基于大數(shù)據(jù)云平臺的電力系統(tǒng)數(shù)據(jù)采集與應(yīng)用

徐偉軍 陸岫昶 吳智雯

貴州電網(wǎng)有限責任公司 貴州 貴陽 50002

引言

隨著智能電網(wǎng)的發(fā)展，電網(wǎng)技術(shù)不斷與以“云計算、大數(shù)據(jù)”為核心的信息技術(shù)相互融合，二者相互促進，協(xié)同發(fā)展，電力企業(yè)的運營方式從根本上實現(xiàn)了轉(zhuǎn)變[1-2]。作為智能電網(wǎng)重要組成部分的電力數(shù)據(jù)采集系統(tǒng)，在智能電網(wǎng)運行的同時也采集了大量的電力數(shù)據(jù)。隨著電力數(shù)據(jù)采集系統(tǒng)支撐電網(wǎng)業(yè)務(wù)模塊的不斷增加，常規(guī)的數(shù)據(jù)分析方法已經(jīng)遠遠不能滿足現(xiàn)實要求了[3-4]。因此本文基于大數(shù)據(jù)云平臺方法，對電力數(shù)據(jù)采集系統(tǒng)的數(shù)據(jù)處理方式展開了深入的研究，采用先進的數(shù)據(jù)處理方法對電力數(shù)據(jù)進行了深入的分析、處理，從海量的數(shù)據(jù)中提取出了關(guān)鍵信息，為電網(wǎng)的負荷預(yù)測、能量調(diào)度等業(yè)務(wù)模塊提供了有效的數(shù)據(jù)支持[5-6]。

1 電力數(shù)據(jù)采集與大數(shù)據(jù)云平臺

1.1 電力數(shù)據(jù)采集

目前電力數(shù)據(jù)采集基本上都是基于分布式采集來實現(xiàn)的，這樣能夠提高電力數(shù)據(jù)的采集效率，電力數(shù)據(jù)的分布式采集架構(gòu)如圖1所示。

圖1 電力數(shù)據(jù)采集方案

電力系統(tǒng)中的智能終端承擔電力數(shù)據(jù)采集的任務(wù)，然后將采集到的數(shù)據(jù)上傳到網(wǎng)絡(luò)云平臺進行歸類、整理，再經(jīng)由流計算進行分流處理、傳送到生產(chǎn)平臺、中間平臺以及大數(shù)據(jù)云平臺。

1.2 大數(shù)據(jù)云平臺

大數(shù)據(jù)是一種規(guī)模大到在獲取、存儲、管理、分析方面大大超出了傳統(tǒng)數(shù)據(jù)庫軟件工具能力范圍的數(shù)據(jù)集合，具有海量的數(shù)據(jù)規(guī)模、快速的數(shù)據(jù)流轉(zhuǎn)、多樣的數(shù)據(jù)類型和價值密度低四大特征。大數(shù)據(jù)的意義不在于掌握海量的數(shù)據(jù)信息，而在于對具有含義的數(shù)據(jù)進行專業(yè)化的處理；換而言之，如果將大數(shù)據(jù)比作一種產(chǎn)業(yè)，那么這種產(chǎn)業(yè)實現(xiàn)盈利的關(guān)鍵所在就是，對數(shù)據(jù)進行加工處理，通過加工處理后的數(shù)據(jù)實現(xiàn)利潤。

大數(shù)據(jù)云平臺的架構(gòu)可以分為四層，即存儲運算層、邏輯控制層、數(shù)據(jù)接入層和數(shù)據(jù)應(yīng)用層；其中存儲運算層負責承擔數(shù)據(jù)的運算與存儲，將電力系統(tǒng)智能終端上傳的數(shù)據(jù)進行運算，得到結(jié)果后將結(jié)果進行存儲；邏輯控制層用于進行調(diào)度邏輯控制，由調(diào)度算法來實現(xiàn)調(diào)度任務(wù)，調(diào)度算法以功能插件的形式接入到云計算數(shù)據(jù)中心，調(diào)度任務(wù)對大量的數(shù)據(jù)信息進行處理，將任務(wù)分解為多個小單元，并將其進行動態(tài)分配，由集群中的任務(wù)結(jié)點并行完成計算任務(wù)；數(shù)據(jù)接入層負責提供網(wǎng)絡(luò)接入服務(wù)，數(shù)據(jù)應(yīng)用層用于提供數(shù)據(jù)分析模型、數(shù)據(jù)深度處理算法等。

2 神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)處理方法

2.1 神經(jīng)網(wǎng)絡(luò)概念

當前所進行實際運用的神經(jīng)網(wǎng)絡(luò)，都是基于BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)發(fā)展起來的。通過數(shù)學(xué)手段已經(jīng)證明了，任何一個含有隱含層級的三級網(wǎng)絡(luò)都能夠?qū)崿F(xiàn)對任意非線性函數(shù)的等效替代。BP神經(jīng)網(wǎng)絡(luò)由三個層級構(gòu)成，即輸入層級、隱含層級、輸出層級。該處理方法的基本思路是對特定量的樣本（涵蓋有輸入量和期望目標輸出量）進行機器學(xué)習，即將輸入量傳輸?shù)紹P神經(jīng)網(wǎng)絡(luò)模型中輸入層級的神經(jīng)單元中，再通過隱含層級進行迭代運算，由輸出層級輸出對應(yīng)的預(yù)測值，如果預(yù)測值與期望目標值之間存在的誤差不滿足精度要求，則將誤差從輸出層級倒回到BP神經(jīng)網(wǎng)絡(luò)模型中，調(diào)整迭代運算過程需要用到的權(quán)值和閾值參數(shù)，其目的是要保證輸出層級的預(yù)測值與期望目標值之間的誤差逐步縮小，向零的方向逐步逼近，直到誤差精度滿足要求為止。因此，BP神經(jīng)網(wǎng)絡(luò)的核心思想是基于輸出誤差參與到模型的迭代運算中，在迭代運算中逐步調(diào)整運算權(quán)值和運算閾值參數(shù)，對輸出誤差不斷修正，以保證最終的輸出預(yù)測值無限逼近期望目標輸出量，從而得到最終的輸出結(jié)果。

2.2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

在BP神經(jīng)網(wǎng)絡(luò)中，信息從輸入層級導(dǎo)入，逐級傳輸?shù)捷敵鰧蛹?，輸出層級上生成的誤差量再反向回傳到輸入層級。BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)

節(jié)點采用Sigmoid函數(shù)來描述，即

其中，代表節(jié)點的輸出，代表節(jié)點的輸入。

3 電力數(shù)據(jù)與負荷預(yù)測和能量調(diào)度

電力負荷預(yù)測具體是指對未來一段時間內(nèi)的用電量進行預(yù)測，它能夠為電網(wǎng)規(guī)劃建設(shè)、電能生產(chǎn)調(diào)度、電能銷售提供有效、合理的數(shù)據(jù)支持。電力負荷預(yù)測需要對電網(wǎng)的運行特性、電網(wǎng)規(guī)模、外部環(huán)境等因素進行綜合分析、評價，得到歷史負荷數(shù)據(jù)的變化規(guī)律，并進行數(shù)據(jù)的深度挖掘，得到負荷數(shù)據(jù)與影響因素之間的關(guān)聯(lián)關(guān)系。根據(jù)實際情況構(gòu)建符合數(shù)學(xué)原理的電力負荷預(yù)測模型。電力系統(tǒng)的負荷預(yù)測模型通常可以描述為：

對數(shù)據(jù)集合進行分析統(tǒng)計后，選取包含有90個樣本數(shù)據(jù)集合中的30個樣本數(shù)據(jù)進行分組處理，運用預(yù)測模型實現(xiàn)電力負荷數(shù)據(jù)的仿真預(yù)測，經(jīng)仿真運算得到結(jié)果如表1所示。

表1 仿真運算預(yù)測值

從表1中可以看出在天氣情況和環(huán)境溫度雙重影響因素共同作用的情況下，通過預(yù)測模型所得到的電力系統(tǒng)負荷預(yù)測數(shù)據(jù)與電力系統(tǒng)的實際運行負荷數(shù)據(jù)僅存在很小的差距，說明該模型的預(yù)測精度較高。

5 結(jié)束語

本文以大數(shù)據(jù)云平臺為基礎(chǔ)的電力數(shù)據(jù)采集系統(tǒng)。大力推動大數(shù)據(jù)云平臺與電力系統(tǒng)的高度融合是智能電網(wǎng)發(fā)展的必然要求。通過采集電力數(shù)據(jù)，并通過有效的數(shù)據(jù)處理算法對數(shù)據(jù)進行深度挖掘，能夠有效提升電網(wǎng)的運行穩(wěn)定性。對神經(jīng)網(wǎng)絡(luò)算法進行了深入的研究，利用BP神經(jīng)網(wǎng)絡(luò)算法對數(shù)據(jù)進行了深度分析，顯著提升了負荷預(yù)測的準確性。