2021, Vol. 45
文章编号: 1000-3673(2021)06-2051-13 中图分类号: TM721 文献标识码: A 学科代码: 470·40
, , 
, , , , ,
2. Puget Sound Energy, Bellevue WA 98004;
3. 国网四川省电力公司，四川省 成都市 610041
 刘广一(1963)，男，教授级高级工程师，研究方向为电力图计算、能量管理系统、主动配电网、电力大数据分析，E-mail： liu.guangyi@envisiondigital.com; |
路轶(1977)，男，通信作者，硕士，高级工程师，研究方向为电力系统和调度自动化，E-mail： luyi_1230@126.com;
杨小磊(1985)，男，硕士，高级工程师，研究方向为电力系统自动化;
汤亚宸(1988)，男，博士，工程师，研究方向为配电系统、智能电网、数据建模、图像处理、机器学习等。
, , , , , , ,
2. Puget Sound Energy, WA 98004, Bellevue, USA;
3. State Grid Sichuan Electric Power Company, Chengdu 610041, Sichuan Province, China
能源互联网是以可再生能源为优先，以电力能源为基础，多种能源协同、供给与消费互动、集中式与分布式共存，大众广泛参与的新型生态化能源系统[ 1]。“能源供给、转化和消费”、“信息共享支持”、“调度控制”及“市场环境”构成了能源互联网的技术框架[ 2]，其中“能源供给、转化和消费”是能源互联网中的能源流，为实现对整个能源供应链的协调优化控制，需要对能源互联网中源、网、储、荷数以亿计的各个环节、各个要素、各个主体进行联合建模，建立以“电网一张图”为核心的“能源一张图”[ 3]。“信息共享支持”负责管理整个技术框架的信息流。高速、可靠和安全的海量数据管理技术是实现能源互联网技术框架下大量数据采集、传输、分配再到优化计算的基础条件，其实现需要充分利用互联网领域、数据库领域、大数据分析领域的最新研究成果[ 4- 5]。在信息技术支撑下，为了保证整个能源互联网的安全优化运行，需要设置必要的运营管理机构，对能源进行集中分布协同的“调度控制”管理，需要研发计算速度快、覆盖范围广的超高速能量管理系统(energy management system，EMS)[ 6- 7]。“市场环境”包括能源供给侧市场和能源需求侧市场，负责维护能源互联网的资金流，电力现货市场负责衔接能源的供给侧和需求侧市场，其成熟程度直接影响能源互联网的成败[ 8- 9]。
1 图数据库的基本概念图数据库是用“节点”表示实体、“边”表示实体之间的关联关系，可实现对复杂关联关系海量数据分布式存储和并行处理的数据库。图数据库利用了节点之间物理上相互“指向”的特点，能够对相邻节点提供“无索引”的关联操作，在基于图数据结构的应用方面具有极大的技术优势，作为专门处理“海量数据”的数据库，特别适合于管理、分析与处理大量对象之间存在相互依赖关系的应用问题。近年来，图数据库在社交网络、Web数据超链接、生物基因图谱、智慧交通等领域获得了广泛应用与飞速发展，谷歌、微软、IBM、脸书、eBay这5家科技巨头无一例外都采用了图数据库技术[ 10]。
大家比较熟悉的关系数据库，并没有明确的关系概念，实际上称为表格数据库更为贴切。使用关系数据库表示实体之间的关系时，需要将另一个实体的唯一标识作为主键、外键存储到表中的某一列，与其他实体进行关联，因而在递归查询和多表关联查询方面效率极其低下；当要处理多对多关系时，需要引入中间表来存储两个实体ID之间的关系，在查询时，需要多个关联表进行Join连接，查询速度随关联数的增加急剧下降，关联越多，下降越大。与之相反，图数据库由于可以灵活存储实体之间的复杂关联关系，已经成为表示实体之间关系的利器。在建模时，用“边”直接表达实体记录之间的关联关系，查询时，利用“边”所表达的关系，可以直接获取实体记录，消除了关系数据库处理“表关联”所必须花费的计算开销。
图 1以IEEE5母线系统潮流计算问题为例，阐述关系数据库与图数据库之间的本质区别。两个数据库的输入数据完全相同，都是4个表格数据，分别用来描述发电机、负荷、线路和变压器数据。当把4个表格数据加载到关系数据库中时，把线路表和变压器表合成为支路与母线关系表，发电机和负荷表分别形成发电机和负荷与母线关系表，这里的母线表就是用来描述多表之间关联关系的中间表。当进行潮流计算时，需要首先将这些表从关系数据库中取出来，形成导纳矩阵，在此基础上，形成雅可比矩阵，进而进行迭代，直至潮流计算收敛。当把这4张表装载到图数据库中时，形成的是一张由5个节点、7条边组成的图，实际上，这张图就是一个与导纳矩阵完全对应的导纳图，在进行潮流计算时，不再需要进行从4个表格数据到导纳矩阵(图)的处理工作，对于大型电网潮流计算而言，这部分计算量的节省也非常重要。
|
图 1 关系数据库与图数据库之间的本质区别 Fig. 1 Essential difference between a relational database and a graph database |
图数据库从关注数据之间的关联关系入手，提供了一种独特的视角，可以从多种不同角度对其专有数据进行审视，甚至可以将其与外部数据资源进行连接，并进一步揭示其中蕴含的潜在关系。总结起来，图数据库具有下面4个优点：1）数据建模简单自然，在图数据库中，可以定义任意类型的节点来表示实体，并定义不同的边类型来表示特定的关系。2）数据库模式灵活扩展，图数据库中Schemas可以灵活修改，可以动态加减节点、边和属性，动态扩展或缩减数据类型。图数据库支持对大型图数据的实时更新，同时支持关联查询。3）支持复杂关联关系存储查询，利用图数据库特有的面向节点的索引数据结构，可以不需要为特定的查询加载不相关的冗余数据，因而查询性能与数据规模无关，支持实时大数据分析查询。4）实时深度链接分析，支持高达10层以上的实体深度关联分析，并根据多维标准实时计算介数中心性和子图相似性，有效提升图分析的沟通力和直觉力。
图数据库善于解决的问题有：1）提速。利用图数据库的节点并行机制提升计算性能。2）推理。在图数据库中同时存储数据和知识建立知识图谱，帮助回答人们以自然语言交流方式提出的数据知识查询问题。3）共享。将企业中多个业务信息管理系统中的数据关联起来，形成企业统一数据视图，帮助企业实现数据融合与共享，实现管理机制创新。4）挖掘。利用语义网络将所有不同来源的原始数据有机连接起来，进行深度挖掘，发现企业内不同业务部门数据与数据之间以及不同部门使用数据中被忽视或难以察觉的联系。5）关联。图数据库可以与外部资源关联，寻找内外部数据之间的关联关系，这一点已经成为企业建立数据中台迫切需要解决的问题[ 11]。6）全局。将一个企业、一个领域、甚至一个行业的数据全部关联起来，提供全局分析能力。
2 电力图计算平台由于现代图数据库来自于谷歌公司于2010年提出的分布式、面向节点并行的并行计算框架Pregal[ 12]，与关系数据库只支持简单的统计计算相比，图数据库提供了节点并行计算函数，也就是说，图数据库提供了图计算的基本能力。
图计算中的“图”是针对“图论”而言的，是一种以“图论”为基础的对现实世界的一种“图”结构的抽象表达，以及在这种数据结构上的计算模式。图计算技术解决了传统计算模式下关联查询效率低、成本高的问题，并且具有丰富、高效和敏捷的数据分析能力，其关键特征有3点：1）基于图抽象的数据模型。2）图数据模型并行抽象。3）图模型系统优化[ 13]。
图计算分为节点并行和分层并行两类。 图 2是两种并行计算机制的示意图。
|
图 2 图并行计算示意图 Fig. 2 Graph parallel algorithm structure |
目前的图数据库大多提供PageRank类型的图节点并行计算函数。其核心技术有：1）基于超步(super step)的批量同步(bulk synchronous parallel，BSP)。2）信息传递(message passing)。其计算过程为：1）本地计算。利用计算逻辑的独立计算过程。2）消息通信。在本地计算完成后，每个计算节点通过消息传递交换各自的数据信息。3）路障同步。保证每个计算单元在下一超步开始前，确保当前超步中每个单元的计算全部完成，实现块间同步。图节点并行计算在电力系统网络分析计算中应用非常广泛，例如雅可比矩阵生成、支路潮流计算、母线注入功率计算、母线电压幅值相角修正等等，与串行算法相比，节点并行计算速度提升至少5倍以上。
矩阵是电网分析计算的重要手段，图与矩阵之间存在一一对应的关系，如 图 3所示，非对称矩阵与有向图对应，对称矩阵与无向图对应，三角阵与单边有向图对应。电网分析计算中常用的线性方程组LU分解算法，可以融合图节点并行和图分层并行来实现。 图 4给出了图LU分解算法的示意图。
|
图 3 图与矩阵之间的关系 Fig. 3 Graph and matrix |
|
图 4 图LU分解示意图 Fig. 4 Schematic diagram of graph LU factorization |
在基于关系(层次)数据库的计算模式中，一个完整的计算分析软件一般包括3个步骤：1）从数据库中读入数据。2）进行核心计算。3）将计算结果写回数据库，以便进行可视化展示。实际上，第一步数据读入和第三步结果写回都要占用很多时间，实际算例表明，这两部分时间占总时间的60%以上。基于图数据库支持图计算的特点，利用图数据库查询语言研发电网分析计算软件，使计算更接近数据，几乎可以消除将数据读入和结果写回所需的时间，再充分利用节点并行和分层并行机制，使得电网分析计算软件的性能大幅度提升[ 14]。
对于电网数据管理而言，由于电网结构与图数据模型天然一致，而且图计算速度极快，易于与地理信息系统相联，因而，基于图数据库的人机界面，展示方式更加灵活、更加生动、更加直观，更能反映电网运行状态的变化。特别地，基于图数据模型研发的厂站图、馈线图自动绘制功能，已经初步解决以往工作量巨大、费时费力的厂站图馈线图绘制问题，加之人工智能技术的进一步应用，这一功能将会变得越来越强大。 图 5给出了研发的电力图计算平台的组成和技术架构[ 3]。基于该平台研发了超高速EMS系统、“电网一张图”信息融合共享系统、电力设备质量管理知识图谱、电力现货市场模拟仿真系统和综合能源服务技术支持系统等应用将在如下章节中详细介绍。
|
图 5 电力图计算平台 Fig. 5 Graph computing platform for electric power computation |
能源互联网的快速发展，对作为其核心组成部分的智能电网管理控制系统处理电网的规模和计算速度提出了新的要求。从处理规模上讲，由于众多分布式发电、储能、电动汽车、需求侧响应等可控资源大多连接到低压配电网中，因而与传统省级电网控制中只处理220kV以上电网相比，能源互联网中电网控制中心的处理范围，需要覆盖含有分布式可控资源的10kV以上电网，处理规模扩大了3~4倍。由于可再生能源发电的大规模接入，以及电力电子装置的大量使用，对电网实时分析计算的性能和计算周期提出了更高的要求。与传统电网1~5min计算周期相比，能源互联网电网实时网络分析软件的计算周期需要大幅度缩短到秒级，从而为后续优化决策提供足够的分析时间。
未来电网调度控制系统的应用功能，呈现出全、快、准的特征。所谓全局性，要求模型全、数据全、功能全，因而计算规模更大；所谓快速性，要求获取快、计算快、响应快，因而，对软件的计算速度提出了更高要求；所谓准确性，要求信息准、决策准、控制准，因而对计算精度提出了更高需求。这3个特征都要求计算性能的大幅度提升，电力系统分析的计算量通常以电网节点数的平方比例增长，随着系统规模的不断增大，现代大电网分析的计算量将成百上千倍地增长，只有采取各种有效措施，成指数倍地提高计算速度，各项应用功能才有可能在大电网一体化分析决策中发挥作用[ 15]。
为此，需要从数据管理、应用实现方式、并行计算机制、计算结果重用和人机界面设计5个方面进行了创新。1）在数据管理方面，利用图数据库，实现对节点–开关图和母线–支路图(导纳图)的直接存储、查询和分析，获得了比用关系数据库存储电网元件模型更加优异的数据管理效率[ 16]；2）提出基于图数据库查询的应用实现方式，将分析计算程序无缝嵌套到图数据库查询语言，实现以数据为中心的计算模式，这种计算模式使算法贴近数据，基本消除数据读入、结果写回时间，极大减少数据交换的时间开销，提升数据存取效率[ 17- 18]；3）在网络分析软件实现过程中，融合节点并行和分层并行机制，实现了并行计算性能极大化，大幅度提升了并行计算能力[ 19]；4）提出基于时空演化图的网络分析软件实现方法，将网络拓扑分析、状态估计模拟为时间演化图问题，将预想故障分析模拟为空间演化图问题，充分利用了连续计算过程中的中间计算结果，大幅度提升了计算性能[ 20]；5）提出了由前端、后端和数据库构成的三层软件架构，支持交互式查询的新型人机界面设计方法，研发支持系统图、厂站图、馈线图的层次化可视化展示技术[ 21]。
图 6是基于电力图计算平台研发的超高速EMS系统的结构图与数据流图。静态节点–开关图源数据来自CIM/E，依据完整性、一致性以及高效性等准则，研发了基于CIM/E关系数据生成节点–开关图的电网数据模型设计方法，研发了数据模型装载工具[ 22]。动态量测数据，包括实时遥测和遥信数据来自目前电网控制中心的SCADA系统，通过数据接口按照一定的时间周期传送到图数据库中。
|
图 6 超高速EMS系统结构 Fig. 6 Ultra fast EMS system structure |
在超高速EMS系统中，融合节点并行和分层并行机制，基于图数据库查询语言实现了实时拓扑分析、状态估计、在线潮流和预想故障分析等应用软件功能。
实时拓扑分析用于将节点–开关图根据来自SCADA系统的实时开关状态转换为母线–支路图。其分析过程是一个典型的连通分量遍历过程，非常适合于图节点并行计算技术求解[ 23]，这篇论文2019年被评为IEEE PES最佳论文。
作为EMS系统中的核心功能，状态估计计算复杂，其计算性能直接决定整个EMS系统的性能，其中信息矩阵形成和右端项计算是其中计算量最大的两个部分，传统算法基本上是串行的，为了提升状态估计的性能，必须用并行计算技术对其进行改进。文献[ 24]在证明信息矩阵、右端项可分解性的基础上，提出了雅可比矩阵、信息矩阵对角线项、一阶相邻节点项、二阶相邻节点项的计算方法，研发了融合节点并行和分层并行技术的状态估计软件，计算性能大幅度提升。
潮流计算是电力系统分析中的基础计算，其计算技术的任何一点改进都会促进电力系统分析技术的进步。融合图节点并行和分层并行，文献[ 25- 27]提出了一系列基于图计算求解电力系统潮流计算的算法。
预想故障分析由快速扫描和详细潮流计算两部分构成。针对N–1预想故障，首先利用快速扫描算法区分出无害故障和有害故障，有害故障包括网络分裂故障。文献[ 28]基于母线–支路模型，提出了利用图宽度优先遍历逻辑进行网络分裂故障检测的快速算法，进而基于空间演化图的理念，提出了基于叠加法的N–1快速扫描算法。文献[ 29]提出了基于图共轭梯度法的快速N–1预想故障分析算法。对于详细潮流分析，文献[ 30]利用实际电网数据分析了N–1故障下，不同母线优化排序策略对新增注入元数量的影响，据此提出了详细潮流计算过程中重用符号分解结果，以加快详细潮流计算速度的策略。
基于电力图计算平台研发的超高速EMS系统，自2018年10月以来已经在某省级电网投入试运行。对于220kV以上主网2600母线系统，状态估计计算时间小于200ms，在线潮流计算计算时间小于40ms，100个预想故障详细潮流计算时间小于1200ms；覆盖从10kV母线到500kV母线的输配网8500母线系统，状态估计计算时间小于500ms，在线潮流计算时间小于90ms，100个预想故障计算时间小于2200ms。可以看到，两个系统的状态估计、在线潮流和100个预想故障详细潮流计算时间之和均小于4s，实现了在SCADA采样周期内完成实时电网安全分析的目标，为电网安全控制打下了良好基础。与目前商用EMS系统相比，状态估计、在线潮流、和预想故障分析的计算速度提升了15倍以上[ 17- 18, 20, 24]。
4 “发输变配电网一张图”应用系统在目前的调度自动化系统中，220kV及以上的输电网拓扑结构由省调、网调和国调的能量管理系统负责维护与自动更新。35~110kV的高压配电网拓扑结构由分布在地市调度中心的配电管理系统负责维护与自动更新。10kV的低压配电网拓扑结构由分布在县区调的配电自动化系统和生产管理系统负责维护与自动更新。380/220V的用电网拓扑结构由营销系统负责维护与更新。可见，电网拓扑结构信息分布在多个信息系统中，难以集成和共享。近年来，国家电网有限公司充分认识到了“电网一张图”的重要性，文献[ 31]提出了国家电网调控云总体规划，力图将分布在地调、省调、网调和国调自动化系统中的电网拓扑结构数据集中到调控云中，在调控云上建立35kV及以上的电网统一拓扑结构模型。
随着分布式可再生能源发电在低压配电网中的大规模接入，主网和配网之间的互动日益频繁，主配网协同数据资源管理与分析计算已经成为必然选择。与此同时，主配网统一拓扑结构模型也为用户业扩报装、分布式电源接入和设备影响范围分析提供了数据基础。
目前基于关系数据库实现的主配网拓扑模型存在查询速度慢、计算时间长、可视化手段单一等问题，制约了应用功能的发挥和扩展。为此，文献[ 32]利用图数据库，研发了“发输变配电网一张图”时空数据管理系统，给出了覆盖一次能源、主网结构、配电网结构、用户管理、电力市场、和设备管理的图数据库模式定义，并设计了时空数据多主体互动式可视化人机界面，为如 图 7所示的“发输变配电网一张图”应用系统中更多功能的集成奠定了基础。到目前为止，已经或正在研发了6大类18项应用，其中包括：1）时空数据集成管理、厂站典型拓扑结构分析、低压配网拓扑结构辨识[ 33]构成的数据资源管理；2）由基于地理信息的电网数据巡航、厂站图/馈线图自动生成组成[ 21]的电网数据展示；3）包括主配网状态估计、主配网协同优化和同期网损分析等功能的主配网协同计算；4）由重点VIP用户管理、供电路径生成和可开放容量计算构成的用户业扩报装；5）由分布式可再生能源发电容量管理、发电路径生成和接入容纳能力评价组成的分布式电源管理与接入能力评价；6）由关键设备管理、设备影响范围分析和停电通知到户等构成的关键设备影响范围计算等应用功能。
|
图 7 “发输变配电网一张图”应用系统 Fig. 7 Technical architecture of "one graph of power grid" |
这一“发输变配电网一张图”系统已经在某省公司投入运行，其中含有由500kV变电站到10kV配变的发电厂近3000座，变电站近4000座，交流线路近5500条，配网站房、断路器、隔离开关、接地刀闸、配电变压器、配网母线、分布式电源、小水电等12类设备约350万个。这一系统通过电力设备拓扑关联，实现了全电压等级电网上下贯通；通过电力设备运行状态时间关联，实现了电网运行状态在线连续监控分析；通过电力设备空间地理属性关联，实现了地理运行环境关联关系分析。
5 电力设备质量管理知识图谱电力设备是电力公司的核心资产，是保证电网安全稳定经济运行的物质基础。为此，电力公司为电力设备管理相关的各个业务部门配备了信息管理系统，从电力设备的不同侧面实现了设备采购、调度运行、检修维护等全方位的管理，积累了海量丰富的数据信息，有效支撑了物资、调度、运检等业务的顺利开展。电力设备质量管理不仅涉及到大量来自不同信息系统的结构化数据，还涉及到设备运行、检修、物资管理等方面的标准、规程、规定等半结构化知识，以及故障、缺陷、质量监督等以图片、图像、文档保存的半结构化和非结构化数据。
因而电力设备质量综合管理问题是一个数据知识融合问题，其共享融合策略如 图 8所示。长期以来，大数据融合关注点在于集成多源数据提供统一访问，始终围绕“大”来定义，缺乏知识理解，数据结构松散，没有揭示数据背后的深层含义。实际上，大数据中包含专业的知识和规律，大数据融合需要数据集成与知识理解相互启发进行，而非单项串行，而且知识理解应该更注重揭示数据背后的深层意义，尽可能地形成机理，发现数据之间存在的显性或隐性关联关系。
|
图 8 数据知识双轮驱动融合示意图 Fig. 8 Schematic diagram of data knowledge two-wheel drive fusion |
为此，美国研究院开始了电力设备质量管理知识图谱的研究，力图将设备台账、运行状态监测、质量监督、拓扑连接关系以及生产商制造、物流、主要零部件等信息与设备管理规程、标准、规定等知识以及设备故障、缺陷事件等记录，采用数据知识融合技术进行关联融合，为实现电力设备的全生命周期管理提供技术基础。其技术架构如 图 9所示。
|
图 9 电力设备质量管理知识图谱技术架构 Fig. 9 Technical framework of knowledge graph of power equipment quality management |
文献[ 34]基于图数据库，将电力设备的技术参数、供应链信息与企业信息高效融合，实现了设备生产、物流、库存等供应链信息的快速查询、以技术参数为依据的电力产品精准推荐以及电力设备的全供应链质量追溯功能。文献[ 35]提出了集成多源设备相关数据的图数据库模式构建方法，以及高效图搜索算法。文献[ 36]比较了RDF和图数据库两种方式对电力设备管理在数据存储和查询性能上的差异，提出了基于图数据库的电力设备管理数据存储和查询实现技术。文献[ 37]提出了基于本体的电力设备供应链模型构建与知识抽取方法。文献[ 38]根据图数据库的数据存储机制和遍历机理，结合电力设备质量评价需求，采用自顶向下方式设计了领域知识图谱模型，实现了多源异构数据在图数据库中的高效存储，通过研究知识图谱中基于统计和规则两种知识推理算法，设计了设备、厂家、变电站/线路、电力公司、质量事件等多重关联关系的高效分析查询方法，实现了疑似家族性缺陷分析、设备批次故障/缺陷时间分布等分析，利用数据间的关联关系设计了多主体分类分层、人机互动可视化界面。目前设计的电力设备管理知识图谱汇集了某省级电网从500kV到10kV配变的所有发、输、变、配各个环节设备台账、供应商、管理机构、地理坐标、拓扑关联关系等数据信息近500万条，故障缺陷信息2万余条，设备管理标准、过程近20部。图谱中节点数达到近1000万，边数2200万，万级节点系统信息查询时间小于1s，已经开发了电网资源一张图管理、电力设备台账管理、生产商库存物流管理、设备故障原因追溯、设备故障缺陷管理、故障缺陷时序分析、设备家族性缺陷分析、设备供应商评价等应用功能，正在开发故障发生过程仿真、设备故障预测、变压器负载能力评估及设备差异化运维等应用功能。
6 综合能源服务技术支持系统电力企业正在大力推进综合能源服务，坚持以电为核心、多能互济，传统配电网正在逐步成为必须为大量可控资源提供综合能源服务的主动配电网，迫切需要研发主动配电网综合能源服务技术支持系统。以主动配电网为核心的综合能源服务涉及的可控资源数量大、规模小、接入在电网的低压母线上，更重要的是它们的所有者众多，利益关系复杂。为此，必须采用可以管理海量数据资源的新型图数据库替代传统的关系数据库，基于“配电网一张图”的理念，充分利用配电网的天然网络特性，将多个配电网业务部门信息系统中的数据进行融合构建“配电网一张图”时空数据平台，研发海量数据可视化展示技术；在应用组织上，必须采用可以充分利用配电网辐射状运行特性的快速并行计算技术，以及使分析计算与数据处理紧密结合的新型图计算模式，大幅度提升配电网分析计算应用的计算性能；在对分布式光伏发电的管理上，变被动响应为主动服务，充分利用配电公司丰富的分布式光伏发电群数据资源和对气象资源的规模应用能力，在系统层面上为单体分布式光伏发电提供集中式日前/小时前发电预测；在对可控资源的管理方式上，改变对单一可控资源所有者的传统集中管理模式，变计划管理机制为市场服务机制，引入虚拟电厂的理念，以提高对可控制资源的控制能力和对用户的服务水平；在配电网设备管理方面，依据国网公司泛在电力物联网的建设要求，研发基于知识图谱的电网设备跨系统全生命周期管理技术，将设备管理向设备生产商延伸，构建电网设备智能供应链，全面提升我国的设备制造水平。
基于上述理念， 图 10给出了综合能源服务技术支持系统的技术架构和应用功能，主要功能包括数据分析、负荷与发电预测、综合能源网络分析、客户精准营销、配网资产管理、以及虚拟电厂优化管理等6大类18项功能[ 14]。
|
图 10 综合能源服务技术支持系统技术架构 Fig. 10 Technical architecture of integrated energy service technical support system |
在数据分析方面，文献[ 5]从数据集成平台、智能电网统一数据模型、多源数据在线分析、数据分析算法库、用户画像、机器学习算法等角度分析了智能配用电数据分析关键技术，提出了在电网运行、社会服务和用户服务等方面的典型应用。文献[ 39]提出了智能电表数据的分层K均值算法，改进了大规模智能电表数据的分析效率。在负荷与发电预测方面，文献[ 40]提出了基于卷积图神经网络算法的概率型时空光辐射预测方法，文献[ 41]提出了基于图机器学习的集群光伏短期预测方法。在配电网分析计算方面，文献[ 42- 43]提出了基于图计算的配电网潮流计算与可视化方法。文献[ 44]在图计算平台上提出了基于并行PSO算法的配电网无功电压优化方法。在精准营销方面，文献[ 45]提出了基于用户用电形状的精准营销方法。在配电网综合规划方面，文献[ 46]基于图计算提出了考虑电网资产价值的快速充电站位置规划方法，并被评为2019年IEEE交通电气化会议最佳论文。文献[ 47]提出了综合考虑交通和电网需求的电动汽车快速充电站位置规划方法。在虚拟电厂优化管理方面，文献[ 48]在图计算平台上，建立了以运营利润最大化为目标的竞价决策模型，通过虚拟电厂机制实现风电、光伏等分布式电源、储能设备、电动汽车与负荷之间的协调耦合运行，这篇论文被评为2020年IEEEPES年会最佳论文。
7 电力现货市场模拟仿真系统市场机制是实现能源互联网多源协同优化运营的必要条件，电力现货市场正在快速推进。为了降低市场方案选择及运营的风险，在电力市场正式启动之前，非常有必要建立电力现货市场仿真平台，开展模拟仿真实验，研究验证各种市场方案和规则的合理性及分析可能出现的风险。在市场试运行以后，运用实际电力市场数据进行研究分析，对电力市场运营进行安全校核，对交易机制提出修改意见，同时也为各个电力市场运营人员的培训提供有效技术支撑。电力现货市场模拟涉及数据类型多、模型复杂、计算量大，传统的数据管理手段和计算模式难以满足在数据规模、信息交互性和计算实时性方面的需求。图数据库和电力图计算作为高效解决多源、复杂、强关联的物理和信息网络的存储、计算、分析和管理的重要技术手段，可以实现电力市场交易运营模拟、市场成员决策行为和电网运行模拟，支持电力市场培训仿真、安全校核、市场出清、交易监控等实时互动分析。
基于图计算的电力现货市场仿真平台总体架构如 图 11所示，主要由电力市场运营模拟控制/电力市场运行监视器、电力市场运营模拟器、电力系统运行模拟器和电力市场参与者行为模拟器组成。
|
图 11 电力现货市场仿真平台总体架构 Fig. 11 Overall architecture of electric power spot market simulation platform |
电力市场运营模拟器是电力市场仿真系统的核心。如 图 12所示，基于图数据库和电力图计算的电力市场运营模拟器的建设内容主要包括5个部分：1）电力市场图建模。构建融合电力市场数据与电网拓扑关系的图模型；2）图安全约束机组组合。建立电能与辅助服务联合优化安全约束机组组合；3）图安全约束经济调度。大规模安全约束经济调度、快速市场出清优化及边际定价制定；4）系统安全校核。基于图潮流的并行安全校核；5）可视化人机界面。多种手段展示电力市场的市场出清、边际电价以及发电成本分析结果。文献[ 49]提出了基于图计算平台的安全约束机组组合的计算方法，充分利用了图潮流计算[ 25- 26]、图安全分析[ 28]的计算速度，以及图计算平台提供的并行计算性能，从而使得电力现货市场运营模拟器的性能大幅度提升。
|
图 12 基于图计算的电力市场运营模拟器 Fig. 12 Electric power market operation simulator based on graph computing |
其中的电力系统运行模拟器可以利用超高速EMS系统进行模拟，电力市场参与者行为模拟器可以利用综合能源服务技术支持系统中的功能来实现。文献[ 50]将虚拟电厂作为市场竞价参与者，构建了虚拟电厂参与日前电力市场和辅助服务市场的优化竞价模型，利用图计算平台设计了一个考虑多虚拟电厂联合竞价的日前电力市场模拟仿真平台，模拟基于当前报价下的日前边际电价和日发电计划，从而辅助各个虚拟电厂调整竞价策略，实现运营利润最大化。
8 “能源互联网一张图”信息融合共享系统作为能源互联网的核心，为了实现智能电网“可观测”和“可控制”的目标，在智能电网的发、输、变、配、用和运行管理各个环节安装和配置了众多的数据采集与信息管理系统。这些装置和系统为智能电网，乃至能源互联网提供了丰富的大数据资源，但是也出现了长期困扰人们的信息系统竖井严重、数据不共享等难题[ 51]。为此，智能电网统一数据模型的研究应运而生，但是由于还是基于传统的关系数据库，集成效果受到限制[ 52]。
目前企业信息系统中出现的信息竖井问题出现的原因在于：长期以来，企业信息系统一直采用“以应用为中心”的方式进行建设，这种建设方式把应用与数据模型紧密捆绑，而且一个数据模型仅为单一应用系统服务，因而一定会导致数据孤岛和代码混乱。如 图 13所示，企业信息系统的建设方式正在从传统的“以应用为中心”向“以数据为中心”转变，这种新的信息系统建设模式的核心是：数据是企业的关键资产，在一个企业中，在整个业务流程中涉及的关键概念和关系只有几百个，企业信息系统中上百万个数据对象只是那几百个关键概念的衍生和变形，这些轻微的变形实际上还是相同的东西，只是名称、结构或标签不同而已[ 53]。
|
图 13 企业信息系统“以应用为中心”向“以数据为中心”的转变 Fig. 13 Transformation of enterprise information system from "application-centric" to "data-centric" |
在“以数据为中心”的企业信息系统建设模式中，首先将来自不同信息系统的数据以数据湖、数据仓库、或数据中台的方式收集在一起，然后利用图模型对数据之间存在的显性或者隐形关联关系进行建模，以电网物理设备和管理机构为节点，物理设备之间的关联关系为边，形成描述整个电网企业及其设备的“能源互联网一张图”信息关联索引图，为数据中台中的丰富数据提供关联索引，从而发现数据中隐含的规律，助力挖掘数据价值。
智能电网，乃至能源互联网天然就是一个图网络，其中数以亿计的元件之间的能量流、数据流和资金流实际上都可以用图来表达， 图 14给出了“能源互联网一张图”时空信息融合共享系统的技术架构，其特点包括：1）将数据生成层、数据管理层和数据应用层相对分离；2）支持数据生成层的不断扩充、数据管理层的不断扩展和数据应用层的不断扩大；3）可以实现数据和知识的同意表达；4）支持低成本定制化应用和开放性应用的研发。文献[ 3]提出了支持能源互联网建设的“能源互联网一张图”时空信息管理系统的技术框架，分析了其在提高电网安全运行水平、提升客户服务水平、增强清洁能源消纳水平、改善经营绩效水平以及为综合能源服务和建设能源生态等提供数据服务方面的广阔应用场景。文献[ 54]提出了基于云雾边协同理念的“电网一张图”维护与自动更新策略，文献[ 36]提出的电力设备供应链的本体建模与知识抽取技术，和文献[ 37]提出的基于图数据库的电力设备管理本体存储与查询机制，可以用于“能源互联网一张图”信息融合共享系统的具体实现。
|
图 14 “能源互联网一张图”信息融合共享系统技术架构 Fig. 14 "One graph of energy internet" information fusion sharing system technical architecture |
电力公司正在大力建设的能源互联网从数据规模、模型复杂性、计算性能等方面对信息管理系统提出了更高要求，迫切需要利用互联网领域的最新研究成果研发能源互联网运营管理系统。本文在介绍图数据库的基本概念和特点基础上，重点介绍了原创的电力图计算平台技术，以及在此基础上研发的超高速EMS系统、“发输变配电网一张图”管理系统、电力设备质量管理知识图谱、综合能源服务技术支持系统、电力现货市场模拟仿真系统、“能源互联网一张图”信息融合共享系统的技术架构与主要功能。具有数据模型简单自然、数据库模式可以灵活扩展、支持复杂关联关系存储查询、实时深度链接分析的图数据库，以及在此基础上研发的融合并行计算、优化计算、智能计算、关联计算于一体的电力图计算平台的应用刚刚开始，随着能源互联网建设的深入发展，其在提升电网安全运行水平、客户服务水平、可再生能源消纳水平，改善电力企业经营绩效、综合能源利用效率、和能源生态建设深度等方面的应用场景将越来越广阔。
除了上述研究领域外，我们正在探索电力图计算平台在电力系统暂态分析、动态分析、人工智能等方面的应用，并且已经取得了一系列初步研究成果。图数据库作为一种可以高效描述复杂关联关系的新型数据库技术，还需要与关系数据库、文本数据库、键值数据库等数据管理技术深度融合，从而发挥各种数据库的特长，助力电力公司能源互联网建设的顺利发展。
| [1] |
周孝信, 曾嵘, 高峰, 等. 能源互联网的发展现状与展望[J]. 中国科学: 信息科学, 2017, 47(2): 149-170. ZHOU Xiaoxin, ZENG Rong, GAO Feng, et al. Development status and prospects of the energy internet[J]. Scientia Sinica Informationis, 2017, 47(2): 149-170 (in Chinese). (  0) |
| [2] |
周海明, 刘广一, 刘超群. 能源互联网技术框架研究[J]. 中国电力, 2014, 47(11): 140-144. ZHOU Haiming, LIU Guangyi, LIU Chaoqun. Study on the energy internet technology framework[J]. Electric Power, 2014, 47(11): 140-144 (in Chinese). ( 0) |
| [3] |
刘广一, 王继业, 李洋, 等. "电网一张图"时空信息管理系统[J]. 电力信息与通信技术, 2020, 18(1): 7-17. LIU Guangyi, WANG Jiye, LI Yang, et al. "One graph of power grid" spatio-temporal information management system[J]. Electric Power ICT, 2020, 18(1): 7-17 (in Chinese). ( 0) |
| [4] |
刘广一, 史迪, 朱文东, 等. 云雾协同优化控制和软件定义应用技术[J]. 电力信息与通信技术, 2016, 14(3): 89-95. LIU Guangyi, SHI Di, ZHU Wendong, et al. Cloud-fog coordination optimization and control and software defined application technology[J]. Electric Power Information and Communication Technology, 2016, 14(3): 89-95 (in Chinese). ( 0) |
| [5] |
刘广一, 周建其. 融合多源数据的智能配用电多时间尺度数据分析技术[J]. 供用电, 2018, 35(3): 10-16. LIU Guangyi, ZHOU Jianqi. Multi-time scale data analysis technology for smart distribution and utilization system with multi-source data integration[J]. Distribution & Utilization, 2018, 35(3): 10-16 (in Chinese). ( 0) |
| [6] |
许洪强, 孙世明, 葛朝强, 等. 电网调控实时数据平台体系架构及关键技术研究与应用[J]. 电力系统自动化, 2019, 43(22): 157-164. XU Hongqiang, SUN Shiming, GE Zhaoqiang, et al. Research and application of architecture and key technologies for power grid real-time dispatching and control data platform[J]. Automation of Electric Power Systems, 2019, 43(22): 157-164 (in Chinese). DOI:10.7500/AEPS20190730004 ( 0) |
| [7] |
LIU Guangyi, YUAN Chen, CHEN Xi, et al. A high-performance energy management system based on evolving graph[J]. IEEE Transactions on Circuits and Systems Ⅱ: Express Briefs, 2020, 67(2): 350-354. DOI:10.1109/TCSII.2019.2910488 ( 0) |
| [8] |
刘广一, 陈乃仕, 蒲天骄, 等. 电能调频和运行备用同时优化的数学模型与结算价格分析[J]. 电力系统自动化, 2014, 38(13): 71-78. LIU Guangyi, CHEN Naishi, PU Tianjiao, et al. Mathematical model and clearing price analysis of co-optimization of energy regulation and operating reserves[J]. Automation of Electric Power Systems, 2014, 38(13): 71-78 (in Chinese). DOI:10.7500/AEPS20131011017 ( 0) |
| [9] |
卢永, 甘德强, 刘广一, 等. 燃料市场对采用不同能源和技术的发电集团博弈策略影响[J]. 电力系统自动化, 2016, 40(15): 25-31. LU Yong, GAN Deqiang, LIU Guangyi, et al. Impact of fuel market on strategy behaviors of generation groups with different energies and technologies[J]. Automation of Electric Power Systems, 2016, 40(15): 25-31 (in Chinese). DOI:10.7500/AEPS20150706001 ( 0) |
| [10] |
NOY N, GAO Yuqing, JAIN A, et al. Industry-scale knowledge graphs: lessons and challenges: five diverse technology companies show how it's done[J]. Queue, 2019, 17(2): 48-75. DOI:10.1145/3329781.3332266 ( 0) |
| [11] |
孙鑫. Gartner对于建设数据中台的建议[EB/OL]. 2020(2020-06-02). http://www.techweb.com.cn/cloud/2020-06-02/2792489.shtml.
( 0) |
| [12] |
MALEWICZ G, AUSTERN MATTHEW, BIK A J C, et al.Pregel: a system for large-scale graph processing[C]//SIGMOD'10.Indianapolis: ACM, 2010.
( 0) |
| [13] |
清华大学人工智能研究院, 北京智源人工智能研究院, 清华–工程院知识智能联合研究中心. 人工智能之知识图谱[R]. 北京: 清华大学, 2019. Institute for Artificial Intelligence, Tsinghua University, Beijing Academy of Artificial Intelligence, K & I.Research report of knowledge graph[R].Beijing: Tsinghua University, 2019(in Chinese). ( 0) |
| [14] |
刘广一, 何明, 周建其, 等. 基于图计算的主动配电网综合能源服务技术支持系统[J]. 供用电, 2019, 36(11): 3-11, 54. LIU Guangyi, HE Ming, ZHOU Jianqi, et al. Active distribution network integrated energy service technical support system based on graph computing platform[J]. Distribution & Utilization, 2019, 36(11): 3-11, 54 (in Chinese). ( 0) |
| [15] |
许洪强, 姚建国, 南贵林, 等. 未来电网调度控制系统应用功能的新特征[J]. 电力系统自动化, 2018, 42(1): 1-7. XU Hongqiang, YAO Jianguo, NAN Guilin, et al. New features of application function for future dispatching and control systems[J]. Automation of Electric Power Systems, 2018, 42(1): 1-7 (in Chinese). ( 0) |
| [16] |
LIU Guangyi, LIU Kewen, SHI Di, et al.Graph computation and its applications in smart grid[C]//2017 IEEE International Congress on Big Data.Honolulu: IEEE, 2017.
( 0) |
| [17] |
刘广一, 戴仁昶, 路轶, 等. 基于图计算的能量管理系统实时网络分析应用研发[J]. 电工技术学报, 2020, 35(11): 2339-2348. LIU Guangyi, DAI Renchang, LU Yi, et al. Graph computing based power network analysis applications[J]. Transactions of China Electrotechnical Society, 2020, 35(11): 2339-2348 (in Chinese). ( 0) |
| [18] |
DAI Renchang, LIU Guangyi, WANG Zhiwei, et al. A novel graph-based energy management system[J]. IEEE Transactions on Smart Grid, 2020, 11(3): 1845-1853. DOI:10.1109/TSG.2019.2943815 ( 0) |
| [19] |
SHI Junjie, LIU Guangyi, DAI Renchang, et al.Graph based power flow calculation for energy management system[C]//2018 IEEE Power & Energy Society General Meeting (PESGM).Portland: IEEE, 2018.
( 0) |
| [20] |
LIU Guangyi, CHEN Xi, WANG Zhiwei, et al.Evolving graph based power system EMS real time analysis framework[C]//2018 IEEE International Symposium on Circuits and Systems (ISCAS).Florence: IEEE, 2018.
( 0) |
| [21] |
HONG Jing, LI Yue, XU Yiran, et al.Substation one-line diagram automatic generation and visualization[C]//2019 IEEE Innovative Smart Grid Technologies-Asia (ISGT Asia).Chengdu: IEEE, 2019.
( 0) |
| [22] |
黄华, 戴江鹏, 王毅, 等. 基于图数据库的电网CIM/E模型构建及网络拓扑[J]. 电力系统自动化, 2019, 43(22): 122-129. HUANG Hua, DAI Jiangpeng, WANG Yi, et al. Graph database based construction and network topology of CIM/E for power grid[J]. Automation of Electric Power Systems, 2019, 43(22): 122-129 (in Chinese). DOI:10.7500/AEPS20190424001 ( 0) |
| [23] |
DAI Jiangpeng, YAO Ziyan, ZHANG Guofang, et al.Graph computing-based real-time network topology analysis for power system[C]//2019 IEEE Power & Energy Society General Meeting (PESGM).Atlanta: IEEE, 2019.
( 0) |
| [24] |
YUAN Chen, ZHOU Yuqi, LIU Guangyi, et al. Graph computing-based WLS fast decoupled state estimation[J]. IEEE Transactions on Smart Grid, 2020, 11(3): 2440-2451. DOI:10.1109/TSG.2019.2955695 ( 0) |
| [25] |
YUAN Chen, LU Yi, FENG Wei, et al.Graph computing based distributed fast decoupled power flow analysis[C]//2019 IEEE Power & Energy Society General Meeting (PESGM).Atlanta: IEEE, 2019.
( 0) |
| [26] |
FENG Wei, WU Jingjin, YUAN Chen, et al.A graph computation based sequential power flow calculation for large-scale AC/DC systems[C]//2019 IEEE Power & Energy Society General Meeting (PESGM).Atlanta: IEEE, 2019.
( 0) |
| [27] |
YUAN Chen, LU Yi, LIU Kewen, et al.Exploration of bi-level PageRank algorithm for power flow analysis using graph database[C]//2018 IEEE International Congress on Big Data (BigData Congress).San Francisco: IEEE, 2018.
( 0) |
| [28] |
ZHAO Yiting, YUAN Chen, LI Sun, et al.Graph computing based fast screening in contingency analysis[C]//2019 IEEE Innovative Smart Grid Technologies-Asia (ISGT Asia).Chengdu: IEEE, 2019.
( 0) |
| [29] |
ZHAO Yiting, YUAN Chen, LIU Guangyi, et al.Graph-based preconditioning conjugate gradient algorithm for "N-1" contingency analysis[C]//2018 IEEE Power & Energy Society General Meeting (PESGM).Portland: IEEE, 2018.
( 0) |
| [30] |
MITCHELL-COLGAN E, WU Jingjin, ZHAO Yiting, et al.Symbolic factorization re-utilization for contingency analysis[C]//2018 IEEE Power & Energy Society General Meeting (PESGM).Portland: IEEE, 2018.
( 0) |
| [31] |
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 (in Chinese). ( 0) |
| [32] |
路轶, 汤亚宸, 刘广一, 等. 基于"电网一张图"的时空数据管理系统[J]. 供用电, 2019, 36(11): 12-19. LU Yi, TANG Yachen, LIU Guangyi, et al. Spatiotemporal data management system based on "one graph of power grid"[J]. Distribution & Utilization, 2019, 36(11): 12-19 (in Chinese). ( 0) |
| [33] |
LIAO Yizheng, WENG Yang, LIU Guangyi, et al. Unbalanced multi-phase distribution grid topology estimation and bus phase identification[J]. IET Smart Grid, 2019, 2(4): 557-570. DOI:10.1049/iet-stg.2018.0291 ( 0) |
| [34] |
张冰雪, 刘婷婷, 汤亚宸, 等. 基于图数据库的电力设备全生命周期管理技术研究[J]. 电力信息与通信技术, 2019, 17(3): 1-7. ZHANG Bingxue, LIU Tingting, TANG Yachen, et al. Research on power equipment life-cycle management technology based on graph database[J]. Electric Power ICT, 2019, 17(3): 1-7 (in Chinese). ( 0) |
| [35] |
TANG Yachen, LIU Tingting, LIU Guangyi, et al.Enhancement of power equipment management using knowledge graph[C]//2019 IEEE Innovative Smart Grid Technologies-Asia (ISGT Asia).Chengdu: IEEE, 2019: 1-6.
( 0) |
| [36] |
TANG Yachen, LIU Tingting, HE Ming, et al.Graph database based knowledge graph storage and query for power equipment management[C]//2020 12th IEEE PES Asia-Pacific Power and Energy Engineering Conference (APPEEC).Nanjing: IEEE, 2020.
( 0) |
| [37] |
TANG Yachen, LIU Tingting, SHIY J, et al.Ontology based knowledge modeling and extraction of power equipment supply chain[C]//2020 12th IEEE PES Asia-Pacific Power and Energy Engineering Conference (APPEEC).Nanjing: IEEE, 2020.
( 0) |
| [38] |
汤亚宸, 方定江, 韩海韵, 等. 基于图数据库和知识图谱的电力设备质量综合管理系统研究[J]. 供用电, 2019, 36(11): 35-40. TANG Yachen, FANG Dingjiang, HAN Haiyun, et al. Research on power equipment quality integrated management system based on graph database and knowledge graph[J]. Distribution & Utilization, 2019, 36(11): 35-40 (in Chinese). ( 0) |
| [39] |
XU Tianshi, CHIANG H D, LIU Guangyi, et al. Hierarchical K-means method for clustering large-scale advanced metering infrastructure data[J]. IEEE Transactions on Power Delivery, 2017, 32(2): 609-616. DOI:10.1109/TPWRD.2015.2479941 ( 0) |
| [40] |
KHODAYAR M, MOHAMMADI S, KHODAYAR M E, et al. Convolutional graph autoencoder: a generative deep neural network for probabilistic spatio-temporal solar irradiance forecasting[J]. IEEE Transactions on Sustainable Energy, 2020, 11(2): 571-583. DOI:10.1109/TSTE.2019.2897688 ( 0) |
| [41] |
阚博文, 刘广一, KHODAYAR M, 等. 基于图机器学习的分布式光伏发电预测[J]. 供用电, 2019, 36(11): 20-27. KAN Bowen, LIU Guangyi, KHODAYAR M, et al. Distributed photovoltaic generation prediction based on graph machine learning[J]. Distribution & Utilization, 2019, 36(11): 20-27 (in Chinese). ( 0) |
| [42] |
TAN Jun, LU Yi, LIU Kewen, et al.Graph computing based parallel power flow algorithm and graph visualization for power distribution networks[C]//2019 IEEE Power & Energy Society General Meeting (PESGM).Atlanta: IEEE, 2019.
( 0) |
| [43] |
谭俊, 张国芳, 刘广一, 等. 基于图计算的配电网建模与分析[J]. 供用电, 2019, 36(11): 28-34, 54. TAN Jun, ZHANG Guofang, LIU Guangyi, et al. Graph computing based power distribution system modeling and analysis[J]. Distribution & Utilization, 2019, 36(11): 28-34, 54 (in Chinese). ( 0) |
| [44] |
TAN Jun, HE Ming, ZHANG Guofang, et al.Volt/var optimization for active power distribution systems on a graph computing platform: an paralleled PSO approach[C]//2020 IEEE Power & Energy Society General Meeting (PESGM).Montreal: IEEE, 2020.
( 0) |
| [45] |
YU Yang, LIU Guangyi, ZHU Wendong, et al. Good consumer or bad consumer: economic information revealed from demand profiles[J]. IEEE Transactions on Smart Grid, 2018, 9(3): 2347-2358. ( 0) |
| [46] |
MAO Daijiafan, WANG Jiankang, TAN Jun, et al.Location planning of fast charging station considering its impact on the power grid assets[C]//2019 IEEE Transportation Electrification Conference and Expo (ITEC).Detroit: IEEE, 2019.
( 0) |
| [47] |
MAO Daijiafan, TAN Jun, WANG Jiankang. Location planning of PEV fast charging station: an integrated approach under traffic and power grid requirements[J]. IEEE Transactions on Intelligent Transportation Systems, 2020, 22(1): 483-492. ( 0) |
| [48] |
WEI Longfei, LIU Guangyi, TAN Jun, et al.GraphVPP: enabling optimal bidding strategy of virtual power plants in graph computing frameworks[C]//2020 IEEE Power & Energy Society General Meeting (PESGM).Montreal: IEEE, 2020.
( 0) |
| [49] |
CHEN Tao, YUAN Chen, LIU Guangyi, et al.Graph based platform for electricity market study, education and training[C]//2018 IEEE Power & Energy Society General Meeting (PESGM).Portland: IEEE, 2018.
( 0) |
| [50] |
魏龙飞, 刘广一, 张怀春, 等. 基于图计算的虚拟电厂报价辅助决策系统[J]. 供用电, 2019, 36(11): 41-47. WEI Longfei, LIU Guangyi, ZHANG Huaichun, et al. Graph computing based virtual power plant bidding-assistance systems[J]. Distribution & Utilization, 2019, 36(11): 41-47 (in Chinese). ( 0) |
| [51] |
刘广一, 朱文东, 陈金祥, 等. 智能电网大数据的特点、应用场景与分析平台[J]. 南方电网技术, 2016, 10(5): 102-110. LIU Guangyi, ZHU Wendong, CHEN Jinxiang, et al. Characteristics, application scenarios and analysis platform of smart grid big data[J]. Southern Power System Technology, 2016, 10(5): 102-110 (in Chinese). ( 0) |
| [52] |
韩笑, 狄方春, 刘广一, 等. 应用智能电网统一数据模型的大数据应用架构及其实践[J]. 电网技术, 2016, 40(10): 3206-3212. HAN Xiao, DI Fangchun, LIU Guangyi, et al. A big data application structure based on smart grid data model and its practice[J]. Power System Technology, 2016, 40(10): 3206-3212 (in Chinese). ( 0) |
| [53] |
MCCOMB D. Software wasteland: how the application-centric mindset is hobbling our enterprises[M]. New Jersey: Technics Publications, 2018.
( 0) |
| [54] |
刘广一, 谭俊, 魏龙飞, 等. 基于云雾边协同理念的"电网一张图"维护与自动更新策略研究[J]. 电力信息与通信技术, 2020, 18(4): 25-32. LIU Guangyi, TAN Jun, WEI Longfei, et al. Research on maintenance and automatic update strategy of one graph of power grid based on concept of cloud-fog-edge collaboration[J]. Electric Power ICT, 2020, 18(4): 25-32 (in Chinese). ( 0) |