智能电网大数据文档格式.docx
《智能电网大数据文档格式.docx》由会员分享，可在线阅读，更多相关《智能电网大数据文档格式.docx（14页珍藏版）》请在冰豆网上搜索。
（1）智能用电:
包括智能表计、电池技术、家庭自动化、微型电网、优质供电园区等。
（2）智能网络:
包括调度自动化、即插即用式智能电力设备、智能保护装置、测量监视设备、电力电子设备、海量数据处理技术和可视化技术等。
（3）新能源发电:
包括可再生能源发电、微透平技术、超导储能技术等。
（4）智能企业:
包括信息集成技术、通信技术等。
2.4建设智能电网涉及的重要技术
2.4.1稳定而灵活的网络拓扑
稳定、灵活的电网结构是未来智能电网的基础。
我国能源分布与生产力布局很不平衡，无论从当前还是从长远看，要满足经济社会发展对电力的需求，必须走远距离、大规模输电和大范围资源优化配置的道路。
特高压输电能够提高输送容量、减少输电损耗、增加经济输电距离，在节约线路走廊占地、节省工程投资、保护生态环境等方面也具有明显优势。
因此，发展特高压电网，构建电力“高速公路”成为必然的选择。
如何进一步优化特高压和各级电网规划，做好特高压交流系统与直流系统的衔接、特高压电网与各级电网的衔接，促进各电压等级电网协调发展、送端电网和受端电网协调发展、城市电网与农村电网协调发展、一次系统和二次系统协调发展，成需要解决的关键问题。
随着电网规模的扩大，互联大电网的形成，电网的安全稳定性与脆弱性问题越来越突出，对主网架结构的规划设计要求相应地提高。
只有灵活的电网结构才能应对冰灾战争等突发灾害性事件对电网安全的影响。
2.4.2开放、标准、集成的通信系统
智能电网需要具有实时监视和分析系统目前状态的能力:
既包括识别故障早期征兆的预测能力，也包括对己经发生的扰动做出响应的能力。
智能电网也需要不断整合和集成企业资产管理和电网生产运行管理平台，从而为电网规划、建设、运行管理提供全方位的信息服务。
因此，宽带通信网，包括电缆、光纤、电力线载波和无线通信，将在智能电网中扮演重要角色。
智能电网的发展对网络安全提出了更高的要求，这一问题需要格外注意。
目前美国EPRI的合作伙伴PowerWec,EEI,NERC以及爱达荷州实验室正致力于信息安全问题的研究。
2.4.3智能、标准的计量体系和需求侧管理
电网的智能化需要电力供应机构精确得知用户的用电规律，从而对需求和供应有一个更好的平衡。
目前我国的电表只是达到了自动读取，是单方面的交流，不是双方的、互动的交流。
由智能电表以及连接它们的通信系统组成的先进计量系统能够实现对诸如远程监测、分时电价和用户侧管理等的更快和准确的系统响应。
将来随着技术的发展，智能电表还可能作为互联网路由器，推动电力部门以其终端用户为基础，进行通信、运行宽带业务或传播电视信号的整合。
这里涉及到用户门户（customerportal）技术，作为美国Intelligrid项目的重要研究内容之一，该项研究致力于设计与目前用户使用的提供“非能源服务”的协议相连接的接口。
2.4.4智能调度技术和广域防护系统
智能调度是未来电网发展的必然趋势，调度的智能化是对现有调度控制中心功能的重大扩展。
调度智能化的最终目标是建立一个基于广域同步信息的网络保护和紧急控制一体化的新理论与新技术，协调电力系统元件保护和控制、区域稳定控制系统、紧急控制系统、解列控制系统和恢复控制系统等具有多道安全防线的综合防御体系。
智能化调度的核心是在线实时决策指挥，目标是灾变防治，实现大面积连锁故障的预防。
2.4.5智能化调度的关键技术包括:
（1）系统快速仿真与模拟（fastsimulationandmodeling,FSM）。
（2）智能预警技术。
（3）优化调度技术。
（4）预防控制技术，事故处理和事故恢复技术（如电网故障智能化辨识及其恢复）。
（5）智能数据挖掘技术。
（6）调度决策可视化技术。
另外还包括应急指挥系统以及高级的配电自动化等相关技术，其中高级的配电自动化包含系统的监视与控制、配电系统管理功能和与用户的交互（如负荷管理、量测和实时定价）。
2.4.6可再生能源和分布式能源接入
在发展智能电网时，如何安全、可靠地接入各种可再生能源电源和分布式能源电源也是面临的一大挑战。
分布式能源包括分布式发电和分布式储能，在许多国家都得到了迅速发展。
分布式发电技术包括:
微型燃气轮机技术、燃料电池技术、太阳能光伏发电技术、风力发电技术、生物质能发电技术、海洋能发电技术、地热发电技术等。
分布式储能装置包括蓄电池储能、超导储能和飞轮储能等。
风能、太阳能等可再生能源在地理位置上分布不均匀，并且易受天气影响，发电机的可调节能力比较弱，需要有一个网架坚强、备用充足的电网支撑其稳定运行。
随着电网接入风电量的增加，风电厂规划与运行研究对风电场动态模型的精度和计算速度提出了更高的要求。
电力企业投产清洁能源项目越来越多，光伏发电、风力发电都对地形地貌、环境特征有很高的要求和条件。
针对于清洁能源项目建设的要求可借助电力生产MIS系统与地理信息GIS系统中大量的数据，结合环境采集数据等，综合考量不同地域电力生产水平、地形优势与资源分布。
利用大数据的数据挖掘技术提供给规划人员支撑电站建设布局的决策数据，实现项目建设的科学调配。
也可通过综合分析影响风力发电、光伏发电机组运行的诸多环境因素，例如:
温度、光照、湿度、风力等数据，预测气候模式，从而规划处最佳的机组运行方案。
通过这种方式，可有效降低生产成本和提高产出效益。
2.4.7决策支持和人机接口
现代电网需要专业的、无缝的、实时使用的应用工具，以满足电网操作和管理人员做出快速决策的需要。
决策支持和人机接口技术主要包括可减少大量数据到易于理解的可视格式的可视化工具和系统以及当系统运行人员操作时需提供的多种方案软件系统，还可以用作演示的控制板、先进的控制室设计等等。
2.5中国智能电网标准体系
2.5.1基础与通用
本领域包括术语和方法学、安全、电能质量等。
2.5.2发电领域关键设备及技术标准
（1）常规发电关键设备
涵盖:
次同步振荡抑制装置、大机组设备状态检测与故障分析系统、水电机组设备状态监测、梯级水电站调度控制、发电厂快速并网装置、常规能
源和新能源的自动化成套控制系统。
（2）大规模可再生能源关键设备
风电场故障穿越装置、风光储智能控制系统、间歇电源功率预测调度、兆瓦级光伏并网逆变器系统、间歇式电源功率控制、风电机组控制系统、风光储联合电站一体化智能监控系统以及新能源发电监控系统。
（3）大规模储能关键设备
集成储能功率平滑调节、化学电池模块化集成、电池储能能量管理、电池储能转换装置、飞轮储能装置、电容/超导储能装置、储能电站智能调度以及化学电池储能。
涉及技术标准:
常规电源网源协调技术标准、风电并网技术标准、光伏并网技术标准、其他新能源并网技术标准及大容量储能系统并网技术标准。
2.5.3输电领域关键设备及技术标准
（1）输电线路状态监测
输电线路状态监测装置及输电线路状态监测系统。
（2）柔性交流输电
静止无功补偿器、故障电流限制器、静止同步补偿、串补/可控串补及可控并联电抗器。
（3）直流输电
直流场关键设备、多端柔性直流控制、柔性直流输电电缆、高压直流换流阀、柔性直流换流站及够写直流换流阀。
特高压输电、柔性直流输电、柔性交流输电、线路状态与运行环境监测及输电资产全寿命周期管理等技术标准。
2.5.4变电领域关键设备及技术标准
变电环节主要包括设备层、系统层及站控层设备。
（1）设备层关键设备
智能元件、传感器及测控装置、保护测控一体化装置、合并单元、智能组件、电子式互感器。
（2）系统层关键设备
智能变电站监控系统、远动终端、间歇电源保护监控装置、广域及区域保护控制。
（3）运行技术支持关键设备
检验/测试/评估系统、状态监测状态检修系统、多态遥视/安防/消防、数字装置调试试验装置、组态及系统调试工具。
智能变电站综合技术标准、变电设备智能化标准、智能变电站自动化系统标准、状态监测评估和检修、变电资产全寿命周期管理标准等。
2.5.5配电领域关键设备及技术标准
配电环节主要包括过程层智能化一次设备、站控层设备。
（1）智能配电设备
大容量快速切换固态开关、智能配电开关、智能配变监测终端、复合电能质量控制器。
（2）配电自动化与配网规划
配电自动化主站系统、配电调控一体支持系统、配网规划辅助决策系统。
（3）分布式电源和微网
分布式储能装置、配电保护测控一体化、供电系统微机保护装置、供电电能质量治理装备、供电换流装置及控制装置。
配电自动化、分布式电源及微电网并网、分布式储能系统接入配电网等技术标准;
2.5.6用电领域关键设备及技术标准
用电环节关键设备如下。
（1）用电信息采集
用电信息采集主站、用电信息采集终端、智能电能表。
（2）智能用电小区
居民用电交互终端、智能家电、智能插座、智能用电小区服务系统。
（3）智能大客户服务
智能需求侧管理系统、大用户交互终端、智能楼宇管理系统、分布能源及储能管理系统。
（4）电动汽车充放电
电动汽车充放电设备、充放电管理系统。
（5）智能营业厅
智能营业厅管理系统、停电管理系统、用电地理信息系统、客户服务门户网站、自助服务终端及系统。
双向互动服务、智能量测、用户端用能管理、智能用能、电动汽车充放电、智能用电检测技术标准。
2.5.7调度领域关键设备及技术标准
智能电网调度技术支持系统研制（调度管理类应用、安全校核类应用、调度计划类应用、实时监控预警类应用、基础平台）。
智能电网调度系统、智能电网调度系统基础平台、智能电网调度系统应用功能、电网运行集中监控等技术标准。
2.5.8信息通信领域关键设备及技术标准
信息通信领域涵盖:
通信网络、信息化应用。
骨干通信网关键设备、配用电通信网关键设备、通信支撑网关键设备。
3大数据
3.1大数据的概念
数据是自然资源一样重要的战略资源，大数据技术就是从数量巨大、结构复杂、类型众多的数据中，快速获得有价值信息的能力。
维基百科对大数据的定义是:
“大数据是由于规模、复杂性、实时而导致的使之无法在一定时问内用常规软件工具对其进行获取、存贮、搜索、分享、分析、可视化的数据集合”。
互联网数据中心将大数据定义为:
为更经济地从高频率的、大容量的、不同结构和类型的数据中获取价值而设计的新一代架构和技术。
3.2大数据的提出与发展
大数据概念的提出可以追溯到《自然》杂志2008年9月专刊中发辫的文章:
《BigData:
ScienceinthePetabyteEra》,此后大数据的概念被广泛传播。
2011年，麦肯锡公司发布了关于大数据的调研报告《大数据：
下一个前沿，竞争力、创新力和生产力》，指出了大数据研究的地位以及将给社会带来的价值。
2012年3月，美国奥巴马政府宣布投资2亿美元启动“大数据研发计划”，旨在提高和改进从海量和复杂数据中获取知识的能力，加速美国在科学和工程领域发明的步伐，增强国家安全。
大数据和以往的海量数据、超大规模数据有什么区别昵?
显然这些术语都表示系统需要管理的数据规模很大。
相对于当时的CPU和存储技术水平而言，这些规模过大的数据在处理时需要特别对待。
从历史发展来看，超大规模在提出时表示的是GB级别的数据，海量数据提出时表示的是TB级别数据，而大数据则是指PB（1015）及以上级别的数据。
3.2大数据检索、分析和可视化等方面的相关技术
3.2.1大数据检索
在大数据检索服务中，用户通常期望能够检索到所有所需数据，而并不关心数据模型、存储位置和数据组织结构等信息。
因此，用户提交的查询请求其目标数据很可能来源于多个数据源。
面向大数据服务的检索场景与传统搜索引擎或数据管理系统有所不同。
大数据服务的用户有两类，一类是普通个人用户，一类是专业IT人员和应用程序。
对于普通个人用户而言，由于不了解底层数据源的信息以及服务描述信息，通常个人用户会使用方便易用的关键字检索;
对于IT人员和应用程序，其数据查询需求的目标数据源相对明确，因此可以采用语义查询语言SPARQL进行检索。
然而，无论哪类用户，由于底层数据源的跨域异构，其检索请求的执行过程具有多种可能性，针对每种可能性，都需要研究和制定相应的检索执行策略，以保证提供“Best-effort'
，的服务效果。
因此，大数据服务架构需要支持两类检索模式:
关键字检索:
用户提交检索关键字或者“属性二值，，形式的检索请求进行检索;
语义检索:
专业人员或者应用程序向服务提交SPARQL检索进行检索。
3.2.2大数据分析
前文从技术角度对数据分析服务现状进行了综述，现有的数据分析服务是数
据拥有者提供数据，服务提供商利用其数据分析技术和计算资源帮助用户分析数
据，在这种模式下，数据拥有者需要支付高额的费用。
通过数据服务形式提供数据分析，存在两种方式:
一种方式是对检索结果进行分析，该方法需要将分析对象数据通过数据服务
从存储系统中取出传输给用户端，用户再进行分析。
这种方式进行分析所花费的
时间是查询执行时间、数据组装时间、传输时间和数据分析执行时间的总和。
很
显然，这种方式代价依然很高。
另一种方式是不取出数据，直接构建分析型数据服务。
用户提交分析请求，数据服务接口将分析请求分解成多个子请求，派发给多个分析型数据服务，将每个子分析请求针对相应的数据源执行分析任务，分析结果在数据服务接口处汇总组装，返回给用户。
此种方式将计算后置，用户只需要提交分析请求，并等待分析结果，而免去了将大量分析对象数据传输的过程。
3.2.3大数据可视化
诸多成熟的开源可视化组件库和图表组件库都为大数据可视化服务提供了便利。
针对用户对数据可视化的需求，充分利用现有可视化组件库，为用户提供可视化脚本的方式实现可视化服务，是大数据可视化服务研究的目标。
大数据可视化服务的脚本目前支持常用的D3.js和Fusioncharts图表库两种，鉴于部分用户可能对某类脚本较为熟悉，用户在可视化请求阶段可以指明所需输出的脚本类型。
数据可视化的前提是给定要进行可视化数据，这些数据有可能是用户检索的结果，有可能是分析的结果。
这样，大数据的可视化请求的处理流程可概述为，先执行大数据检索服务或者大数据分析服务，再将其结果数据输入到可视化型数据服务中，最后输出可视化脚本或包含可视化脚本的网页脚本。
3.3数据挖掘和数据流挖掘
数据挖掘技术是一个涉及数据库、机器学习、统计学、神经网络、高性能计算和数据可视化的多学科领域，是计算机模仿人类学习机理和方法，利用数据自动获取知识的一种技术。
数据挖掘技术主要分为如下几个分支:
分类、聚类、关联规则挖掘、序列模式挖掘等。
聚类：
将物理或抽象对象的集合分成相似的对象类的过程称为聚类。
更形式化的一个描述方法是:
聚类分析就是按照某种相似性度量方法对对象进行分组，使得各组内的相似度高，而组间的相似度低。
分类：
首先根据已知类别的一些样本进行学习，得到一个分类的规则或者说是模型，然后利用学习得到的模型对另外一些类别未知其他属性值已知的样本进行类别的判断或者预测。
关联规则挖掘算法的基本概念包括两个方面的内容:
项以及项集，其中项是基本单元，用来表示实际环境中的单个具体事物，例如在超市购买的物品;
项集是由一个或者多个项组成的集合，表示的是具体的一次事务，例如顾客的一次购买行为，在项集内部，项与项之间不存在次序关系。
序列模式的组成包括3方面的内容:
序列、事件（事务或者项集）以及项，它们三者之间的关系是序列是由一个或者多个事件组成的，而事件是由一个或者多个项组成的;
在组成序列的事件中，事件与事件之间存在着先后时间关系，而在组成事件的项中，项与项之间不存在先后时间关系。
4智能电网大数据
4.1智能电网与大数据的关系
智能电网就是将信息技术、计算机技术、通信技术和原有输、配电基础设施高度集成而形成的新型电网，具有提高能源效率、提高供电安全性、减少环境影响、提高供电可靠性、减少输电网电能损耗等优点。
智能电网的理念是通过获取更多的用户如何用电、怎样用电的信息，来优化电的生产、分配及消耗，利用现代网络、通信和信息技术进行信息海量交互，来实现电网设备间信息交换，并白动完成信息采集、测量、控制、保护、计量和监测等基本功能，可根据需要支持电网实时自动化控制、智能调节、在线分析决策和协同互动等高级功能，因此相关研究者指出:
可以抽象的认为，智能电网就是大数据这个概念在电力行业中的应用。
电力大数据的数据集成管理技术，包含关系型和非关系型数据库技术、数据融合和集成技术、数据抽取技术、过滤技术和数据清洗等。
大数据的一个重要特点就是多样性，这就意味着数据来源极其广泛，数据类型极为繁杂，这种复杂的数据环境给大数据的处理带来极大的挑战，要想处理大数据，首先必须对数据源的数据进行抽取和集成，从中提取出实体和关系，经过关联和聚合之后采用统一的结构来存储这些数据，在数据集成和提取时需要对数据进行清洗，保证数据质量及可靠性。
4.2智能电网大数据的形成
随着电力信息化的推进和智能变电站、智能电表、实时监测系统、现场移动检修系统、测控一体化系统以及一大批服务于各个专业的信息管理系统的建设和应用，数据的规模和种类快速增长，这些数据共同构成了智能电网大数据。
4.2.1发电侧数据
通过建立各生产系统数据互通，依靠不同种类生产系统，对传统发电企业和清洁能源发电企业都会给与数据层面的决策性预测。
在基础数据不断积累的前提下，分析电厂或发电设备周围环境变化和气候变化，掌握不同时期煤炭储备量和煤炭消耗量的关系。
都可对于全国范围的季节性来水与机组负荷下降等因素影响的机组停备工作进行有效预测和数据支持。
通过大数据分析决策能力，提供生产设备状态数据，开展机组停备检修工作，加强设备管理，强化员工培训
4.2.2输变电侧
随着同步相量监测系统（PhasorMeasurementUnit，PMU）的大规模使用，输变电网能更全面的了解电网运行暂态的变化，以便更实时的控制电网运行。
PMU采样频率非常高。
一个PMU设备一天可收集6千万个数据点，数据量约0.6GB，实际应用中，大面积的部署将产生TB级的数据。
4.2.3电网调度数据
随着智能电网的建设，调度环节的数据主要包括以下几类：
1）基础数据。
描述电力设备固有属性的数据及相关参数、定值，包括一次设备、二次设备、自动化设备、通信设备等；
2）电网实时量测类数据。
智能电网量测系统是智能电网实现的基础，实现电力数据的采集功能，现有的量测系统包括数据收集与监控系统SCADA,
WAMS和高级测量体系（AdvancedMeteringInfrastructure，AMI）3类；
3）电网准实时应用类数据。
该类数据由调度自动化系统生成或人工输人的数据组成，包括预测计划类数据、报表数据和监控预警类数据。
预测计划类数据主要有负荷预测、发电计划、检修计划、水电计划、机组组合等，周期为小时、天、月、年。
监控与预警类数据是在异常或故障情况下产生的，包括大量告警信息，如各种保护信号、跳闸、SOE、过载等不断涌人调度中心的信息，以及不断的语音告警和事故推画面等，数据量呈爆发式地增长，另外，随着无人值守变电站的推广，还有大量视频监视与语音数据。
4.2.4配电侧数据
主动配电网中含有大量分布式电源与柔性负荷，网络规模大并且结构复杂，系统实际运行过程中通常表现出强互动、多藕合、高随机的典型特征，运行过程中产生的数据结构多样、来源复杂，时间尺度不统一、空间尺度各异，具有典型的“4V”特征，即规模大（volume）、类型多（variety}、价值密度低（value）和变化快（velocity）。
其中，主要数据类型包含配电网运行拓扑结构信息，分布式电源状态监测信息、相关区域气象信息、电动汽车运行信息、设备状态监测信息、配电自动化信息以及用户营销信息等，保守估计一个中等规模配电网每年将产生上百TB的数据。
然而配电网目前缺乏大数据分析与处理相关技术，未能充分利用所获取的海量数据提升系统运行水平与效率。
因此，对主动配电网中海量数据提供有效的存储和索引机制，建立高效且符合配电网主动管理运行需求的数据处理平台，从而准确预测和评估配电网运行状态，进而构建高效的主动配电网能量调度体系，可靠的主动控制与保护策略以及相关优化对策措施。
4.2.5用电侧
与传统电网相比，智能电网下用户与供电公司双向互动，并参与到电力系统的运行和管理中。
利用智能电表，电力公司可以实时了解用户用电情况，并实时通知用户用电成本、实时电价、电网状态、计划停电等信息。
目前，智能电表可每隔5~10min向电网发送实时用电信息。
例如法国电力公司所部属的3500万个智能电表，每月产生的数据超过300TB。
4.3智能电网大数据分类与特点
根据数据来源的不同，可以将智能电网大数据分为两大类:
一类是电网内部数据;
另一类是外部数据。
内部数据来自用电信息采集系统（collectionsysteminformationCIS）、营销系统、广域监测系统
升级会员 