基于大数据技术的分布式发电电能质量分析

doi:10.3969/j.issn.2097-0706.2026.01.008

摘要/Abstract

摘要：

在大数据技术和数字电网建设不断推进的背景下，电网智能化运行面临着困境和机遇。为充分利用电力系统运营积累的大量数据，提出了一种新的大数据分析挖掘策略。基于电力系统运行实测数据，通过建立大数据分析算法和可视化模型，从故障类型和时间尺度维度开展多维统计分析，以了解分布式发电电网运行状况和电能质量故障规律，并进一步探讨其故障机理。研究结果表明，所提出的大数据分析挖掘策略能充分利用电力系统实际运行数据，更直观地了解分析电网运行规律和电能质量故障规律，为分布式发电智能化运营和高质量供电提供了有力的技术支撑。

关键词: 分布式发电, 电能质量, 故障规律, 大数据分析, 可视化技术

Abstract:

In the context of the continuous advancement of big data technology and digital grid construction， the intelligent operation of the power grid faces both challenges and opportunities. To fully utilize the vast amount of data accumulated during power system operation， a new big data analysis and mining strategy was proposed in this study. Based on actual operational data from the power system， a big data analysis algorithm and visualization model were developed to conduct multidimensional statistical analysis from the perspectives of fault type and time scale， aiming to understand the operational status of distributed generation grids and the patterns of power quality faults， while further exploring their fault mechanisms. The research results showed that the proposed big data analysis and mining strategy effectively leveraged actual power system operational data， providing an intuitive understanding and analysis of power grid operational patterns and power quality fault characteristics， thereby offering strong technical support for the intelligent operation of distributed generation and high-quality power supply.

Key words: distributed generation, power quality, fault pattern, big data analysis, visualization technology

中图分类号:

TK019：TM615

刘超然, 刘玲玲, 王凤. 基于大数据技术的分布式发电电能质量分析[J]. 综合智慧能源, 2026, 48(1): 78-84.

LIU Chaoran, LIU Lingling, WANG Feng. Power quality analysis of distributed generation based on big data technology[J]. Integrated Intelligent Energy, 2026, 48(1): 78-84.

图/表 11

图1

图2

表 1

表 2

表3

图3

图4

图5

图6

图7

图8

参考文献 29

[1]	国家能源局. 国家能源局2023年三季度网上新闻发布会文字实录[EB/OL]. (2023-07-31)[2024-03-12]. http://www.nea.gov.cn/2023-07/31/c_1310734825.htm.
[2]	国家能源局. 2022年光伏发电建设运行情况[EB/OL]. (2023-02-17)[2024-03-12]. http://www.nea.gov.cn/2023-02/17/c_1310698128.htm.
[3]	徐群. 分布式电源并网对电能质量的影响分析与评估[D]. 北京: 华北电力大学, 2012.
	XU Qun. Analysis and evaluation of the influence of distributed generation on power quality[D]. Beijing: North China Electric Power University, 2012.
[4]	吕志超, 苏建军, 程艳, 等. 大规模海上风电经VSC-HVDC并网后电能质量问题分析[J]. 现代电子技术, 2020, 43(5): 92-96, 100.
	LYU Zhichao, SU Jianjun, CHENG Yan, et al. Analysis on power quality problem of large-scale offshore wind power grid-connected via VSC-HVDC[J]. Modern Electronics Technique, 2020, 43(5): 92-96, 100.
[5]	曾江, 凌毓畅. 光伏电站接入电网的电能质量分析及其应用[J]. 广东电力, 2017, 30(8): 38-46.
	ZENG Jiang, LING Yuchang. Analysis and application of power quality of grid-connected photovoltaic power station[J]. Guangdong Electric Power, 2017, 30(8): 38-46.
[6]	李汪鸿, 朱正甲, 陈建华, 等. 基于人工智能技术与物理方法结合的新能源功率预测研究[J]. 高电压技术, 2023, 49(1):111-117.
	LI Wanghong, ZHU Zhengjia, CHEN Jianhua, et al. Research on new energy power prediction based on the combination of artificial intelligence technology and physical methods[J]. High Voltage Engineering, 2023, 49(1): 111-117.
[7]	耿直, 陈柯宇, 刘媛媛, 等. 太阳能与燃气-蒸汽联合循环互补性能分析[J]. 综合智慧能源, 2023, 45(12):79-86. doi: 10.3969/j.issn.2097-0706.2023.12.010
	GENG Zhi, CHEN Keyu, LIU Yuanyuan, et al. Complementarity analysis of solar energy and gas turbine combined cycle[J]. Integrated Intelligent Energy, 2023, 45(12): 79-86. doi: 10.3969/j.issn.2097-0706.2023.12.010
[8]	胡祖源, 靳现林, 谭雅之, 等. 基于改进粒子群算法的分布式光伏及储能系统优化配置[J]. 综合智慧能源, 2023, 45(1): 49-57. doi: 10.3969/j.issn.2097-0706.2023.01.006
	HU Zuyuan, JIN Xianlin, TAN Yazhi, et al. Optimized configuration of distributed photovoltaic and energy storage system based on improved particle swarm algorithm[J]. Integrated Intelligent Energy, 2023, 45(1): 49-57. doi: 10.3969/j.issn.2097-0706.2023.01.006
[9]	王林, 孔小民, 周忠玉, 等. 云储能模式下的配电网分布式光伏-储能无功优化方法[J]. 综合智慧能源, 2024, 46(6): 44-53. doi: 10.3969/j.issn.2097-0706.2024.06.006
	WANG Lin, KONG Xiaomin, ZHOU Zhongyu, et al. Distributed photovoltaic-energy storage reactive power optimization method for distribution networks under cloud energy storage mode[J]. Integrated Intelligent Energy, 2024, 46(6): 44-53. doi: 10.3969/j.issn.2097-0706.2024.06.006
[10]	高骞, 杨俊义, 刘凯, 等. 基于大数据深度强化学习的交流配电网稳定性控制研究[J]. 电网与清洁能源, 2023, 39(6): 26-32.
	GAO Qian, YANG Junyi, LIU Kai, et al. Research on the stability control of AC distribution networks based on deep reinforcement learning of big data[J]. Power System and Clean Energy, 2023, 39(6): 26-32.
[11]	徐青山, 王海林, 辛瑗, 等. 一种基于大数据技术的电力数据挖掘分析方法: CN 113377834A[P]. 2021-09-10.
[12]	袁智勇, 肖泽坤, 于力, 等. 智能电网大数据研究综述[J]. 广东电力, 2021, 34(1): 1-12.
	YUAN Zhiyong, XIAO Zekun, YU Li, et al. Research review of big data for smart grid[J]. Guangdong Electric Power, 2021, 34(1): 1-12.
[13]	徐昌宝, 丁健, 潘成达, 等. 基于大数据深化分析的电能质量扰动辨识方法研究[J]. 电网与清洁能源, 2022, 38(12): 33-40.
	XU Changbao, DING Jian, PAN Chengda, et al. Research on the power quality disturbance identification method based on big data deepening analysis[J]. Power System and Clean Energy, 2022, 38(12): 33-40.
[14]	孙鸿飞, 弓丽栋, 张海涛, 等. 智能电网大数据分析框架及其应用演进研究[J]. 现代电力, 2016, 33(6): 64-73.
	SUN Hongfei, GONG Lidong, ZHANG Haitao, et al. Research on big data analysis platform for smart grid and its application evolution[J]. Modern Electric Power, 2016, 33(6): 64-73.
[15]	洪建光, 孔晓昀, 陈立跃, 等. 一种基于电力大数据可视化神经网络数据挖掘技术的电力故障预测方法: CN107992959A[P]. 2018-05-04.
[16]	周俊, 王磊, 夏天, 等. 一种基于大数据技术的电力数据挖掘分析方法: CN114925888A[P]. 2022-08-19.
[17]	李营, 李孟雷, 王修伦, 等. 一种基于大数据的电力数据挖掘方法: CN116304931A[P]. 2023-06-23.
[18]	陈志明, 宁艳, 王宁, 等. 一种面向电力大数据可视化的数据挖掘方法: CN114238434A[P]. 2022-03-25.
[19]	陈秉乾, 王春丽, 颜琰, 等. 一种基于电力大数据的数据处理方法及其系统: CN116205408A[P]. 2023-06-02.
[20]	胡文曦, 肖先勇, 汪颖, 等. 现代电网电力扰动数据分析与主动应用[J]. 电力系统自动化, 2021, 45(4): 1-11
	HU Wenxi, XIAO Xianyong, WANG Ying, et al. Analysis and proactive application of power disturbance data in modern power grid[J]. Automation of Electric Power Systems, 2021, 45(4): 1-11.
[21]	张宇帆, 艾芊, 肖斐, 等. 数据驱动电能质量分析现状及其支撑技术与展望[J]. 电力自动化设备, 2018, 38(11): 187-196.
	ZHANG Yufan, AI Qian, XIAO Fei, et al. Present situation, supporting technologies and prospect of data driven power quality analysis[J]. Electric Power Automation Equipment, 2018, 38(11): 187-196.
[22]	曲凯, 阴璐璐, 周洁. 基于大数据技术的水环境保护监管系统设计研究[J]. 环境保护科学, 2024, 50(3): 48-52.
	QU Kai, YIN Lulu, ZHOU Jie. Designing water environmental protection and supervision system based on big data technology[J]. Environmental Protection Science, 2024, 50(3): 48-52.
[23]	李刚, 刘燕, 宋雨, 等. 基于信息融合的电力大数据可视化预处理方法[J]. 广东电力, 2016, 29(12): 10-14.
	LI Gang, LIU Yan, SONG Yu, et al. Visualization pretreatment method for electric power big data based on information fusion[J]. Guangdong Electric Power, 2016, 29(12): 10-14.
[24]	全国信息与文献标准化技术委员会. 分布式电源接入电网技术规定:Q/GDW 1480-2015[S].
[25]	国家市场监督管理总局, 中国国家标准化管理委员会.电能质量供电电压偏差: GB/T 12325 — 2008[S]. 北京: 中国标准出版社, 2009.
[26]	国家质量监督检验检疫总局, 中国国家标准化管理委员会.电能质量电压波动和闪变: GB/T 12326 —2008[S]. 北京: 中国标准出版社, 2009.
[27]	国家技术监督局.电能质量公用电网谐波: GB/T 14549—1993[S]. 北京: 中国标准出版社, 1994.
[28]	国家质量监督检验检疫总局, 中国国家标准化管理委员会.电能质量三相电压不平衡: GB/T 15543—2008[S]. 北京: 中国标准出版社, 2009.
[29]	国家质量监督检验检疫总局, 中国国家标准化管理委员会.电能质量电力系统频率偏差: GB/T 15945—2008[S]. 北京: 中国标准出版社, 2008.

并网点	故障天数	统计天数	故障小时数	统计小时数	短闪变故障小时数	长闪变故障小时数	三相电压不平衡故障小时数	电压总畸变故障小时数	频率故障小时数	12:00 ―18:00发生故障天数
1	15	123	20	2 952	18	3	6	6	5	11
2	45	123	315	2 952	297	147	7	7	3	45
3	50	71	916	1 704	906	444	61	34	3	49
4	56	71	543	1 704	524	250	18	18	247	56
5	108	110	750	2 640	726	275	76	85	10	98
6	84	84	1 367	2 016	1 365	662	0	0	0	83

并网点	周一故障天数（统计周一总天数）	周二故障天数（统计周二总天数）	周三故障天数（统计周三总天数）	周四故障天数（统计周四总天数）	周五故障天数（统计周五总天数）	周六故障天数（统计周六总天数）	周日故障天数（统计周日总天数）
1	2（17）	3（17）	1（17）	3（18）	2（18）	2（18）	2（18）
2	6（17）	5（17）	5（17）	11（18）	7（18）	5（18）	6（18）
3	8（10）	6（10）	8（11）	8（10）	6（10）	7（10）	7（10）
4	6（9）	7（9）	8（10）	10（10）	10（11）	10（11）	5（11）
5	15（15）	14（15）	15（15）	16（16）	17（17）	16（16）	15（16）
6	12（12）	12（12）	12（12）	12（12）	12（12）	12（12）	12（12）

并网点	各并网点每月故障天数（各并网点每月统计天数）				各并网点每月故障小时数（各并网点每月统计小时数）
并网点	5月	6月	7月	8月	5月	6月	7月	8月
1	8（31）	2（30）	3（31）	2（31）	11（744）	3（720）	4（744）	2（744）
2	8（31）	16（30）	18（31）	3（31）	48（744）	135（720）	109（744）	23（744）
3	19（28）	27（27）	—	4（16）	232（672）	588（648）	—	96（384）
4	5（13）	10（14）	30（31）	11（13）	15（312）	61（336）	395（744）	72（312）
5	25（25）	29（30）	31（31）	23（24）	206（600）	153（720）	277（744）	114（576）
6	—	22（22）	31（31）	31（31）	—	334（528）	579（744）	454（744）