大数据技术在智能电网中应用

陈淘　刘利兵

摘 要：智能电网技术在我国已经发展成熟，基本实现了对电网全景信息的采集。但随着“互联网+”、“能源互联网”、“物联网”等概念的提出，智能电网来自网外的数据也急剧增加，大量数据的涌入，一方面为智能电网的决策提供了更多的参考信息，另一方面，大量数据的存储、甄别、处理又为智能电网带来了巨大的挑战。而“大数据+智能电网”可以有效解决当前智能电网发展的瓶颈，文中分别从智能电网大数据的特点、智能电网中大数据的应用前景和具体解决方案三方面论述了大数据在智能电网中的具体应用。

关键词：智能电网；大数据；Hadoop；互联网+

中图分类号：TM76；TP311.13 文献标识码：A 文章编号：2095-1302（2016）04-00-02

0 引 言

随着环境问题的日益突出，全社会节能减排的压力逐渐增大，电力行业的能耗在能源领域占比较高，多数发达国家电力消费占终端能源消费比例约为20%，且呈现出逐年上升的趋势[1]。智能电网技术在我国已经发展成熟，基本实现了对全网多维信息的采集，同时“互联网+”、“能源互联网”、“物联网”等概念的提出，使得电力系统和外界的交互越来越频繁，海量数据为智能电网建设带来了前所未有的机遇和挑战。智能电网中如何利用海量数据，使得不同能源之间协调配合实现节能减排，改善我们的环境生活，已成为国内外专家学者研究的热点[1-5]。

2011年，大数据的概念首次被提出，之后大数据技术得到了飞速发展。我国电力行业紧跟时代潮流，2013年，中国电机工程学会信息化专委会发布了《中国电力大数据发展白皮书》，将大数据引入到智能电网领域，2014年科技部批准了三项有关智能电网大数据研究的“863项目”。文献[2，3]描述了大数据技术在智能电网中应用的关键技术，文献[3-5]重点从电力系统的单个环节中论述了大数据技术的应用。本文从三个方面阐述了大数据在智能电网中的应用：首先，分析智能电网大数据的特点；其次，分析大数据技术在智能电网最具前景的应用领域；最后，勾画在Hadoop框架下，大数据的解决方案。

1 智能电网大数据的特点

在大数据的定义中，最具代表性的为3V定义，即：规模性、高速性和多样性。

（1）电网数据规模大。智能电网不断发展，电网发电机节点及负荷节点数量不断增加，负荷与电网双向交互等因素，使得电网数据量迅速增加，数据存储大小已达到了PB量级[3]。

（2）电网数据高速性。该性能决定于电网最重要的属性，即实时保持电力电量平衡，但由于负荷波动的随机性，因此发电侧出力必须实时跟踪负荷变化。同时电网故障也具有随机性，为了保障电网可靠的运行必须立即处理，这要求电网必须快速传输，及时处理电网数据。

（3）电网数据的多样性。电网数据的多样性主要表现为来源多样性、存储类型多样性、采集周期多样性。数据来源多样性如图1所示，其数据来源渠道众多，不只是网内的数据，还有大量的网外数据；数据存储类型多样，除了传统的结构化数据，如用电信息采集系统、广域测量系统采集的大量有关负荷、发电机及线路的数据，同时营销系统、调度系统会产生大量的语音数据，变电站值班机器人及用于高压线路巡线直升机也会产生大量的图像等非结构化数据。采集周期多样性，不同的数据采样周期有较大的差别如保护系统监测周期为毫秒级，广域测量系统及大型负荷数据采集一般为分钟级，普通居民用户数据每天传输一次。

总之，智能电网中数据具有数据来源多，数据量大，数据结构复杂，数据增长速度快等特点。当前大数据技术在国内刚刚起步，利用相关技术对电网数据研究较少，智能电网采集到的数据涵盖信息广，不但可以反应电网内部的规律，而且在一定程度上可以折射出当前社会发展的状况。

2 大数据技术在智能电网中的应用领域

大数据技术在智能电网中具有广阔的应用前景，本文从负荷预测、源网荷协同、网架规划三个方面进行论述。

2.1 负荷波动及新能源出力预测

负荷预测作为电网电量管理系统的重要组成部分，其预测误差的大小直接影响电网运行的安全性及可靠性，较大的预测误差会给电网运行带来较高的风险。现阶段负荷预测主要是通过负荷历史数据，利用相似日或者其他算法预测负荷的大小，短期预测精度较高，中长期精度较差。随着电网采集数据范围增加，利用大数据技术可以将气象信息、用户作息规律、宏观经济指标等不同种类的数据，通过抽象的量化指标表征与负荷之间的关系，实现对负荷变化趋势更为精确的感知，提高预测精度。

分布式发电的不断接入，特别是新能源渗透率的不断增加，打破了原来电网运行管理的模式，不但需要考虑负荷侧的波动，还要计及新能源出力的间歇性。在我国，新能源接入主要受制于两个因素：（1）新能源大多分布在电网末端远离负荷中心，网架结构较为脆弱，从而造成电网接纳能力较弱；（2）新能源预测误差较大，目前风电出力预测日前和实时的误差分别为20%、5%左右，这样就会给电网调度带来较大的挑战。由于新能源较大的预测误差，往往需要在大型新能源基地周边建立配套的大型常规能源作为旋转备用，以弥补新能源预测精度方面的不足。作为备用的常规电源，由于担负着较重的旋转备用，长期不能工作在最佳运行点，将造成其发电效率低以及能源的浪费。利用大数据技术，可以有效提高新能源出力的预测精度，如丹麦的维斯塔斯风力技术集团，在风电出力预测时采用了IBM的大数据解决方案，在风电出力预测时加入了地理位置、气象报告、潮汐相位、卫星图像等结构化及非结构化的海量数据，从而优化了风力涡轮机布局，提高风电发电及预测效率，获得了较为可观的经济效益[3]。

2.2 源网荷协同调度

利用大数据技术可以有效降低新能源预测误差，但这对于新能源出力固有的波动性，传统的调度方法通过增加系统的旋转备用来解决。在电力市场不断完善的背景下，可以不通过调节常规电源的出力，而是利用市场手段，使得一部分用户主动削减或者增加一部分负荷去平衡发电侧出力的变化，即通过需求侧管理实现系统电量平衡。若要达到网源荷协调优化调度需要大量的辅助信息，如新能源出力波动大小、电网线路输送能力、负荷削减电量的范围、实时电价等，其中每个因素又受很多条件的影响，因此是一个非常复杂的电力交易过程，此时必须利用大数据技术发掘数据内部之间的联系，从而制定出最佳调度方案。智能电网和传统电网最大的区别在于源网荷三者之间信息流动的双向性，三者之间信息在一个框架内可以顺畅的进行交互，极大地提升电网运行的经济性、可靠性。

2.3 网架发展规划

电网已经从传统电网发展到智能电网，随之将会成为能源互联网的一部分，从而使得电网与整个能源网联系的更为紧密。电转气技术的提出，为新能源接入提供了新的思路，试图将不宜存储的电能转化为便于存储的天然气，但由于转化效率较低，尚属于技术论证阶段。冷热气三联技术实现了能源的阶梯利用，能源利用效率高、环境污染小、经济效益好。电动汽车的兴起将会显著提高能源末端电力消费的占比，充换电站将会像加油站一样分布在城市的每个角落。传统的电网规划数据来源渠道不足，数据分析挖掘能力欠缺，因此造成规划过程中面临着众多不确定性因素的现象，特别是现在新技术不断涌现，能源结构不断发生变革，使得传统的电网规划方法往往与实际需求差别较大。电网规划的过程中，需要利用大数据技术综合考虑多种因素如分布式能源的接入、电动汽车的增长趋势、电力市场环境下为用户提供个性化用电服务等，多类型、海量数据的引入，可以有效减少电网规划过程中的不确定性，使得整个规划的过程更加合理、有序。

3 智能电网中大数据的解决方案

大数据技术处理最为核心的要素为海量数据的存储及数据的并行计算，此问题最先是由Google公司给出了相应的解决方案，即采用分布式文件系统（DFS）和MapReduce并行计算技术。随后Apache基金会开发了Hadoop分布式系统架构，提供了DFS的一种开源实现HDFS，同时还包括MapReduce的开源实现，在当前的大数据处理中得到了广泛的应用。

国网公司在2013年就建立“一库三中心”，即：统一数据资源库、数理分析中心、统计发布中心、辅助决策中心。并利用大数据进行业务创新。智能电网大数据处理方案如图2所示，层次1收集图1所示的各种数据，以Hadoop分布式文件HDFS系统存储；层次2对信息进行甄别和存储，数据甄别主要是删除错误数据，或者补充丢失数据（通过状态估计实现），然后按照不同的数据类型分类存储；层次3实现数据挖掘，MapReduce定期进行计算；最后通过WebService技术输出计算结果。通过大数据技术将海量数据变为智慧，使得电力系统控制决策更加科学。

4 结 语

本文首先分析了在当前智能电网环境下，电网数据的来源多样、数据规模巨大，部分数据采样速度快等特点，得出必须利用大数据技术才能处理智能电网海量数据的结论。其次描述了大数据技术与智能电网结合的几个重点领域，得出通过与大数据的结合可以显著提高电网运行的经济性和可靠性的结论。最后阐述了大数据在智能电网应用的具体解决方案，通过Hadoop中分布式文件系统和MapReduce的并行算法，为大数据的处理提供了有效的解决方案，并为电力系统提供更加科学、合理的控制决策。

参考文献

[1]刘振亚.全球能源互联网[M].北京：中国电力出版社，2015.

[2]张东霞，苗新，刘丽平，等.智能电网大数据技术发展研究[J].中国电机工程学报，2015，35（1）： 2-11.

[3]彭小圣，邓迪元，程时杰，等.面向智能电网应用的电力大数据关键技术[J].中国电机工程学报， 2015， 35（3）：503-511.

[4]蔡国保.电力生产中大数据应用的探讨[J].物联网技术，2015，5 （9）： 55-56.

[5]刘化君.基于物联网技术的智能变电站应用方案[J].物联网技术， 2015，5（6）：53-55.