面向电力物联网的含可再生能源配电网运行展望

朱彦名，徐潇源，严 正，陆建宇

面向电力物联网的含可再生能源配电网运行展望

朱彦名1，徐潇源1，严 正1，陆建宇2

(1.电力传输与功率变换控制教育部重点实验室(上海交通大学)，上海 200240；2.国家电网有限公司华东分部，上海 200120)

目前，电网缺乏对分布式能源及其所接入低压配电系统的有效量测，难以分析可再生能源大规模接入给配电网运行带来的显著不确定性。电力物联网技术可突破传统量测方式的瓶颈，应用于含可再生能源配电网的多级协调运行及可再生能源广域消纳。面向电力物联网的建设，阐述了可再生能源的状态感知、数据采集与处理过程。然后，利用物联网感知信息，从用户侧能量管理、分布式能源集群控制、配电网多时间尺度优化运行、综合能源系统运行等方面，构建了基于电力物联网平台的含可再生能源配电网运行方式框架。最后，对电力物联网在可再生能源系统中的预期应用效益进行了分析。

电力物联网；可再生能源；配电网优化运行；大数据；数据驱动

0 引言

随着“2030年前实现碳达峰、2060年前实现碳中和”[1]目标的实现进程，以及以新能源为主体的新型电力系统[2]的建设不断向前推进，风电、光伏发电等可再生能源将逐渐成为未来电力系统的主体能源形式。在可再生能源发电装机容量中，分布式能源的占比不容忽视。2020年，全国并网可再生能源发电装机容量保持高速增长，风电、光伏装机已超过全国总发电装机容量的24.3%[3]。其中，分布式可再生能源发展迅速：截至2020年底，分布式光伏装机容量达到7 815万kW，同比增长24.8%[4-5]。高比例分布式可再生能源并网显著影响着电网的运行方式，配电网的运行状态复杂多变、控制对象多样，对电力系统量测与控制水平提出了更高要求。

当前，主网已有较完善的量测系统，但是配电网中量测装置配置不齐全。对低压系统以及分布式光伏、储能等分布式能源，存在着量测覆盖范围小，数据样本少、质量差等问题。由于系统对分布式能源的感知能力较弱，低压系统无功优化、需求侧管理等调控技术实施效果较差。同时，底层运行数据的缺失、区域电网间数据互通水平低，无法实现资源在更大范围内优化利用。这些问题均成为制约含可再生能源配电网发展的瓶颈。

在当前大力发展能源互联网背景下，电力物联网与智能电网相辅相成，承载了数据流，可有效提升电网信息化、数字化和智能化水平。因此，电力物联网的建设能够解决传统电网在数据采集和优化运行等方面的痛点问题，例如：覆盖传统量测设备的量测死角，提高对分布式能源的感知能力；进一步实现能源系统多级协调运行，为大规模分布式能源消纳提供有效的解决方案，从而为电网带来可观的运营收益。

近期有文献研究了电力物联网特征与架构。文献[6]对电力物联网的基本概念和关键支撑技术进行了解读。文献[7]总结了发展电力物联网将解决的三类问题：1) 传感器覆盖不充分导致的监测盲区；2) 数据模型与通信标准不统一导致的信息孤岛；3) 数据分析智能化程度低导致的用电数据价值有待挖掘。文献[8]从配电网运行状态在线监测与风险评估、主动配电网规划与综合能源系统协调运行、用户个性化用能服务等三个方面展望了电力物联网在智能配电系统中的应用。文献[9]分析了第五代移动通信(5G)技术的高带宽、高容量、高可靠性、低延时、低功耗数据通信对电力物联网运行的支撑作用。当前较多文献分析电力物联网的理论含义，但是关于电力物联网具体应用方式的探讨仍然较为缺乏。

高比例可再生能源接入是未来能源系统的关键特征，电力物联网的建设为含可再生能源配电网的高效运行提供有效方案。目前已有较多文献研究可再生能源系统优化运行方法[10]。这些研究主要针对不同的运行目标，充分利用各种发电或者负荷资源[11]，采用集中式或者分布式优化算法解决电力系统的运行问题。未来的能源系统具有大电网-配电网-微电网协调发展、物理电网与信息系统融合、多种能源系统耦合等特点[12-13]；随着能源互联网、电力物联网技术的兴起，其万物互联、对等开放、低碳高效、多源协同的特征为配电网乃至全网优化运行提供了新视角[14-15]。但目前少有文献提及如何基于电力物联网平台填补量测数据空缺，以及如何利用更广泛的资源和信息实现能源系统在多时间尺度和广域空间上的优化运行。

本文从含可再生能源配电网优化运行难点切入，通过介绍电力物联网的概念和特征，提出了引入电力物联网的解决思路；然后在电力物联网背景下，阐述了分布式可再生能源发电状态感知以及含可再生能源配电网多级协调运行的解决方案；在此基础上，分析了建设电力物联网的预期效益。

1 电力物联网的概念与特征

国际标准化组织/国际电工委员会(ISO/IEC)将物联网定义为：一种物、人、系统和信息资源互联的基础设施，结合智能服务，使其能够处理物理和虚拟世界的信息并做出响应[16]。通俗地讲，物联网基于约定的通信协议，通过信息传感设备和技术，将各种物体与互联网连接起来，进行信息通信和交换，实现智能化监控和其他交互式应用。生活中常见的智能家居、车联网均是物联网典型应用。

物联网具有全面感知、可靠传送和智能处理的基本特征，其核心是实现物与物/人之间的信息交互[17]。其体系架构按顺序可分为感知、接入、互联网、服务管理和应用五个过程，如图1所示。

图1 物联网的体系架构

武汉大学李勋等在2010年提出将物联网引入电力系统领域，即基于智能电网框架的“电力物联网”：采用信息传感设备或分布式识读器，结合已有的网络技术、数据库技术、中间件技术等，形成电力系统各种电气设备之间以及设备与人员之间的智能网络[18]。2011年，美国学者RIFKIN J提出了“能源互联网”愿景[19]。2020年国家电网公司《互联网专业工作要点》文件提出“要充分运用‘大云物移智链’等先进技术和手段，着力推动能源转型与信息技术深度融合”，继续完善电力物联网顶层设计并夯实基础支撑，深挖大数据价值，助力能源互联网架构的发展。

电力物联网充分应用人工智能、移动互联等先进信息与通信技术，实现了电力系统中人、设备的全时空连接，使得对于电能生产、传输、消费每个环节的系统状态能够全感知、业务能够全穿透；通过专网连接电网企业、发电企业、电力用户、供应商及其设备，实现数据共享；通过安全接口向电网内外机构、用户提供综合能源服务，具有很强的交互性和开放性。在不增加电网物理连接结构复杂性的条件下，电力物联网在电力设备与设备之间、设备与用户之间叠加具有双向信息流动的无线通信网，实现信息和数据的互动共享，优化电力系统运行和管理[20]。

电力物联网的体系架构从底至上依次为：感知层、网络层、平台层与应用层[21]。感知层位于电力物联网接触物理世界的边缘，实现系统状态感知；网络层是电力物联网通信的基石；平台层实现海量数据的存储、管理与大规模智能终端的统一物联管理；应用层实现电力物联网高级数据应用。

接入电力物联网的电网主要具有如下特征。

1) 状态全面感知

电力物联网实时全面地采集电力系统的动态与静态数据，并基于采集的数据维持系统运行和执行特定功能。由于电力设备种类和用途繁多，且分布范围广泛，因此电力物联网需要精度高、信噪比高、可传输距离远的传感技术作为支撑。

2) 信息高效处理

目前，国家电网公司日数据采集增量超过60 TB[20]，但由于不同平台之间缺乏数据共享与协调，造成了“数据孤岛”。建设电力物联网，将制定统一的数据格式、接口和通信协议，支持适配各类智能物联网终端，充分发挥数据共享价值[21]。同时，引入边缘计算技术，增强边缘侧的数据处理能力；辅以数据清洗技术，剔除错误数据，降低通信网络信息承载量，减轻主站和云端数据处理压力。

3) 应用便捷灵活

基于大数据分析的电力系统多维运行与管理，有助于提升企业经营绩效，促进可再生能源消纳；数据开放共享，多方共建电力物联网，可促进能源互联网发展，推动综合能源系统建设。

2 分布式可再生能源发电状态感知

相比于集中式大容量的可再生能源，分布式可再生能源发电存在分布广泛、数据采集和接入困难等特点[22]。随着分布式能源迅速发展，其对电力系统运行的影响日益显著，因此需要感知分布式可再生能源发电状态，为系统高效运行提供数据基础。

2.1 可再生能源发电数据采集

在电力物联网背景下，为光伏电站和风电场配置传感器，监测可再生能源机组的工作状态及其环境信息，为出力预测和机组检修提供数据支持。

可再生能源发电数据采集方式分为直接与间接采集。直接采集是通过终端装置采集电力信息，并通过网络层上传电压、电流、功率和电量等数据[23]至调度系统，如图2所示。这种方式具有数据直采、准确度高的优点，但是若对于每个分布式电源都采用直接采集的方式、经济性和实施性较差。

图2 电力信息采集场景

与之相对应的，间接采集不直接采集电力信息，而是通过采集其他相关信息(例如气象信息)实现电力信息的间接估算。区域气象信息以网格(例如3 km×3 km)为单元，在区域内部署微型气象站，采集温度、湿度、风速、太阳辐射、降水量等气象信息，依托公共网络上传至调度主站，如图3所示。根据气象信息，结合该区域内的可再生能源发电装机容量、地理分布等信息，建立标签化的用户画像，从而估算或预测该区域内的可再生能源发电功率。例如，文献[24]设计了一种基于ZigBee无线传感网络协议的分布式气象信息采集系统。文献[25]基于营销、客服与用户采集系统数据，采用聚类、分类与文本挖掘算法构建用户画像模型。文献[26]从温度敏感性、电价敏感性和用电平稳性三个角度提取用户行为模式，创建用户功耗行为标签，并基于模糊聚类算法建立用户功耗行为画像。

图3 区域气象信息采集场景

2.2 感知数据传输与处理

分布式传感器和智能终端等设备采集的可再生能源发电数据，经过有线、无线通信网络传输至物联管理平台进行数据处理。数据传输与处理流程如图4所示。

图4 感知数据传输和处理

在物联网的末端设备汇集点搭建智能边缘代理，由边缘物联代理设备协调不同通信协议，同时接入多业务终端，联通本地和远程通信网络，并在边缘进行数据存储与计算。电力物联网作为信息流载体，可采用去中心化的区块链技术保证数据稳定性和可靠性[27]。对于保密数据，需要采用加密技术和通信安全技术保障数据安全可靠传输。

关于数据处理，考虑到可再生能源发电信息具有相似性，可制定统一的数据采集类型及格式，以提高数据存储和读写效率。此外，电力物联网感知对象和传感设备多样，会产生存在隐含关联关系的海量多源异构数据。需要进行数据挖掘与融合，在保证数据有效特征的条件下，降低数据冗余度与数据处理难度[8]。文献[28]详细介绍了基于阶段、特征级别和语义(Stage-based, Feature Level-based and Semantic meaning-based)的数据融合方法。文献[29]建立了基于张量深度学习(Tensor Deep Learning, TDL)的物联网异构数据融合模型，用于大数据特征学习和高维特征融合。

在感知层采用分布式大数据处理[30]的边缘计算技术，实现边缘侧的数据交互与分析，提升终端协同工作能力。在达到对可再生能源系统末端设备协调控制目的的同时，减轻了通信网传输压力和云端数据处理压力。

在物联管理平台，基于大数据技术实现数据分析，利用云服务技术实现跨平台数据共享。云计算是一种随时随地、按需访问共享资源池(包括计算设备、存储设备、应用程序等)的分布式计算模型[31]，可以根据业务负载迅速申请或释放资源，提高服务质量，降低运行维护成本[32]。文献[33]提出电力企业可构建基于云技术的电力数据采集与管理终端系统，实现海量电力信息的高效处理。

2.3 可再生能源发电精细化预测

目前，集中式可再生能源发电已纳入调度口径管理，具有较完善的量测系统和配套数值天气预报，已有成熟的预测方法可较准确地实现功率预测。相比之下，对于分布式光伏和风电的预测，存在电力数据难以获取、气象数据缺失等问题。随着电力物联网的发展，可构建基于环境气象信息的精细化预测方法，其框架如图5所示。

图5 可再生能源发电预测框架

分布式可再生能源发电预测的关键技术包括大数据分析技术和人工智能技术。

大数据分析技术：对于采集到的海量可再生能源发电信息，通过数据清洗、数据挖掘等技术对电力大数据进行预处理，发掘数据的潜在关联关系和应用价值[34]。提取风电和光伏的波动特性和关键影响因素，为精确预测奠定基础。

人工智能技术：基于深度学习等方法构建预测模型，挖掘可再生能源发电随机性、波动性与间歇性的特点。并且处于相邻位置的分布式可再生能源发电受到相近气象因素的影响，其出力具有很强的空间相关性。利用该特点，结合用户画像分类情况和气象信息对相邻区块的预测结果进行校核，提升预测精度。与传统模型驱动方法相比，人工智能方法表现出更强的解决复杂电力系统问题[35]的能力。

目前，已有研究将人工智能中的机器学习方法应用于可再生能源发电预测中，对发电功率的建模取得了良好效果。文献[36]提出了极限学习机分位数回归的超参数调参方法，实现了以平均间隔宽度最小化为目标的风电功率区间预测。文献[37]分别采用卷积神经网络(Convolutional Neural Network, CNN)与长短期记忆(Long Short-term Memory, LSTM)提取风速的空间和时间特征，提出了结合CNN和LSTM的风速预测方法。文献[38]提出了基于LSTM的风电功率概率预测方法。类似地，机器学习方法也适用于光伏功率预测。文献[39]选取与预测对象有较强空间相关性的附近光伏序列，基于关键气象因素和历史数据构建 LSTM神经网络进行光伏功率预测。文献[40]提出了一种集成了神经网络、k最近邻、分位数回归森林、支持向量回归等算法的光伏功率预测模型，进一步提升了预测精度。文献[41]提出了基于改进的分位数卷积神经网络(quantile CNN)的光伏功率概率预测方法。

综上，基于电力物联网感知数据，可实现对配电网内部可再生能源发电资源进行发电特性建模。

3 含可再生能源配电网多级协调运行

当前，输电网已通过光纤实现了信息互联，然而配电网层面仅实现了电气物理连接，信息互联程度较低[9]，且量测装置配置不齐全，无法做到配电网实时可观。随着电力物联网的建设，电力物联网的全息感知对于传感技术提出了更高的要求，需要对当前电力系统量测和通信系统进行升级。智能传感器、智能电表以及微型PMU[42]的应用，为含可再生能源配电网运行奠定了数据基础；高部署密度、广覆盖范围、长使用寿命的窄带物联网(Narrow Band Internet of Things，NB-IoT)[43]和5G通信[44]等先进通信技术，满足了快速、大容量、低延时的高质量数据通信需求。由此实现对电网末端原本不可观测的分布式电源的识别、量测和控制。

在电力物联网背景下，整合发、输、配、用各个环节的资源，进行源-网-荷-储协调控制。本文主要考虑配、用环节的“网-荷-储”资源，并考虑多能互补，实现含可再生能源配电网多级协调运行。图6展示了面向电力物联网的含可再生能源配电网运行框架。

图6 面向电力物联网的含可再生能源配电网运行框架

3.1 运行态势感知

由于主网输电线路的输电能力受到运行状态、环境因素的影响，首先基于电力物联网的电力数据、气象信息，实时估计输电线路的最大输电能力。然后基于历史运行数据，匹配线路传输功率与可再生能源发电预测出力的关联关系，实现输电线路阻塞预警，以便在配电网用户侧提前采取包括需求响应、储能放电、切负荷等应对措施。在非正常运行状态下(例如台风、暴雪等极端天气条件)，可再生能源发电功率大幅波动，且输电线路故障率显著增加。利用电力物联网气象、电力综合信息，可感知天气变化趋势，预测可再生能源发电出力变化，并在恶劣天气发生早期发出预警信号，以提前调整配电网运行方式，提高系统面对极端事件的韧性。并且存储配电网故障情况下的全方面数据还可为后续故障诊断与保护整定提供参考。

综上，结合电力物联网感知数据与配电网内外运行量测数据，可进一步实现配电网运行态势感知。例如，文献[45]提出了一种包含模拟、预处理、聚类、降维和可视化等过程的电网运行模式识别方法。对高维运行数据进行大数据分析，而无需获取准确的电网参数，可实现电网实时运行状态感知与潜在运行风险辨识。

3.2 多级协调运行

3.2.1用户侧能量管理

位于配电网末端的楼宇负荷用户数量多、柔性强，是用户侧能量管理的重点。针对冰箱、空调等可中断负荷，根据环境信息与用电峰谷情况，考虑不同设备的投切优先级，短时切换其开关状态；尤其是可利用楼宇建筑的热惯性，实现楼宇空调的负荷虚拟储能技术，权衡用电成本与用户舒适度，控制空调实时调节制冷/制热设置[46]。针对洗衣机、电热水器等可平移负荷，在保证用户用电满意度的条件下，考虑用户用电特性采用动态电价引导其改变用电习惯，参与电网削峰填谷[47]，并根据参与情况予以补偿[48]。

在聚合商层面对用户进行用户特性建模，面向一般用户，可制定灵活电价，峰、谷期间适当拉大电价差，由电力物联网平台经大数据推算后为用户提供个性化用电方案，引导用户调整用电习惯；对拥有分布式电源的用户，应建立奖励机制，鼓励其配置分布式储能，并自主选择是否接入电力物联网以实现储能的远端控制。为提高用户消纳可再生能源的积极性，可向用户分配可再生能源消纳配额，并在可再生能源现货交易市场的基础上设立消纳量二级交易市场，鼓励用户参与市场联动。优化可再生能源消纳配额奖惩实施方案，激励市场成员在完成自身配额的情况下，超额消纳可再生能源[49]。

近年来在用户侧，电动汽车负荷体量不断扩大。有必要加强车联网和电力物联网的交互，积极推进电动汽车有序充电、车电互联等技术的发展。可依托“车-网-路”多网信息融合，实现以电动汽车充电为核心的信息共享及利用[50]。结合车辆定位和平均充电耗时，获得电动汽车的最优规划路径，由电力物联网制定动态的快充/慢充电价及充电权交易机制[51]，形成可调节的动态储能资源。

3.2.2分布式能源集群控制

配电网接入的大量分布式能源，在当前技术条件下很难实现复杂计算量的集中统一调度，但分布式能源发电功率的强波动性，给配电网协调优化调度带来了挑战。将分散接入的分布式能源按区域进行集群聚合，通过将优化调度控制对象提高至整体集群级别，再由集群协调器负责分解分配调控任务，以此通过构建分布式能源集群动态等值模型，实现配电网集群间协调调度的方法是当前的一种解决方式[52]。

在电力物联网背景下，实现文献[52]提出的基于多智能体的分布式集群控制架构的难度显著降低。其中由集群协调器负责并网点量测并生成集群控制目标。电力物联的无线专网服务协调器与各智能体间的广播通信，安全可靠地承载输出的控制信号与输入的反馈信号，同时各相邻智能体间的交互通过边缘计算完成；对集群中分布式能源的物联感知与控制，有助于实现对于光伏、风电、储能等资源等值聚合模型的精准构建与调度任务的精准分配，并采用以交替方向乘子法[53]为代表的分布式优化算法满足高效在线控制需求。此类分布式控制架构可有效降低通信负担、提高效应速度，并降低误差干扰。

3.2.3配电网多时间尺度优化运行

随着可再生能源渗透比例不断提高，系统运行的不确定性显著增加，传统调度方式存在不同区域间协调能力弱、无法适应复杂多变的系统运行工况等问题。建设电力物联网平台，将有助于实现多时间尺度、多区域配电网耦合的全网一体化运行，通过在配电网层面的建模，促进不确定性环境下的源荷广域平衡。

从配电网中长期时间尺度运行的角度看，配电网运行需求与停电检修安排需要相互协调。当前主要存在备用线路、设备检修协同性差的问题[54]。搭建的物联管理平台可汇总配电网全域的检修需求申报，重新构建去除检修线路和设备的电网拓扑模型，建立多区域、多电压等级系统协同的设备检修计划。进一步提出同时考虑线路、设备检修与可再生能源发电波动的配电网多时间尺度精细化运行方法，降低检修影响。此外，分布式电源的装机容量、地理位置和出力数据上传至物联管理平台，还可作为配电网电源规划的依据[55]。

从配电网短期时间尺度运行的角度看，考虑“源-网-荷-储”协调的电力系统优化运行主要以可再生能源消纳量最大和系统运行成本最小为目标[56]，且中低压负荷、电源以及配电网运行的量测信息为配电网运行与控制奠定数据基础。处于电源侧的可再生能源可主动接入自动电压控制系统和自动发电控制系统，同时考虑灵活发电资源与可再生能源的协调运行，以降低可再生能源发电出力的波动性与随机性对电网的影响。在“网-荷-储”侧，分布式电源在配电网侧的大规模配置使得配电网从传统被动配电网向主动配电网发展；针对储能设备，通过对电网功率平衡状态和储能动作反馈的感知，持续优化储能系统策略[57]，并基于电力物联网实现对储能系统的远端协调控制。考虑到配电网主动控制能力的提升，配电网与输电网间的互动性加强。对此，文献[58]研究了基于主从分裂的全局潮流算法，解决了输配电网边界不匹配的问题；文献[59-60]分别提出了输配电网的协调经济调度与电压稳定评估方法，对输配电网联合优化运行提供了指导。

由于分布式能源、电动汽车大规模并网，配电网运行状态更加复杂多变，对系统控制能力提出了更高的要求。电网运行过程不断积累数据，随着数据处理与分析技术快速发展，数据驱动的电力系统分析计算与优化运行方法逐渐形成[61]。大量高精度量测数据是研究数据驱动方法的基础，面向建设电力物联网的现实背景，配电网的量测覆盖范围小、数据质量较差的问题将得到改善和解决。传统模型驱动方法考虑系统运行的物理特性，基于解析的数学模型，研究了电力系统分析、控制与运行问题；数据驱动方法则在数学模型部分可知甚至未知的条件下，由已知数据求解未知数据或者拟合数学模型。在高质量电力物联网数据支撑下，数据驱动方法表现出解决配电网优化运行复杂问题的显著优势。

在实际配电网运行中，其网络结构的部分可观性导致建立准确的配电网运行问题的数学模型比较困难。机器学习是典型的数据驱动方法，强化学习是机器学习的一种范式，其在环境中不断尝试动作，获得反馈信息以调整动作策略的数值参数，最终获得最优的状态-动作策略。近年来，有学者将深度学习与强化学习相结合，提出了深度强化学习方法，扩大了强化学习的应用领域。文献[62]采用深度强化学习解决电压/无功控制问题，所提出的方法不依赖于数学模型，并表现出较高的计算效率以及较好的决策效果。考虑到配电网中不同利益主体之间的信息保护，文献[63]采用强化学习解决不完全信息下的多微电网联合运行问题，配电网无需获得各个微电网的内部信息，即可协调优化各个微电网的运行方式。此外，数据驱动随机优化也属于数据驱动方法范畴，其基于数据建立不确定性因素模型，从而实现不确定性环境下的配电网优化运行。已有学者采用数据驱动随机优化解决配电网电压/无功优化、机组组合、经济调度、最优潮流等问题[64-69]。

数据驱动方法降低了对数学模型的依赖性，能够有效解决复杂系统或者部分可观系统的建模、分析与运行问题。在存在微型PMU/SCADA/营销系统/电力物联网感知数据的多时间尺度混合量测数据的量测环境下，考虑到强波动性源荷导致配电网运行状态快速变化的特点，需要充分发挥数据驱动方法决策效率较高的特点，实时跟踪并优化含可再生能源配电网运行状态，故数据驱动的配电网运行方法具备广阔的研究前景和价值。

3.3 多能互补

在电力系统“源-网-荷-储”协调运行的基础上，考虑不同能源系统间的耦合，建立综合能源系统，可在更大范围内实现资源的分配与利用。为分析综合能源系统运行机理，在“冷、热、气、电、水、交通”各环节配置接入电力物联网的监控单元，获取综合能源系统实时运行状态[57]，分析不同能源系统之间的交互作用；进一步构建以供需平衡、物理运行和系统安全要求为约束条件、以能源利用效益最大化为目标的协调调度模型，实现综合能源系统的协同优化[70]。对于大范围分布的多种能源生产单元，先实现分区自治调控，再加强跨区域的多能流有序调控及故障处理能力[71]。

在负荷侧，应计算不同时间、地点的冷价、热价、气价和电价等节点能价，并由电力物联网平台向用户实时发布，考虑供热/供冷系统热惯性和热/冷负荷柔性引起的“储能”效应，引导负荷资源参与多能流需求侧响应。基于多能互补的综合需求响应策略，相较于传统策略，降低了电网公司调度费用和用户侧损耗，提高了用户响应程度以及多能源系统用电安全性和稳定性[72]。

4 电力物联网应用的效益分析

4.1 直接效益

1) 增加输电量及售电收入

基于电力物联网的配电网经济调度策略在非高峰期，提前输送电能至具备储能的高负荷区域，增加输电通道输电量；在高峰期，释放配电网储能资源，增强配电网供电能力，提高售电收入，并缓解输电通道阻塞。此外，对配电网可再生能源发电不确定性的精准建模有助于降低冗余备用成本。

2) 提高可再生能源消纳水平

电力物联网实现了对集中式和分布式可再生能源的监控。在可再生能源发电高峰期，利用电力市场和需求响应机制，通过对可调节机组和储能等资源优化调度，促进可再生能源消纳，降低弃风弃光造成的电网收益损失。

3) 增加综合服务收入

利用海量的源网荷信息，电网公司在节能、园区能源供应、分布式能源、增量配电网等领域向能源产业链企业开放部分客户和电网资源，培育综合能源服务产业生态平台；为能源企业和用户提供用电诊断、能源产消方案、节能空间管理、差异化电价等收费订阅的数据类增值服务，增加综合收入。

在综合能源增值服务领域，可推行奖励机制，提高电网内单位和个人参与电力物联网平台运营维护的积极性。如图7所示，以代币为奖励形式，可用于购买电力物联网综合能源增值服务。奖励情形包括但不限于如下情况：能源生产企业和能源消费企业积极参与电网削峰填谷，完成可再生能源消纳指标；用户主动参与需求侧响应；拥有分布式发电的用户按时采集和上传分布式发电设备运行数据；电动汽车用户响应有序充电策略安排。

图7 代币奖励机制

4.2 间接效益

1) 精简建设投资

我国电网每年超过95%最高负荷以上尖峰负荷的累计持续时间一般仅为几十小时[73](例如华东电网2018年仅为53小时)，为满足该部分负荷供电，增加了巨大的输电网和变电容量投资。通过电网大数据分析，提取配电网尖峰负荷的持续时间，建立为保障该短时尖峰负荷所需要支付的成本评估模型；通过源-网-荷-储互动机制，消除可再生能源出力波动的不利影响；通过市场机制引导需求响应，解决短时电力供应不足问题，达到削峰填谷效果。由此缓解电网峰谷差过大以及灵活调节电源不足的压力，节约相当规模的电网和电源建设投资。

2) 减少事故损失

基于气象网络实时获取外部环境气象信息，通过大数据分析感知电网内外部状态，提前防范极端天气或自然灾害造成关键输电通道断开或特高压直流闭锁等重大风险，减少电网事故发生频率及其造成的停电损失。基于机器学习算法，对海量运行数据进行在线学习和故障模式积累，提前预测设备和线路故障风险并辨识故障发生位置，进行预防性维护和控制，以减少电网事故损失。

图8展示了电力物联网应用在可再生能源系统中所产生的潜在效益。

图8 电力物联网应用的效益分析

5 结语

电力物联网的建设将推动配电网状态全息感知、用户及设备数据广泛连接、数据信息开放共享的实现进程。在此背景下，本文展望了面向电力物联网的含可再生能源配电网运行方式。依托智能化量测设备和先进通信技术，可实现对分布式可再生能源发电和低压配电网运行状态的准确感知；进一步，基于电力物联网平台，可实现涵盖用户侧能量管理、分布式能源集群控制、配电网多级优化运行以及综合能源系统运行的能源系统多时间尺度多级协调运行。电力物联网应用将在增加电网收入，促进可再生能源消纳，增强综合服务能力等方面带来可观的经济和社会效益。

[1] 国务院. 2021年政府工作报告[EB/OL]. [2021-03-05]. http://www.gov.cn/guowuyuan/zfgzbg.htm.

The State Council. Report on the work of the government in 2021[EB/OL]. [2021-03-05]. http://www.gov.cn/ guowuyuan/zfgzbg.htm.

[2] 中央财经委员会. 中央财经委员会第九次会议[EB/OL]. [2021-03-15]. http://www.gov.cn/xinwen/2021- 03/15/content_5593154.htm.

Financial and Economic Commission of the CPC Central Committee. The ninth meeting of the financial and economic commission of the CPC central committee[EB/OL]. [2021-03-15]. http://www.gov.cn/ xinwen/2021-03/15/content_5593154.htm.

[3] 国家能源局. 国家能源局发布2020年全国电力工业统计数据[EB/OL]. [2021-01-20]. http://www.nea.gov.cn/ 2021-01/20/c_139683739.htm.

National Energy Administration. National Energy Administration releases 2020 national power industry statistics[EB/OL]. [2021-01-20]. http://www.nea.gov.cn/ 2021-01/20/c_139683739.htm.

[4] 国家能源局. 2019年光伏发电并网运行情况[EB/OL]. [2020-2-28]. http://www.nea.gov.cn/2020-02/28/c_13882 7923. htm.

National Energy Administration. Photovoltaic power grid operation in 2019[EB/OL]. [2020-02-28]. http://www.nea. gov.cn/2020-02/28/c_138827923.htm.

[5] 国家能源局. 国家能源局2021年一季度网上新闻发布会文字实录[EB/OL]. [2021-01-30]. http://www.nea.gov. cn/2021-01/30/c_139708580.htm.

National Energy Administration. Transcript of the online press conference of the National Energy Administration in the first quarter of 2021[EB/OL]. [2021-01-30]. http://www.nea.gov.cn/2021-01/30/c_139708580.htm.

[6] 傅质馨, 李潇逸, 袁越. 泛在电力物联网关键技术探讨[J]. 电力建设, 2019, 40(5): 1-12.

FU Zhixin, LI Xiaoyi, YUAN Yue. Research on keytechnologies of ubiquitous power internet of things[J]. Electric Power Construction, 2019, 40(5): 1-12.

[7] 李钦豪, 张勇军, 陈佳琦, 等. 泛在电力物联网发展形态与挑战[J]. 电力系统自动化, 2020, 44(1): 13-22.

LI Qinhao, ZHANG Yongjun, CHEN Jiaqi, et al. Development patterns and challenges of ubiquitous power internet of things[J]. Automation of Electric Power Systems, 2020, 44(1): 13-22.

[8] 张亚健, 杨挺, 孟广雨. 泛在电力物联网在智能配电系统应用综述及展望[J]. 电力建设, 2019, 40(6): 1-12.

ZHANG Yajian, YANG Ting, MENG Guangyu. Review and prospect of ubiquitous power internet of things in smart distribution system[J]. Electric Power Construction, 2019, 40(6): 1-12.

[9] 王毅, 陈启鑫, 张宁, 等. 5G通信与泛在电力物联网的融合: 应用分析与研究展望[J]. 电网技术, 2019, 43(5): 1575-1585.

WANG Yi, CHEN Qixin, ZHANG Ning, et al. Fusion of the 5G communication and the ubiquitous electric internet of things: application analysis and research prospects[J]. Power System Technology, 2019, 43(5): 1575-1585.

[10] WU W, ZHENG W, LIU Y, et al. Fully distributed multi-area economic dispatch method for active distribution networks[J]. IET Generation, Transmission & Distribution, 2015, 9(12): 1341-1351.

[11] 王蓓蓓, 赵盛楠, 刘小聪, 等. 面向可再生能源消纳的智能用电关键技术分析与思考[J]. 电网技术, 2016, 40(12): 3894-3903.

WANG Beibei, ZHAO Shengnan, LIU Xiaocong, et al. Review on key technologies of smart power utilization for renewable energy integration[J]. Power System Technology, 2016, 40(12): 3894-3903.

[12] 费思源. 大数据技术在配电网中的应用综述[J]. 中国电机工程学报, 2018, 38(1): 85-96, 345.

FEI Siyuan. Overview of application of big data technology in power distribution system[J]. Proceedings of the CSEE, 2018, 38(1): 85-96, 345.

[13] 马钊, 周孝信, 尚宇炜, 等. 未来配电系统形态及发展趋势[J]. 中国电机工程学报, 2015, 35(6): 1289-1298.

MA Zhao, ZHOU Xiaoxin, SHANG Yuwei, et al. Form and development trend of future distribution system[J]. Proceedings of the CSEE, 2015, 35(6): 1289-1298.

[14] 田世明, 栾文鹏, 张东霞, 等. 能源互联网技术形态与关键技术[J]. 中国电机工程学报, 2015, 35(14): 3482-3494.

TIAN Shiming, LUAN Wenpeng, ZHANG Dongxia, et al. Technical forms and key technologies on energy internet[J]. Proceedings of the CSEE, 2015, 35(14): 3482-3494.

[15] 何奉禄, 陈佳琦, 李钦豪, 等. 智能电网中的物联网技术应用与发展[J]. 电力系统保护与控制, 2020, 48(3): 58-69.

HE Fenglu, CHEN Jiaqi, LI Qinhao, et al. Application and development of internet of things in smart grid[J]. Power System Protection and Control, 2020, 48(3): 58-69.

[16] ISO/IEC JTC 1. Internet of things (IoT)[R]. Switzerland: International Organization for Standardization, 2014.

[17] 孙其博, 刘杰, 黎羴, 等. 物联网: 概念、架构与关键技术研究综述[J]. 北京邮电大学学报, 2010, 33(3): 1-9.

SUN Qibo, LIU Jie, LI Shan, et al. Internet of things: summarize on concepts, architecture and key technology problem[J]. Journal of Beijing University of Posts and Telecommunications, 2010, 33(3): 1-9.

[18] 李勋, 龚庆武, 乔卉. 物联网在电力系统的应用展望[J]. 电力系统保护与控制, 2010, 38(22): 232-236.

LI Xun, GONG Qingwu, QIAO Hui. The application of IoT in power systems[J]. Power System Protection and Control, 2010, 38(22): 232-236.

[19] RIFKIN J. The third industrial revolution: how lateral power is transforming energy, the economy, and the world[M]. New York: Palgrave MacMillan, 2011.

[20] 国家电网《泛在电力物联网建设大纲》正式发布[EB/OL]. [2019-03-11]. http://www.chinasmartgrid.com. cn/news/20190311/632172.shtml.

State Grid "uranium power internet of things construction outline" officially released[EB/OL]. [2019-03-11]. http:// www.chinasmartgrid.com.cn/news/20190311/632172.shtml.

[21] 陈皓勇, 李志豪, 陈锦彬, 等. 电力物联网: 数据科学视角及商业模式[J]. 电力系统保护与控制, 2020,48(22): 33-40.

CHEN Haoyong, LI Zhihao, CHEN Jinbin, et al. Power internet of things: data science perspective and business models[J]. Power System Protection and Control, 2020, 48(22): 33-40.

[22] 郑骏. 新能源规模化发展和火电机组节能减排背景下发电企业若干技术问题研究[D]. 上海: 上海交通大学, 2014.

ZHENG Jun. Research on technology problems under the background of the new energy development and energy saving and emission reduction in thermal power unit[D]. Shanghai: Shanghai Jiao Tong University, 2014.

[23] 常城, 王延军, 王洋. 基于智能化数据采集系统在电力系统中的应用[J]. 科技风, 2018(21): 158.

CHANG Cheng, WANG Yanjun, WANG Yang. Application of intelligent data acquisition system in power system[J]. Technology Wind, 2018(21): 158.

[24] 乐佳琪. 基于ZigBee无线传感网络的分布式气象信息数据采集系统设计[D]. 上海: 上海交通大学, 2014.

LE Jiaqi. Design of distributed meteorological information collection system based on ZigBee wireless sensor network[D]. Shanghai: Shanghai Jiao Tong University, 2014.

[25] 左航. 基于用户画像的电网精准服务与预警系统设计[J]. 中国设备工程, 2019(11): 168-169.

ZUO Hang. Design of power grid precision service and early warning system based on user portrait[J]. China Plant Engineering, 2019(11): 168-169.

[26] LU S, JIANG H, LIN G, et al. Research on creating multi-attribute power consumption behavior portraits for massive users[C] // 2018 8th International Conference on Power and Energy Systems (ICPES), December 21-22, 2018, Colombo, Sri Lanka.

[27] 康文博, 汤卓凡, 郑庆荣, 等. 区块链技术在电力物联网中的应用现状与前景展望[J]. 电力与能源, 2020, 41(2): 149-154, 159.

KANG Wenbo, TANG Zhuofan, ZHENG Qingrong, et al. Application status and prospect of blockchain technology in electricity internet of things[J]. Power & Energy, 2020, 41(2): 149-154, 159.

[28] YU Z. Methodologies for cross-domain data fusion: an overview[J]. IEEE Transactions on Big Data, 2015, 1(1): 16-34.

[29] WANG W, ZHANG M. Tensor deep learning model for heterogeneous data fusion in internet of things[J]. IEEE Transactions on Emerging Topics in Computational Intelligence, 2020, 4(1): 32-41.

[30] 施巍松, 孙辉, 曹杰, 等. 边缘计算: 万物互联时代新型计算模型[J]. 计算机研究与发展, 2017, 54(5): 907-924.

SHI Weisong, SUN Hui, CAO Jie, et al. Edge computing-an emerging computing model for the internet of everything era[J]. Journal of Computer Research and Development, 2017, 54(5): 907-924.

[31] MELL P, GRANCE T. The NIST definition of cloud computing[R]. National Institute of Standards and Technology, 2011.

[32] 罗军舟, 金嘉晖, 宋爱波, 等. 云计算: 体系架构与关键技术[J]. 通信学报, 2011, 32(7): 3-21.

LUO Junzhou, JIN Jiahui, SONG Aibo, et al. Cloud computing: architecture and key technologies[J]. Journal on Communications, 2011, 32(7): 3-21.

[33] 柯辉. 云技术下的电力数据采集与管理终端系统分析[J]. 通讯世界, 2018(2): 103-104.

KE Hui. Analysis of power data acquisition and management terminal system under cloud technology[J]. Telecom World, 2018(2): 103-104.

[34] 张东霞, 苗新, 刘丽平, 等. 智能电网大数据技术发展研究[J]. 中国电机工程学报, 2015, 35(1): 2-12.

ZHANG Dongxia, MIAO Xin, LIU Liping, et al. Research on development strategy for smart grid big data[J]. Proceedings of the CSEE, 2015, 35(1): 2-12.

[35] 杨东升, 秦佳, 周博文, 等. 人工智能在电力系统中的应用综述[J]. 郑州大学学报(工学版), 2019, 40(5): 23-31.

YANG Dongsheng, QIN Jia, ZHOU Bowen, et al. Review on the application of artificial intelligence in power systems[J]. Journal of Zhengzhou University (Engineering Science), 2019, 40(5): 23-31.

[36] ZHAO C, WAN C, SONG Y. An adaptive bilevel programming model for nonparametric prediction intervals of wind power generation[J]. IEEE Transactions on Power Systems, 2020, 35(1): 424-439.

[37] ZHU Q, CHEN J, SHI D, et al. Learning temporal and spatial correlations jointly: a unified framework for wind speed prediction[J]. IEEE Transactions on Sustainable Energy, 2020, 11(1): 509-523.

[38] 李彬, 彭曙蓉, 彭君哲, 等. 基于深度学习分位数回归模型的风电功率概率密度预测[J]. 电力自动化设备, 2018, 38(9): 15-20.

LI Bin, PENG Shurong, PENG Junzhe, et al. Wind power probability density forecasting based on deep learning quantile regression model[J]. Electric Power Automation Equipment, 2018, 38(9): 15-20.

[39] 王志远, 王守相, 陈海文, 等. 考虑空间相关性采用LSTM神经网络的光伏出力短期预测方法[J]. 电力系统及其自动化学报, 2020, 32(5): 78-85.

WANG Zhiyuan, WANG Shouxiang, CHEN Haiwen, et al. Short-term photovoltaic output forecasting using LSTM neural network considering spatial correlation[J]. Proceedings of the CSU-EPSA, 2020, 32(5): 78-85.

[40] GIGONI L, BETTI A, CRISOSTOMI E, et al. Day-ahead hourly forecasting of power generation from photovoltaic plants[J]. IEEE Transactions on Sustainable Energy, 2017, 9(2): 831-842.

[41] HUANG Q, WEI S. Improved quantile convolutional neural network with two-stage training for daily-ahead probabilistic forecasting of photovoltaic power[J]. Energy Conversion and Management, 2020, 220.

[42] KONG X, YAN Z, GUO R, et al. Three-stage distributed state estimation for AC-DC hybrid distribution network under mixed measurement environment[J]. IEEE Access, 2018, 6: 39027-39036.

[43] 梅沁, 李大伟, 虎啸. 基于NB-IoT的电力物联网安全技术研究[J]. 电力信息与通信技术, 2019, 17(1): 100-104.

MEI Qin, LI Dawei, HU Xiao. Research on security technology of power internet of things based on NB-IoT[J]. Electric Power Information and Communication Technology, 2019, 17(1): 100-104.

[44] 陈皓勇, 李志豪, 陈永波, 等. 基于5G的泛在电力物联网[J]. 电力系统保护与控制, 2020, 48(3): 1-8.

CHEN Haoyong, LI Zhihao, CHEN Yongbo, et al. Ubiquitous power internet of things based on 5G[J]. Power System Protection and Control, 2020, 48(3): 1-8.

[45] HOU Q, DU E, ZHANG N, et al. Impact of high renewable penetration on the power system operation mode: a data-driven approach[J]. IEEE Transactions on Power Systems, 2019, 35(1): 731-741.

[46] 殷爽睿, 艾芊, 王大鹏, 等. 考虑空调负荷虚拟储能的产消者鲁棒日前申报策略[J]. 电力系统自动化, 2020, 44(4): 24-34.

YIN Shuangrui, AI Qian, WANG Dapeng, et al. Day-ahead robust bidding strategy for prosumer considering virtual energy storage of air-conditioning loads[J]. Automation of Electric Power Systems, 2020, 44(4): 24-34.

[47] 黄剑平, 陈皓勇, 林镇佳, 等. 需求侧响应背景下分时电价研究与实践综述[J]. 电力系统保护与控制, 2021, 49 (9): 178-187.

HUANG Jianping, CHEN Haoyong, LIN Zhenjia, et al. A summary of time-of-use research and practice in a demand response environment[J]. Power System Protection and Control, 2021, 49 (9): 178-187.

[48] 李帅虎, 何义, 彭寒梅, 等. 计及储能与可控负荷的智能楼宇系统短期优化调度[J]. 电力系统及其自动化学报, 2020, 32(7): 9-7.

LI Shuaihu, HE Yi, PENG Hanmei, et al. Short-term optimal scheduling of intelligent building systems considering energy storage and controllable load[J]. Proceedings of the CSU-EPSA, 2020, 32(7): 9-7.

[49] 张翔, 陈政, 马子明, 等. 适应可再生能源配额制的电力市场交易体系研究[J]. 电网技术, 2019, 43(8): 2682-2690.

ZHANG Xiang, CHEN Zheng, MA Ziming, et al. Study on the electricity market trading system adapting to the renewable portfolio standard[J]. Power System Technology, 2019, 43(8): 2682-2690.

[50] 廖家齐, 钱科军, 方华亮, 等. 基于泛在电力物联网的电动汽车充电站运维关键技术[J]. 电力建设, 2019, 40(9): 20-26.

LIAO Jiaqi, QIAN Kejun, FANG Hualiang, et al. Key technologies of operation and maintenance of electric vehicle charging stations in ubiquitous power internet of things[J]. Electric Power Construction, 2019, 40(9): 20-26.

[51] 张纲, 逯帅, 刘永相, 等. 基于充电权交易的区域充电微市场运营策略[J]. 全球能源互联网, 2019, 2(5): 509-515.

ZHANG Gang, LU Shuai, LIU Yongxiang, et al. Regional operation of charging micro-markets based on trading of electric vehicle charging rights[J]. Journal of Global Energy Interconnection, 2019, 2(5): 509-515.

[52] 吴文传, 张伯明, 孙宏斌, 等. 主动配电网能量管理与分布式资源集群控制[J]. 电力系统自动化, 2020, 44(9): 111-120.

WU Wenchuan, ZHANG Boming, SUN Hongbin, et al. Energy management and distributed energy resources cluster control for active distribution networks[J]. Automation of Electric Power Systems, 2020, 44(9): 111-120.

[53] ZHENG Y, SONG Y, HILL D J, et al. Multiagent system based microgrid energy management via asynchronous consensus ADMM[J]. IEEE Transactions on Energy Conversion, 2018, 33(2): 886-888.

[54] 陈浩, 李莉, 董新, 等. 考虑风险重叠度最小化的多电压等级检修计划协同优化[J]. 电力系统保护与控制, 2019, 47(15): 93-101.

CHEN Hao, LI Li, DONG Xin, et al. Optimization of maintenance scheduling of multiple voltage level integrated with the risk overlap degree minimization[J]. Power System Protection and Control, 2019, 47(15): 93-101.

[55] 伍也凡, 刘浩田, 肖振锋, 等. 考虑源-网-荷不确定性的增量配电网规划研究综述[J]. 电力系统保护与控制, 2021, 49(8): 177-187.

WU Yefan, LIU Haotian, XIAO Zhenfeng, et al. Review of incremental distribution network planning considering the uncertainty of source-network-load[J]. Power System Protection and Control, 2021, 49(8): 177-187.

[56] 周任军, 石亮缘, 汤吉鸿, 等. 多功率曲线协整度约束下的源-荷-储优化协整模型[J]. 中国电机工程学报, 2019, 39(12): 3454-3465.

ZHOU Renjun, SHI Liangyuan, TANG Jihong, et al. Source-load-storage optimization cointegration model under multi-power curve cointegration degree constraints[J]. Proceedings of the CSEE, 2019, 39(12): 3454-3465.

[57] 张自东, 邱才明, 张东霞, 等. 基于深度强化学习的微电网复合储能协调控制方法[J]. 电网技术, 2019, 43(6): 1914-1921.

ZHANG Zidong, QIU Caiming, ZHANG Dongxia, et al. A coordinated control method for hybrid energy storage system in microgrid based on deep reinforcement learning[J]. Power System Technology, 2019, 43(6): 1914-1921.

[58] SUN H, GUO Q, ZHANG B, et al. Master-slave-splitting based distributed global power flow method for integrated transmission and distribution analysis[J]. IEEE Transactions on Smart Grid, 2015, 6(3): 1484-1492.

[59] LI Z, GUO Q, SUN H, et al. A distributed transmission- distribution-coupled static voltage stability assessment method considering distributed generation[J]. IEEE Transactions on Power Systems, 2017, 33(3): 2621-2632.

[60] LI Z, GUO Q, SUN H, et al. A new LMP-sensitivity-based heterogeneous decomposition for transmission and distribution coordinated economic dispatch[J]. IEEE Transactions on Smart Grid, 2018, 9(2): 931-941.

[61] GENG X, XIE L. Data-driven decision making in power systems with probabilistic guarantees: theory and applications of chance-constrained optimization[J]. Annual Reviews in Control, 2019, 47: 341-363.

[62] DUAN J, SHI D, DIAO R, et al. Deep-reinforcement- learning-based autonomous voltage control for power grid operations[J]. IEEE Transactions on Power Systems, 2020, 35(1): 814-817.

[63] ZHANG Q, DEHGHANPOUR K, WANG Z, et al. A learning-based power management method for networked microgrids under incomplete information[J]. IEEE Transactions on Smart Grid, 2020, 11(2): 1193-1204.

[64] BIAN Q, XIN H, WANG Z, et al. Distributionally robust solution to the reserve scheduling problem with partial information of wind power[J]. IEEE Transactions on Power Systems, 2015, 30(5): 2822-2823.

[65] WEI W, LIU F, MEI S. Distributionally robust co-optimization of energy and reserve dispatch[J]. IEEE Transactions on Sustainable Energy, 2016, 7(1): 289-300.

[66] DUAN C, JIANG L, FANG W, et al. Data-driven distributionally robust energy-reserve-storage dispatch[J]. IEEE Transactions on Industrial Informatics, 2018, 14(7): 2826-2836.

[67] YANG Y, WU W. A distributionally robust optimization model for real-time power dispatch in distribution networks[J]. IEEE Transactions on Smart Grid, 2019, 10(4): 3743-3752.

[68] QIU H, GU W, XU Y, et al. Multi-time-scale rolling optimal dispatch for AC/DC hybrid microgrids with day-ahead distributionally robust scheduling[J]. IEEE Transactions on Sustainable Energy, 2019, 10(4): 3743-3752.

[69] SHI Z, LIANG H, HUANG S, et al. Distributionally robust chance-constrained energy management for islanded microgrids[J]. IEEE Transactions on Smart Grid, 2018, 10(2): 2234-2244.

[70] 邹云阳, 杨莉, 李佳勇, 等. 冷热电气多能互补的微能源网鲁棒优化调度[J]. 电力系统自动化, 2019, 43(14): 65-77.

ZOU Yunyang, YANG Li, LI Jiayong, et al. Robust optimal dispatch of micro-energy grid with micro-energy complementation of cooling heating power and natural gas[J]. Automation of Electric Power Systems, 2019, 43(14): 65-77.

[71] 艾芊, 郝然. 多能互补、集成优化能源系统关键技术及挑战[J]. 电力系统自动化, 2018, 42(4): 2-10, 46.

AI Qian, HAO Ran. Key technologies and challenges for multi-energy complementarity and optimization of integrated energy system[J]. Automation of Electric Power Systems, 2018, 42(4): 2-10, 46.

[72] 徐航, 董树锋, 何仲潇, 等. 基于多能互补的电/热综合需求响应[J]. 电网技术, 2019, 43(2): 480-489.

XU Hang, DONG Shufeng, HE Zhongxiao, et al. Electro-thermal comprehensive demand response based on multi-energy complementarity[J]. Power System Technology, 2019, 43(2): 480-489.

[73] 张叶林, 张天一. 售电市场放开后电力避峰的方法[J]. 大众用电, 2017, 32(3): 7-9.

ZHANG Yelin, ZHANG Tianyi. Method for avoiding peak power after the sale of electricity market is released[J]. Popular Utilization of Electricity, 2017, 32(3): 7-9.

Prospect of renewable energy integrated distribution network operation in the power internet of things

ZHU Yanming1, XU Xiaoyuan1, YAN Zheng1, LU Jianyu2

(1. Key Laboratory of Control of Power Transmission and Conversion (Shanghai Jiao Tong University), Ministry of Education,Shanghai 200240, China; 2. East China Branch of State Grid Corporation of China, Shanghai 200120, China)

Currently, the power grid lacks effective measurement of distributed energy and its connected low-voltage distribution system, making it difficult to analyze the significant uncertainty brought by the large-scale integration of renewable energy in distribution network operation. The power internet of things technologies break through the bottlenecks of traditional measurement approaches. They are applied to the multi-stage coordinated operation of a renewable energy integrated distribution network and wide-area renewable energy accommodation. In the construction of the power internet of things, the procedure of renewable energy state perception, data collection and processing is stated. Then, with the perception information of the internet of things, the operation mode structure of the renewable energy integrated distribution network based on the power internet of things platform is established. It is established from the aspects of user side energy management, distributed energy clustered control, multi-time-scale distribution network optimal operation and integrated energy system operation. Finally, the expected profits of the power internet of things application in renewable energy integrated power systems are analyzed.

This work is supported by the National Natural Science Foundation of China (No. 52077136).

power internet of things; renewable energy; distribution system optimal operation; big data; data-driven

10.19783/j.cnki.pspc.210317

国家自然科学基金项目资助(52077136)

2021-03-25；

2021-05-11

朱彦名(1996—)，男，博士研究生，主要研究方向为机器学习在电力系统的应用；E-mail: zhuyanming@sjtu.edu.cn

徐潇源(1989—)，男，通信作者，博士，助理教授，主要研究方向为电力系统不确定性分析、电力系统优化运行；E-mail: xuxiaoyuan@sjtu.edu.cn

严 正(1964—)，男，博士，教授，博士生导师，主要研究方向为电力系统优化运行、电力系统稳定分析及智能电网。E-mail: yanz@sjtu.edu.cn

(编辑 姜新丽)