3、EMS核心功能：数据采集与监控（SCADA）、能量调度策略、功率预测与负荷管理
大家好，我是老张。在光储系统里摸爬滚打了十几年，今天咱们聊聊EMS最核心的三个功能。说白了，这三大块就是EMS的「眼睛」、「大脑」和「预判能力」。缺了哪一个，系统都跑不顺畅。
核心逻辑一句话：SCADA负责「看」清现状，调度策略负责「想」好怎么干，功率预测负责「猜」准未来。三者闭环，才能让光储系统既安全又赚钱。
3.1 SCADA：系统的「眼睛」
SCADA，全称是数据采集与监控系统。听起来高大上，其实干的就是三件事：看数据、控设备、存历史。
我个人习惯把SCADA比作电站的「神经末梢」。它从光伏逆变器、储能PCS、BMS、电表、气象站这些设备上，把电压、电流、功率、SOC、温度这些参数一股脑儿抓回来。然后呢？实时展示在屏幕上，让你一眼就知道系统现在「活得好不好」。
我的经验：刚入行那会儿，我总觉得采集频率越高越好。后来发现，1秒采一次和5秒采一次，对调度决策影响不大，但数据量差了5倍。存储和带宽都是成本。所以我建议：关键告警信号用1秒级，普通遥测量用5~10秒级，够用就好。
SCADA还有一个容易被忽视的功能——历史数据归档。你想想看，没有历史数据，你怎么做故障回溯？怎么算电站的PR（性能比）？怎么跟电网对账？
我曾经遇到一个项目，业主说电站发电量老是算不对。我查了三天，最后发现是SCADA的历史数据存储周期设成了「只存最近7天」。第8天的数据自动覆盖了第1天的。嗯，这种坑，踩过一次就记住了。
SCADA的核心数据点清单
| 数据类别 | 典型参数 | 采集频率建议 | 用途 |
|---|---|---|---|
| 光伏侧 | 直流电压、直流电流、逆变器功率、MPPT状态 | 5s | 发电效率监控、故障定位 |
| 储能侧 | SOC、SOH、电池电压、电池温度、PCS功率 | 1s（告警）/ 10s（常规） | 电池保护、充放电控制 |
| 并网点 | 三相电压、三相电流、有功功率、无功功率、频率 | 1s | 并网合规、功率因数调节 |
| 气象数据 | 辐照度、环境温度、风速、风向 | 1min | 功率预测、效率分析 |
注意：SCADA不是「采集越多越好」。采集点过多，通信总线会拥堵，反而导致关键告警延迟。我见过一个项目，一个RS485总线上挂了32台设备，结果轮询一圈要8秒钟。告警来了，等8秒才上报，黄花菜都凉了。所以，合理规划采集点，该分组的要分组，该走以太网的别省成本。
3.2 能量调度策略：系统的「大脑」
SCADA把数据拿回来了，然后呢？谁来决定「现在该充电还是放电」？谁来算「光伏发多了，要不要限功率」？这就是能量调度策略的活儿。
说白了，调度策略就是一套带约束条件的优化算法。约束条件包括：电池SOC上下限、PCS功率限制、变压器容量、电网调度指令、峰谷电价时段等等。目标函数呢？要么是收益最大化（比如峰谷套利），要么是自用率最大化（比如工商业光储），要么是并网友好性（比如平滑出力、调频响应）。
我建议大家在设计调度策略时，一定要分清楚「策略层级」：
- 第一层：安全约束——过充过放保护、过温保护、功率越限保护。这一层是硬逻辑，优先级最高，谁来了都不好使。
- 第二层：电网指令——如果电网调度要求你限功率或者调无功，必须优先响应。这是并网协议里写死的。
- 第三层：经济优化——在满足前两层的前提下，再去做峰谷套利、需量管理这些「赚钱」的逻辑。
为什么这么分？我踩过坑。有一次，一个项目为了追求峰谷套利收益，把调度策略写成了「谷时段充满，峰时段放光」。结果某天电网突然下发指令要求「储能紧急充电」来支撑电压。但电池SOC已经100%了，充不进去。最后被电网考核罚款。从那以后，我所有的策略里，电网指令的优先级永远高于经济优化。
典型调度策略示例（峰谷套利模式）
// 伪代码示例：峰谷套利调度逻辑
if (当前时段 == 谷时段) {
if (SOC < 95%) {
启动充电，功率 = min(PCS额定功率, 变压器剩余容量);
} else {
停止充电; // 防止过充
}
} else if (当前时段 == 峰时段) {
if (SOC > 20%) {
启动放电，功率 = min(PCS额定功率, 负载功率);
} else {
停止放电; // 防止过放
}
} else {
// 平时段：保持SOC在50%~80%之间，等待下一个峰时段
待机或小功率充放;
}我的习惯：写调度策略时，一定要加一个「手动干预」的入口。运维人员有时候需要临时强制充放电来做电池均衡测试或者设备检修。没有这个入口，你就等着被现场工程师骂吧。我一般会在策略里留一个「手动模式优先级高于自动模式」的开关。
3.3 功率预测与负荷管理：系统的「预判」
SCADA看的是「现在」，调度策略管的是「当下到未来几分钟」。但光储系统要想真正跑得好，还得知道「未来几小时甚至明天」会发生什么。这就是功率预测和负荷管理的价值。
功率预测主要分两块：光伏功率预测和负荷功率预测。
- 光伏预测：靠气象数据（辐照度、云量、温度）加上历史发电曲线，用机器学习模型或者物理模型，算出未来1小时到72小时的光伏出力曲线。精度嘛，晴天能到90%以上，多云天就不好说了，60%~70%是常态。
- 负荷预测：对于工商业用户，负荷曲线相对有规律。周一到周五是生产高峰，周末是低谷。但也要考虑季节性因素，比如夏天空调用电多。
你可能会问：「预测不准怎么办？」嗯，这个问题问得好。我从来不相信任何预测模型是100%准确的。所以我的做法是：预测结果只作为「参考输入」，不作为「唯一决策依据」。调度策略里要加一个「滚动修正」的机制。比如每15分钟重新跑一次预测，用最新的实测数据修正后续的调度计划。
核心原则：预测是「方向盘」，不是「刹车」。它告诉你方向，但具体怎么走，还得看实时路况（SCADA数据）。
负荷管理呢？说白了就是「削峰填谷」的另一种说法。通过预测到未来某个时段负荷会很高，提前让储能放电来「顶住」变压器容量；或者预测到负荷很低，让储能充电来「吃掉」多余的光伏发电。这样做的直接好处是：降低需量电费、提高光伏自用率、减少弃光。
我曾经帮一个工厂做负荷管理优化。他们变压器容量是2000kVA，但每天下午2点到4点，生产线全开加上空调，负荷经常冲到1950kVA以上。每个月的需量电费多交了好几万。我给他们配了储能，用负荷预测模型提前1小时判断「今天下午会不会超需量」，如果会，就让储能提前放电。结果呢？第一个月需量电费就降了30%。
功率预测模型对比
| 模型类型 | 输入数据 | 预测时长 | 典型精度 | 适用场景 |
|---|---|---|---|---|
| 物理模型（基于辐照度） | 气象站辐照度、温度 | 1~6小时 | 晴天85%~92% | 大型地面电站 |
| 统计模型（ARIMA等） | 历史功率序列 | 1~24小时 | 70%~85% | 数据充足的工商业项目 |
| 机器学习（LSTM、XGBoost） | 气象+历史+时间特征 | 1~72小时 | 80%~92% | 需要高精度预测的场景 |
| 组合模型（物理+统计） | 多源数据融合 | 1~48小时 | 85%~95% | 我个人的首选方案 |
避坑指南：我曾经在一个项目里过度依赖天气预报数据。结果某天天气预报说「晴」，实际来了个「阵雨」。光伏出力瞬间掉了60%，但调度策略还按晴天模式在跑，储能没提前充电。下午峰时段放电时，电池电量不够，导致负荷超需量。从那以后，我所有的预测模型都加了「实时辐照度修正」——每5分钟用实测辐照度校准一次预测值。天气预报可以错，但实测数据不会骗人。
好了，三大核心功能讲完了。SCADA是基础，调度策略是核心，功率预测是进阶。三者配合好了，你的光储系统才能既安全又高效。下一节咱们聊聊通信协议和接口标准，那是把这些功能串起来的「血管」。