能源互聯網中大數據技術的應用分析

李 強

（中煤水文局集團（天津）工程技術研究院有限公司，天津 300000）

0 引 言

近些年來，我國現代化信息技術水平逐漸提升，在這個信息爆炸的時代背景下，大數據技術開始在各個行業及各個領域中得到廣泛應用，能源互聯網領域也不例外。但當前在大數據技術應用與能源互聯網建設的過程中仍面臨部分爭議，有必要對其展開更加深層次的探索。

1 研究背景—能源互聯網建設

對于現代社會的發展來說，能源是不可或缺的重要組成部分，但從目前來看，全世界范圍內都普遍面臨著嚴重的能源危機。在這一時代背景下，各國開始積極探索新能源技術，尤其是可再生能源，包括生物能、風能以及太陽能等。可再生能源本身有著清潔環保和可再生等多方面優勢，是當前能源領域發展的重要趨勢。然而可再生能源的開發和利用在實踐過程中則面臨著一定的局限性，深入了解能夠發現可再生能源有著不可控、波動性、隨機性、生產不連續以及地理上比較分散等特點。以往我國對于電力網絡的管理主要采用集中統一的方式，無法同當下大規模利用可再生能源的需求相適應。但是分布式發電并網的應用無法高效應對分布式發電在高滲透率狀況下對上一級電網電能質量所造成的負面影響，與此同時對于最大限度實現可再生能源的利用起到了一定的制約作用。只有保障落實對于可再生能源信息的共享，通過信息流實現對于能量流的控制，切實提升可再生能源發電所在共享及傳輸方面的質量和效率，才能夠有效規避當前普遍面臨的可再生能源不穩定的現象，真正實現可再生能源利用效率的優化提升[1]。

從本質上來看，能源互聯網是可再生能源與信息技術相結合的產物，其出現能夠針對可再生能源利用的問題提供更加科學合理的技術方案。相比較當前較為流行的微電網、分布式發電以及智能電網來說，無論是在方法、技術還是在理念上都有著較為突出的優勢。所以有必要強化開展對于能源互聯網的研究，分析能源互聯網中所應用的各種新興技術，這樣一來便能夠有效促進能源互聯網的發展，并使得傳統電網加速實現向能源互聯網的轉變。

具體來說，能源互聯網（圖1）主要指的是靈活運用當前各種先進的智能管理技術、信息技術以及電力電子技術，切實保障大量各種類型負載、分布式能量儲存裝置以及分布式能量采集裝置所組成的新型電力網絡節點的互聯效果，進而促使能量能夠得到雙向流動，并在共享網絡的基礎上實現對等交換。

圖1 能源互聯網

立足于政府管理者的角度進行分析，能源互聯網能夠在對傳統電網進行兼容的同時，構建起一種新型的能源體系結構。該體系結構的建立能夠實現對于分布式可再生能源更加廣泛和充分的利用，可以同當前用戶更加多樣化的電力需求相適應。立足于運營者的角度進行分析，能源互聯網也是一個能源消費市場，運營者在其中能夠同消費者之間進行更加良好的互動，只有真正保障其能源服務的實際質量，才能夠在市場競爭中立于不敗之地。而從消費者的角度進行分析，能源互聯網的存在既可以為消費者提供傳統的供電服務，還能夠搭建起一個公共平臺，為消費者之間的能源交換和共享提供重要支持。

2 大數據技術在能源互聯網中的應用

大數據技術的靈活應用能夠有效提升能源互聯系統的協同運行質量，能源互聯網中廣泛涉及到大量的儲能儲熱設備、微型網以及分布式電源等。通過應用大數據技術能夠提升分析及決策的質量和效率，提高多種能源的智能化生產水平，緩解當下普遍面臨的能源過度開發問題，提升能源的利用效率，保障負荷側與電源側的協同效果。優化使用大數據技術能夠針對能源互聯網中的各種歷史數據及實時動態的運行數據展開更加深層次的挖掘與分析，進而方便深入了解各環節的行為與偏差，進一步落實對能源互聯網的全局把握，最終優化提升能源互聯網運行的穩定性和安全性[2]。

強化開展對于大數據挖掘技術的應用，能夠精確地找到能源中損耗最大的環節，進而針對性地采取相應的解決措施，盡可能提升能源利用率，降低能源過度開發與應用對生態環境所造成的破壞。由于能源的分布模式具有一定的特殊性，所以能源互聯網數據也呈現出了碎片化和分散化的特點，很可能會導致數據出現丟失及損壞的現象。充分利用大數據技術的集成管理可以在現有基礎上緩解數據流失的問題，切實保障數據的完整性。能源互聯網本身有著更加廣闊的適用范圍，其作為當前智能電網的延伸與發展，能夠包容更多人參與到其中。在大數據分析的基礎上，能夠綜合考慮多樣化的角度、因素以及層面，詳細分析上下游各環節的實際供給和需求狀況，然后便能夠形成科學合理的能源互聯網商業模式，吸引各方面都能參與其中[3]。

能源互聯網有著十分廣闊的覆蓋范圍，同時其在環境類型方面也呈現出了較為復雜多樣的特點，涉及到對于諸多專業技術及知識的應用，所以能源互聯網建設一般有著相對較長的時間跨度。此外，在實際展開能源互聯網建設工作的過程中經常會涉及到眾多分散且雜亂的各種數據，這便導致目前我國能源互聯網的建設面臨一定的阻礙，因此有必要探索出更加科學合理的方式，針對這些海量的數據展開高質量的收集處理及挖掘工作。本文主要是立足于能源互聯網的數據來源分析，并將其同大數據的挖掘方法相結合，旨在能夠精確地找到海量數據中所蘊含的內在規律及模式，進而為各決策人員作出更加科學合理的決策提供技術支持。

2.1 大數據來源分析

電網本身作為一個龐大的網絡系統，能夠實現對于電能生產、分配以及使用等多個環節的全面覆蓋，同其他系統之間有著明顯的差異性。風能和太陽能等分布式可再生能源以及核能、水力、天然氣與石油等傳統一次能源都處在電網的源側，而在電網的不同終端處則包含著多樣化的智能家居、電動汽車、電力用戶以及電力設備等[4]。但不管是終端還是源側，都涉及到海量的電力數據信息，構成了廣泛覆蓋的龐大電力數據網絡。能源互聯網的數據來源主要包括以下幾方面內容。

2.1.1 源 側

電源環節中所涉及到的大數據絕大部分都是各類發電模式下所形成的數據。在保障傳統電源持續平穩發電的基礎上，靈活應用智能調控技術和發電出力預測能夠通過分析源測大數據得到進一步發展。此舉能夠在原有的基礎上實現可再生能源應用水平的提升，切實保障其更加規范化及科學化發展，并有效促進大范圍利用分布式儲能設備和大規模接入新能源的發展進程。

2.1.2 網 側

電網環節中的數據大多產生于實際進行電網運營及設備使用的過程中，主要包括監測數據[5]。當傳統的電網同各種分布式微網與分布式能源相結合的時候會導致負荷曲線出現波動，進而在一定程度上增加了以往電網的調度壓力，同時還給數據分析工作的開展造成了阻礙。大數據技術的應用主要是分別針對輸電、變電以及配電3個環節進行智能化的科學管理。大數據技術在輸電環節中的應用能夠強化開展對于各類輸電數據的實時匯總、分析、評估以及輔助決策等工作，以此真正達到對于輸電側態勢的智能化及實時化評估要求。再加上充分結合外部數據，可以使得大數據技術第一時間檢測電網線路中有潛在故障風險的零件，并及時采取妥善的處理措施，從根本上實現了輸電側自我修復能力的提升。

2.1.3 荷 側

從未來能源互聯網的發展趨勢來看，未來的智能用電絕大部分都展現在智能家居方面，與其相關的各項數據涉及到電力用戶側的電費拖欠情況和電量使用情況等信息。可以利用電力大數據構建起相應的營銷決策平臺，同時還能夠針對用戶服務、市場運營以及設備管理等多方面內容展開相應的分析和預測工作，進而為電力企業的發展提供必要條件[6]。

2.1.4 儲 側

在當前大力開展能源互聯網建設的時代背景下，分布式儲能技術得到了迅速的發展和應用。從目前來看，我國在各種建筑設施，如商場和居民樓等都會進行分布式儲能設備的應用。此外還包含著一些社會生活中分散存在的電動汽車充放電樁、不間斷電源以及性能受限的儲能電池等儲能設施，該類設施所產生的數據都無法得到精確地計算。在大數據技術的應用下，該類數據信息能夠在一個數據倉庫中實現統一收集，并第一時間展開對于這些數據的分析與處理工作，對于電網、新能源以及儲能系統之間更加協調平穩運行有著重要作用[7]。

2.2 大數據分析方法

2.2.1 數據挖掘流程

大數據技術本身有著極高的應用價值，靈活應用大數據技術能夠在當前大量復雜的數據信息中精準快速地提煉出其中最有價值的信息，是當前探索大數據問題的關鍵內容。應用大數據技術最為核心的部分便是通過建模探索各數據之間所存在的內在聯系，而數據挖掘則是立足于數據庫，從中提煉出所需要信息的方式。數據挖掘一般情況下在采用相應數據加工處理方法的基礎上獲取信息，該過程中所獲得的數據信息本質上都屬于增值的信息，能夠有效支撐對于各種問題的研究和探索[8]。一般的數據挖掘算法主要會應用計算機技術進行，同時還需要將包括機器學習、模式識別以及統計學等多種學科知識整合起來，具體流程如圖2所示。

圖2 數據挖掘流程

之所以要進行數據挖掘，是因為要在數據分析的基礎上尋找到能夠解決問題的方法和途徑，唯有進一步認識問題的各種基本情況，才能夠為數據挖掘項目的開展指明方向，進而選用更加科學可行的數據挖掘方法展開對于實際問題的分析與研究，明確其是否能夠通過大數據分析得到高效解決[9]。

數據挖掘主要是由技術、數據以及模型所構成的，在確定具體的問題目標之后，便可以針對其中的相關數據展開分析和研究工作，以明確數據和問題之間是否相匹配，然后再開展下一階段的數據收集工作。數據理解包含價值和質量兩部分內容。數據同其他一般資源之間存在一定的差異性，在不同系統和用戶之間進行互相傳遞和共享的過程中便能夠達到數據信息增值的效果，但同時數據進行傳遞的時候難免會出現過時、重復以及不一致等多種質量問題。另外，數據理解還涉及到對于異常數據、數據類型格式以及數據獲取方式等內容的理解。

為了能夠更加科學合理地分析數據，應當先明確好所需要數據的具體情況，然后將其整合起來構建相應的數據挖掘庫，其中包含數據提取、數據轉換以及數據聚合3個方面的工作。數據提取是立足于問題，在海量原始數據中讀取相關數據的過程，是后續各種工作開展的重要基礎。數據轉換是嚴格依照事先所制定好的規則轉換已經提取出來的數據，進而使得異構的數據格式統一起來。數據聚合指的是將已經完成轉換的數據按照計劃導入到數據集市或者是數據挖掘庫中，通過數據整合去掉其中冗余的部分[10]。

在整個數據挖掘流程中，數據建模屬于比較關鍵與核心的部分，在完成數據收集之后便要結合問題實際情況展開相應的建模分析工作。該過程是一個比較反復的試驗過程，要求工作人員進行多次的試驗和摸索，進而選擇最佳的模型來解決目標問題，其中作常見的模型包括多元分析、時間序列、特征估計以及分布探索等[11]。

2.2.2 數據挖掘方法

在能源互聯網中包含著海量的數據，唯有采用最為合適的數據挖掘方法才能夠從中挖掘出更加有價值的信息。筆者主要對以下幾種數據挖掘方法進行分析。

（1）聚類分析。該方法屬于一種將大量變量特征歸類起來的統計方法，主要是根據樣本在特征上所體現出的疏密程度，然后在此基礎上詳細劃分數據集合或者是樣本，成為多個子集。這樣一來便能夠最大限度提高組內樣品之間所具有的相似程度，與此同時組間樣本之間的差異性也得到了大幅增加。

（2）關聯分析。該方法主要是指針對數據之間所具有的關聯性展開的分析，在各個不同的變量之間若是存在著一定的相關規則，那么關聯分析可以對海量數據中所存在的關聯網絡進行有效發掘，進而實現對于數據庫中各種有意義關聯的高效識別。

（3）回歸分析。回歸分析包括一元回歸和多元回歸兩種類型，其本質上是一種對多變量依賴關系及程度情況進行分析的方法和手段。一般情況下可以將受到影響的因素稱之為因變量，而另一種則是自變量，自變量對于因變量的取值有著決定性作用。從目前來看，回歸分析是一種使用頻率和適用范圍最高和最廣的多元統計分析方法，能夠利用可觀測的數據達到對因變量和自變量之間定量關系進行確定的效果，以便于對數據內部所具有的規律產生更加明確的認識[12]。

（4）降維分析。該分析方法的應用是盡可能通過精簡的變量實現對于更多原始信息的表達，以此達到弱化次要矛盾和突出主要矛盾的效果。簡化原本變量的多方面指標，使其成為綜合性較強的指標，進而實現降維的效果。

3 結 論

靈活應用大數據技術能夠有效提升能源互聯網領域的發展效果，對于能源開發和利用行業的可持續發展有著積極的促進作用。因此，要加強對于大數據技術的重視，為能源互聯網建設效率的提升提供必要條件。