图1 源网荷储泛在资源综合管理系统架构图
Fig.1 Architecture of integrated resource management system for generation, network, load and storage
摘要 从传统的“源随荷动”调度模式向“源网荷储多元协调调度控制”模式转变发展，基于此设计源网荷储资源综合管理平台系统。通过接入层、网络层、平台层、应用层四层系统结构构建整个系统，利用海量数据统一管理技术、多源数据统一融合技术、多源数据统一服务技术、资源全息感知与决策等阐述实现源网荷储的各应用场景支撑的关键技术，最终落地试点华东调控分中心通过源网荷储综合资源管理平台接入的各类调节资源，选择国庆期间华东地区新能源消纳形势最为严峻的安徽电网作为试验对象。通过源网荷储综合资源管理平台发布调峰需求，利用电动汽车公司、同里区域综合能源体等资源的可调能力，支援安徽区域的节假日午间新能源消纳，减少电网峰谷差，降低电网运行风险。
关键词：源网荷储 多元 资源综合管理平台 新能源消纳
当前电网调度基本采取“源随荷动、只调整集中式发电”的传统调度模式，负荷和储能未纳入调度范畴。随着新能源和直流的快速发展，储能等新技术不断涌现，电网特性日趋复杂，传统“源随荷动”的调度模式已难以为继，面临一系列问题。
文献[1]分析了我国新能源并网及消纳的基本情况，阐明了产生弃风、弃光问题的根源。以华东地区为例，分布式光伏“盲调”现象普遍，调管范围内分布式光伏信息采集率仅为54.7%，其中无线采集达45.9%，数据实时性、可靠性较差，且对分布式能源管控能力不足，主要表现在：①电网频率安全风险增大，超过1200万kW的分布式光伏接入低电压等级电网，频率耐受能力差，在直流故障、频率异常情况下会大规模无序脱网，进一步增大功率缺额，降低电网频率，引发联锁故障风险增大；②电力平衡与调峰压力不断增加，随着特高压工程投运，浙江、江苏、安徽等省受端电网特征明显，分布式光伏爆发式增长，与集中式光伏、风电、水电等易形成叠加效应，加剧了电网调峰困难；③无功平衡电压控制问题更加突出，国庆、春节等假日，电网负荷下降明显，无功大量过剩，在分布式光伏大发时，电网局部区域有功倒送严重，使系统电压进一步提升甚至越限，影响系统电压稳定性；④电能质量水平下降明显，分布式光伏并网过于集中时，易导致并网点或母线电压长期接近或超电压上限运行，造成设备绝缘下降或损坏，光伏变流器等电力电子元件大规模接入电网，易导致谐波、电压闪变、三相不平衡等电能质量超标[11]。
针对以上问题，亟需推动由传统的“源随荷动”调度模式向“源网荷储多元协调调度控制”模式转变，接入网源荷储各环节信息，通过市场化手段挖掘资源潜力，保障系统安全，实现新能源柔性消纳。文献[2]通过国网公司提出的调控云总体规划，通过建设模型数据平台、运行数据平台、实时数据平台、大数据平台四个平台的基础和文献[3]阐述了泛在电力物联网的技术架构、标准架构和应用架构的构想，可以实现电力系统各类设备信息的交互，实现电网安全经济运行、供需关系平衡、交易快速响应。本文提出了利用物联技术和调控云架构技术，建立源网荷储综合资源管理系统从而实现集中式新能源场站、分布式电源、储能、电动汽车等新型能源和用能设备信息接入，实现源、网、荷、储各环节运行态势全景感知。探索全局优化和协调控制等关键技术，提升分布式电源柔性消纳、发电与负荷精准控制、源网荷储多元协调和新能源场站精益控制能力，实现泛在调度控制，保障电网安全稳定运行，促进清洁能源消纳，提升调度精益化水平。
由于我国的新能源厂站数量远远大于常规火电等常规能源，新能源的大规模接入必然带来消纳和调度运行管理问题。以华东地区为例，该地区据统计有约40万个以上的配电台区、3 000余个新能源厂站、近百万户分布式光伏、3.3万个充电桩、1座综合能源体以及一百多座用户侧储能电站等海量繁杂的新能源各类信息及其静态台账、动态运行、统计分析信息。同时由于新能源信息的不确定性和波动性较大，对于新能源参与调度控制优化运行的难度也随之加大。对于各类海量新能源信息的精细化管理是保证新能源消纳、提高电网稳定运行的基础。
为解决上述难题，创新开展了“源网荷储多元协调调度控制”技术试点。源网荷储多元协调控制的“多元”信息向“信息采集广度和应用深度”两个方向扩展，将电力系统中的“源、网、荷、储”构建为独立的源网荷储资源综合管理平台。
首先将“多元”信息的采集扩展，“源”中除了传统火电、抽蓄、核电等常规电源信息接入，还增加了集中式、分布式风电、光伏、虚拟电厂等多种能源；“网”除了传统的输配电网、热能网的物理方式还增加了无线专网、光纤专网等新型物联网接入手段；“荷”中除了电网、居民用电负荷，还将电动汽车、负荷聚合商、智能楼宇、非工空调、工业大用户等多种负荷资源接入监控聚合；“储”是将电网侧储能、用户侧储能等多种类型仓储或储备的能源接入及监视聚合。除此以外还对外部环境如气象、山火、台风、密集通道、地理信息等各类泛在信息接入汇集，对电网整体全息感知起到辅助作用。
其次在信息采集的深度上突破传统调度的集约，进一步提升对电网整体全景的感知能力，通过汇集的静态、动态数据，采用互联网思维方式，运用大数据技术进行数据清洗，挖掘数据价值，分析各类数据从而深化扩展数据应用的深度，在传统调度数据的基础上结合接入的储能、电动汽车、综合能源体等资源特性和分析结果参与电网调频、调峰资源更好的促进清洁能源的消纳。进一步将“智能”电网扩展为源网荷储的“智能互动”的多元协调的调度控制系统。
在源网荷储多元协调资源管理平台中控制也是极其重要的，通过对各类新能源信息的监视与交互，优化新能源场站实时功率和变化趋势，预测风电、光伏发电功率。同时，针对全网负备用不足导致新能源消纳受限的问题，通过调控云技术手段基于网、省、地、县四级调度的发电计划、负荷预测、新能源发电预测和机组调节空间等数据，从日前、日内以及实时三个时间尺度对全网新能源消纳空间进行在线计算，对消纳空间不足的情况发出预警，根据新能源消纳缺口情况，在线发布电网调节需求，引导泛在可调资源主动参与能力申报和互动响应，促进新能源柔性消纳。
上述功能目前智能调度控制系统暂无法支持，同时调控云的相关平台相对独立，针对新能源的场景平台相对薄弱，需要根据新能源的信息接入特点加以改造配合。通过制定源网荷储泛在资源数据接入标准，结合云计算、大数据[4]、区块链等最新技术，建设源网荷储泛在资源综合管理云平台，打通不同调控机构间的信息壁垒，实现海量新能源和可调资源的汇聚和在线感知；在此基础上，开展各应用场景下调度新能源消纳能力评估和泛在资源互动响应关键技术的研究及试验，最终实现源网荷储多元协调的泛在调度控制。
源网荷储泛在资源综合管理系统架构如图1所示。源网荷储泛在资源综合管理系统技术架构分为接入层、网络层、平台层、应用层。
1）接入层通过物联技术，完成集中式新能源场站、分布式电源、储能、电动汽车、负荷聚合商、智能楼宇、非工空调、工业大用户、虚拟电厂等新型能源、用能设备等信息接入，实现源-网-荷-储各环节运行态势全景感知，通过边缘计算等技术实现业务的实时性和数据优化。
2）网络层通过局域网、安全接入网、资源高速同步网、无线专网、光纤专网等各类网络资源，提升各级之间的效率，满足源网荷储泛在资源各类应用场景的需求。
3）平台层通过数据平台接入标准将各类海量数据根据其来源、类型、结构化差异等特点打破由于差异导致的数据壁垒，建立统一平台标准，通过大数据和数据清理技术提高数据质量和实时共享性。利用平台标准化和开放性为上层应用提供统一服务。
图1 源网荷储泛在资源综合管理系统架构图
Fig.1 Architecture of integrated resource management system for generation, network, load and storage
4）应用层通过各应用的数据分层共享方式、高效的数据纵向流动、信息全感知来实现源网荷储互动的日内协调优化、计及调峰调频约束的源网荷储日内计划优化决策等功能，泛在可控资源协调控制按照分层分区分时的控制原则，完成电网各类可控资源的校正协调控制、自动发电控制AGC（Automatic Generation Control, AGC）、发用电执行效果评估及考核管理功能，增强调度运行工作的及时性、方便性和快捷性。
源网荷储资源综合管理系统体系架构的关键技术包括海量数据统一管理技术、多源数据统一融合技术、多源数据统一服务技术、资源全息感知与决策等。
源网荷储资源的数据来源各异，包含不同类型、时间和空间尺度的海量数据，同时兼具高速生成、时效性高和准确性不一致等显著特点，如何实现海量数据的统一接入分析及数据挖掘。首先制定源网荷储泛在资源数据接入模型标准。
文献[2,5]对调控云架构和面向调控云的电力调度通用数据结构进行阐述。本文在此基础上借鉴上述文献的研究方法及成果，结合电网调控云技术和新一代系统的发展，以《电力调度通用数据对象结构化设计》为基础，结合接入各类泛在资源在时间和空间多维度要求建设。
泛在资源建模如图2所示，在建模方式上总体分为三大类：①单体模型，主要针对单个新能源厂站、综合能源体、负荷聚合平台以及车联网等，得到单个对象的资源和调节能力，用于上层的资源聚合和综合展示；②聚合模型，是在单体模型的基础上按照线路、主变压器、厂站、台区、分区、行政区域以及全网为对象进行聚合建模，用于设备越限消除、备用控制和电力平衡等多方面的分析计算和决策控制，华东地区建模示例如图3所示；③其他外部环境如气象、山火、台风、密集通道、地理信息等各类泛在数据，用于全息感知辅助分析。通过单体模型和聚合模型相结合构成统一的整体，满足综合展示并分析决策各方面的需求。
图2 泛在资源建模
Fig.2 Ubiquitous resource modeling
图3 华东地区建模示例
Fig.3 East of China modeling example
参考元数据通用数据对象建模方式，设置唯一ID编码规则，按照实际需求和通用模型的共享规范实现各类模型标准、规范。以电动汽车聚合单元模型为例，具体见表1。
表1 电动汽车聚合单元模型
Tab.1 Electric vehicle aggregation unit model
序号属性名英文属性名数据类型 1聚合单元idIDVC(18) 2聚合单元名称NAMEVC(64) 3电动汽车聚合单元类型EVPOLYMER_TYPEint 4充电站数量EVCS_numINT 5充电桩数量EVCp_numINT 6额定功率CAPACITYN(16,4)
通过海量数据统一管理技术将如营销侧接入的分布式光伏信息、无线公网/专网等方式接入的低压侧分布式电源信息、互联网部数据中台的各类跨部门跨专业数据进行统一在线建模和实时抽取，实现了平台型、共享型的物联网平台。
泛在就是通过物联网将不同类型、不同空间的设备连接在一起，随之产生的大量数据需要存储、共享和管理。以机器学习、人工智能的发展和应用为泛在物联的数据处理提供了有力的技术支持。文献[6]阐述了采用流处理和批处理方式的随机矩阵相关算法，应用于配用点数据的采集、处理和应用。文献[7-10]针对监控系统运行数据、预测数据分析和处理的需求提出了“数据—模型—应用”的技术手段来实现数据的规范化接入和数据全过程处理，实现大数据应用分析和建模，由传统的驱动型向智能化的转变。文献[11]提出采用动态树形架构实现“资源调度分级管理、计算服务全局共享”的设计理念，讨论平台如何实现多级调度协调管理和计算资源优化分配。为了有效地跟踪源-网-荷-储各环节运行态势全景感知，对各环节的实测数据、预测数据、外部环境数据等多维度多源时空的基础数据进行全方位、高效的融合。由此提出了适应泛在系统的多源数据统一融合技术。该技术将汇集的各类基础数据进行实时统一融合处理，进行数据异常清洗及校正、时间空间的自适应修补，让智能全景态势感知分析更加精准。
泛在多源数据统一融合流程如图4所示，主要包括三个关键技术点：①将不同空间下的信息进行匹配、联合和过滤，使不同维度的量测信息可以同步到统一基准时间下，完成异构空间信息数据的不同步问题；②数据智能清洗技术，该技术利用大数据及人工智能手段完成信息数据的智能清洗过滤，根据一定规则校正异常数据，提高基础数据的可靠性；③多源空间数据的统一分布式存储及实时抽取技术，根据不同场景要求和算法分析提供全面精确的统一数据格式，提供不同场景下智能电网感知应用分析的准确性和高效性。
图4 泛在多源数据统一融合流程
Fig.4 Flow chart of ubiquitous multi-source data integration
源网荷储资源综合管理平台通过前面两个关键技术汇集了各类不同维度的数据资源，对内为电网运行、市场交易、调度管理、计划检修提供基础数据与技术支撑，对外为其他类企业和电力用户提供电力交易所需电网运行信息，服务政府部门宏观调控等工作。
传统的数据服务一般采用断面数据访问方式或文件方式提供准实时数据服务，不论是在电力系统内部还是对外提供数据都存在较高的门槛，阻碍了泛在的发展并且成为泛在广泛应用的一个阻碍点。通过多源数据统一服务技术，采用广域服务代理的广域服务总线实现对远程服务的发现、定位和访问，采用消息总线作为信息传输通道实现数据传输，使用规范的数据结构定义数据流模型，其接口参数主要包括接收数据域、数据结构的标识及待发送数据等信息。发送消息服务生成数据包后进行传输；接收消息服务接收到数据包后，根据数据流定义进行数据投递[12]。泛在多源数据统一服务流程如图5所示。此服务屏蔽了多维度数据存储位置，实现了各类数据的统一访问。这一技术体现了服务化为系统开放性带来更强的优势，实现按需服务实时共享的目标。
图5 泛在多源数据统一服务流程
Fig.5 Flow chart of ubiquitous multi-source data integration
电力系统的发电、输电、配电、用电、储能等各环节的状态信息和监控系统运行信息被实时感知，同时控制系统如AGC、自动电压控制（Automatic Voltage Control, AVC）、区域控制偏差（Area Control Error, ACE）等控制状态的实时感知，此外还包括气象、山火、密集输电走廊等与电网直接或间接相关的环境信息感知。利用大数据及人工智能的方法，采用仿真分析和事件驱动的模式[13-15]，对电网运行的实际情况及故障反演其发展过程，形成故障前以经济优化为目标的控制方式，故障中以电网安全性为目标的控制方式，故障后以电网运行恢复为目标的控制方式，保证电网在真实运行场景下安全稳定经济运行。例如基于台风预测数据，结合地理GIS图展示台风名称、风圈大小及强度、预测路径以及可能影响的设备，并以动画形式展示台风的演变过程，通过台风路径、台风等级、台风半径等预报信息，同时结合杆塔地理位置及设计参数，自动智能识别N-1、N-2、N-3故障集的发生时间和发生概率，将台风识别出来的预想故障集纳入电网静态安全分析中，评估未来时段台风对电网可能造成的影响，并给出影响程度的预警信息，根据判定结果，按照常规数据挖掘轨迹模式（关联、聚类、分类、预测）方法形成基于网、省、地、县四级调度的发电计划、负荷预测、新能源发电预测和机组调节空间等数据。从而实现对大电网组态模拟的精准化广域协同控制，提升大电网安全经济综合运行水平和抵御风险能力。
依据本文研究内容，在华东电力调控分中心建设了全国首套完整的源网荷储多元协调控制系统并进行了资源响应示范应用。通过构建江苏同里综合能源体、电动汽车公司、电网侧储能在线监测及协调控制系统弹性负荷控制实现华东地区的源网荷储多元协调优化控制。
1）建立全国首套“源网荷储”综合资源管理平台，通过统一规范的平台系统实现了海量新能源包括江苏同里综合能源体、电动汽车公司、用户侧储能、虚拟电厂、分布式集中式风电光伏的接入、聚合及展示。综合资源管理平台利用本文阐述的海量数据统一管理技术、多源数据统一融合技术、统一服务技术和资源全息感知与决策技术，实现了“多元”数据融合统一处理、多层级数据服务访问等功能模块。完成了华东地区45.8万个配电台区分布式光伏、3 300余个新能源厂站、136万户分布式光伏、3.3万个充电桩、1座综合能源体等新型能源信息的接入、监视及可视化展示。
2）在此基础上，开展新能源消纳能力评估和源网荷储资源互动响应试点应用。如2019年华东区域安徽电网新能源（风电203万kW、光伏901万kW）出力占用电负荷最大比例达到46%，受调峰能力和网架结构影响，安徽电网及其内部淮宿分区（风电31万kW、光伏128万kW）在负荷较低的节假日期间新能源消纳面临较大压力，所以考虑充分调动四级（网-省-地-县）调度调节资源，深挖地、县调非统调电源、省调常规电源、皖电东送机组的调峰能力，进一步提升安徽新能源消纳空间。试点通过源网荷储综合资源管理平台发布调峰需求，利用电动汽车公司、同里区域综合能源体等资源的可调能力，支援安徽区域的午间新能源消纳，减少电网峰谷差，降低电网运行风险。
华东调控分中心选择在国庆期间华东地区新能源消纳形势最为严峻的安徽电网作为试验对象，根据新能源消纳形势，该试验在周、日前和日内实时调节三个时间层面开展，整体试验逻辑如图6所示。
整体试验过程分为三步：
1）在周计划层面，国庆前编制周电能平衡计划时，华东分部调控分中心在安徽省内初步计划平衡的基础上，汇集安徽省调、宿州地调、砀山县调多级调度调节资源，将安徽电网的新能源消纳平衡缺口降低了60万kW。
2）在日前层面，9月30日针对安徽电网10月1～3日午间新能源大发时段分别存在75万kW、40万kW、40万kW负备用缺口，华东分部启动华东区域日前调峰辅助服务市场，利用市场手段基本解决了安徽负备用缺口。
3）对于预计剩余的10月1日午间的5万kW左右新能源消纳缺口，安徽省调通过华东电网源网荷储资源综合管理平台发布了10月1日11:30～12:30时5万kW泛在资源响应调节需求。通过该平台上的优化控制模块进行在线闭环自动匹配，将接入控制的江苏同里能源体日前响应匹配成功发电下调能力0.4 MW，国网浙江电动汽车日前响应匹配成功的充电负荷上调能力为0.2MW。在日内10月1日当天，由于安徽地区实际气温较预测偏高近3℃，当日午间实际负荷较预测偏高，安徽新能源消纳压力有所缓解。华东分部调控分中心通过模拟安徽电网调峰负备用需求，在线匹配江苏同里能源体和浙江余杭电动汽车充电站实时上下可调节能力变化情况，进行互动响应，经匹配确认实际利用江苏同里智慧能源体储能VRV（variable refrigerant volume）空调、可调路灯等资源的灵活调节能力协助安徽电网调峰。
图6 源网荷储资源响应试验逻辑图
Fig.6 Logic diagram of source network load storage resource response test
通过华东分部调控分中心、安徽省调、宿州地调、砀山县调四级调度共同协同，实现安徽电网新能源的安全可靠消纳。该试验既验证了华东分部四级调度协同新能源消纳机制建设及管理流程有效的，也表明将电网系统各处未被有效利用的“多元”调节资源参与电网互动响应, 发挥协同价值在技术路线上是可行的。
本文论述了传统的“源随荷动”调度模式向“源网荷储多元协调调度控制”模式转变发展方向，基于此设计源网荷储多元协调控制系统。首先介绍了该系统的总体四层架构，其次阐述了实现源网荷储的各应用场景支撑的四个关键技术，最终落地在华东分部调控分中心进行试验实现了“源-网-荷-储”互动。
目前华东电网在源网荷储多元协调调度控制方面只是进行了初步尝试与探索，未来随着更多负荷聚合商、综合能源体、用户侧储能以及柔性非工空调等可调资源的接入，预计华东将拥有超过300万kW柔性调节资源参与电网协调控制，华东的源网荷储多元协调控制系统设计理念超前、技术架构先进，具有代表性和典型性，充分展示了电网搭建资源配置平台服务能源转型的关键作用。
参考文献
[1] 舒印彪, 张智刚, 郭剑波, 等. 新能源消纳关键因素分析及解决措施研究[J]. 中国电机工程学报, 2017, 37(1): 1-9.
Shu Yinbiao, Zhang Zhigang, Guo Jianbo, et al. Study on key factors and solution of renewable energy accommodation[J]. Proceedings of the CSEE, 2017, 37(1): 1-9.
[2] 许洪强. 调控云架构及应用展望[J]. 电网技术, 2017, 41(10): 3104-3111.
Xu Hongqiang. Architecture of dispatching and control cloud and its application prospect[J]. Power System Technology, 2017, 41(10): 3104-3111.
[3] 杨东升, 王道浩, 周博文, 等. 泛在电力物联网的关键技术与应用前景[J]. 发电技术, 2019, 40(2): 107-114. Yang Dongsheng, Wang Daohao, Zhou Bowen, et al. Technologies and application prospects of ubiquitous power internet of things[J]. Power Generation Technology. 2019, 40(2): 107-114.
[4] 赵云山, 刘焕焕. 大数据技术在电力行业的应用研究[J]. 电信科学, 2014, 30(1): 57-62.
Zhao Yunshan, Liu Huanhuan. Research on application of big data technique in electricity power industry[J]. Telecommunications Science, 2014, 30(1): 57-62.
[5] 许洪强. 面向调控云的电力调度通用数据对象结构化设计及应用[J]. 电网技术, 2018, 42(7): 2248-2254.
Xu Hongqiang. Structured design and application of power dispatching universal data object for dispatching and control cloud[J]. Power System Technology 2018, 42(7): 2248-2254.
[6] 郝然, 艾芊, 肖斐. 基于多元大数据平台的用电行为分析构架研究[J]. 电力自动化设备, 2017, 37(8): 20-27.
Hao Ran, Ai Qian, Xiao Fei. Architecture based on multivariate big data platform for analyzing electricity consumption behavior[J]. Electric Power Automation Equipment, 2017, 37(8): 20-27.
[7] 冷喜武, 陈国平, 白静洁, 等. 智能电网监控运行大数据分析系统总体设计[J]. 电力系统自动化, 2018, 42(12): 160-166.
Leng Xiwu, Chen Guoping, Bai Jingjie, et al. Design of smart grid monitoring operation big data analysis system[J]. Automation of Electric Power Systems, 2018, 42(12): 160-166.
[8] 冷喜武, 陈国平, 蒋宇, 等. 智能电网监控运行大数据分析系统的数据规范和数据处理[J]. 电力系统自动化, 2018, 42(20): 169-176.
Leng Xiwu, Chen Guoping, Jiang Yu, et al. Data specification and processing in big-data analysis system for monitoring and operation of smart grid[J]. Automation of Electric Power Systems, 2018, 42(19): 169-176.
[9] 冷喜武, 陈国平, 蒋宇, 等. 智能电网监控运行大数据应用模型构建方法[J]. 电力系统自动化, 2018, 42(12): 115-122.
Leng Xiwu, Chen Guoping, Jiang Yu, et al. Model construction method of big data application for monitoring and control of smart grid[J]. Automation of Electric Power Systems, 2018, 42(20): 115-122.
[10] 赖昌伟, 黎静华, 陈博, 等. 光伏发电出力预测技术研究综述[J]. 电工技术学报, 2019, 34(6): 1201-1217.
Lai Changwei, Li Jinghua, Chen Bo, et al. Review of photovoltaic power output prediction technology[J]. Transactions of China Electrotechnical Society, 2019, 34(6): 1201-1217.
[11] 方勇杰, 王胜明. 适应多级调度安全稳定分析资源共享的分布式计算管理平台[J]. 电力系统自动化, 2016, 40(23): 1-8.
Fang Yongjie, Wang Shengming. Distributed computing management platform for sharing resource of multi-level dispatch security and stability analysis[J]. Automation of Electric Power Systems, 2016, 40(23): 1-8.
[12] 杨佩, 蔡皓, 裘洪彬. 面向能源互联网的大数据关键技术研究[J]. 电力信息与通信技术, 2016, 14(4): 9-12.
Yang Pei, Cai Hao, Qiu Hongbin. Research on key technologies of big data for energy internet[J]. Electric Power Information and Communication Technology, 2016, 14(4): 9-12.
[13] 王德文, 宋亚奇, 朱永利. 基于云计算的智能电网信息平台[J]. 电力系统自动化, 2010, 34(22): 7-12.
Wang Dewen, Song Yaqi, Zhu Yongli. Information platform of smart grid based on cloud computing[J]. Automation of Electric Power Systems, 2010, 34(22): 7-12.
[14] 彭小圣, 邓迪元, 程时杰, 等. 面向智能电网应用的电力大数据关键技术[J]. 中国电机工程学报, 2015, 35(3): 503-511.
Peng Xiaosheng, Deng Diyuan, Cheng Shijie, et al. Key technologies of electric power big data and its application prospects in smart grid[J]. Proceedings of the CSEE, 2015, 35(3): 503-511.
[15] 李建林, 郭斌琪, 牛萌, 等. 风光储系统储能容量优化配置策略[J]. 电工技术学报, 2018, 33(6): 1189-1196.
Li Jianlin, Guo Binqi, Niu Meng, et al. Optimal configuration strategy of energy storage capacity in wind/PV/storage hybrid system[J]. Transactions of China Electrotechnical Society, 2018, 33(6): 1189-1196.
Research and Application of Multi-Energy Coordinated Control of Generation，Network，Load and Storage
Abstract In view of the development direction from the traditional "source following load" scheduling mode to the "Generation Network Load Storage multiple coordination ubiquitous scheduling control" mode, this paper designs the source network load storage multiple coordination control system. Through the access layer, network layer, platform layer, application layer four layer system structure to build the entire system, using huge amounts of data unified management technology, multi-source data fusion technology, multi-source data unified service technology, resource holographic perception and decision making in this paper, the source of net charge to store each application scenarios to support key technologies, eventually fall to the ground pilot east China control sub-center through source network integrated resource management platform access storage of all kinds of adjusting resources, selection during the National Day in east China new energy given the most severe situation in anhui power grid as an experiment object. Through the comprehensive resource management platform of charge storage and storage in the source network, it releases peak demand for adjusting, and makes use of the adjustable capacity of electric vehicle companies, Tongli regional comprehensive energy body and other resources to support the consumption of new energy in the noon of holidays in Anhui, so as to reduce the peak and valley difference of the power grid and reduce the operation risk of the power grid.
keywords：Generation network load storage, multiple, comprehensive management of ubiquitous resources, new energy consumption
DOI:10.19595/j.cnki.1000-6753.tces.200188
中图分类号：TM732
孙 惠 女，1984年生，硕士，高级工程师，研究方向为电力系统自动化。E-mail：sunhui2@sgepri.sgcc.com.cn（通信作者）
翟海保 男，1978年生，硕士，高级工程师，研究方向为电力系统自动化。E-mail：zhai-bb@ec.sgcc.com.cn
收稿日期 2020-02-26
改稿日期 2020-10-23
（编辑 赫蕾）