大数据技术在新能源电站智能化运营监管中的应用

伍璇

摘 要：近年来，国家大力支持新能源发展，出台了一系列政策鼓励新能源产业发展。据统计，我国2023年新能源新增装机预计将达3.8亿千瓦以上。与此同时，随着我国光伏电站装机容量的不断扩大和发电规模的不断增加，其运行状况也面临着诸多挑战。因此，在保证新能源电站安全稳定运行的基础上，利用大数据技术提高新能源电站运营管理水平成为现阶段最为迫切的工作任务。文章针对新能源电站大数据技术应用进行了分析和探讨。

关键词：大数据技术 新能源电站 智能化运营监管

1 引言

近年来，随着我国新能源发电规模的不断扩大，新能源电站数量也在快速增长。据统计，截至2022年底，我国光伏电站累计装机规模达到4.8亿千瓦，占全国发电装机容量的（10.5%），预计到2023年底我国光伏发电累计装机规模将达到8亿千瓦以上。与此同时，随着新能源电站装机容量的不断扩大和发电规模的不断增加，新能源电站运行管理中面临着诸多挑战，而大数据技术是应对这些挑战的重要抓手，其中关键在于开发大数据技术的应用方式，故有必要展开相关研究。

2 什么是大数据技术

大数据技术是指通过对海量数据进行收集、存储、管理、处理和分析，实现数据价值的技术。在数据的采集环节，需要将多种类型的传感器和设备接入到电力系统中，通过对大量数据进行采集，完成对电力系统运行状况的全面了解。在数据传输环节，需要通过多种网络将采集到的数据传输到电力系统中，其中包括光纤、微波、卫星等多种传输方式。在数据存储环节，需要将采集到的数据存储到不同的数据库中，保证所获得数据能够被及时、准确的分析和利用。在数据处理环节，需要将不同类型的数据按照一定方式进行处理和分析，得到相关结果。在大数据技术应用过程中，需要充分考虑其实用性、可靠性以及可扩展性等特点。

目前，大数据技术已广泛应用于各行业领域，包括金融、医疗、电信、交通等。其中，电力行业作为大数据技术的主要应用领域之一，其主要目的是帮助电厂搜集、处理复杂、庞大的发电数据，通过对数据的处理，能够让复杂的参数值变得更加清晰，还能对发电的走向进行预测，便于运维人员快速做出反应。在新能源电站运营中，大数据技术可通过对电站信息的全面掌握和分析，来提升管理质量和效率。因此，在保证新能源电站安全稳定运行的基础上，可以利用大数据技术来提高新能源电站运营监管水平。

3 新能源电站智能化运营监管中大数据技术的应用方式

3.1 智能化进行运营监管档案管理

在新能源电站的运行过程中，对设备状态、电网信息和运行环境进行实时监控，将成为电站运营的核心，而借助大数据技术对电站所获取的信息进行处理，并通过智能化分析处理之后的数据信息将成为电站运营监管的重要组成部分。新能源电站运营的档案管理主要核心在于运营数据管理。对于新能源电站来说，其涉及到的档案管理工作较为繁杂且数量庞大，必须要运用大数据技术将其进行智能化处理。因此，在智能化进行新能源电站运营监管档案管理工作中，需要实现对相关数据信息的实时收集、储存和传输[1]。具体而言，大数据技术可通过物联网等渠道将采集到的设备运行参数、电网信息、环境数据等信息通过数据转换处理之后传输至云端服务器或终端服务器中，并将这些数据信息存储至数据库中，最终通过神经网络数据模型进行分析处理实现对新能源电站运行状态的实时监控。神经网络数据模型是大数据技术的一种，该模型能通过一种类似人类智能的运作模式对复杂数据进行处理，还具备深度学习功能，经过训练可以根据数据给出非常准确的结果。在实际应用过程中，依靠神经网络模型可根据电站所处位置的不同选择不同的传输方式。对于距离较近的电站可采用有线传输方式，对于距离较远或需要远程监控的电站则可以采用无线传输方式。在具体实现过程中，可利用大数据技术对采集到的设备运行参数等信息进行处理和分析。

3.2 对电站设备运行状况进行监控

新能源电站智能化运营监管的主要作用是对新能源电站的设备运行状况进行有效监控，对电站运行过程中产生的问题进行及时发现，并对其进行及时解决。为了实现这一目标，就需要利用大数据技术来构建电站设备运行状况监控系统。通过构建该系统，能够对新能源电站设备运行状况进行有效监测和分析，并及时发现存在的问题。

在构建该系统时，首先可以通过传感器新能源电站的设备运行数据进行全面采集，包括电力设备、电气设备、输电线路以及通信设备等，并将其存储在数据库中。由于新能源电站运行过程中会产生大量的数据信息，因此为了保证该系统能够稳定可靠运行，在对数据信息进行收集时要尽可能全面且真实。其次要使用数据分类算法、神经网络模型对收集到的数据信息进行筛选和处理。在构建该系统时，要根据新能源电站实际情况来确定数据采集的范围和具体内容，同时要对数据信息进行有效处理。通过对数据信息的分析和处理可以确定电站设备运行过程中存在的问题和故障，为后续解决问题提供依据。再次要充分考虑到新能源电站的实际情况和需求，结合实际情况来确定系统构建的基本原则和具体内容[2]。该系统应包含以下几个模块：一是故障诊断模块；二是参数设置模块；三是系统监测模块；四是统计分析模块。通过这四个模块可以对新能源电站运行过程中出现的各种问题进行有效监测和分析。

在故障诊断模块中，系统主要实现以下几个方面的功能：一是可以通过该模块来确定故障发生的具体位置，并根据故障位置来制定相应的维修措施；二是可以通过该模块来对电站设备运行状况进行监测，并对其运行过程中产生的数据信息进行处理；三是可以根据系统监测到的数据信息来确定故障发生类型；四是可以根据故障类型来制定维修方案。通过以上几个方面的功能可以对新能源电站设备运行状况进行有效监控。

3.3 对光伏发电数据进行实时跟踪

在新能源电站运维过程中，电站管理人员需要对光伏发电数据进行实时跟踪，以掌握光伏电站的运行状况。通过对光伏发电数据进行实时跟踪，管理人员可以及时发现异常数据，并采取相应措施来解决问题。同时，利用大数据技术对光伏发电数据进行实时跟踪，能够有效提高光伏发电的利用率。此外，还可以通过对光伏发电数据进行实时跟踪，来确定光伏电站运行状态是否处于正常状态。利用物联网传感器+神经网络+智能终端对光伏电站的运行状况进行实时跟踪时需要考虑两个方面的因素，这两方面都是影响电站运行效率的重要因素：一方面是新能源电站自身条件的影响[3]。由于新能源电站具有一定的特殊性，因此需要结合其自身条件对其运行状况进行实时跟踪。另一方面是其他因素对新能源电站运行状况的影响。其他因素主要包括气象条件、设备情况等。气象条件可以对新能源电站的发电状况造成一定影响，如天气恶劣时会导致发电设备受损，造成发电效率下降。因此需要针对这些因素采取相应措施大数据技术进行跟踪处理，例如通过大数据技术检测到发电量曲线异常下降、厂用电量异常增长等，及时查找原因，快速消缺，提高新能源电站的发电效率，并加强智能监测设备的投入等方式来提高光伏电站运行效率。

3.4 对新能源电站运行中的危险状况进行预测

对新能源电站运行中的危险状况进行预测是利用大数据技术进行数据分析的关键所在。在传统的预测模型中，往往采用经验公式来确定危险状况发生的概率，这样不仅费时费力，而且预测效果不佳。而在大数据技术中，由于新能源电站运行数据具有复杂性、随机性等特点，采用传统的公式计算很难得到较为准确的结果。因此，可以利用深度学习模型对新能源电站运行中的危险状况进行预测。

在大数据技术中，深度学习是一种基于人工神经网络的深度学习模型。其通过学习数据中的特征，达到对数据进行分类、识别、预测等目的。在传统神经网络模型中，通常需要先对输入数据进行预处理和特征提取工作，然后再使用人工神经网络对处理后的数据进行训练和预测[4]。而在大数据技术中，由于新能源电站运行数据具有复杂性、随机性等特点，人工神经网络模型则不能很好的对新能源电站运行数据进行学习和预测。而深度学习模型则可以克服传统模型的缺点，以自动提取和学习数据中的特征信息为主要特点。在大数据技术中，利用深度学习模型对新能源电站运行数据进行训练和预测时，只需要在大量历史训练样本中选取一小部分作为模型输入变量即可。通过这种方式可以有效的提高新能源电站运行数据分析效果，为新能源电站智能管理提供技术支持。

值得一提的是，面对复杂多变的电站运行情况，人们要重视危险状况预测结果的准确性，为了提高准确性应当注意两个要点：一是数据预处理，在新能源电站中，由于各种原因导致的数据采集不全或者丢失是较为常见的现象，这些数据会影响到后续模型的训练和预测。因此，在利用大数据技术对新能源电站进行运营监管时，需要对数据进行预处理，以确保其完整性、有效性、一致性和可靠性。在数据预处理过程中，要将缺失值补齐。针对缺失值的情况，可以采用均值填补、趋势填补等方式来进行数据填补[5]。然后需要对原始数据进行归一化处理。归一化指的是将不同时间点的数据集进行标准化，目的是消除原始数据中存在的随机误差和不准确因素，提高模型的训练精度。最后，还需要对数据进行异常值剔除。异常值是指由于时间、空间或其他原因而导致的数据不符合标准的情况。异常值剔除是指对于不符合标准的数据进行处理后再利用。另外，还需要对缺失值和异常值进行处理以保证后续模型预测的精度；二是建立基于深度学习的预测模型，在传统的ANN模型中，通常会选择一些历史样本作为输入变量，而不是采用全部数据来进行训练和预测。这种方式虽然能够在一定程度上提高模型的预测精度，但是在实际应用中往往会受到训练样本数量的限制，导致模型的预测效果受到一定程度的影响[6]。而在大数据技术中，则可以采用多个历史样本来进行训练和预测。在这种方式下，训练样本的数量将远远大于训练样本，可以使模型获得更高的预测精度。例如，在深度学习模型中，使用历史样本进行训练时，通常可以采用三层或四层网络来建立模型。其中每一层网络中包含若干个节点，每个节点的输出就是对应于输入数据中某一类特征的值。而在进行预测时，则可以采用多个历史样本对某一类特征进行建模并进行预测。例如在新能源电站运行数据中，可以通过训练集的方式将温度、风速、湿度、光照强度、雨量等数据作为输入变量进行建模并预测。由于模型是一个非线性关系模型，因此其在使用时可以通过迭代更新模型参数来对预测结果进行修正。通过这种方式可以有效的避免模型的过拟合问题。

3.5 协同人工进行安全管理

首先，通过将大数据技术与人工管理相结合，可实现对新能源电站中人员、设备的远程监控，实现对人员、设备的统一管理；其次，通过人工对新能源电站中设备的远程监控，可实现对设备的实时监测和预警，并为人员的安全操作提供数据支持；再次，通过将大数据技术与人工管理相结合，可实现对新能源电站中人员、设备的实时监控和预警；最后，通过利用大数据技术分析人员、设备的分布情况和历史数据信息等信息资源，可实现对人员、设备分布情况的统一统计和分析。在此基础上，通过与电力系统管理系统相结合，可实现对新能源电站中安全事故的追溯[7]。此外，在电力系统管理系统中集成大数据技术还可以为相关部门提供决策支持和参考依据。

3.6 帮助人工做好海量数据处理

目前，随着新能源电站装机容量的不断增加，电站数据呈现出爆发式增长。如何快速有效的进行海量数据的处理和分析成为当前电站运营监管工作的难题。新能源电站大数据技术的应用可以帮助运营管理人员快速有效的处理海量数据，并进行深度分析和挖掘。

例如，可以根据电站各设备的运行状态及历史数据，构建故障诊断模型，对异常数据进行预警；通过采集各设备的环境参数及气象参数等数据，构建环境模型，对异常数据进行预警；通过采集各设备的振动、噪声及温度等数据，构建设备模型，对异常数据进行预警。同时，可以将新能源电站大数据与传统生产系统进行融合，通过实时采集电网及电站各设备的运行状态数据、气象监测数据以及其他相关系统中的信息进行分析和挖掘[8]。例如，在新能源电站智能化运营监管系统中集成设备性能监测、故障诊断、运维分析等功能模块，通过对各设备的运行状态和环境参数等数据进行实时采集和监控，实现对新能源电站大数据与传统生产系统的深度融合。通过应用大数据技术可以有效提高新能源电站智能化运营监管水平。

4 结语

新能源电站具有规模大、分布广、环境影响大、控制难度大的特点，其在发展过程中不仅面临着生产环境复杂、设备种类多、技术难度大等问题，而且还存在着发电功率预测精度低、调度运行难度大等问题。通过引入大数据技术，从海量数据中挖掘出对新能源电站智能化运营监管有价值的信息，因此人们要重视大数据技术，积极开发其应用方式，以进一步提升新能源电站的安全稳定运行水平。

参考文献：

[1]任春光，孟长虹，史卓鹏，等. 智能变电站施工控制的三维可视化系统研究和设计[J]. 制造业自动化，2023，45（9）：79-83.

[2]吴晓刚，吴新华，季青锋，等. 计及新能源不确定性的新能源场站与储能电站分布式协同优化[J]. 浙江电力，2022，41（6）：54-61.

[3]郝戌京，李方一. 基于联邦学习的光伏电站发电效率对比与低效诊断研究[J]. 电力大数据，2023，26（3）：28-36.

[4]李琦. 分布式光伏电站区域智能系统设计及故障分析[J]. 自动化仪表，2023，44（5）：99-101，106.

[5]陈瑞. 新能源发电企业大数据中心提高数据采集质量的方法及其有效性分析[J]. 云南电力技术，2022，50（6）：75-79，92.

[6]王超，黎启明，司晓峰，等. 基于反向传播神经网络的光伏电站运营策略研究[J]. 微型电脑应用，2023，39（10）：184-187.

[7]梁磊，范海波，刘发年. 基于大数据的综合能源管控与运营技术研究与应用[J]. 电力大数据，2021，24（3）：17-24.

[8]魏洪，刘宝林. 基于大数据、云计算技术的光伏电站运营管理平台增加光伏企业效益[J]. 甘肃科技，2014，30（23）：20-21.