3. 协同规划的数据基础与建模准备

源网荷储协同规划的质量，首先取决于数据基础是否真实、完整、时空对齐。规划模型再精细，如果输入的风光出力曲线、负荷曲线和网络参数存在口径不一致或缺失，优化结果就会失真。本节围绕多源数据采集、负荷与新能源出力特性分析、典型场景提取以及数据治理方法四个环节，说明如何把分散的原始数据加工成可直接进入协同规划模型的数据资产。

一、多源数据采集：明确对象与口径

协同规划需要的数据可归为四类。第一类是资源与气象数据，包括水平面总辐射、直接辐射、散射辐射、风速、气温、湿度等，通常来自气象站、卫星反演或再分析数据集，时间分辨率从1小时到15分钟不等。第二类是电源与负荷数据，包括已有火电、水电、风电、光伏的装机容量、出力曲线、检修计划，以及分区、分行业的负荷曲线。第三类是电网与储能数据，包括线路阻抗、变压器容量、断面限额、储能额定功率与容量、充放电效率。第四类是规划边界数据，包括电价机制、补贴政策、土地与生态约束、投资成本参数。

采集时必须统一三个口径：时间口径（统一时区、统一时间分辨率、统一起止年份）、空间口径（统一到规划分区或节点，避免出现“全市负荷”与“分区新能源”无法对应）、量纲口径（功率统一为MW，电量统一为MWh，容量统一为MW或MWh并注明）。例如某园区规划中，光伏数据来自15分钟级逆变器监测，负荷数据来自1小时级电表，若直接拼接会造成8760点与35040点不匹配，必须先降采样或升采样并说明插值方法。

二、负荷与新能源出力特性分析

负荷特性分析关注三个指标：年最大负荷、年负荷曲线和典型日曲线。年最大负荷决定设备容量需求；年负荷曲线反映季节性波动；典型日曲线反映日内峰谷差。以某工业负荷为例，若日峰谷差达到40%，则储能削峰填谷的价值显著；若负荷平稳，储能更多用于新能源消纳而非峰谷套利。

新能源出力特性分析关注波动性、间歇性和相关性。风电出力受风速影响，日内波动大且夜间往往偏高；光伏出力集中在白天，正午最高、夜间为零。二者在日内存在一定互补性，但冬季和夏季的互补程度不同。分析时应计算出力序列的均值、标准差、峰谷差、持续出力小时数，以及风电与光伏出力的相关系数。若相关系数为负，说明二者互补，可降低对储能和调峰资源的需求；若为正，则系统调节压力更大。

三、典型场景提取：从8760小时到可计算场景

全年8760小时逐时数据直接进入优化模型会导致计算规模过大，因此需要提取典型场景。常用方法有三种。第一种是典型日法，按季节或月份选取若干典型日，每个典型日24小时，适用于规划阶段粗略估算。第二种是聚类法，对全年逐时曲线进行K-means或层次聚类，得到若干典型场景及其出现概率，场景数一般取5至12个。第三种是极值场景法，单独保留最大负荷日、最小负荷日、最大新能源出力日、最小新能源出力日等边界场景，用于校验系统在极端条件下的可靠性。

以某区域为例，若采用8个典型场景，每个场景代表一定天数，则全年可压缩为8×24=192个时间断面，计算量大幅下降。但必须校验场景集的电量、峰值和持续时间是否与原始数据接近。例如原始年电量为100%，场景加权后应控制在98%至102%之间；原始最大负荷为1.0 p.u.，场景集中最大负荷不应低于0.95 p.u.。若偏差过大，应增加场景数或调整聚类特征。

四、数据治理方法：清洗、对齐与质量校验

数据治理不是简单“补缺失值”，而是建立可追溯的处理链。第一步是异常识别，对超出物理极限的数据进行标记，例如光伏夜间出力大于零、风速为负、负荷突然跳变为零。第二步是缺失值处理，短时缺失可用线性插值或前后均值填充，长时缺失应标记为无效并考虑从相似站点或相似日借用。第三步是时空对齐，把不同来源的数据统一到同一时间轴和同一空间分区。第四步是质量校验，检查电量平衡、功率平衡和统计特征是否合理。

五、建模准备：形成可输入的数据包

完成上述工作后，应形成一份结构化的数据包，至少包含：规划分区与节点映射表、逐时负荷曲线（或典型场景及概率）、逐时风光出力曲线（或典型场景及概率）、电源与储能参数表、网络参数与断面限额、成本与政策参数。每个数据表应注明来源、时间范围、分辨率、量纲和处理说明。这样，后续的协同规划模型才能在同一数据基础上进行容量配置、运行模拟和方案比选。

数据基础与建模准备是源网荷储协同规划的“地基”。多源采集保证对象齐全，特性分析揭示负荷与新能源的波动规律，典型场景提取把全年数据压缩为可计算规模，数据治理保证输入可信。四者环环相扣，缺一不可。