未来主动配电网中的新型数据驱动应用：技术，展望与挑战

2017-05-11董朝阳陈莹莹罗逢吉

电力建设 2017年5期

董朝阳, 陈莹莹，罗逢吉

(1.南方电网科学研究院，广州市 510080；2. 新南威尔士大学电机工程与通信系，新南威尔士州 2052, 澳大利亚；3. 悉尼大学电气工程学院, 新南威尔士州 2006, 澳大利亚；4. 悉尼大学土木工程学院, 新南威尔士州 2006, 澳大利亚)

董朝阳1, 2, 陈莹莹3，罗逢吉4

基于目前智能电网的发展现状，探讨未来主动配电网中(active distribution networks, ADN)的新型数据分析技术与应用。首先概括介绍了当前主动配电网的现状与发展趋势，接着介绍了在未来智能主动配电网中可能起到重要作用的若干数据分析关键技术。基于此，对未来主动配电网中的一些新型数据驱动应用进行了展望，并对其在实际实施中的挑战进行了讨论。

主动配电网; 智能电网; 大数据; 需求侧管理；信息安全；数据分析；分布式电源

0 引言

能源问题和气候变化已成为当今人类社会实现可持续发展所面临的重要挑战。21世纪初“智能电网”的提出，给全球电力系统带来一场影响深远的变革。国际大型电力系统委员会(international council on large electric systems，CIGRE) 于2008年进一步提出了主动配电网(active distribution network，ADN)[1]的概念，引起了国际电力学界与工程界的广泛关注。主动配电网的一些区别于传统配电网的重要特征，诸如大规模间歇性新能源及电源的分布式接入、储能技术的应用、柔性可控负荷的广泛参与等，为智能电网范畴下配网系统的运行、规划与控制等带来了一系列新的挑战。

伴随着各类分布式能源设备的接入，主动配电网的另一个重要特征是高级量测体系(advanced metering infrastructure, AMI)与双向通信设施的大规模部署。其使得主动配电网中的多源数据(能源设备的状态数据、环境气象数据、终端用户的各类信息、配电网络的拓扑和运行数据等等)可被实时监测和采集，并使得主动配电网愈发演变为一个强互动、高度耦合的信息物理系统(cyber physical system，CPS)。如何有效地从主动配电网多源大数据中提取知识，并以数据为驱动制定决策方案以优化电网运行，已成为当前国内外的一个研究热点。文献[2]对智能电网中的大数据分析技术进行了概括性的探讨；文献[3]对大数据分析技术在主动配电网中的应用和价值进行了综述；文献[4-5]全面地论述了如何构建下一代电力网络的信息基础设施; 文献[6]讨论了未来电力物理融合系统的建模分析与控制技术。

近年来，随着计算机科学与通信等相关学科的快速发展，涌现出了一些新兴的数据处理与分析技术。这些新技术为构建未来主动配电网中的新型数据驱动应用提供了新的契机。本文旨在对未来可应用在主动配电网中的一些新技术进行概括性的介绍，并对可能构建在其上的主动配电网新型数据驱动应用做一个前瞻性的探讨，以期对未来主动配电网的优化运行提供建设性的参考。需要指出的是，未来主动配电网中可能实现的数据分析技术与数据驱动应用，不仅仅局限于本文中所列出的案例。

1 未来主动配电网的关键数据分析技术

1.1 配电网大数据与云计算平台

随着全球互联网的高速发展，大数据技术已得到全球学术界、工业界及各国政府的高度重视和广泛应用。根据GreentechMedia市场研究机构GTM Research于2015年发布的分析报告显示，2020年全世界电力大数据管理系统市场将达到38亿美元的规模[7]。2013年，美国电力科学研究院启动了2项为期5年的大数据研究项目：配电网现代化示范项目、输电网现代化示范项目，研究如何利用输配电系统中收集的各类数据以提高输配电系统的运行、管理及规划水平[8]。同年，国家电网公司启动了多项智能电网大数据应用研究及企业级大数据平台建设项目，在输变电运行管理、智能配电网、用电与能效、电力信息与通信、决策支持等领域开展大数据应用关键技术研究工作[8]。

主动配电网的数据具有典型的大数据“4V”特征：体量大(volume)、类型多(variety)、增长快或速度快(velocity)和价值大(value)。其网络规模大且结构复杂，不仅含有高渗透率的分布式电源、电动汽车及智能家居等可控元件，还接入了大规模的智能电表、综合测量单元、同步测量单元等监测元件。依据数据的来源，可分为内部数据(包括系统运行数据、元件监测数据等)，外部数据(包括电价、交易量、用户用电等营销类数据及电力企业管理数据等)。依据数据的结构，又可划分为结构化、半结构化和非结构化数据，传统的电力系统主要由关系数据库存储及管理电能生产营销等核心业务数据，这部分数据称为结构化数据。而无法在数据库中用二维表来逻辑表达实现的数据，称为非结构化数据，主要包括系统线路及元件设备的检修监测图片、视频及客户服务的音频数据等。此外，随着智能电网的发展，智能电表、传感器等设备正在产生海量的系统日志数据。这类自描述型数据的内容和结构混在一起，没有明显的区分，被称为半结构化数据。根据IDC互联网数据中心2014年报告统计，全球数据正呈现指数级增长，预计到2020年数据总量将达到44 ZB，其中超过80%的企业相关信息都是以非结构化或半结构化的形式存在的[9]。

目前配电网仍缺乏高效的大数据处理及分析存储技术。在能源互联网建设的大力推动作用下，主动配电网对信息获取、索引、存储及数据分析等各类信息处理及计算资源的需求都与日俱增。如何对内外部获得的大数据进行系统且高效的管理，为主动配电网运行控制提供更为丰富及可靠的反馈，从而加强电网的规划及运行，将是未来主动配电网研究、建设中的一大挑战。

2007年10月IBM和Google宣布在云计算领域的合作后，云计算迅速成为产业界和学术界研究的热点。利用云计算特有的计算和服务模式，企业可将现有的存储及计算资源整合到云端，从而无须增加硬件投资成本，即可实现高效的数据计算、存储及资源交互共享能力。智能电网中大数据的应用需求及特点非常符合云计算的服务模式及技术模式。采用云计算技术，不仅可以实现电力行业大数据采集和共享，通过数据挖掘提供商业智能及决策分析，还可通过将数据转换为服务以提升电力营销服务价值。建立大数据云计算平台，对主动配电网中多源异构数据信息资源进行整合，可大幅度提高主动配电网实时控制及高级分析能力，为智能电网技术的发展提供有效的支持。

1.2 终端负荷辨识

随着高级量测体系的日趋普及，面向终端用户的负荷辨识技术在近年来得到了快速的发展。负荷辨识技术旨在通过一定的技术手段监测建筑内各个用电设备 (家用电器或电路接口) 的能耗曲线。通过负荷监测技术，可以对建筑的能耗情况进行细粒度的监控，以及对终端用户的用电模式进行识别，从而为更精细地开发与制定需求侧管理方案奠定了基础。

概括来说，目前进行终端用户负荷辨识的技术手段大致可分为2类：侵入式(intrusive)监测技术与非侵入式(non-intrusive)监测技术。侵入式监测技术通过在用电设备上安装传感器(sub-meter)来对用电设备的能耗进行物理监测。侵入式监测技术的优点在于可以精确地实时采集用电设备的能耗数据，缺点在于需要入户实地进行传感器安装，并且需要付出一定的安装成本。非侵入式负荷监测技术(non-intrusive appliance load monitoring, NILM) 由Hart于1992年首次提出[10]，旨在通过对主电路口采集到的实时聚合能耗数据进行分析，将其分解并识别出各个家电的能耗。非侵入式家电监测技术又可大致分为2类：事件驱动的监测技术与非事件驱动的监测技术。这2类技术都基于家电能耗的先验知识，这些先验知识被称为“功率签名(power signature)”。事件驱动的NILM技术基于不同的功率签名信号来辨识电器的开/关操作事件。例如，文献[10]使用有功与无功功率作为功率签名，并基于此识别出不同家电的开/关事件。文献[11]与[12]分别采用谐波和电压-电流信号作为功率签名来进行电器开/关事件识别。不基于事件的NILM技术不需要定制硬件接口，而仅仅将聚合的建筑能耗时间序列(采样频率为1 s～1 h不等)作为输入，来分解出各个电器的能耗。例如，文献[13]将稀疏编码技术作用在采样频率长达1 h的聚合功率序列上，估计出单个家电的能耗序列；文献[14]采用机器学习技术，对采样频率为10 min的聚合功率序列进行训练和执行NILM辨识；本文作者此前的工作采用了隐马科夫模型(hidden Markov model, HMM)来对电器的运行周期建模，并在此基础上结合一种混合规划技术来进行NILM辨识[14-15]。

显然，相比于侵入式监测技术，非侵入式负荷辨识技术的优点在于不需要实地入户安装传感器，从而大大节省了成本。其局限性在于辨识的精度，特别是在低频率的聚合功率采样信号下的辨识精度。因此，非侵入式的终端用户负荷辨识技术在未来依然是一个活跃并亟待研究的开放课题。

1.3 个性化推荐技术

随着Web技术的快速发展和网络环境下数据量的飞速增长，近年来个性化推荐技术[16-17]在信息学界受到了大量的关注，并在电子商务等领域获得了巨大的成功。个性化推荐技术旨在从大量用户数据中推测出用户的需求与兴趣点，然后基于此从海量的产品与服务数据中筛选出用户可能最感兴趣的产品/服务，向用户进行推荐。过去一二十年间，个性化推荐技术已渗透到人们数字生活的各个领域，所推荐的产品与服务也越来越广泛，例如数码电影、时装、Web服务等等。而在主动配电网中，高级量测体系与双向通信设施的普及使得海量用户可以通过各种需求侧管理方案参与到电网运行中。因此，引入服务推荐技术来对用户的能源使用行为模式与兴趣进行建模，并基于此向用户推荐各种能源产品和服务，将具有广泛的实用意义。

个性化推荐技术大致上可分为2类：基于内容(content-based)的推荐技术与基于协同过滤(collaborative filtering)的推荐技术。基于内容的推荐技术旨在根据用户过往选择的产品/服务的历史信息，向用户推荐与其过往选择所相似的产品/服务。通常来说，基于内容的推荐技术首先建立用户配置文件和项目配置文件。用户配置文件包含了推荐目标用户的偏好、兴趣、需求等信息；项目配置文件包含了产品/服务的信息。在此基础上，基于内容的推荐技术采用一定的相似性度量算法来计算目标用户的用户配置文件与每个项目配置文件的相似性，并根据相似性度量值来对产品/服务排序并进行推荐。

与基于内容的推荐技术不同，基于协同过滤的推荐技术的基本思想是通过与目标用户相似的相似用户对某个项目的兴趣度，来预测目标用户对该项目的兴趣度。换句话说，基于内容的推荐技术旨在找出与目标用户具有相似兴趣与偏好的同类用户，并推荐同类用户所选择的项目给目标用户。目前，已有许多技术用于协同过滤推荐，例如贝叶斯网络[18]、支持向量机[19]、最大熵模型[20]等。

1.4 区块链

区块链技术是近年来发展起来的一种分布式、去中心化的数据存储与分发技术。它最早由中本聪提出[21]，并成功地应用到了比特币交易系统的设计中。从本质上讲，区块链是一种按照时间顺序将数据区块以顺序相连的方式组合而成的一种链式数据结构，并利用分布式节点共识算法来生成和更新数据，以及利用密码学的方式保证数据的安全性。在区块链中，网络的所有节点共同维护一份记录了网络中所有历史交易记录的账本。该账本存放在区块链网络的各个节点上，并且每个节点都有一份该节点的完整备份。区块链的账本分块存储，每一块包含一部分交易记录，每一个区块记录前一区块的id，形成一个链状结构。当某个节点需要发起一笔新的交易时，只需将交易信息广播到区块链网络中，由别的节点将交易信息记录成一个新的区块连接到区块链上，交易即可完成。

区块链所固有的去中心化、不可篡改、可追溯等特性，使其可用于解决一个多节点的信息网络内各方的相互信任问题。在区块链的基础之上，智能合约技术可以进一步实现各类交易和转账支付的自动化。继比特币系统之后，区块链技术正被期望于未来广泛应用到金融、审计、保险、物联网等领域中。

1.5 同态加密与安全多方计算

在未来主动配电网中，将存在大量的网络参与者(零售商、大规模终端用户、微网系统、配电商、负荷聚合商等)，由此带来的参与者隐私保护与信息安全问题将成为一个很大的挑战。在过去若干年中被广为研究的一种被称为安全多方计算(secure multi-party computation，SMC)[22]的技术有望为智能电网中的信息保护提供一种新的解决方案。

关于安全多方计算的研究可以回溯到20世纪80年代，其核心是一种被称为同态加密(homorphic encryption)[23]的加密技术。同态加密技术可将一定的代数运算作用于加密后的密文数据上，并使其计算结果与明文计算的结果相同。目前，有一些成熟的技术可以在加法运算上实现同态加密，例如Paillier加密算法[24]和Boneh-Goh-Nissim (BGN)加密算法[25]等。2009年，IBM的研究员Craig Gentry提出了“全同态加密”技术[26]，即可以在任意代数运算上实现同态加密。但目前，该技术尚处于完善中。基于同态加密技术，安全多方计算可以使得通信的各个参与方仅仅共享经过同态加密后的密文数据，并直接使用密文数据进行计算。各个参与者仅需要解密计算结果，而无须解密其他参与者共享出来的密文数据。

1.6 众包与众筹

2015年3月，国务院总理李克强在政府工作报告中提出“互联网+”行动计划，明确提出要大力推动移动互联网、云计算、大数据、物联网等与现代制造业结合，促进电子商务、工业互联网和互联网金融健康发展，引导互联网企业拓展国际市场[27]。在大数据和“互联网+”的背景下，“众包”和“众筹”新理念的涌现得到了学术界和工业界的广泛关注。

众包(crowdsourcing)这一概念由美国记者Jeff Howe于2006年首次提出[28]。具体来说，众包是将特定的任务公开分发到互联网，通过整合互联网大众以完成计算机无法单独完成的任务[29]。在供需双方信息共享的基础上，通过某种规则或激励机制，大众自愿自主完成任务并获得相应的回报。目前有很多商用众包平台，如InnoCentive、Kaggle、IStockPhoto、猪八戒等。

众筹(crowdfunding)，即大众筹资，其作为众包的子概念近2年在全球互联网悄然兴起。这种通过互联网方式发布筹款项目，向公众筹集资金以完成特定项目的新型融资模式最早源于美国网站kickstarter。相对于传统的融资方式，众筹更具有开放性及交互性，并有融资低门槛，参与者众多，项目类别多样且注重创意等特点，已成为当今经济社会中一种快速增长的新金融服务模式。现今知名的平台如国外的CrowdFunder、Chuffed、EquityNet，国内的众筹网、追梦网等。

众包与众筹近年来受到了机器学习、人机交互、人工智能、信息检索等各领域的高度关注, 在其理论和技术研究方面，向科研工作者提出了大量具有挑战性的难题。

2 未来主动配电网中的新型数据驱动应用展望与挑战

2.1 云计算与智能电网的双向渗透应用

目前，有许多研究工作已经涉及了未来智能电网中基于云计算的信息基础设施的架构和服务模型。例如，本文作者此前的工作[5]提出了一个基于云计算的电力信息基础设施分层模型，并针对电网中的计算密集型应用、数据密集型应用与多方协作型应用在云计算平台上进行了实验。云计算的核心是放置了大量服务器资源的数据中心。除了为智能电网提供高性能计算服务外，在将来云计算数据中心有望作为一种配网中的大型可控负荷与电网进行双向互动。

一方面，作为一种高能耗的电力负荷，数据中心的节能优化运行将对于配电网的规划与运行具有重要意义。目前，已经有许多工作研究了引入分布式新能源电源以构建“绿色数据中心”[30-32]，并考虑分时电价信号来调度数据中心计算负荷，以最小化数据中心运行成本。在未来，如何将智能电网中的各项节能技术引入到数据中心的优化运行中，依然是一个亟待研究的课题。

另一方面，数据中心的能耗与运行在其上的计算负荷直接相关。对于一个云计算服务提供者来说，其往往管理着多个地域上分布的，可相互通信的数据中心网络。计算负荷可在数据中心网络中进行调度与迁移，而不同的计算负荷分布将改变网络中各个数据中心的耗电量，进而影响各个数据中心所在区域配电网的电力需求量。这一特性使得云计算中心可作为一种在空间上转移的可控负荷参与到主动配电网的需求侧响应中。这一技术可被称为“数据中心并网技术 (datacenter-to-grid, DC2G)”。目前，仅仅有一些初始的工作探讨了数据中心的能耗对电网的影响[33]。关于数据中心并网技术，依然是一个值得深入研究的开放课题。

云计算与智能电网的双向结合存在着几大挑战。首先是开发复杂性。在云端构建和部署工程应用，通常其对于开发人员有着更高的技能要求，这对于电网的工程与研究人员而言会构成一定的挑战。其次是管理权限上的壁垒。云计算数据中心通常由云计算服务提供商统一管理。要实现数据中心并网技术，需要电网与云计算服务提供商进行管理权限上的深入沟通和协作。当数据中心并网涉及到数据中心网络所在的多个区域甚至多个国家时，这一问题将更为复杂。再者，如何对数据中心的能耗和运行约束进行精确的建模，也是技术上的一大挑战。

2.2 基于终端负荷辨识技术的数据驱动需求侧管理应用

主动配电网中的需求侧管理技术可概括地分为2种：基于价格信号的需求侧管理(又称间接负荷控制)与基于激励的需求侧管理(又称直接负荷控制)。在基于价格信号的需求侧管理中，电网通过制定分时电价、实时电价等可变的价格信号，使用户主动调整其用电行为。在基于激励的需求侧管理中，电网通过和用户签订协议，提供给用户一定的激励措施(如补贴、电价折扣等)，获得在特定时段(通常为峰值或紧急时段)直接控制用电器的权利。一些需求侧响应应用也可以将2种管理技术结合起来。例如，建筑物的能量管理系统可作为一个代理 (agent)，根据可变的电价信号对可控用电器进行自动调度和直接控制。

在需求侧管理中，用户的用电行为是重要的考量因素。在基于价格信号的需求侧管理中，用户的用电行为将直接影响零售商的定价策略；在直接负荷控制技术中，在控制用电器的同时如何减少对用户生活习惯的干扰是一个重要课题。非侵入式的负荷辨识技术为在最小化信息采集成本和最小化对用户干扰的前提下收集用户的用电行为提供了一个有效的方案。通过非侵入式负荷辨识技术，可以对用户的电器使用行为进行精细的建模与分析，并在其上建立多种需求侧响应应用。基于此的需求侧管理体系可以用图1所示的分层结构来进行描述。

近年来，非侵入式负荷辨识技术已称为一个研究热点，然而对于结合非侵入式负荷辨识技术的上层需求侧响应的应用研究目前较为匮乏。本文作者此前研究了基于非侵入式负荷辨识的零售商定价策略。在未来的主动配网中，结合非侵入式负荷辨识的需求侧响应应用依然是个开放性的课题。这其中也存在一些挑战。首要的挑战来自于非侵入式负荷辨识技术本身。当前的辨识技术大多依赖于高频的电表测量(通常为5 min以内)，然而目前广为部署的智能电表测量频率通常为30 min～1 h，难以有效支持目前大多数的辨识方法。此外，在大量用电电器环境下的辨识精度和计算效率也是一个依然需要改进的问题。此外，如何有效地集成和管理配网中海量用户的负荷辨识数据，也是一大挑战。

图1 基于NILM的需求侧响应体系Fig. 1 NILM-based demand side response system framework

2.3 基于负荷监测与个性化推荐技术的智能电网推荐系统

在未来主动配电网中，大规模终端用户可以通过双向通信设施参与到主动配电网中。如何有效鼓励用户主动进行需求侧能源优化将成为一个重要课题。在此背景下，结合个性化推荐技术，挖掘用户对于各类能源产品和服务的兴趣、偏好与需求，为终端用户开发各类能源相关的推荐系统将成为需求侧管理的一个兼具理论与实践意义的新方向。本文作者此前的工作对智能电网推荐系统的基本理论和几种应用原型做了前瞻性的探讨[34]。在未来，基于不同的推荐技术的各类智能电网推荐系统都可被开发。

(1)基于负荷监测和内容推荐技术的节能家电推荐系统。目前，通过负荷监测来推荐节能家电的策略已经被Plotwatt等公司[35]采用。未来的智能电网可进一步结合个性化推荐技术，进行更精细的节能家电推荐。通过负荷监测技术，可跟踪用户对于各类家电的日常使用行为，从中学习用户对于家电的使用偏好及家电的运行状态(如是否有潜在故障)等。基于此，使用基于内容的推荐技术，对各个家电零售商的各类家电信息进行内容挖掘，将符合用户兴趣和需求的节能款式给终端用户。

(2)基于协同过滤的电力零售套餐推荐。目前，中国的电力系统正处于逐步市场化的进程中。在美国等电力零售市场成熟的国家，电力零售已经逐渐演变为一项电子商务业务。例如，美国德克萨斯州建立了“PowerChoose”零售套餐销售平台，用户可自由地在网站上选购由不同的零售商提供的零售套餐。个性化推荐技术将更好地帮助用户进行零售套餐的选择。该技术首先提取出目标用户的家庭特征与电能消费特征，采用协同过滤技术筛选出与目标用户具有相似特征的用户，考虑相似用户所选择的零售套餐，并最终推荐被较多相似用户所选用的零售套餐给目标用户。

(3)基于用户分类和协同过滤的家庭需求侧响应推荐系统。首先根据负荷监测技术，提取出用户的电器使用行为特征，包括2类：生活模式特征(由不可转移的电器使用行为所描述)与分时电价响应特征(由可转移的电器使用行为所描述)。根据用户对分时电价的响应程度，将其分为高响应度用户与低响应度用户。对于每一个低响应度用户，通过协同过滤技术找出与其具有相似生活模式特征的高响应度用户，并对相似高响应度用户的可转移电器使用经验进行聚合，最终将最适合目标用户生活模式的可转移电器使用经验推荐给目标用户。

作为大数据时代一项广为研究的技术，个性化推荐技术在主动配电网中的应用挑战主要来自于两方面。一方面，推荐技术本身存在着许多局限性和挑战，例如内容推荐技术中的过拟合问题，协同过滤中的项目冷启动问题等等。对于推荐技术本身的研究，是计算机科学中的一个独立研究热点。另一方面，推荐技术在主动配电网中的应用需要对大量的用户数据进行整合和分析。如何安全、高效地采集和管理海量用户数据，是一个不容忽视的问题。

2.4 基于区块链技术的配网分布式能源交易系统

区块链技术的去中心化和不可篡改特性使得其在重构电力交易机制和商业模式等方面有着巨大的应用前景。在未来主动配电网中，存在着海量的分布式实体(包括终端用户、分布式电源、微网系统、储能装置等)，促进这些实体之间的能源交易与共享，将大大提供电网的能源效率。区块链技术为这一构想的实现提供了一个极具潜力的解决方案。图2展示了一个基于区块链技术的配网分布式能源交易系统的概念框架。该框架将每个参与者(如居民建筑、微网系统等)作为一个能源生产消费者(producer-consumer, prosumer)。每个参与者都拥有一个能量管理系统，该系统对其住宅的新能源发电量与住宅能耗进行监控，并计算出其可供出售的电能或需要购买的电能，并与其他参与者进行交易协商。当交易达成后，交易账单即通过区块链平台写入到网络中生效。

图2 基于区块链的配网侧能源交易概念框架Fig. 2 Energy trading concept of block chain based distribution network energy exchange framework

目前，LO3等工业界组织已经开始建立TransActive Grid平台，为构建基于区块链技术的配网侧分布式能源交易体系进行努力。然而，围绕区块链技术在电力系统中的应用依然存在着许多挑战。首先，在市场交易和价值传递方面，现有的电力市场理论主要集中于传统电力市场的批发交易，对低压侧的小量分布式交易的研究非常缺少。其次，对区块链的应用研究，目前还主要集中在金融、审计等行业中，对于区块链在能源行业中的商业运作模式，仍停留在概念阶段，并无一套成熟的理论和规范。此外，区块链技术本身仍存在的一些技术难题，如过高的数据备份冗余等。其能否适应大规模工业应用还需进一步验证。

2.5 基于同态加密的主动配电网安全协作应用

同态加密技术为主动配电网中的安全通信提供了一种新的解决方案。通过动态加密技术，可以有效地保护主动配电网中各个分布式通信参与者的数据隐私性，安全地进行数据聚合和协同工作。目前，有一些研究人员对此进行了初步的研究。文献[36]提出了一种基于同态加密技术的配网侧数据聚合框架，采用Paillier加密技术来对各个终端用户的电表数据进行加密聚合并传递到控制中心，使得控制中心不需解密即可计算区域内的负荷量。文献[30]同样采用Paillier加密技术提出了一种电力市场出清电价结算框架。该框架包括2个阶段：在第一阶段，采用Paillier加密技术对负荷数据进行加密聚合，利用加密数据计算节点负荷量；在第二阶段，利用第一阶段计算出的负荷量进行市场出清电价结算。

现有的研究工作主要依托于加法同态技术来进行电网数据聚合。在未来的主动配电网中，更多的同态加密驱动的安全协作应用可期望被研究和开发。一方面，通过结合更多种同态加密代数运算技术，可以进行更为复杂的配网分析计算，例如配网潮流计算等；另一方面，更多形式的配网侧安全多方协作应用可以被开发。作为一个可能的范例，图3描述了一个本文所提出的基于同态加密技术、以削减电网峰值负荷为目标的需求侧响应控制框架。在该框架中，各个终端用户通过用户侧的住宅能量管理系统(home energy management system, HEMS)与负荷聚合商进行通信，负荷聚合商与电网进行通信，接收电网下达的负荷削减指令。

图3 基于同态加密的安全需求侧响应控制框架Fig.3 Homomorphic encryption based demand response control framework

在图3的应用场景中，各个参与者之间的通信过程可描述为以下3步。

(1)基于同态加密的聚合负荷计算。首先，各个终端用户侧的HEMS监测各自住宅内的电器运行状态与耗电量，根据电器的运行状态和运行约束，计算在当前时段该住宅总共可以削减的负荷量，对计算出的可削减负荷量进行同态加密并发送给所属的负荷聚合商。负荷聚合商对加密数据进行聚合，在无须解密的情况下计算出所管辖的所有住宅在当前时段下的可削减负荷总量，并将结果上报给电网控制中心。

(2)制定负荷削减指令。电网控制中心接收到各个负荷聚合商所上传的可削减负荷量后，计算出每个负荷聚合商在当前时段需要进行削减的负荷量，并将指令下达给负荷聚合商。

(3)基于同态加密的负荷削减。负荷聚合商对所管辖的住宅内的可削减负荷进行分组，分批次削减。对于一组住宅，首先由其各自的HEMS中断用户指定的切除优先级最高的用电器，然后HEMS将切断的用电器功率进行同态加密上报给聚合商。聚合商对加密数据进行聚合，计算出该组住宅总共已切掉的负荷量，并判断是否已达到电网要求。若已完成削减任务，则将结果上报给电网；若尚未完成任务，则对下一组住宅进行同样的过程。若对于所有的住宅组，在进行优先级最高的用电器切除后还未完成削减任务，则重复此过程，针对优先级次高的用电器进行下一轮削减，如此反复。

作为一项广受期待的技术，同态加密在智能电网中的应用同样存在着很大的挑战。最主要的挑战来自于同态加密技术本身的成熟性。当前许多同态加密技术只能应用到自然数运算上，使其难以支持工程数据运算；另外，在数据量过大时，同态加密的精确度会受到较大影响。再者，一些提供完备加密运算支持的技术，如全动态加密，尚处完善阶段，离工程应用实现仍有一定距离。

2.6 基于众包/众筹技术的主动配电网运营模式

2016年，我国出现首家电力行业的众包服务交易平台“电+”[37]。该平台通过众包模式，汇聚所需的人力、资讯、软硬件、数据等资源，为行业用户提供售电咨询、勘测设计、软件开发、电网运检等多项服务。另一方面，近年来随着互联网众筹平台的兴起，能源众筹项目也不乏案例。被美国媒体评为能源领域十大最具创意之一的美国公司Mosaic，从2011年起仅用了不到3年时间，通过网络众筹方式融资超过600万美元，用以开发其超过18 MW的个人屋顶光伏项目。我国一些企业近2年也开始尝试分布式光伏众筹融资。通过互联网平台，面向大众投资者发起实物融资租赁，即投资者可以出资购买太阳能电池板，再委托平台将其出租给开发商使用。2015年，我国首个众筹分布式光伏发电站在佛山成功建成[38]。

在未来的主动配电网中，可将众包技术用于需求侧响应问题，通过设定的激励机制与电网用户交互，获得用户反馈，从而更为精确地预测用户用电行为，优化全网配用电，有效提高配网的经济与安全运行。通过分布式能源众筹，可将社会闲置资金和闲置的分散资源结合起来，有效地提升新能源利用效率。未来的主动配电网可利用众筹得到的海量数据(如新能源发电、用户配用电等数据)对配电网电源规划问题建立风险投资评估分析，通过经济性研究来完善现有及未来电源规划模型，从整体上促进未来主动配电网的不断发展。

众包与众筹概念的提出到现在只有几年时间。聚焦电力行业，学术界与工业界对其展开的研究及应用工作仍处于初步阶段。面临的难题涉及如何处理在执行任务过程中产生的海量数据，如何保证数据安全和保护个人数据隐私等。如何将众包与众筹技术成功应用到未来的主动配电网中，相信将会成为一个研究热点。

3 结论

如何对配电网中呈指数级增长的多源异构数据进行有效的管理及分析，是实现主动配电网优化运行的一大技术保证。未来的主动配电网将通过新型数据驱动应用，对电网与用户之间的需求进行有效的融合，通过深度挖掘数据价值为用户提供高品质服务，并通过分布式智能协调实现电网的自愈、自治和自组织。

本文概括介绍了主动配电网的现状及发展趋势，对未来可能构建在一些新型数据分析技术之上的主动配电网数据驱动应用作了前瞻性的讨论，并分析了其中存在的挑战。当前，国内外对主动配电网中新型数据驱动应用的研究刚刚起步，尚存在着技术储备不足、数据获取存储及安全通信障碍、数据分析理论和技术匮乏等问题。本文所提出的应用场景可作为工程和研究人员的技术参考。随着不同学科在智能电网中的深入渗透，更多的大数据分析技术与相关应用也将被广泛应用到未来的主动配电网中。

[1]D’ADAMO C, ABBEY C, JUPE S, et al. Development and operation of active distribution networks: results of CIGRE C6.11 working group [C]//Proceedings of the 21st International Conference on Electricity Distribution. Frankfurt: IET, 2011:1-4.

[2]LUO Fengji, DONG Zhao Yang, ZHAO Junhua, et al. Enabling the big data analysis in the smart grid [C]//Proceedings of the IEEE Power and Energy Society General Meeting. Denver: IEEE, 2015: 1-6.

[3]张沛，吴潇雨，和敬涵. 大数据技术在主动配电网中的应用综述[J]. 电力建设, 2015, 36(1): 52-59. ZHANG Pei, WU Xiaoyu, HE Jinghan. Review on big data technology applied in active distribution network[J]. Electric Power Construction, 2015, 36(1): 52-59.

[4]LUO Fengji, DONG Zhaoyang, CHEN Yingying, et al. Hybrid cloud computing platform: the next generation IT backbone for smart grid[C]// Proceedings of the IEEE Power and Energy Society General Meeting. San Diego:IEEE, 2012: 1-7.

[5]LUO Fengji, ZHAO Junhua, DONG Zhaoyang, et al. Cloud-based information infrastructure for next-generation power grid: Conception, architecture, and applications[J]. IEEE Transactions on Smart Grid, 2015, 7(4): 1896-1912.

[6]赵俊华，文福拴，薛禹胜，等. 电力信息物理融合系统的建模分析与控制研究框架[J]. 电力系统自动化, 2011, 35(16): 1-8. ZHAO Junhua, WEN Fushuan, XUE Yusheng, et. al. Modeling analysis and control research framework of cyber physical power systems[J]. Automation of Electric Power Systems, 2011, 35(16):1-8.

[7]王颂. 电力大数据: 创新应用开放共享[N]. 国家电网报, 2016-01-05(7).

[8]刘世成, 张东霞, 朱朝阳, 等. 能源互联网中大数据的思考[J]. 电力系统自动化, 2016, 40(8): 14-21. LIU Shicheng, ZHANG Dongxia, ZHU Chaoyang, et al. A view on big data in energy internet[J]. Automation of Electric Power Systems, 2016, 40(8):14-21.

[9]谢华成，陈向东．面向云存储的非结构化数据存取[J]．计算机应用，2012，32(7)：1924-1928． XIE Huacheng, CHEN Xiangdong. Cloud storage-oriented unstructured data storage[J]．Journal of Computer Applications，2012，32(7)：1924-1928．

[10]HART G. Nonintrusive appliance load monitoring[J]．Proceedings of the IEEE, 1992, 80(12): 1870-1891.

[11]BERGES M, GOLDMAN E, MATTHEWS H S, et al. Enhancing electricity audits in residential buildings with non-intrusive load monitoring[J]. Journal of Industrial Ecology, 2010, 14(5): 844-858.

[12]CHANG H H, LIN C L, YANG H T. Load recognition for different loads with the same real power and reactive power in a non-intrusive load-monitoring system[C]//Proceedings of the 12thInternational Conference on Computer Supported Cooperative Work in Design. IEEE, 2008: 1-8.

[13]KOLTER J, BATRA S, NG A. Energy disaggregation via discriminative sparse coding[C]//Proceedings of the 24thAnnual Conference on Neural Information Processing Systems. 2010: 1-9.

[14]KONG Weicong, DONG Zhaoyang, HILL D, et al. Improving nonintrusive load monitoring efficiency via a hybrid programming method[J]. IEEE Transactions on Industrial Informatics, 2016, 12(6): 2148-2157.

[15]KONG Weicong, DONG Zhaoyang, MA Jin, et al. An extensive approach for non-intrusive load disaggregation with smart meter data[J]. IEEE Transactions on Smart Grid, 2016, DOI: 10.1109/TSG.2016.2631238.

[16]LU Jie, WU Dianshuang, MAO Mingsong, et al. Recommender system application developments: a survey[J]. Decision Support Systems, 2015, 74(C): 12-32.

[17]BOBADILLA J, ORTEGA F, HERNANDO A, et al. Recommender systems survey[J]. Knowledge-Based Systems, 2013, 46(1): 109-132.

[18]CHIEN Y-H, GEORGE E I. A Bayesian model for collaborative filtering[C]//Proceedings of the 7thInternational Workshop on Artificial Intelligence and Statistics. 1999: 1-6.

[19]WANG Xibin, LUO Fengji, QIAN Ying, et al. A personalized electronic movie recommendation system based on support vector machine and improved particle swarm optimization[J]. Plos One,2016, 11(11):e0165868.

[20]PAVLOV D, PENNOCK D. A maximum entropy approach to collaborative filtering in dynamic, sparse, high-dimensional domains[C]//Proceedings of the 16thAnnual Conference on Neural Information Processing Systems. 2002: 1441-1448.

[21]BitCoin: A peer-to-peer cash system [EB/OL]. (2008-10) [2016-12-10]. http://www.cryptovest.co.uk/resources/Bitcoin%20paper%20Original.pdf.

[22]PIBERNIK R, ZHANG Y, KERSCHBAUM F, et al. Secure collaborative supply chain planning and inverse optimization-the JELS model[J]. European Journal of Operational Research, 2011, 208(1): 75-85.

[23]AGUILAR-MELCHOR C, FAU S, FONTAINE C, et al. Recent advances in homomorphic encryption[M]. IEEE Signal Processing Magazine, 2013, 30(2): 108-117.

[24]PAILLIER P. Public-key cryptosystems based on composite degree residuosity classes[C]//Proceedings of the International Conference on the Theory and Applications of Cryptographic Techniques. 1999(5): 223-238.

[25]BONEH D, GOH E J, NISSIM K. Evaluating 2-DNF formulas on ciphertexts[C]//Proceedings of the Theory of Cryptography Conference. Heidelberg, Berlin: Springer, 2005(3378): 325-341.

[26]GENTRY C. A fully homomorphic encryption scheme [EB/OL]. (2009-10) [2016-12-10]. http://cs.au.dk/～stm/local-cache/gentry-thesis.pdf

[27]宁家骏. “互联网+”行动计划的实施背景、内涵及主要内容[J]. 电子政务，2015(6)：32-38. NING Jiajun. Internet+ Background and Contents[J]. E-Government, 2015(6): 32-38.

[28]HOWE J. The rise of crowdsourcing[J]. Wired Magazine, 2006, 14(6): 1-4.

[29]冯剑红,李国良, 冯建华. 众包技术研究综述[J]. 计算机学报, 2015，38(9): 1713-1726. FENG Jianhong, LI Guoliang, FENG Jianhua. A survey on crowdsourcing[J]. Chinese Journal of Computers, 2015，38(9): 1713-1726.

[30]LIU Liang, WANG Hao, LIU Xue, et al. GreenCloud: a new architecture for green data center[C]//Proceedings of the 6th International Conference on Autonomic Computing and Communications. Barcelona, 2009: 29-38.

[31]RAO L, LIU X, XIE L, et al. Minimizing electricity cost: optimization of distributed internet data centers in a multi-electricity-market environment[C]//Proceedings of the IEEE INFORCOM. 2010: 1145-1153.

[32]ZHANG Y, WANG Y, WANG X. GreenWare: Greening cloud-scale data centers to maximize the use of renewable energy[C]//Proceedings of the International Conference on Distributed Systems Platforms and Open Distributed Processing Middleware. Heidelberg, Berlin: Springer, 2011(7049): 143-164.

[33]MOHSENIAN-RAD A H, LEON-GARCIA A. Coordination of cloud computing and smart power grids[C]//Proceedings of 1st IEEE International Conference on Smart Grid Communications, Gaithersburg: IEEE, 2010, 45(2): 368-372.

[34]LUO Fengji, Ranzi G, WANG Xibing, et al. Service recommendation in smart grid: Vision, technologies, and applications[C]//Proceedings of 9th International Conference in Service Science, Chongqing, 2016:1-8.

[35]LI Fengjun, LUO Bo, LIU Peng. Secure information aggregation for smart grids using homomorphic encription[C]//Proceedings of 1st IEEE International Conference on Smart Grid Communications. IEEE, 2010: 1-6.

[36]THOMA C, CUI T, FRANCHETTI F. Privacy preserving smart metering system based retail level electricity market[C]//Proceedings of Power and Energy Society General Meeting. Denver: IEEE, 2013: 1-5.

[37]恒华科技. 恒华科技借“电+”打造多方共赢生态圈[EB/OL].(2006-01-20) [2006-12-10]. http://www.cagis.org.cn/chanyedongtai/1389.html.

[38]中国储能网. 全国首个众筹分布式光伏发电站在佛山诞生[EB/OL].(2005-09-23) [2006-12-10]. http://www.escn.com.cn/news/show-272293.html.

(编辑张媛媛)

Innovative Data-Driven Applications in Future Active Distribution Network: Technologies, Prospect and Challenges

DONG Zhaoyang1, 2, CHEN Yingying3, LUO Fengji4

(1.Southern China Power Grid Research Institute, Guangzhou 510080, China; 2. School of Electrical Engineering and Telecommunications, University of New South Wales, NSW 2052, Australia;3. School of Electrical Engineering, University of Sydney, NSW 2006, Australia;4. School of Civil Engineering, University of Sydney, NSW 2006, Australia)

This paper discusses some promising innovative data-driven applications in future active distribution networks (ADN), based on the current development of smart grid. Firstly, this paper analyzes the state-of-the-art and development trends of the ADN, and then introduces some important data analytics technologies that can be expected to be applied in future active distribution networks. Based on this, this paper discusses some innovative data-driven applications and also analyzes the associated challenges in the actual implementation.

active distribution network (ADN); smart grid; big data; demand side management; cyber security; data analytics; distributed generation

中国南方电网公司科技项目(WYKJ00000027)

TM 72；TP311

1000-7229(2017)05-0002-09

10.3969/j.issn.1000-7229.2017.05.001

2017-03-10

董朝阳(1971)，男，国家“千人计划”特聘专家，澳大利亚新南威尔士大学教授，本文通信作者，主要从事电力系统安全性、电力系统规划与管理、电力市场仿真与风险管理、数据挖掘等方面的研究工作；

陈莹莹(1984)，女，博士，澳大利亚悉尼大学研究员，主要从事数据挖掘、新能源并网技术及电力大数据应用研发等方面的研究工作；

罗逢吉(1983)，男，博士，澳大利亚悉尼大学博士后研究员，主要从事新能源并网技术、需求侧管理、计算智能及其在智能电网中的应用等方面的研究工作。