電網大數據應用技術與前景分析

高建勇 王棟

摘要：在當前智能電網環境下，電網數據的來源多樣、數據規模巨大，數據采樣速度快，必須利用大數據技術才能處理智能電網的海量數據。基于此，文章對大數據分析技術進行了介紹，對其在智能電網中的應用前景進行了總結和分析，從而更好的促進智能電網的發展。

關鍵詞：大數據技術，智能電網，調度

1電網大數據應用技術

隨著智能電網大數據環境逐漸成熟，對于數據價值的挖掘開始日益迫切，目前大數據的分析技術主要分為數據統計分析技術、數據挖掘技術和數據可視化技術三類。

1.1數據統計分析技術

數據統計分析技術主要用于對數據形態、數據分布情況的分析，通過數據統計分析可以掌握數據的穩定性情況和數據的分布情況，是通過數據掌握業務的穩定性和變化趨勢的重要手段。在描述數據形態時我們多使用中位數、四分位、眾數、均值、方差、標準差、標準分等統計分析方法;在數據概率分布時采用均勻分布、二項分布、泊松分布、正態分布來描述數據，在判定上采用T檢驗、F檢驗、二項分布假設檢驗、卡方檢驗、K-S檢驗、游程檢驗等。

1.2數據挖掘技術

數據挖掘（Data Mining）從大量的、不完全的、有噪聲的、模糊的、隨機的實際應用數據中，提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程[4]。與之相似的概念稱為知識發現。數據挖掘與統計分析之間的關系如下圖所示：

傳統分析：在數據量較少時，傳統的數據分析已能夠發現數據中包含的知識，包括結構分析、杜邦分析等模型，方法成熟，應用廣泛，本文不展開介紹。

信息處理：基于查詢，可以發現有用的信息。但是這種查詢的回答反映的是直接存放在數據庫中的信息。它們不反映復雜的模式，或隱藏在數據庫中的規律。

數據分析工具：各種廠商開發了數據分析的工具、模塊，將分析模型封裝，使不了解技術的人也能夠快捷的實現數學建模，快速響應分析需求。

數據挖掘：被定義為就是充分利用了統計學和人工智能技術的應用程序，并把這些高深復雜的技術封裝起來，使人們不用自己掌握這些技術也能完成同樣的功能，并且更專注于自己所要解決的問題。

1.3數據可視化技術

數據可視化技術的基本思想是將數據庫中每一個數據項作為單個圖元元素表示，大量的數據集構成數據圖像，同時將數據的各個屬性值以多維數據的形式表示，可以從不同的維度觀察數據，從而對數據進行更深入的觀察和分析。數據可視化技術的主要特點是：

（1）交互性。用戶可以方便的以交互的方式管理和開發數據。

（2）多維性。可以看到表示對象或事件的數據的多個屬性或變量，而數據可以按其每一維的值，將其分類、排序、組合和顯示。

（3）可視性。數據可以用圖像、曲線、二維圖形、三維體和動畫來顯示，并可對其模式和相互關系進行可視化分析。

數據可視化技術能用三維正交標準來描述：可視化技術、扭曲技術，交互技術。任何可視化的技術都與扭曲技術和交互技術協同工作。

可視化技術主要分為：基于幾何技術、基于圖標技術、面向像素技術、分層技術、基于圖形技術、混合技術。

2 大數據技術在智能電網中的應用前景

大數據技術在智能電網中具有廣闊的應用前景，下面從源網荷協同、負荷預測、網架規劃三個方面進行論述。

2.1 源網荷協同調度

利用大數據技術可以有效降低新能源預測誤差，但這對于新能源出力固有的波動性，傳統的調度方法通過增加系統的旋轉備用來解決。在電力市場不斷完善的背景下，可以不通過調節常規電源的出力，而是利用市場手段，使得一部分用戶主動削減或者增加一部分負荷去平衡發電側出力的變化，即通過需求側管理實現系統電量平衡。若要達到網源荷協調優化調度需要大量的輔助信息，如新能源出力波動大小、電網線路輸送能力、負荷削減電量的范圍、實時電價等，其中每個因素又受很多條件的影響，因此是一個非常復雜的電力交易過程，此時必須利用大數據技術發掘數據內部之間的聯系，從而制定出最佳調度方案。智能電網和傳統電網最大的區別在于源網荷三者之間信息流動的雙向性，三者之間信息在一個框架內可以順暢的進行交互，極大地提升電網運行的經濟性、可靠性。

2.2 負荷波動及新能源出力預測

負荷預測作為電網電量管理系統的重要組成部分，其預測誤差的大小直接影響電網運行的安全性及可靠性，較大的預測誤差會給電網運行帶來較高的風險。現階段負荷預測主要是通過負荷歷史數據，利用相似日或者其他算法預測負荷的大小，短期預測精度較高，中長期精度較差。隨著電網采集數據范圍增加，利用大數據技術可以將氣象信息、用戶作息規律、宏觀經濟指標等不同種類的數據，通過抽象的量化指標表征與負荷之間的關系，實現對負荷變化趨勢更為精確的感知，提高預測精度。

分布式發電的不斷接入，特別是新能源滲透率的不斷增加，打破了原來電網運行管理的模式，不但需要考慮負荷側的波動，還要計及新能源出力的間歇性。在我國，新能源接入主要受制于兩個因素：（1）新能源大多分布在電網末端遠離負荷中心，網架結構較為脆弱，從而造成電網接納能力較弱;（2）新能源預測誤差較大，目前風電出力預測日前和實時的誤差分別為20%、5%左右，這樣就會給電網調度帶來較大的挑戰。由于新能源較大的預測誤差，往往需要在大型新能源基地周邊建立配套的大型常規能源作為旋轉備用，以彌補新能源預測精度方面的不足。作為備用的常規電源，由于擔負著較重的旋轉備用，長期不能工作在最佳運行點，將造成其發電效率低以及能源的浪費。利用大數據技術，可以有效提高新能源出力的預測精度，如丹麥的維斯塔斯風力技術集團，在風電出力預測時采用了IBM的大數據解決方案，在風電出力預測時加入了地理位置、氣象報告、潮汐相位、衛星圖像等結構化及非結構化的海量數據，從而優化了風力渦輪機布局，提高風電發電及預測效率，獲得了較為可觀的經濟效益。

2.3 網架發展規劃

電網已經從傳統電網發展到智能電網，隨之將會成為能源互聯網的一部分，從而使得電網與整個能源網聯系的更為緊密。電轉氣技術的提出，為新能源接入提供了新的思路，試圖將不宜存儲的電能轉化為便于存儲的天然氣，但由于轉化效率較低，尚屬于技術論證階段。冷熱氣三聯技術實現了能源的階梯利用，能源利用效率高、環境污染小、經濟效益好。電動汽車的興起將會顯著提高能源末端電力消費的占比，充換電站將會像加油站一樣分布在城市的每個角落。傳統的電網規劃數據來源渠道不足，數據分析挖掘能力欠缺，因此造成規劃過程中面臨著眾多不確定性因素的現象，特別是現在新技術不斷涌現，能源結構不斷發生變革，使得傳統的電網規劃方法往往與實際需求差別較大。電網規劃的過程中，需要利用大數據技術綜合考慮多種因素如分布式能源的接入、電動汽車的增長趨勢、電力市場環境下為用戶提供個性化用電服務等，多類型、海量數據的引入，可以有效減少電網規劃過程中的不確定性，使得整個規劃的過程更加合理、有序。

3 總結

在當前提倡綠色低碳經濟發展理念以及網絡信息技術飛速發展的基礎上，智能電網的建設和發展已經成為一種必然的趨勢，在智能電網應用中的大數據處理技術，能有效的對智能電網的發展起到關鍵性的促進作用，推動社會的發展。

參考文獻：

[1]但濤.面向智能電網應用的電力大數據關鍵技術分析[J].科技傳播，2015：31+29.

[2]劉振亞.全球能源互聯網[M].北京：中國電力出版社，2015.

[3]張東霞，苗新，劉麗平等.智能電網大數據技術發展研究[J].中國電機工程學報，2015：2-12.