本文摘要：摘要:概述了電力行業(yè)大數(shù)據(jù)的特點(diǎn)，介紹了數(shù)據(jù)的采集、存儲(chǔ)和處理、分析和挖掘、應(yīng)用，分別從發(fā)電、輸電、配電、用電四大環(huán)節(jié)對(duì)電力相關(guān)的大數(shù)據(jù)應(yīng)用研究進(jìn)行歸納與總結(jié)，接著介紹電力大數(shù)據(jù)應(yīng)用的成功案例，最后闡述了電力大數(shù)據(jù)應(yīng)用面臨的挑戰(zhàn)。 關(guān)鍵詞:電
摘要:概述了電力行業(yè)大數(shù)據(jù)的特點(diǎn)，介紹了數(shù)據(jù)的采集、存儲(chǔ)和處理、分析和挖掘、應(yīng)用，分別從發(fā)電、輸電、配電、用電四大環(huán)節(jié)對(duì)電力相關(guān)的大數(shù)據(jù)應(yīng)用研究進(jìn)行歸納與總結(jié)，接著介紹電力大數(shù)據(jù)應(yīng)用的成功案例，最后闡述了電力大數(shù)據(jù)應(yīng)用面臨的挑戰(zhàn)。
關(guān)鍵詞:電力;大數(shù)據(jù);模型;算法;應(yīng)用
1引言
隨著煤炭、石油、天然氣、太陽能、光伏等多類型能源的引入，以及設(shè)備控制、感知與維護(hù)等電力相關(guān)領(lǐng)域信息化程度的提升，電力行業(yè)的數(shù)據(jù)正以高復(fù)合增長率快速膨脹，這些多源異構(gòu)的海量數(shù)據(jù)共同構(gòu)成了電力行業(yè)大數(shù)據(jù)[1，2]。大數(shù)據(jù)貫穿未來電力工業(yè)生產(chǎn)及管理等各個(gè)環(huán)節(jié)，起到獨(dú)特而巨大的作用，是中國電力工業(yè)在打造下一代電力工業(yè)系統(tǒng)過程中有效應(yīng)對(duì)資源有限、環(huán)境壓力等問題，實(shí)現(xiàn)厚積薄發(fā)、綠色可持續(xù)性發(fā)展的關(guān)鍵[3]。利用大數(shù)據(jù)技術(shù)，人們可以掌握更加豐富詳實(shí)的實(shí)時(shí)信息、歷史信息，進(jìn)行時(shí)間跨度更大、涉及業(yè)務(wù)范圍更廣的綜合分析，以輔助電力行業(yè)內(nèi)的更優(yōu)決策[1，4-7]。
電力論文范例： 電力工程汽輪機(jī)常見問題和措施分析
例如，為克服新能源輸出功率不穩(wěn)定的缺點(diǎn)，人們需要綜合分析各類氣象因素，如溫度、氣壓、濕度、降雨量、風(fēng)向、風(fēng)力等，以提高對(duì)新能源預(yù)測(cè)的準(zhǔn)確度。但是，電力行業(yè)現(xiàn)有的數(shù)據(jù)管理方式和數(shù)據(jù)分析方法難以支撐如此大量、復(fù)雜且快速增長數(shù)據(jù)的存儲(chǔ)、管理與分析[1，7]，因此，急需引入大數(shù)據(jù)處理機(jī)制，提高數(shù)據(jù)的采集、存儲(chǔ)、加工、處理和分析全鏈條的處理能力，滿足能源及電力行業(yè)各階段不同的應(yīng)用需求，為管理提升和服務(wù)轉(zhuǎn)型提供技術(shù)支撐[5，6]。本文先介紹電力行業(yè)大數(shù)據(jù)的特點(diǎn)和研究范疇，闡述了典型電力大數(shù)據(jù)分析算法，接著總結(jié)了近期電力大數(shù)據(jù)領(lǐng)域在發(fā)、輸、配、用四大環(huán)節(jié)的相關(guān)應(yīng)用研究。
2電力行業(yè)大數(shù)據(jù)特點(diǎn)
對(duì)照容量、速率、多樣性、真實(shí)性和價(jià)值“5V”特征，電力行業(yè)的大數(shù)據(jù)有以下特點(diǎn)。
(1)數(shù)據(jù)體量大:隨著信息化的快速發(fā)展和智能電力系統(tǒng)的全面建成，電力設(shè)備產(chǎn)生了大量的運(yùn)營數(shù)據(jù)。(2)數(shù)據(jù)類型多:傳統(tǒng)的電力系統(tǒng)數(shù)據(jù)源包括:電表計(jì)量與計(jì)費(fèi)數(shù)據(jù)、不同電力環(huán)節(jié)的電流、電壓、諧波等測(cè)量數(shù)據(jù)、設(shè)備狀態(tài)監(jiān)測(cè)數(shù)據(jù)。隨著傳感器、信息傳播技術(shù)、多媒體技術(shù)的發(fā)展以及各類電力信息化管理系統(tǒng)的普及，圖像、視頻等非結(jié)構(gòu)化數(shù)據(jù)在電力數(shù)據(jù)中的占比不斷加大，此外，電力行業(yè)內(nèi)還有大量的環(huán)境數(shù)據(jù)、經(jīng)濟(jì)數(shù)據(jù)等需要進(jìn)行關(guān)聯(lián)分析，這些都直接導(dǎo)致了數(shù)據(jù)類型的增多，極大地增加了大數(shù)據(jù)分析的復(fù)雜度。
(3)速率高:電力調(diào)度與保護(hù)類數(shù)據(jù)的采集、處理和分析對(duì)速率的要求高，數(shù)據(jù)本身有實(shí)時(shí)性的要求，對(duì)數(shù)分析結(jié)果往往也有實(shí)時(shí)性要求，如差動(dòng)保護(hù)，使得系統(tǒng)要有快的響應(yīng)速度和強(qiáng)大的數(shù)據(jù)處理分析能力。(4)真實(shí)性要求高:電力應(yīng)用對(duì)數(shù)據(jù)的真實(shí)性要求高，然而，輸配電線路與環(huán)境的噪聲干擾、信息傳輸錯(cuò)誤、非技術(shù)性失誤等都會(huì)降低數(shù)據(jù)的真實(shí)性。(5)價(jià)值高:電力大數(shù)據(jù)涉及電力的生產(chǎn)、配送、交易和消費(fèi)的方方面面，利用大數(shù)據(jù)技術(shù)提取有效信息，用于電能的分析、預(yù)測(cè)、管理及規(guī)劃，潛在的經(jīng)濟(jì)、社會(huì)和環(huán)境效益高[1]。
3電力大數(shù)據(jù)的研究范疇
電力大數(shù)據(jù)研究可分為采集、清洗與存儲(chǔ)、分析與挖掘、行業(yè)應(yīng)用四大部分。
3.1數(shù)據(jù)采集
電力行業(yè)大數(shù)據(jù)不僅采集發(fā)電機(jī)組、儲(chǔ)能系統(tǒng)、輸電線路監(jiān)測(cè)系統(tǒng)、調(diào)度自動(dòng)化系統(tǒng)、配網(wǎng)自動(dòng)化系統(tǒng)、用電信息采集管理系統(tǒng)、地理信息系統(tǒng)等行業(yè)內(nèi)的信息，還采集如氣象、政策法規(guī)等行業(yè)外的數(shù)據(jù)[6，7]。
3.2數(shù)據(jù)處理與存儲(chǔ)
收集到的數(shù)據(jù)受到環(huán)境、傳輸?shù)纫蛩氐挠绊懀豢杀苊獾卮嬖谠肼暋⑷笔Ш湾e(cuò)誤，需要對(duì)原始采集到的數(shù)據(jù)進(jìn)行預(yù)處理，經(jīng)過處理后的原始數(shù)據(jù)在正確性、完整性、一致性和可靠性各方面得到提高。常用的數(shù)據(jù)處理方法有濾波、內(nèi)插、異常數(shù)據(jù)的識(shí)別和刪除等[8，9]。采用鍵值、列存儲(chǔ)、文檔和圖形四個(gè)分類的非關(guān)系型的數(shù)據(jù)庫(NoSQL)，具有良好的可擴(kuò)展性，解決了非結(jié)構(gòu)化數(shù)據(jù)的存儲(chǔ)難題[10，11]。隨著云計(jì)算的普及，數(shù)據(jù)的存儲(chǔ)走向了云端，云存儲(chǔ)有著良好的架構(gòu)設(shè)計(jì)與容錯(cuò)設(shè)計(jì)，代表性的云存儲(chǔ)技術(shù)有谷歌公司的BigTable和亞馬遜公司的Dynamo數(shù)據(jù)存儲(chǔ)服務(wù)。
3.3數(shù)據(jù)分析與挖掘
大數(shù)據(jù)分析與挖掘按照處理的時(shí)間特性可以分為離線計(jì)算、批量計(jì)算、內(nèi)存計(jì)算和流計(jì)算等方式[12，13];按照數(shù)據(jù)分析算法的原理可分為分類、聚類、關(guān)聯(lián)分析、神經(jīng)網(wǎng)絡(luò)、降維和集成算法[4，6，14]。
(1)分類算法在數(shù)據(jù)分析中，經(jīng)常需要對(duì)數(shù)據(jù)進(jìn)行分類，常見的分類算法包括決策樹(DecisionTree，DT)、臨近算法、支持向量機(jī)(SupportVectorMachine，SVM)、Boost樹分類、貝葉斯分類等。單純的分類算法僅適用于小規(guī)模數(shù)據(jù)集的挖掘，結(jié)合模糊理論可以提高分類的性能[15，16]。DT是一種有監(jiān)督的學(xué)習(xí)，在構(gòu)建決策樹的過程中采用自頂向下的遞歸方式，每一次遞歸選取在當(dāng)前狀態(tài)下最優(yōu)的特征或者屬性來劃分?jǐn)?shù)據(jù)集，常用的特征包括:信息增益、基尼指數(shù)等。SVM是基于統(tǒng)計(jì)學(xué)理論的前饋學(xué)習(xí)網(wǎng)絡(luò)，包括分類和回歸兩個(gè)步驟，以在特征空間找到最佳的超平面分離，模型構(gòu)建的關(guān)鍵在于核函數(shù)及其參數(shù)的選擇。SVM用于小數(shù)據(jù)集的時(shí)間序列分析、定量構(gòu)效關(guān)系等領(lǐng)域時(shí)，線性與非線性的分類效果好，但用于樣本數(shù)據(jù)集大的場(chǎng)合時(shí)，參數(shù)選擇往往很困難，推理實(shí)效性差[17]。
(2)聚類算法聚類將數(shù)據(jù)劃分為不同的簇，簇間差異較大，簇內(nèi)的差異較小，借此將正常狀態(tài)和故障狀態(tài)區(qū)分出來，適用于設(shè)備故障和異常狀態(tài)的識(shí)別[14]。常用的簇間距離的度量包括:密度、曼哈頓距離、歐氏距離、漢明距離等。聚類是一種無監(jiān)督的學(xué)習(xí)分類算法。經(jīng)典聚類算法有K均值[18]、K中心點(diǎn)等。(3)關(guān)聯(lián)分析關(guān)聯(lián)分析基于支持度和置信度挖掘?qū)ο笾g的關(guān)聯(lián)關(guān)系，有效地應(yīng)用于推薦系統(tǒng)、商業(yè)分析、公共管理等領(lǐng)域[14，19]。經(jīng)典算法包括:Apriori和FPGrowth。FP-Growth基于Apriori構(gòu)建，將數(shù)據(jù)集存儲(chǔ)在一個(gè)特定的、稱作FP樹的結(jié)構(gòu)來發(fā)現(xiàn)頻繁項(xiàng)集，算法的執(zhí)行速度快于Apriori。
(4)神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)已進(jìn)行了數(shù)十年的研究，受限于計(jì)算機(jī)處理能力和訓(xùn)練數(shù)據(jù)量的不足，早期應(yīng)用的性能并不理想。隨著計(jì)算、存儲(chǔ)能力的提升和云計(jì)算架構(gòu)的普及，神經(jīng)網(wǎng)絡(luò)模型獲得了足夠多的訓(xùn)練數(shù)據(jù)，構(gòu)造的網(wǎng)絡(luò)規(guī)模越來越大，精確性也得到提高。常見的神經(jīng)網(wǎng)絡(luò)包括:反向傳遞神經(jīng)網(wǎng)絡(luò)(BackPropagationNeuralNetwork，BPNN)、自組織映射、循環(huán)神經(jīng)網(wǎng)絡(luò)、長短期記憶神經(jīng)網(wǎng)絡(luò)(LongShort-TermMemory，LSTM)等。
(5)數(shù)據(jù)降維維度算法是以非監(jiān)督學(xué)習(xí)的方式利用較少的信息來歸納或者解釋數(shù)據(jù)，與聚類算法一樣，常用于高維數(shù)據(jù)的可視化或者簡化輸入數(shù)據(jù)，以便于監(jiān)督式學(xué)習(xí)算法的應(yīng)用。常見的算法包括:主成分分析(PrincipalComponentAnalysis，PCA)、香農(nóng)映射、偏最小二乘回歸、多維尺度分析、投影追蹤等。(6)集成算法集成算法用一些相對(duì)較弱的學(xué)習(xí)模型獨(dú)立地就同樣的樣本進(jìn)行訓(xùn)練，然后把結(jié)果整合起來進(jìn)行整體預(yù)測(cè)。集成算法的難點(diǎn)在于如何針對(duì)具體應(yīng)用來選擇集成哪些較弱的學(xué)習(xí)模型以及如何整合最終的學(xué)習(xí)結(jié)果。常見的算法包括:Boosting、BootstrappedAggregation(Bagging)、AdaBoost、堆疊泛化、梯度推進(jìn)機(jī)、隨機(jī)森林[20]。
3.4數(shù)據(jù)分析的應(yīng)用
電力企業(yè)可通過電力大數(shù)據(jù)分析用戶對(duì)電能的需求量、用電特征等信息，依據(jù)客戶實(shí)際情況科學(xué)制定供電方案，以提高服務(wù)質(zhì)量[21]。電力企業(yè)可利用歷史數(shù)據(jù)，繪制用電設(shè)備監(jiān)測(cè)表格，若電力設(shè)備發(fā)生故障可及時(shí)明確故障原因，主動(dòng)向維修人員推送故障信息，這對(duì)提升電網(wǎng)搶修速度、縮小故障范圍、縮短停電時(shí)間十分重要。例如，基于用能數(shù)據(jù)、地理信息以及氣象數(shù)據(jù)可以分析區(qū)域內(nèi)的能源結(jié)構(gòu)與耗能特性，為實(shí)現(xiàn)能源的可持續(xù)開發(fā)與利用提供指導(dǎo)方向。
4電力行業(yè)的大數(shù)據(jù)研究
電力行業(yè)的大數(shù)據(jù)產(chǎn)生于發(fā)電、輸電、配電、用電四個(gè)環(huán)節(jié)。在能源與電力改革的大背景下，大數(shù)據(jù)在電力系統(tǒng)的發(fā)輸配用環(huán)節(jié)得到利用，有力提升了電力系統(tǒng)的運(yùn)行水平和管理水平。
4.1發(fā)電領(lǐng)域的大數(shù)據(jù)研究
包括風(fēng)能、太陽能、潮汐等各種可再生新能源具有分布廣泛、可再生的環(huán)境友好特性，但具有斷續(xù)性和不穩(wěn)定性，對(duì)其的利用是電力工業(yè)面臨的重大挑戰(zhàn)。
4.1.1新能源功率預(yù)測(cè)
為了提高新能源的調(diào)度、維修和管理水平，采用基于大數(shù)據(jù)集的建模系統(tǒng)來建立可再生能源的精確預(yù)測(cè)模型成為全球研究的熱點(diǎn)[22-31]，主要的數(shù)據(jù)分析方法包括:SVM[24，26]、神經(jīng)網(wǎng)絡(luò)[24，26，28]。文獻(xiàn)[24]提出了一種反向傳播和牛頓插值數(shù)學(xué)函數(shù)法相結(jié)合的神經(jīng)網(wǎng)絡(luò)算法，對(duì)風(fēng)速數(shù)據(jù)進(jìn)行處理，從而達(dá)到預(yù)測(cè)發(fā)電量的目的。文獻(xiàn)[29]先采用數(shù)據(jù)分割剔除異常數(shù)據(jù)，根據(jù)紊流強(qiáng)度將數(shù)據(jù)分為若干個(gè)子集和等分部分，計(jì)算每個(gè)最小部分中數(shù)據(jù)的質(zhì)心，以質(zhì)心作為SVM算法的訓(xùn)練數(shù)據(jù)，實(shí)現(xiàn)對(duì)風(fēng)力發(fā)電機(jī)組功率曲線的建模。
文獻(xiàn)[26]提出了一種基于K均值和神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘方法，利用歷史記錄中的氣象信息進(jìn)行聚類分析，將歷史記錄中的氣象信息分為不同的類別，然后對(duì)基于bagging算法的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，從而得到風(fēng)能的預(yù)測(cè)結(jié)果。文獻(xiàn)[27]運(yùn)用SVM回歸方法，通過將經(jīng)驗(yàn)?zāi)Ｊ椒纸獾玫饺舾晒逃心Ｊ胶瘮?shù)和參數(shù)，依據(jù)歷史風(fēng)速時(shí)間序列來預(yù)測(cè)風(fēng)速。太陽輻射、溫度和其他氣象因素的變化導(dǎo)致光伏發(fā)電的輸出功率非常不穩(wěn)定的。
文獻(xiàn)[28]采用兩個(gè)LSTM神經(jīng)網(wǎng)絡(luò)的注意機(jī)制分別對(duì)溫度和功率輸出進(jìn)行自適應(yīng)預(yù)測(cè)，以時(shí)間序列的方式對(duì)短期光伏發(fā)電量進(jìn)行預(yù)測(cè)。文獻(xiàn)[29]從宏觀和微觀兩個(gè)方面研究了分布式光伏系統(tǒng)的擴(kuò)散趨勢(shì)和預(yù)測(cè)方法，宏觀方面對(duì)光伏系統(tǒng)的容量和位置做了聚類分 析，微觀方面對(duì)光伏的功率進(jìn)行預(yù)測(cè)。文獻(xiàn)[30]利用高分辨率天氣預(yù)報(bào)數(shù)據(jù)，用不同時(shí)空關(guān)聯(lián)性的深度卷積神經(jīng)網(wǎng)絡(luò)來捕捉云層運(yùn)動(dòng)模式及其對(duì)太陽能發(fā)電預(yù)測(cè)的影響。文獻(xiàn)[31]對(duì)光伏發(fā)電時(shí)間序列的內(nèi)在和隨機(jī)特性進(jìn)行多尺度分析，包括:大時(shí)間尺度數(shù)據(jù)的多重聚類分析、小時(shí)間尺度數(shù)據(jù)的標(biāo)準(zhǔn)化變換和概率分布建模，并將聚類結(jié)果與氣象領(lǐng)域的理論模型進(jìn)行了交叉驗(yàn)證，實(shí)現(xiàn)對(duì)光伏發(fā)電量的預(yù)測(cè)。
4.1.2發(fā)電控制和調(diào)度
隨著各類新能源、分布式電源、電動(dòng)汽車等的不斷接入，提高電力調(diào)控智能化水平勢(shì)在必行，而大數(shù)據(jù)技術(shù)在數(shù)據(jù)整合集成能力上表現(xiàn)優(yōu)越，為其在電力調(diào)控中的應(yīng)用提供了廣闊空間。文獻(xiàn)[32]依據(jù)風(fēng)電功率預(yù)測(cè)的精度隨時(shí)間尺度減小而提高的特點(diǎn)，采用基于核密度估計(jì)的穩(wěn)健優(yōu)化方法來處理風(fēng)電的不確定性，實(shí)現(xiàn)風(fēng)電、水電和火電系統(tǒng)的多時(shí)間尺度魯棒調(diào)度模型，以最小的輸出總功率調(diào)整來滿足功率平衡。文獻(xiàn)[33]采用K均值聚類和PCA的混合型降維方法，利用少量代表性站點(diǎn)的實(shí)測(cè)值來估算太陽能發(fā)電站點(diǎn)的總發(fā)電功率，以便于發(fā)電側(cè)的調(diào)度。
4.2輸電領(lǐng)域的大數(shù)據(jù)研究
隨著電網(wǎng)廣域測(cè)量系統(tǒng)的發(fā)展，電網(wǎng)形成了具有時(shí)空特性的高維海量運(yùn)行數(shù)據(jù)，使得數(shù)據(jù)驅(qū)動(dòng)的電網(wǎng)狀態(tài)分析成為可能。
4.2.1暫態(tài)穩(wěn)定性分析
暫態(tài)穩(wěn)定性分析是保證電網(wǎng)穩(wěn)定運(yùn)行的重要手段。文獻(xiàn)[34]考慮電網(wǎng)運(yùn)行數(shù)據(jù)特點(diǎn)建立數(shù)據(jù)模型，結(jié)合隨機(jī)矩陣?yán)碚摵蜁r(shí)間序列分析建立量化評(píng)價(jià)指標(biāo)，在整體分析電網(wǎng)運(yùn)行狀態(tài)的基礎(chǔ)上，分析不同擾動(dòng)對(duì)電網(wǎng)穩(wěn)定的影響程度和影響范圍;文獻(xiàn)[35]綜合隨機(jī)矩陣?yán)碚撝蠱-P定律、圓環(huán)率、線性特征值及熵理論來評(píng)估電網(wǎng)受擾后的脆弱性，得出了電網(wǎng)的薄弱點(diǎn)評(píng)判指標(biāo)。
4.3配電領(lǐng)域的大數(shù)據(jù)研究
隨著配電自動(dòng)化設(shè)備的普及，越來越多的運(yùn)行數(shù)據(jù)可從監(jiān)控和數(shù)據(jù)采集系統(tǒng)中收集得到，通過大數(shù)據(jù)分析可以獲知配電網(wǎng)的薄弱環(huán)節(jié)及設(shè)備故障隱患，提高故障定位和搶修的反應(yīng)速度，縮短停電時(shí)間，提高配電網(wǎng)的供電可靠性。
4.3.1配電網(wǎng)故障定位
傳統(tǒng)的配電網(wǎng)故障定位采用行波測(cè)距方法[43]，需要沿線路加裝數(shù)量眾多的測(cè)量裝置，而基于大數(shù)據(jù)分析的故障定位方法利用形式化分類器模型[44，45]或神經(jīng)網(wǎng)絡(luò)技術(shù)[45，46]可以在任何給定的時(shí)間分析網(wǎng)格信息，從而確定網(wǎng)格的健康狀況。文獻(xiàn)[44]僅利用在一級(jí)變電站測(cè)量到的電壓暫降數(shù)據(jù)，用SVM對(duì)未測(cè)量到的數(shù)據(jù)進(jìn)行估計(jì)，采用匹配法確定可能的故障區(qū)段，采用歐氏距離法分析確定故障距離，實(shí)現(xiàn)了利用有限模擬數(shù)據(jù)來檢測(cè)單端母線故障區(qū)段和故障距離的綜合故障定位。
文獻(xiàn)[45]結(jié)合SVM數(shù)據(jù)描述和核密度非參數(shù)估計(jì)，提出了一種基于多層次系統(tǒng)分區(qū)和子區(qū)域概率故障檢測(cè)的定位策略，不采用0或1的硬判決方式，而采用概率密度函數(shù)來獲得各子區(qū)域故障檢測(cè)的置信度來定位故障區(qū)域。文獻(xiàn)[46]采用直覺模糊集來表示報(bào)警信息的不確定性，利用拓?fù)浞治龊碗姎庠O(shè)備、保護(hù)動(dòng)作、斷路器跳閘之間的邏輯關(guān)系，建立了基于直覺模糊Petri網(wǎng)的電力系統(tǒng)診斷模型。文獻(xiàn)[47]利用配電網(wǎng)歷史告警信息和通用電網(wǎng)保護(hù)配置模型構(gòu)造假設(shè)告警序列，并和真實(shí)告警序列做時(shí)序置信度的相似性計(jì)算，再利用直覺模糊Petri網(wǎng)絡(luò)進(jìn)行故障診斷。該模型具有很好的處理直覺模糊集不確定信息的能力，并用時(shí)間置信度對(duì)模型的初始位置值進(jìn)行修正。
4.4用電領(lǐng)域的大數(shù)據(jù)研究
隨著高級(jí)量測(cè)體系(AdvancedMeteringInfrastructure，AMI)的逐步完善和智能電表的普及，用戶側(cè)用電數(shù)據(jù)的規(guī)模日益增長，為用電領(lǐng)域的大數(shù)據(jù)分析提供基礎(chǔ)。
4.4.1用電負(fù)荷預(yù)測(cè)
動(dòng)態(tài)電力市場(chǎng)交易需要準(zhǔn)確的短期負(fù)荷預(yù)測(cè)，用循環(huán)神經(jīng)網(wǎng)絡(luò)[54-56]分析收集到的歷史用能數(shù)據(jù)，可有效提高負(fù)荷預(yù)測(cè)的準(zhǔn)確度，為能源管理、運(yùn)行和市場(chǎng)分析提供重要依據(jù)。不同于輸變電領(lǐng)域的負(fù)荷預(yù)測(cè)，單戶住宅的能耗通常是難以預(yù)測(cè)的，為了克服負(fù)荷曲線的波動(dòng)性和不確定性，文獻(xiàn)[55]用循環(huán)神經(jīng)網(wǎng)絡(luò)構(gòu)建了基于相似性的鏈?zhǔn)絺鬟f學(xué)習(xí)方法，提高了運(yùn)算效率，而文獻(xiàn)[56]采用簡單池化的循環(huán)神經(jīng)網(wǎng)絡(luò)來避免過度擬合問題。
LSTM[57，58]可解決一般循環(huán)神經(jīng)網(wǎng)絡(luò)存在的長期依賴問題，文獻(xiàn)[57]采用該模型構(gòu)建了以季度和月份為檢測(cè)窗口的電能消耗預(yù)測(cè)模型和異常用電檢測(cè)方法。鑒于傳統(tǒng)SVM存在輸入變量不易確定以及模型參數(shù)難最優(yōu)化的問題，文獻(xiàn)[58]提出了一種基于最小絕對(duì)值收縮與選擇算子的LSVM短期負(fù)荷預(yù)測(cè)方法，提高了預(yù)測(cè)結(jié)果的準(zhǔn)確性和穩(wěn)定性。
5電力行業(yè)大數(shù)據(jù)應(yīng)用的案例
5.1大數(shù)據(jù)在新能源電力調(diào)度中的應(yīng)用
建設(shè)具有較高精度的風(fēng)電和光伏功率預(yù)測(cè)系統(tǒng)，是解決這兩種新能源并網(wǎng)運(yùn)行的關(guān)鍵措施。風(fēng)光功率預(yù)測(cè)系統(tǒng)以風(fēng)電場(chǎng)和光伏電站的歷史功率數(shù)據(jù)、地理地形、氣候規(guī)律數(shù)據(jù)等為基礎(chǔ)建立預(yù)測(cè)模型，利用氣象部門發(fā)布的天氣預(yù)報(bào)數(shù)據(jù)，采用神經(jīng)網(wǎng)絡(luò)類的大數(shù)據(jù)分析方法[24，26，28，77]，來預(yù)測(cè)風(fēng)電和光伏的短期和超短期功率輸出數(shù)值，生成功率預(yù)測(cè)曲線，為電力調(diào)度決策提供依據(jù)。貴州電網(wǎng)利用境內(nèi)眾多的小水電站資源，建立了風(fēng)光功率預(yù)測(cè)系統(tǒng)，實(shí)現(xiàn)了調(diào)管范圍內(nèi)的風(fēng)電、光伏、小水電的合理調(diào)度控制，基本保證了全額消納間歇式的風(fēng)光新能源，實(shí)現(xiàn)了功率預(yù)測(cè)技術(shù)和調(diào)度運(yùn)行的有效結(jié)合，取得了顯著的環(huán)境效益和經(jīng)濟(jì)效益。
5.2大數(shù)據(jù)的反竊電應(yīng)用
竊電現(xiàn)象在我國部分地區(qū)仍然嚴(yán)重，特別是工業(yè)用電大戶的竊電行為給電力系統(tǒng)帶來了大的經(jīng)濟(jì)損失和潛在的安全隱患，然而，現(xiàn)場(chǎng)檢查耗時(shí)耗力、風(fēng)險(xiǎn)高、不確定因素多，傳統(tǒng)反竊電工作的難度很大。國家電網(wǎng)公司研制的大數(shù)據(jù)反竊電分析平臺(tái)通過分析電流、電壓、線損、波形等數(shù)據(jù)變化情況，綜合運(yùn)用相關(guān)性分析、模式識(shí)別、決策數(shù)判決等多個(gè)大數(shù)據(jù)分析模型進(jìn)行用電檔案信息、歷史數(shù)據(jù)、同行業(yè)數(shù)據(jù)等數(shù)據(jù)指標(biāo)的比對(duì)，繪制竊電用戶畫像，提高了識(shí)別潛在竊電用戶的精準(zhǔn)度[78]。
6電力行業(yè)大數(shù)據(jù)研究面臨的挑戰(zhàn)
盡管發(fā)電、輸配電網(wǎng)、供電公司都對(duì)大數(shù)據(jù)分析及其在各自業(yè)務(wù)中的應(yīng)用表現(xiàn)出了極大的興趣，但是，多重因素導(dǎo)致實(shí)際部署的大數(shù)據(jù)應(yīng)用甚少。電力行業(yè)是個(gè)龐大復(fù)雜、高度耦合的有機(jī)運(yùn)行體，相對(duì)封閉的管理體制形成了條塊分離的垂直業(yè)務(wù)系統(tǒng)，相關(guān)數(shù)據(jù)隔離存儲(chǔ)在多個(gè)系統(tǒng)之中，而戰(zhàn)略級(jí)別的應(yīng)用頂層設(shè)計(jì)缺位導(dǎo)致應(yīng)用軟件和數(shù)據(jù)庫互通缺乏標(biāo)準(zhǔn)的數(shù)據(jù)格式，不同歷史階段部署的各類信息和通信系統(tǒng)普遍存在互操作性問題，使得實(shí)際應(yīng)用過程中的數(shù)據(jù)獲取困難[1，79，80]。
此外，作為關(guān)乎國計(jì)民生的命脈，電力行業(yè)各環(huán)節(jié)產(chǎn)生的數(shù)據(jù)都有保密要求，有的被劃分為機(jī)密類別，有的涉及用戶個(gè)人隱私[81]，因此，對(duì)于研究人員來說，進(jìn)行高度相關(guān)的研究是十分困難的，導(dǎo)致大部分的研究還是停留在用理想數(shù)據(jù)進(jìn)行算法的測(cè)試與驗(yàn)證上，實(shí)踐價(jià)值有待提高。
7總結(jié)
本文先描述了電力行業(yè)大數(shù)據(jù)的五個(gè)特點(diǎn)，即:體量大、類型多、速率高、真實(shí)性要求高、價(jià)值高;接著簡要介紹了電力大數(shù)據(jù)研究范疇的四個(gè)方面，包括:數(shù)據(jù)的采集、數(shù)據(jù)的存儲(chǔ)和預(yù)處理、概括得出的六大類數(shù)據(jù)分析和挖掘算法以及大數(shù)據(jù)分析結(jié)果的應(yīng)用;重點(diǎn)按發(fā)電、輸電、配電、用電四大環(huán)節(jié)對(duì)當(dāng)前電力大數(shù)據(jù)研究的現(xiàn)狀進(jìn)行歸納與總結(jié)，接著介紹了電力大數(shù)據(jù)分析在新能源電力調(diào)度和反竊電兩個(gè)應(yīng)用方向的成功案例，最后指出電力大數(shù)據(jù)應(yīng)用面臨的各種挑戰(zhàn)。
電力行業(yè)中的大數(shù)據(jù)分析是一個(gè)全面而復(fù)雜的研究領(lǐng)域，要實(shí)現(xiàn)在設(shè)備運(yùn)行和行業(yè)建設(shè)中發(fā)揮出作用，不僅取決于大數(shù)據(jù)的分析算法，還需要綜合系統(tǒng)運(yùn)行、用戶行為模式、信息通信技術(shù)、管理制度等多領(lǐng)域的專業(yè)知識(shí)，需要多領(lǐng)域?qū)I(yè)技術(shù)與智能算法間的協(xié)同配合，技術(shù)挑戰(zhàn)和應(yīng)用前景都非常巨大。
參考文獻(xiàn)(References):
[1]IEEESmartGridBigDataAnalyticsMachineLearningandArtificialIntelligenceintheSmartGridWorkingGroup.Bigdataanalyticsinthesmartgrid:introduction，benefits，challengesandissues[R].2018.
[2]DarkH，HannaniE，AqqalA，etal.Bigdatamanagementinsmartgrid:concepts，requirementsandimplementation[J].JournalofBigData，2017，13(4):1-19.
[3]中國電機(jī)工程學(xué)會(huì)電力信息化專業(yè)委員會(huì)(PowerInformationProfessionalCommitteeofChineseSocietyforElectricalEngineering).中國電力大數(shù)據(jù)發(fā)展白皮書(WhitepaperonthedevelopmentofChinaelectricpowerbigdata)[R].2013.
[4]曹軍威，袁仲達(dá)，明陽陽，等(CaoJunwei，YuanZhongda，MingYangyang，etal.).能源互聯(lián)網(wǎng)大數(shù)據(jù)分析技術(shù)綜述(Surveyofbigdataanalysistechnologyforenergyinternet)[J].南方電網(wǎng)技術(shù)(SouthernPowerSystemTechnology)，2015，9(11):1-12.
[5]MaZ，XieJ，LiH，etal.Theroleofdataanalysisinthedevelopmentofintelligentenergynetworks&application[J].IEEENetwork，2017，31(5):88-95.
作者：趙海波
轉(zhuǎn)載請(qǐng)注明來自發(fā)表學(xué)術(shù)論文網(wǎng)：http://www.zpfmc.com/jjlw/28355.html
