调度

虚拟电厂技术 (VPP，Virtual Power Plant) ，是将电源、可控负荷和储能系统有机结合，通过虚拟电厂的控制中心，合并作为一个特别整体参与电网运在虚拟电厂中，每一部分均与控制中心相连，通过智能电网的双向信息传送，进行统一调度协调机端潮流、受端负荷以及储 能系统，以达到降低发电损耗、减少温室气体排放、优化资源利用、降低电网峰值负荷和提高供电可靠性的目的。

深化人工智能在能源建设、调度、算电协同等场景的应用，优化电源电网布局与智能建造。推动“人工智能＋风光水储”一体化协同，强化风光功率预测、风光电站智能运维、水电优化调度、灵活性资源调控与智能电网管理。打造云南省数字能源平台，进一步拓展云南能源大数据中心应用场景和领域，推动绿色能源、节能降碳等多领域数据汇聚、处理、分析和融合应用。

​5月30日，宁夏新型储能装机规模突破1000万千瓦，约为新能源装机规模的16.6%。宁夏作为国家新能源综合示范区，其储能产业凭借建设速度快、调度水平优、市场生态好的综合优势，实现量级式跨越发展。

FONST 6000产品是烽火通信推出的基于统一交换体系的分组化的光传送设备，最大支持100GE和OTU4的业务，支持光电混合调度及WSON网络，支持ODU0/1/2/3/4/flex，实现4×STM-4信号到ODU1的封装和映射，实现电力业务的快速开通、调度和智能恢复。烽火OTN在电力行业广泛应用，建设了全球第一条电力100G干线——广东省干OTN网络、南网主干OTN网络，并且在陕西、江苏、甘肃、重庆等多地均有应用。

5G二合一/多合一融合网关融合了5G通信终端、纵向加密、远动机和AGC控制的功能，满足整县光伏、地方电厂及10千伏以下分布式光伏以直采方式接入调度主站，进行自动功率控制的功能。可应用于10千伏及以上分布式光伏以直采方式接入调度主站，同时具备自动功率控制的功能，实现故障、重过载等紧急情况下分布式电源的一键切除的刚性控制，以及有功、无功、电压的柔性调节。

6月19日，江苏连云港供电公司员工赵厚凯登录配网计算推演平台，结合配网负荷及光伏发电出力预测，对即将到来的端午节假期配网运行情况开展分析。平台计算推演发现5条配电线路可能出现光伏发电大量倒送导致设备运行越限等风险。他及时将分析情况告知该公司供电服务指挥中心，便于配网调度员更好地调整配网运行方案，确保新能源发电安全消纳及居民可靠用电。

为了促进多能耦合互补和实现可再生能源就地消纳，综合能源系统已成为多领域的研究热点。考虑到能源设备及网络的多样性、复杂性以及多种能源时间尺度的差异性，根据能量平衡原理，对系统内具有可调特性的源、网、荷进行储能化建模，并构成虚拟储能系统参与到综合能源系统的优化调度中。为了准确把握虚拟储能的研究重点，首先介绍了虚拟储能的定义、逻辑架构和技术内涵；其次针对综合能源系统源、网、荷端设备或网络，总结和归纳了4种虚拟储能建模方法和特性指标；然后重点分析了虚拟储能在4种典型场景的具体应用；最后展望了虚拟储能未来的发展方向。

分布式电源群调群控建设实践，主要通过系统性考虑主配网潮流、电压等各项要素，基于 “全感知”和“群调群控”两个维度加强分布式光伏电源调度运行管理。全面梳理分布式光伏电源设备台账，依托基于调控云的水电及新能源平台实现所有包括0.4千伏在内的分布式电源全面采集及观测。通过整合营配调各业务系统的档案信息、多源泛在数据，开展中低压水电及新能源的标准化建模与采集，因地制宜规范采集频度，建立数据同步机制，弥补原有调度主站中低压水电及新能源数据的空缺，建设基于调控云的水电及新能源模块，引入水利、气象等多源信息辅助开展数据纠偏，最终实现泛在分布式电源实时数据的全感知。开发分布式电源群调群控系统，技术路线是以配电主站为核心，根据不同应用场景需求下达各个分布式电源需要调节的数值；将调节指令下达给多个分布式电源群调群控子站；由群调群控子站负责分配各个逆变器的启停，实现多个分布式电源的批量调节，如图2所示。基于以上系统，再根据电网侧需求，实现分布式光伏电源集中执行电网实时平衡控制和安全自校正控制，集群参与电网有功、无功电压等动态调节，进而优化利分布式能源，并保障主配网安全经济运行。

5月16日19时，山西省535家省调并网电厂和直调用户变电站全部完成山西电力网厂信息交互平台应用联调，标志着国网山西省电力公司调度业务网厂信息交互实现内部专网管理系统和外部互联网交互平台双轨运行。

随着我国数字经济规模总量的不断攀升，实体经济、数字经济和信息服务的深度融合正加速产业数字化和数字产业化变革。算力作为承载信息数据的重要基础设施，已成为全社会数字化转型的重要基石。根据中国信息通信研究院最新发布的《中国算力发展指数白皮书（2023年）》显示，至2023年我国智能算力规模达到178.5EFlops，增速为72%，在我国算力占比达59%，成为算力快速增长的驱动力；据IDC等机构预测，至2025年，新增数据量180ZB，其中80%的增长来自于文本、图片、语音、视频等非结构化的数据。随着人工智能、元宇宙、高性能计算等领域的发展，激发了更多智能数据处理的需求和场景，对新型智能算力的需求激增。本研究围绕典型智能计算应用对异构算力的协同及调度需求，研究泛在异构算力参与训练或推理过程的协同需求、调度需求，研究泛在异构算力参与训练或推理过程的协同需求，包括异构算力类型、规模要求、性能要求、网络要求、数据传输要求等，分析异构算力协同的应用场景等特点，考虑同数据中心、跨数据中心、跨云边端多级、池化和非池化异构算力并存等各种场景下，算力协同的需求及可行性。研究分析异构算力资源分类整合、池化重构和智能分配等技术方案。研究分布式异构算力资源管理技术方案，包括管理跨数据中心、边缘及端侧的GPU、FPGA等异构算力设备，已虚拟化或池化的异构硬件，研究对异构算力资源进行标识和监控的方案，对算力进行细力度切分供给的技术方案，研究对计算任务进行异构算力匹配和调度的技术方案。包括如何匹配差异化的计算任务到相应的异构算力节点，如何支持异构算力资源高效和细粒度分配，基于应用场景的负载差异性，建立面向多样化异构算力资源和上层多场景需求的多元异构算力统一调度架构，统一资源实时感知，抽象资源响应和应用调度。研究分布式AI框架支持分布式异构算力的管理和调度技术方案。