電力行業(yè)大數(shù)據(jù)研究綜述

　　摘要:概述了電力行業(yè)大數(shù)據(jù)的特點，介紹了數(shù)據(jù)的采集、存儲和處理、分析和挖掘、應用，分別從發(fā)電、輸電、配電、用電四大環(huán)節(jié)對電力相關的大數(shù)據(jù)應用研究進行歸納與總結(jié)，接著介紹電力大數(shù)據(jù)應用的成功案例，最后闡述了電力大數(shù)據(jù)應用面臨的挑戰(zhàn)。

　　關鍵詞:電力;大數(shù)據(jù);模型;算法;應用

　　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，以及設備控制、感知與維護等電力相關領域信息化程度的提升，電力行業(yè)的數(shù)據(jù)正以高復合增長率快速膨脹，這些多源異構的海量數(shù)據(jù)共同構成了電力行業(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)及管理等各個環(huán)節(jié)，起到獨特而巨大的作用，是中國電力工業(yè)在打造下一代電力工業(yè)系統(tǒng)過程中有效應對資源有限、環(huán)境壓力等問題，實現(xiàn)厚積薄發(fā)、綠色可持續(xù)性發(fā)展的關鍵[3]。利用大數(shù)據(jù)技術，人們可以掌握更加豐富詳實的實時信息、歷史信息，進行時間跨度更大、涉及業(yè)務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，人們需要綜合分析各類氣象因素，如溫度、氣壓、濕度、降雨量、風向、風力等，以提高對新能源預測的準確度。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、復雜且快速增長數(shù)據(jù)的存儲、管理與分析[1，7]，因此，急需引入大數(shù)據(jù)處理機制，提高數(shù)據(jù)的采集、存儲、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)各階段不同的應用需求，為管理提升和服務轉(zhuǎn)型提供技術支撐[5，6]。本文先介紹電力行業(yè)大數(shù)據(jù)的特點和研究范疇，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)領域在發(fā)、輸、配、用四大環(huán)節(jié)的相關應用研究。

　　2電力行業(yè)大數(shù)據(jù)特點

　　對照容量、速率、多樣性、真實性和價值“5V”特征，電力行業(yè)的大數(shù)據(jù)有以下特點。

　　(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，電力設備產(chǎn)生了大量的運營數(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:電表計量與計費數(shù)據(jù)、不同電力環(huán)節(jié)的電流、電壓、諧波等測量數(shù)據(jù)、設備狀態(tài)監(jiān)測數(shù)據(jù)。隨著傳感器、信息傳播技術、多媒體技術的發(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)濟數(shù)據(jù)等需要進行關聯(lián)分析，這些都直接導致了數(shù)據(jù)類型的增多，極大地增加了大數(shù)據(jù)分析的復雜度。

　　(3)速率高:電力調(diào)度與保護類數(shù)據(jù)的采集、處理和分析對速率的要求高，數(shù)據(jù)本身有實時性的要求，對數(shù)分析結(jié)果往往也有實時性要求，如差動保護，使得系統(tǒng)要有快的響應速度和強大的數(shù)據(jù)處理分析能力。(4)真實性要求高:電力應用對數(shù)據(jù)的真實性要求高，然而，輸配電線路與環(huán)境的噪聲干擾、信息傳輸錯誤、非技術性失誤等都會降低數(shù)據(jù)的真實性。(5)價值高:電力大數(shù)據(jù)涉及電力的生產(chǎn)、配送、交易和消費的方方面面，利用大數(shù)據(jù)技術提取有效信息，用于電能的分析、預測、管理及規(guī)劃，潛在的經(jīng)濟、社會和環(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、分析與挖掘、行業(yè)應用四大部分。

　　3.1數(shù)據(jù)采集

　　電力行業(yè)大數(shù)據(jù)不僅采集發(fā)電機組、儲能系統(tǒng)、輸電線路監(jiān)測系統(tǒng)、調(diào)度自動化系統(tǒng)、配網(wǎng)自動化系統(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

　　收集到的數(shù)據(jù)受到環(huán)境、傳輸?shù)纫蛩氐挠绊�，不可避免地存在噪聲、缺失和錯誤，需要對原始采集到的數(shù)據(jù)進行預處理，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)的識別和刪除等[8，9]。采用鍵值、列存儲、文檔和圖形四個分類的非關系型的數(shù)據(jù)庫(NoSQL)，具有良好的可擴展性，解決了非結(jié)構化數(shù)據(jù)的存儲難題[10，11]。隨著云計算的普及，數(shù)據(jù)的存儲走向了云端，云存儲有著良好的架構設計與容錯設計，代表性的云存儲技術有谷歌公司的BigTable和亞馬遜公司的Dynamo數(shù)據(jù)存儲服務。

　　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間特性可以分為離線計算、批量計算、內(nèi)存計算和流計算等方式[12，13];按照數(shù)據(jù)分析算法的原理可分為分類、聚類、關聯(lián)分析、神經(jīng)網(wǎng)絡、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)常需要對數(shù)據(jù)進行分類，常見的分類算法包括決策樹(DecisionTree，DT)、臨近算法、支持向量機(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)督的學習，在構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前狀態(tài)下最優(yōu)的特征或者屬性來劃分數(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)計學理論的前饋學習網(wǎng)絡，包括分類和回歸兩個步驟，以在特征空間找到最佳的超平面分離，模型構建的關鍵在于核函數(shù)及其參數(shù)的選擇。SVM用于小數(shù)據(jù)集的時間序列分析、定量構效關系等領域時，線性與非線性的分類效果好，但用于樣本數(shù)據(jù)集大的場合時，參數(shù)選擇往往很困難，推理實效性差[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，適用于設備故障和異常狀態(tài)的識別[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)督的學習分類算法。經(jīng)典聚類算法有K均值[18]、K中心點等。(3)關聯(lián)分析關聯(lián)分析基于支持度和置信度挖掘?qū)ο笾�間的關聯(lián)關系，有效地應用于推薦系統(tǒng)、商業(yè)分析、公共管理等領域[14，19]。經(jīng)典算法包括:Apriori和FPGrowth。FP-Growth基于Apriori構建，將數(shù)據(jù)集存儲在一個特定的、稱作FP樹的結(jié)構來發(fā)現(xiàn)頻繁項集，算法的執(zhí)行速度快于Apriori。

　　(4)神經(jīng)網(wǎng)絡神經(jīng)網(wǎng)絡已進行了數(shù)十年的研究，受限于計算機處理能力和訓練數(shù)據(jù)量的不足，早期應用的性能并不理想。隨著計算、存儲能力的提升和云計算架構的普及，神經(jīng)網(wǎng)絡模型獲得了足夠多的訓練數(shù)據(jù)，構造的網(wǎng)絡規(guī)模越來越大，精確性也得到提高。常見的神經(jīng)網(wǎng)絡包括:反向傳遞神經(jīng)網(wǎng)絡(BackPropagationNeuralNetwork，BPNN)、自組織映射、循環(huán)神經(jīng)網(wǎng)絡、長短期記憶神經(jīng)網(wǎng)絡(LongShort-TermMemory，LSTM)等。

　　(5)數(shù)據(jù)降維維度算法是以非監(jiān)督學習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)督式學習算法的應用。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較弱的學習模型獨立地就同樣的樣本進行訓練，然后把結(jié)果整合起來進行整體預測。集成算法的難點在于如何針對具體應用來選擇集成哪些較弱的學習模型以及如何整合最終的學習結(jié)果。常見的算法包括:Boosting、BootstrappedAggregation(Bagging)、AdaBoost、堆疊泛化、梯度推進機、隨機森林[20]。

　　3.4數(shù)據(jù)分析的應用

　　電力企業(yè)可通過電力大數(shù)據(jù)分析用戶對電能的需求量、用電特征等信息，依據(jù)客戶實際情況科學制定供電方案，以提高服務質(zhì)量[21]。電力企業(yè)可利用歷史數(shù)據(jù)，繪制用電設備監(jiān)測表格，若電力設備發(fā)生故障可及時明確故障原因，主動向維修人員推送故障信息，這對提升電網(wǎng)搶修速度、縮小故障范圍、縮短停電時間十分重要。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)構與耗能特性，為實現(xiàn)能源的可持續(xù)開發(fā)與利用提供指導方向。

　　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)的運行水平和管理水平。

　　4.1發(fā)電領域的大數(shù)據(jù)研究

　　包括風能、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新能源功率預測

　　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測模型成為全球研究的熱點[22-31]，主要的數(shù)據(jù)分析方法包括:SVM[24，26]、神經(jīng)網(wǎng)絡[24，26，28]。文獻[24]提出了一種反向傳播和牛頓插值數(shù)學函數(shù)法相結(jié)合的神經(jīng)網(wǎng)絡算法，對風速數(shù)據(jù)進行處理，從而達到預測發(fā)電量的目的。文獻[29]先采用數(shù)據(jù)分割剔除異常數(shù)據(jù)，根據(jù)紊流強度將數(shù)據(jù)分為若干個子集和等分部分，計算每個最小部分中數(shù)據(jù)的質(zhì)心，以質(zhì)心作為SVM算法的訓練數(shù)據(jù)，實現(xiàn)對風力發(fā)電機組功率曲線的建模。

　　文獻[26]提出了一種基于K均值和神經(jīng)網(wǎng)絡的數(shù)據(jù)挖掘方法，利用歷史記錄中的氣象信息進行聚類分析，將歷史記錄中的氣象信息分為不同的類別，然后對基于bagging算法的神經(jīng)網(wǎng)絡進行訓練，從而得到風能的預測結(jié)果。文獻[27]運用SVM回歸方法，通過將經(jīng)驗模式分解得到若干固有模式函數(shù)和參數(shù)，依據(jù)歷史風速時間序列來預測風速。太陽輻射、溫度和其他氣象因素的變化導致光伏發(fā)電的輸出功率非常不穩(wěn)定的。

　　文獻[28]采用兩個LSTM神經(jīng)網(wǎng)絡的注意機制分別對溫度和功率輸出進行自適應預測，以時間序列的方式對短期光伏發(fā)電量進行預測。文獻[29]從宏觀和微觀兩個方面研究了分布式光伏系統(tǒng)的擴散趨勢和預測方法，宏觀方面對光伏系統(tǒng)的容量和位置做了聚類分 析，微觀方面對光伏的功率進行預測。文獻[30]利用高分辨率天氣預報數(shù)據(jù)，用不同時空關聯(lián)性的深度卷積神經(jīng)網(wǎng)絡來捕捉云層運動模式及其對太陽能發(fā)電預測的影響。文獻[31]對光伏發(fā)電時間序列的內(nèi)在和隨機特性進行多尺度分析，包括:大時間尺度數(shù)據(jù)的多重聚類分析、小時間尺度數(shù)據(jù)的標準化變換和概率分布建模，并將聚類結(jié)果與氣象領域的理論模型進行了交叉驗證，實現(xiàn)對光伏發(fā)電量的預測。

　　4.1.2發(fā)電控制和調(diào)度

　　隨著各類新能源、分布式電源、電動汽車等的不斷接入，提高電力調(diào)控智能化水平勢在必行，而大數(shù)據(jù)技術在數(shù)據(jù)整合集成能力上表現(xiàn)優(yōu)越，為其在電力調(diào)控中的應用提供了廣闊空間。文獻[32]依據(jù)風電功率預測的精度隨時間尺度減小而提高的特點，采用基于核密度估計的穩(wěn)健優(yōu)化方法來處理風電的不確定性，實現(xiàn)風電、水電和火電系統(tǒng)的多時間尺度魯棒調(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[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的實測值來估算太陽能發(fā)電站點的總發(fā)電功率，以便于發(fā)電側(cè)的調(diào)度。

　　4.2輸電領域的大數(shù)據(jù)研究

　　隨著電網(wǎng)廣域測量系統(tǒng)的發(fā)展，電網(wǎng)形成了具有時空特性的高維海量運行數(shù)據(jù)，使得數(shù)據(jù)驅(qū)動的電網(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)定運行的重要手段。文獻[34]考慮電網(wǎng)運行數(shù)據(jù)特點建立數(shù)據(jù)模型，結(jié)合隨機矩陣理論和時間序列分析建立量化評價指標，在整體分析電網(wǎng)運行狀態(tài)的基礎上，分析不同擾動對電網(wǎng)穩(wěn)定的影響程度和影響范圍;文獻[35]綜合隨機矩陣理論中M-P定律、圓環(huán)率、線性特征值及熵理論來評估電網(wǎng)受擾后的脆弱性，得出了電網(wǎng)的薄弱點評判指標。

　　4.3配電領域的大數(shù)據(jù)研究

　　隨著配電自動化設備的普及，越來越多的運行數(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)及設備故障隱患，提高故障定位和搶修的反應速度，縮短停電時間，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距方法[43]，需要沿線路加裝數(shù)量眾多的測量裝置，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)絡技術[45，46]可以在任何給定的時間分析網(wǎng)格信息，從而確定網(wǎng)格的健康狀況。文獻[44]僅利用在一級變電站測量到的電壓暫降數(shù)據(jù)，用SVM對未測量到的數(shù)據(jù)進行估計，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，實現(xiàn)了利用有限模擬數(shù)據(jù)來檢測單端母線故障區(qū)段和故障距離的綜合故障定位。

　　文獻[45]結(jié)合SVM數(shù)據(jù)描述和核密度非參數(shù)估計，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)域故障檢測的置信度來定位故障區(qū)域。文獻[46]采用直覺模糊集來表示報警信息的不確定性，利用拓撲分析和電氣設備、保護動作、斷路器跳閘之間的邏輯關系，建立了基于直覺模糊Petri網(wǎng)的電力系統(tǒng)診斷模型。文獻[47]利用配電網(wǎng)歷史告警信息和通用電網(wǎng)保護配置模型構造假設告警序列，并和真實告警序列做時序置信度的相似性計算，再利用直覺模糊Petri網(wǎng)絡進行故障診斷。該模型具有很好的處理直覺模糊集不確定信息的能力，并用時間置信度對模型的初始位置值進行修正。

　　4.4用電領域的大數(shù)據(jù)研究

　　隨著高級量測體系(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，為用電領域的大數(shù)據(jù)分析提供基礎。

　　4.4.1用電負荷預測

　　動態(tài)電力市場交易需要準確的短期負荷預測，用循環(huán)神經(jīng)網(wǎng)絡[54-56]分析收集到的歷史用能數(shù)據(jù)，可有效提高負荷預測的準確度，為能源管理、運行和市場分析提供重要依據(jù)。不同于輸變電領域的負荷預測，單戶住宅的能耗通常是難以預測的，為了克服負荷曲線的波動性和不確定性，文獻[55]用循環(huán)神經(jīng)網(wǎng)絡構建了基于相似性的鏈式傳遞學習方法，提高了運算效率，而文獻[56]采用簡單池化的循環(huán)神經(jīng)網(wǎng)絡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)絡存在的長期依賴問題，文獻[57]采用該模型構建了以季度和月份為檢測窗口的電能消耗預測模型和異常用電檢測方法。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[58]提出了一種基于最小絕對值收縮與選擇算子的LSVM短期負荷預測方法，提高了預測結(jié)果的準確性和穩(wěn)定性。

　　5電力行業(yè)大數(shù)據(jù)應用的案例

　　5.1大數(shù)據(jù)在新能源電力調(diào)度中的應用

　　建設具有較高精度的風電和光伏功率預測系統(tǒng)，是解決這兩種新能源并網(wǎng)運行的關鍵措施。風光功率預測系統(tǒng)以風電場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)等為基礎建立預測模型，利用氣象部門發(fā)布的天氣預報數(shù)據(jù)，采用神經(jīng)網(wǎng)絡類的大數(shù)據(jù)分析方法[24，26，28，77]，來預測風電和光伏的短期和超短期功率輸出數(shù)值，生成功率預測曲線，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，建立了風光功率預測系統(tǒng)，實現(xiàn)了調(diào)管范圍內(nèi)的風電、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光新能源，實現(xiàn)了功率預測技術和調(diào)度運行的有效結(jié)合，取得了顯著的環(huán)境效益和經(jīng)濟效益。

　　5.2大數(shù)據(jù)的反竊電應用

　　竊電現(xiàn)象在我國部分地區(qū)仍然嚴重，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)濟損失和潛在的安全隱患，然而，現(xiàn)場檢查耗時耗力、風險高、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)反竊電分析平臺通過分析電流、電壓、線損、波形等數(shù)據(jù)變化情況，綜合運用相關性分析、模式識別、決策數(shù)判決等多個大數(shù)據(jù)分析模型進行用電檔案信息、歷史數(shù)據(jù)、同行業(yè)數(shù)據(jù)等數(shù)據(jù)指標的比對，繪制竊電用戶畫像，提高了識別潛在竊電用戶的精準度[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)、供電公司都對大數(shù)據(jù)分析及其在各自業(yè)務中的應用表現(xiàn)出了極大的興趣，但是，多重因素導致實際部署的大數(shù)據(jù)應用甚少。電力行業(yè)是個龐大復雜、高度耦合的有機運行體，相對封閉的管理體制形成了條塊分離的垂直業(yè)務系統(tǒng)，相關數(shù)據(jù)隔離存儲在多個系統(tǒng)之中，而戰(zhàn)略級別的應用頂層設計缺位導致應用軟件和數(shù)據(jù)庫互通缺乏標準的數(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，使得實際應用過程中的數(shù)據(jù)獲取困難[1，79，80]。

　　此外，作為關乎國計民生的命脈，電力行業(yè)各環(huán)節(jié)產(chǎn)生的數(shù)據(jù)都有保密要求，有的被劃分為機密類別，有的涉及用戶個人隱私[81]，因此，對于研究人員來說，進行高度相關的研究是十分困難的，導致大部分的研究還是停留在用理想數(shù)據(jù)進行算法的測試與驗證上，實踐價值有待提高。

　　7總結(jié)

　　本文先描述了電力行業(yè)大數(shù)據(jù)的五個特點，即:體量大、類型多、速率高、真實性要求高、價值高;接著簡要介紹了電力大數(shù)據(jù)研究范疇的四個方面，包括:數(shù)據(jù)的采集、數(shù)據(jù)的存儲和預處理、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)果的應用;重點按發(fā)電、輸電、配電、用電四大環(huán)節(jié)對當前電力大數(shù)據(jù)研究的現(xiàn)狀進行歸納與總結(jié)，接著介紹了電力大數(shù)據(jù)分析在新能源電力調(diào)度和反竊電兩個應用方向的成功案例，最后指出電力大數(shù)據(jù)應用面臨的各種挑戰(zhàn)。

　　電力行業(yè)中的大數(shù)據(jù)分析是一個全面而復雜的研究領域，要實現(xiàn)在設備運行和行業(yè)建設中發(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)運行、用戶行為模式、信息通信技術、管理制度等多領域的專業(yè)知識，需要多領域?qū)�業(yè)技術與智能算法間的協(xié)同配合，技術挑戰(zhàn)和應用前景都非常巨大。

　　參考文獻(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]中國電機工程學會電力信息化專業(yè)委員會(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，明陽陽，等(CaoJunwei，YuanZhongda，MingYangyang，etal.).能源互聯(lián)網(wǎng)大數(shù)據(jù)分析技術綜述(Surveyofbigdataanalysistechnologyforenergyinternet)[J].南方電網(wǎng)技術(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)載請注明來自發(fā)表學術論文網(wǎng)：http:///jjlw/28355.html