電力泛在物聯網大數據的應用：

經過多年的建設，國網公司逐步完善了電網大數據平臺，參考各國研究與電科院各所的實際分析，智能電網大數據主要集中在3個方面：社會、政府和相關行業服務；電力用戶服務；支持電網自身的放在和運營。2019年，國網在“泛在電力物聯網建設大綱”中明確大數據平臺/中心，作為內部業務和外部業務的支撐，涉及業務包括提升客戶服務水平、提升企業經營績效、提升電網安全經濟運行、促進清潔能源消納、打造智慧綜合服務平臺、培育發展信息業務、構建能源生態體系。

目前，電網大數據的建設已經取得了初步成效，并且圍繞以上業務方向進行積探討，本章選擇部分業務方向，對泛在電力物聯網大數據平臺的應用前景進行一些探討。

1、泛在電力物聯網在虛擬電廠中的應用：

隨著國家大力推進綠色能源戰略，光伏發電、風力發電獲得了長足的發展，這些新能源供電系統并網后帶來了一些問題。首先，大規模新能源系統并網后，其輸出功率受自然條件影響較大，如風力一般網上電力較強、光伏晚上沒有電力，對電網沖擊較大，需要進行調峰和調度工作。其次，如果采用分布式供能系統，則會引起雙向潮流問題、無功電壓不穩問題。為了適應新能源的接入，國網公司大力推進虛擬電廠，是一種“源網荷儲”系統，包含“電源、電網、負荷、儲能”的整體電網解決方案，期望解決清潔能源消納過程中電網波動性等問題，推進新能源產業的發展。

虛擬電廠的核心是電網供需側協調的問題，是基于大數據的分析協調問題。在需求側，預測用戶負荷，聚合可控負荷，提高電網可調控容量占比，提升電網對新能源的接納能力；在供給側，將分布式新能源聚合成一個實體，通過協調控制、智能計量和源荷預測，解決分布式新能源接入成本高和無序并網的問題，提高分布式供電系統的接納能力；同時，通過市場分析，搭配營銷手段，以促進用戶錯峰用電，減少電網波動。大數據平臺虛擬電廠控制中心業務如圖所示。

圖大數據平臺業務-虛擬電廠控制

首先，獲取虛擬電廠范圍內的各項數據，包括環境數據、設備運行數據、電網運行數據等。然后，通過大數據建模以及AI學習，對供給、需求以及儲能站進行分析和預測。將預測結果與市場行情結合，撮合交易，促進供需協調，終實現新能源的順利入網。

2、泛在電力物聯網在智慧樓宇/智慧園區能源管理中的應用：

國網公司在運營過程中，累積了大量的數據，具有一整套的電力能源并網、監控、計量、計費、交易、運維等業務流程和相關的支撐系統，在提供電網服務的同時，也開放自身能力、知識和平臺，旨在為用戶提供高價值的增值服務，如面向智慧樓宇/智慧園區的能源管理精細化服務。

作為樓宇或者園區的業主，目前能獲取的包括園區總電表數據、分用戶電表數據等，這些數據粒度較粗，而不能掌握的細粒度數據，且缺少對于數據的分析能力，造成園區的能耗管理相對比較粗獷，電力使用量大，運營成本較高。國網公司從智慧能源綜合服務平臺中，開放自身配用網監測能力，用電數據分析能力，結合大數據分析平臺和已有知識，為業主提供一站式能耗管理方案（見圖）。

圖智慧樓宇/園區能源管理

業主可以通過應用查看園區內電網設備的運行情況，監控電網質量和運行指標，并且能通過用電分析進行園區內部的用電分析。用電分析通過大數據平臺完成對園區能耗、能效的評估，通過大數據計算與知識庫，形成節能方案，并且督導節能方案的執行，終評估節能效率，核算相關費用，實現用戶能耗的優化，流程如圖所示。

圖大數據平臺業務-園區節能方案能耗計算流程

3、泛在電力物聯網在用戶（用電）行為分析中的應用：

傳統的用戶行為分析主要完成對用戶的初步分類，通過用戶類型典型數據以及已有的歷史數據，對用戶的用電行為進行預測，這種負荷預測相對偏差較大，對于電力設備需要預留更大的余量，無法提高設備利用率。而通過大數據平臺，可以針對用戶進行細粒度的用戶畫像和分類，引入預測影響因子，通過數據挖掘和分析深入精準地預測用戶的負荷，有效提升設備的利用率，其具體的分析流程如圖所示。

圖大數據平臺業務-用戶行為分析流程

用戶行為分析的數據主要來源于用戶采集系統、配網監測系統、營銷系統、調度系統，匯聚相關的數據，通過及模糊算法、聚類算法、小二乘法、回歸方法等算法對于電力用戶進行詳細的分類。也可以采用逆向分析的方法，從營銷已歸類的用戶特點出發，通過熵權法分析匹配現網數據的特點，驗證分類正確性，并進一步對用戶進行畫像。國網公司可以針對不同的用戶提供有針對性的服務，有效提升服務滿意度。

在進行用戶分析前，還需要引入影響因子，包括以下3類。

a）用戶影響因子，指用戶因為自身原因導致對用電行為有較大的波動，這類因子可以根據用戶的歷史數據、用戶提交的用電計劃、用戶經營情況進行分析計算。

b）自然環境影響因子，指影響用戶用電行為的環境因素，如溫度、濕度、風力等，這些環境變量與用戶的用電曲線進行融合與分析，可以恰當地篩選出受環境影響較大的用電行為。

c）社會環境因子，主要包括節假日、重點事件和突發事件等，如春節、十一、兩會、廣交會等，除節假日外，突發事件與重點事件較多，因子的隨機性和不確定性較大，需要對此類因子進行手動選擇和篩選。

適用于電力行業的分析內容包括電力用戶的分類及細分建模研究、電力用戶用電負荷研究、電網設備狀態預警與故障率預測、電價與激勵下的電力用戶響應行為研究等。在分析用戶用電行為時，可結合負荷分析方法、聚類算法、負荷預測算法和回歸方法等對數據進行分析研究，尋找數據間存在的聯系與規律，建立不同負荷類型的用戶模型，對用戶用電行為進行全面分析預測，目前基于云計算的K-Means算法是目前用戶分析的主流算法。

后，通過預測結果和實際用戶用電數據的差異分析，調整迭代用戶分類和分析模型，有助于更精準地完成用戶負荷預測工作。