智能電網中大數據的概念、技術與挑戰

王欽，蔣懷光，文福拴，梅天華

(1.美國愛荷華州立大學電氣與計算機工程系，美國愛荷華市 50010；2.美國丹佛大學電氣與計算機工程系，美國丹佛市 80208；3.浙江大學電氣工程學院，杭州市 310027；4. 文萊科技大學電機與電子工程系，文萊斯里巴加灣 BE1410；5. 國家能源局浙江監管辦公室，杭州市 310007)

智能電網中大數據的概念、技術與挑戰

王欽1，蔣懷光2，文福拴3,4，梅天華5

(1.美國愛荷華州立大學電氣與計算機工程系，美國愛荷華市 50010；2.美國丹佛大學電氣與計算機工程系，美國丹佛市 80208；3.浙江大學電氣工程學院，杭州市 310027；4. 文萊科技大學電機與電子工程系，文萊斯里巴加灣 BE1410；5. 國家能源局浙江監管辦公室，杭州市 310007)

大數據作為技術概念正逐漸獲得普遍的認可和重視。隨著智能電網和能源互聯網的發展，傳統電力系統在技術應用、服務模式和發展理念等方面會發生深刻的變化。電力網絡設備和用電設備的普遍分散化、智能化和小型化，必然會導致電力系統運行和控制信息急劇增長。承載這些信息的數據量將會呈幾何級數增加，逐步呈現出大數據特征。在此背景下，討論了大數據在現代電力系統中應用的概念，總結了智能電網大數據的技術和特點，并論述了智能電網大數據安全的重要性及保護措施。在此基礎上，給出了幾個大數據技術在智能電網中的應用案例。最后，展望了大數據技術所帶來的新的商業模式和政府監管部門的作用。

電力系統；智能電網；大數據；數據安全；機器學習

0 引 言

隨著現代電力系統規模的不斷增大、可再生能源發電滲透率的提高和電動汽車的發展等，能量和信息雙向流通的智能電網應運而生。與此同時，智能電網與交通網、一次能源網絡(天然氣與石油輸送網絡)、智能交通網絡的深度融合和共同發展引發了數據的爆炸式增長。這些多來源、高維度、高度異構、非確定性的數據對傳統的數據采集、存儲、調用、處理和傳輸帶來了一系列新的挑戰，同時也象征著智能電網大數據時代的到來。

“大數據”作為科技創新的主攻方向之一已于2012年在國家層面被首次提出。此后，國家電網公司和南方電網公司等在可再生能源并網、智能電網、電力信息與通訊及網絡安全、用電能效與環境保護等多個專業領域開展了大數據的研究與應用[1]。與此同時，其他一些國家在智能電網大數據方面的研究報道也逐步增多。在美國，大數據被形容為“未來的石油”。Autogrid System公司以智能電網大數據為基礎為用戶提供優化調度、需求響應等服務。丹麥政府在2013年實行智能電網戰略，預計2020年在全國普及智能電表，引導用戶更加靈活高效地使用電力。在韓國，智能電網大數據和智慧城市被結合起來重點研究，以實現城市低碳化和綠色化。

除了可以采用傳統數據處理和分析的因果式思維模式外，對大數據的分析還可以基于統計分析等方法研究數據搜索、聚類和關聯，也可采用機器學習、數據挖掘、概率圖模型等考察數據集之間隱含的聯系[2]。計算機、網絡、通訊等領域的軟硬件技術的高速發展，為大數據處理和分析提供了研究與應用的強大平臺，如云計算、Apache Hadoop/Spark等。

在上述背景下，本文闡述與現代電力系統大數據相關的概念、技術與面臨的挑戰。

1 智能電網環境下大數據的基本概念

大數據是一個抽象概念。相對于以往的“海量數據”(massive data)和“超大規模數據”(very large data)概念，大數據有一個所謂的4V定義，即大數據需滿足4個特點：體量大(volume)、多樣性(variety)、速度快(velocity)和價值大(value)[1]。大數據技術不僅是對數據的廣泛收集，更重要的是要有從大量數據中提取知識的能力。大數據要解決的核心問題就是從搜集的海量數據中提取出有用的知識并應用于解決具體問題。

電力系統以及由其進化而來的智能電網中的數據具備大數據特征。美國電力科學研究院(Electric Power Research Institute，EPRI)近期的一項研究表明，大數據在智能電網領域的3個最重要應用包括可視化(visualization)、態勢感知(situational awareness)和預測(forecasting)[3]。其中，可視化即是把有用的信息展現出來供調度決策等使用，包括電力系統的精確連接圖、智能電表與分布式發電和儲能等的位置、網絡安全信息圖等。態勢感知則包括對電力系統運行狀態和運行效率進行評估以尋求提高系統可靠性(reliability)和彈性(resiliency)的措施。大數據環境下的預測技術用于估計未來可能發生的事件，以有效提高系統的安全性(security)，并為電力系統提供更好的保護和故障后的系統恢復服務。

圖1展示了技術更新如何影響一個典型電力公司的數據量[4]。橫坐標表示各項技術發展的時間順序，縱坐標表示每年產生的數據量。先進測量裝置(advanced metering infrastructure，AMI)從20世紀80年代起就逐漸在電力系統中得到應用，其在一個典型電力公司每年產生的數據量在20 TB(Terabyte，太字節)左右。隨著配電系統自動化、需求側管理、地理信息系統(geographic information system，GIS)在電力系統的應用，分布式計算與管理等技術在過去10年的快速發展，電力公司年產生的數據量已達到300 TB級別。在未來20年，隨著分布式電源在電力系統中的廣泛滲透以及家庭能源管理系統的發展，電力系統將逐步由強集中式管理向更分布式管理演變，所控制的對象由傳統的發電機、變壓器、輸配電線路逐步延伸到家庭用電設備和用戶用電行為。這些發展會極大增加傳統電力公司的年數據量，可望達到800 TB的量級。

圖1 典型電力公司的數據增長驅動力

為更直觀顯示大數據對電力系統的作用，這里列舉2個實際例子，以說明電力公司可以適當運用大數據技術提高其運行管理水平。

第1個例子來自美國的公共電力和天然氣服務公司(Public Service Electric and Gas Company, PSE&G)。該公司服務的天然氣用戶和電力用戶分別達到180萬戶和220萬戶，資產達170億美元，年收入達80億美元。該公司采用計算機輔助檢修管理系統 (computerized maintenance management system, CMMS)，其中利用大數據技術來收集和分析變壓器與其他設備的各項數據，包括每日濕度、變壓器電介質強度、供氣管實時氣體流速等，來綜合分析設備運行狀況，提出設備維修、替換和停運建議，從而提高自動化的決策服務。該公司還基于實時傳感器數據的分析結果，提前預測事故發生并建議采取適當措施。采用上述措施每年可避免一些事故的發生, 從而為該公司節省數百萬美元[5]。

第2個例子來自法國的EDF Energy公司。在歐美很多國家，用戶可以自由選擇電力公司。如何分析用戶需求，盡可能留住用戶，是許多電力公司面臨的重要挑戰。該公司通過采用大數據分析技術發現，當停電事故發生時，電力公司如果能夠在預先通知的復電時間的10 min之前就恢復供電，則用戶會獲得最大的滿意度；如果在預先通知的復電時間之前2 h以上就恢復供電，則用戶的滿意度反而并不高。通過獲得這類數據，電力公司可以制定相應措施來提升用戶滿意度。該公司采用大數據分析方法，盡可能避免了用戶流失，每年帶來的效益超過3 000萬美元[6]。

對許多電力公司而言，大數據研究與應用尚是一個新興領域，因而對采用大數據技術尚有顧慮。圖2展示了美國一份調查報告中的結果[7]，從圖2中可見：用戶最大的擔心在于數據存儲和處理成本太高(占26%)，其次則是大數據的復雜度所導致的處理難度的增加(占23%)。

圖2 電力公司應用大數據分析技術的顧慮因素

2 智能電網中的大數據技術和特點

根據智能電網的特點，文獻[8]從發、輸、變、配、用幾個環節分析了智能電網大數據的產生及特點，并指出目前在大數據方面存在的問題和不足是制約電網智能化發展的主要因素之一。文獻[2]從大能源與大數據的角度，提出了解決智能電網中大數據儲存、處理和展示等問題的新思路。文獻[9]闡述了從智能電網到能源互聯網的發展路徑，指出了融合智能電網、智能交通網絡、一次能源網絡的能源互聯網對多維異構、高速、海量大數據的儲存、處理和分析提出了更高的要求甚至挑戰。

2.1 數據來源與數據結構

從數據產生的角度看，智能電網中的數據可分為2類，即內部數據和外部數據。

內部數據包括電壓、電流、相角、頻率、有功功率、無功功率等。這些數據可以由電力系統中的不同軟件系統或平臺獲取[10-13]，例如：數據采集與監視控制系統(supervisory control and data acquisition，SCADA)、能量管理系統(energy management system，EMS)、配電管理系統(distribution management system，DMS)、廣域監測系統(wide area measurement system，WAMS)、家庭能量管理系統(home energy management system，HEMS)、樓宇管理系統(building management system，BMS)、電-氣混聯綜合能源系統(integrated electricity and natural gas energy systems)[14]。通過采用各種同步或者異步傳感器，例如相量測量裝置(phasor measurement unit, PMU)、微相量測量裝置(micro-PMU)、頻率擾動記錄器(frequency disturbance recorder，FDR)等進行測量和記錄[15-16]。

外部數據來自于與智能電網連接的其他網絡，如智能交通網、一次能源網絡、物聯網、互聯網等。這些外部信息也可能對智能電網的運行與維護產生重要影響，例如，天氣信息可以反映太陽能發電站與風力發電站的出力變化，從而對系統調度與調控產生影響；電動汽車的運行軌跡數據可用于分析對充電樁及充電站的分布需求；煤炭、石油與天然氣價格可以影響電力市場中的電價。此外, 還有路況信息、空氣污染信息、政府公共服務信息等。上述信息都可以納入智能電網大數據之中，挖掘它們隱含的知識并考察可能的應用領域。

可按數據結構特征將其分為結構化、半結構化、非結構化數據。結構化數據指可以儲存在數據庫并用二維邏輯表結構描述的數據；非結構化數據指不便用數據二維邏輯表來描述的數據，如圖片、影音、文字等，需要對其先進行處理如語音識別、語義識別和圖像識別等以轉化為結構化數據；半結構化數據則處于這二者之間。

2.2 數據挖掘與機器學習

根據電力系統大數據的應用目標，可將現有的數據挖據和機器學習分為四大類，即分類方法、聚類方法、回歸方法、降維方法。其中，分類和聚類比較類似，二者的區別是：分類(classification)是針對數據集有標記的集合，而聚類(clustering)則是作用于數據集無標記的集合。表1中列出了現有的數據挖掘與機器學習方面的主要方法。

這些方法之間有些相互聯系、也有些互為補充。

表1 數據挖掘與機器學習方面的主要方法

Table 1 Major methods in data mining and machine learning

例如，隨機梯度下降法(stochastic gradient descent, SGD)是一種在訓練集中給分類器尋找最優參數的優化方法，其既可以與SVM共同使用，也可以與邏輯回歸分析(logistic regression)結合，從而構造出各種靈活而高效的分類方法以適應于不同應用情形[17]。SVM是一種監督式學習方法，其構建一個或多個高維超平面對數據進行分類，其另一種形式支撐向量回歸(support vector regression，SVR)可用于回歸分析和預測。此外，如果使用核函數(kernel function)，則可進一步提升對高維非線性情況的分析處理能力；如果使用套索算法LASSO則可減小過擬合風險同時減小系數規模。除了分類和回歸，核函數也可以廣泛應用于多個不同的方面，例如，與PCA結合可用于新穎性檢測(novelty detection)及數據降噪。有些時頻分析方法如小波分析(wavelet analysis)和匹配追蹤分解法(matching pursuit decomposition)也可用于抑制噪聲并提取特征，因此也經常與數據挖掘或機器學習方法共同使用。貝葉斯方法(Bayesian method)和決策樹(decision tree)等，都可以合理整合成為新的集成學習(ensemble learning)方法，例如，多棵決策樹可以組成隨機森林(random forest)，以取得更好的預測性能和更強的魯棒性。此外，概率圖模型(probabilistic graphical model，PGM)與圖論結合起來可以更進一步挖掘大數據中隱藏的知識。近年來，神經網絡、玻爾茲曼機(Boltzmann machine, BM)、受限玻爾茲曼機(restricted Boltzmann machine, RBM)等可以通過多層次的疊加或深度融合，組成深度神經網絡(deep neural network, DNN)或深度信念網絡(deep belief network, DBN)以處理半結構或者非結構數據。

綜上所述，可以根據實際問題的特征，把表1中列出的某些方法進行適當組合使用。對于如此形成的混合方法，可以選擇合適的優化方法優化模型的結構和參數，以取得更好的性能和更高的計算效率。

2.3 電力系統大數據的特征外延

除了前面提到的大數據的4V特征之外，智能電網的大數據還具有下述分散性、稀疏性和安全性。

分散性。智能電網一般覆蓋遼闊的地域，數據源具有空間上的分散性。從監測的時間性來看，智能電網的數據庫往往包涵1年或者更多年的數據，在時間上跨度大。此外，智能電網不是孤立網絡，也與其他網絡交互，導致數據來源的種類、特征和速度方面具有分散性，例如空氣污染監測數據與PMU的多種測量數據在時空上都是高度分散的，且采樣頻率不同。這樣，考慮到智能電網大數據的分散性，其大數據存儲系統最好是動態的分布式系統。

稀疏性。雖然智能電網大數據的量巨大，可以從太字節(TB)到拍字節(PB)但有價值的信息并不多且往往淹沒其中。例如，對于電力系統故障情況的分析需要不同情況下的電網故障數據，但電網故障數據往往只占電網運行數據的很小一部分，需要用數據挖掘或者模式識別方法將有用數據提取出來。從數據來源上看，有的數據特征決定了其稀疏性，例如電動汽車在交通系統中的運行數據，對于每輛車的運行軌跡一般只紀錄離散時間點上其所在空間的位置。如何根據數據的稀疏性，以及反映數據重要性和準確性的權重，確定不同時間點的充電負荷是應用大數據技術的一個重要領域。

安全性。本文認為安全性有2個內涵，即數據質量和數據保護。這二者分別從數據本身及外部依賴方面表征智能電網大數據的安全性。就數據質量而言，數據采集、存儲、調用、通訊、處理等每個環節都影響并支撐著整個系統的數據質量。智能電網的數據保護依賴于發、輸、變、配、用等各個環節，同時也與數據質量的各個環節相互交叉。整個系統的綜合能力水平取決于最弱環節(或系統短板)，因此電力系統大數據的安全性取決于最薄弱環節的數據質量和數據保護能力。因此，在建設高效節能的電力大數據系統的同時，需要在各個環節上把控大數據的安全性。

基于以上分析，智能電網大數據的分散性與稀疏性在給數據存儲與調用帶來新的挑戰的同時，也給數據的安全性提出了諸多亟待解決的問題。下一節從安全性的2個內涵即數據質量和數據保護來分析智能電網大數據的安全性。

3 智能電網大數據的安全性

自2010年伊朗核電站的離心機被Stuxnet病毒攻擊開始，智能電網的數據安全性逐漸引起多國政府和學術界的重視。美國國會專門批準170億美元，研究網絡與信息安全防御系統[9]。智能電網是一個高度數字化網絡，且物理系統與信息系統已經深度融合，這樣大數據的安全性直接影響智能電網的運行行為。

3.1 大數據質量

為系統地分析數據質量，可把智能電網的數據處理過程分為5個基本環節，即數據采集、存儲、調用、通訊及處理，其中的存儲和調用環節因為聯系緊密而通常被一起研究。

(1)從數據采集的角度看，多維多種海量的結構、半結構、異構數據，例如電壓、電流、車流、天然氣流量、空氣污染程度等，對大數據采集和預處理提出了新的挑戰。與此同時，這些數據由于種種原因通常又包含不同程度的噪聲、誤差和錯誤。因此，如何對數據進行清洗和規則化，剔除噪聲、盡可能減小誤差、刪除重復數據等，就很值得研究[18]。

(2)由于數據種類多，數量大，時空分布不同，速度要求也不一致，因此對數據存儲和調用系統的需求也不同。這對傳統數據庫的存儲模式提出了挑戰, 其不適于對海量、多種類、動態數據進行管理。有鑒于此，很多公司從數據動態管理的角度出發開展了相應的研究工作。例如，Google的Spanner系統可以實現數據庫的全球規模擴展，并支持各種復雜的調用[19]。

(3)不同種類數據的采集、存儲、調用、處理都離不開高速可靠的數據傳輸系統。在表2中, 對各種數據通訊模式及其應用做了歸納。表2中列出的各種通訊協議可以靈活組合，實現大數據的高效、經濟、快速的傳輸。

表2 智能電網大數據通訊技術

Table 2 Big data communication techniques in smart grids

(4)對于數據質量問題，數據處理的含義很廣。例如，用戶的隱私保護與數據可信度分析也屬于數據處理的內容。首先，隨著智能電網和其他網絡的深度融合，不同類型用戶的信息可以從各種社交網絡或其他企業用戶網絡中獲得。目前對于用戶數據的搜集、存儲、使用等尚缺乏規范和監管，這就更需要政府、企業、用戶3個方面相互配合，建立合作機制，以防范于未然。此外，刻意偽造、編造、制造虛假數據以破壞數據系統也是對智能電網數據質量的一個挑戰。可以結合密碼學、數據挖掘、機器學習、社會行為分析等來研究這一問題。

3.2 大數據保護

智能電網是高度復雜的系統，既要對實際物理系統進行調度、控制和維護，也要對信息空間進行防衛與保護。物理系統和信息空間的高度交互與相互控制，要求新的安全防御機制，對大數據提供適當的保護。

首先，考慮到智能電網的復雜性，發、輸、變、配、用等環節對于數據保護要求的水準也不同。例如，在傳統發電側，各種控制機組的運行命令往往是明文，因此需要最高級的保護。文獻[20]由高到低定義了4種安全區：(1)實時控制安全區，包括各種物理系統的自動化控制、數據采集、監控系統；(2)非控制安全區，包括各種模擬系統、繼電保護、批發電力交易系統等；(3)生產管理系統，包括各種數據統計、氣象信息、生產信息調度等；(4)管理信息區，包括客戶服務、企業管理等。其中，管理信息區與外界有廣泛的互聯互通，因此在大數據背景下，更應該建立既嚴格又開放的安全機制；同時，也應保證各種跨安全區的信息能夠高效和安全的交互。

其次，除了上面介紹的通訊網外，為應對智能電網大數據的多種類、高速度的信息傳播特點，也需要對電力系統傳統通訊協議進行改進和提高。文獻[21]指出，從能量管理與分布式管理方面分析IEC 61970和IEC 61980等協議，從控制中心間協議分析IEC 60870-6、DNP3和IEC 60780-5-104等，從變電站協議分析IEC 62445-1和IEC 61850等，是構建智能電網和能源互聯網大數據傳輸的基礎。

最后，考慮到發展高容錯、抗攻擊智能電網大數據的愿景，建立有冗余度的大數據倉庫以動態備份大數據資料、建立云平臺等也是數據保護的重要措施。一些互聯網公司，如Google、Amazon、Facebook等已經基于機器學習、圖論、GIS等方面的理論與方法在全球部署自己的大數據倉庫，以應對各種物理系統和信息空間的攻擊。最近提出了利用風險分析方法研究對大數據的保護[22-26]。

4 大數據技術在智能電網中的應用

隨著智能電網在多個國家的發展，許多電力公司在電網中安裝了大量的實時測量或傳感設備，從而產生了大量數據[27-29]。一些電力公司甚至用“數據雪崩(data avalanche)”或“數據海嘯(data tsunami)”來描述所面臨的情形。這既描述了在現代電力系統中可獲得的數據量非常之大，也反映了一些電力公司在面臨大數據時的無所適從。大數據對電力工業帶來的挑戰如下所述。

(1)數據量和數據傳輸速度。電力公司的大數據主要來自從傳感器測量得到的物理數據以及與終端用戶的用電數據。現代傳感器能夠在min級甚至s級的時間尺度上對系統運行情況進行自動更新。當大量數據同時傳輸到控制中心時，數據傳輸速度(也可用數據到達順序描述)和處理速度便成為需要考慮的重要因素。

(2)數據的自動化處理。電力公司的數據一般存儲在不同的數據倉庫(silos)中。對數據進行分析時，一般采用如下自動化數據處理過程：1)從不同數據倉庫中對數據進行篩選；2)對數據進行驗證以確保其正確性，因為從不同渠道收集來的數據可能會相互沖突；3)把數據轉換成需要的格式；4)填充丟失的數據從而保證信息的完整性；5)從數據中提煉有效的信息并進行可視化。

(3)快速決策。傳統上，電力公司的很多決策是通過手動過程完成的，這已經無法滿足電力工業發展的需要。發電廠發出的電輸送到用戶只需要ns級的時間。當諸如停電這樣的事故發生時，電力公司需要做出快速決策，而不允許進行長時間的數據管護(data curation)。電力公司需要采用更先進的計算架構來對大數據進行管理，例如最近出現的WAMS和高級配電管理系統(advanced distribution management system，ADMS)。這些系統可實時計算從而輔助電力公司快速決策。

(4)先進的數據自動化分析方法。數據分析(data analytics)是大數據技術的重要內容。GTM Research公司曾預測在2012到2020年間全世界花費在與智能電網有關的數據分析方面的成本高達206億美元，收益可達1218億美元[30]。

(5)新的國際標準。電力公司所采用的系統一般都具有較強的針對性, 即并非通用系統。不同系統之間的數據格式未必兼容，這大大增加了數據處理和分析的難度與消耗的資源。因此，在大數據環境下需要統一的國際化標準來規范數據格式，以方便數據共享。

雖然面臨上述挑戰，大數據及其數據分析技術在電力工業中有良好的發展和應用前景。推動其快速發展和應用的主要因素如下所述。

(1)電力公司在智能電表等設備上的投入持續增加，達到數億甚至數十億美元。從追求投資回報率的角度上講，電力公司有動力充分利用這些設備產生的數據。

(2)可以采用大數據分析技術對用戶分類，以更好地實現需求側管理, 進而節約電力公司的投資和運行成本。

(3)采用大數據分析技術可以改善擁有眾多資產和設備的電力公司的資產管理水平。

(4)可以采用大數據分析技術提高電網運行管理水平，特別是在面臨極端天氣等罕見事件時，可以減少停電時間和停電成本、降低用戶的不滿意度。

(5)大數據分析技術可用于減少偷電等非技術損耗。

(6)采用大數據分析技術有助于促進可再生能源發電和電動汽車更加順暢地接入電力系統。

(7)大數據技術可以與地理信息系統結合，提供可視化的電力系統規劃、運行與檢修方案。

智能電表、分布式發電和用戶側參與使得電力公司獲得的數據量在近幾年呈現出井噴式的增長[31]。從時間尺度上看，多數數據是h內(sub-hourly)的數據，甚至達到s級或μs。以服務50萬戶用戶的中型電力公司為例，智能電表的普及使得來自用戶側的數據量呈現爆炸式增長，每年光讀電表的次數就從600萬次增加到近180億次，即增加了3 000倍[32]。為解決能源互聯網環境下對海量數據的處理需求，文獻[33]提出了基于互信息(mutual information，MI)的方法，將信息融合理論中的“數據—特征—決策”三層結構應用到能源互聯網的海量監測數據中，構建了多層模式的數據融合方案。

圖3[27]顯示了從發電到終端用戶之間復雜的數據傳輸和互聯。電力公司可運用大數據技術對歷史存儲數據和實際運行數據進行分析，從而更好地對系統未來狀況作出判斷并針對可能出現的問題給出預防措施。下面詳細介紹大數據技術在電力系統中可能應用的幾個領域。

圖3 電力系統中復雜的數據系統及其互聯

電力公司可能遇到的典型大數據來源包括：(1)用于實時態勢感知的同步測量系統(synchrophasor measurement system，SMS)產生的數據；(2)用于管理電力系統資產所需數據，如與系統檢修相關數據；(3)用于支撐系統決策所需數據，如來自天氣、GIS、市場交易信息系統的數據等[34]。

近年來，電力系統正在引入越來越多的相量測量單元(phasor measurement units, PMUs)來快速準確地測量電壓和相角。PMU使得對系統的廣域測量和廣域保護成為可能。對于系統振蕩事故，SCADA系統一般難以識別出來，但可通過分析PMU數據確定。

圖4展示了大數據技術在改善電力系統運行方面的4種典型應用：設備資產管理、運行規劃、系統安全分析、分布式發電與電動汽車[34]。

圖4 電力系統運行中的大數據應用

(1)設備資產管理。可以采用大數據技術來監控和分析設備運行情況。斷路器誤動是難以準確預測的，其危害電力系統運行的安全性。可以采用大數據技術對每個斷路器的歷史運行數據進行分析，得到斷路器各種運行狀態的概率分布函數；在實際運行時，利用實測的電流和電壓值等，便可有效預測斷路器可能發生的誤動，并提前采取預防措施。

(2)運行規劃。電力系統運行從時間尺度上可分為長期、中期和短期。一般把前兩者稱為運行規劃。中長期運行規劃結果會被分解到到短期(實時)系統調度之中。然而，由于系統中存在大量不確定性因素，尤其是隨著系統中可再生能源發電和電動汽車充電負荷滲透率的不斷提高，中長期運行規劃和短期調度都可能與實際情況有較大偏差。系統短期運行中有可能出現無法預料的停電事故，這在制定中長期運行規劃時是很難預測的，從而無法提前做好預防措施。雖然在日前電力市場中會對第2天的實時電價進行預測,但實際預測經驗表明，預測電價與實際電價之間的偏差有時相當大。采用大數據分析技術有望改善這些狀況。

(3)系統安全分析。在線電壓監控是調度中心的一個重要職能。在美國的互聯電力系統控制中心中，如PJM、MISO和ERCOT，一般都有類似功能。調度員根據經驗對未來可能的運行場景進行仿真分析。這種集中計算方式的效率受到越來越多的挑戰，因為其需要可靠的狀態估計結果，需要準確估計薄弱的線路斷面，需要對外部系統進行精確等值等。采用大數據技術，有望基于分布式測量和分布式計算方法來監控系統的準靜態電壓安全和電壓穩定狀況[35]。

(4)發電與電動汽車。可以預見, 分布式發電和電動汽車在未來配電系統中的滲透率會趨于提高。AMI和通信網絡在配電系統中的應用使得數據采集成本明顯降低。傳統上, 配電公司對系統情況的把握相當有限, 除了每月讀取1次的電表數據外，基本沒有其他信息。隨著分布式發電和電動汽車在配電系統中的滲透，配電系統的潮流不再是單向的，這引起很多運行問題，為此配電公司需要對系統運行情況更快速和精確的把握。傳統的只用Excel就可以處理的數據已經逐步演變成為需要專業分析軟件才能處理的大數據。這將對配電系統運行帶來深遠影響，促進包括配電系統狀態估計、設備診斷、負荷和可再生能源發電出力預測、設備停電預測和數據可視化等高級應用軟件的發展和應用。

5 未來展望：新的商業模式和政府監管

大數據技術在電力系統中的廣泛使用會促進新的商業模式出現。從某種意義上講，能源互聯網概念就是在大數據背景下提出的，其能引導電力系統的運行管理智能化，能夠像今天的互聯網一樣與數據產生密不可分的聯系。成立于2011年的美國初創公司(AutoGrid)就專注于能源領域大數據分析，業務范圍包括分析居民和商業建筑的用電量、智能電表測量的變壓器和發電機數據、系統停電數據等。該公司發明的算法能夠利用這些數據為電力公司提供多種服務，包括負荷和可再生能源發電預測、電網設備運行效率優化、圖表化展示用電量的走勢等。該公司現有客戶包括美國一些大電力公司如南加州電力公司、薩克拉門托市電力公司、佛羅里達電力公司、德州奧斯丁電力公司、俄克拉何馬燃氣與電力公司等。其中，佛羅里達電力公司用該公司開發的軟件預測輸電線路附近的樹木何時需要被修剪。該公司于2016年5月第2輪融資高達2千萬美元，資助方包括美國一些著名能源集團如南方電力公司(Southern Company)和Xcel Energy公司，其將利用這些融資擴展銷售業務并開發新的能源應用軟件。

其他從事類似業務的高科技公司包括第1家能源數據公司Opower，其致力于開發幫助用戶節省用電量的軟件。最近，軟件巨頭甲骨文公司表達了購買Opower公司的意愿。此外還有eMeter公司，其致力于對智能電表數據進行分析并被西門子公司收購。基于互聯網的區塊鏈(blockchain)技術最近也受到越來越多的關注，例如，西班牙大型能源公司Endesa建立了區塊鏈實驗室，試圖開發能源行業中基于區塊鏈的解決方案，轉變當前能源行業的基礎設施使用模式。德國電力公司Enercity引入比特幣作為支付方式，方便用戶結算電費。美國TransActive Grid是由LO3 Energy和區塊鏈技術開發企業ConsenSys合資成立的公司，其以去中心化的方式促進能源的點對點交易。該公司在紐約布魯克林運行一個示范性的微網項目，居民可將自家屋頂太陽能板產生的過剩電力出售給對面街道的用戶，相互間的交易以區塊鏈網絡連接，幾乎不需要人員參與就可以記錄和管理交易。

大數據技術除了會引導技術變革外，還會導致管理方式的進步。安全性是電力工業的基礎，在大技術環境下確保電力系統安全性需要有新的監管模式和思路。可以預期，大數據在給電力公司帶來巨大收益的同時，也會帶來安全、隱私、傳播上的風險。從美國的經驗來看，目前政府推出的與大數據有關的法案還很少。一般而言，公司在使用大數據時，必須確保其行為受相關的一般社會法案約束，同時也要遵循公司內部與數據合理使用和流通有關的規范。例如，當金融機構希望使用客戶的私人數據時，必須確保其符合《格雷姆-里奇-比利雷法案》(Gramm-Leach-Bliley Act)的要求。為推動大數據技術在電力行業的發展，政府部門應該做好如下2方面的工作：(1)出臺與電力大數據相關的規劃政策，明確大數據應用的總體目標和要求，指明大數據應用的發展方向，布局推進大數據應用的重點任務，更好地推動大數據在電力行業的快速發展，切實發揮大數據的作用；(2)強化企業信息互聯，將電力系統運行的各環節納入到企業的信息化系統中，完善在線監控體系，確保大數據技術得到有效應用。

隨著云計算、物聯網、能源互聯網等的發展，數據呈現爆炸式的增長。大數據時代已經到來，且大數據技術在很多領域已經得到應用。以智能電表、分布式電源、用戶側參與和電力通信等技術發展為代表的智能電網，是大數據技術應用的重要場所。大數據技術對建立可持續性、有彈性、高效運行、具備更強自動化和智能化的現代電力系統具有重要作用[36]。

6 結 論

本文首先介紹了智能電網環境下大數據的基本概念，闡明了智能電網大數據技術的特征。在此基礎上，指出了智能電網大數據所面臨的安全挑戰并給出大數據保護的一些具體措施。之后，采用幾個例子闡明了大數據技術在智能電網中的應用。最后，展望了大數據技術在智能電網中的應用和發展，介紹了一些新的商業模式和政府監管機構需要關注的問題。

大數據技術在電力系統中有廣闊的發展前景，為傳統電力工業的發展注入了新的活力。研究適用于智能電網的大數據分析理論、方法與技術，以實現更安全、更經濟、更智能的電力系統，是值得研究的重要課題。

[1]劉世成，張東霞，朱朝陽，等．能源互聯網中大數據技術思考[J]．電力系統自動化，2016，40(8)：14-21．

LIU Shicheng，ZHANG Dongxia，ZHU Zhaoyang，et al．A view on big data in energy internet[J]．Automation of Electric Power Systems，2016，40(8)：14-21．

[2]薛禹勝，賴業寧．大能源思維與大數據思維的融合(一)大數據與電力大數據[J]．電力系統自動化，2016，40(1)：1-8．

XUE Yusheng，Lai Yening．Integration of marco energy thinking and big data thinking part one：big data and power big data [J]．Automation of Electric Power Systems，2016，40(1)：1-8．

[3]Electric Power Research Institute．Improving electric power system situational awareness：data analytics for utilities[R]．Palo Alto，California： Electric Power Research Institute，2015．

[4]SUNIL P．Solving big data challenges in US electric utility industry．Presentation at IEEE Power and Energy Society General Meeting，Washington D．C．，USA，July 29，2014 [EB/OL]．(2014-07-29) [2016-11-11]．http://www．ieee-pes．org/presentations/gm2014/14_02176_IEEE_PES_Final．pdf

[5]WERNSING R， ROTHWEILER A．Data enables proactive asset management：PSE&G is determining effective age of substation transformers through advanced analysis [EB/OL]．(2015-05-01)[2016-11-11]．http://tdworld．com/may-2015?PK=UM_Dig15&utm_rid=CPG04000000096003&utm_campaign=2413&utm_medium=email&campaigncode=CRM-XU15-UTI-TDPSEGEM&t=1#56．

[6]Capgemini Consulting．Big data blackout：are utilities powering up their data analytics? [EB/OL]．(2015-05-04)[2016-11-11] www．capgemini-consulting．com/resource-file-access/resource/pdf/bigdata_blackout．pdf

[7]Capgemini Consulting．Big and fast data：the rise of insight-driven business．[EB/OL]．(2015-03-01)[2016-11-11] https://www．capgemini．com/resource-file-access/resource/pdf/big_fast_data_the_rise_of_insight-driven_business-report．pdf．

[8]宋亞奇，周國亮，朱永利．智能電網大數據處理技術現狀與挑戰 [J]．電網技術，2013，37(4)：927-935．

SONG Yaqi，ZHOU Guoliang，ZHU Yongli．Present status and challenges of big data processing in smart grid [J]．Power System Technology，2013，37(4)：927-935．

[9]董朝陽，趙俊華，文福拴，等．從智能電網到能源互聯網：基本概念與研究框架[J]．電力系統自動化，2014，38(15)：1-11．

DONG Zhaoyang，ZHAO Junhua，WEN Fushuan，et al．From smart grid to energy internet：basic concept and research framework [J]．Automation of Electric Power Systems，2014，38(15)：1-11．

[10]JIANG Huaiguang，ZHANG Jun，GAO Wenzhong，et al．Fault detection，identification，and location in smart grid based on data-driven computational methods [J]．IEEE Transactions on Smart Grid，2014，5(6)：2947-2956．

[11]JIANG Huaiguang，DAI Xiaoxiao，GAO Wenzhong，et al．Spatial-temporal synchrophasor data characterization and analytics in smart grid fault detection，identification and impact causal analysis [J]．IEEE Transactions on Smart Grid，2016，7(5)：2525-2536．

[12]JIANG Huaiguang，ZHANG Yingchen，ZHANG Jun，et al．Synchrophasor-based auxiliary controller to enhance the voltage stability of a distribution system with high renewable energy penetration [J]．IEEE Transactions on Smart Grid，2015，6(4)：2107-2115．

[13]YU Chengbo，CUI Yanzhe，ZHANG Lian，et al. Zigbee wireless sensor network in environmental monitoring applications [C]//IEEE 2009 5th International Conference on Wireless Communications，Networking and Mobile Computing．Beijing：IEEE，2009 ，1-5．

[14]黃國日，劉偉佳，文福拴，等．具有電轉氣裝置的電-氣混聯綜合能源系統的協同規劃[J]．電力建設，2016，37(9)：1-13．

HUANG Guori，LIU Weijia，WEN Fushuan，et al．Collaborative planning of integrated electricity and natural gas energy systems with power-to-gas stations [J]．Electric Power Construction，2016，37(9)：1-13．

[15]GU Yi，JIANG Huaiguang，ZHANG Yingchen，et al．Statistical scheduling of economic dispatch and energy reserves of hybrid power systems with high renewable energy penetration[C]//2014 48th Asilomar Conference on Signals，Systems and Computers．Pacific Grove，CA：IEEE，2014，530-534．

[16]茆美琴，孫樹娟，蘇建徽．包含電動汽車的風/光/儲微電網經濟性分析 [J]．電力系統自動化，2011，35(14)：30-35．

MAO Meiqin，SUN Shujuan，SU Jianhui．Economic analysis of a microgrid with wind/photovoltaic/storages and electric vehicles [J]．Automation of Electric Power Systems，2011，35(14)：30-35．

[17]JIANG Huaiguang，ZHANG Yingchen，ZHANG Jun，et al．Synchrophasor based auxiliary controller to enhance power system transient voltage stability in a high penetration renewable energy scenario[C]//2014 IEEE Symposium Power Electronics and Machines for Wind and Water Applications (PEMWA). Milwaukee，MI：IEEE，2014：1-7．

[18]馮登國，張敏，李昊．大數據安全與隱私保護[J]．計算機學報，2014，37(1)：246-258．

FENG Dengguo，ZHANG Min，LI Hao．Big data security and privacy protection [J]．Chinese Journal of Computers，2014，37(1)：246-258．

[19]孟小峰，慈祥．大數據管理：概念，技術與挑戰[J]．計算機研究與發展，2013，50(1)，146-169．

MENG Xiaofeng，CI Xiang．Big data management：concepts，techniques，and challenges [J]．Journal of Computer Research and Development，2013，50(1)：146-169．

[20]胡榮，李鵬，趙曼勇．運行服務總線跨安全區的服務部署方式探討[J]．南方電網技術，2012，6(3)：73-77．

HU Rong，LI Peng，ZHAO Manyong．Research on OSB-based service deployment modes over multi-security zones[J]．Southern Power System Technology，2012，6(3)：73-77．

[21]查亞兵，張濤，黃卓，等．能源互聯網關鍵技術分析[J]．中國科學(信息科學)，2014，44(6)：702-713．

ZHA Yabing，ZHANG Tao，HUANG Zhuo，et al．Analysis of energy internet key technologies [J]．Science China(Information Sciences)，2014，44(6)：702-713．

[22]WANG Qin，WEN Fushuan，SUN Weizheng，et al．Risk-based security-constrained economic dispatch in power systems [J]．Journal of Modern Power System and Clean Energy，2013，1(2)：142-149．

[23]WANG Qin，MCCALLEY J D，ZHENG T，et al．A computational strategy to solve preventive risk-based security constrained OPF [J]．IEEE Transactions on Power Systems，2013，28(2)：1666-1675．

[24]WANG Qin，MCCALLEY J D．Risk and ‘n-1’ criteria coordination for real-time operations [J]．IEEE Transactions on Power Systems，2013，28(3)：3505-3506．

[25]WANG Qin，MCCALLEY J D，ZHENG T，et al．Risk-based locational marginal pricing and congestion management [J]．IEEE Transactions on Power Systems，2014，29(5)：2518-2528．

[26]WANG Qin，MCCALLEY J D，ZHENG T，et al．Solving corrective risk-based security-constrained optimal power flow with Lagrangian relaxation and Benders decomposition [J]．International Journal of Electrical Power and Energy Systems，2016，75(2)：255-264．

[27]宋璇坤，韓柳，鞠黃培，等．中國智能電網技術發展實踐綜述[J]．電力建設，2016，37(7)：1-11．

SONG Xuankun，HAN Liu，JU Huangpei，et al．A review on development practice of smart grid technology in China [J]．Electric Power Construction，2016，37(7)：1-11．

[28]劉道新，郭萬祝，王世成，等．面向能源互聯網的新型需求側管理模式研究[J]．電力建設，2016，37(6)：10-16．

LIU Daoxin，GUO Wanzhu，WANG Shicheng，et al．New demand-side management pattern for energy internet [J]．Electric Power Construction，2016，37(6)：10-16．

[29]曾鳴，張曉春，王麗華．以能源互聯網思維推動能源供給側改革[J]．電力建設，2016，37(4)：10-15．

ZENG Ming，ZHANG Xiaochun，WANG Lihua．Energy supply side reform promoting based on energy internet thinking [J]．Electric Power Construction，2016，37(4)：10-15．

[30]LEEDS J D．The soft grid 2013-2020：big data & utility analytics for smart grid [R]．Massachusetts，United States：GTM Research，2012．

[31]張華一，文福拴，張璨，等．考慮能源需求不確定性的居民小區能源中心運行策略[J]．電力建設，2016，37(9)：14-21．

ZHANG Huayi，WEN Fushuan，ZHANG Can，et al．Operation strategy for residential quarter energy hub considering energy demand uncertainties [J]. Electric Power Construction，2016，37(9)：14-21．

[32]ALIGNE Energy Trading，Risk & Operations．Big data：challenges and opportunities for the energy industry [EB/OL]．(2013) [2016-11-11]．https://www．sungard．com/～/media/fs/energy/resources/white-papers/Big-Data-Challenges-Opportunities-Energy-Industry．ashx．

[33]李剛，楊立業，劉福炎，等．能源互聯網關聯數據融合的互信息方法[J]．電力建設，2016，37(9)：22-29．

LI Gang，YANG Liye，LIU Fuyan，et al．A mutual information method for associated data fusion in energy internet[J]．Electric Power Construction，2016，37(9)：22-29．

[34]KEZUNOVIC M，XIE L，GRIJALVA S．The role of big data in improving power system operation and protection [C]//2013 IREP Symposium-Bulk Power System Dynamics and Control，Rethymnon. Greece: IEEE，2013：1-8．

[35]XIE L，CHEN Y，LIAO H．Distributed online monitoring of quasi-static voltage collapse in multi-area power systems[J]．IEEE Transactions on Power Systems，2012，27(4)：2271-2280．

[36]甘霖，劉育權，文福拴，等．彈性電力系統及其恢復策略研究的理論與實踐[M]．北京：科學出版社，2016．

GAN Lin, LIU Yuquan, WEN Fushuan, et al. Theory and applications of resilient power systems and associated restoration strategies[M]．Beijing：Science Press, 2016.

王欽 (1984)，男，博士，研究方向為新能源并網和電力系統運行安全；

蔣懷光 (1984)，男，博士，研究方向為大數據分析和新能源；

文福拴 (1965)，男，博士，教授，博士生導師，本文通信作者，研究方向為電力系統故障診斷與系統恢復、電力經濟與電力市場、智能電網與電動汽車等；

梅天華(1980)，男，博士，研究方向為電力市場與電力系統負荷側管理。

(編輯 張媛媛)

Concept, Technology and Challengs of Big Data in Smart Grids

WANG Qin1, JIANG Huaiguang2, WEN Fushuan3,4, MEI Tianhua5

(1. Department of Electrical and Computer Engineering, Iowa State University, Ames, IA 50010, USA； 2. Department of Electrical and Computer Engineering, Denver University, Denver, CO 80208, USA； 3. School of Electrical Engineering, Zhejiang University, Hangzhou 310027, China； 4. Department of Electrical and Electronic Engineering, Universiti Teknologi Brunei, Bandar Seri Begawan BE1410, Brunei； 5. Zhejiang Energy Regulatory Office of National Energy Administration，Hangzhou 310007，China)

The technology concept of big data is getting more and more widely acknowledged and emphasized. With the development of the smart grid and energy internet, the traditional power industry is undergoing profound changes in terms of technical applications, service modes, and development ideas. The decentralization, digitalization and intellectualization of power system devices and end-user facilities could significantly increase the information amount of power system operation and control. This will in turn significantly increase the data volume which is gradually exhibiting the features of big data. Give this background, this paper discusses the concept of big data applications in modern power systems, clarifies the technical features of big data in smart grids, and illustrates the significance of big data security and corresponding protective measures. Some examples are next employed to demonstrate the applications of big data technologies in smart grid environment. Finally, new business modes brought in by big data technologies are discussed, as well as the role of governmental regulation.

power system; smart grid; big data; data security; machine learning

國家重點基礎研究發展計劃項目 (973計劃)(2013CB228202)；國家自然科學基金項目(U1509218)；國家能源局浙江監管辦公室科研項目(H20152711)

TM 711

A

1000-7229(2016)12-0001-10

10.3969/j.issn.1000-7229.2016.12.001

2016-10-08

Project supported by National Basic Research Program of China (973 Program) (2013CB228202)；National Natural Science Foundation of China (U1509218)