1. 课程导入与工程认知

在调度自动化、配电自动化、新能源并网与源网荷储协同等业务中，我们每天面对的并不是“电”本身，而是一套对电网的数字化描述：变电站、线路、变压器、开关、母线、负荷、发电机、逆变器，以及它们之间的连接关系和运行参数。这套描述就是电力系统模型数据。它既包括设备台账与拓扑连接，也包括用于潮流、短路、状态估计、稳定计算等分析的电气参数与量测映射。所谓模型数据治理，就是围绕这些模型数据，建立统一的标准、权威的来源、可追溯的变更流程和可度量的质量指标，使模型在全生命周期内保持完整、一致、准确、及时、可用。

需要特别强调：模型数据治理不等于“把数据录进系统”，也不等于“做一次数据清洗”。它是一项工程化的持续活动，覆盖模型的定义、采集、校验、拼接、发布、消费、反馈与修正。它的目标不是让数据库好看，而是让基于模型的计算结果可信——潮流收敛、状态估计可观测、故障定位不误判、断面限额计算不失真。

模型数据的范畴：从设备到拓扑，从参数到映射

从工程视角，模型数据可分为四层。第一层是设备层：设备唯一标识、类型、所属厂站、投运状态、额定容量、电压等级。第二层是拓扑层：节点—支路连接关系、开关/刀闸状态、母线合并拆分规则、电气岛划分。第三层是参数层：线路正序/零序阻抗、变压器变比与分接头、发电机暂态与次暂态参数、负荷模型系数。第四层是映射层：模型对象与SCADA/PMU量测点、保护信号、计量点的对应关系。四层缺一不可，且必须保持版本一致。

以一个110kV变电站为例：若某条线路的CT变比在台账中为600/5，而模型中仍为400/5，则状态估计的功率量测权重会被系统性放大，导致该线路潮流估计偏差。这类问题往往不会报错，却会持续污染计算结果。因此，治理的核心不是“有没有数据”，而是“数据是否与现场、与其它系统、与时间版本一致”。

典型挑战：多源、多版本、多口径

实际工程中，模型数据通常来自调度主站、配电主站、GIS、PMS、新能源场站、用户上报等多个源头。挑战集中在四类：一是口径不一，同一设备在不同系统中命名、编码、电压等级描述不同；二是版本错位，基建、检修、改造导致现场已变更而模型未同步；三是拓扑失真，开关状态与母线连接关系未按运行方式刷新；四是参数缺失或可疑，尤其是新能源机组、电缆线路、高阻抗变压器的零序参数。治理工作必须针对这些挑战设计可执行的校验规则与闭环流程。

从“数据可用”到“结果可信”：治理的工程判断依据

治理是否有效，不能只看录入率。工程上通常用一组可观测指标判断：模型拼接后孤立节点数量是否为零或可解释；状态估计合格率是否稳定在阈值以上；潮流计算收敛率是否达到预期；量测映射覆盖率是否完整；变更单到模型发布的时延是否满足运行要求。以某省级调度为例，若状态估计合格率从96%提升到99.2%，往往意味着拓扑错误和参数偏差被系统性消除，而不是偶然波动。

对初学者而言，最重要的认知转变是：模型数据是资产，不是附属品。它需要责任人、需要版本、需要校验规则、需要发布窗口、需要消费反馈。只有把模型数据当作与设备同等重要的工程对象来管理，电网数字孪生才具备可信的底座。后续章节将围绕标准、建模、校验、拼接、发布与运维逐步展开，而本章要建立的，正是“为什么必须治理、治理什么、治理到什么程度”的工程判断力。