需求响应业务系统数据分析模型及应用

需求响应业务系统数据分析模型及应用

李彬1, 周秋雁1，陈宋宋2，崔高颖3，祁兵1，孙毅1

(1.华北电力大学电气与电子工程学院，北京市 102206；2.中国电力科学研究院, 北京市 100192；3.国网江苏省电力公司电力科学研究院，南京市 210036)

摘 要：结合国内智能电网用户接口标准化现状, 分析了用电侧的数据标准体系。在IEC PC 118的基础上扩展了支撑需求响应(demand response，DR)业务的信息交换接口及信息模型，以支撑DR执行效果的大数据评估方法的实现。从行业类属维度、时间维度、响应维度等方面分析了DR业务动态运行指标，通过在传统的数据关联分析方法中引入知识挖掘(knowledge discovery in database，KDD)，构建了不同置信区间下的弱关联分析，为了降低系统的计算开销，在分析过程中采用剪枝技术以提高运算性能。最后，结合典型用能企业的负荷模型，对所提出的方法进行了验证，并实现了DR系统执行效果的潜在关键性因素分析，为未来智能电网用户侧能源管理、配网调度、第三方能源聚合商管理提供必要的技术支撑。

关键词：数据分析；需求响应(DR)；智能电网用户接口；能源管理

0 引 言

近年来，大数据技术快速发展，为众多行业提供了新的机遇，啤酒与尿布的关联模式一度影响了整个零售业的格局。截止2013年，欧盟的开放数据平台(open data portal，ODP)已经开放了涉及地理信息、环境、社会经济等数据的5 000多个数据源[1]。上海电力公司是国内首批开展电力大数据应用研究的机构之一，其综合数据平台(integrated data platform，IDP)对上海现有业务系统数据进行了统一采集、分析和管理，涵盖了调度自动化系统、电网气象信息系统、电能质量监测管理系统、生产管理系统(production management system，PMS)、故障呼叫管理(trouble call management，TCM)系统、地理信息系统、线损精细化系统、配电自动化系统、用电信息采集系统、负荷控制系统、负荷监测系统、营销业务应用系统、95598客服系统、企业资源计划(enterprise resource planning，ERP)系统、社会经济数据系统在内的15个业务系统[2]。华北电力大学、中国电力科学研究院、国网电力科学研究院与包含浪潮集团在内的产业公司初步达成了电力大数据战略合作意向，开始着力于在配用电网探索基于大数据技术的新型电力业务应用。欧美国家对于需求侧大数据的研究较多，并提出了一些创新型的应用，如电力地图、C3能源分析引擎等。已有调研报告指出，基于网络之间互连协议(internet protocol, IP)的网络数据流量在2017年预计将达到1.4 ZB，并且在未来年增长率将保持在30%[3]。在数据传输方面，目前400 Gbit/s骨干运营网络已经逐步从实验室阶段转向商用阶段[4]，可为全国性的大数据平台互联提供实时的数据传输。中国电机工程学会在中国电力大数据发展白皮书中已明确提出电力行业对数据分析的基本需求[5-6]。

电网侧的数据信息已经初步建立了可以互通的信息模型，然而用户侧大量结构化与非结构化的数据目前尚没有统一的数据模型。各业务系统间接口标准不同，功能单一，导致数据接口重复性开发并耗费了大量的资源，给信息的统一管理带来了不可逾越的障碍[7-8]。在数据不共享、存储不兼容的模式下，各系统的信息不能有效共享，使得已经存在的数据资源无法得到充分利用。需求响应(demand response，DR)在信息标准化方面快速发展，开放式自动需求响应(open automated demand response，OpenADR)已经成为美国首批实现电网互操作的标准之一，目前已经制定了包括OpenADR 2.0a, OpenADR 2.0b和OpenADR 2.0c在内的3个框架规范，可以支持标准的事件、报告和数据信息的传输[9-10]。OASIS是少数积极为企业间信息交换与处理建立XML格式标准的组织。通过信息化标准的整合，可提升系统网络服务标准的互通能力。IEC标准管理局正式批准成立IEC PC 118，并将秘书处设在中国电力科学研究院，主要负责电网与用户侧的信息交互标准研究。2014年5月，国家标准委正式批准成立全国智能电网用户接口标准化技术委员会(SAC/TC 549)，对口IEC PC 118。SAC/TC 549的参与单位包括国家电网公司、南方电网公司、华北电力大学、东南大学等在内的40余家成员单位，共同着力于制定DR用户侧的数据标准模型。

基于上述分析，我国电力行业内的大数据应用已经具备了基本的应用基础，可以开展电力需求侧的大数据业务应用。虽然电力需求侧的DR系统建设刚刚起步，在系统设计时也应充分考虑支持后续业务的集成。本文针对需求响应业务的数据发展现状，在与现有模型兼容的前提下，最小化扩展现有数据信息模型，并通过引入知识挖掘方法，从多个维度分析DR业务动态指标，为未来智能电网用户侧能源管理、配网调度、第三方能源聚合商管理提供必要的技术支撑。

1 DR业务支撑架构及信息模型

1.1 电力需求侧大数据支撑体系架构

从智能电网发展的环节来看，用电侧的数据信息量非常庞大，面临着针对海量多模态、多来源、跨时空、不确定强的大规模用电数据采集和集成。另外，针对用电业务应用多样性的特点，还需要考虑相应的业务支撑系统架构。在已有的智能配用电网络大数据的技术体系架构中，主要包括数据集成、数据处理、数据分析和数据应用4个层次，如图1所示。

TC 57开发的公共信息模型(common information model, CIM)和IEC 61850已经成为IEC的核心标准[11]，IEC 61968与IEC 62746分别覆盖电力系统的配电[12]、用电领域[13]。IEC 62746的用例需求部分是目前标准体系中定义最为详细的标准草案，该文档详细定义了关于客户端能源管理系统的接口规范，在最新的版本中描述了包括用电设备控制、客户端能源管理、电网与用户交互、能耗评估、分布式电源管理等22种应用场景，并在此基础上制定了10类用例的框架。

图1 电力需求侧大数据分层技术架构
Fig.1 Hierarchy architecture of big data in demand side

OASIS是为企业间信息交换与处理建立XML格式标准的组织，通过信息化标准的整合提升系统互通能力。OASIS提出的EI标准[14]、EMIX标准[15]及WS-Calendar标准[16]，制定了在需求响应业务系统中所需的价格交换信息、能源市场服务信息以及调度相关的信息模型。同时，OASIS也为需求响应、电价信息、能源交易提供了交互性操作和最简指令集， EI标准V1.0版本中将价格和需求定义为可操作的能源信息。EMIX为电力和能源市场中价格和产品信息的交换定义了信息模型，出于对DR业务系统数据标准化的考虑，OpenADR 2.0协议也调整为以EMIX作为底层的数据支撑。

1.2 基于IEC PC 118的DR信息交换模型扩展

IEC PC 118已经初步针对电网侧、用户侧的能源系统、设备建立标准的数据信息模型，并建立不同角色间的交互信息[17]。通过建立标准的信息模型对不同系统间的交互信息类型进行描述，IEC PC 118参考了OpenADR、EMIX以及FSGIM等信息模型，定义了电网与用户间信息交互功能[18]。然而，当与其他系统互通时，需要设计统一的信息交互接口，或通过主站实现数据发布[19]。针对与电网侧、用户侧系统有交互可能的其他系统领域，包括相关电力服务商域、第三方服务商域、电力市场域、运行管理域以及用户域，定义跨业务系统的信息交互元数据，包括：建立相关数据的定义、数据的抽取规则、数据的转换规则、数据加载频率等信息。

为了实现DR业务系统的信息互动，本文在IEC PC 118的基础上扩展信息交互的控制原语，通过DR业务接口获取用户数据。为了降低DR大数据应用的成本，在进行DR业务接口设计时，应尽量沿用现有的通信基础设施，减少定制化设备的占比。DR服务系统通过标准的开放系统互联(open system interconnection, OSI)环境，并通过需求响应接口(demand response interface，DRI)利用IEC PC 118标准的智能电网用户接口(smart grid user interface，SGUI)服务实现控制指令的传输。经过XMPP协议封装后，用XML表示DR数据，作为OSI应用服务进行数据传输。

DR决策进程调用创建DR事件请求原语，并设定相关属性；DRI接收到该原语后，通过SGUI获取设备信息及相关服务，并分配削减份额；在用户侧，SGUI首先配合DR服务系统获取所需的基本信息、实时信息、削减能力等内容。当决策系统判断其符合DR事件建立条件的情况下， DRI进一步解析DR事件并响应；当收到建立事件请求的智能设备对事件的完成情况响应后，SGUI返回确认原语，经DRI向DR服务系统上报并宣告事件建立完成，此时完成DR执行状态报告(成功建立事件的概率等)，具体过程如图2所示。通过标准的DR业务接口，可确保第三方厂商能够独立提供DR终端设备，并保障数据的一致性，因此该信息交换技术是DR大数据应用所必不可少的环节。

2 DR系统的大数据关联分析模型

基于上述分析，IEC PC 118所定义的系统架构以及DR信息交换模型扩展足以支撑DR业务的开展，然而用户侧设备的用能数据采集环节的不可预见性，导致部分数据存在问题[20]。简化起见，本文暂不考虑数据自身所存在的缺陷对系统结果的影响。

DR系统的执行效果评估需要重点关注DR响应概率、DR实际持续时间以及实际可削减占比，最终体现在用户侧的参量为用电量、电费的变化，该信息均通过DRI接口传递。为了深入挖掘DR影响因素，本文在Agrawal R所提出的关联分析模型基础上[21]，引入知识挖掘，实现DR系统中各类型数据的关联分析。在众多的DR事务型数据中挖掘关联关系，为了方便表示，定义T为事务数据库集合，设其规模为NT，将DR中包含k条事务数据的项目集定义为k项目集。设CX,T为数据项X在集合T中出现的次数，定义项目集中X的支持度SX为

SX=CX,T/NT

(1)

考虑到目前DR系统可能获取的项目集，其典型事务数据包括设备总容量、可削减负荷量、设备响应时间、响应概率、可移峰时间、月份、时刻、行业、提前通知时间、区域规模、峰谷差率、尖峰负荷率、平均日负荷率和不均衡率[22]。定义KY|X为通过任意数据项X引发数据项Y的可信度，用于评估DR系统中的潜在关联因素。则KY|X的表达式为

KY|X=SXY/SX

(2)

式中XY为数据项X和数据项Y的交集。

若项目集中的数据项支持度小于设定的最小支

图2 DR服务系统与智能设备间信息交互序列图
Fig.2 Information interaction sequence diagram between DR service system and intelligent devices

持度Smin，则构成频繁项目集。在DR系统中，为了支持DR用户的综合能力评估，需要挖掘出满足所设定的最小支持度和最小可信度的全部关联规则。考虑到支持度与项目集数目本身无关，因此可简化为

(3)

式中：TX为所有含有X的项目集所组成的集合；Ti为含有i条项目数据的项目集。

在关联性搜索的过程中，实际上是将搜索的结果置于频繁集与候选集中，并不断扩充得出所有频繁集。由于频繁集的封闭性，k=1时所构成的子集也为1项频繁集，用集合R表示所有1项集的并集。数据的分析步骤如下详述。

(1)设定最小支持度。令k1=1, 计算1项频繁集和R。

(2)计算支持度，分别构造频繁集F、候选集H：

F={X|SX≥Smin}

(4)

H={X|SXSmin}

(5)

之后，按照项数组进行多项集排序。

(3)对于ki项集，属于频繁集的数据不分解，否则，计算支持度。

(4)若STk≥Smin，则将Tk的子集放入对应的集合F。否则，放入对应的集合H。确定数据是否遍历完成，如果是，进入步骤5；否则，ki+1=ki+1，返回步骤3。

(5)更新全部频繁集的支持度。

3 算例分析

本文选取文献[23]中江苏省某市386家企业的24点负荷数据为基础作聚类分析，按典型行业共分为4大类，11小类。根据负荷曲线的分布特征，将用电负荷数据分为避峰型(类型1—3)、迎峰型(类型4—6)、高负荷率型(类型7—9)、连续型(类型10—11)，样本数据库采用4 000条DR事务数据库，包含了上述DR系统关联分析的基本数据信息。

根据统计数据聚类分析，可以得出不同类属维度的行业参加DR项目后的可削减性评价，如图3所示。其中，30%左右DR客户端做出了良好的响应(削减能力超过20%)，而将近40%的DR客户端实际的削减能力低于10%。考虑到不同类别的用电模式，迎峰型模式较适用于潜力大的分时电价响应；高负荷率型通常具有更大的中断容量；避峰型的可中断时间较长；连续型适用于可中断负荷DR类型。

图3 不同行业类属维度下的可削减评价
Fig.3 Reduction evaluation with different industries dimension

根据所统计的数据以及拟合的响应度，将样本数据库中的可削减占比按典型的行业模型进行归类分析，样本数据分布如图4所示。由图4可知，削减占比较低的负荷通常响应度也不高，大多集中在40%以下。在实际测试的结果中，可以将某行业用电情况分解为多种模式的组合，如电子元器件、设备制造业类大多以高负荷率型为主，而纺织业则同时融合了高负荷率型和避峰型2种模式。非金属加工业则不具有迎峰模式的特性。

图4 不同行业负荷的响应概率分析
Fig.4 Response probability with different industry loads

本文在4 000条DR样本数据库中的行业聚类分析过程中，DR系统中涉及的任何因素均需要划定计算的范围。然而，出于计算复杂性考虑，本文涉及的维度主要包括可削减性评价、DR响应度、行业类属维度3个方面。为了解决求解频繁集中运算量过大的问题，在计算中将不同因素之间的相关度进行了定量指标向定性指标的转换。通过DR大数据技术，可以完成现有技术体系下无法准确定义和标定的效益评估，如《需求响应效果监测与综合效益评价导则》中定义的集体效益、延伸效益等抽象指标[24]。20%、50%置信区间的多值属性关联分析如图5、6所示。由图5、6可以看出，在本文所选用的4 000个DR样本数据中，20%置信区间下的各因素关联性分析相对紧密，避峰型、高负荷型负荷与高可靠性响应具有微弱的关联度，实际上这是由于4大类用电模式中避峰型、高负荷型占比较高造成。当分析50%置信区间时，几乎所有类型的负荷都无法可靠地响应，由此可见本文所建立的DR大数据分析模型，除了能够分析与DR效果相关的重要因素，还可以用于DR执行效果的反向评估，作为用户侧参与DR项目的执行力度评估，辅助调度主站、第三方能源管理商进行削减任务的智能分解。

在实际的DR系统中，影响其执行效果的因素很多。受限于本文采样的DR样本集合，在4 000条有效事务数条件下的数据分析结果见表1。表1中有效规则数为14，最小支持度为10.025%，最大支持度为25%。DR事务数据的分析基础，主要包括确定事务数据库中的频繁集与频繁集中满足最小可信度要求的关联规则。目前，已经证明了频繁集的确定属于非确定性多项式(non-deterministic polynomial，NP)问题，要以穷举的方式进行每个子集的搜索计算时间很长，是不现实的。

图5 20%置信区间的多值属性关联分析
Fig.5 Multi-value attributes association of 20% confidence interval

图6 50%置信区间的多值属性关联分析
Fig.6 Multi-value attributes association of 50% confidence interval

表1 基于极大频繁集搜索的DR影响因素关联分析
Table 1 Correlation analysis of DR impact factor with maximum frequent set searching

因此，在进行分析时，首先应当在DR事务数据库中进行剪枝，避免不必要的计算量，提高算法效率。可以看出，在4 000条事务数据库中的数据关联前项并非与行业的定义完全吻合，部分前项还区分了用电模式类别和可削减评价。如果能够充分利用关联表，可以很容易确定行业特性、行业类属维度属性等影响DR系统性能的关键性因素，从而构造更为高效的候选集，进而解决未来在电力需求侧用户端DR系统的多维计算效率问题。

4 结 论

本文基于IEC PC 118标准构建了DR业务系统的信息模型，并扩展了信息交互接口以支撑DR业务系统的大数据分析。由于DR系统频繁k项集的候选规模过大，在DR系统应用大数据分析决策时，对扩展CIM数据模型进行剪枝处理，以提升系统的运行效率。在DR主站侧，仍需要进一步探索电力大数据高效分布存储的模式，通过在无共享架构下提升分布式数据的多副本保障存储的可扩展性和可靠性，并利用并行计算框架实现DR任务分解。 随着用户侧通信管道的完善，未来DR业务系统可进一步提供DR用户的隐含行为因素分析，更好地支撑电网与用户的双向互动。

5 参考文献：

[1]曹凌. 大数据创新: 欧盟开放数据战略研究[J]. 情报理论与实践，2013，36(4): 118-122. CAO Ling.Big data innovation: European union open data strategy research[J]. Information Studies:Theory & Application，2013，36(4): 118-122.

[2]沈丽菁，张帆，仲晓军．综合数据平台 (IDP) 及其在线损精细化项目中的应用[J]．华东电力，2009，37(1): 25-27． SHEN Lijing, ZHANG Fan, ZHONG Xiaojun. Application of integrated data platform to line loss delicacy projects[J]. East China Electric Power, 2009, 37(1): 25-27.

[3]LU R, ZHU H, LIU X. Toward efficient and privacy-preserving computing in big data era[J]. IEEE Network, 2014, 28(4):46-50.

[4]WALSH J, VENTER C, BROWN T, et al. A practical approach for UK primary care on the management of cow’s milk allergy in infants[J]. British Journal of General Practice, 2014, 64: 48-49.

[5]高赐威，梁甜甜，李慧星，等. 开放式自动需求响应通信规范的发展和应用综述[J]. 电网技术, 2013, 37(3): 692-698. GAO Ciwei, LIANG Tiantian, LI Huixing, et al. A survey on theory and practice of automated demand response[J]. Power System Technology, 2013, 37(3): 692-698.

[6]闫华光，陈宋宋，钟鸣，等．电力需求侧能效管理与需求响应系统的研究与设计[J]．电网技术，2015，39(1)：42-47． YAN Huaguang, CHEN Songsong, ZHONG Ming, et al. Research and design of demand side energy efficiency management and demand response system[J]. Power System Technology, 2015, 39(1): 42-47． [7]GELLINGS C, SAMOTYJ M. Smart grid as advanced technology enabler of demand response[J]. Energy Efficiency, 2013, 6 (4):685-694.

[8]高赐威，梁甜甜，李扬．自动需求响应的理论与实践综述[J]．电网技术，2014，38(2)：352-359. GAO Ciwei，LIANG Tiantian，LI Yang．A survey on theory and practice of automated demand response[J]. Power System Technology, 2014, 38(2): 352-359.

[9]OpenADR Alliance. OpenADR 2.0profile specification A profile[EB/OL]. Morgan Hill: California Energy Commission, (2011-12)[2015-11-02].https://openadr. memberclicks.net/assets/DoNotChange/openadr%202%200a%20profile%20specification_v1.0.zip.

[10]OpenADR Alliance. OpenADR 2.0 profile specification B profile[EB/OL]. Morgan Hill: California Energy Commission, (2013-07)[2015-12-21]. https:// openadr.memberclicks.net/assets/DoNotChange/openadr_2_0b_profile_specification_v1.1_package_public.zip.

[11]International Electrotechnical Commission. Communication networks and systems in substations-part 1: Introduction and overview:IEC 61850-1[S]. Geneva: British Standards Institution, 2003.

[12]International Electrotechnical Commission.Application integration at electric utilities-system interfaces for distribution management-part 1: Interface architecture and general requirements: IEC 61968-1[S]. Geneva: British Standards Institution, 2003.

[13]International Electrotechnical Commission.Communication networks and systems for power utility automation(Edition 1): Systems interface between customer energy management system and the power management system: IEC 62746[S].Geneva: British Standards Institution, 2012.

[14]OASIS. Energy interoperation (EI) version 1.0[EB/OL].(2014-06).[2016-02-05].http://docs./energyinterop/ei/v1.0/cs03/energyinterop-v1.0-cs03.html.

[15]OASIS.Energy market information exchange (EMIX) version 1.0[EB/OL].(2012-01)[2016-01-05]. http://docs./emix/emix/v1.0/cs02/emix-v1.0-cs02.pdf.

[16]OASIS.WS-calendar version 1.0[EB/OL].(2011-01)[2016-01-08].http://docs./ws-calendar/ws-calendar-spec/v1.0/cs01/ws-calendar-spec-v1.0-cs01.pdf.

[17]YAN H, LI B, CHEN S, et al. Future evolution of automated demand response system in smart grid for low-carbon economy[J]. Journal of Modern Power Systems & Clean Energy, 2015, 3(1):72-81.

[18]祁兵，张荣，李彬，等．自动需求响应信息交换接口设计[J]．中国电机工程学报，2014，34(31)：5590-5596． QI Bing, ZHANG Rong, LI Bin, et al. Design of automated demand response information exchange interface[J]. Proceedings of the CSEE, 2014, 34(31): 5590-5596.

[19]祁兵，柏慧，陈宋宋，等. 基于互联网家电的需求响应聚合系统信息接口研究与设计[J].电网技术, 2016, 40(12): 3918-3922. QI Bing, BAI Hui, CHEN Songsong, et al. Research and design of aggregate system information interface based on demand response of internet appliance[J]. Power System Technology,2016, 40(12): 3918-3922.

[20]刘壮志，许柏婷， 牛东晓．智能电网需求响应与均衡分析发展趋势[J]．电网技术，2013，37(6)：1555-1561． LIU Zhuangzhi,XU Baiting,NIU Dongxiao. Development tendency of equilibrium analysis and demand response for smart grid[J]. Power System Technology, 2013, 37(6): 1555-1561.

[21]AGRAWAL R, IMIELINSKI T, SWAMI A. Mining association rules between sets of items in large databases[C]//Proceedings of the ACM SIGMOD Conference on Management of Data. Washington D.C.: Association for Computing Machinery, 1993:207-216.

[22]赵鸿图，朱治中，于尔铿．电力市场中需求响应市场与需求响应项目研究[J]．电网技术，2010，34(5)：146-153． ZHAO Hongtu, ZHU Zhizhong, YU Erkeng. Study on demand response markets and programs in electricity markets[J]. Power System Technology, 2010, 34(5): 146-153.

[23]宗柳，李杨，王蓓蓓．计及需求响应的多维度用电特征精细挖掘[J]. 电力系统自动化. 2012，36(20)：54-58． ZONG Liu, LI Yang, WANG Beibei. Fine-mining of multi-dimension electrical characteristics considering demand response[J]. Automation of Electric Power Systems, 2012, 36(20): 54-58.

[24]中国电力企业联合会. 需求响应效果监测与综合效益评价导则:GB/T 32127—2015[S]. 北京：中国标准出版社, 2015.

(编辑 郭文瑞)

Data Analysis Model for Demand Response System and Its Application

LI Bin1, ZHOU Qiuyan1, CHEN Songsong2, CUI Gaoying3, QI Bing1, SUN Yi1

(1. School of Electric and Electronic Engineering, North China Electric Power University, Beijing 102206, China; 2. China Electric Power Research Institute, Beijing 100192, China;3. State Grid Jiangsu Electric Power Research Institute, Nanjing 210036, China)

ABSTRACT：According to the latest evolution of domestic smart grid user interface, this paper analyzes the information standardization of demand side data. The information exchange interface and information model are extended based on IEC PC 118 to support demand response (DR) business and realize the big data evaluation method for supporting DR implementation effect. We analyze the DR dynamic operating index from aspects of industry category dimension, time dimension, response dimensions, etc. Through introducing the knowledge discovery in database (KDD) discover in traditional data correlation analysis, we construct the weak association under different confidence intervals. Besides, in order to reduce the practical computation requirement, we adopt pruning techniques in analysis process to improve the running performance. Finally, we verify the proposed model through the load model of typical energy enterprises, and analyze the potential key factors of DR system implementation effect, which can provide the necessary technical support for the use-side energy management, distribution network scheduling and hird-party energy aggregator management of future smart grid.

KEYWORDS：data analysis; demand response(DR); smart grid user interface; energy management

基金项目：国家电网公司科技项目(SGJS0000YXJS1700312)

中图分类号：TM 31

文献标志码：A

文章编号：1000-7229(2017)09-0088-07

DOI：10.3969/j.issn.1000-7229.2017.09.013

收稿日期：2017-05-05

作者简介：

李彬(1983)，男，博士，副教授，主要从事自动需求响应与电气信息技术等方面的研究工作；

周秋雁(1982)，女，硕士，主要从事智能电网信息通信技术等方面的研究工作；

陈宋宋(1987)，男，硕士，工程师，主要从事能效与智能用电技术等方面的研究工作；

崔高颖(1980)，女，博士，高级工程师，主要从事电力信息化和智能用电技术等方面的研究工作；

祁兵(1965)，男，教授，主要从事电力节能、自动需求响应等方面的研究工作；

孙毅(1972)，男，教授，主要从事电力大数据与电网能效节能等方面的研究工作。