基于海量数据的区域新能源监控与决策支持

蔡桂华，韩涛，范伟，柴小亮，马庆峰，刘严，宋夏桐

（1.国网河北保定供电公司，河北保定 071051；2.北京四方继电保护自动化股份有限公司，北京 100080；3.河北工业大学，天津 300090）

新能源的发展，已经成为经济可持续发展的必须选择。新能源在环保以及经济性上都具有传统化石能源不可比拟的优势，其可再生性和清洁性使其成为解决能源危机和环保危机的重要手段[1]。随着国家对分布式光伏激励政策的落实[2]，配电网也会逐步接入部分分布式新能源，实现风电、光伏等新能源集中和分布式新发电的运行监测、统计分析对于提升新能源运行效率[3-4]、优化投资规划策略[5-6]具有重要意义[7-12]。通过对新能源发电的监测，实现新能源各时段发电量和天气数据的采集和统计，分析新能源发电与天气因素之间的相关性分析，为新能源发展和运行调度提供科学合理的决策依据[12-14]。

风电、光伏等分布式电源大量应用，而随之带来的是多种分布式电源和市电的相互补充和切换如何解决的问题。本文以分布式电源和市电为基础建立一个区域新能源系统，以光伏（photovoltaic，PV）[15]、风电机组（wind turbine，WT）[16]、蓄电池（storage battery，SB）[18-19]的新能源系统为研究对象，建设区域新能源能量管理系统，实现区域新能源的监控、能量管理一体化，通过对区域内部不同形式能源（电、风、光、储等）和负荷的精确预测与科学调度，与区域新能源控制器配合，实现区域新能源电网的安全稳定运行和能源优化。提出了一种衡量区域新能源经济水平的优化模型，该模型在保证不同并网方式下的负荷平衡、电能质量和蓄电池充放电深度以及新能源机组出力约束的基础上，结合实时电价实现分布式电源和市电的有功、无功出力的多目标优化经济调度。

1 区域新能源能量管理系统架构

区域新能源能量管理系统是区域新能源监控、海量数据分析、能量管理一体化系统，通过对区域新能源内部不同形式能源（电、风、光、储等）和负荷的精确预测与科学调度，与区域新能源控制器配合，实现新能源电网的安全稳定运行和能源优化。同时，通过区域新能源与大电网之间的协调互动，提高供电可靠性和一次能源利用率。系统架构见图1。

图1 区域新能源能量管理系统架构Fig.1 The regional renewable energy management system architecture

第一层，分布式发电设备与负载控制器，该层为局部就地控制，目的是就地控制区域新能源系统内电源与负载；第二层，区域新能源中央控制器，中央管理控制器提供了区域新能源系统在并网/孤网两种运行方式下完整的保护以及控制方案；第三层，区域新能源能量管理系统，该系统实现对区域新能源系统内各种能源流的综合优化，该层主要是考虑负荷和能源流的变化趋势，以降低区域新能源的经济成本为目标，在满足潮流平衡、安全性和电能质量的条件下，调整分布式发电系统的电源出力，从总体上优化分布式能源区域新能源系统的运行情况。

区域新能源能量管理系统，软件架构如图2所示。其中，支撑平台实现来自各种系统的新能源运行相关数据的统一存储管理。主要存储的数据包括新能源发电相关运行数据包括发电机电压、电流、功率、功率因数、频率以及电网的电压、功率因数、气象信息、发电机组电量累计、运行时间累计、蓄电池电压、故障告警等；新能源发电的经济性数据，包括新能源发电量、上网电量、售电量收入、政府补贴数据等。

图2 区域新能源能量管理系统功能Fig.2 Regional new energy management system functions

建立区域新能源集中监测和统计分析系统，有助于综合采集和统计新能源发电相关运行数据和经济性数据，为优化新能源发电运行、管理和新能源规划和投资的决策提供依据，实现无功有功协调控制等功能。

2 新能源大数据分析与决策

基于海量数据实现区域新能源实时监控与优化决策，通过对区域新能源的运行状态监视和海量数据挖掘以评估经济效益和节能效果、能源流/气象关联关系等分析和辅助决策功能，实现相关结果的实时或者通过WEB监视和预警，并能方便快速地查询与展示统计报表以及查询区域新能源系统历史数据。平台底层基于IEC61968/61970 CIM标准实现与DMS、EMS、气象平台等多个系统之间的数据和信息集成。平台提供海量数据管理和服务管理功能，确保数据质量并满足系统运行要求，可实现基于大数据的发电出力分析与预测。

2.1 新能源大数据分析基础功能

发电出力预测受到诸多随机因素的影响，没有明确的数学机理，数学模型无法准确地描述负荷变化规律。在大数据平台下，以数据的分析处理为中心，从数据中挖掘出隐含未来发展的信息。中长期发电出力预测是典型的数据决定问题，利用大数据方法，对发电出力大数据进行细致的分析处理，能很好地发掘出发电出力的分布情况和变化趋势。

本文模型中，对数据的分析处理分为两步。首先针对数据的不足进行处理，包括时效性检验、缺失数据补全、错误数据修正等，剔除错误数据，补足重要数据。其次利用大数据分析技术，对各类型数据进行详细的分析，提取特征参数和变化规律，挖掘出数据中隐含信息。

建模预测与误差分析。基于大数据的发电出力预测建模是针对数据的建模，是根据数据的分布规律与变化规律建立的与数据相适应的模型，能针对数据的改变做出相应调整，最后通过误差分析进一步修正模型中的参数。

在预测框架中，数据源分析、数据分析处理及建模预测为其核心部分，决定预测精度。大数据思想正是通过数据源分析，大量掌握发电出力相关数据，利用大数据分析技术全面分析发电出力大数据特点，建立以数据为中心的预测模型，最终实现发电出力的精细化预测。

2.2 新能源大数据发电出力及负荷预测实现

在处理大数据量和知识学习等方面具有独特优势的数据挖掘技术，为大幅提升预测模型的使用效率莫定了基础，从而大幅提高了发电出力、负荷预测精度。大数据背景下的负荷预测实现步骤如图3所示。

图3 新能源发电出力预测Fig.3 The new energy output forecast

步骤1：曲线聚类分析。

发电出力曲线的走势与日类型，天气因素等密切相关。合理的数据挖掘技术—聚类分析能够将发电出力规律相近的日期归为一类。采用马尔科夫链、贝叶斯模型等，可以提取复杂的负荷变化曲线的特征向量，进一步通过K-means等聚类分析算法将零散分布的独立样本逐渐归为趋势相近的若干类，为负荷预测提供参考。

步骤2：确立关键影响因素。

采用关联分析算法，计算影响因素（如日最高气温，日平均气温，平均湿度，日类型（星期几）等）与发电量的关联度排序，剔除影响因子较低的因素，简化预测模型，提高海量数据计算效率。

步骤3：建立分类规则。

通过步骤1及步骤2，得到了待预测日过去一年的历史发电曲线的分类结果和影响发电出力的关键因素。通过决策树算法，找到分类结果与关键影响因素间的耦合关系，并以分类规则的形式表现出来。该步骤的作用是当已知待预测日发电出力的关键影响因素值时，可以根据不同分类规则将预测日对应到不同的聚类中，从而该类的结果就可以作为预测日的相似日数据集来训练模型。

步骤4：选择匹配模型。

当得到预测日的关键因素日特征向量（即关键因素值组成的向量）后，将其输入步骤3建立的决策树模型中，即可输出相应的分类结果。

步骤5：训练预测模型并预测。

针对步骤1的分类结果，将每类的发电出力数据及相应的关键因素数据构建训练样本。针对每类发电出力数据的变化规律和特征，选取匹配的预测模型来完成对该日发电出力的预测。使用支持向量机算法，采用RBF核函数，并设定核函数参，不敏感系数和惩罚参数。根据步骤4中得出的待预测日的分类结果，选用对应的支持向量机模型完成预测。

3 区域新能源有功率控制

在使用海量数据进行负荷预测的基础上，区域能量管理系统能够得到更准确的发电数据和负荷预测数据。从而，结合实时电价机制，实现区域能源系统运行总成本的进一步降低。成本目标函数主要包括各新能源发电的维护成本及运行成本、区域能源系统的购电成本等，形成能量优化控制策略。

3.1 目标函数

目标函数为区域能源系统运行总成本成本最小化，总成本由区域内新能源发电的全寿命周期成本、区域能源系统的购电成本组成，并除去微电网的收益。其中，区域内新能源发电的全寿命周期成本包括日常维护成本、单位分散成本、老化折旧成本等。在海量数据背景下，以往难以估计的电池老化成本折算、风机全寿命周期成本折算等数据将会得到有效的计算。从而更加科学地估计系统运行成本。区域能源系统的购电成本主要考虑域能源系统从市电吸收功率的成本。目标函数为

式中：PGi，t为使用上一节建立的大数据模型计算得到的各区域内新能源发电机组（包括光伏（PV）、风电（WT）、电池（BAT）等）在第t时刻的有功出力；n为DG的总数量；Ci为第i台DG的运行费用，Mi为第i台DG的维护费用；Bt为从大电网购电的实时电价；Pe，t为在第t时刻区域新能源系统与市电的交换功率，若购电则为正，售电则为负。

3.2 约束条件

1）系统功率平衡约束

式中：PLD，t为t时刻的各类负荷功率，该参数由上一节中大数据模型计算得到；PL，t为t时刻弃风、弃光总功率。

2）与市电功率交换约束

式中Pe，t/Pe，min/Pe，max为t时刻区域新能源系统与市电允许交换的功率/最小/最大功率。

3）PV、WT、GT 的运行约束

式中PG，t/Pi，min/Pi，max为t时刻区域内新能源发电有功功率/最小/最大有功限值。

4）蓄电池运行约束

式中：PBAT，t为t时刻蓄电池充/放电功率，负值代表充电，正值代表放电；PBAT，min、PBAT，max为蓄电池充/放电时允许的最小、最大功率；Wini、WBAT，min、WBAT，max为蓄电池的初始、最小、最大存储能量；T为单位时间；λ为蓄电池的能量损失系数。

这里选用了蓄电池作为储能设备的代表。大规模蓄电池组不受地理条件约束，广泛用于微电网中作为能量储备单元。并且，抽水蓄能等其他类型的储能设备，经过参数调整，也能够适用本模型建立的约束条件。

5）传输线功率约束

式中：PLine，i，t为第i条传输线在第t时刻的传输功率；PLine，i，max为第i条传输线最大传输容量值；Vi，t为第i个母线第t时刻的电压值；Vi，，max/Vi，min为第i个母线的最大/最小电压值。函数f(∙)为母线电压和传输线功率关系函数，通常为二次函数形式[20]。

3.3 区域新能源优化策略

传统的新能源调度策略中，风电光伏等可再生能源出力被当做确定性参数。但是在实际运行中，可再生能源出力往往受到当日天气影响，其实际出力可能偏离预测值。在海量数据背景下，使用上一节建立的预测模型，区域新能源调度可以获得更优的可再生能源预测值。

并且，考虑到可再生能源往往在短期内预测精度较高。本文采用“日前计划—滚动调度—实时调度”三层调度结构。在日前计划中，将风电和光伏看成一个整体，通过与储能一体化优化调度，减少弃风或者弃光的总量，同时提高区域能源系统的经济效益。并且，通过日内的滚动调度，动态更新可再生能源的最新预测值，调整系统运行策略。最后，实时调度将实现区域新能源的实时平衡和潮流安全。

3.4 区域新能源优化运行算法实现

本文建立的区域新能源调度模型中，目标函数和约束条件较多，且约束条件中含有传统优化算法难以解决的非线性约束条件（如传输线功率约束）。因此，本文采用改进的遗传算法优化，选取满足各项约束条件且出力、运行成本最低的M个电源组合构成初始父总群，进行交叉变异操作产生性能更优的下一代种群，直到获得最优解。

4 区域新能源无功电压控制

区域新能源的无功管理和电压控制由电网和新能源系统两部分构成。新能源出力形成各自约束并上送至电网层，电网层考虑电网和新能源系统实现系统级无功优化，并将电压和无功优化结果下发至新能源系统，从而保证整个电网的安全经济运行。新能源电场电压无功功率综合控制的任务是根据调度的指令和电场并网的信号，通过场站内部无功优化调节场站内部的无功补偿装置和风电机组或光伏电池本身的控制系统，实现整个新能源电厂的电压无功优化控制。

分层分区、就地平衡是电网无功优化控制的基本原则，依据电压3级控制的理念，并结合新能源电场接入的实际情况，省级电网作为电压控制的第三级，地区电网AVC作为电压控制的第二级，则新能源电场AVC可看作电压控制的第一级。以风电场为例，系统的控制对象既包括风电场并网点电容器、SVG的投切和控制，也包括风电机组的控制。新能源电场电压无功控制的分级示意图见图4。

图4 新能源电场电压无功分级控制Fig.4 The hierarchical control of new energy reactive power

在海量数据背景下，区域调度可以对无功电压进行更为精细的控制。借助电力系统运行中获得的海量数据监控，区域调度可以更精细地预测可再生能源的出力波动，从而更好地应对突发情况下电网电压平稳和无功平衡。考虑到新能源出力的间歇性和波动性，电压控制方案需要在不同电网运行方式下，通过高精度的超短期功率预测实现精细化调节，这样能更大限度地保障区域能源系统的安全性和减小经济运行成本。电场AVC根据电网运行计划和超短期功率预测，以15 min为控制周期进行优化决策，进而决定该控制周期内离散无功设备（电容器）与有载调压变压器分接头的控制方案，并下发至设备的本地控制器。除此之外，考虑到区域新能源的出力可能出现大波动的情况，本文在定周期控制逻辑的同时，实时监视新能源出力波动速率，在一定时间段内新能源波动超过阈值后，启动敏捷校正控制，迅速将并网点电压恢复。

离散设备动作之后，可以利用动态无功补偿装置实时跟踪电网调度控制目标。但同时控制SVC、SVG与新能源发电机组，容易导致调节振荡，因此需要不同时间尺度上考虑SVC、SVG与新能源的调节，由于到新能源发电机组通信可靠度低、延时大，将发电机组的调节放在综合优化中，SVC、SVG等装置响应快速，用来进行电网AVC调度指令的闭环控制，保证该控制周期内留有足够的无功调节裕度。

区域能源系统的电压稳定性受新能源并网点的影响很大，因此对新能源电场内部无功电源的运行进行优化以保证并网点电压，对区域能源系统的安全稳定运行具有重要的意义。新能源电场无功优化的目标是在满足各种约束条件下，最大程度地提高电压水平、改善电压质量、减少系统网络损耗、提高系统对新能源电场的吸纳能力。

4.1 目标函数

对于无功电压控制，调度目标函数为系统运行的有功损失最低。系统运行的有功损失Ploss与各母线电压相关，可以表示为

式中：Ui为第i个母线电压；Gij/Bij为第i个母线到第j个母线间的电导/电纳。

4.2 约束条件

4.2.1 潮流平衡

式中：Pi/Qi为第i个发电机组的有功功率/无功功率。

4.2.2 不等式约束

1）发电机无功功率范围约束

式中QGmin/QGmax为发电机组的最小/最大无功功率。

2）电压偏移范围约束

式中Uimin/Uimax为发电机组的最小/最大电压值。

3）无功补偿装置出力约束

式中QCmin/QCmax为无功补偿装置的最小/最大无功出力。

4）升压变分接头档位约束

式中Kimin/Kimax为第i个变压器的最小/最大分接头位置。

5）新能源场站与市电的无功交换量应当尽可能接近电网发下的优化目标值：

式中：Qout为新能源厂站出口无功；Qref为地区电网下发至新能源厂站的无功目标值；ε通常取一个极小值，这里取0.000 1。

假设上级电网发出的无功补偿命令为Qref，通过实时监控设施可以得到风电场并网点的电压，在已知各发电机有功出力的情况下，对并网点处的交换功率作罚函数处理，加入到目标函数中，采用内点法对上述优化模型求解，就可以得到该指令下每台发电机和无功补偿设置的最优出力。

5 应用实例

本文提出的基于海量数据的区域新能源监控与决策系统于2015年4月1日部署在河北某地调，该地区电网有风能、光伏、储能（抽水、蓄电池）等多种能源，总功率约500 kW。该系统上线两年以来，运行稳定，效果良好。不仅采集了海量新能源运行监控数据，而且有效的解决了不同新能源出力运行在不同模式、不同时序以及多约束条件下的能量监控、优化管理功能，为海量数据背景下多能源接入市电提供了有益经验。

5.1 新能源发电预测

本文对各种能源出力均采用5 min采样并保存，对每一种新能源出力，基于一年的数据构建的采样序列R105120，采用本文提出的大数据分析技术对区域内多种采样序列进行挖掘和分析，实现对区域内新能源发电预测，图5给出了区域新能源监控与决策系统得到的某风能的新能源功率预测曲线。

预测精度的定义为

式中：N预测总点数；为第k+1个预测时刻预测值；x(k+1)为第k+1个时刻的实际值。

根据两年间区域新能源系统监控数据，采用支持向量机等数据挖掘算法对原始数据进行数据清洗和整合。在剔除无效数据后，某典型日发电预测预测如图5所示。地调各种新能源出力的整体预测误差在12%左右，单个预测时刻的最大预测误差为6.36%，这说明本文的方法是适合于区域新能源发电出力的精细化预测的。

5.2 区域新能源有功优化控制

某典型日中，有功优化控制的结果如图6所示。

图6 新能源有功功率优化结果Fig.6 Optimization results of new energy active power

在海量数据背景下，新能源的发电值得到了更精细的描述。在此基础上，多种可再生能源出力曲线的峰谷区间互补，有功控制可以得到更优的结果。以图6中某典型日0～24 h的测试数据所示，在负荷高峰时段，使用抽水蓄能向电网提供电力，在负荷低谷时段，如果有充足的新能源，则利用新能源出力进行抽水储能[21]。同时，采用三层调度机制，可以动态更新新能源出力预测值，利用不同种类新能源发电特性的差别，有效协调多种新能源的峰谷时段，保证了最大功率并网，减少了弃风以及弃光量，最大程度的支撑不同时段区域新能源区域的负荷和市电的需要，同时火电机组的启停和运行维护费用也大大减少。

5.3 区域新能源无功优化控制

基于海量的监测数据，区域调度系统能够更好的控制并网节点电压，降低系统的网损。图7展示了在电网某种运行情况下，新能源某并网节点电压较高，发生母线电压越限事件。此时通过本文建立的无功优化策略，将并网点电压约束加入优化模型，强化并网点电压控制，能够有效降低该并网点电压差，另一方面，无功优化前各并网点差距较大，且各并网点电压随有功出力的波动而变化，也严重影响市电的安全稳定运行。此外，应用本文算法无功优化后，系统的网损也比无任何无功优化场景的网损低，由原来的0.197 0降低到了0.161 3。

图7 额定输出场景下无功优化前后节点电压比较Fig.7 Comparison of the node voltage before and after reactive power optimization in rated output scenarios

6 结论

本文研究了区域新能源能量管理系统架构、基于海量数据的新能源出力预测、有功无功实时控制、基于海量数据的决策支持等模型。提出一种基于海量数据的区域新能源的能量管理系统，对该系统的组织架构、实现算法等进行了详细说明，并以该系统在某地调的实际运行数据，验证了该系统的有效性。该系统的实际运行表明，海量数据有助于电力系统对波动性强的新能源进行更有效的分析和预测，在更精细的预测精度下，系统的有功、无功控制得到进一步优化：多种新能源发电总体考虑，优势互补，降低了弃风、弃光功率；系统中并网母线电压越限情况获得了有效抑制，系统的网损降低。本文建立的区域新能源监控与决策系统，可为海量数据下新能源控制的实现提供有益参考。

参考文献

[1]YONG J Y，KLEMEŠ J J，VARBANOV P S，et al.Clean⁃er energy for cleaner production：modelling，simulation，optimisation and waste management[J].Journal of Cleaner Production，2016，111：1-16.

[2]苏剑，周莉梅，李蕊.分布式光伏发电并网的成本/效益分析[J].中国电机工程学报，2013，33（34）：50-56.SU Jian，ZHOU Limei，LI Rui.Cost-benefit analysis of dis⁃tributed grid-connected photovoltaic power generation[J].Proceedings of the CSEE，2013，33（34）：50-56.

[3]LO K.A critical review of China’s rapidly developing re⁃newable energy and energy efficiency policies[J].Renew⁃able and Sustainable Energy Reviews，2014，29：508-516.

[4]HOUSTON C，GYAMFI S，WHALE J.Evaluation of ener⁃gy efficiency and renewable energy generation opportuni⁃ties for small scale dairy farms：A case study in Prince Ed⁃ward Island，Canada[J].Renewable Energy，2014，67：20-29.

[5]HAN J，CHOI C S，PARK W K，et al.Smart home energy management system including renewable energy based on ZigBee and PLC[J].IEEE Transactions on Consumer Elec⁃tronics，2014，60（2）：198-202.

[6]BATISTA N C，MELÍCIO R，MATIAS J C O，et al.Photo⁃voltaic and wind energy systems monitoring and building/home energy management using ZigBee devices within a smart grid[J].Energy，2013，49：306-315.

[7]闫鹤鸣，李相俊，麻秀范，等.基于超短期风电预测功率的储能系统跟踪风电计划出力控制方法[J].电网技术，2015，39（2）：432-439.YAN Heming，LI Xiangjun，MA Xiufan，et al.Wind pow⁃er generation system based on ultra short-term wind pow⁃er forecasting power storage system[J].Power System Tech⁃nology，2015，39（2）：432-439.

[8]SONG Y，ZHOU G，ZHU Y.Present status and challeng⁃es of big data processing in smart grid[J].Power System Technology，2013，37（4）：927-935.

[9]HONG T，CHEN C，HUANG J，et al.Guest editorial big data analytics for grid modernization[J].IEEE Transactions on Smart Grid，2016，7（5）：2395-2396.

[10]PENG X，DENG D，CHENG S，et al.Key technologies of electric power big data and its application prospects in smart grid[J].Proceedings of the CSEE，2015，35（3）：503-511.

[11]王成山.微电网分析与仿真理论[M].北京：科学出版社，2013.

[12]王成山，李鹏.分布式发电、区域新能源与智能配电网的发展与挑战[J].电力系统自动化，2010，34（2）：10-14，23.

[13]黄伟，孙昶辉，吴子平，等.含分布式发电系统的微电网技术研究综述[J].电网技术，2009，33（9）：14-18.HUANG Wei，SUN Changhui，WU Ziping，et al.A R eview on micro-grid technology containing distributed gen⁃eration system[J].Power System Technology，2009，33（9）：14-18.

[14]张建华，苏玲，陈勇，等.区域新能源的能量管理及其控制策略[J].电网技术，2011，35（7）：24-28.ZHANG Jianhua，SU Ling，CHEN Yong，et al.Energy management of micro-grid and Its control strategy[J].Pow⁃er System Technology，2011，35（7）：24-28.

[15]YONG J Y，KLEMEŠ J J，VARBANOV P S，et al.Clean⁃er energy for cleaner production：modelling，simulation，optimisation and waste management[J].Journal of Cleaner Production，2016，111：1-16.

[16]XIAO Z，BI C，SHAO Y，et al.Efficient，high yield perovskite photovoltaic devices grown by interdiffusion of solution-processed precursor stacking layers[J].Energy&Environmental Science，2014，7（8）：2619-2623.

[17]SEN R，Bhattacharyya S C.Off-grid electricity generation with renewable energy technologies in India：An applica⁃tion of HOMER[J].Renewable Energy，2014，62：388-398.

[18]MA T，YANG H，LU L.Feasibility study and economic analysis of pumped hydro storage and battery storage for a renewable energy powered island[J].Energy Conversion and Management，2014，79：387-397.

[19]MA T，YANG H，LU L.Development of hybrid batterysupercapacitor energy storage for remote area renewable energy systems[J].Applied Energy，2015，153：56-62.

[20]LI Y，SONG J，YANG J.A review on structure model and energy system design of lithium-ion battery in renewable energy vehicle[J].Renewable and Sustainable Energy Re⁃views，2014，37：627-633.

[21]FU Y，SHAHIDEHPOUR M，LI Z.Security-constrained unit commitment with AC constraints[J].Power Systems，IEEE Transactions on，2005，20（2）：1001-1013.