基于深度學習的能源互聯網的應用研究

李彥豪

（廣東電網有限責任公司廣州供電局，廣東 廣州 510620）

1 深度學習

目前，深度學習技術已經取得了較大的進步，在實際應用中也積累了相關的經驗，算法也較為成熟。深度學習技術在實際應用中，是通過開發相應的技術軟件進行實現，并具有開源和閉源等形式，不同的企業可以根據自身的情況合理選擇適合自身的軟件方式，目前一般采用開源的方式。

在深度學習算法中，算法的設計邏輯是學什么、怎么學、做什么3方面。通過某一領域數據庫指定機器學習的學習內容，通過深度學習算法模型設計機器怎么學，最后通過訓練好的模型指導解決特定領域問題。

對于算法的主要任務，可以將實際遇到的問題通過深度學習算法進行抽象和模擬，并分為不同類型的任務。針對每一類基本任務，深度學習算法都提供了各具特點的解決方案。隨著深度學習技術的逐漸成熟，新算法在不斷提出和完善[1]。不管算法如何演進和改變，底層與硬件的交互是必須的環節，也正因為解決了底層交互才使得深度學習算法工作人員可以專心于處理實際領域的業務邏輯。在深度學習中，深度神經網絡模型編譯器是底層硬件和軟件框架，這種方式能夠提高計算系統的運行穩定性，同時也能夠提高系統的兼容性。

2 能源互聯網

2.1 能源互聯網的基本原理

能源互聯網通過能源轉化、能源儲存、需求側響應等多種技術實現能源信息的深度耦合。通過建設能源互聯網，在多種能源協同供應的條件下，實現各類能源的高效利用。同時，在能源互聯網體制中，結合相關的決策和能源交易政策，能有效地創造新的經濟增長點。隨著能源互聯網中的能源業務類型不斷增多，可以通過各類不同業務之間的互動，提高能源互聯網運行的靈活性，提高能源互聯網中的新能源消納利用水平，并且優化配置能源互聯網中的各類資源，實現能源的創新和變革，并促進電力技術和能源技術的發展進步。

目前，在能源互聯網中有水電、光伏、風電、電動汽車充電樁、余熱電站、垃圾電廠等多種類型的能源業務，這種具備實現多能互補的條件。在能源互聯網中，可以將多種不同類型的業務加以協調優化運行，如風電和光伏在出力特性上存在一定的互補性[2]，可以實現“源-網-荷-儲”協調控制。通過在能源互聯網中采用多能互補協調運行技術，可以提高能源互聯網中的能源利用效率。目前，公司已成立能源互聯網部，構建泛在電力物聯網，使電網具備廣泛接入的能力，推進能源互聯網建設，其中能源互聯網的軟件結構如圖1所示。

從圖1可以看出，可以將軟件架構分為不同的層次。首先對于界面層，在能源互聯網的利用軟件中，應提供較好的人機界面，方便對能源互聯網中的業務進行操作和控制。其次對于算法層，這一層是能源互聯網控制模型中的核心，能源互聯網中的控制功能的實現需要依靠核心算法的控制。再次是接口層，控制系統中的各類數據的傳輸和共享需要依靠數據接口才能實現。最后對于數據層，則包括了能源互聯網中的各類業務數據[3]。

圖1 能源互聯網的軟件結構圖

2.2 能源互聯網的現狀

目前供電公司已成立互聯網辦公室，構建泛在電力物聯網，使電網具備廣泛接入的能力，可以推進能源互聯網建設。隨著風電、光伏、天然氣三聯供等技術的發展和成熟，可以通過采用信息化技術，將這些業務數據進行傳輸和共享，實現信息數據的深度融合。同時，目前面臨著較大的能源變革時機，通過建設能源互聯網，對能源互聯網技術加以推廣應用，可以改變傳統的能源商業模式，挖掘新的經濟增長點，能源互聯網的建設工作勢在必行，其全景監控中心如圖2所示。

圖2 全景監控中心

同時，在能源互聯網體制中，結合相關的決策和能源交易政策，將能有效地創造新的經濟增長點。通過“源—網—荷—儲”協調互動，可以提高能源互聯網中的可再生能源消納比例，達到對可再生能源優化配置的目的，實現“清潔替代”與“電能替代”。為了提高能源互聯網中的可再生能源的消納比例，需要采用優化調度和運行技術，提高能源互聯網中的各類資源的靈活互動水平，實現能源的清潔、高效、安全、便捷、可持續利用。

3 深度學習在能源互聯網的應用

在能源互聯網中，可以通過深度學習技術實現智能化控制，本文分別從對電力負荷的控制、利用儲能裝置調節負荷特性等方面加以分析。

3.1 對電力負荷的控制

“荷”不僅包括電力負荷，還有用戶的多種能源需求。地區電網的負荷增長將對系統消納新能源、擴大新能源機組的裝機容量有利。建立有序用電負荷表，在用電緊張期間實行限電拉閘，保證電網的安全穩定運行。通過應用先進負荷控制手段[4]，實現對電源側電能供應特性和負荷側的電負荷需求特性的雙向優化，實現資源的優化配置。此外，應提升負荷預測的準確度，對負荷的管控是電力系統的重要內容。在負荷的管控中，其面臨的不確定性較大，通過采用新的算法和技術降低負荷的不確定性，從而提高負荷預測的準確性，并電網調度計劃的編制和機組組合的安排?？梢约皶r和氣象管理部門取得聯系，根據天氣的變化，及時調整負荷的日前預測值。根據負荷中的組成成分，不同的組成成本的負荷特性有所不同，通過刻畫不同的負荷類型的特征，從而實現負荷的差異化預測。此外，進行母線負荷預測，為電網調度運行方式的編制提供可靠的母線負荷數據支撐，保證電網的安全運行，智能微電網群如圖3所示。

同時，采用深度學習技術可構建調度控制系統，運用調度系統的負荷批量控制功能，達到強化對系統負荷的控制。長期以來，為了電網運行的安全性，在電網實際操作中沒有采用調度控制系統中的負荷批量控制功能。當需要切除多條線路的負荷時，采取的是逐條線路依次拉閘的方式，操作效率不高。當系統中可再生能源比例較高時，則對負荷切除的效率有一定要求，采用調度系統的負荷批量控制功能實現快速切除負荷，有利于保證系統的安全穩定運行。

此外，采用深度學習技術可精準預測負荷，負荷預測的精度越高，則不確定性越小，越有利于電網調度計劃的編制和機組組合的安排[5]。同時可利用彈性電價引導用戶（尤其是大用戶）在新能源大發時用電，調整負荷特性使之與新能源的出力特性相匹配，實現新能源發電波動的平抑，從而提高新能源發電容量的可信度，以減少棄風和棄光電量。同時，通過對電力負荷的削峰填谷，優化負荷特性，可以減少電網的調峰壓力，延緩容量升級投資，提高了設備的利用率。

圖3 智能微電網群

3.2 利用儲能裝置調節負荷特性

對于高鐵樞紐型城市，電網內含較高比例的高鐵負荷。高鐵沖擊性負荷會降低容載比，降低系統的備用容量，對于電網的調度運行帶來了一定的影響。利用儲能裝置的充放電特性可改善高鐵沖擊性負荷特性[6]，在高鐵負荷比重較高的時段，儲能電池運行在放電狀態，從而削減高鐵尖峰負荷；在沒有高鐵負荷的時段，儲能電池運行在充電狀態，從而達到改善高鐵負荷特性的目的，并且可降低電網調峰的壓力。采用深度學習技術，可以強化對儲能裝置的管控，提高運行的靈活性。同時，應提升能源互聯網中的新能源的出力預測精度，可以降低能源互聯網中的新能源并網對電網的影響。收集地區各光伏電站的出力曲線，分析各區域的光照特性，對不同的地區分別進行光伏出力預測，并優化水電的開機方式和系統的運行方式。此外，大規模新能源并網還會對系統潮流和網損、電壓水平、系統頻率、輸電能力、繼電保護、系統可靠性以及常規機組的出力調節等方面帶來一定的影響，提升新能源出力預測的準確度，可降低新能源并網對電網造成的影響。

4 結 論

隨著能源互聯網技術在能源行業中應用的逐漸深入，在能源互聯網的建設中采用深度學習技術具有必要性，可以提高能源行業的智能化水平。本文詳細分析了深度學習技術在能源互聯網中的具體應用，對于提高能源互聯網的建設質量和技術水平具有一定的價值。