01、软件总体设计思路

  1.1 系统技术架构

  “基于多能互补的综合能源基地协同优化调度系统”总体设计是基于分布式微服务架构设计，通过数据中台和数据引擎驱动，以数字化场景、智慧化模拟、精准化决策为路径，全面推进算据、算法、算力建设，加快实现多能源互补发电决策由历史经验向“数据支撑+历史经验+模型仿真”相结合的模式转变，全面提升综合能源管理调度水平，为各清洁能源基地的运行与管理决策提供借鉴。

  图1 系统技术架构

  1.2 数据中台设计

  数据中台负责能源运行大数据的统一管理与服务，针对海量的结构化数据、非结构化数据、实时流数据实现“采、存、管、用”的一体化解决方案。建立数据底板，在有效保证数据的标准化支撑能力、及时性、完整性、准确性和一致性的同时，通过构建知识库和模型库，从数据层面为综合能源系统的模拟仿真和情景推演提供了坚实的基础。

  1.3 智能化模拟决策体系

  综合能源基地需要依托天气预报、发电设备运行工况、可供电量预报、需求电量、上网竞价、调度策略等因素开展智能化分析，形成调度决策。

  在能源调度过程中，利用模型库和知识库，研究对历史实际典型方案的实用化修剪模型和算法，开发优化调度模型，提供智能化的调度方案，为指挥决策提供依据。各种专家知识库与分析模型贯穿综合能源调度运行的全过程，为综合能源基地的智慧化建设提供全方位的支持。

  1.4 业务应用及数据标准体系

  业务应用围绕综合能源基地的调度业务，提供数字孪生综合能源一张图、能源调度系统、推演仿真系统等应用。

  在展示方面可采用目前主流的数字孪生可视化技术，利用二维/三维GIS+BIM技术，通过统一的平台进行生产运行过程信息的图形化、图像化展示与发布。通过数据分析、数据处理、数据共享和空间计算功能，将地理信息、综合多能源分配推演以及重点 BIM（三维模型）等，在一张GIS地图上形成“一张基础图”的多源数据集成，为各业务应用系统提供可视化展示的支撑平台。

  运行维护体系包括运维保障、标准规范等。标准规范体系是根据综合能源基地实际情况，按照部、省、市相关标准、规范要求，建设一套符合要求的完整的、统一的标准规范体系，包括数据规范、业务规范、技术规范、项目建设规范等内容[2]。

  02、软件设计方案

  2.1 能源调度系统

  2.1.1 供需预测

  对综合能源进行合理调度及优化的前提是科学预测能源的供给和需求，包括：

  1.可供给能源预测：通过模型对新能源发电基础设施的运行数据、结合气象数据（风向风速、降雨、太阳辐射等）进行分析，合理预测可供给能源、效益风险及弃电损失等；2. 根据历史数据的建模分析：基于历史数据搭建电网运行负荷评估模型、风能和光伏能源的波动性预测模型、风险 评估模型等[2]；3. 预测能源的需求：依据调度规则和历史数据，建立不同时期、不同场景下的能源需求预测模型；

  2.1.2 能源调度

  1. 调度模型。调度模型支持多策略，包括发电效益最大化策略、系统顶峰出力最大策略等；调度模块可根据不同的调度策略自动调用相应的调度模型，输出调度方案[3]。

  2. 调度策略配置。支持对不同的电站配置不同的调度策略，支持对多个电站批量配置同一调度策略，支持不同时间段和外部环境条件下配置不同的调度策略。

  3. 调度策略联合配置。支持对多个目标电站联合配置调度策略，形成一个调度方案，以实现最佳的调度效果。

  2.1.3 能源预警

  通过设计业务规则、设备运行阈值、预警规则等，对能源基础设施运行异常、供需不平衡、能源浪费超标等情况及时预警，并形成预警和处理记录。

  1. 预警规则配置。根据业务规则和风险，可通过对设备运行数据、闸门开启次数、水库水位、电网负荷等设置预警阈值，达到阈值触发预警。

  2. 预警类型。预警类型包括设备设施运行异常、弃电损失、效益风险、负荷风险、供需不平衡等。

  2.1.4 能效分析

  针对接收到的能源需求数据，通过模型对新能源发电基础设施的运行数据进行分析，生成能源调度策略，及能效预估，辅助调度策略人员进行科学调度；再将调度结果反馈到模型中，进一步优化其调度。

  1. 发电效率分析。对发电基础设施的运行数据、结合能源供需预测进行分析，实现发电功率预报、电网运行负荷、弃电损失、效益风险评估等功能，为调度策略提供依据；

  2. 调度模型。调度模型支持多种调度策略，包括发电效益最大化策略、顶峰发电量最大策略等；调度模块可根据不同的调度策略自动调用相应的调度模型，输出调度方案。

  2.2 推演仿真系统

  推演仿真系统是基于知识库、模型库、历史数据、发电基础设施的基础数据、调度策略及能效反馈数据形成的调度决策支撑系统。调度人员可以通过不同策略下的推演结果做出更合理的调度决策；也可以基于历史实际案例的推演，帮助其更好的了解现有能源系统，做出更加优化的调度决策。主要功能包括：

  2.2.1 知识库

  根据综合能源基地的业务特点和知识需求，构建业务规则、历史场景、发电对象关联关系、预报方案、和调度方案等知识库，并进行加工存储。

  1. 业务规则：包括调度规则、风险预警规则、安全运行监控等业务的风险预警研判。

  2. 历史场景：包括能源调度、应急事件等历史场景，包括场景特征、处置过程及效果、处置经验等内容，以支撑相似场景的快速查找匹配，支撑预案预演模拟。

  3. 发电对象关联关系：用于描述能源基地中的发电基础设施等实体、概念及其关系，包括空间关系、管理关系。

  4. 预报方案：基于基地发电调度需求，构建调度模型优选及参数集，并根据专家经验、预报效果、仿真及实时运行结果动态更新相关知识。

  5. 调度方案：基于预演预案模拟需求，构建发电调度、应急事件等历史场景，描述详细的场景特征、处置过程及效果、处置经验。基于基地多目标综合调度要求和调度知识来源，通过模拟预演优化，构建基地多业务联合的调度处置预案。

  2.2.2 模型库

  模型库是本系统最核心也是最有价值的功能，系统应该支持模型库的不断扩展，方便调度人员更好的学习和管理模型库的内容，支持不同模型在仿真场景下的数据比对，包括：

  1. 支持多种模型的加载和切换，用户可以通过搜索选择可调用的模型，获取模型的介绍、适用的调度场景及历史使用记录等信息，方便用户选择合适的模型。

  2. 支持模型参数的在线调整，系统会约束并提示可调整的参数及区间 ；仿真环境支持多模型多参数的同时同行计算，方便用户更好更快地获取最优调度预案。

  3. 数据底板的数据获取接口，可对外提供模型训练和测试所需的数据。对应用层提供模型调用接口，应用层可通过调用不同的模型进行预测分析和仿真推演。

  2.2.3 推演仿真

  基于历史能源需求数据、发电基础设施的运行数据、调度策略及能效反馈数据形成能源调度场景案例，调度策略人员可以基于不同的案例，进行模型和调度策略的优化和模拟仿真，以帮助其更好的了解现有能源系统，做出更加优化的调度决策。

  2.3 综合能源一张图

  利用三维可视化技术对水电站、风力发电和光伏发电等新能源发电基础设施构建三维模型，并对其运行数据、能源存储、能源利用效率、能源浪费、能源污染等指标进展直观的可视化展示。这不仅有助于管理者对基础设施的整体运行状态有更为清晰的了解，还可以帮助决策者基于实时数据和预报数据做出更为精准的决策。主要功能包括：

  2.3.1 基础信息概况

  以三维模型的形式展示能源基地各发电站。

  2.3.2 实时运行数据

  查看各发电站基本信息、发电机组状态、未来发电趋势变化数据、每个发电设备的工作实时状态等信息。

  2.3.3 发电趋势预报

  通过对发电站发电环境的变化，对未来发电量进行预测。

  03、关键技术的实现

  3.1 微服务框架

  技术架构方面采用了微服务架构，按照业务功能构建多个微服务，独立运行，各个微服务会通过定义好的边界和其它服务进行交互，以提供业务或技术功能。

  平台采用分布式微服务架构实现各业务功能之间的解耦和快速拓展，具备如下特点：

  （1）前端采用WAF+Nginx实现安全隔离和负载分流；（2）采用Nacos管理微服务的注册和发现；（3）支持通过Spring gateway服务网关聚合各个微服务之间的交互和动态组建微服务集群；（4）海量数据最终写入数据资产中心，支持结构化数据、非结构化数据、流式数据的存储;（5）支持微服务的统一配置和管控，包括鉴权、资源调度、队列服务、数据治理、接口映射等。

  3.2 数据中台实现

  数据中台提供针对海量的结构化数据和非结构化数据以及实时流数据的“采、存、管、用”的一体化解决方案，具备大数据的采集整合、存储计算、数据治理管控、数据应用分析等全方位的数据管理与服务能力，提供一站式的大数据解决方案，帮助客户优化数据资产，深挖数据的深层价值[4]。

  系统总体架构的4个层次分别是数据采集层、处理存储层、计算引擎、数据服务。

  （1）数据采集 ：对来自实时监测数据、算法模型输出数据、人工反馈校准数据等不同数据源的数据，通过数据接口、数据流或者其他方式进行采集；（2）数据处理与存储：对原始数据进行预处理并将预处理后的数据存储到数据库中，包括数据清洗、数据标准转换、数据标签、数据目录等，以确保数据的准确性和一致性，方便后续的数据处理和可视化展示；（3）计算引擎：对存储的数据进行处理，包括在线和离线大数据计算、统计分析、数据挖掘等，以从原始数据中提取有价值的信息和结论；（4）数据服务：将可共享的数据和模型开放给上层应用，以供其可视化展示给最终用户。

  3.3 三维可视化技术

  本系统需要实现三维可视化展示，这涉及到三维图形渲染、视角控制、交互操作等技术。使用现代的三维可视化技术，可以创建L3+具有高度交互性和视觉效果的三维可视化界面，以展示电力系统数据和算法模型输出功率调整方法[5]。

  结合不同场景下的历史运行数据和调度方案，结合三位可视化技术，可以用于模拟仿真在相同场景下的不同调度策略对能源效率的影响，从而帮助调度决策人员更好的了解和优化调度策略。

  3.4 发电预报模型

  3.4.1 数据收集

  1. 收集与电站相关数据，例如：发电适合水头、水位出力系数、特征水位、水位库容曲线、中长期水库入库流量等。2. 发电站发电环境数据收集，这可能包括天气数据（如温度、风速、太阳辐照度等）、设备状态数据（如发电机效率、设备故障率等）以及其他相关因素。为确保收集的数据质量和完整性，并对其进行清洗和预处理。

  3.4.2 模型选择

  根据预测需求选择预测模型。模型计算分为长期预测与短期预测，长期预测是以“日”为单位，可预测未来30天乃至月度、年度的每天发电量，短期预测是以“小时”为单位，可以预测未来24-72小时每小时的发电量。

  3.4.3 预测结果

  模型输出内容为未来发电量预测信息，主要包括：发电量、出力、入库流量、出库流量、弃电量等。

  3.5 多能互补调度决策模型

  风电和光伏均为不可调控能源，其出力受风速、太阳辐射、气温等气象因素的影响，具有较强的间歇性、波动性、和随机性。在短期调度中，风光水互补运行的本质是：利用水电机组的快速调节能力平抑风电和光伏的波动性，使得智能互补组合电源的出力波动性减小，降低对电网运行的不利影响。

  对发电预报模型进行扩展，可根据发电量的需求及设置决策，使多个发电站合理的协同发电并生成每个发电站的调度方案为调度人员提供参考。

  3.5.1 数据收集

  1. 以发电预报模型数据为基础数据。

  2. 设置所需总发电量、电价。

  3. 设置发电决策，决策主要包含：成本最低、发电量最大、收益最高等。

  3.5.2 预测结果

  显示不同策略下各发电站的发电量信息及调度方案。

  04、总结

  本文深入探讨了综合能源基地在多能互补背景下的协同优化调度系统的构建与实践。文章系统性地介绍了系统的技术架构、数据中台、智能化模拟决策体系等核心组件，以及它们在实现能源高效利用、供需平衡和智能化管理方面的作用。

  综上所述，本文不仅为综合能源基地的协同优化调度提供了系统性的解决方案，还通过具体的技术实现展示了其在实际应用中的可行性和有效性，对于推动能源行业的智能化、高效化发展具有重要意义。