写在前面最近在梳理我们延凡科技电力服务平台的整体技术架构。这套系统从2024年开始落地目前已经接入了51户企业总接入负荷超过200MW覆盖电化学储能、可调工业负荷、充电桩、分布式光伏4大类可调资源。这篇文章不讲产品故事纯聊技术——架构怎么设计的、数据怎么流的、几个核心模块怎么实现的。希望能给正在做能源数字化、虚拟电厂、电力交易平台相关项目的朋友一些参考。1. 业务背景与系统定位新型电力系统背景下电力市场正在经历深刻变化现货交易逐步常态化、虚拟电厂可以参与中长期/现货/辅助服务/需求响应四大市场、碳核算从“年底交差”变成“日常必需”。但很多企业在实际运营中面临几个核心痛点电力交易决策缺数据支撑不知道明天电价走势参与现货像闭着眼投标可调资源散而不可控储能、空调、充电桩各管各的无法聚合参与市场碳核算靠年底请第三方过程不透明优化方向不清晰负荷预测靠经验拍脑袋不确定性导致调度策略缺乏依据基于这些痛点我们设计了延凡科技电力数字化平台——一个集电力交易、虚拟电厂聚合、负荷预测、碳核算于一体的综合能源管理系统。2. 整体技术架构平台采用云原生微服务架构整体分为四层2.1 感知层设备接入层通过IoT网关接入各类终端设备储能设备充放电状态、SOC、SOH、额定功率等参数分布式光伏发电功率、启停状态、气象数据可调负荷设备额定功率、实时功率、运行状态充电桩实时功率、充电量设备接入采用物模型标准化设计基于JSON Schema定义设备模型支持异构设备的统一建模与接入。2.2 数据层数据中台数据中台承担采集、清洗、存储、计算四个职能实时数据通过Kafka消息队列接入设备上报数据Flink进行实时流计算处理批处理数据历史负荷数据、交易数据、气象数据存储在TDengine时序数据库 PostgreSQL关系库数据服务对外提供统一的数据API支撑上层业务模块的数据消费电力行业数据来源日益多样化包括智能电表、传感器、气象数据、用户行为数据等数据体量大且实时性要求高。我们用Lambda架构同时支撑实时和离线两条数据处理链路。2.3 业务层业务中台业务层采用微服务架构核心服务模块包括模块核心职能电力交易服务电价预测、现货交易辅助决策、中长期交易管理虚拟电厂服务资源聚合、响应策略生成、运行曲线优化负荷预测服务新能源出力预测、用户侧负荷预测、预测修正碳核算服务碳排放计算、报告生成、行业模板配置设备运维服务设备监控、告警管理、运维工单2.4 应用层前端展示Web端基于Vue3 ECharts构建提供驾驶舱、交易看板、资源监控、负荷曲线等可视化页面。截图里那些实时曲线、电价预测图表、资源分布地图都是ECharts 自研图表组件实现的。3. 核心模块技术实现3.1 电价预测模块电价预测是电力交易决策的基础。我们的实现思路数据输入历史电价数据日前、实时火电边际预测数据新能源出力预测数据风电、光伏省内负荷预测数据算法选型短期电价预测采用LSTM Attention模型捕捉电价的时间序列特征和周期性规律融合XGBoost做特征工程和残差修正提升预测精度多维气象数据作为外部特征输入提升极端天气下的预测稳定性输出日前预测电价曲线 实时预测电价以15分钟为颗粒度呈现在驾驶舱中。3.2 虚拟电厂资源聚合模块虚拟电厂VPP的本质是通过信息通信与能量管理系统将地理上分散的异构资源聚合为一个可调度的“虚拟机组”。资源建模电化学储能额定功率/容量、转换效率、SOC上下限可调工业负荷上调/下调空间、响应速度充电桩可调容量、响应时间分布式光伏发电预测、调节能力聚合算法将各类资源的调节能力统一量化为MW级别的上调/下调空间基于资源响应特性响应速度、持续时间、成本构建聚合成本函数根据电网调度指令或市场价格信号求解最优调度方案运行曲线生成输入负荷预测曲线、资源约束条件、响应策略输出储能充放电计划、负荷调节计划曲线支持“一键下发”到各终端设备3.3 负荷预测模块负荷预测是电力调度和交易决策的“眼睛”。新能源出力预测风电光伏接入数值天气预报NWP数据作为输入风电预测基于TCN Attention模型处理风电出力的强波动性光伏预测结合太阳辐照度预测和云量数据采用狮群优化算法LSO做超参数调优用户侧负荷预测输入历史负荷数据、气象数据、日期类型工作日/节假日模型GRU LightGBM多模型融合输出96点15分钟颗粒度负荷曲线支持人工修正运维人员可根据经验对预测曲线做微调预测准确率在已上线的山东区域24小时负荷预测准确率稳定在95%以上。3.4 碳核算模块碳核算模块的设计目标是让碳核算从“年底请第三方”变成“日常可追踪”。计算模型遵循国家发改委碳排放核算指南覆盖不同种类化石燃料燃烧CO₂排放碳酸盐分解CO₂排放原材料消耗产生排放工业生产过程N₂O排放针对化工行业外购电力排放因子按区域电网动态配置清洁能源光伏、风电发电量可抵扣相应碳排放技术实现行业模板配置化不同行业化工、钢铁、水泥可配置不同的排放因子和计算参数输入数据支持手工录入 IoT自动采集如用电量、燃料消耗量一键生成符合监管要求的碳排放报告4. 数据链路与实时性设计电力数字化平台对实时性要求极高——电价在变、负荷在变、调度指令要秒级响应。实时数据链路设备上报 → IoT网关 → Kafka消息队列 → Flink实时计算 → Redis缓存 → WebSocket → 前端实时刷新关键设计设备数据上报频率秒级储能/充电桩到分钟级光伏/负荷Flink窗口计算15分钟滚动窗口输出96点日曲线预测任务调度每日凌晨2点触发日前预测每15分钟触发实时预测修正5. 部署与运维部署模式支持私有化部署客户机房和SaaS模式延凡科技云平台高可用关键服务多实例部署数据库主从热备监控告警Prometheus Grafana覆盖服务健康、数据延迟、预测偏差等维度6. 一些实践心得做能源数字化平台踩过的一些坑分享出来1. 数据质量是预测的天花板。再好的模型喂进去脏数据也白搭。我们在数据接入层花了大量精力做异常值检测和数据补全——缺数的时候用同类日均值填充异常值用3σ原则过滤。2. 虚拟电厂的“聚合”不只是数学问题更是工程问题。资源响应特性各异调度指令下发了用户侧能不能真的执行到位我们在每个用户侧部署了边缘代理网关负责指令的解析、执行确认和状态回传。3. 预测模型要持续迭代。电力系统的运行特性会随着季节、政策、用户行为变化而漂移。我们的做法是每周自动重训模型用最近3个月的数据做增量学习。7. 写在最后延凡科技电力数字化平台目前已落地稳定运行接入51户企业总接入负荷204.915MW累计参与需求响应任务20次总响应电量1000MWh。如果你也在做能源数字化、虚拟电厂、电力交易相关项目欢迎交流技术细节。