基于海量數據的區域新能源監控與決策支持

蔡桂華，韓濤，范偉，柴小亮，馬慶峰，劉嚴，宋夏桐

（1.國網河北保定供電公司，河北保定 071051；2.北京四方繼電保護自動化股份有限公司，北京 100080；3.河北工業大學，天津 300090）

新能源的發展，已經成為經濟可持續發展的必須選擇。新能源在環保以及經濟性上都具有傳統化石能源不可比擬的優勢，其可再生性和清潔性使其成為解決能源危機和環保危機的重要手段[1]。隨著國家對分布式光伏激勵政策的落實[2]，配電網也會逐步接入部分分布式新能源，實現風電、光伏等新能源集中和分布式新發電的運行監測、統計分析對于提升新能源運行效率[3-4]、優化投資規劃策略[5-6]具有重要意義[7-12]。通過對新能源發電的監測，實現新能源各時段發電量和天氣數據的采集和統計，分析新能源發電與天氣因素之間的相關性分析，為新能源發展和運行調度提供科學合理的決策依據[12-14]。

風電、光伏等分布式電源大量應用，而隨之帶來的是多種分布式電源和市電的相互補充和切換如何解決的問題。本文以分布式電源和市電為基礎建立一個區域新能源系統，以光伏（photovoltaic，PV）[15]、風電機組（wind turbine，WT）[16]、蓄電池（storage battery，SB）[18-19]的新能源系統為研究對象，建設區域新能源能量管理系統，實現區域新能源的監控、能量管理一體化，通過對區域內部不同形式能源（電、風、光、儲等）和負荷的精確預測與科學調度，與區域新能源控制器配合，實現區域新能源電網的安全穩定運行和能源優化。提出了一種衡量區域新能源經濟水平的優化模型，該模型在保證不同并網方式下的負荷平衡、電能質量和蓄電池充放電深度以及新能源機組出力約束的基礎上，結合實時電價實現分布式電源和市電的有功、無功出力的多目標優化經濟調度。

1 區域新能源能量管理系統架構

區域新能源能量管理系統是區域新能源監控、海量數據分析、能量管理一體化系統，通過對區域新能源內部不同形式能源（電、風、光、儲等）和負荷的精確預測與科學調度，與區域新能源控制器配合，實現新能源電網的安全穩定運行和能源優化。同時，通過區域新能源與大電網之間的協調互動，提高供電可靠性和一次能源利用率。系統架構見圖1。

圖1 區域新能源能量管理系統架構Fig.1 The regional renewable energy management system architecture

第一層，分布式發電設備與負載控制器，該層為局部就地控制，目的是就地控制區域新能源系統內電源與負載；第二層，區域新能源中央控制器，中央管理控制器提供了區域新能源系統在并網/孤網兩種運行方式下完整的保護以及控制方案；第三層，區域新能源能量管理系統，該系統實現對區域新能源系統內各種能源流的綜合優化，該層主要是考慮負荷和能源流的變化趨勢，以降低區域新能源的經濟成本為目標，在滿足潮流平衡、安全性和電能質量的條件下，調整分布式發電系統的電源出力，從總體上優化分布式能源區域新能源系統的運行情況。

區域新能源能量管理系統，軟件架構如圖2所示。其中，支撐平臺實現來自各種系統的新能源運行相關數據的統一存儲管理。主要存儲的數據包括新能源發電相關運行數據包括發電機電壓、電流、功率、功率因數、頻率以及電網的電壓、功率因數、氣象信息、發電機組電量累計、運行時間累計、蓄電池電壓、故障告警等；新能源發電的經濟性數據，包括新能源發電量、上網電量、售電量收入、政府補貼數據等。

圖2 區域新能源能量管理系統功能Fig.2 Regional new energy management system functions

建立區域新能源集中監測和統計分析系統，有助于綜合采集和統計新能源發電相關運行數據和經濟性數據，為優化新能源發電運行、管理和新能源規劃和投資的決策提供依據，實現無功有功協調控制等功能。

2 新能源大數據分析與決策

基于海量數據實現區域新能源實時監控與優化決策，通過對區域新能源的運行狀態監視和海量數據挖掘以評估經濟效益和節能效果、能源流/氣象關聯關系等分析和輔助決策功能，實現相關結果的實時或者通過WEB監視和預警，并能方便快速地查詢與展示統計報表以及查詢區域新能源系統歷史數據。平臺底層基于IEC61968/61970 CIM標準實現與DMS、EMS、氣象平臺等多個系統之間的數據和信息集成。平臺提供海量數據管理和服務管理功能，確保數據質量并滿足系統運行要求，可實現基于大數據的發電出力分析與預測。

2.1 新能源大數據分析基礎功能

發電出力預測受到諸多隨機因素的影響，沒有明確的數學機理，數學模型無法準確地描述負荷變化規律。在大數據平臺下，以數據的分析處理為中心，從數據中挖掘出隱含未來發展的信息。中長期發電出力預測是典型的數據決定問題，利用大數據方法，對發電出力大數據進行細致的分析處理，能很好地發掘出發電出力的分布情況和變化趨勢。

本文模型中，對數據的分析處理分為兩步。首先針對數據的不足進行處理，包括時效性檢驗、缺失數據補全、錯誤數據修正等，剔除錯誤數據，補足重要數據。其次利用大數據分析技術，對各類型數據進行詳細的分析，提取特征參數和變化規律，挖掘出數據中隱含信息。

建模預測與誤差分析?；诖髷祿陌l電出力預測建模是針對數據的建模，是根據數據的分布規律與變化規律建立的與數據相適應的模型，能針對數據的改變做出相應調整，最后通過誤差分析進一步修正模型中的參數。

在預測框架中，數據源分析、數據分析處理及建模預測為其核心部分，決定預測精度。大數據思想正是通過數據源分析，大量掌握發電出力相關數據，利用大數據分析技術全面分析發電出力大數據特點，建立以數據為中心的預測模型，最終實現發電出力的精細化預測。

2.2 新能源大數據發電出力及負荷預測實現

在處理大數據量和知識學習等方面具有獨特優勢的數據挖掘技術，為大幅提升預測模型的使用效率莫定了基礎，從而大幅提高了發電出力、負荷預測精度。大數據背景下的負荷預測實現步驟如圖3所示。

圖3 新能源發電出力預測Fig.3 The new energy output forecast

步驟1：曲線聚類分析。

發電出力曲線的走勢與日類型，天氣因素等密切相關。合理的數據挖掘技術—聚類分析能夠將發電出力規律相近的日期歸為一類。采用馬爾科夫鏈、貝葉斯模型等，可以提取復雜的負荷變化曲線的特征向量，進一步通過K-means等聚類分析算法將零散分布的獨立樣本逐漸歸為趨勢相近的若干類，為負荷預測提供參考。

步驟2：確立關鍵影響因素。

采用關聯分析算法，計算影響因素（如日最高氣溫，日平均氣溫，平均濕度，日類型（星期幾）等）與發電量的關聯度排序，剔除影響因子較低的因素，簡化預測模型，提高海量數據計算效率。

步驟3：建立分類規則。

通過步驟1及步驟2，得到了待預測日過去一年的歷史發電曲線的分類結果和影響發電出力的關鍵因素。通過決策樹算法，找到分類結果與關鍵影響因素間的耦合關系，并以分類規則的形式表現出來。該步驟的作用是當已知待預測日發電出力的關鍵影響因素值時，可以根據不同分類規則將預測日對應到不同的聚類中，從而該類的結果就可以作為預測日的相似日數據集來訓練模型。

步驟4：選擇匹配模型。

當得到預測日的關鍵因素日特征向量（即關鍵因素值組成的向量）后，將其輸入步驟3建立的決策樹模型中，即可輸出相應的分類結果。

步驟5：訓練預測模型并預測。

針對步驟1的分類結果，將每類的發電出力數據及相應的關鍵因素數據構建訓練樣本。針對每類發電出力數據的變化規律和特征，選取匹配的預測模型來完成對該日發電出力的預測。使用支持向量機算法，采用RBF核函數，并設定核函數參，不敏感系數和懲罰參數。根據步驟4中得出的待預測日的分類結果，選用對應的支持向量機模型完成預測。

3 區域新能源有功率控制

在使用海量數據進行負荷預測的基礎上，區域能量管理系統能夠得到更準確的發電數據和負荷預測數據。從而，結合實時電價機制，實現區域能源系統運行總成本的進一步降低。成本目標函數主要包括各新能源發電的維護成本及運行成本、區域能源系統的購電成本等，形成能量優化控制策略。

3.1 目標函數

目標函數為區域能源系統運行總成本成本最小化，總成本由區域內新能源發電的全壽命周期成本、區域能源系統的購電成本組成，并除去微電網的收益。其中，區域內新能源發電的全壽命周期成本包括日常維護成本、單位分散成本、老化折舊成本等。在海量數據背景下，以往難以估計的電池老化成本折算、風機全壽命周期成本折算等數據將會得到有效的計算。從而更加科學地估計系統運行成本。區域能源系統的購電成本主要考慮域能源系統從市電吸收功率的成本。目標函數為

式中：PGi，t為使用上一節建立的大數據模型計算得到的各區域內新能源發電機組（包括光伏（PV）、風電（WT）、電池（BAT）等）在第t時刻的有功出力；n為DG的總數量；Ci為第i臺DG的運行費用，Mi為第i臺DG的維護費用；Bt為從大電網購電的實時電價；Pe，t為在第t時刻區域新能源系統與市電的交換功率，若購電則為正，售電則為負。

3.2 約束條件

1）系統功率平衡約束

式中：PLD，t為t時刻的各類負荷功率，該參數由上一節中大數據模型計算得到；PL，t為t時刻棄風、棄光總功率。

2）與市電功率交換約束

式中Pe，t/Pe，min/Pe，max為t時刻區域新能源系統與市電允許交換的功率/最小/最大功率。

3）PV、WT、GT 的運行約束

式中PG，t/Pi，min/Pi，max為t時刻區域內新能源發電有功功率/最小/最大有功限值。

4）蓄電池運行約束

式中：PBAT，t為t時刻蓄電池充/放電功率，負值代表充電，正值代表放電；PBAT，min、PBAT，max為蓄電池充/放電時允許的最小、最大功率；Wini、WBAT，min、WBAT，max為蓄電池的初始、最小、最大存儲能量；T為單位時間；λ為蓄電池的能量損失系數。

這里選用了蓄電池作為儲能設備的代表。大規模蓄電池組不受地理條件約束，廣泛用于微電網中作為能量儲備單元。并且，抽水蓄能等其他類型的儲能設備，經過參數調整，也能夠適用本模型建立的約束條件。

5）傳輸線功率約束

式中：PLine，i，t為第i條傳輸線在第t時刻的傳輸功率；PLine，i，max為第i條傳輸線最大傳輸容量值；Vi，t為第i個母線第t時刻的電壓值；Vi，，max/Vi，min為第i個母線的最大/最小電壓值。函數f(?)為母線電壓和傳輸線功率關系函數，通常為二次函數形式[20]。

3.3 區域新能源優化策略

傳統的新能源調度策略中，風電光伏等可再生能源出力被當做確定性參數。但是在實際運行中，可再生能源出力往往受到當日天氣影響，其實際出力可能偏離預測值。在海量數據背景下，使用上一節建立的預測模型，區域新能源調度可以獲得更優的可再生能源預測值。

并且，考慮到可再生能源往往在短期內預測精度較高。本文采用“日前計劃—滾動調度—實時調度”三層調度結構。在日前計劃中，將風電和光伏看成一個整體，通過與儲能一體化優化調度，減少棄風或者棄光的總量，同時提高區域能源系統的經濟效益。并且，通過日內的滾動調度，動態更新可再生能源的最新預測值，調整系統運行策略。最后，實時調度將實現區域新能源的實時平衡和潮流安全。

3.4 區域新能源優化運行算法實現

本文建立的區域新能源調度模型中，目標函數和約束條件較多，且約束條件中含有傳統優化算法難以解決的非線性約束條件（如傳輸線功率約束）。因此，本文采用改進的遺傳算法優化，選取滿足各項約束條件且出力、運行成本最低的M個電源組合構成初始父總群，進行交叉變異操作產生性能更優的下一代種群，直到獲得最優解。

4 區域新能源無功電壓控制

區域新能源的無功管理和電壓控制由電網和新能源系統兩部分構成。新能源出力形成各自約束并上送至電網層，電網層考慮電網和新能源系統實現系統級無功優化，并將電壓和無功優化結果下發至新能源系統，從而保證整個電網的安全經濟運行。新能源電場電壓無功功率綜合控制的任務是根據調度的指令和電場并網的信號，通過場站內部無功優化調節場站內部的無功補償裝置和風電機組或光伏電池本身的控制系統，實現整個新能源電廠的電壓無功優化控制。

分層分區、就地平衡是電網無功優化控制的基本原則，依據電壓3級控制的理念，并結合新能源電場接入的實際情況，省級電網作為電壓控制的第三級，地區電網AVC作為電壓控制的第二級，則新能源電場AVC可看作電壓控制的第一級。以風電場為例，系統的控制對象既包括風電場并網點電容器、SVG的投切和控制，也包括風電機組的控制。新能源電場電壓無功控制的分級示意圖見圖4。

圖4 新能源電場電壓無功分級控制Fig.4 The hierarchical control of new energy reactive power

在海量數據背景下，區域調度可以對無功電壓進行更為精細的控制。借助電力系統運行中獲得的海量數據監控，區域調度可以更精細地預測可再生能源的出力波動，從而更好地應對突發情況下電網電壓平穩和無功平衡?？紤]到新能源出力的間歇性和波動性，電壓控制方案需要在不同電網運行方式下，通過高精度的超短期功率預測實現精細化調節，這樣能更大限度地保障區域能源系統的安全性和減小經濟運行成本。電場AVC根據電網運行計劃和超短期功率預測，以15 min為控制周期進行優化決策，進而決定該控制周期內離散無功設備（電容器）與有載調壓變壓器分接頭的控制方案，并下發至設備的本地控制器。除此之外，考慮到區域新能源的出力可能出現大波動的情況，本文在定周期控制邏輯的同時，實時監視新能源出力波動速率，在一定時間段內新能源波動超過閾值后，啟動敏捷校正控制，迅速將并網點電壓恢復。

離散設備動作之后，可以利用動態無功補償裝置實時跟蹤電網調度控制目標。但同時控制SVC、SVG與新能源發電機組，容易導致調節振蕩，因此需要不同時間尺度上考慮SVC、SVG與新能源的調節，由于到新能源發電機組通信可靠度低、延時大，將發電機組的調節放在綜合優化中，SVC、SVG等裝置響應快速，用來進行電網AVC調度指令的閉環控制，保證該控制周期內留有足夠的無功調節裕度。

區域能源系統的電壓穩定性受新能源并網點的影響很大，因此對新能源電場內部無功電源的運行進行優化以保證并網點電壓，對區域能源系統的安全穩定運行具有重要的意義。新能源電場無功優化的目標是在滿足各種約束條件下，最大程度地提高電壓水平、改善電壓質量、減少系統網絡損耗、提高系統對新能源電場的吸納能力。

4.1 目標函數

對于無功電壓控制，調度目標函數為系統運行的有功損失最低。系統運行的有功損失Ploss與各母線電壓相關，可以表示為

式中：Ui為第i個母線電壓；Gij/Bij為第i個母線到第j個母線間的電導/電納。

4.2 約束條件

4.2.1 潮流平衡

式中：Pi/Qi為第i個發電機組的有功功率/無功功率。

4.2.2 不等式約束

1）發電機無功功率范圍約束

式中QGmin/QGmax為發電機組的最小/最大無功功率。

2）電壓偏移范圍約束

式中Uimin/Uimax為發電機組的最小/最大電壓值。

3）無功補償裝置出力約束

式中QCmin/QCmax為無功補償裝置的最小/最大無功出力。

4）升壓變分接頭檔位約束

式中Kimin/Kimax為第i個變壓器的最小/最大分接頭位置。

5）新能源場站與市電的無功交換量應當盡可能接近電網發下的優化目標值：

式中：Qout為新能源廠站出口無功；Qref為地區電網下發至新能源廠站的無功目標值；ε通常取一個極小值，這里取0.000 1。

假設上級電網發出的無功補償命令為Qref，通過實時監控設施可以得到風電場并網點的電壓，在已知各發電機有功出力的情況下，對并網點處的交換功率作罰函數處理，加入到目標函數中，采用內點法對上述優化模型求解，就可以得到該指令下每臺發電機和無功補償設置的最優出力。

5 應用實例

本文提出的基于海量數據的區域新能源監控與決策系統于2015年4月1日部署在河北某地調，該地區電網有風能、光伏、儲能（抽水、蓄電池）等多種能源，總功率約500 kW。該系統上線兩年以來，運行穩定，效果良好。不僅采集了海量新能源運行監控數據，而且有效的解決了不同新能源出力運行在不同模式、不同時序以及多約束條件下的能量監控、優化管理功能，為海量數據背景下多能源接入市電提供了有益經驗。

5.1 新能源發電預測

本文對各種能源出力均采用5 min采樣并保存，對每一種新能源出力，基于一年的數據構建的采樣序列R105120，采用本文提出的大數據分析技術對區域內多種采樣序列進行挖掘和分析，實現對區域內新能源發電預測，圖5給出了區域新能源監控與決策系統得到的某風能的新能源功率預測曲線。

預測精度的定義為

式中：N預測總點數；為第k+1個預測時刻預測值；x(k+1)為第k+1個時刻的實際值。

根據兩年間區域新能源系統監控數據，采用支持向量機等數據挖掘算法對原始數據進行數據清洗和整合。在剔除無效數據后，某典型日發電預測預測如圖5所示。地調各種新能源出力的整體預測誤差在12%左右，單個預測時刻的最大預測誤差為6.36%，這說明本文的方法是適合于區域新能源發電出力的精細化預測的。

5.2 區域新能源有功優化控制

某典型日中，有功優化控制的結果如圖6所示。

圖6 新能源有功功率優化結果Fig.6 Optimization results of new energy active power

在海量數據背景下，新能源的發電值得到了更精細的描述。在此基礎上，多種可再生能源出力曲線的峰谷區間互補，有功控制可以得到更優的結果。以圖6中某典型日0～24 h的測試數據所示，在負荷高峰時段，使用抽水蓄能向電網提供電力，在負荷低谷時段，如果有充足的新能源，則利用新能源出力進行抽水儲能[21]。同時，采用三層調度機制，可以動態更新新能源出力預測值，利用不同種類新能源發電特性的差別，有效協調多種新能源的峰谷時段，保證了最大功率并網，減少了棄風以及棄光量，最大程度的支撐不同時段區域新能源區域的負荷和市電的需要，同時火電機組的啟停和運行維護費用也大大減少。

5.3 區域新能源無功優化控制

基于海量的監測數據，區域調度系統能夠更好的控制并網節點電壓，降低系統的網損。圖7展示了在電網某種運行情況下，新能源某并網節點電壓較高，發生母線電壓越限事件。此時通過本文建立的無功優化策略，將并網點電壓約束加入優化模型，強化并網點電壓控制，能夠有效降低該并網點電壓差，另一方面，無功優化前各并網點差距較大，且各并網點電壓隨有功出力的波動而變化，也嚴重影響市電的安全穩定運行。此外，應用本文算法無功優化后，系統的網損也比無任何無功優化場景的網損低，由原來的0.197 0降低到了0.161 3。

圖7 額定輸出場景下無功優化前后節點電壓比較Fig.7 Comparison of the node voltage before and after reactive power optimization in rated output scenarios

6 結論

本文研究了區域新能源能量管理系統架構、基于海量數據的新能源出力預測、有功無功實時控制、基于海量數據的決策支持等模型。提出一種基于海量數據的區域新能源的能量管理系統，對該系統的組織架構、實現算法等進行了詳細說明，并以該系統在某地調的實際運行數據，驗證了該系統的有效性。該系統的實際運行表明，海量數據有助于電力系統對波動性強的新能源進行更有效的分析和預測，在更精細的預測精度下，系統的有功、無功控制得到進一步優化：多種新能源發電總體考慮，優勢互補，降低了棄風、棄光功率；系統中并網母線電壓越限情況獲得了有效抑制，系統的網損降低。本文建立的區域新能源監控與決策系統，可為海量數據下新能源控制的實現提供有益參考。

參考文獻

[1]YONG J Y，KLEME? 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]蘇劍，周莉梅，李蕊.分布式光伏發電并網的成本/效益分析[J].中國電機工程學報，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]閆鶴鳴，李相俊，麻秀范，等.基于超短期風電預測功率的儲能系統跟蹤風電計劃出力控制方法[J].電網技術，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.微電網分析與仿真理論[M].北京：科學出版社，2013.

[12]王成山，李鵬.分布式發電、區域新能源與智能配電網的發展與挑戰[J].電力系統自動化，2010，34（2）：10-14，23.

[13]黃偉，孫昶輝，吳子平，等.含分布式發電系統的微電網技術研究綜述[J].電網技術，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]張建華，蘇玲，陳勇，等.區域新能源的能量管理及其控制策略[J].電網技術，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，KLEME? 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.