大數據技術在新能源電站智能化運營監管中的應用

伍璇

摘 要：近年來，國家大力支持新能源發展，出臺了一系列政策鼓勵新能源產業發展。據統計，我國2023年新能源新增裝機預計將達3.8億千瓦以上。與此同時，隨著我國光伏電站裝機容量的不斷擴大和發電規模的不斷增加，其運行狀況也面臨著諸多挑戰。因此，在保證新能源電站安全穩定運行的基礎上，利用大數據技術提高新能源電站運營管理水平成為現階段最為迫切的工作任務。文章針對新能源電站大數據技術應用進行了分析和探討。

關鍵詞：大數據技術 新能源電站 智能化運營監管

1 引言

近年來，隨著我國新能源發電規模的不斷擴大，新能源電站數量也在快速增長。據統計，截至2022年底，我國光伏電站累計裝機規模達到4.8億千瓦，占全國發電裝機容量的（10.5%），預計到2023年底我國光伏發電累計裝機規模將達到8億千瓦以上。與此同時，隨著新能源電站裝機容量的不斷擴大和發電規模的不斷增加，新能源電站運行管理中面臨著諸多挑戰，而大數據技術是應對這些挑戰的重要抓手，其中關鍵在于開發大數據技術的應用方式，故有必要展開相關研究。

2 什么是大數據技術

大數據技術是指通過對海量數據進行收集、存儲、管理、處理和分析，實現數據價值的技術。在數據的采集環節，需要將多種類型的傳感器和設備接入到電力系統中，通過對大量數據進行采集，完成對電力系統運行狀況的全面了解。在數據傳輸環節，需要通過多種網絡將采集到的數據傳輸到電力系統中，其中包括光纖、微波、衛星等多種傳輸方式。在數據存儲環節，需要將采集到的數據存儲到不同的數據庫中，保證所獲得數據能夠被及時、準確的分析和利用。在數據處理環節，需要將不同類型的數據按照一定方式進行處理和分析，得到相關結果。在大數據技術應用過程中，需要充分考慮其實用性、可靠性以及可擴展性等特點。

目前，大數據技術已廣泛應用于各行業領域，包括金融、醫療、電信、交通等。其中，電力行業作為大數據技術的主要應用領域之一，其主要目的是幫助電廠搜集、處理復雜、龐大的發電數據，通過對數據的處理，能夠讓復雜的參數值變得更加清晰，還能對發電的走向進行預測，便于運維人員快速做出反應。在新能源電站運營中，大數據技術可通過對電站信息的全面掌握和分析，來提升管理質量和效率。因此，在保證新能源電站安全穩定運行的基礎上，可以利用大數據技術來提高新能源電站運營監管水平。

3 新能源電站智能化運營監管中大數據技術的應用方式

3.1 智能化進行運營監管檔案管理

在新能源電站的運行過程中，對設備狀態、電網信息和運行環境進行實時監控，將成為電站運營的核心，而借助大數據技術對電站所獲取的信息進行處理，并通過智能化分析處理之后的數據信息將成為電站運營監管的重要組成部分。新能源電站運營的檔案管理主要核心在于運營數據管理。對于新能源電站來說，其涉及到的檔案管理工作較為繁雜且數量龐大，必須要運用大數據技術將其進行智能化處理。因此，在智能化進行新能源電站運營監管檔案管理工作中，需要實現對相關數據信息的實時收集、儲存和傳輸[1]。具體而言，大數據技術可通過物聯網等渠道將采集到的設備運行參數、電網信息、環境數據等信息通過數據轉換處理之后傳輸至云端服務器或終端服務器中，并將這些數據信息存儲至數據庫中，最終通過神經網絡數據模型進行分析處理實現對新能源電站運行狀態的實時監控。神經網絡數據模型是大數據技術的一種，該模型能通過一種類似人類智能的運作模式對復雜數據進行處理，還具備深度學習功能，經過訓練可以根據數據給出非常準確的結果。在實際應用過程中，依靠神經網絡模型可根據電站所處位置的不同選擇不同的傳輸方式。對于距離較近的電站可采用有線傳輸方式，對于距離較遠或需要遠程監控的電站則可以采用無線傳輸方式。在具體實現過程中，可利用大數據技術對采集到的設備運行參數等信息進行處理和分析。

3.2 對電站設備運行狀況進行監控

新能源電站智能化運營監管的主要作用是對新能源電站的設備運行狀況進行有效監控，對電站運行過程中產生的問題進行及時發現，并對其進行及時解決。為了實現這一目標，就需要利用大數據技術來構建電站設備運行狀況監控系統。通過構建該系統，能夠對新能源電站設備運行狀況進行有效監測和分析，并及時發現存在的問題。

在構建該系統時，首先可以通過傳感器新能源電站的設備運行數據進行全面采集，包括電力設備、電氣設備、輸電線路以及通信設備等，并將其存儲在數據庫中。由于新能源電站運行過程中會產生大量的數據信息，因此為了保證該系統能夠穩定可靠運行，在對數據信息進行收集時要盡可能全面且真實。其次要使用數據分類算法、神經網絡模型對收集到的數據信息進行篩選和處理。在構建該系統時，要根據新能源電站實際情況來確定數據采集的范圍和具體內容，同時要對數據信息進行有效處理。通過對數據信息的分析和處理可以確定電站設備運行過程中存在的問題和故障，為后續解決問題提供依據。再次要充分考慮到新能源電站的實際情況和需求，結合實際情況來確定系統構建的基本原則和具體內容[2]。該系統應包含以下幾個模塊：一是故障診斷模塊；二是參數設置模塊；三是系統監測模塊；四是統計分析模塊。通過這四個模塊可以對新能源電站運行過程中出現的各種問題進行有效監測和分析。

在故障診斷模塊中，系統主要實現以下幾個方面的功能：一是可以通過該模塊來確定故障發生的具體位置，并根據故障位置來制定相應的維修措施；二是可以通過該模塊來對電站設備運行狀況進行監測，并對其運行過程中產生的數據信息進行處理；三是可以根據系統監測到的數據信息來確定故障發生類型；四是可以根據故障類型來制定維修方案。通過以上幾個方面的功能可以對新能源電站設備運行狀況進行有效監控。

3.3 對光伏發電數據進行實時跟蹤

在新能源電站運維過程中，電站管理人員需要對光伏發電數據進行實時跟蹤，以掌握光伏電站的運行狀況。通過對光伏發電數據進行實時跟蹤，管理人員可以及時發現異常數據，并采取相應措施來解決問題。同時，利用大數據技術對光伏發電數據進行實時跟蹤，能夠有效提高光伏發電的利用率。此外，還可以通過對光伏發電數據進行實時跟蹤，來確定光伏電站運行狀態是否處于正常狀態。利用物聯網傳感器+神經網絡+智能終端對光伏電站的運行狀況進行實時跟蹤時需要考慮兩個方面的因素，這兩方面都是影響電站運行效率的重要因素：一方面是新能源電站自身條件的影響[3]。由于新能源電站具有一定的特殊性，因此需要結合其自身條件對其運行狀況進行實時跟蹤。另一方面是其他因素對新能源電站運行狀況的影響。其他因素主要包括氣象條件、設備情況等。氣象條件可以對新能源電站的發電狀況造成一定影響，如天氣惡劣時會導致發電設備受損，造成發電效率下降。因此需要針對這些因素采取相應措施大數據技術進行跟蹤處理，例如通過大數據技術檢測到發電量曲線異常下降、廠用電量異常增長等，及時查找原因，快速消缺，提高新能源電站的發電效率，并加強智能監測設備的投入等方式來提高光伏電站運行效率。

3.4 對新能源電站運行中的危險狀況進行預測

對新能源電站運行中的危險狀況進行預測是利用大數據技術進行數據分析的關鍵所在。在傳統的預測模型中，往往采用經驗公式來確定危險狀況發生的概率，這樣不僅費時費力，而且預測效果不佳。而在大數據技術中，由于新能源電站運行數據具有復雜性、隨機性等特點，采用傳統的公式計算很難得到較為準確的結果。因此，可以利用深度學習模型對新能源電站運行中的危險狀況進行預測。

在大數據技術中，深度學習是一種基于人工神經網絡的深度學習模型。其通過學習數據中的特征，達到對數據進行分類、識別、預測等目的。在傳統神經網絡模型中，通常需要先對輸入數據進行預處理和特征提取工作，然后再使用人工神經網絡對處理后的數據進行訓練和預測[4]。而在大數據技術中，由于新能源電站運行數據具有復雜性、隨機性等特點，人工神經網絡模型則不能很好的對新能源電站運行數據進行學習和預測。而深度學習模型則可以克服傳統模型的缺點，以自動提取和學習數據中的特征信息為主要特點。在大數據技術中，利用深度學習模型對新能源電站運行數據進行訓練和預測時，只需要在大量歷史訓練樣本中選取一小部分作為模型輸入變量即可。通過這種方式可以有效的提高新能源電站運行數據分析效果，為新能源電站智能管理提供技術支持。

值得一提的是，面對復雜多變的電站運行情況，人們要重視危險狀況預測結果的準確性，為了提高準確性應當注意兩個要點：一是數據預處理，在新能源電站中，由于各種原因導致的數據采集不全或者丟失是較為常見的現象，這些數據會影響到后續模型的訓練和預測。因此，在利用大數據技術對新能源電站進行運營監管時，需要對數據進行預處理，以確保其完整性、有效性、一致性和可靠性。在數據預處理過程中，要將缺失值補齊。針對缺失值的情況，可以采用均值填補、趨勢填補等方式來進行數據填補[5]。然后需要對原始數據進行歸一化處理。歸一化指的是將不同時間點的數據集進行標準化，目的是消除原始數據中存在的隨機誤差和不準確因素，提高模型的訓練精度。最后，還需要對數據進行異常值剔除。異常值是指由于時間、空間或其他原因而導致的數據不符合標準的情況。異常值剔除是指對于不符合標準的數據進行處理后再利用。另外，還需要對缺失值和異常值進行處理以保證后續模型預測的精度；二是建立基于深度學習的預測模型，在傳統的ANN模型中，通常會選擇一些歷史樣本作為輸入變量，而不是采用全部數據來進行訓練和預測。這種方式雖然能夠在一定程度上提高模型的預測精度，但是在實際應用中往往會受到訓練樣本數量的限制，導致模型的預測效果受到一定程度的影響[6]。而在大數據技術中，則可以采用多個歷史樣本來進行訓練和預測。在這種方式下，訓練樣本的數量將遠遠大于訓練樣本，可以使模型獲得更高的預測精度。例如，在深度學習模型中，使用歷史樣本進行訓練時，通常可以采用三層或四層網絡來建立模型。其中每一層網絡中包含若干個節點，每個節點的輸出就是對應于輸入數據中某一類特征的值。而在進行預測時，則可以采用多個歷史樣本對某一類特征進行建模并進行預測。例如在新能源電站運行數據中，可以通過訓練集的方式將溫度、風速、濕度、光照強度、雨量等數據作為輸入變量進行建模并預測。由于模型是一個非線性關系模型，因此其在使用時可以通過迭代更新模型參數來對預測結果進行修正。通過這種方式可以有效的避免模型的過擬合問題。

3.5 協同人工進行安全管理

首先，通過將大數據技術與人工管理相結合，可實現對新能源電站中人員、設備的遠程監控，實現對人員、設備的統一管理；其次，通過人工對新能源電站中設備的遠程監控，可實現對設備的實時監測和預警，并為人員的安全操作提供數據支持；再次，通過將大數據技術與人工管理相結合，可實現對新能源電站中人員、設備的實時監控和預警；最后，通過利用大數據技術分析人員、設備的分布情況和歷史數據信息等信息資源，可實現對人員、設備分布情況的統一統計和分析。在此基礎上，通過與電力系統管理系統相結合，可實現對新能源電站中安全事故的追溯[7]。此外，在電力系統管理系統中集成大數據技術還可以為相關部門提供決策支持和參考依據。

3.6 幫助人工做好海量數據處理

目前，隨著新能源電站裝機容量的不斷增加，電站數據呈現出爆發式增長。如何快速有效的進行海量數據的處理和分析成為當前電站運營監管工作的難題。新能源電站大數據技術的應用可以幫助運營管理人員快速有效的處理海量數據，并進行深度分析和挖掘。

例如，可以根據電站各設備的運行狀態及歷史數據，構建故障診斷模型，對異常數據進行預警；通過采集各設備的環境參數及氣象參數等數據，構建環境模型，對異常數據進行預警；通過采集各設備的振動、噪聲及溫度等數據，構建設備模型，對異常數據進行預警。同時，可以將新能源電站大數據與傳統生產系統進行融合，通過實時采集電網及電站各設備的運行狀態數據、氣象監測數據以及其他相關系統中的信息進行分析和挖掘[8]。例如，在新能源電站智能化運營監管系統中集成設備性能監測、故障診斷、運維分析等功能模塊，通過對各設備的運行狀態和環境參數等數據進行實時采集和監控，實現對新能源電站大數據與傳統生產系統的深度融合。通過應用大數據技術可以有效提高新能源電站智能化運營監管水平。

4 結語

新能源電站具有規模大、分布廣、環境影響大、控制難度大的特點，其在發展過程中不僅面臨著生產環境復雜、設備種類多、技術難度大等問題，而且還存在著發電功率預測精度低、調度運行難度大等問題。通過引入大數據技術，從海量數據中挖掘出對新能源電站智能化運營監管有價值的信息，因此人們要重視大數據技術，積極開發其應用方式，以進一步提升新能源電站的安全穩定運行水平。

參考文獻：

[1]任春光，孟長虹，史卓鵬，等. 智能變電站施工控制的三維可視化系統研究和設計[J]. 制造業自動化，2023，45（9）：79-83.

[2]吳曉剛，吳新華，季青鋒，等. 計及新能源不確定性的新能源場站與儲能電站分布式協同優化[J]. 浙江電力，2022，41（6）：54-61.

[3]郝戌京，李方一. 基于聯邦學習的光伏電站發電效率對比與低效診斷研究[J]. 電力大數據，2023，26（3）：28-36.

[4]李琦. 分布式光伏電站區域智能系統設計及故障分析[J]. 自動化儀表，2023，44（5）：99-101，106.

[5]陳瑞. 新能源發電企業大數據中心提高數據采集質量的方法及其有效性分析[J]. 云南電力技術，2022，50（6）：75-79，92.

[6]王超，黎啟明，司曉峰，等. 基于反向傳播神經網絡的光伏電站運營策略研究[J]. 微型電腦應用，2023，39（10）：184-187.

[7]梁磊，范海波，劉發年. 基于大數據的綜合能源管控與運營技術研究與應用[J]. 電力大數據，2021，24（3）：17-24.

[8]魏洪，劉寶林. 基于大數據、云計算技術的光伏電站運營管理平臺增加光伏企業效益[J]. 甘肅科技，2014，30（23）：20-21.