可再生能源设计中的大数据应用

21/24可再生能源设计中的大数据应用第一部分数据采集与预处理的挑战 2第二部分大数据技术提高预测准确性 5第三部分数据分析助力优化能源调度 8第四部分人工智能算法优化系统性能 11第五部分分布式可再生能源的大数据管理 13第六部分实时数据监控与故障预警 16第七部分大数据驱动可再生能源政策制定 19第八部分大数据保障可再生能源安全与可靠 21

第一部分数据采集与预处理的挑战数据采集与预处理的挑战

可再生能源发电系统的数据采集和预处理是一项具有挑战性的任务，涉及以下几个关键方面：

1.传感器的异构性

可再生能源系统通常部署了各种传感器来监测不同的参数，这些传感器具有不同的技术和通信协议。数据采集系统需要能够处理传感器异构性，并以标准化的格式收集和整合数据。

2.数据量大

可再生能源系统会产生大量数据，包括实时监测数据、历史数据和预测数据。处理和存储海量数据需要高性能计算资源和先进的数据管理技术。

3.数据质量差

传感器故障、信号干扰和环境因素都会导致数据质量差。数据预处理需要解决异常值、缺失数据和噪声，以确保数据的可靠性和完整性。

4.实时性要求

可再生能源发电具有间歇性和波动性。为了实现有效的控制和预测，需要实时采集和处理数据。数据采集和预处理系统需要能够满足严格的实时性要求。

5.数据安全性

可再生能源系统产生的数据包含大量敏感信息。确保数据安全性和隐私至关重要，以防止未经授权的访问或恶意攻击。

数据采集与预处理的具体挑战包括：

传感器的校准和维护

传感器需要定期校准和维护，以确保数据的准确性和可靠性。

数据清洗和去噪

原始数据通常包含异常值、缺失数据和噪声。数据清洗和去噪过程需要识别和移除这些错误，以提高数据的质量。

数据格式转换

不同传感器输出的数据具有不同的格式。数据预处理需要将数据转换为标准化格式，以便进一步分析和处理。

数据聚合

数据采集系统会产生海量数据。为了提高效率和减少存储成本，需要对数据进行聚合，以减少数据量。

特征提取

数据预处理的目的是提取与可再生能源发电相关的有用特征。特征提取技术可用于识别相关模式和趋势，并为建模和预测提供基础。

数据标注

某些应用，如机器学习和监督学习，需要手工标注数据，以识别特定事件或模式。数据标注是一项费时且昂贵的任务，但在提高算法性能方面至关重要。

数据压缩

数据压缩技术可以减少数据量，同时保持其信息完整性。这对于数据存储和传输至关重要，尤其是在带宽受限的应用中。

数据加密

数据加密可防止未经授权的访问和恶意攻击。数据预处理中需要实施加密机制，以保护敏感信息。

大数据技术在数据采集与预处理中的应用

大数据技术，如分布式计算、云计算和流处理，可以帮助应对数据采集与预处理的挑战。

云计算

云平台提供可扩展的计算和存储资源，可以处理海量数据，同时确保数据安全性和隐私。

分布式计算

分布式计算技术将数据处理任务分配给多个节点，实现并行计算，从而显著提高处理效率。

流处理

流处理技术可以实时处理数据流，并对数据进行实时分析和处理，满足可再生能源发电的严格实时性要求。

结论

数据采集与预处理是可再生能源设计中至关重要的一步，需要解决异构性、数据量、数据质量、实时性、数据安全性等挑战。大数据技术为应对这些挑战提供了强大的解决方案，促进了可再生能源发电系统的优化和可持续发展。第二部分大数据技术提高预测准确性关键词关键要点多变量预测

1.大数据技术的进步使收集和处理大量气象数据、传感器数据和其他相关信息成为可能。

2.通过分析这些多变量数据，可以建立更准确的预测模型，从而提高可再生能源发电的预测准确性。

3.例如，利用时间序列数据、气象数据和功率输出数据，可以建立复杂的预测模型，以预测风速、太阳辐射和光伏发电。

时间序列预测

1.大数据技术提供了大量的历史数据，可用于训练时间序列预测模型。

2.这些模型可以识别可再生能源发电模式和趋势，并用于预测未来发电量。

3.例如，循环神经网络（RNN）和长短期记忆（LSTM）等模型已成功用于预测风力和太阳能发电。

异常检测

1.大数据技术使实时监测可再生能源设施成为可能，从而可以检测异常情况。

2.通过分析传感器数据和历史数据，可以建立算法来识别偏差、故障和安全问题。

3.及时检测异常情况对于防止故障、确保系统稳定性至关重要。

优化调度

1.大数据技术可以帮助优化可再生能源与传统能源的调度。

2.通过分析需求数据、发电数据和其他相关信息，可以制定更优化的调度策略，以平衡供需并最大化可再生能源利用率。

3.例如，利用遗传算法、粒子群优化等算法，可以找到满足特定约束和目标的最优调度方案。

区域协调

1.大数据技术促进了区域间可再生能源的协调。

2.通过共享数据和建立协作平台，不同地区可以优化资源分配、避免重复投资并提高互补性。

3.例如，在风能和太阳能资源互补的区域，通过数据交换和联合预测，可以提高区域内可再生能源利用率。

成本分析

1.大数据技术使收集和分析可再生能源项目成本数据的过程自动化。

2.通过分析这些数据，可以识别成本节省的机会，优化项目设计和降低成本。

3.例如，利用机器学习技术，可以根据项目规模、技术类型和其他因素，预测可再生能源项目的资本支出和运营支出。大数据技术提高可再生能源预测准确性

随着可再生能源规模的不断扩大，准确预测其发电量变得至关重要。大数据技术为提高可再生能源预测准确性提供了有力支持，主要通过以下方面实现：

1.数据丰富性

大数据技术收集大量来自各种来源的数据，包括气象数据、历史发电数据、传感器数据等。这些海量数据提供了丰富的信息，使预测模型能够捕捉到影响可再生能源发电的细微变化。

2.时空分辨率高

大数据技术提供高时序和空间分辨率的数据，可以刻画可再生能源发电的瞬态变化。例如，气象数据的高时空分辨率有助于准确预测云层变化对太阳能发电的影响。

3.机器学习和人工智能（ML/AI）

大数据技术使ML/AI算法能够处理和分析大量的可再生能源数据。ML/AI算法可以学习数据的复杂模式，识别影响发电的非线性关系，构建高精度的预测模型。

4.实时预测

大数据技术可以实现实时预测，这對於可再生能源电网整合至关重要。通过利用实时传感器数据和ML/AI算法，可以根据当前和近期条件快速生成精确的预测。

5.预测不确定性量化

大数据技术使预测模型能够量化其预测不确定性。通过识别和量化预测中的误差来源，决策者可以做出更加明智的决策，例如优化电网调度和储能部署。

具体应用案例：

*太阳能发电预测：大数据技术收集高分辨率气象数据和历史发电数据，建立ML模型预测太阳能发电量。该模型可以考虑云层变化、季节性变化和位置等因素的影响，提高预测准确性。

*风能发电预测：大数据技术利用风速传感器数据、地形数据和天气预报信息，构建ML模型预测风能发电量。该模型可以识别风速变化、风向变化和湍流等影响因素，提高预测精细度。

*水力发电预测：大数据技术整合水文数据、降水数据和水库运行信息，建立ML模型预测水力发电量。该模型可以考虑降水变化、上游来水和水库调节等因素的影响，提高预测可靠性。

验证和评估：

大数据驱动的可再生能源预测模型需要通过验证和评估来确保准确性。常用的评估指标包括平均绝对误差（MAE）、均方根误差（RMSE）和相关系数（R²）。

结论：

大数据技术在大幅提高可再生能源预测准确性中发挥着关键作用。通过提供丰富且高分辨率的数据、利用ML/AI算法、支持实时预测和量化预测不确定性，大数据技术使决策者能够优化可再生能源的集成和利用，并促进向清洁能源的过渡。第三部分数据分析助力优化能源调度关键词关键要点智能电网预测

1.大数据技术能够收集和处理大量实时运行数据，通过机器学习和深度学习算法，建立高精度电能负荷、可再生能源发电和电网稳定性预测模型。

2.预测模型可用于优化电网调度，提前预估电能需求和供应情况，避免用电高峰或电网波动，确保电网安全稳定运行。

3.准确的预测信息还可以引导电能市场交易，促进可再生能源的灵活调度和利用，对电网调度和电能市场化发挥着至关重要的作用。

可再生能源优化

1.大数据分析技术能够挖掘可再生能源发电的时空分布规律，识别影响发电效率的关键因素，例如气象条件、设备状态和地理位置。

2.通过优化算法，大数据技术可以协调整合多种可再生能源，实现互补发电、平抑波动，提高可再生能源利用率。

3.大数据驱动的优化策略，能够最大化可再生能源发电量，减少弃风弃光现象，促进绿色低碳能源体系的建设。数据分析助力优化能源调度

引言

可再生能源发电的不稳定性和间歇性使得能源调度面临巨大挑战。大数据分析为解决这些挑战提供了有力工具，助力优化可再生能源的调度，提高其利用率和稳定性。

大数据在能源调度中的作用

大数据在能源调度中发挥着至关重要的作用：

*提供海量数据：可再生能源发电数据、电网数据、天气数据等诸多来源的数据为分析和建模提供了丰富的基础。

*发现模式和趋势：通过大数据分析，可以识别可再生能源发电的模式和趋势，从而预测其未来发电量。

*评估不同调度方案：大数据分析使决策者能够评估不同的调度方案，并选择最优调度方案，最大限度地利用可再生能源发电。

大数据分析方法

用于能源调度的大数据分析方法包括：

*机器学习：机器学习算法可以学习可再生能源发电的模式，并预测其未来发电量。

*优化算法：优化算法用于确定最佳调度方案，以最小化可再生能源发电的波动性，最大化其利用率。

*数据挖掘：数据挖掘技术可以从大量数据中提取有价值的见解，例如可再生能源发电的影响因素。

应用案例

大数据分析在能源调度中的应用案例包括：

*风电功率预测：大数据分析结合机器学习算法，可以提高风电功率预测的准确性，从而为风电场的调度提供可靠依据。

*光伏发电优化调度：通过大数据分析，可以优化光伏发电的调度，考虑太阳能辐射、温度等因素，最大限度地利用光伏发电。

*分布式能源系统调度：大数据分析可以协调分布式能源系统的调度，例如太阳能电池板、微型风力涡轮机，以提高整体能源利用率。

收益与挑战

大数据分析在能源调度中的应用带来了显著收益：

*减少可再生能源弃电：优化调度可提高可再生能源的利用率，减少弃电量。

*增强电网稳定性：通过预测可再生能源发电，调度人员可以采取措施应对发电波动，增强电网稳定性。

*降低调度成本：优化调度可降低可再生能源的调度成本，提高可再生能源的经济性。

然而，大数据分析在能源调度中也面临一些挑战：

*数据质量：大数据的质量对于分析结果至关重要，需要建立有效的机制来确保数据质量。

*算法复杂性：大数据分析算法可能非常复杂，需要高性能计算资源和专业技术人员。

*隐私问题：大数据分析涉及大量个人数据，需要考虑隐私保护问题。

结论

大数据分析在可再生能源设计中的应用，为优化能源调度提供了强有力的工具。通过分析海量数据，大数据技术可以发现模式、预测发电量，并评估不同调度方案。应用于实际案例，大数据分析带来了减少弃电、增强稳定性和降低成本等显著收益。尽管面临着数据质量、算法复杂性和隐私问题等挑战，大数据分析仍是优化可再生能源设计和调度的关键技术。第四部分人工智能算法优化系统性能关键词关键要点【机器学习算法优化能源生产】

1.机器学习算法可以识别和预测可再生能源系统中的模式和趋势，从而优化能源产量。

2.这些算法可以分析大量历史和实时数据，包括天气、负荷和设备状态，从而开发预测模型，以准确预测未来能源输出。

3.根据预测，优化算法可以动态调整系统设置，例如逆变器输出或电池存储策略，以最大化可再生能源利用率。

【深度学习算法提高能源效率】

人工智能算法优化系统性能

可再生能源系统的复杂性和多变量性使得优化其性能成为一项艰巨的任务。人工智能（AI）算法，尤其是机器学习（ML）技术，通过自动化系统分析和决策制定，提供了应对这一挑战的强大工具。

机器学习优化技术

*监督学习：利用标记数据集，ML算法学习特定输入与输出之间的映射关系。这对于预测能源输出、系统故障和优化参数至关重要。

*无监督学习：处理未标记数据集，识别模式、异常值和数据分组。这有助于发现系统行为的隐含模式和异常检测。

*强化学习：通过与环境的互动来学习最优行为。该技术可用于优化控制策略和能源调度。

系统性能优化应用

*能源产量预测：ML算法通过分析历史数据、天气预报和其他相关因素，可以准确预测可再生能源输出，为电网规划和运营提供关键信息。

*故障检测和诊断：通过使用传感器数据和ML模型，可以实时识别和定位系统故障，实现快速故障排除和减少停机时间。

*参数优化：ML算法可以自动优化系统参数，例如变流器设置、控制器增益和操作策略，以提高能源转换效率和系统稳定性。

*控制策略优化：ML驱动的控制器可以适应不断变化的环境条件，优化能源调度和系统响应，从而提高整体效率和可靠性。

*数据驱动的运营洞察：ML算法从历史数据中提取有价值的见解，例如系统趋势、能耗模式和性能基准。这些洞察可用于改进运营策略和制定数据驱动的决策。

具体案例

*太阳能发电优化：ML算法用于预测太阳辐射，优化倾角和跟踪策略，提高太阳能电池阵列的能源产量。

*风力涡轮机性能优化：ML模型分析传感器数据，识别风切变、湍流和叶片故障，从而优化涡轮机运行并减少维护成本。

*储能系统调度优化：ML算法预测能源需求和可再生能源可用性，优化储能系统调度，以提高经济性和电网稳定性。

结论

人工智能算法在可再生能源设计中的应用开辟了提高系统性能的新途径。通过机器学习技术的自动化分析、预测和优化，可再生能源系统可以更准确地预测输出、减少故障、提高效率和优化控制策略。这些进步对于实现可持续、可靠和经济的能源未来至关重要。第五部分分布式可再生能源的大数据管理关键词关键要点分布式可再生能源的大数据管理

主题名称：数据收集与预处理

1.异构数据源：收集来自太阳能电池板、风力涡轮机和微电网等分布式可再生能源系统的多源异构数据，包括能量输出、天气条件和系统状态。

2.实时数据流处理：采用流处理技术，对高频率、实时生成的数据流进行实时过滤、清洗和转换，以确保数据质量和可用性。

3.数据标准化：建立统一的数据标准和协议，以确保来自不同设备和系统的数据可互操作和可比较。

主题名称：数据分析与建模

分布式可再生能源的大数据管理

随着分布式可再生能源（DER）系统的大规模部署，海量的实时运营数据和历史数据不断产生，对数据管理提出了严峻的挑战。大数据管理在DER系统中发挥着至关重要的作用，可以提高系统效率、优化能源利用并实现智能电网。

数据采集

分布式可再生能源系统中的数据主要来自传感器、智能仪表和其他设备。这些数据包括：

*发电数据：光伏发电量、风力发电量

*负荷数据：用电量、负荷曲线

*电网数据：电压、电流、功率因数

*天气数据：太阳辐射强度、风速、温度

*其他数据：设备状态、故障记录

数据采集需要考虑数据的准确性、实时性、可靠性和安全性。

数据预处理

采集到的数据需要进行预处理，以消除噪声、处理缺失值和异常值。常用的数据预处理方法包括：

*数据清洗：删除无效或不完整的数据

*数据插补：使用统计方法或物理模型估算缺失值

*数据标准化：将数据转换为统一的格式和单位

*数据聚合：将高频数据聚合为低频数据，减少数据量

数据存储

分布式可再生能源系统的数据量巨大，需要高容量、高吞吐量的存储系统。常用的数据存储技术包括：

*关系型数据库：适合结构化数据的存储和查询

*非关系型数据库：适合非结构化数据的存储和查询，如时间序列数据库

*分布式存储系统：支持数据分布式存储和并行处理，提高数据访问效率

数据分析

数据分析是利用大数据技术对数据进行处理和分析，提取有价值的信息和见解。在分布式可再生能源系统中，数据分析可以应用于：

*发电预测：利用天气数据、历史发电数据和机器学习算法预测未来发电量

*负荷预测：利用负荷曲线、经济数据和社会数据预测未来用电量

*电网稳定性分析：利用电网数据和计算机建模分析电网稳定性并预测潜在问题

*故障诊断：利用设备状态数据和异常检测算法诊断故障并预测故障风险

*优化调度：利用发电预测、负荷预测和经济数据优化DER系统的调度策略，最大化能源利用效率和经济效益

数据安全

分布式可再生能源系统中的数据涉及个人隐私、电网安全和商业秘密等敏感信息。需要采取严格的数据安全措施，包括：

*数据加密：对数据进行加密处理，防止未经授权的访问

*访问控制：限制对数据的访问权限，仅授权相关人员访问

*日志审计：记录数据的访问和操作，便于安全监控和事件取证

*数据备份：定期备份数据，防止因系统故障或恶意攻击导致数据丢失

*符合法规：遵守相关数据保护法规，确保数据安全和隐私

大数据管理平台

为了有效管理分布式可再生能源系统中的大数据，需要构建一个综合性的大数据管理平台。该平台集成了数据采集、预处理、存储、分析和安全等功能，为用户提供一站式的数据管理和分析服务。

大数据管理平台可以通过以下方式提高分布式可再生能源系统的效率和可靠性：

*提高数据质量：通过数据预处理和异常检测算法确保数据质量和可信度

*高效的数据访问：提供高效的数据查询和检索机制，满足实时分析和决策的需求

*支持多种分析：提供丰富的数据分析工具和算法，支持各种数据分析应用

*保障数据安全：实施严格的数据安全措施，防止数据泄露和滥用

*促进协作：提供数据共享和协作功能，促进不同利益相关者之间的信息交流和资源共享第六部分实时数据监控与故障预警关键词关键要点【实时数据监控】

1.数据采集与处理：通过物联网传感器、智能仪表和SCADA系统实时采集可再生能源设备的运行数据，利用大数据技术处理和存储海量数据。

2.数据可视化：将实时数据可视化地呈现于仪表盘、地图和图表中，以直观地监控设备状态、能源产量和系统效率。

3.异常检测算法：利用机器学习和人工智能算法从实时数据中检测异常情况，如设备故障、停机或效率下降。

【故障预警】

实时数据监控与故障预警

在可再生能源系统中，实时数据监控和故障预警对于优化系统性能、确保电网稳定性和防止设备故障至关重要。大数据技术为这些任务提供了强大的工具和方法，极大地提高了故障监测和预警的效率和准确性。

1.数据采集与处理

实时数据监控从传感器、现场仪表和控制系统中获取大量数据，包括：

*功率输出：光伏组件、风力涡轮机和蓄电池的实时功率输出

*天气数据：温度、辐照度、风速和风向

*系统参数：变频器状态、逆变器效率和线路电流

*设备状态：传感器读数、报警和日志文件

大数据技术通过云计算、数据湖和分布式存储平台处理和管理这些异构数据，实现数据的统一存储、访问和分析。

2.故障检测与诊断

大数据技术采用先进的分析技术和机器学习算法，从大量数据中识别故障模式和异常情况：

*监督学习：通过训练历史数据模型，识别偏离正常运行范围的偏差。

*无监督学习：通过聚类和关联规则挖掘隐藏的模式和异常行为，发现未知故障。

*时间序列分析：识别与故障相关的时间模式，例如功率输出下降或温度异常上升。

大数据技术还促进了故障诊断，通过关联不同数据源的数据，综合分析故障原因。例如，同时分析功率输出、天气数据和变频器状态可以帮助确定是由天气条件引起的故障还是设备故障引起的故障。

3.预警机制

大数据技术使能够建立基于实时数据的预警机制，在故障发生前主动提醒运营商：

*阈值预警：当数据值超过预定义阈值时触发预警，例如功率输出低于一定水平或温度过高。

*趋势预警：分析时间序列数据并发出预警，当数据值持续上升或下降时，表明潜在故障。

*预测性预警：利用机器学习模型预测未来故障可能性，并在故障发生前提供预警。

4.云平台集成

大数据平台通常与云平台集成，提供以下好处：

*可扩展性：云平台可以根据需要动态调整计算和存储资源，满足大数据分析的需求。

*协作：云平台支持多用户协作，使运营商、技术人员和数据科学家能够即时访问和分析数据。

*移动访问：通过移动设备访问云平台上的故障预警和数据分析工具，实现远程监控和维护。

5.案例研究

一项案例研究表明，一家风电场运营商使用大数据技术实现了：

*90%的故障提前预警率

*故障响应时间的减少30%

*维护成本的降低20%

结论

大数据技术通过实时数据监控和故障预警变革了可再生能源系统管理。它提高了功率输出稳定性、设备可靠性和运营效率，从而最大化可再生能源发电量，降低系统成本，并促进电网的平稳运行。第七部分大数据驱动可再生能源政策制定大数据驱动可再生能源政策制定

大数据在可再生能源政策制定中发挥着至关重要的作用，使决策者能够进行基于证据的决策并制定更有效的政策。

大数据的作用

*数据收集和分析：大数据通过智能电网、物联网和可再生能源发电设施收集大量数据。这些数据提供有关能源生产、消费和传输模式的深入见解。

*预测和建模：大数据分析工具可用于预测可再生能源来源的未来发电量、优化电网性能并识别供需差距。

*趋势和模式识别：大数据可以揭示可再生能源部门的趋势和模式，使决策者能够识别新兴技术、确定投资优先级并评估政策影响。

*支持数据驱动的决策：大数据为决策者提供可靠的数据和见解，使其能够制定基于证据的政策并衡量其有效性。

政策制定应用

*制定明智的目标：大数据可用于评估可再生能源的潜在贡献并为雄心勃勃的政策目标提供依据。

*支持技术创新：大数据可以识别需要进一步研究和开发的技术领域，从而推动技术进步。

*优化电网整合：大数据可以帮助优化可再生能源与电网的整合，确保稳定和可靠的电力供应。

*制定激励机制：大数据可用于评估各种激励措施（如税收抵免、补贴和市场机制）的有效性并优化政策设计。

*促进消费者参与：大数据可以提供有关消费者能源使用模式的信息，从而促进消费者参与可再生能源计划。

*衡量政策影响：大数据使决策者能够衡量可再生能源政策的影响并根据需要进行调整。

案例研究

*美国加州：加州使用大数据来预测可再生能源发电量并优化电网操作，从而减少对化石燃料的依赖。

*德国：德国利用大数据识别可再生能源投资机会并制定激励措施以促进技术创新。

*欧盟：欧盟使用大数据来制定全欧洲可再生能源目标并协调成员国之间的政策。

结论

大数据是可再生能源政策制定至关重要的工具。它提供的数据和见解使决策者能够制定基于证据的政策，支持技术创新，优化电网整合，并衡量政策影响。随着可再生能源行业持续增长，大数据的作用只会变得越来越重要，从而推动向更可持续和气候适应性强的能源系统的转变。第八部分大数据保障可再生能源安全与可靠关键词关键要点【预测性维护保障设备安全】

1.通过持续监测可再生能源设备（例如风力涡轮机和太阳能电池板）的运行数据，识别异常模式和预测性故障。

2.利用机器学习算法和传感器收集的大量数据，建立预测性模型，及时预警潜在故障。

3.提前安排维护和维修，避免意外故障和计划外停机，确保设备安全性和可靠性。

【预测性资源预报提升可靠性】

大数据保障可再生能源安全与可靠

可再生能源发电具有间歇性和波动性，对电网安全稳定构成挑战。大数据技术的应用提供了深刻见解，有助于保障可再生能源的安全与可靠。

1.实时监测和预测

大数据平台可整合来自传感器、智能电表和气象站的海量数据，实现实时监测和预测。这些数据有助于了解可再生能源的实际发电情况、电网负荷变化和天气条件，从而提高可再生能源发电的预测准确性。准确的预测可为电网运营商提供充足的时间提前调整调度策略，避免电网失衡和停电事故。

2.优化调度和控制

大数据分析可以帮助优化可再生能源的调度和控制策略。通过分析历史数据和实时监测数据，大数据平台可以识别可再生能源发电的模式和趋势。电网运营商可以利用这些信息制定更有效的调度计划，提高可再生能源的利用率，同时保持电网稳定。

3.故障诊断和预防性维护

大数据可用于诊断可再生能源设备的故障并预测其维护需求。通过分析传感器数据和历史运维记录，大数据平台可以识别异常模式和潜在故障征兆。这有助于电网运营商及早发现问题，安排预防性维护，避免重大故障和生产损失。

4.储能系统优化

储能系统是保障可再生能源安全与可靠的重要补充。大数据分析可以帮助优化储能系统的调度策略