论文部分内容阅读
摘要：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，数据采样速度快，必须利用大数据技术才能处理智能电网的海量数据。基于此，文章对大数据分析技术进行了介绍，对其在智能电网中的应用前景进行了总结和分析，从而更好的促进智能电网的发展。
关键词：大数据技术，智能电网，调度
1电网大数据应用技术
随着智能电网大数据环境逐渐成熟，对于数据价值的挖掘开始日益迫切，目前大数据的分析技术主要分为数据统计分析技术、数据挖掘技术和数据可视化技术三类。
1.1数据统计分析技术
数据统计分析技术主要用于对数据形态、数据分布情况的分析，通过数据统计分析可以掌握数据的稳定性情况和数据的分布情况，是通过数据掌握业务的稳定性和变化趋势的重要手段。在描述数据形态时我们多使用中位数、四分位、众数、均值、方差、标准差、标准分等统计分析方法;在数据概率分布时采用均匀分布、二项分布、泊松分布、正态分布来描述数据，在判定上采用T检验、F检验、二项分布假设检验、卡方检验、K-S检验、游程检验等。
1.2數据挖掘技术
数据挖掘（Data Mining）从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程[4]。与之相似的概念称为知识发现。数据挖掘与统计分析之间的关系如下图所示：
传统分析：在数据量较少时，传统的数据分析已能够发现数据中包含的知识，包括结构分析、杜邦分析等模型，方法成熟，应用广泛，本文不展开介绍。
信息处理：基于查询，可以发现有用的信息。但是这种查询的回答反映的是直接存放在数据库中的信息。它们不反映复杂的模式，或隐藏在数据库中的规律。
数据分析工具：各种厂商开发了数据分析的工具、模块，将分析模型封装，使不了解技术的人也能够快捷的实现数学建模，快速响应分析需求。
数据挖掘：被定义为就是充分利用了统计学和人工智能技术的应用程序，并把这些高深复杂的技术封装起来，使人们不用自己掌握这些技术也能完成同样的功能，并且更专注于自己所要解决的问题。
1.3数据可视化技术
数据可视化技术的基本思想是将数据库中每一个数据项作为单个图元元素表示，大量的数据集构成数据图像，同时将数据的各个属性值以多维数据的形式表示，可以从不同的维度观察数据，从而对数据进行更深入的观察和分析。数据可视化技术的主要特点是：
（1）交互性。用户可以方便的以交互的方式管理和开发数据。
（2）多维性。可以看到表示对象或事件的数据的多个属性或变量，而数据可以按其每一维的值，将其分类、排序、组合和显示。
（3）可视性。数据可以用图像、曲线、二维图形、三维体和动画来显示，并可对其模式和相互关系进行可视化分析。
数据可视化技术能用三维正交标准来描述：可视化技术、扭曲技术，交互技术。任何可视化的技术都与扭曲技术和交互技术协同工作。
可视化技术主要分为：基于几何技术、基于图标技术、面向像素技术、分层技术、基于图形技术、混合技术。
2 大数据技术在智能电网中的应用前景
大数据技术在智能电网中具有广阔的应用前景，下面从源网荷协同、负荷预测、网架规划三个方面进行论述。
2.1 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。
2.2 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。
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 总结
在当前提倡绿色低碳经济发展理念以及网络信息技术飞速发展的基础上，智能电网的建设和发展已经成为一种必然的趋势，在智能电网应用中的大数据处理技术，能有效的对智能电网的发展起到关键性的促进作用，推动社会的发展。
参考文献：
[1]但涛.面向智能电网应用的电力大数据关键技术分析[J].科技传播，2015：31+29.
[2]刘振亚.全球能源互联网[M].北京：中国电力出版社，2015.
[3]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，2015：2-12.
关键词：大数据技术，智能电网，调度
1电网大数据应用技术
随着智能电网大数据环境逐渐成熟，对于数据价值的挖掘开始日益迫切，目前大数据的分析技术主要分为数据统计分析技术、数据挖掘技术和数据可视化技术三类。
1.1数据统计分析技术
数据统计分析技术主要用于对数据形态、数据分布情况的分析，通过数据统计分析可以掌握数据的稳定性情况和数据的分布情况，是通过数据掌握业务的稳定性和变化趋势的重要手段。在描述数据形态时我们多使用中位数、四分位、众数、均值、方差、标准差、标准分等统计分析方法;在数据概率分布时采用均匀分布、二项分布、泊松分布、正态分布来描述数据，在判定上采用T检验、F检验、二项分布假设检验、卡方检验、K-S检验、游程检验等。
1.2數据挖掘技术
数据挖掘（Data Mining）从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程[4]。与之相似的概念称为知识发现。数据挖掘与统计分析之间的关系如下图所示：
传统分析：在数据量较少时，传统的数据分析已能够发现数据中包含的知识，包括结构分析、杜邦分析等模型，方法成熟，应用广泛，本文不展开介绍。
信息处理：基于查询，可以发现有用的信息。但是这种查询的回答反映的是直接存放在数据库中的信息。它们不反映复杂的模式，或隐藏在数据库中的规律。
数据分析工具：各种厂商开发了数据分析的工具、模块，将分析模型封装，使不了解技术的人也能够快捷的实现数学建模，快速响应分析需求。
数据挖掘：被定义为就是充分利用了统计学和人工智能技术的应用程序，并把这些高深复杂的技术封装起来，使人们不用自己掌握这些技术也能完成同样的功能，并且更专注于自己所要解决的问题。
1.3数据可视化技术
数据可视化技术的基本思想是将数据库中每一个数据项作为单个图元元素表示，大量的数据集构成数据图像，同时将数据的各个属性值以多维数据的形式表示，可以从不同的维度观察数据，从而对数据进行更深入的观察和分析。数据可视化技术的主要特点是：
（1）交互性。用户可以方便的以交互的方式管理和开发数据。
（2）多维性。可以看到表示对象或事件的数据的多个属性或变量，而数据可以按其每一维的值，将其分类、排序、组合和显示。
（3）可视性。数据可以用图像、曲线、二维图形、三维体和动画来显示，并可对其模式和相互关系进行可视化分析。
数据可视化技术能用三维正交标准来描述：可视化技术、扭曲技术，交互技术。任何可视化的技术都与扭曲技术和交互技术协同工作。
可视化技术主要分为：基于几何技术、基于图标技术、面向像素技术、分层技术、基于图形技术、混合技术。
2 大数据技术在智能电网中的应用前景
大数据技术在智能电网中具有广阔的应用前景，下面从源网荷协同、负荷预测、网架规划三个方面进行论述。
2.1 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。
2.2 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。
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 总结
在当前提倡绿色低碳经济发展理念以及网络信息技术飞速发展的基础上，智能电网的建设和发展已经成为一种必然的趋势，在智能电网应用中的大数据处理技术，能有效的对智能电网的发展起到关键性的促进作用，推动社会的发展。
参考文献：
[1]但涛.面向智能电网应用的电力大数据关键技术分析[J].科技传播，2015：31+29.
[2]刘振亚.全球能源互联网[M].北京：中国电力出版社，2015.
[3]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，2015：2-12.