能源互联网中大数据技术的应用分析

2020-04-26李强

通信电源技术 2020年23期

关键词：分布式数据挖掘电网

李强

（中煤水文局集团（天津）工程技术研究院有限公司，天津 300000）

0 引言

近些年来，我国现代化信息技术水平逐渐提升，在这个信息爆炸的时代背景下，大数据技术开始在各个行业及各个领域中得到广泛应用，能源互联网领域也不例外。但当前在大数据技术应用与能源互联网建设的过程中仍面临部分争议，有必要对其展开更加深层次的探索。

1 研究背景—能源互联网建设

对于现代社会的发展来说，能源是不可或缺的重要组成部分，但从目前来看，全世界范围内都普遍面临着严重的能源危机。在这一时代背景下，各国开始积极探索新能源技术，尤其是可再生能源，包括生物能、风能以及太阳能等。可再生能源本身有着清洁环保和可再生等多方面优势，是当前能源领域发展的重要趋势。然而可再生能源的开发和利用在实践过程中则面临着一定的局限性，深入了解能够发现可再生能源有着不可控、波动性、随机性、生产不连续以及地理上比较分散等特点。以往我国对于电力网络的管理主要采用集中统一的方式，无法同当下大规模利用可再生能源的需求相适应。但是分布式发电并网的应用无法高效应对分布式发电在高渗透率状况下对上一级电网电能质量所造成的负面影响，与此同时对于最大限度实现可再生能源的利用起到了一定的制约作用。只有保障落实对于可再生能源信息的共享，通过信息流实现对于能量流的控制，切实提升可再生能源发电所在共享及传输方面的质量和效率，才能够有效规避当前普遍面临的可再生能源不稳定的现象，真正实现可再生能源利用效率的优化提升[1]。

从本质上来看，能源互联网是可再生能源与信息技术相结合的产物，其出现能够针对可再生能源利用的问题提供更加科学合理的技术方案。相比较当前较为流行的微电网、分布式发电以及智能电网来说，无论是在方法、技术还是在理念上都有着较为突出的优势。所以有必要强化开展对于能源互联网的研究，分析能源互联网中所应用的各种新兴技术，这样一来便能够有效促进能源互联网的发展，并使得传统电网加速实现向能源互联网的转变。

具体来说，能源互联网（图1）主要指的是灵活运用当前各种先进的智能管理技术、信息技术以及电力电子技术，切实保障大量各种类型负载、分布式能量储存装置以及分布式能量采集装置所组成的新型电力网络节点的互联效果，进而促使能量能够得到双向流动，并在共享网络的基础上实现对等交换。

图1 能源互联网

立足于政府管理者的角度进行分析，能源互联网能够在对传统电网进行兼容的同时，构建起一种新型的能源体系结构。该体系结构的建立能够实现对于分布式可再生能源更加广泛和充分的利用，可以同当前用户更加多样化的电力需求相适应。立足于运营者的角度进行分析，能源互联网也是一个能源消费市场，运营者在其中能够同消费者之间进行更加良好的互动，只有真正保障其能源服务的实际质量，才能够在市场竞争中立于不败之地。而从消费者的角度进行分析，能源互联网的存在既可以为消费者提供传统的供电服务，还能够搭建起一个公共平台，为消费者之间的能源交换和共享提供重要支持。

2 大数据技术在能源互联网中的应用

大数据技术的灵活应用能够有效提升能源互联系统的协同运行质量，能源互联网中广泛涉及到大量的储能储热设备、微型网以及分布式电源等。通过应用大数据技术能够提升分析及决策的质量和效率，提高多种能源的智能化生产水平，缓解当下普遍面临的能源过度开发问题，提升能源的利用效率，保障负荷侧与电源侧的协同效果。优化使用大数据技术能够针对能源互联网中的各种历史数据及实时动态的运行数据展开更加深层次的挖掘与分析，进而方便深入了解各环节的行为与偏差，进一步落实对能源互联网的全局把握，最终优化提升能源互联网运行的稳定性和安全性[2]。

强化开展对于大数据挖掘技术的应用，能够精确地找到能源中损耗最大的环节，进而针对性地采取相应的解决措施，尽可能提升能源利用率，降低能源过度开发与应用对生态环境所造成的破坏。由于能源的分布模式具有一定的特殊性，所以能源互联网数据也呈现出了碎片化和分散化的特点，很可能会导致数据出现丢失及损坏的现象。充分利用大数据技术的集成管理可以在现有基础上缓解数据流失的问题，切实保障数据的完整性。能源互联网本身有着更加广阔的适用范围，其作为当前智能电网的延伸与发展，能够包容更多人参与到其中。在大数据分析的基础上，能够综合考虑多样化的角度、因素以及层面，详细分析上下游各环节的实际供给和需求状况，然后便能够形成科学合理的能源互联网商业模式，吸引各方面都能参与其中[3]。

能源互联网有着十分广阔的覆盖范围，同时其在环境类型方面也呈现出了较为复杂多样的特点，涉及到对于诸多专业技术及知识的应用，所以能源互联网建设一般有着相对较长的时间跨度。此外，在实际展开能源互联网建设工作的过程中经常会涉及到众多分散且杂乱的各种数据，这便导致目前我国能源互联网的建设面临一定的阻碍，因此有必要探索出更加科学合理的方式，针对这些海量的数据展开高质量的收集处理及挖掘工作。本文主要是立足于能源互联网的数据来源分析，并将其同大数据的挖掘方法相结合，旨在能够精确地找到海量数据中所蕴含的内在规律及模式，进而为各决策人员作出更加科学合理的决策提供技术支持。

2.1 大数据来源分析

电网本身作为一个庞大的网络系统，能够实现对于电能生产、分配以及使用等多个环节的全面覆盖，同其他系统之间有着明显的差异性。风能和太阳能等分布式可再生能源以及核能、水力、天然气与石油等传统一次能源都处在电网的源侧，而在电网的不同终端处则包含着多样化的智能家居、电动汽车、电力用户以及电力设备等[4]。但不管是终端还是源侧，都涉及到海量的电力数据信息，构成了广泛覆盖的庞大电力数据网络。能源互联网的数据来源主要包括以下几方面内容。

2.1.1 源侧

电源环节中所涉及到的大数据绝大部分都是各类发电模式下所形成的数据。在保障传统电源持续平稳发电的基础上，灵活应用智能调控技术和发电出力预测能够通过分析源测大数据得到进一步发展。此举能够在原有的基础上实现可再生能源应用水平的提升，切实保障其更加规范化及科学化发展，并有效促进大范围利用分布式储能设备和大规模接入新能源的发展进程。

2.1.2 网侧

电网环节中的数据大多产生于实际进行电网运营及设备使用的过程中，主要包括监测数据[5]。当传统的电网同各种分布式微网与分布式能源相结合的时候会导致负荷曲线出现波动，进而在一定程度上增加了以往电网的调度压力，同时还给数据分析工作的开展造成了阻碍。大数据技术的应用主要是分别针对输电、变电以及配电3个环节进行智能化的科学管理。大数据技术在输电环节中的应用能够强化开展对于各类输电数据的实时汇总、分析、评估以及辅助决策等工作，以此真正达到对于输电侧态势的智能化及实时化评估要求。再加上充分结合外部数据，可以使得大数据技术第一时间检测电网线路中有潜在故障风险的零件，并及时采取妥善的处理措施，从根本上实现了输电侧自我修复能力的提升。

2.1.3 荷侧

从未来能源互联网的发展趋势来看，未来的智能用电绝大部分都展现在智能家居方面，与其相关的各项数据涉及到电力用户侧的电费拖欠情况和电量使用情况等信息。可以利用电力大数据构建起相应的营销决策平台，同时还能够针对用户服务、市场运营以及设备管理等多方面内容展开相应的分析和预测工作，进而为电力企业的发展提供必要条件[6]。

2.1.4 储侧

在当前大力开展能源互联网建设的时代背景下，分布式储能技术得到了迅速的发展和应用。从目前来看，我国在各种建筑设施，如商场和居民楼等都会进行分布式储能设备的应用。此外还包含着一些社会生活中分散存在的电动汽车充放电桩、不间断电源以及性能受限的储能电池等储能设施，该类设施所产生的数据都无法得到精确地计算。在大数据技术的应用下，该类数据信息能够在一个数据仓库中实现统一收集，并第一时间展开对于这些数据的分析与处理工作，对于电网、新能源以及储能系统之间更加协调平稳运行有着重要作用[7]。

2.2 大数据分析方法

2.2.1 数据挖掘流程

大数据技术本身有着极高的应用价值，灵活应用大数据技术能够在当前大量复杂的数据信息中精准快速地提炼出其中最有价值的信息，是当前探索大数据问题的关键内容。应用大数据技术最为核心的部分便是通过建模探索各数据之间所存在的内在联系，而数据挖掘则是立足于数据库，从中提炼出所需要信息的方式。数据挖掘一般情况下在采用相应数据加工处理方法的基础上获取信息，该过程中所获得的数据信息本质上都属于增值的信息，能够有效支撑对于各种问题的研究和探索[8]。一般的数据挖掘算法主要会应用计算机技术进行，同时还需要将包括机器学习、模式识别以及统计学等多种学科知识整合起来，具体流程如图2所示。

图2 数据挖掘流程

之所以要进行数据挖掘，是因为要在数据分析的基础上寻找到能够解决问题的方法和途径，唯有进一步认识问题的各种基本情况，才能够为数据挖掘项目的开展指明方向，进而选用更加科学可行的数据挖掘方法展开对于实际问题的分析与研究，明确其是否能够通过大数据分析得到高效解决[9]。

数据挖掘主要是由技术、数据以及模型所构成的，在确定具体的问题目标之后，便可以针对其中的相关数据展开分析和研究工作，以明确数据和问题之间是否相匹配，然后再开展下一阶段的数据收集工作。数据理解包含价值和质量两部分内容。数据同其他一般资源之间存在一定的差异性，在不同系统和用户之间进行互相传递和共享的过程中便能够达到数据信息增值的效果，但同时数据进行传递的时候难免会出现过时、重复以及不一致等多种质量问题。另外，数据理解还涉及到对于异常数据、数据类型格式以及数据获取方式等内容的理解。

为了能够更加科学合理地分析数据，应当先明确好所需要数据的具体情况，然后将其整合起来构建相应的数据挖掘库，其中包含数据提取、数据转换以及数据聚合3个方面的工作。数据提取是立足于问题，在海量原始数据中读取相关数据的过程，是后续各种工作开展的重要基础。数据转换是严格依照事先所制定好的规则转换已经提取出来的数据，进而使得异构的数据格式统一起来。数据聚合指的是将已经完成转换的数据按照计划导入到数据集市或者是数据挖掘库中，通过数据整合去掉其中冗余的部分[10]。

在整个数据挖掘流程中，数据建模属于比较关键与核心的部分，在完成数据收集之后便要结合问题实际情况展开相应的建模分析工作。该过程是一个比较反复的试验过程，要求工作人员进行多次的试验和摸索，进而选择最佳的模型来解决目标问题，其中作常见的模型包括多元分析、时间序列、特征估计以及分布探索等[11]。

2.2.2 数据挖掘方法

在能源互联网中包含着海量的数据，唯有采用最为合适的数据挖掘方法才能够从中挖掘出更加有价值的信息。笔者主要对以下几种数据挖掘方法进行分析。

（1）聚类分析。该方法属于一种将大量变量特征归类起来的统计方法，主要是根据样本在特征上所体现出的疏密程度，然后在此基础上详细划分数据集合或者是样本，成为多个子集。这样一来便能够最大限度提高组内样品之间所具有的相似程度，与此同时组间样本之间的差异性也得到了大幅增加。

（2）关联分析。该方法主要是指针对数据之间所具有的关联性展开的分析，在各个不同的变量之间若是存在着一定的相关规则，那么关联分析可以对海量数据中所存在的关联网络进行有效发掘，进而实现对于数据库中各种有意义关联的高效识别。

（3）回归分析。回归分析包括一元回归和多元回归两种类型，其本质上是一种对多变量依赖关系及程度情况进行分析的方法和手段。一般情况下可以将受到影响的因素称之为因变量，而另一种则是自变量，自变量对于因变量的取值有着决定性作用。从目前来看，回归分析是一种使用频率和适用范围最高和最广的多元统计分析方法，能够利用可观测的数据达到对因变量和自变量之间定量关系进行确定的效果，以便于对数据内部所具有的规律产生更加明确的认识[12]。

（4）降维分析。该分析方法的应用是尽可能通过精简的变量实现对于更多原始信息的表达，以此达到弱化次要矛盾和突出主要矛盾的效果。简化原本变量的多方面指标，使其成为综合性较强的指标，进而实现降维的效果。