能源互联网理论与及其实际应用初探

文章目录

一、能源互连网的基础理论
- 1、能源互联网的基本定义
- 2、能源互联网的定义框架
- - 2.1 基本要素
  - 2.2 技术特征
  - 2.3 研究尺度
  - 2.4 定义的数学表达——能量枢纽模型
- 3、能源互联网的评价指标
- 4、能源互联网的研究方法
- - 4.1 模拟研究
  - 4.2 半实物仿真研究
二、能源互联网的应用研究
- 1、大数据分析在能源互联网中的应用
- - 1.1 介绍各类大数据技术手段
  - 1.2 能源互联网中的各类实际应用
- 2 、能源互联网的规划研究
- - 2.1 耦合多能源系统的潮流分析
  - 2.2 基本的优化规划模型
  - 2.3 能源生产环节规划
  - 2.4 源网协同规划
  - 2.5 能源消费环节规划
  - 2.6能源互联网规划模型的求解方法
参考文献

一、能源互连网的基础理论

1、能源互联网的基本定义

能源互联网定义：
杰里米《第三次工业革命》中提出——以可再生能源+互联网为技术核心，实现电网中可再生清洁能源、电动汽车的广泛接入，实现能源的公平交易和高效综合利用。
具体解释：能源互联网以大电网为“主干网”，以微网、分布式能源等能量自治单元为“局域网”，通过开放对等的信息，能源一体化架构实现能源(电能) 的双向按需传输和动态平衡使用，它是一个信息与能源相融合的“广域网”。
优点：借鉴了互联网理念，自底向上构建能源基础设施，通过微网等类似能量自治单元的开放对等互联和信息能量融合分享，增加分布式可再生能源的灵活接入和就地消纳。
结构划分：按照能源的生产环节(源)–能源的传输环节(网)–能源的消费环节(荷) 进行划分

2、能源互联网的定义框架

如图所示的一种定义框架，用于能源互联网定义的梳理，该框架包含能源互联网的基本要素、技术特征、尺度约束以及数学定义。

2.1 基本要素

在能源互联网定义框架内，基本要素可归纳且不局限于能源、传输网（固网和动网）和信息通信。这 3 个要素互联互通，需要统一规划协调，在运行控制、管理和运营等层面要避免呈现独立状态，以此体现定义的约束性。
（1）能源
主要包括传统能源、集中式和分布式可再生能源等一次能源，以及电能、余热等二次能源。除此之外，还包括与能源转换有关的物理设备，如冷热设备—热泵、热电联产机组、蓄热装置等；动力源设备—燃气发电设备（如燃气内燃机、燃气轮机、燃料电池、燃气锅炉等）。
根据地区资源禀赋和需求侧特色，多种能源获取设备将被组合，形成不同网络拓扑结构，而分布式能源网络将在高可再生能源比例地区中起到重要能源供给作用。
（2）传输网
通常是指固网和动网。
固网：以电网、热网为代表的固网是传统基础设施建设的重点，也是能源互联网的重要组成部分，其运行的经济性和可靠性除了与自身特性有关，也高度依赖于能源侧的稳定运行。传统电网正逐步向主动配电网改进，并通过与其他元素结合，向能源互联网演化。
动网：固网可以为移动蓄能装置提供清洁能源，形成动网。动网的纽带是指移动蓄能设备便捷的交互特性，比如电动汽车的充电特性。
随着充电设施的普及和对电动汽车认可程度的加深，能源的传输形式更加多样化。动网与固网更加紧密的配合，动态、实时平衡供需，使分布式能源网络内部和外部之间的沟通变得更加灵活。
（3）信息通信
信息通信将在未来的能源系统中成为引导能源合理流动的关键技术，是能源互联网构建的重要基础之一。
未来能源互联网将实现以可再生能源生产为主、信息驱动、和谐的能源供销生态环境。这也强调了信息通信的重要驱动作用，只有可靠高效的信息技术才能实现能源网内各系统和设备的双向传递，进而协调广域内的海量能源设备的互联互通。

2.2 技术特征

能源互联网作为能源、传输网和信息通信技术，三者深度融合的新型能源体系，其概念、技术方面的内涵和外延都更全面。
（1）以需求为导向
终端用户需求将成为能源生产的主要导向，还原能源的商品属性，完善市场化交易机制。此外，随着可再生能源、分布式电源等的大规模接入，对能源系统的供、需双侧都会造成冲击，因此，需求侧的能源管理将成为保证能源互联网稳定性的重要手段。
（2）多能互补
未来的能源体系将转变为以风电、光伏等清洁能源为主，火电等传统能源为支持的多能互补型生态能源体系。
原因：可再生能源发电具有随机、不稳定等特征，为弱化其对电网稳定性的冲击，传统能源（煤、天然气等）和可再生能源（太阳能、风能等）需要高效协同，可以通过常规能源配合调节，辅以储能技术，实现能源稳定可持续的供应。
（3）主体多元
产生了多元的市场主体，包括发电商、网络运营商、服务商、运维商和用户等。
原因：能源互联网中大量分布式能源的融入，进而促使。
好处：市场主体越多元，消费者对传统大型能源公司的依赖就越低。同时，能源互联网可以有效分担系统安全风险，并就近消纳可再生能源，达到灵活与实用兼顾。
（4）智能管控
大数据+云计算。二者是能源与互联网实现线上线下完美融合的关键技术，也是能源互联网智能化管控平台搭建的重要支撑。
原因：能源互联网具备了体量大、类型多、速度快等“大数据”的特征，“云计算”提供了大数据的挖掘和分析平台。
（5）广域共享
打造集信息流、物流、资金流为一体的“能源资源平台”；其中，互联网及信息通信相关技术与能源融合，通过互联互通、开放共享的信息网络和功能平台，各类主体在这个平台上既自由竞争，又相互协作，最终实现能源效率最优和能源价值的最大化。
未来多种能源形式的供应链互联网化将会逐步实现，共享经济使能源消费的零边际成本成为可能。
（6）用户体验
从用户对能源消费的便捷性、经济性和稳定性出发，通过技术手段，提升需求侧用能的功能与体验，满足用户在不同品位能源上的生产、利用和交易需求将成为必要趋势。
原因：能源互联网中的能源存在形式广泛且多样，用户的角色随之发生转变，既是能源的提供者也是消费者。

2.3 研究尺度

（1）空间尺度
能源互联网按照跨域范围的大小可以分为局域、广域、骨干和全球能源互联网。
“局域网”的主要组成部分是微网等能量自治单元，具有域内高度自治、域间互联互通的特点，局域网被认为是广域能源互联网和分布式电源的纽带，也是能源互联网的基本组成单元。
“广域网”的空间尺度相当于智慧城市能源网，将分布式能源和其他公用设施有机融入城市原有的基础设施网络中，构建支持供需侧、服务侧等平等交易的开放平台。
“国家级能源主干网”作用是实现全国范围内能源的生产、输送、消纳和调度。
“全球能源互联网”即以特高压电网为骨干网架，以输送清洁能源为主导，连接“一极一道”和各洲大型能源基地，实现跨洲、跨国资源的优化配置。
（2）时间尺度
对于源侧，由于可再生能源发电出力的间歇性和不可预测性，其发电功率在秒级、分钟级、小时及季节级变化波动。
对于能量传输侧，既包括能量传输速度极快的电力网，其动态以纳秒到毫秒的时间尺度描述；也包括时延较大的热网和气网，需要用秒、分甚至小时级的时间尺度描述。
对于需求侧，时间尺度的变化会对负荷匹配产生影响。可见，能源互联网研究中的时间尺度问题，不仅影响能量转换和储存的设备容量的选择，还影响能源系统的供需平衡。

2.4 定义的数学表达——能量枢纽模型

瑞士苏黎世联邦理工学院于 2007 年提出了能量枢纽(energy hub，EH)的概念，作为描述多能源系统中能源输入、输出、存储、耦合关系的端口模型。该模型通过能源输入到负荷输出端口的耦合矩阵来表示电、热、气等多种能源形式之间的转换、存储、运输等关系。综合表达了分布式能源网络中能源的供给、输送和利用等环节。

Li为表负荷的能源需求量，包括冷、热、电等负荷，即耦合矩阵输出的电、气、热等各种形式的能源；
Pi 为能源供给，包含常规能源和可再生能源，即表示输出耦合矩阵的各种形式的能源；
Cij 为耦合系数，表示第j种输出能源和第i种输入能源的比值。
各种形式的能源在耦合矩阵中从输入到输出主要经过能源分配和能源转换两种形式，能源分配即输入能源按一定比例分配到不同的能源转换设备，能源转换即输入能源通过能源转换设备转换为其他形式的能源，存在一定的转换效率。

式中：ηij 为各种能源的转换系数(efficiency factor)，表示第i 种能源转换为第j 种能源的效率；υij 为能源分配系数(dispatch factor)，表示第i 种能源分配到第j 种能源对应转换设备的系数，需满足：

耦合矩阵中的分配系数υ可以通过改变能源转换设备的设定而人为设置，同时转换系数η也不是常数，而是能源种类、温度、时间、设备的函数，因而能量枢纽的矩阵建模不是简单的线性代数方程组，不同种类的能源、设备的运行状态，可能导致耦合矩阵存在较多的非线性元素。当考虑储能设备、用户的需求侧响应、电动汽车等因素时，还可以通过在能量枢纽的矩阵表达式中分别加入相应的包含能量存储、需求侧响应耦合因子、电动汽车状态选择函数的矩阵来进行扩展建模。
我们可以通过选择能量枢纽内部不同的组成元素，设置能量分配、转换系数，添加耦合因子、扩展矩阵等方式建立广义的能量枢纽模型，以构建更为精确、可行的能源互联网规划模型。
随着代表设备性能的η和υ 矩阵性能的提升，外界输入矩阵中常规能源逐渐减少，可再生能源占比增加，以此降低能源互联网对传统化石能源的依赖程度，从根本上实现能源结构转型。

3、能源互联网的评价指标

评价指标的选择是明确研究目标的基础，如何选择评价指标，应当以我国能源互联网的发展到底要解决什么问题、如何解决为导向。下图为部分评价指标的例子，具体的评价指标可参加文献[4]。

4、能源互联网的研究方法

研究方法可归纳为实验研究、模拟研究、半实物仿真研究3 类。对于大规模的实验研究，无论考虑初投资还是运行费用，都面临成本问题。故目前更多的采用模拟和半实物仿真研究。

4.1 模拟研究

目前针对单一供能系统相关设备的建模研究已较为成熟。对该类设备进行单一供能系统统一模型框架下的有效集成，以及不断丰富与可再生能源相关的新型设备模型库，是现阶段能源互联网建模研究工作的重点。
在分布式能源网络的设计中，通常要实现多个不同甚至是相互矛盾的目标的最优化，研究者或者工程师经常面临着如何选取最适合的设备及其容量、如何实现最佳运行等问题，故对系统进行建模然后求解最优是非常必要的。
区域能源系统的建模以及优化算法的研究都取得了较大的进展。人工智能算法、遗传算法、禁忌搜索、进化策略、人工神经网络、蚁群和粒子群算法等都引入到了区域供能系统的优化求解之中，由此推动了基于这些优化算法的模拟工具逐渐发展。
模拟工具如HOMER，DER-CAM，TRNSYS，GenOpt。等都是应用较为成熟并受到广泛认可的工具。

4.2 半实物仿真研究

单纯的模拟研究因存在仿真度低、结果偏差大，不能实时分析系统性能，综合考虑能源互联网中各主体的相互影响，实现全过程的动态数字仿真是极具挑战性的。将数字仿真系统与物理模拟仿真平台有机结合的半实物仿真技术，规避了数值模拟和实验研究的诸多局限性。
半实物混合仿真技术，又称硬件在环模拟HILS，是一种将虚拟和实际原型测试相结合的实时仿真技术，指在实验系统的仿真回路中接入系统实物以取代相应部分的数学模型，并与系统实时仿真模型连接成为一个系统。我国随后建筑空调领域开始兴起了半实物仿真技术的相关研究。
电力系统的半实物仿真技术。如利用实时数字仿真仪RTDS和功率放大器建立虚拟电网，并将它与实际dSPACE 变流器相连接。RTDS 通过将采集到的变流器并网电流重新返回到其内部的电网模型，以此将实际电网中的复杂故障在实验室复现。
基于以上思路，可以考虑将电力系统中的半实物仿真技术有效扩展至能源互联网的燃气、供热和供冷等其他环节。
具体来说：不使用所研究的对象的实物并网系统，而是使用实时计算机仿真系统模拟实际对象，通过和真实的控制器连接构成闭环系统，以此在实验室中调试获得实际控制器的最佳运行策略。

二、能源互联网的应用研究

1、大数据分析在能源互联网中的应用

能源互联网侧重分布式能源和可再生能源的接入和互联，大数据分析在能源互联网中的应用包括负荷建模、负荷预测、优化、状态评估、电能质量监测与控制、需求侧管理与响应、分布式能源接入、多能调度规划、自动故障定位、系统安全与态势感知等。

1.1 介绍各类大数据技术手段

大数据分析过程：
大数据的分析处理过程主要分为大数据采集、大数据导入/预处理、大数据统计/分析、大数据挖掘等主要步骤。
（1）大数据采集：大数据的采集离不开因特网和物联网技术，主要技术包括标识、传感和数据集中等。
（2）大数据导入/预处理：为了实现大数据分析，需要将采集到的数据导入到内存或数据库中，其中涉及到格式和标准的统一、非结构化数据的存储和建模等。
（3）大数据统计/分析：大数据统计和分析的具体技术包括分类、聚类、关联等，按照处理的时间特性可以分为离线计算、批量计算、内存计算和流计算等。
大数据挖掘：大数据分析结果被用于数据挖掘。因为前面的分析仅以数据为中心进行处理，得到的结果不易被人所理解且不一定匹配研究目的，可能会得到无用甚至表面上相反的结果。因此需要人的参与，以数据挖掘目的为指导，对结果进行过滤和提纯，将结果转化为人所能理解的语义形式，最终实现数据挖掘的目的。
大数据处理平台：
云计算平台作为计算的基础设施。在其上进行分布/并行计算，利用分布式计算框架hadoop的MapReduce。对数据进行流数据处理，使用内存计算。
大数据分析算法：
（1）分布式数据挖掘技术：关联分析与FP-growth。
（2）分布式聚类算法：整个聚类任务被当做一个Hadoop任务来并行运行，通过将分布式计算与迭代计算相结合，大大减少计算时间。
（3）分布式分类算法：同样也需要并行实现，如Mahout相关分类算法，其可伸缩性和并行算法的优势变得明显。
（4）深度学习算法：深度学习的加速，主要有GPU加速、数据并行和计算并行。
（5）超大规模神经网络算法：属于一种新兴技术。

1.2 能源互联网中的各类实际应用

（1）负荷建模
负荷建模是能源互联网大数据分析的主要应用，其结果可以用于负荷预测、电力调度、故障定位和实时仿真。负荷建模决定了能源互联网大数据分析的整体性能，具有非常重要的地位。
负荷云库是电力大数据和云平台的结合。负荷云库利用云平台存储的能源互联网负荷相关数据进行大数据分析，以辅助现实的能源互联网相关应用。负荷建模的目的是精确辨识电力负荷。建模的技术主要有3种：综合统计法，总体测辨法和故障仿真法。
（2）预测
A、负荷预测
能源互联网的正常运行和调度离不开负荷预测。为了实现负荷预测，除了利用大量在线数据，还需要海量的历史同期数据和天气环境数据，大数据技术支持必不可少。
如利用贝叶斯模型进行长间隔的均值负荷预测，取得了很好的效果。在网格环境中，研究人员基于数据聚集的自适应长期负荷预测模型，性能超过了以前使用的均方误差算法。作为自动发电控制的一部分，研究人员等提出了基于神经网络的超短期负荷预测，实现了实时发电控制。
B、太阳辐照度预测
太阳辐照度预测对于并网光伏电站的最优运行和功率预测具有重要意义。使用静态网络和具有外部输入的非线性自回归模型预测太阳辐射；采用K最邻近分类算法、回归树和随机森林方法进行太阳辐射预测；通过结合聚类数据和自适应神经模糊推理系统模型，实现了提前 1 h 的太阳辐射预测，取得了很好的效果。
C、输出功率预测
光伏电站的功率取决于太阳辐射和温度。这使得预测输出功率成为光伏科学家研究的热门话题。利用模型组合技术( 径向基、传统前馈网络、自适应神经模糊推理系统和 SVM)个稳定、有效且准确的风力涡轮发电量日前预测模型，超越了单个模型性能。利用 ANN 预测风力发电机的功率输出，表明功率的预测很大程度上取决。
（3）状态评估
状态评估主要对状态进行分类以确定系统所处的状态。例如：基于电压的稳定性评估，决定系统是否处于失稳状态。我们根据电力系统所处的状态，可以制定相应的操作决策。文献[66]根据组件重要性和操作状态，对电力系统安全进行了风险评估。
（4）电能质量监测与控制
电能质量包括输变电网络的各种电气特征，如有功、无功、压降、谐波和频率波动等。电能质量决定了电网的性能和用户的用能体验，它是用户和电网运营商的主要交互信息之一。
（5）需求侧管理与响应
需求侧管理需要利用海量的实时和历史数据实现负荷预测相关功能。需求侧管理主要是为了节省能源或保证供电的持续性和平稳性。
需求侧管理是智能电网中重要的功能之一，它允许客户对其能源消耗作出明智的决策，并帮助能源供应商减少高峰负荷需求，重塑负荷曲线。这样可以提高智能电网的可持续性，并降低整体运营成本和碳排放水平。
（6）分布式能源接入
分布式能源的接入规模将越来越大，所采集的能源设备状态数据和电力相关数据也随之增加，需要使用大数据分析技术对其进行分析预测和有效调度。
对于能源互联网，分布式能源的接入主要通过微网来实现。研究人员针对拥有分布式可再生能源的微网，研究了以最小开销为目标的能源调度制定模型。
分布式能源接入将向着更大规模接入和更有效本地消纳、更高传输效率与共享、多能互补等方向发展。
（7）多能调度规划
各种分布式能源的生产特性互不相同，且有一定的互补性，统一调度与规划才能同时提高系统的经济性和稳定性。因此多能调度与规划是必要的。
如基于仿真，对建筑物的多种能源形式进行管理和调度，性能得到提升。通过最低开销优化模型，在不同的操作模式下，建立风-光-氢混合能源生产系统的规划策略，提高可靠性和灵活性。针对冷热电多种能源类型的微网，有学者提出了相应的调度解决方案，实现了微网的可控性。
（8）自动故障定位和诊断
借助于大数据分析技术( 如关联方法) 与传统故障定位技术相结合，有可能提高定位精度和速度。配电网中的故障定位主要使用矩阵方法，该方法原理简单，但对于错误数据比较敏感。此外，还有人工神经网络、遗传算法和蚁群算法AI 技术在电力系统故障诊断方面发挥着关键作用。主要使用的 AI 技术包括: 模糊逻辑模型；广义回归神经网络方法；多核 SVM；免疫神经网络、分布式机器学习、ANN、神经模糊和小波神经网络和隐马尔可夫模型
（9）优化
优化光伏系统规模的传统方法分为直观方法和数值方法。前者是最简单的方法，后者的缺点是需要大量的太阳辐射数据集。利用 AI 技术来优化光伏系统的规模，可以提供比传统方法更高的精度。
针对配电网损耗最小、成本最小化和电压改善的目标，分别采用功率损耗指数法和自适应粒子群算法求解配电网布局和配电网规模优化 2 个子问题。
AI 技术在光伏系统中最大功率点的跟踪研究中取得了很高的预测精度。通过将遗传算法与 ANN 相结合来评估能源改造，给出了成本最优的解决方案。提出了一种新的多阶段智能能源管理系统，用于 MG 中的最优能量管理。
（10）用户分类
在智能电网中，对不同类型的用户进行分类是一项非常重要的任务，因为不同类型的用户可能会在不同的条件下被处理。此外，电力供应商可以使用消费者的类别信息来更好地预测他们的行为，这也是负载平衡的相关任务。

2 、能源互联网的规划研究

能源互联网规划建模的基础：明确基础约束条件和建立描述设备运行特性、耦合能量流的数学模型。
该模型的基础约束条件是用户的电、气、热多种能源的负荷需求。能源互联网的规划所涉及的数学模型主要是多能流的耦合、转化模型和多能流系统的潮流模型。
多能流的耦合、转化模型通常采用瑞士苏黎世联邦理工学院提出的能量枢纽模型；适应于规划的多能流潮流模型通常采用稳态潮流模型，即满足基尔霍夫定律(KCL、KVL)并遵循相应物理特性的代数方程。

2.1 耦合多能源系统的潮流分析

耦合多能源系统的混合潮流是构建能源互联网优化规划模型的另一数学基础模型。
目前研究较多的是耦合多能源系统的稳态混合潮流求解。因为电、气、热系统具有不同的时间常数，暂态耦合过程较为复杂，而在规划所采用的稳态潮流中，模型所考虑的时间尺度较大，暂态过程可以忽略。因此，电、气、热系统的潮流都可用代数方程表示，便于计算，也比较贴近实际生产状况。
求解耦合多能源系统的混合潮流：首先要分析耦合单元在耦合的各个能源潮流中的作用，建立相应的耦合模型，例如采用能量枢纽(EH)模型；其次仿照电力系统稳态潮流模型，分别根据各个能源系统的物理规律，建立天然气、热力系统的稳态潮流模型；可借鉴交直流混联系统的潮流分析方法，对混合潮流采用交替迭代法或统一迭代法(牛顿法)求解。最后，根据不同的应用场景的需求，采用不同的求解方法。考虑安全约束，可通过灵敏度分析或进行系统的N-1 安全校验；多能量枢纽互联，考虑系统经济性，构建经济性最优潮流模型；构建多目标优化的混合潮流，采用智能算法求解。

2.2 基本的优化规划模型

能源互联网的能源生产环节的规划模型，源、网环节协同规划的模型，能源的消费环节的规划模型具有一定的相同点，它们共同的基本规划模型如式所示。

对于具体某个应用场景下的规划模型，可以在基础的规划模型上对目标函数进行相应的修改，增设描述影响因素的约束条件，详细内容如下文。

2.3 能源生产环节规划

能源生产环节规划的任务是在满足用户的多种用能需求和达到各种技术经济指标的条件下，充分考虑各种形式能源的耦合和物理特性的互补，确定在何时、何地兴建何种类型和何种规模的能源生产设备和能源转换、存储设备，使规划期内能源互联网能接纳大规模可再生能源并且具有较好的经济效益。比如说，电-热联合生产规划，电-气联合生产规划。

2.4 源网协同规划

能源的远距离传输主要以电力网络和天然气网络为主，两个网络互连耦合，将能源从源侧向远端负荷大规模的传输。可再生能源的地理分布较为分散，风电厂、光伏电站和P2G 厂，需要根据已有电力传输网络进行合理的选址，便于能源的传输，而燃气电厂也要根据天然气网进行规划，才能保证气源。所以电–气联合系统的传输环节不能单一规划，需要进行源、网的协同规划。

2.5 能源消费环节规划

在能源的消费环节，用户的参与度获得提升，用户的积极参与可以帮助实现系统的灵活可控。用户的参与主要体现在两方面：
1）需求侧：用户能够选择不同形式的能源达成同样的目标，用户可以根据能源价格、供给情况选择不同种类的能源，即用户通过需求响应来匹配能源的生产侧，这种供给、生产双边的多能互补增加了系统的灵活性。例如，在用电高峰阶段，能源供给商能够实现利用燃料电池发电，利用负荷低谷储存的热量供暖，从而缓解用电压力。
2）电动车：电动汽车车载电池可看作是巨大的分布式储能网络。如果能对车载电池进行有效利用，则可以对系统实现削峰填谷的作用，但如果对充电站规划不当，大量电动汽车的无序充电行为可能会增大系统峰荷，恶化电能质量。

2.6能源互联网规划模型的求解方法

能源互联网的规划模型既需要根据风机、光伏、CHP、储能设备等装置的运行特性建立各自的数学模型，也需要构建电、热、气多能流最优潮流，因而规划模型具有高维数、非凸非线性的特点，具有很大的求解难度。同时，规划模型也可能被设置为多目标优化。
针对这些难点，不同的文献根据各自模型的特点，采取了相应的模型简化方法和求解算法，主要有：
1）对部分非线性约束条件线性化以建立混合整数线性规划模型；
2）对规划模型进行连续变量、整数变量解耦，将大规模问题分解，分模块交替迭代求解；
3）利用智能算法求解规划模型中的多目标问题。

参考文献

[1]肖泽青, 华昊辰, 曹军威. 人工智能在能源互联网中的应用综述[J]. 电力建设, 2019, 040(005):63-70.
[2]别朝红, 王旭, 胡源. 能源互联网规划研究综述及展望[J]. 中国电机工程学报, 2017(22):4-21+316.
[3]曹军威, 袁仲达, 明阳阳,等. 能源互联网大数据分析技术综述[J]. 南方电网技术, 2015, 9(11):1-12.
[4]赵军, 王妍, 王丹,等. 能源互联网研究进展:定义、指标与研究方法[J]. 电力系统及其自动化学报, 2018, 030(010):1-14.