关键词：能源互联网;电力大数据;特征;应用
Characteristics and Application Analysis of Power Big Data in Energy Internet
WU Lei
（ Nyingchi Power Supply Company， State Grid Tibet Electric Power Co.， Ltd.， Nyingchi， Tibet， 860000 China）
Abstract： In modern power energy system， there are many different types of energy forms， such as cold， heat， electricity and gas. After multiple energy are connected to the power system at the same time， the traditional power system has gradually changed to the direction of energy Internet. The power big data technology has a large application space in the energy Internet system. This paper first analyzes the basic connotation of power energy Internet， then describes the main characteristics of power big data in the era of energy Internet， and introduces the application of power big data technology in load forecasting of energy Internet.
Key Words： Energy internet; Power big data; Characteristic; Application
0 引言
隨着新能源的装机容量逐年提高，大规模可再生能源并网会对电力系统产生一定的冲击，迫切需要将互联网技术和电力技术进行深度融合，构建能源互联网也是今后电力能源系统的重要发展趋势。随着能源互联网的运行时间的变长，所采集及存储数据量逐步增加，需要采用能够快速处理、高效分析的电力大数据技术加以支撑，从大数据中挖掘出电力能源互联网的运行特征及运行规律，更好地促进能源互联网的发展，为此本文详细分析了能源互联网时代下电力大数据的特征及相关的应用情况。
1 电力能源互联网
在能源互联网中，虽然包括了多种能源类型，但电网依然是占有骨干地位。通过采用网络通信技术、信息技术和互联网技术，将电力网络、天然气网络、供热制冷网络以及石油网络等能源节点互联，实现能源的双向高效流动和数据信息的共享，实现局部自治、整体协调和动态平衡，下图1为能源互联网的基本结构。
从上图1中可以看出，能源互联网的基本结构包括能源生产、能源控制及转换、能源用户等三个层次。在能源生产系统中，包括燃气发电、热力发电、光伏发电、风力发电，以及沼气等生物质能发电等。这些电源节点通过能源路由器中的控制网络，实现对电力能源的发电控制、调度及交易。同时，还可以通过能源路由器，实现能源在各个用户之间的分配和调控。
在能源互联网中的工业控制系统中，布置了多种能源协调互补运行的优化算法，能够根据能源互联网的实际运行状态，通过优化使得能源得到合理分布。如多能互补算法，在制热负荷较高的时段，直接通过供热网进行供热，从而降低对电力的消耗[1]，并且能够降低系统对备用容量的需求，使得能源互联网运行更加经济高效。在上图1中，电动汽车也可以和能源互联网进行双向电力交互，使得能源互联网运行更加灵活，并通过电价政策引导电动汽车合理充放电，优化能源互联网中的用电负荷曲线。
2 能源互联网下电力大数据的特征分析
在能源互联网中应用大数据技术，可以辅助优化能源互联网决策，更好地保证能源互联网的稳定运行，以下分析能源互联网时代下电力大数据的特征和大数据的应用架构。
2.1能源互联网下电力大数据的特征
电力大数据包括的数据类型较多，如营销用电数据、客户信息、电力交易数据、发电数据、电网运行数据、电力设备运行监测数据等，这种数据共同组成了电力大数据。能源互联网时代下电力大数据的特征主要包括以下几点：一是多源，在能源互联网中包括冷、热、电、气、交通等多种多样的能源数据类型。二是量大，在电力能源互联网中部署了大量数据信息采集设备，如智能电表、传感器、合并单元、网络通信设备等，使得能源互联网中的数据体量急剧增长[2]。三是异构，在电力大数据包括结构化数据，也包括视频、图像、语音等非结构化数据，如在输电线路防外力破坏系统中，就需要采集图像和视频信息，以分析判断在输电线路的安全走廊中是否出现了外界物体入侵的情况，在变电站小动物入侵防御系统中同时也需要采集非结构化数据。
四是高速，现代电力系统对实际应用性能的要求较高，采用光纤通信，通过光信号传输比传统的电信号传输速度提高了很多倍，同时网络通信在智能变电站中也得到了广泛应用，在变电站的站控层中所传输的基本为网络信号。五是实时，电力能源生产都需要瞬间完成，大数据也具有较强的实时性。六是准确，通过大数据分析技术和数据挖掘技术，可以准确得出数据分析结果。六是数据价值高，通过对电力大数据进行分析，可以优化能源互联网的运行。
2.2 电力大数据的应用架构
电力大数据在应用中分为不同的层次，包括数据源层、数据集成层、数据存储及处理层、数据服务层和数据应用层等。各个数据源层将数据传输到数据集成层中，并对数据进行加载和转换，之后再对数据进行处理，同时在数据服务层中利用大数据分析算法充分挖掘出电力大数据中存在的价值，最后在数据应用层中可视化展示，指导电网调度、规划，并可用来进行电力负荷中长期及短期负荷预测、节能产品开发等。
同时，电力大数据在应用的过程中，应注意信息安全的防护，保证数据安全。在各个数据结构层次间，可以采用正反向隔离装置、防火墙、入侵检测、恶意代码防范、信息加密等信息安全防护技术措施，提高电力大数据在采集、传输及应用过程中的安全[3]。在正反向隔离装置或者防火墙中，可以配置合理的网络访问控制策略，包括访问地址和访问端口，只有符合访问策略的主机才能正常访问，否则被拦截。
3 电力大数据在能源互联网中的应用分析
电力大数据技术的应用，是促进能源互联网发展和进步的关键，以下以电力大数据在负荷预测中的应用和电力大数据在用户用电行为分析中的应用为例进行分析。
3.1 电力大数据在负荷预测中的应用
利用电力进行负荷预测，是属于在电力企业管理决策中的应用。用电负荷数据和社会经济运行具有密切的关系，利用大数据可以构建用户负荷和经济运行的关联模型，分别将用户负荷数据和地区经济运行数据输入到关联模型中，可以根据经济运行情况调整系统的负荷预测数值，下图2为电力大数据技术在电力负荷中长期预测模型构建中的应用。
从上图2中可知，和短期电力负荷预测不同，在中长期电力负荷预测中，需要经济的中长期运行情况，同时考虑气象条件、节假日影响因素，最终得出电力能源互联网中的电量预测数据和负荷预测数据。除了考虑上述问题之外，还应根据当地用电负荷的实际特征及规律、负荷性质、负荷构成等，综合得出电力负荷预测结果。对于负荷预测算法，可以采用神经网络算法、遗传算法、模糊数学算法、小波分解算法等。如对于小波分解算法，负荷预测的实际曲线具有较大的波动性和随机性，呈现出锯齿状，并带有一定的尖点，准确预测难度较大。利用小波分解算法，从频域的角度，可以将实际的负荷曲线分解为若干个组成成分，包括高频分量、中频分量和低频分量。通过将负荷序列进行分解，将负荷投影到不同的频域中，从而更加清晰地展现出负荷的周期性。不同的频率分量，结合相关的影响因素进行预测，最后将这些子序列进行小波包重构，得出真实的负荷预测数据。
3.2 电力大数据在用户用电行为分析中的应用
通过对用电大数据进行分析，可以挖掘出用户用电行为特征，更好地指导电网企业的规划、建设和运行。首先需要根据电力大数据对电力用户进行分类，可以采用聚类分析算法。通过提取用户用电大数据中的特征数据，如用电高峰时段、用电低谷时段等，将各个用户划入不同的类别，完成数据的聚类。
完成电力用户的分类之后，在同一个类别中的用户也会受到多种因素的影响，使得用电行为发生改变，可以采用影响因子来表征，包括自我影响因子、自然环境影响因子和社会环境影响因子等[4]。其中自我影响因子是指由于电力用户自身的用电计划发生改变导致用电行为变更，对于这类影响因子，应扩大用电大数据的规模，以便更好地反映用户的用电行为。其次对于自然环境影响因子，主要是由于气象条件突变、季节变化等导致用户用电行为的变化，社会环境影响因子是指节假日、重大会议、社会突发事件等导致用电行为发生变化。这些影响因子都应在用户用电行为分析中加以考虑，使得所得出的用电行为特征更加准确，同时能够提高设备的利用效率。
4 结論
随着能源互联网和电力数据中心的建设，电力大数据的价值被逐渐挖掘和利用，更好地优化能源互联网的运行决策。本文分析了电力大数据的特征和应用架构，以及电力大数据在负荷预测和用户用电行为分析方面的应用，可为高效利用电力大数据提供理论支持和技术支撑。
参考文献
[1] 宫一品， 徐从明， 韩宪丛. 能源互联网下电力大数据发展相关研究[J]. 山东工业技术， 2018， 000（011）：132-132.
[2] 李斌， 赵卓， 刘明， et al. 基于大数据的智慧企业和智能配电网建设[J]. 电气时代， 2020， No.465（06）：52-54.
[3] 蒋福佑， 胡晶晶， 滕明勇. 电网企业实施大数据战略的路径研究[J]. 当代经济， 2019， No.493（01）：100-101.
[4] 王旭辉. 电力大数据加快向能源大数据升级[J]. 能源研究与利用， 2020， No.193（03）：12-13.
[5]
孙秋洁， 李家腾， 杨云露，等. 能源互联网和电力体制改革下电网公司发展策略[J]. 广东电力， 2020（2）：71-77.
[6] 周洪益， 钱苇航， 柏晶晶，等. 能源区块链的典型应用场景分析及项目实践[J]. 电力建设， 2020， 041（002）：11-20.