于模拟的方法需要大量环境数据作为输入参数。根据模拟中包含的变量，需要获取不同的数据集。典型的输入文件包括海拔、燃料类型、风速、风向、温度、湿度和降水量等信息。这些数据集可以从特定区域的数据库中获取。例如，在美国，可以通过LANDFIRE数据库 [87] 获取相关数据；在加拿大，则可以通过加拿大野外火灾信息系统 [88] 获取类似信息。

在确定性野火模拟器中，参考文献[45]指出FARSITE与其他可用工具相比表现出色。在美国，FSPro [89] 和 FARSITE [90] 等野火模拟工具被广泛使用；而在加拿大，通常使用Prometheus模型 [21,91]。参考文献[60] 使用FARSITE分析了野火对输电网的影响。FARSITE基于胡伊根斯小波传播原理 [90]，其中火势边界上的每个点都作为新的小波源，代表火势的传播。与元胞自动机方法不同，该模型主要关注火势边界的演变。最近，FARSITE的功能被集成到了FlamMap中，这是一个野火分析应用程序，它还包含了表面火势蔓延建模、火焰长度估计、树冠火活动分类以及树冠火起始和传播预测等功能 [20]。同样，Prometheus模拟器也发展成了WISE平台 [92]，这是一个开源且平台独立的野火模拟工具，支持自动化和批处理。原始的Prometheus模拟器还通过一个名为Pandora [93] 的辅助软件工具支持批处理模拟。Pandora允许在不打开图形界面的情况下执行模拟，而是使用包含模拟参数和输入数据位置的配置文本文件。然而，对于大面积和长时间模拟来说，这些确定性模拟在计算上可能效率较低，尤其是在多变天气条件下。

对于随机野火模拟，通常使用元胞自动机模型 [84]。元胞自动机通过将空间离散化为具有有限状态的单元格网格来表示物理系统 [95]。每个单元格的状态根据依赖于邻近单元格的转换规则进行演变 [84]。如参考文献[62] 所述，元胞自动机模型通常包括四个主要元素：单元格本身、每个单元格的状态、单元格的空间排列以及控制状态演变的转换规则。这种建模技术的一个优势在于其灵活性，可以表示不同的火势传播机制，无论是理论上的还是经验得出的。由于这种灵活性，元胞自动机模拟在计算上比确定性方法更高效，甚至可以快30倍，并且准确率达到90%以上 [96]。这种技术已被用于生成野火情景，描述了野火事件的范围和时间 [62,82,97]。此外，参考文献[58,61] 在参考文献[98] 的工作基础上开发了模拟，提出了结合确定性燃料演化和概率性点火过程的混合元胞自动机模型。

**4.3 传输水平的优化技术**
在野火条件下，电力系统组件面临较高的故障风险。这些组件可能属于配电网络或输电网络。传输层通常包括长距离输电线路以及负责向电网供应大部分电力的大型发电设施。因此，在制定抗野火电网运行的优化策略时，必须考虑发电资产和输电基础设施。

**4.3.1 实时控制**
参考文献[57] 使用MDP框架提出了一种发电重新调度策略，该策略被表述为混合整数线性规划（MILP）优化问题，旨在最小化负荷削减和运营成本。他们的结果显示，该策略可以将野火事件期间的负荷削减减少多达50%。该模型包含了多个运营约束，包括功率平衡、输电流量限制、负荷削减限制、发电机状态、升降速率、最小升降时间和发电容量限制。类似地，参考文献[58] 也采用了MDP框架，考虑了发电容量、负荷需求和功率流限制。不过，作者们没有使用传统优化方法来解决问题，而是利用MDP模型生成的信息来训练基于深度确定性策略梯度（DDPG）算法的RL代理。他们的结果表明，尽管RL解决方案可能导致略高的负荷削减，但决策速度显著加快。同样，参考文献[65] 的作者提出了一个旨在在野火事件期间支持电网运营商的RL代理。他们的模型不仅考虑了技术变量，还考虑了社会经济指标，以便在紧急情况下实现更公平的电力分配。

其他研究，如参考文献[75,97]，提出了两阶段框架来模拟野火演变与系统停电决策之间的关系，目标是最小化负荷削减成本和设备更换费用。在参考文献[97] 中，第一阶段确定应切断哪些输电线路以防止潜在的点火；第二阶段优化野火事件期间的功率流动。相比之下，参考文献[75] 在第一阶段使用ML模型来检测级联故障风险。如果需要，第二阶段优化确定最佳的电网拓扑结构以减轻干扰。这两项研究都强调了准确的野火预测对于有效决策的重要性。

另一种实时控制策略见于参考文献[68]，作者们提出了一个非线性多目标优化问题，具有两个主要目标：最小化运营成本和减少不同削减区域之间的差异。为了解决这个问题，他们应用了Marine Predator算法来获得帕累托最优解，与粒子群优化（PSO）算法相比表现出更好的性能。

**4.3.2****规划与优化**

在规划阶段，参考文献[61]提出了一种决策支持框架，该框架考虑了可再生能源发电在野火事件中引入的运营复杂性。作者们构建了一个攻击者-防御者优化模型，其中攻击者识别野火蔓延和可再生能源发电不确定性的最坏情况，而防御者则执行最优电力调度以最小化运营成本。同样，参考文献[76]提出了一个两阶段框架，用于分析投资和运营决策对野火期间输电线路故障的影响。在第一阶段，该框架在预测最坏情况的同时最小化投资成本；第二阶段则模拟野火条件下的多周期电力系统运行。

另一种方法是参考文献[67]提出的，他们研究了结合多种能源和储能技术（包括热电联产单元（CHP）、热能存储（TES）和氢能系统的微电网的最优布局。他们的模型使用MILP优化方法来最小化未供电的预期负载（ELNS），同时考虑了电力流动限制、发电机运行、微电网与主电网之间的电力交换以及能量平衡约束等限制条件。

**4.3.3 风险评估**

第三种方法专注于野火事件前的风险评估，以更好地理解系统在危险条件下的行为。例如，参考文献[60]提出了一个优化问题，旨在在考虑类似参考文献[58]中使用的运营约束的同时最小化发电成本。然后利用得到的电力流动分析来构建最脆弱电网组件的统计表示，从而为不同系统组件制定野火风险评级。同样，参考文献[64]的作者通过计算不同网络组件的故障概率来进行传输系统风险评估。他们的工作不仅限于传统的电气基础设施，还包括了氢能系统和热能发电单元。在相关的研究中，参考文献[78,83]分析了野火对输电线路功率流动的影响。前者对野火对输电线路容量的影响进行了概率估计，并将这些值纳入最优电力流动模型；后者应用正序潮流分析来评估系统行为并识别潜在的级联故障。

**4.4 分布层面的优化技术**

分配层面代表了电力向最终用户交付的最终阶段，其特征是结构复杂性和运营不确定性高。分配网络包括配电线路、变压器、保护设备和负载等元素。近年来，它们越来越多地整合了分布式能源资源（DERs），如光伏发电、风力涡轮机、电池储能系统和可控负载。基于可再生能源的DERs的日益普及引入了变量性和双向电力流动。在这个层面，局部灵活性和快速响应能力对于维持系统韧性至关重要。

**4.4.1 实时控制**

参考文献[66,72]提出了旨在提高电网韧性同时最小化运营成本的优化模型。他们的模型不仅考虑了与电力平衡相关的约束，还考虑了分配层面组件（如储能系统和分布式发电技术，包括微型涡轮机、风力发电机和光伏系统）的约束。此外，参考文献[59]强调了安装的微型涡轮机数量与减少停电次数之间的相关性。

同样，参考文献[70]使用长短期记忆（LSTM）网络来预测太阳能辐射、风速、电力需求和市场价格等不确定变量。利用这些预测，他们实现了一个两级优化框架：第一层使用长期预测确定网络拓扑结构，第二层进行电力调度和储能利用的短期优化。在后续研究中，参考文献[77]通过提出一个DRL代理来管理野火事件期间的电力系统故障，即使在信息不完全的情况下也能发挥作用。该系统被建模为一个POMDP（部分可观测马尔可夫决策过程），作者们实现了LSTM-TD3 DRL代理来解决这个问题。他们的结果表明，与其他基于DRL的控制策略相比，性能有所提升。

其他研究关注野火条件下的输电线路容量。例如，参考文献[81]使用蒙特卡洛模拟进行概率分析，以考虑与分布式能源资源和储能系统相关的不确定性。然后他们应用反向场景缩减算法来减少场景数量，同时保持系统的代表性变化。他们的公式化结果形成了一个具有二次约束的混合整数优化问题，结果表明在估计预期负载削减时考虑野火进展的重要性。

同样，参考文献[71]的重点是基于受野火辐射影响的输电线路的热容量减少来减少线路功率流动。他们的方法允许操作者在不超过安全运行限制的情况下继续使用受影响的线路，而不是完全断开它们。在另一项研究中，参考文献[74]提出了一种基于AI的策略，使用分散式架构来提高网络韧性。两个独立代理监控储能系统和需求响应，而中央协调器确定激励信号以指导系统运行。

还有其他方法考虑了野火引起的网络重构后移动资源的部署。例如，参考文献[62]提出了一种优化框架，用于在最优节点放置移动发电机和移动储能系统以减少运营成本。同样，参考文献[73]提出了一种动态恢复策略，使用模型预测控制来优化每个时间步更新的滚动时间范围内的系统运行。

需求响应计划（DRPs）也被探索作为增强韧性的机制。在这个背景下，参考文献[82]的作者提出利用DRP的灵活性来优先处理关键负载。他们的目标函数包括三个组成部分：提高系统灵活性、在不使用响应负载的情况下最大化恢复的负载以及提高容量可访问性。优化问题使用PSO算法解决，证明了在野火事件期间整合DRP的好处。

最后，与传输层面方法类似，参考文献[68]提出了一个针对受野火影响的分配系统的公平优化模型。他们的模型考虑了野火对太阳能和风能发电的影响以及不平衡分配网络的运行。优化同时考虑了负载损失、运营成本和公平性因素，以实现平衡和公平的电力调度。

**4.4.2 规划与优化**

多项研究还关注野火不确定性下的分配系统规划策略。例如，参考文献[56]提出了一个基于信息差距决策理论的多时段规划框架，使系统能够在不利的野火条件下稳健运行。同样，参考文献[69]分析了储能系统和快速启动发电机的最优布局。他们的模型考虑了随机效应，如野火烟雾对光伏发电的影响、风力发电的变异性以及野火事件期间电力需求的变化。此外，参考文献[63]使用二进制遗传算法来确定切换设备的最优布局，以便在野火事件破坏分配系统时形成微电网。

**4.4.3 风险评估**

尽管针对这一阶段的研究较少（如图7所示），但野火事件前的风险评估也可以显著提高分配系统的韧性。例如，参考文献[79]提出了一种基于天气的功率流动分析，研究野火对分配网络的影响。他们应用反向-正向扫描方法来考虑系统中各节点电压和电流的温度依赖变化。他们的结果与忽略温度对线路参数影响的先前方法相比，准确性有所提高。

**5. 讨论**

本调查总结了当前在提高电力系统应对野火事件韧性方面的最新进展。自2017年第一篇同时讨论野火和电网韧性改进的文章发表以来，该领域的研究活动明显增加。然而，这种增长在全球并不均匀。虽然第一项研究是在希腊发表的，但研究活动主要集中在历史上遭受大规模野火影响的地区，尤其是在北美。

回顾的文献还揭示了对抗野火干扰的韧性策略的发展。这些策略大致可以分为三类：风险评估、规划和优化以及实时控制。此外，分析还揭示了现代电力系统中灾害管理的复杂性。

目前，在野火韧性电网运行中面临的最显著权衡之一是在快速决策和严格的数学最优性之间。为了更深入地分析不同控制策略如何处理这种紧张关系，表4提出了一个系统比较框架，评估了所审查方法的核心运营维度。对文献的批判性分析表明，传统方法依赖于确定性优化方法（如MILP）来保证包括发电重新调度、网络重构和负载削减在内的问题的物理可行性和成本最优解。然而，这需要完美的电网参数数据，并且计算负担沉重。随着电力系统规模的扩大或野火动态变得高度非线性，这些精确方法由于指数级的复杂性而在实际操作中的实用性大大降低。

表4. 野火电网韧性决策方法的系统比较框架

为了弥合严格数学最优性和计算可行性之间的差距，一些研究采用了元启发式算法，如遗传算法和粒子群优化。如表4所示，这些方法在处理高度非线性的电网参数或黑箱数据时提供了适度的计算负担和更好的扩展性。虽然元启发式方法为多目标问题（如分布式能源资源的规模和布局）提供了灵活的框架，但它们不能提供全局最优性的数学保证，并且倾向于收敛于局部最优解。此外，尽管它们通常比MILP更快，但它们对迭代评估的依赖性仍然限制了它们在快速发展的野火事件中的实时应用。

相反，高不确定性下对快速自适应控制的需求推动了DRL（深度强化学习）架构的采用。正如框架中详细说明的那样，DRL改变了计算负担：虽然离线训练需要大量数据，但在线执行几乎是瞬时的，为大规模电网提供了无与伦比的可扩展性。在野火条件下，最优性的概念本身变得不那么严格，因为操作者面临着与资产可用性和火势蔓延相关的重大不确定性。因此，在高压力紧急情况下，快速和适应性决策模型往往比理论上的最优解更为合适。然而，DRL的实际部署能力仍受其验证水平的限制，因为它目前缺乏数学安全保证，并且容易受到仿真与实际差距的影响。因此，文献表明，野火韧性的未来在于混合架构，其中数学优化定义了安全的运营边界，而DRL在这些边界内执行快速、自适应的控制。在这种情况下，DRL策略应被视为确定性优化框架的补充工具，而不是替代品。它们在广泛的操作条件下的泛化能力使它们特别适用于极端和不确定的情景，其中韧性、适应性和响应速度比严格的成本最优性更为重要。

电力系统的持续现代化进一步加剧了这些挑战。可再生能源发电、电动汽车和储能系统的日益整合为电网引入了额外的变异性和运营不确定性。虽然这些技术在正常运行条件下提高了灵活性和可持续性，但它们也增加了极端事件期间系统运行的复杂性。当野火干扰引入这些系统时，控制问题变得更加具有挑战性。

在文献中出现了两种主要的战略哲学：稳健规划和灵活响应。稳健规划旨在通过保守的运营限制、冗余基础设施和大型资本投资来保护电网免受最坏情况的影响。虽然这种策略提高了系统可靠性，但它往往导致资源和基础设施的过度配置，这些资源和基础设施在正常运行时可能未被充分利用。灵活响应策略提供了一种替代方法，通过在野火事件期间动态分配移动资源（如移动发电机或移动储能系统）到受影响区域。这些策略允许操作者实时调整系统配置，而不仅仅依赖于预先安装的基础设施。通过实现局部和时间依赖的干预，灵活响应机制可以支持关键负载、促进服务恢复并降低级联故障的风险。因此，灵活响应策略越来越多地被视为对传统规划方法的补充，特别是在需要快速响应能力的易受野火影响的地区。

在弹性控制策略的设计中还出现了另外两种范式：控制架构和控制目标的定义。集中式控制架构传统上更受青睐，因为它们允许操作员使用全局系统信息，并以最优和一致的方式协调恢复行动。然而，集中式架构也会在通信网络中 create 潜在的单一故障点，这些故障点在野火等极端事件期间可能会变得非常脆弱。作为一种替代方案，一些研究提出了分散式控制架构作为更稳健的解决方案。这些方法通常依赖于多智能体系统或将电网有意划分为能够自主运行的互连微电网。通过启用本地决策，分散式架构可以提高系统的稳健性，减少对广域通信网络的依赖，并在条件碎片化的情况下增强可扩展性。然而，增强的自主性可能会降低全局协调性，如果协调机制设计不当，可能会导致系统整体性能不佳。

最近的研究中，控制目标的定义也发生了演变。传统上，韧性优化模型侧重于最小化运营成本或损失负荷的量。虽然这些目标对于维持系统性能至关重要，但它们可能在极端事件期间无意中产生不公平的服务结果，对某些地区或客户群体造成不成比例的影响。因此，最近的研究开始将社会正义指标纳入韧性优化框架。这些指标旨在通过确保负荷削减负担在受影响社区之间更公平地分配来减少这种不均衡的影响。从这个角度来看，整合社会考量不仅仅是一种道德改进，而是弹性电力系统运行的基本组成部分。公平的控制策略可以提高公众信任，增强监管者的接受度，并确保在紧急操作期间没有社区系统性地处于不利地位。

最后，用于电力系统研究的野火模拟模型也涉及到物理真实性与计算效率之间的重要权衡。最简单的建模方法将野火事件表示为二元干扰，一旦满足预定义条件就会导致输电线路跳闸。当研究的主要目标是电力系统分析而非野火动态时，通常会采用这种模型。尽管计算效率高，但这些简化的表示方法并未明确捕捉到火灾的传播过程。第二类模型则更详细地考虑了野火行为与电力系统组件之间的相互作用，特别是考虑了野火接近对架空导体的热影响。在这种情况下，经常使用动态线额定（DLR）模型来估计野火引起的热暴露下的导体温度限制。尽管这种方法提供了更真实的导体行为表示，但它仍然无法完全捕捉到野火的动态特性，如燃料消耗和火焰蔓延。

最详细的建模方法结合了先进的野火蔓延模型（通常基于流体动力学）以及火与电力基础设施之间的热相互作用模型。这些模型捕捉了野火蔓延的时间演变、热量释放率和导体温度变化。虽然这些方法提供了高度真实的野火事件表示，但它们也需要大量的计算资源和广泛的环境数据。然而，使用元胞自动机可以提供一种计算效率更高的替代方案，通过离散化火灾蔓延过程显著减少执行时间，同时保持实时操作决策所需的足够空间精度。

另一方面，当前文献中的一个关键缺陷是孤立地处理不确定性。驱动野火动态的环境不确定性和电力系统内的运营不确定性主要被单独考虑。例如，许多研究在优化随机分布式能源资源时假设火灾传播是确定性的，或者相反，将随机火灾影响建模到确定性电网上。这种解耦的方法未能捕捉到这两个领域之间的强时空相关性。相同的极端天气条件（如强风和高温）会同时加剧火灾蔓延，导致冷却需求激增，改变风力发电曲线，因烟雾遮挡降低光伏系统的效率，并降低架空输电线路的动态热容量。因此，忽视联合不确定性建模会显著影响决策的可靠性。这可能导致过度的预防措施，从而造成过度且不必要的负荷削减，或者过于乐观的运营计划，在复杂的最坏情况下失败。因此，开发能够共同模拟多模态环境和电气不确定性的集成随机框架和多智能体学习架构仍然是确保电网真正稳健性的重要前沿。

**综述的局限性**
尽管这项系统性综述提供了当前技术水平的全面综合，但必须承认某些局限性。首先，文献搜索仅限于Scopus数据库。尽管Scopus涵盖了主要的工程出版商（如IEEE、Elsevier和MDPI），但依赖于单一数据库可能会遗漏在其他地方索引的相关研究，以及有价值的灰色文献，如技术指南和电网运营商的事后报告。此外，严格的资格标准应用导致最终纳入的论文数量相对较少，仅有30篇。虽然这个数字准确反映了将高级数学优化和深度强化学习应用于野火-电网交互的新兴和高度专业化的特性，但有限的样本量可能会限制研究结果在不同电力系统架构和地理环境下的普遍性。承认这些局限性有助于平衡对结果的解释，并强调未来综述需要随着该研究领域的成熟而扩大搜索范围。最后，虽然一些研究提供了具体的权衡指标，但更广泛的文献缺乏标准化的定量基准。测试网络、硬件能力和野火严重程度的异质性阻碍了跨识别方法的执行时间与准确性权衡的直接元分析。

**结论**
本文全面回顾了最近关于提高电力系统抵御野火干扰频率和严重性的韧性方面的研究。通过从四个分析层面——野火模拟、风险评估、规划和优化以及实时控制——系统地分析文献，本调查强调了从静态预防规划向动态、灵活的运营框架的关键转变。尽管取得了显著进展，但先进的方法在数学最优性和计算速度之间存在固有的权衡。为了推进这一跨学科领域并解决剩余挑战，未来的研究应在三个不同的时间范围内进行战略定位。短期内，研究必须关注模型集成。迫切需要更好地捕捉火灾行为与电网基础设施之间的耦合动态。开发将高保真野火蔓延模型与电力系统运营模型相结合的共模拟框架对于超越环境和电气不确定性的孤立处理至关重要。此外，建立标准化的基准框架对于提供关于模拟保真度与计算速度之间权衡的定量比较数据是必要的，从而能够更严格地评估各种方法。中期而言，需要开发混合控制架构来解决传统确定性优化与基于学习的控制之间的根本权衡。未来的框架应结合精确优化方法的严格物理可行性和安全性保证，以及深度强化学习（DRL）在严重不确定性下的微秒级自适应执行能力。最后，长期研究必须优先考虑公平性和透明度，以确保这些技术的实际部署。韧性优化模型必须纳入社会公平性考量，以确保紧急操作决策不会对特定社区造成不成比例的影响。同时，通过提高DRL策略的可解释性来克服模拟与现实之间的差距对于建立操作员的信任并使这些算法在公用事业控制室中可靠部署至关重要。最终，高保真环境建模与自适应、安全约束学习的结合将成为下一代气候韧性电力系统的基石。