基于健康度分析的电网数字化转型价值链云协同模型

当前，电网公司已将数字化转型作为电网建设的重要部署，利用数字技术促进电网负荷协调互动，并为电网赋能，从而提升供电服务的水平，增强供电客户的满意度[1-2].数字化电网能够有效整合多元资源、推动数据共享以及融合调度电力，从而提高电网各项业务服务水平，并实现电力负荷的自动化计量.为了统计分析电网设备的运行指标，电网数字化转型模型被提出，并将其用于智慧电网规划[3-4].

数字化转型模型应包含安全通信、电力交易监控、分布式电源供应及信息流传送等，其对电网运行状态进行真实刻画，从而实现电网与用户之间的双向互动[5].该模型优化了从生产端至供电端的电力价值链，并对价值链进行重新构造，梳理价值链中利益主体的外部关联与内部关联.而云计算技术则对区块链的运营产生较大影响，其能够降低数据的计算成本，且通过协同演化能深入分析价值链的价值活动[6].李智威等[7]采用基于全寿命管理的电网数字化转型模型，根据价值链管理理论，计算全寿命管理设备资产价值函数.但该模型对电网设备资产墙的推演不全面，导致电网发电功率供需不平衡.胡波等[8]提出了基于大数据技术的电网数字化转型模型，利用大数据采集电网运行数据，并根据网损灵敏度确定分布式电源位置与安装容量.但该模型忽略了年投资效益这一规划目标，同样达不到供需平衡的发电标准.

针对上述问题，本文提出基于健康度分析的电网数字化转型价值链云协同模型，优化电网价值链起点，利用健康度分析选择电网价值链利益主体.同时构建利益主体云协同模型，实现供需平衡，以减少电力负荷的消耗.

1 电网数字化转型价值链云协同模型

1.1 优化电网数字化转型价值链起始节点

模型将发电作为电网数字化转型价值链的起始节点，并预测电网未来时刻的发电出力，从而优化电网发电环节[9].考虑分布式电网的发电环节，其电力供需存在不确定性.因此对发电出力进行预测，确定价值链发电环节的电力负荷，为价值链各主体运营提供数据支撑.分解电网数据信号，拟合信号上包络线u1、下包络线u2，其计算公式为

式中：U为噪声序列；σ2为噪声方差；ε为原始序列标准差；k1、k2分别为序列极大值、极小值；p为原始序列方差.计算原始序列与u1、u2均值的差值为Q，将Q作为原始信号分量，然后继续对原始序列进行分解.数据信号分解的终止条件表达式为

式中：n为原始数据信号被分解的分量数量；hi-1、hi分别为第i-1个和第i个分界本征模态函数(IMF)分量[10].当信号分解达到终止条件后，在分量中引入时间尺度特征，从而得到t时刻最终的模态分解信号x(t)，表达式为

式中，r(t)为t时刻的剩余分量.由分解信号hi(t)表示电网发电功率分解的历史数据，构建自动编码器网络.将分解分量视作初始种群，输入编码器网络，通过变异和交叉等操作，学习发电功率历史数据的变化规律，进而预测模态信号x(t)的高频、低频部分.同时获取电网发电出力的预测值，实现价值链起始节点的优化[11]，至此完成电网数字化转型价值链起始节点的优化.

1.2 电网价值链各环节的利益主体

发电环节优化完毕后，将健康度作为评价标准，针对电网数字化转型价值链的发电、储能、用能各环节，对其利益主体进行评价，并选择健康度最优的利益主体，建立关于电网数字化转型价值链的健康度评价指标体系：选择的一级指标为信息技术能力等；选择的二级指标分别为合作伙伴稳定性、知识创新水平、协同平台建设情况、信息共享程度、信息流畅性等[12]，并对指标进行归一化处理，即

式中：

为第j个健康度指标的归一化值；Gj为指标实际值；Gj，min、Gj，max分别为指标的最小值、最大值.通过数值

精确描述电网数字化转型价值链各环节中利益主体健康度的评价值.

采用综合的指标赋权方法，计算各个指标主观权重.建立健康度指标集D={D1，D2，…，Dj，…，Dm}，其中m为健康度评价指标体系中的指标数量.根据指标重要程度决定评价指标在指标集D中的前后排序.衡量指标集D中相邻两个指标的相对重要度[13]，当Dj-1与Dj同样重要时，赋值为1.0；当Dj-1比Dj稍微重要时，赋值为1.2；当Dj-1比Dj明显重要时，赋值为1.4；当Dj-1比Dj强烈重要时，赋值为1.6；当Dj-1比Dj极端重要时，赋值为1.8.设第j个指标的相对重要程度为oj，健康度指标主观权重值wj计算公式为

计算指标客观权重值时，求取各指标归一化值的平均值.对其进行一阶求导，得到第j个健康度指标的信息熵Uj表达式为

式中，L为重要性标度.

指标变异系数zj表达式为

健康度指标客观权重aj表达式为

指标综合权重Vj表达式为

式中，g1、g2为加权系数.对各个指标进行量化处理，设置完好、正常、注意、异常、严重这5个健康度评价等级，分别对应[100，90]、[90，75]、[75，60]、[60，50]、[50，0].将指标数据转化为[0，100]的分数值cj，得到最终健康度Rj.

在电网数字化转型价值链中，选择健康度Rj最高的利益主体，利用数据载入工具将不同数据根据其特性载入数据图表工具进行数据展示，在1～10之间进行取值，最终健康度的计算值为10.至此完成基于健康度分析电网价值链各环节的利益主体确定.

1.3 价值链利益主体云协同模型

利用云协同技术，建立电网数字化转型价值链利益主体协同模型，协同优化利益主体.在电网上安装传感器装置，利用物联网实时监测电网设备运行数据，并采集利益主体产生的海量数据.利用大数据技术整合、挖掘有价值的数据，定义负荷数据、调度数据、储能数据、发电数据的统一标准.规范数据格式，根据数据主体确定价值链应用域，包括用户需求响应、发电功率预测等，再通过云计算整合处理后的电网数据，进而为价值链利益主体提供个性化服务[14].该模型整体结构如图1所示.

该云协同模型采用私有云和公有云相结合的模式，由应用云、数据云、模型云组成公有云，使云计算资源面向电网全体用户，再选择不公开数据上传至私有云.利用数据云形成统一管理的云数据中心，其包括电网历史数据、物联网实时监测数据，为利益主体对云计算数据的访问提供了技术支持；利用模型云存储价值链中各个利益主体的相关数据，并将数据从数据云中调度出来；在数据云与模型云的基础上，通过应用云协同模型功能板块，为各个利益主体提供业务项目[15].根据电网数字化转型价值链利益主体的需求，构建每个利益主体的私有云.设置固定的计算资源应用服务，使利益主体访问具有权限的云计算资源.至此完成电网数字化转型价值链利益主体云协同模型的建立，实现基于健康度分析的电网数字化转型价值链云协同模型设计.

2 实验论证

将本文设计的模型与基于全寿命管理的电网数字化转型模型[7]、基于大数据技术的电网数字化转型模型[8]进行仿真分析，比较3种模型作用下电网发电环节的供需平衡.

2.1 设计模型构建

选取某枢纽变电站作为研究对象，该变电站为分布式电网发电，统计2021年5月1日～7月1日的电网发电功率作为电网功率预测的原始数据.设置数据采样间隔为1.5 h，每100个数据点为一组，共采集2 500个数据点.分解初始数据序列，输入编码器网络，对未来时刻的电网发电功率进行预测，结果如图2所示.

由图2可知，利用本文模型进行电网发电功率预测结果与实际发电功率结果较为接近，曲线趋势趋于一致.由此判定电网价值链起始节点得到了有效优化，可以将电网发电归纳到价值链发电环节.在此基础上，选择电网价值链各环节利益主体，其中电网储能环节可以选择的利益主体为大容量蓄电池、蓄电池组等；用能环节可选择的利益主体为居民用电、采暖用电、办公用电、工业用电等，进而评价每个利益主体的健康度.健康度各指标权重计算公式为

式中：α、β、χ分别为主观权重、客观权重以及综合权重值；Na、Nb、Nc分别为对应的权重数目；Pa、Pb、Pc分别为对应的权重概率；La、Lb、Lc分别为对应的映射参数.对得到的数据进行归一化处理，然后通过分析数据库内健康度各指标评估历史来拟定评估阈值.同时对标准体系进行评价分析，对主观权重、客观权重以及综合权重值赋值，赋值结果如表1所示.

根据表1所示的指标权重值以及已知的指标量化值，计算各个利益主体的健康度.储能环节健康度最高的利益主体为大容量蓄电池组；用能环节健康度最高的利益主体为工业用电.采用Web接口和物理接口，为私有云与公有云提供接口服务.通过HDFS存储云计算服务，得到变电站发电、蓄电池组、工业用电价值链的云协同模型.

2.2 实验结果分析

针对某一工业园区的工业用电情况，采用3种模型判断该园区电力负荷需求与电网发电功率是否平衡.园区用电高峰期为9∶00～12∶00、18∶00～23∶00；平时期为7∶00～9∶00、12∶00～18∶00；用电低谷期为23∶00～7∶00.用电高峰期的供需平衡实验对比结果如图3所示.

由图3可知，工业园区高峰期平均用电功率为997 kW/h.设计模型作用下，电网平均发电功率为1 024 kW/h；基于全寿命管理的电网数字化转型模型平均发电功率为1 101 kW/h，与园区高峰期实际用电相差104 kW/h；基于大数据技术的电网数字化转型模型平均发电功率为1 129 kW/h，与园区高峰期实际用电相差132 kW/h.结果表明，设计模型预测发电与园区高峰期实际用电最为接近，仅相差了27 kW/h.

用电平时期的供需平衡实验对比结果如图4所示.由图4可知，工业园区平时期平均用电功率为882 kW/h.设计模型作用下，电网平均发电功率为924 kW/h；基于全寿命管理的电网数字化转型模型平均发电功率为993 kW/h，与园区平时期实际用电相差111 kW/h；基于大数据技术的电网数字化转型模型平均发电功率为1 029 kW/h，与园区平时期实际用电相差147 kW/h.结果表明，设计模型预测发电与园区平时期实际用电最为接近，仅相差了42 kW/h.

用电低谷期的供需平衡实验对比结果如图5所示.由图5可知，工业园区低谷期平均用电功率为738 kW/h.设计模型作用下，电网平均发电功率为772 kW/h；基于全寿命管理的电网数字化转型模型平均发电功率为876 kW/h，与园区低谷期实际用电相差138 kW/h；基于大数据技术的电网数字化转型模型平均发电功率为898 kW/h，与园区低谷期实际用电相差160 kW/h.结果表明，设计模型预测发电与园区低谷期实际用电最为接近，仅相差了34 kW/h.

综上所述，设计模型对电网数字化转型价值链的起始节点进行了优化，故准确地预测了电网发电功率.因此相比于另外两种模型，设计模型作用下的电网发电功率与园区实际用电功率较为接近，且电力供需更加平衡，有效节约了电力资源.

3 结论

此次研究通过健康度分析，选择电网价值链的利益主体设计了一种电网数字化转型价值链云协同模型，实现了电网发电与供电平衡的标准要求.利用本文模型进行电网发电功率预测与实际发电功率结果较为接近，高峰期相差了27 kW/h；平时期相差了42 kW/h；低谷期相差了34 kW/h.电力供需更加平衡，在一定程度上可以有效节约电力资源.接下来的研究工作将分析不同类型电源的输出功率，从而进一步提高模型的调峰能力，并结合时间尺度，为电力负荷消纳提供决策依据.

[1]唐小璐，赵伟然，古含，等.电网转型背景下地市级智能电网示范区规划研究 [J].电力大数据，2020，23(2)：59-65.

(TANG Xiao-lu，ZHAO Wei-ran，GU Han，et al.Study on the planning of smart grid demonstration area at the local and municipal level under the background of power grid transformation [J].Power Systems and Big Data，2020，23(2)：59-65.)

[2]郑曦，高亮，谢璜，等.电网企业数字化转型的探索与实践 [J].数字技术与应用，2019，37(11)：199-201.

(ZHENG Xi，GAO Liang，XIE Huang，et al.Exploration and practice of digital transformation of power grid enterprises [J].Digital Technology and Application，2019，37(11)：199-201.)

[3]何维国，潘博，潘智俊，等.基于数据挖掘的能源企业数字化转型探索 [J].电力与能源，2019，40(6)：688-690.

(HE Wei-guo，PAN Bo，PAN Zhi-jun，et al.Research on digitalization transformation of energy enterprises based on data mining [J].Electricity and Energy，2019，40(6)：688-690.)

[4]谢露艳.基于GIS技术的电网工程数字化设计移交系统集成设计 [J].制造业自动化，2021，43(4)：141-144.

(XIE Lu-yan.Integrated design of transfer system for digital design of power grid engineering based on GIS technology [J].Manufacturing Automation，2021，43(4)：141-144.)

[5]刘振华.数字化技术在电网客服域的探索与应用 [J].微型电脑应用，2021，37(3)：147-150.

(LIU Zhen-hua.Exploration and application of digital technology in customer service for power grid company [J].Microcomputer Applications，2021，37(3)：147-150.)

[6]王平，葛世伦，王念新，等.云计算环境下制造企业协同价值链构建方法 [J].江苏科技大学学报(自然科学版)，2015，29(6)：585-590.

(WANG Ping，GE Shi-lun，WANG Nian-xin，et al.Construction method of collaborative value chain in cloud computing environment [J].Journal of Jiangsu University of Science and Technology(Natural Science Edition)，2015，29(6)：585-590.)

[7]李智威，贺兰菲，张凌乐，等.基于全寿命管理电网设备资产墙预测模型研究 [J].水电能源科学，2019，37(1)：191-194.

(LI Zhi-wei，HE Lan-fei，ZHANG Ling-le，et al.Life cycle management based power grid equipment assets wall predicting model [J].Water Resources and Power，2019，37(1)：191-194.)

[8]胡波，赵善龙，庞伟林.基于大数据技术的交直流混合主动配电网规划模型构建 [J].电力大数据，2020，23(11)：38-46.

(HU Bo，ZHAO Shan-long，PANG Wei-lin.Construction of planning model for AC/DC hybrid active distribution network based on big data technology [J].Power Systems and Big Data，2020，23(11)：38-46.)

[9]谢震，牛立凡，张兴，等.不平衡电网电压下双馈发电机多目标模型预测控制 [J].中国电机工程学报，2019，39(13)：3917-3930.

(XIE Zhen，NIU Li-fan，ZHANG Xing，et al.Multi-objective model predictive control of double-fed induction generator under unbalanced grid voltage [J].Proceedings of the CSEE，2019，39(13)：3917-3930.)

[10]钱国明，丁泉，黄超，等.基于价值链视角的发电企业参与综合能源服务策略 [J].华电技术，2021，43(4)：28-33.

(QIAN Guo-ming，DING Quan，HUANG Chao，et al.Integrated energy service strategy with participation of power generation enterprises from the perspective of value chain [J].Huadian Technology，2021，43(4)：28-33.)

[11]李畸勇，班斓.基于长短记忆神经网络的短期光伏发电预测技术研究 [J].华北电力大学学报，2020，47(4)：46-52.

(LI Ji-yong，BAN Lan.Research on short-term pho-tovoltaic power forecasting technology based on LSTM [J].Journal of North China Electric Power University，2020，47(4)：46-52.)

[12]李叶飞，张明明，袁国泉，等.基于层次式架构的信息系统健康度模型及优化方法 [J].扬州大学学报(自然科学版)，2019，22(4)：54-58.

(LI Ye-fei，ZHANG Ming-ming，YUAN Guo-quan，et al.Hierarchy based health assessment model of information system and optimization method [J].Journal of Yangzhou University(Natural Science Edition)，2019，22(4)：54-58.)

[13]宫建锋，党东升，张斌，等.基于属性理论的智能配电网项目后评价指标体系与方法 [J].电力需求侧管理，2020，22(4)：8-12.

(GONG Jian-feng，DANG Dong-sheng，ZHANG Bin，et al.Post-project index system and method for smart distribution network based on attribute theory [J].Power Demand Side Management，2020，22(4)：8-12.)

[14]王平，王克，潘燕华，等.云环境下的价值链协同收益分配 [J].计算机集成制造系统，2020，26(8)：2030-2036.

(WANG Ping，WANG Ke，PAN Yan-hua，et al.Benefit distribution of value chain collaboration in cloud environment [J].Computer Integrated Manufacturing Systems，2020，26(8)：2030-2036.)

[15]赵爽，董宗然.基于VMware vSphere的分布式协同软件测试平台构建 [J].沈阳工业大学学报，2019，41(6)：648-653.

(ZHAO Shuang，DONG Zong-ran.Construction of distributed collaborative software-testing platform based on VMware vSphere [J].Journal of Shenyang University of Technology，2019，41(6)：648-653.)