新型电力系统多源异构数据融合技术研究现状及展望

王臻¹, 刘东¹, 徐重酉², 翁嘉明¹, 陈飞¹

(相关资料图)

1. 上海交通大学 电子信息与电气工程学院, 上海 200240;

2. 国网宁波供电公司, 浙江 宁波 315000

引用本文

王臻, 刘东, 徐重酉, 等. 新型电力系统多源异构数据融合技术研究现状及展望[J]. 中国电力, 2023, 56(4): 1-15.

WANG Zhen, LIU Dong, XU Chongyou, et al. Status quo and prospect of multi-source heterogeneous data fusion technology for new power system[J]. Electric Power, 2023, 56(4): 1-15.

引言

近年来，中国大力推动能源革命，建设清洁低碳、安全高效的新一代能源系统。电力系统与可再生能源的生产、输送和消费密切相关，因此在能源转型中具有关键作用。目前，中国电力系统正处于向以高比例可再生能源接入、高比例电力电子装备、多能互补综合能源、物理信息深度融合为特征的新型电力系统转型的发展阶段^[1]。

随着电力物联网建设和通信技术的发展，电力系统中的数据量及种类更加丰富，信息传递更加便捷，为电力系统大数据应用带来了良好的数据基础。同时，随着新型电力系统的发展，光伏、风电等可再生能源在电力系统中的比例增大，对电力系统物理性质带来改变的同时，也使得电力系统数据更加异构化、复杂化，为电力系统大数据的集成与分析带来了新的挑战。

近年来，输配协同、源网荷储协同、虚拟电厂、多元负荷管理、碳市场交易等新型技术兴起，这些技术都依赖于电力系统数据，数据的准确性、使用便捷性将大大影响这些技术的发展。如何将多源数据进行高效集成并针对不同场景提取有效信息进行应用，已经成为迫切需要解决的问题。

数据融合起源于20世纪80年代美国国防军事领域，指将多个传感器或其他类型信息源的数据进行汇总、关联和整合，提高对某一目标的检测及特征估计的精度，甚或推广到对某一事件的预测。通常数据融合包含3方面工作：1）数据关联，确定多源数据反映同一目标；2）多源数据估计，综合多源数据改进对目标的估计；3）数据源管理，给定数据源（如传感器等）的环境状态，对数据采集和处理源进行分配，使操作成本最小。

目前数据融合技术已经在遥感、图像处理等领域取得了较好的应用成果，在电力系统领域仍有很大的发展前景。近年来，陆续有学者指出深层次的数据融合已成为未来的研究趋势。对于电网故障分析，通过融合调度主站生产控制大区和管理信息大区的7个应用模块数据进行综合分析，可使其告警准确率比传统数据源较为单一的故障判断方法显著提升^[2]。数据驱动的电能质量分析中，对来自不同监测系统的冗余数据进行数据融合，可提高决策的鲁棒性，对电力监测数据与气象、地理、经济等数据进行融合，可得到电能质量扰动事件和非电气量之间的关系^[3]。基于数据驱动的超短期风电功率预测场景下，从单一功率映射向多维数据融合转变将是提升预测精度的重要手段^[4]。

新型电力系统应用场景众多，多源异构数据融合技术种类繁杂，使得开展新型电力系统数据融合技术研究时将面临一系列问题：研究某一场景时需要考虑哪些数据？所需的数据应从哪里获得？对于不用应用场景如何选择合适的数据融合方法？不同的数据融合技术分别有什么优缺点？如何在现有数据融合技术的基础上进一步改进？针对这些问题，本文对新型电力系统多源异构数据融合技术的研究现状进行分析，并对其未来发展作出展望，以期为后续新型电力系统数据融合技术的相关研究提供参考。

本文将从新型电力系统多源异构数据出发，对数据类型及特征进行归纳；阐述新型电力系统数据建模方法、数据融合技术种类及常见融合技术，对其优缺点和适用场景进行分析评估；针对不同应用场景分析数据需求、融合目标及常见技术；对新型电力系统数据融合技术的发展提出展望。

1.新型电力系统数据现状分析

1.1 新型电力系统数据类型及来源

新型电力系统数据庞大，数据类型多样，针对不同应用场景需要采用不同维度的数据分类，作为数据选取和共享的参考。

依据业务领域，新型电力系统数据可分为系统运行数据、企业运营管理数据、非电能源数据、非能源数据4类，如图1所示。

图1 新型电力系统数据类型

Fig.1 Data types of new power system

其中，系统运行数据包含电能生产数据、系统运行状态监控数据等，来自源、网、荷、储各方面。新型电力系统下分布式电源和电力电子设备的广泛接入，使得电力系统运行情况更加复杂，系统运行数据量大大提升，监控的数据类型也更加丰富。

企业运营管理数据包含企业发售电量、电力市场价格数据、用户用电数据等，主要集中于营销业务应用系统、用电信息采集系统、95598系统等。新型电力系统中智能网关、智能家居等设备的逐步普及^[5]，大大提高了用户用电数据采集与存储的便捷性。企业管理数据包含电力企业各业务的资源计划管理、资本运作管理、人资管理、物资管理等数据，主要来自生产管理系统、企业资源计划系统等。

非电能源数据包含各类一次能源数据、非电的二次能源数据等。随着综合能源系统（integrated energy system，IES）的建设，作为能源枢纽及能源变革核心的新型电力系统，其与天然气系统、热力系统等不同能源系统在物理上耦合，也要求它们在数据资源上共享与共治，以电为核心的冷、热、电、气综合能源数据不断丰富和细化。

非能源数据包含产业结构等宏观政策数据、交通网规划数据、环境与气象数据等。新型电力系统的结构调整、负荷预测、规划调度等工作离不开非能源数据的支撑，而信息化水平的提高，也为新型电力系统数据源的拓展提供了条件，将促进能源领域与其他领域的共同发展。此类数据主要来源于地理信息系统（geographic information system，GIS）、电网气象信息系统、政府监管部门等。

此外，新型电力系统数据还可以依据时间维度分为历史数据、在线量测数据、仿真推演数据、预测数据，依据数据结构分为结构化数据、非结构化数据、半结构化数据^[6]。

1.2 新型电力系统数据特点

新型电力系统涉及企业和用户众多，且需要与其他能源系统和气象、经济等系统进行数据交互，是一个不间断运行的庞大的动态时变系统。总体来看，新型电力数据具有维度高、规模数量级大、种类繁多、时间尺度多、耦合性强、安全性要求高等特点，具体表现如下。

1）数据的维度高、体量大且增长速度快。新型电力系统中关注的数据属性增多，数据维度提高。时间上，数据采样频率逐渐提高，存储的历史数据量增长速度快^[7]、时间跨度大。空间上，新型电力系统节点分布广泛，测量单元配置增多，负荷终端、智能设备与集中控制系统构成了泛在的信息感知网络，信息网与电网深度融合，数据体量迅速增长。

2）数据的种类多，数据来源广泛、分布广泛，数据结构多样。新型电力系统中既包含连续-离散混合的电气量数据，又包含电力市场交易、碳市场交易、气象预报等数据，且会进一步向金融等相关领域扩张。新型电力系统中结构化数据、半结构化数据和非结构化数据并存，非结构化数据又包含文本、图像、音频、视频等多种形态，且非结构化数据的比例持续增长。3）数据的时间尺度多、实时性要求高、变化速度快。新型电力系统数据涉及电磁暂态、机电暂态、稳态等多时间尺度数据，最小时间尺度为微秒级。光伏、风电等新能源波动性强、变化周期短，由广域测量系统（wide area measurement system，WAMS）实时监测的其产生的动态数据变化速度快。

4）数据的耦合性强。一方面新型电力系统中电气量变化受基尔霍夫定律、微分方程等物理规律约束；另一方面通信技术发展促进电网与信息网深度耦合，电力电子设备的接入带来机电-电磁耦合，综合能源系统的建设造成电网与其他能源网络的耦合，新型电力系统数据之间的关联复杂度进一步提升。

5）数据安全性要求高。广泛互联下的新型电力系统在数据采集和传输的各环节都存在潜在风险，如感知层设备被物理/远程操控、网络层受到分布式拒绝服务攻击（distributed denial of service attack，DDoS）、平台层遭受数据访问权限篡改、应用层遭受漏洞攻击等^[8]。海量终端用户的开放性接入给新型电力系统在终端身份真实性认证、数据真实性辨别等技术上带来新的挑战，同时用户在数据隐私保护上的需求也使新型电力系统数据的安全性要求提高。

1.3 新型电力系统数据融合需求

整体来看，中国电力系统信息化程度越来越高，基本实现了数据信息的全覆盖、全采集。但长期以来，由于业务壁垒、标准差异、新能源及电力电子设备接入等原因，内部各系统数据异构，缺乏有效共享互通，新型电力系统数据的综合利用仍有很大发展空间。新型电力系统多源异构数据应用现存的主要挑战如下。

1）新型电力系统各业务部门之间存在数据异构、数据标准不一致、数据交互接口不规范等问题，导致信息共享难以实现。

2）新型电力系统数据规模和数据类型越来越庞大，但是有价值的数据密度却较低，系统内部存在较多冗余数据。

3）新型电力系统中半结构化数据和非结构化数据比例提高，对跨媒体的综合数据融合的要求大大提高。

4）新型电力系统中，分布式电源、电力电子设备、智能家居和电动汽车等新型用电设备的广泛接入使得网络结构愈发复杂，监测对象也愈发多样，物理实体与数据之间的准确配对难度提升。

5）新型电力系统中，对系统分析和管控的精确度有更高要求。传统数据源较为单一的分析方法在故障分析、状态感知、新能源出力预测、负荷预测和优化运行等方面存在局限性，因此需要发展新的基于多源数据融合的方法。

打通新型电力系统各业务壁垒，建立涵盖调度域、营销域、生产域、社会服务域等多领域的数据共享体系，提高多源异构数据融合技术在新型电力系统中的应用水平，对增强源网荷储各环节的高精确性、高容错性监测与控制，达到有效协同，实现新型电力系统全面可观可控有重要意义。

2.新型电力系统多源异构数据融合技术

2.1 新型电力系统数据模型

建立统一的数学模型，实现对电网信息的抽象描述，是新型电力系统所有运行和管理系统数据交互的基础。

国家电网有限公司基于数据共享交换，参考国际标准IEC 61970/61968/62325^[9]，整合原有业务系统数据模型，构建了面向对象建模的国网企业公共数据模型（State Grid-common information model，SG-CIM）。SG-CIM模型对电网、设备、市场、产品、客户、安全、资产等业务领域全覆盖，且仍在根据业务发展的需求不断更新，逐渐精细化，已成为电力物联网数据中台、业务中台进行数据共享和业务协同的重要保障。

新型电力系统下，新一代调控平台、电力交易平台^[10]等以SG-CIM为依据进行数据模型设计，基于公共语义标准构建涵盖全业务要素的物理模型，并从中抽象得到实体、实体属性、实体子类、实体关系等，再进一步演化得到数据仓库和数据集市的逻辑模型、概念模型，以实现异构系统间的信息交互。

由于新型电力系统业务需求更新快，电网设备资源种类增长快，而SG-CIM仍然处于持续优化完善的阶段，不同业务部门之间仍存在一些数据异构问题。有的学者提出了基于面向服务架构（service-oriented architecture，SOA）的电力大数据多源异构融合架构，将不同业务部门数据以统一标准和接口封装为服务，通过调用服务完成不同需求，实现多源异构数据的融合。采用可扩展标记语言（XML）作为多源数据交换的标准格式，以解决不同系统数据编码格式相异的问题。

面向新的业务需求，如新能源接入、智能电网拓扑图数据库存储等，对统一数学模型进行扩展和更新仍需深入研究^[11]，进一步解决信息孤岛问题，提升新型电力系统分析管控能力。

2.2 多源异构数据融合技术的3个层级

在实现新型电力系统多源数据统一建模的基础上，选择合适的数据融合技术进一步处理。数据融合方法众多，依据融合程度的不同通常分为数据级融合、特征级融合及决策级融合。融合的级别代表融合之前数据已经被处理的程度，对于一个给定的数据融合系统，其数据输入可能涉及所有3个级别的数据。

1）数据级数据融合。直接使用多源数据进行关联匹配，如图2所示，也称为像素级融合。融合的数据包括一维时间序列数据等。

图2 数据级融合示意

Fig.2 Schematic diagram of data-level fusion

2）特征级数据融合。单个数据源完成目标监测和特征提取，在此基础上，对特征进行关联融合，如图3所示，一般将各个数据源获得的特征矢量融合到一个综合特征矢量中。

图3 特征级融合示意

Fig.3 Schematic diagram of feature-level fusion

3）决策级数据融合。每个数据源先完成对目标的感知，然后经过融合进行完整的决策，如图4所示。对一个目标来说，在进行最终决策前，至少有2个数据源对其进行了监测和感知。

图4 决策级融合示意

Fig.4 Schematic diagram of decision-level fusion

数据级、特征级、决策级数据融合的优点和局限如表1所示。

表1 3种融合方法优点及局限

Table 1 Advantages and limitations of three fusion methods

2.3 多源异构数据融合关键技术

新型电力系统多源数据融合技术大致可分为估计理论、概率与统计、信息论、人工智能算法四大类^[12]。其中，估计理论中以加权平均法、最小二乘法、卡尔曼滤波算法、极大似然法、蒙特卡洛法为代表；概率与统计包含贝叶斯网络、主成分分析、聚类分析等方法；信息论包含熵理论、信息测度等方法；人工智能算法包含粗糙集理论、D-S证据理论、随机集理论、遗传算法、神经网络、支持向量机、深度学习、随机矩阵理论等方法。几种典型的应用于新型电力系统的数据融合技术及其优缺点归纳如表2所示。

表2 典型数据融合技术及特点

Table 2 Typical data fusion technologies and characteristics

人工智能技术在新型电力系统数据融合领域得到了广泛应用，是近几年的热门研究方向，以专家系统、模糊理论、人工神经网络、遗传算法以及D-S证据理论为代表，各融合技术的优点及局限如表3所示。

表3 人工智能数据融合技术及特点

Table 3 Artificial intelligence data fusion technology and characteristics

2.4 多源异构数据融合技术在新型电力系统中的应用

各种数据融合技术原理差异大，特点鲜明，因此有其分别适合的应用场景。

加权平均法和卡尔曼滤波算法均为数据级融合算法，常用于对多源同构数据（如电力设备监测参数）的融合，可以解决对同一个目标的监测数据的数据冲突或冗余问题。加权平均算法简单、实时，常用于从多个冲突值中甄别真值^[11]，而卡尔曼滤波算法则因为具有递推更新特性，更擅长动态环境中的冗余数据融合。

聚类算法适用于数据的预处理，进行数据级融合对原始数据分类，不需要事先对输入数据给出分类标准，即可以自动无监督学习，但输入数据维度较高时会导致运算复杂度大大提升。贝叶斯网络则可以解决含不确定性的数据融合问题，常用于特征级融合和决策级融合，但要求输入数据静态且需要满足概率分布。

人工智能算法主要运用于特征级融合和决策级融合，对输入数据的包容度高。专家系统和模糊理论都需要依靠经验知识建立知识库，在故障诊断领域应用较多，其中模糊理论更适合于处理不确定性问题。而相比于专家系统和模糊理论着重使用人类经验知识，人工神经网络等机器学习算法则更注重使用统计机制，不需要输入人类经验知识即可自动学习，常用于负荷预测、新能源出力预测等场景。遗传算法模拟生物遗传、自然选择和进化搜索最优解，适用于优化求解等场景。D-S证据理论是对贝叶斯推理方法的推广，可以解决不确定性问题，不同于贝叶斯估计需要知道先验概率，D-S证据理论可以在信息缺乏的情况下进行融合，具有直接表达不确定性的能力，一般用于故障诊断、状态评估等场景。

在新型电力系统实际场景应用中，应该综合考虑数据源质量、数据源类型、融合感知目标类型、融合目标精度、系统数据传输能力等方面确定数据融合层级及具体融合技术。

3.新型电力系统典型场景的数据融合技术展望

3.1 输配协同应用数据融合

随着工业化水平不断提高，电网规模不断扩大，分布式电源和储能广泛接入，电网运行方式日趋复杂，配电网的主动性不断增强，双向功率流动使得输配电网之间的联系和耦合程度愈发紧密，输配协同一体化应用已经成为近年来的研究热点。

输配协同的主要目标为，有效协调控制分布在输电网和配电网中的资源，保障输配电网整体的安全、经济、高效运行，涉及调度控制、安全评估等多方面应用的协调。

建立输配电网统一模型，打通输配网信息交互壁垒，是输配电网协同分析的技术基础。输电网自动化系统和配电网自动化系统只对其管辖的内部网络进行建模，对外部网络则采用理想化的等值建模^[13]，两者都是基于IEC 61970/61968标准建立的公共模型，但是同一个设备在不同系统中可能存在不同的命名方式，因此需要在输配电网之间对边界模型进行匹配。

在统一建模的基础上，多源异构数据融合技术在输配协同潮流计算、输配协同优化调度、输配协同规划、输配网状态估计、输配协同故障处置等方面得到了应用。其中，输配协同故障诊断及响应为数据融合技术在输配协同中的主要应用方向，相关输入数据、融合目标、常见技术等归纳如表4所示。

表4 输配协同故障处置数据需求及融合目标、方法

Table 4 Data requirements, fusion objectives and methods for collaborative fault handling of transmission and distribution networks

输配协同故障诊断一般涉及来自能量管理系统(energy management system，EMS)、配电网管理系统(distribution management system，DMS)、地理信息系统（GIS）、营销系统、95598系统等的多源数据。文献^[14]指出了专家系统诊断速度慢、知识库维护困难等瓶颈问题，基于解析模型和Petri网络，提出了一种融合电网运行数据、设备状态数据、环境监测数据的故障诊断技术，将故障诊断转化为了优化问题。针对故障后的响应决策，文献^[15]提出了一种基于数据挖掘的输配网一体化事故响应决策方法，融合电网拓扑结构、运行状态、负荷预测、气象等数据，通过随机森林算法建立了故障响应规则库，实现了在线决策匹配的事故后快速响应。

随着中国新型电力系统建设，电源结构、负荷特性发生改变，电网正从单向逐级输电为主的传统电力系统向交直流混联大电网演变。建立“电网一张图”，进行输配协同分析，已成为拓展电力平衡保障体系的关键问题。

同时，电网运行数据量呈几何级数增长，数据结构愈发复杂，传统关系型数据库显著不适应，出现多条路径查询难、数据库扩展难等问题，电网企业大数据处理能力不足的问题日益突出^[16]。

为适应新型电力系统大规模、复杂网络结构的高并发实时分析计算要求，亟须开拓新的数据库结构。图数据库是一种用“节点” 表示实体、“边” 表示关联关系，可以实现对海量复杂关联关系数据进行分布式存储和并行处理的数据库^[17]。而若把电网物理设备作为节点，线路和物理设备之间的连接关系作为边，则可看作为一个天然的图数据模型。

利用图计算技术，可以解决新型电力系统多源信息管理在数据融合、复杂关联分析等方面的性能问题^[18]，提升在线状态评估、潮流计算和预想故障分析等的计算效率，成为解决电网全局在线仿真分析和控制策略研究的新方案。

3.2 源-网-荷-储协同数据融合

新型电力系统中参与电量平衡和经济交易的主体增多，电源侧、电网侧和负荷侧的多样化可控资源为系统灵活调控提供了基础，也为源网荷储深度融合协同提出了挑战。

由于可再生能源出力具有波动性、间歇性和不确定性，在以集中电站形式接入电网或大规模分散形式接入电网2种情况下，均会对电网的运行安全性和经济性带来一定的不利影响，如造成电压波动、线路损耗提高等。同时，新型电力系统中用户灵活性提高，分布式储能技术发展，电源侧和负荷侧的双向互补能力提升，可控负荷及分布式储能成为新的促进清洁能源消纳的有力工具。

为促进源网荷储各环节的深度互动，传统仅考虑电源、输电网或配电网的规划方法不再适用，源网荷储多主体协同规划已成为新的发展方向[19]。源网荷储协同规划应充分考虑新能源的出力特点及不确定性、负荷特点及差异性以及分布式储能和可控负荷对可再生能源的消纳能力，融合源网荷储多侧数据，得出各类资源的优化配置方案。

源网荷储协同规划的目标以最大化经济效益为主，通过主成分分析、聚类算法^[20]等对新能源海量数据进行场景划分和聚类降维，所涉及的输入数据、融合目标及常用方法如表5所示。

表5 源网荷储协同规划的数据需求及融合目标、方法

Table 5 Data requirements, fusion objectives and methods for source-grid-load-storage collaborative planning

为促进新能源消纳，解决新能源出力随机性叠加负荷波动性为电网运行管控带来的挑战，提升新型电力系统运行效益，源网荷储协同优化运行技术在近年来得到了广泛研究。综合考虑各方经济效益、系统运行要求、碳排放要求，进行源网荷储协同优化，实现电网高效调控、源荷储灵活互补运行，涉及的输入数据、融合目标及常用方法^[21-23]如表6所示。

表6 源网荷储协同优化运行的数据需求及融合目标、方法

Table 6 Data requirements, fusion objectives and methods for source-grid-load-storage collaborative optimization

随着“双碳”目标的推进，以光伏、风电为代表的新能源在新型电力系统中比重不断提升，为改善其波动性对电网安全稳定运行的影响，源网荷储一体化协同发展及管理已成为大势所趋。

在现有电力中长期市场、现货市场、辅助服务市场的基础上，需进一步完善电力市场功能体系，为电源侧、负荷侧、储能侧等市场主体提供全面开放的交易途径，进一步对市场准入、交易时序、定价机制等进行研究，通过价格激发用户侧灵活调节潜力，引导分布式能源、可调负荷、新能源汽车、储能等多向互动、灵活调节，参与市场交易及承担调峰、调压等辅助服务。

源网荷储协同体系一般从系统运行安全性和经济性2方面评估，典型指标包含系统能源互补性、能源供应不足率、清洁能源消纳率等，而对于环境效益和社会效益的考虑相对较少^[24]。为实现“双碳”目标，未来在源网荷储协同规划及优化运行等方面，将加入更多对环境保护的考虑，典型指标为碳排放水平，因此仍需进一步研究源网荷储各类资源的碳排放表征机理，如光伏和风电等分布式发电设备碳水平评估、碳捕集燃煤电厂运行特性、电动汽车灵活调控对降低碳排放的贡献能力等。

新型电力系统中源网荷储数据量庞大，系统调控场景复杂多变，对数据聚合、筛选、融合效率提出了新的要求，传统数据融合技术和优化算法难以高效应对高维度、时变海量数据，人工智能技术将成为实现源网荷储协同管理的核心支撑技术^[25]。进一步将人工智能技术运用于源网荷储协同建模、推演、优化等各方面，将提高电力系统数据融合效率，提升源网荷储协同运行分析管控能力。

3.3 虚拟电厂数据融合

新型电力系统中新能源的渗透率不断提高，而新能源呈现总体数量多、空间分散广、单点容量小、特性差异大^[26]的特点，大大增加了电网的集中调控难度。虚拟电厂通过对分布式电源、储能、蓄热、工商业负荷等可调节资源进行聚合建模、调控优化，可以提高新型电力系统的灵活调控能力。

虚拟电厂涉及的数据涵盖分布式电源、用户、电力市场等多源信息^[27]，数据种类丰富、结构复杂，且存在于不同的企业系统、软件生态中，因此数据融合技术已成为支撑虚拟电厂高效运行的关键技术。

可调节资源的聚合建模，即基于物理模型形成海量资源对象的数字化表征，以实现分布式资源的动态接入与拓展^[28]，是虚拟电厂参与电网调控的基础。常用数据融合方法有加权平均法、聚类分析法^[29]，通过得到不同可调节资源运行特性的动态包络，建立类似传统发电厂的等值模型，涉及的输入数据和融合目标如表7所示。

表7 虚拟电厂聚合建模的数据需求及融合目标、方法

Table 7 Data requirements, fusion objectives and methods for virtual power plant aggregation modeling

在完成内部资源聚合建模的基础上，虚拟电厂将综合考虑电力系统运行要求以及电力市场规则等信息，参与电力系统运行调控、电力市场交易以及辅助服务交易，采用的数据融合技术以人工智能技术为主^[30]，如表8所示。

表8 虚拟电厂参与调控与交易的数据需求及融合目标、方法

Table 8 Data requirements, fusion objectives and methods for virtual power plants participating in regulation and trading

虚拟电厂作为内部分布式资源的聚合代理，参与多利益主体的电力市场交易，利用灵活性资源为系统安全稳定运行提供技术支撑的同时试图获取最大的收益。

随着新型电力系统的发展，可调控分布式资源不断增长，电力市场交易互动关系逐渐复杂，竞争愈发激烈。虚拟电厂面临着难以获取市场交易全局信息、难以取得运营代理信任等问题^[31]。电力市场信息的公开公正监管、虚拟电厂在商业模式下的多元主体信息共享、内部源荷储聚合商的个人报价隐私保护是促进虚拟电厂应用规模扩大的重点问题。

近年来，区块链技术因其具有数据难以篡改和去中心化的特点，在数字货币领域得到了快速发展，在虚拟电厂领域也得到了一定应用。随着电力市场改革不断推进，区块链技术有待在虚拟电厂中得到更深入的研究，通过加密存储机制、共识机制及智能合约机制^[32]，为虚拟电厂外部市场交易提供了安全可靠的环境，同时保障虚拟电厂内部交易环境公开透明且所有参与方的市场地位平等，打破数据壁垒，解决交易参与方之间的信任问题。

3.4 多元负荷数据融合

为提高能源系统运行灵活性，提高能源利用效率，减轻环境压力，综合能源系统建设已经成为能源转型过程中的重要部分。不同于传统电力系统与天然气系统、热力系统分开独立规划运行，新型电力系统与其他类型能源之间的耦合更加紧密^[33]。

综合能源系统的发展为新型电力系统的管理运行提供了丰富的数据，同时也对需求侧管理提出了更高的要求，精确、实时、智能、可靠的多元负荷建模分析及预测已成为新型电力系统能源交易、优化调度前关键的一环。

冷、热、电、气多元负荷具有较强的随机性和不确定性，易受天气、市场等因素的影响，进行新型电力系统需求侧管理时应充分考虑各类负荷之间的耦合关系以及外界条件对多元负荷的影响，把握各类负荷的波动规律，建立精确的多元负荷综合模型。

由于不同的能源系统通过能量转换设备以能量流方式相互耦合，如热电联产机组将天然气转化为电和热，电锅炉将电能转换为热能，燃气锅炉将天然气转换为热能，以及电转气技术将电能转化为天然气等，大量的能量转换耦合信息存在于新型电力系统数据中，且很难通过传统数学解析方法提取这些能量转换特征，因此多元负荷建模分析多采用人工智能技术进行感知建模^[34]，常见数据需求及融合方法如表9所示。

表9 多元负荷建模分析的数据需求及融合目标、方法

Table 9 Data requirements, fusion objectives and methods for multi-type loads modeling analysis

负荷预测分为传统方法和机器学习方法，其中传统方法以时间序列法、回归分析法为代表^[35]，但由于需要建立精确的数学模型，在面对耦合关系复杂的多元负荷时应用难度较大。机器学习方法以深度学习为代表，因不需要建立精确数学模型，且擅长处理非线性关系，可以通过多层映射，自动学习海量数据中蕴含的抽象特征，已成为近年来多元负荷预测领域的热门研究对象。多元负荷预测的数据需求及融合方法^[33,35-37]如表10所示。

表10 多元负荷预测的数据需求及融合目标、方法

Table 10 Data requirement, fusion objectives and methods for multi-type loads forecasting

多元负荷预测方法大致可分为2类^[38]：1）多元负荷单一预测，以一种负荷为预测对象，将其他类型负荷和影响因素作为特征变量进行单独预测，对多种负荷建立多个预测模型。该方法常用长短期记忆网络(long short term memory，LSTM)、径向基函数神经网络等机器学习方法，当输入数据维度较少时效果较好，但是参数调节难度和训练时间会随着影响因素维度增加而提高。2）多元负荷联合预测，以多种负荷为预测对象，将影响因素作为特征变量，同时对多元负荷进行预测。该方法常先使用机器学习等方法进行预测子任务，再通过多任务学习^[33,37]对多元负荷间的耦合信息进行学习得出综合预测，模型复杂度较低，预测实时性较好，精度较高。

由于需求侧多元可控负荷不断增加，传统的以“供随需动”为原则的电能供给模式正在逐渐转变为源荷双向互动模式。通过灵活管控需求侧多元负荷，可以实现短期功率调节、中长期能量平衡以及突发灾害下应急响应^[39]。多元负荷灵活调控对平抑分布式新能源出力波动、提升系统灵活性、改善系统运行的安全性和经济性有重要意义，其数据需求及融合方法如表11所示。

表11 多元负荷灵活调控的数据需求及融合目标、方法

Table 11 Data requirements, fusion objectives and methods for flexible regulation of multi-type loads

综合能源系统中电、气、热、冷多元负荷在监视量测与供需平衡管理上的时间要求不同，从秒级至小时级的多时间尺度的数据信息广泛存在于新型电力系统数据库中，对数据对齐、数据填补等技术提出了新的挑战。

一方面，因不同类型来源的量测数据在数据成分、数据精度、时标信息和采集频率等方面存在差异，在进行数据融合处理时需要首先选择基准数据源，一般为带有精确时标信息的数据源，然后将其余类型的数据与其进行数据对齐，以保证用于后续分析的数据在相同时间断面下。基准数据源的选取规则有待进一步研究完善；另一方面，针对采样频率低的数据在大量时间断面与采样频率高的数据无法对应的问题，需要通过合适的方法进行补全，以提高多元负荷数据的冗余度。常用方法为插值法，未来有望更多与人工智能技术相结合，通过大数据分析提取负荷特征，从而进行负荷预测与数据填补。

3.5 电碳市场交易数据融合

为实现“双碳”目标，推动绿色发展，碳市场已经成为控制温室气体排放的政策工具。2017年底全国碳排放交易体系完成总体设计并正式启动，2021 年7月，全国碳市场上线交易正式启动，截至2021 年底，全国碳市场碳排放配额（Chinese emission allowances，CEA）累计成交量达1.79亿t，成交额达76.84亿元^[40]。

电力在终端能源消费中占比最大，电力系统大数据具有覆盖广泛、实时性好、精准性好的优点，因此在碳排放核算中具有重要价值。国家发展改革委《全国碳排放权交易市场建设方案（电力行业）》^[41]明确指出，碳市场的建设将以发电行业为突破口，逐步扩大市场覆盖范围。

近年来，电网企业与政府积极开展了电碳指数、电碳生态地图等研究。电碳指数，即每耗电1 kW·h所对应的碳排放量，其数值的准确核算是引导用户有序用电、引导低碳电力多生产、促进清洁能源消纳、降低碳排放的基础。电碳指数核算需要融合电网、各类企业的多方数据，具体数据需求及融合目标、方法如表12所示。

表12 电碳指数核算的数据需求及融合目标、方法

Table 12 Data requirements, fusion objectives and methods for electric carbon index accounting

碳交易是指通过市场对碳排放权进行交易从而控制二氧化碳排放的交易机制^[42]。近年来，在电力市场交易或综合能源系统交易中引入碳交易，构建综合低碳经济调度模型已有相关文献研究，做法主要为在传统优化目标函数上增加碳交易成本和新能源及电转气碳减排激励成本^[43]，以达到兼顾环境保护和经济性，激励发电企业自主减排的目的。

电碳市场交易涉及数据种类众多，包含各电厂碳排放配额、碳排放量-出力曲线、碳排放权价格、机组及耦合元件信息、电网-天然气网-热网运行约束^[44]等信息，常采用启发式算法进行数据融合求解，如表13所示。

表13 电碳交易的数据需求及融合目标、方法

Table 13 Data requirements，fusion objectives and methods for electricity-carbon trading

碳计量与碳监测技术是电碳交易的基础支撑，由于电力行业的直接碳排放主要来自发电环节，从发电侧碳排放进行碳计量已经得到了较多的研究，技术较为成熟。

同时，虽然电能的传输和配用过程中不产生碳排放，但是由于电能不能大规模储存，电力系统需严格满足实时供需平衡，用户侧也应承担电力系统碳排放责任。为了推动电力系统低碳化改革，电力系统碳计量须进一步扩展至线路侧和负荷侧，实现电力系统全环节碳排放责任分摊^[45]。

未来，碳流分析将从电力系统内部出发，与潮流分析相结合，通过引入碳流率、节点碳势、节点碳排放强度等概念，将发电厂碳排放根据各节点负荷和各支路功率进行公平分摊，分析电力系统全环节碳排放分布规律，实现碳流准确追踪和定位，从而完善碳交易市场建设，促进电力低碳发展。

4.结语

随着新型电力系统的建设，各类新能源、新设备以及多元负荷大规模接入，各类市场主体广泛参与，大大提高了电力数据的规模和复杂度，既为新型电力系统数据融合提供了数据基础，也给新型电力系统数据集成和应用带来了挑战。

本文从新型电力系统数据特征出发，分析了新型电力系统的数据融合需求。对新型电力系统数据模型进行了介绍，对多源异构数据融合技术的层级划分及各类技术的优缺点进行了分析，指出在实际应用中应综合考虑数据源的类型和质量、融合目标的类型和精度要求、系统数据传输能力等选择融合方法。从输配协同、源网荷储协同、虚拟电厂、多元负荷、电碳市场交易5个典型场景分别归纳了不同场景数据融合时的输入数据及其来源、融合目标、常见方法及未来研究重点与难点。

新型电力系统数据融合技术仍有广阔的发展空间，未来需要继续深入研究的问题包括以下几点。

1）数据汇集方面，新型电力系统内部各业务部门之间、新型电力系统与其他能源系统之间如何建立统一数据标准，完善数据接口，实现互联共享，有待进一步研究。

2）数据融合技术方面，数据融合技术种类众多，如何选择最为高效、准确的融合方法有待研究，融合模型准确性评估方法有待研究。

3）数据融合方案方面，现有融合方案大多为对实际监测数据的融合，随着数字孪生等新型电力系统数字化技术的发展，虚实数据的融合有广泛的应用前景。

此外，本文主要对新型电力系统数据融合的具体算法技术进行了归纳，新型电力系统全域感知物联、高效信息通信、海量数据存储及管理也是新型电力系统数据融合的重要环节。

作者介绍

王臻（1998—），女，硕士研究生，从事配电网数据融合及治理技术研究，E-mail：evener@sjtu.edu.cn;

刘东（1968—），男，通信作者，博士，长聘教授，从事智能配电网、能源互联网、电网信息物理系统研究，E-mail：dongliu@sjtu.edu.cn.