技术领域
[0001] 本
发明涉及一种基于调控云的生产早报应用框架。
背景技术
[0002] 生产早报是上海公司生产运营管理的重要抓手。调控中心在生产早报的编制应 用方面已经积累了丰富的经验。生产早报要求及时准确汇集
电网调度运行各个专业 信息，并深入开展关联分析。
[0003] 目前，生产早报的编制主要通过专业人员制作PPT的方式完成。随着国家电网 公司“调控云”建设的不断推进，已经具备开展基于调控云的生产早报对象化及分 析技术研究的条件，以充分发挥调控云
大数据平台数据智能汇聚优势，进一步提升 生产早报的编制效率和数据关联分析能
力，为电网安全生产提供有力
支撑。
[0004] 生产早报是典型的电网调度大数据应用场景，紧密贴合生产应用需要，相关技 术具有很高的实用价值和应用推广价值。
[0005] 国家电网公司高度重视大数据技术的研究与应用，建成资源调配更弹性灵活、 数据利用更集中智能、服务集成更统一高效、应用开发更快速便捷的国网云平台。 调控云以“继承创新相结合，实用实效要落地”为基本原则，结合调控系统运行现 状，引入云计算、大数据等新一代信息技术，建设物理分布、逻辑集中的调控云平 台。
[0006] 在调度数据对象化方面，调控云平台充分吸收国内外
智能电网调度控制技术相 关模型数据标准思路和经验，包括IEC61970及CIM/E技术标准的本地化拓展，解 决了调度
数据中心之间及调度中心内部各专业之间的模型数据对象化信息共享问 题。在具体技术实现上，调控云部署了元数据和数据字典的统一维护和分发功能， 各应用端及源数据端可以通过订阅方式实现元数据和字典数据的订阅接收。
[0007] 数据云平台作为调控云的重要组成部分，提供数据管理和数据服务，包括面向 物理电网、实体设备和组织结构，对电力调控业务对象和对象之间的关系进行抽象 建模和分标设计，建立规范统一的调度模型
数据库。在此
基础上，构建模型数据云 平台、运行数据云平台、实时数据云平台和大数据平台，实现模型、运行、实时等 数据的管理和维护。
发明内容
[0008] 本发明的目的是克服
现有技术的
缺陷，提供一种基于调控云的生产早报应用 (application，APP)框架，将生产早报与调控云电力系统分析高级应用相融合， 展示电网运行深度模拟分析有关关键结论，还将研究早报的多主题模板化存储和可 配置自动生成技术，支撑调度日常应用。
[0009] 实现上述目的的技术方案是：一种基于调控云的生产早报应用框架，包括源数 据层、应用分析层和数据对象化层，其中：
[0010] 所述源数据层包括事故与异常模
块、检修工作单、气象数据库、电力
电能编制 系统和调度数据库；
[0011] 所述应用分析层包括以下单元：
[0012] 全网电力电量单元：用于分析全网电力电量的数据，包括气温、用电负荷、用 电峰谷差、受电电力、发电出力、用电量、发电量、受电量、用电负荷率和发电负 荷率数据，发电量数据包括有历史最高值、月累计值、月增长率、年累计值和年增 长率；
[0013] 地区电力电量单元：用于分析各地区的昨日最高负荷、历史最高负荷、当月最 高同比、日电量、月累积、月增长、年累积和年增长数据；
[0014] 主力机组启停单元：校核机组实时运行状态，在处理过程中需要提取的数据有： 机组名、电厂名、计划时间、开工时间、完工时间、流程状态、设备状态和设备类 型，从调控云中匹配机组对象，电厂对象，进一步提出机组容量和机组是否为燃
煤 机组或调峰机组信息，最后将处理过后的数据存入机组设备停复役时间表；
[0015] 电网事故异常单元：源数据来自事故与异常模块，事故与异常模块又分为7个 模块，分别为事故调度模块、异常调度模块、直流事故及异常模块、操作异常模块、 事故监控模块、异常监控模块和地调事故及异常模块，要提取出的对象为厂站对象 和设备对象；要提取的内容包括故障描述、故障影响、故障原因、影响恢复和设备 恢复数据；
[0016] 当前电网停复役设备单元：源数据来自于检修工作单，设备运行状态校核来自 设备实时运行状态；在处理过程中需要提取的源数据有设备名、厂站名、计划时间、 开工时间、完工时间、流程状态和设备类型数据；从调控云中匹配设备对象和厂站 对象；进一步提出设备
电压等级信息；最后将处理过后的数据存入机组设备停复役 时间表；
[0017] 一周气象预报单元：源数据来自于气象数据库，在处理过程中需要提取的源数 据包括早间天气、晚间天气、最低
温度和最高温度；
[0018] 全网电力平衡情况单元：源数据来自于电力电能编制系统和调度数据库，需要 提取的源数据包括今日预计最高用电负荷、今日高峰最高受电电力、今日最高发电 出力、今日可用负荷、今日高峰旋转备用、今日高峰旋转备用最小值，今日低谷负 荷、今日有序用电需求、昨日闸燃油库存、昨日闸燃油库存可用天数、昨日电厂煤 库存、昨日电厂煤库存和昨日电厂煤库存平均可用天数；从气象数据库中提取今日 预计最高气温和最低气温；
[0019] 直流功率计划单元：根据设备的直流状态和额定功率，对实时功率进行校核；
[0020] 设备检修
风险预警单元：分析220千伏及以上主网一周检修方式风险评估几预 警控制措施，并分析35千伏及以上配网当前检修方式风险评估及预警控制措施；
[0021] 节假日气温、负荷及用电量情况单元：分析当年节假日期间每日的最高气温/ 最低气温、节假日平均最高气温/平均最低气温以及去年同日期的相应的值、负荷及 用电量情况；
[0022] 所述数据对象化层包括事故异常数据对象化模块和检修工作单数据对象化模 块，所述事故异常数据对象化模块采用统一的厂站设备信息，将电网事故异常单元 中的原始事故异常描述对象化、标准化和结构化；所述检修工作单数据对象化模块 通过分析检修工作单得到各类型设备的停役时序数据。
[0023] 上述的一种基于调控云的生产早报应用框架，其中，所述事故调度模块和异常 调度模块里一一对应地存储电压等级为220kV及以上的设备的调度事故与调度异 常，从中提取的原始的事故异常源数据的字段包括厂站名、设备名、保护动作、故 障
相位、方式调整、巡线情况、分区和解环、故障测距信息/机组紧急启停情况、机 组处理调节情况、负荷转移情况、损失负荷、下级自切动作情况、35kV及以上单电 源风险、保护用户情况、重要用户情况、失电用户情况以及重合闸情况；
[0024] 所述直流事故及异常模块里存储电压等级为220kV及以上的设备的直流事故及 异常，从中提取的原始的事故异常源数据的字段包括机组紧急启停情况、方式调整、 巡线情况、机组处理调节情况、负荷调整、网调调减受电情况、功率转移情况、频 率变化情况、应对措施、事故影响、闭
锁前功率输送大小以及直流事故异常情况；
[0025] 所述操作异常模块里存储电压等级为220kV及以上的设备的操作异常，从中提 取的原始的事故异常源数据的字段包括设备名、厂站名、触发事故异常的操作内容 及结果和后续操作；
[0026] 所述事故监控模块和异常监控模块一一对应地存储电压等级为220kV及以上的 设备的监控事故与监控异常，从中提取的原始的事故异常源数据的字段包括恢复情 况、事故处理情况、故障/异常情况、设备名和厂站名；
[0027] 所述地调事故及异常模块存储设备电压等级220kV及以上的调度事故与异常， 从中提取的原始的事故异常源数据的字段包括设备名、厂站名、下级自切动作情况、 35kV及以上单电源风险、保护用户情况、重要用户情况、失电用户情况、重合闸情 况和损失负荷。
[0028] 上述的一种基于调控云的生产早报应用框架，其中，所述电网事故异常单元从 事故调度模块、异常调度模块、直流事故及异常模块、操作异常模块、事故监控模 块、异常监控模块、地调事故及异常模块中提取原始的事故异常源数据；所述事故 异常数据对象化模块在解析事故异常源数据过程中，先提取所述电网事故异常单元 的原数据中厂站名、设备名、描述和处理情况信息，然后根据厂站名和设备名，从 调控云设备库中，找出对应的对象；再根据相应的关键字，对原描述文本进行切词， 逐段提取出所需要的信息，组成相应标准化后的记录数据，将标准化和结构化后的 记录数据分为6个大类，包括直流类，电厂类，操作异常类，地调类，主网线路设 备类和主网非线路设备类。
[0029] 上述的一种基于调控云的生产早报应用框架，其中，检修工作单数据对象化模 块每小时从检修工作单中
抽取未归档和已归档但是未处理过的数据，分别提取其中 的设备名、厂站名、设备类型、流程状态、计划时间、开工时间、完工时间和设备 状态；
[0030] 接着根据提取的设备名、厂站名和设备类型与调控云内存储的数据进行匹配， 取得机组对象和电厂对象；分析出每台设备的设备状态，将该设备状态和调控云中 的标准描述对应，然后根据检修工作单的流程状态、计划时间、开工时间和完工时 间构建出机组设备停役时间；
[0031] 接着根据设备类型的不同，将设备分为电网设备和机组设备；
[0032] 判断机组设备是否为调峰机组或燃煤机组或者容量是否大于等于300MW，如果 是则将该数据设置为显示在报表中，并将处理后的数据，存入机组设备停复役时间 表；
[0033] 判断电网设备是否为直流，再判断该设备所属直流是否为芦嵊直流，如果是芦 嵊直流则该直流设备设置为不显示在PPT上；如果不是直流，则继续判断设备电压 等级是否为1000/500/220kV，如果电压等级为1000/500kV，那么设备类型不为主变 /
母线/线路，则不显示在报表中；如果电压等级为220kV，那么电网设备类型不为 母线/线路，则不显示在报表中；然后将处理后的数据，存入电网设备停复役时间表。
[0034] 本发明的基于调控云的生产早报应用框架，将生产早报与调控云电力系统分析 高级应用相融合，展示电网运行深度模拟分析有关关键结论，还将研究早报的多主 题模板化存储和可配置自动生成技术，支撑调度日常应用。
附图说明
[0035] 图1为本发明的基于调控云的生产早报应用框架的结构示意图。
具体实施方式
[0036] 为了使
本技术领域的技术人员能更好地理解本发明的技术方案，下面结合附图 对其具体实施方式进行详细地说明：
[0037] 请参阅图1，本发明的最佳
实施例，一种基于调控云的生产早报应用框架，包 括源数据层1、应用分析层2和数据对象化层3。
[0038] 源数据层1包括事故与异常模块、检修工作单、气象数据库、电力电能编制系 统和调度数据库；事故与异常模块和检修工作单存储在OMS系统中，调度数据库采 用D5000数据库。
[0039] 应用分析层2包括全网电力电量单元20、地区电力电量单元21、主力机组启停 单元22、电网事故异常单元23、当前电网停复役设备单元24、一周气象预报单元 25、全网电力平衡情况单元26、直流功率计划单元27、设备检修风险预警单元28 和节假日气温、负荷及用电量情况单元29。
[0040] 数据对象化层3包括事故异常数据对象化模块31和检修工作单数据对象化模块 32。
[0041] 1、全网电力电量单元20用于分析全网电力电量的数据，包括气温、用电负荷、 用电峰谷差、受电电力、发电出力、用电量、发电量、受电量、用电负荷率和发电 负荷率数据，发电量数据包括有历史最高值、月累计值、月增长率、年累计值和年 增长率；
[0042] 可以根据D5000数据库中平均发电量*24小时计算出，还可根据EMS每日汇报 模块中的“总发电量”的实际值得出。
[0043] 发电量要分析的数据包括有历史最高值、月累计值、月增长率、年累计值、年 增长率。
[0044] 历史最高值取OMS中的历史发电量数据的最高值。
[0045] 月累积取OMS中昨日的月累积值加上当日的发电量。
[0046] 月增长取OMS中的历史累积数据，计算公式为：月增长＝(当月累积-上月累积)/ 上月累积*100％。
[0047] 年累积取OMS中昨日的年累积值加上当日的发电量。
[0048] 年增长取OMS中的历史累积数据，计算公式为：年增长＝(当年累积-去年累积)/ 去年累积*100％。
[0049] 用电负荷率为计算值。先取上述中的日用电量，然后取上述中的最高用电负荷， 具体的计算公式为：用电负荷率＝用电量/(最高用电负荷*24)*100％。
[0050] 发电负荷率为计算值。先取上述中的日发电量，然后取上述中的最高发电出力， 具体的计算公式为：发电负荷率＝发电量/(最高发电出力*24)*100％。
[0051] 发电负荷率(新)为计算值。先取上述中日发电量，在计算“新最高发电出力”。 新发电出力计算公式为：新发电出力＝总最高发电出力-16家电厂的发电出力+16家 电厂下开机过的机组额定发电出力(注：16家电厂包括外高桥、外高桥二厂、外高 桥三厂、石洞口异常、石洞口二厂、石二新厂、上电漕泾、吴泾、吴泾六期、吴泾 二厂、漕泾热电、奉贤燃机、石洞口燃机、上临燃机、罗泾燃机、奉贤二厂)。接着 去新发电出力的最大值，即得新最高发电出力。发电负荷率新的计算公式为：发电 负荷率＝发电量/(新最高发电出力*24)*100％。
[0052] 2.地区电力电量单元21用于分析上海浦东、市北、市南、市区、嘉定、松江、 奉贤、金山、青浦、崇明、长兴等11个地区的昨日最高负荷、历史最高负荷、当月 最高同比、日电量、月累积、月增长、年累积和年增长数据；
[0053] 3.主力机组启停单元22用于校核机组实时运行状态，在处理过程中需要提取的 数据有：机组名、电厂名、计划时间(调度台批复时间)、开工时间(调度台待开工- 调度下令时间)、完工时间(调度台待完工-施工完工时间)、流程状态、设备状态和 设备类型，从调控云中匹配机组对象，电厂对象，进一步提出机组容量和机组是否 为燃煤机组或调峰机组信息，最后将处理过后的数据存入机组设备停复役时间表；
[0054] 4.电网事故异常单元23的源数据来自事故与异常模块，事故与异常模块又分为 7个模块，分别为事故调度模块、异常调度模块、直流事故及异常模块、操作异常 模块、事故监控模块、异常监控模块和地调事故及异常模块，要提取出的对象为厂 站对象和设备对象；要提取的内容包括故障描述、故障影响、故障原因、影响恢复 和设备恢复数据。
[0055] 事故调度模块和异常调度模块里一一对应地存储电压等级为220kV及以上的设 备的调度事故与调度异常，从中提取的原始的事故异常源数据的字段包括厂站名、 设备名、保护动作、故障相位、方式调整、巡线情况、分区和解环、故障测距信息/ 机组紧急启停情况、机组处理调节情况、负荷转移情况、损失负荷、下级自切动作 情况、35kV及以上单电源风险、保护用户情况、重要用户情况、失电用户情况以及 重合闸情况；
[0056] 直流事故及异常模块里存储电压等级为220kV及以上的设备的直流事故及异 常，从中提取的原始的事故异常源数据的字段包括机组紧急启停情况、方式调整、 巡线情况、机组处理调节情况、负荷调整、网调调减受电情况、功率转移情况、频 率变化情况、应对措施、事故影响、闭锁前功率输送大小以及直流事故异常情况；
[0057] 操作异常模块里存储电压等级为220kV及以上的设备的操作异常，从中提取的 原始的事故异常源数据的字段包括设备名、厂站名、触发事故异常的操作内容及结 果和后续操作；
[0058] 事故监控模块和异常监控模块一一对应地存储电压等级为220kV及以上的设备 的监控事故与监控异常，从中提取的原始的事故异常源数据的字段包括恢复情况、 事故处理情况、故障/异常情况、设备名和厂站名；
[0059] 地调事故及异常模块存储设备电压等级220kV及以上的调度事故与异常，从中 提取的原始的事故异常源数据的字段包括设备名、厂站名、下级自切动作情况、35kV 及以上单电源风险、保护用户情况、重要用户情况、失电用户情况、重合闸情况和 损失负荷。
[0060] 5.当前电网停复役设备单元24的源数据来自于检修工作单，设备运行状态校核 来自D5000数据库中的设备实时运行状态；在处理过程中需要提取的源数据有设备 名、厂站名、计划时间、开工时间、完工时间、流程状态和设备类型数据；从调控 云中匹配设备对象和厂站对象；进一步提出设备电压等级信息；最后将处理过后的 数据存入机组设备停复役时间表。
[0061] 6.一周气象预报单元25的源数据来自于气象数据库，在处理过程中需要提取的 源数据包括早间天气、晚间天气、最低温度和最高温度；数据分析从气象数据库中 直接获取。
[0062] 7.全网电力平衡情况单元26的源数据来自于电力电能编制系统和调度数据库， 需要提取的源数据包括今日预计最高用电负荷、今日高峰最高受电电力、今日最高 发电出力、今日可用负荷、今日高峰旋转备用、今日高峰旋转备用最小值，今日低 谷负荷、今日有序用电需求、昨日闸燃油库存、昨日闸燃油库存可用天数、昨日电 厂煤库存、昨日电厂煤库存和昨日电厂煤库存平均可用天数；从气象数据库中提取 今日预计最高气温和最低气温；
[0063] 8.直流功率计划单元27的源数据来自于D5000数据库中的直流计划功率，根据 设备的直流状态和额定功率，对实时功率进行校核。
[0064] 9.设备检修风险预警单元28的源数据来自于OMS系统中的主网风险预警和配网 风险预警，状态为已发布，日期为当日。设备检修风险预警单元28用于分析220 千伏及以上主网一周检修方式风险评估几预警控制措施，并分析35千伏及以上配网 当前检修方式风险评估及预警控制措施；
[0065] 10.节假日气温、负荷及用电量情况单元29用于分析当年节假日期间每日的最 高气温/最低气温、节假日平均最高气温/平均最低气温以及去年同日期的相应的值、 负荷及用电量情况；
[0066] 日期按先后顺序向下排列。最后一行显示，这期间的平均值。每个数据值均保 留一位小数。另外，将去年和今年同期间内最大的“最高气温”值标红，最小的“最 低气温值标红”。节假日需要取当年实际最高负荷用电负荷以及去年同日期每日的 最高/最低用电负荷，日用电量等数据，以及相应的增长率。以及计算每一个属性在 节假日日期内的平均值。每个表的标红原则如下，当年/去年实际最高负荷和最低负 荷以及日用电量取最小值并标红；平均增长率取最大值标红。倘若某一天没有值， 不用加入平均值计算中。表中所有数据增长率均保留两位小数，其余数值保留整数。 16个厂站或14个分区的平均高峰电压和平均低谷电压的平均值，以及最高电压的 最大值，和最
低电压的最小值，越上限次数和越下线次数的总值，以及合格率的平 均值。所有电压值均保留一位小数，合格率保留两位小数[0067] 事故异常数据对象化模块31采用统一的厂站设备信息，将电网事故异常单元中 的原始事故异常描述对象化、标准化和结构化。电网事故异常单元23从事故调度模 块、异常调度模块、直流事故及异常模块、操作异常模块、事故监控模块、异常监 控模块、地调事故及异常模块中提取原始的事故异常源数据；事故异常数据对象化 模块31在解析事故异常源数据过程中，先提取电网事故异常单元23的原数据中厂 站名、设备名、描述和处理情况信息，然后根据厂站名和设备名，从调控云设备库 中，找出对应的对象；再根据相应的关键字，对原描述文本进行切词，逐段提取出 所需要的信息，组成相应标准化后的记录数据，将标准化和结构化后的记录数据分 为6个大类，包括直流类，电厂类，操作异常类，地调类，主网线路设备类和主网 非线路设备类。
[0068] 检修工作单数据对象化模块32通过分析检修工作单得到各类型设备的停役时 序数据。检修工作单数据对象化模块32每小时从检修工作单中抽取未归档和已归档 但是未处理过的数据，分别提取其中的设备名、厂站名、设备类型、流程状态、计 划时间、开工时间、完工时间和设备状态；
[0069] 接着根据提取的设备名、厂站名和设备类型与调控云内存储的数据进行匹配， 取得机组对象和电厂对象；分析出每台设备的设备状态，将该设备状态和调控云中 的标准描述对应，然后根据检修工作单的流程状态、计划时间、开工时间和完工时 间构建出机组设备停役时间；
[0070] 接着根据设备类型的不同，将设备分为电网设备和机组设备；
[0071] 判断机组设备是否为调峰机组或燃煤机组或者容量是否大于等于300MW，如果 是则将该数据设置为显示在报表中，并将处理后的数据，存入机组设备停复役时间 表；
[0072] 判断电网设备是否为直流，再判断该设备所属直流是否为芦嵊直流，如果是芦 嵊直流则该直流设备设置为不显示在PPT上；如果不是直流，则继续判断设备电压 等级是否为1000/500/220kV，如果电压等级为1000/500kV，那么设备类型不为主变 /母线/线路，则不显示在报表中；如果电压等级为220kV，那么电网设备类型不为 母线/线路，则不显示在报表中；然后将处理后的数据，存入电网设备停复役时间。
[0073] 本发明的基于调控云的生产早报应用框架，生产早报是对电网调度运行情况相 关大量数据的总结提炼和智能挖掘分析。涉及调度、计划、继保、通信、自动化、 综合等各个专业以及公司各相关业务部
门。调度生产日报需要汇总分析的信息包括： 电网模型信息、调度日志信息、发电计划信息、负荷信息、电力电量平衡、电网设 备运行信息、稳控信息、检修信息、电网故障信息、重要断面潮流信息、调频调峰 运行信息、新设备投产、联络线计划与交易信息、外部活动保电事项信息、天气预 报、灾害事件信息等。调度生产日报不仅需要对前一日电网生产运行情况进行分析， 还需要对下一日及后续一段时间的运行计划进行分析预测。
[0074] 生产早报研究基于调控云数据平台的构建方法。基于CIM/E电力系统对象模型， 汇集电网生产运行相关结构化信息、非结构化信息、地理信息。
[0075] 生产早报采用
人工智能技术、
数据挖掘等技术进行数据分析处理。数据挖掘技 术从大量数据中寻找其规律的技术，主要有数据准备、规律寻找和规律表示3个步 骤。数据准备是从相关的数据源中选取所需的数据并整合成用于数据挖掘的数据集； 规律寻找是用某种方法将数据集所含的规律找出来；规律表示是尽可能以用户可理 解的方式(如
可视化)将找出的规律表示出来。数据挖掘的具体数据分析方法包括 关联分析、
聚类分析、分类分析、异常分析、特异群组分析和演变分析等等。
[0076] 生产早报研究可视化技术实现调度日报内容的自动生成。可视化技术主要旨在 借助于图形化手段，清晰有效地传达与沟通信息，便于相关者对数据的理解和认识， 包括二维、三维、地理图和动画可视化展示方法。
[0077] 综上所述，本发明的基于调控云的生产早报应用框架，将生产早报与调控云电 力系统分析高级应用相融合，展示电网运行深度模拟分析有关关键结论，还将研究 早报的多主题模板化存储和可配置自动生成技术，支撑调度日常应用。
[0078] 本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发 明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上所述 实施例的变化、变型都将落在本发明的
权利要求书范围内。
