電力系統運行狀態大數據分析實驗仿真

何 邁， 劉俊勇， 任瑞玲， 劉 洋， 劉友波， 劉若凡

(四川大學 電氣信息學院， 成都 610065)

·專題討論——虛擬仿真實驗(41)·

電力系統運行狀態大數據分析實驗仿真

何 邁， 劉俊勇， 任瑞玲， 劉 洋， 劉友波， 劉若凡

(四川大學 電氣信息學院， 成都 610065)

以電力系統動模仿真實驗室和電力系統運行仿真軟件為基礎，構建了電力系統運行狀態的大數據實驗仿真平臺，描述了仿真平臺的框架和軟、硬件組成以及大數據技術應用的接口技術和第三方軟件。并以風電系統的傳輸線極限潮流為背景，展示了大數據技術應用的流程和結果。所搭建的大數據實驗仿真平臺可為教師和研究生以及高年級本科生在熟悉傳統電力系統實驗和仿真的基礎上，較為方便地引入大數據分析技術，以對電力系統運行狀態做進一步的機理或現象的分析。

電力系統； 大數據； 仿真平臺

0 引 言

電力系統大數據研究在國內剛剛起步，尤其是在適應電力特性的大數據基礎平臺、數據算法、分析理論等方面研究成果較少。以當前現有大數據研究成果來看，其主要停留在概念層面，尚未尋找到大數據在電力系統方向的具體落腳點與具體應用方向。現有實際研究成果仍主要停留在大數據平臺研發、改造與二次開發等層面，以及處理框架與處理平臺實現階段。大數據研究理論的出現，是基于數據本身自然蘊含的系統行為和全天然的數據自然表征。理論上，大數據并不對數據進行任何縮略刪減，而是針對數據整體所包含的復雜系統行為進行最為原生態的發掘與發現處理。大數據站在全景數據的角度，對傳統意義上的分散孤立數據進行鏈接，將數據組織成復雜信息集合，并在此之上結合各種數據組織處理算法，實現非數學建模式研究理論。其中包含以下幾個方面內容：

(1) 數據預處理研究。實現數據解析、數據篩選等、數據傳輸、數據存儲等工作，算法設計與基礎工具并行。

(2) 數據分析研究。數據分布形狀、數據結構特點、數據關聯確認、噪聲消除、數據降維等。在研究數據形狀基礎上，分析邏輯關聯；理論算法研究。

(3) 算法性能研究。算法缺陷、算法適應性缺陷、計算容量等，理論研究及實驗驗證。

(4) 算法優化研究。分布式計算，理論研究。

(5) 性能評估仿真研究。理論研究與工具開發。

從以上分析看，高校大數據研究更多偏重于算法，而缺少找到實際大數據的渠道，以及缺少使用這些大數據的平臺，因此，在學校內部利用現有資源搭建大數據仿真試驗平臺，是開展大數據研究的重要一步。雖然，實驗室產生的數據并不是真正意義上的大數據，但它奠定了全過程應用實際大數據的基礎。

1 傳統電力系統實驗仿真平臺

為達到對電網大數據分析的目的，需要分析大數據的來源，針對大學缺乏來自現場實驗的大數據，需對學校內的電網動模實驗數據和軟件仿真數據均納入大數據的來源。傳統實驗室已配備了能較好仿真并能模擬電網運行的高級應用軟件，這些軟件能供研究者進行自定義的電網行為研究，產生與實際較為吻合的大數據，以下是傳統動模實驗室和常用電力系統仿真軟件的簡介[1～6]：

(1) 電力系統動態模擬實驗室。電力系統動態模擬實驗室是根據相似原理建立起來的電力系統物理模擬綜合實驗平臺。它能夠真實和動態地再現電力系統的各種動態運行工況和擾動過程,是研究電力系統的重要工具。實驗室擁有模擬發電機組和交、直流模擬輸電線路、無窮大電源，負荷和控制設備，并配備了現代化的微機測量監控系統和智能化上層實驗管理平臺，能實現自動監控、錄波和遙視等功能。動模實驗室一般能模擬電力系統靜態、動態以及暫態運行方式，并具有控制功能，如低頻低壓減載，電壓無功調節控制，短路開關跳閘等。所有運行方式均可按實驗人員的要求自行定義和設置，其隨時間變化的過程能在計算機監控系統上全過程輸出。

因此，動態模擬實驗室產生的數據實際上就是電力系統運行狀態大數據的一部分，遺憾的是，通常實驗室規模較小，只能模擬10余個節點的電網；另一原因是它只能記錄電力系統運行狀態的內部數據，欠缺電網以外的外部數據支撐，如負荷變化與人的生活工作特點的關聯、關系等。但充分利用動模實驗室是邁向實際應用的重要一步。

(2) 電力系統潮流及暫態穩定仿真軟件PSD-BPA。PSD-BPA是中國電力科學研究院引進和推出的基于Windows操作系統的潮流及暫態穩定和人機界面程序。PSD-BPA的程序規模最多支持10 000個節點、15 200條支路、40條兩端直流線路和25條多端直流線路，以及120個功率交換區域。PSD-BPA包括了潮流計算程序、短路電流程序、暫態穩定程序、小干擾穩定分析程序等程序功能模塊。以下對常用的潮流計算程序和暫態穩定程序進行簡單的介紹： ① BPA潮流程序采用的計算方法有3種：P-Q分解法、牛頓-拉夫遜法和改進的牛頓-拉夫遜算法，采用什么算法以及迭代的最大步數可以由用戶指定。為了提高收斂性，通常是先采用P-Q分解法進行初始迭代，然后再轉入牛頓-拉夫遜法求解潮流。 ② BPA穩定程序是用于分析電力系統在穩態下受到各種干擾時的系統動態行為的有力工具。程序采用的基本解法是：所有微分方程線性化后用隱式梯形積分法求解；網絡方程采用導納陣三角分解后迭代求解。

BPA穩定程序是與BPA潮流程序結合起來運行的，潮流程序輸出的新庫文件(*.BSE)和穩定文件一起作為穩定程序的輸入。穩定程序分成求解和輸出兩部分，求解部分生成兩個求解文件，以保存求解過程中所有母線的輸出信息和復故障計算信息。輸出部分利用求解文件、潮流庫文件及穩定輸出文件進行輸出。這種結構允許用戶運行求解部分并保存求解文件，然后不用重新求解而能夠任意地、有選擇地進行輸出。

(3) 電力系統全數字電磁暫態仿真系統RTDS。RTDS (實時數字仿真器) 是一種實時全數字電磁暫態電力系統模擬裝置, 利用先進的軟硬件技術, 可以對交直流系統進行實時準確的仿真。

RTDS仿真系統是先進的計算機硬件和大量的計算機軟件的綜合體。建模周期短、靈活性強、結果直觀、頻率特性范圍大、計算精度高和模型合理是其主要特點。其中，RTDS 硬件基于DSP(數字信號處理器)和并行計算，計算速度可達到實時輸出的目的。另外，RTDS最重要的特性是它能維持實時條件下的連續運行,也就是說,它能足夠快地求解電力系統的方程并連續地產生輸出,這些輸出真實地代表了實際網絡的狀態。因此,RTDS仿真系統可用來做保護系統的閉環試驗并且大大優于其他試驗方法，還能校驗保護設備的性能及設置。主要功能： ① 交流電網實時暫態分析計算和交直流聯網系統的運行研究。RTDS可研究電力系統暫態過程中,各種快速響應裝置的相互影響。還可研究電網互聯的運行問題。 ② 高壓直流輸電(HVDC)系統及其控制系統的研究。RTDS可模擬 HVDC的換流器、線路、電抗器及控制系統、交流系統、高壓輸電線路、發電機等，還可與實際HVDC控制系統相連組成實時閉環系統。 ③ 研究電力系統暫態過程中穩定性及對電網的影響問題。其中，RTDS還可以對故障錄波并可回放, 現在正逐漸取代了基于模擬技術的暫態網絡分析儀而成為新一代仿真器。 ④ 開發測試電力系統新裝置。RTDS用于開發和研究電力系統新裝置及其控制系統。此外，RTDS還可以對繼電保護系統進行實時閉環測試。 ⑤ 進行事故分析和仿真計算。RTDS作可為電網規劃設計、 運行及其故障分析的工具。

以上介紹的是中外實際電力系統所使用的能仿真電力系統運行狀態3種商用軟件系統，它們的數據均可較為真實地反映電力系統實際運行狀況，因此，如何充分利用這些軟件和產生的數據是構成大數據分析的基礎，不足之處在于這些軟件和數據是按物理數學模型求解而產生的，可能采用了許多假設，并不能完全真實地反映實際系統的全部機理和現象，以及部分仿真不了的機理。

2 電力系統運行狀態大數據仿真平臺的框架及構成

動態模擬實驗室和仿真軟件及系統是高等學校電力系統專業普遍具有的，它們構成了電力系統大數據分析的實驗室來源，將它們裝配統一起來，為大數據分析所用，并利用大數據分析技術已有的成果搭建一個更高的平臺，即電力系統運行狀態大數據仿真平臺[7-10]。

電力系統運行狀態大數據分析仿真分為4個步驟，如圖1所示。

圖1 電力系統大數據分析流程

(1) 組裝構成電力系統運行狀態的大數據。理論上講這個步驟構成的數據來源應盡可能的廣泛，能夠反映電網運行狀態的多重特性以及機理和新的現象，以便大數據分析時找出電網運行狀態之間的相關性，該部分的難點在于數據的整合，如把不同監視系統的數據，不同時間的數據，不同顆粒度的數據，不同描述方式的數據，如何整合在一起為后面分析所用。在實際系統中，通常能收集的數據范圍有限，研究者使用這些工具產生的大量結構化數據，均為集中式并只符合軟件本身定義的格式規范，因此必須按照國際標準和規定的模型格式(CIM)進行轉換，并形成大數據仿真平臺所要求的分布式格式，從而進入數據處理進程。因此，大數據分析的第一步要求研究工作者對所能采集的數據按需組裝。

(2) 按大數據分析要求的預處理技術。該步驟主要是對上述數據進行預處理，包括清洗、剔除大誤差數據，形成能表征分析目標的空間向量模型，這個部分的內容屬于兩個方面，一是純粹數據預處理和過濾技術的應用，二是要根據大數據分析的目標乃至無目標的分析方法來形成數據空間向量集。向量集除了訓練集以外，還應有隨機的測試向量集。

(3) 大數據處理的目標和方向。這個步驟主要涉及電力系統運行狀態大數據分析中所期望的分析處理方法，包括有目標和無目標兩種思路，兩條技術路線都包括了基本相同的技術步驟：即利用大數據分析技術降維處理、聚類、線性或非線性判別等來研究狀態之間的相關性，用馬爾科夫模型、貝葉斯估計等來研究狀態的隨機行為，用組合多學習器來研究各種非線性關聯和因果關系。該步驟的主要內容既可以使用商用的大數據分析軟件包，亦可根據自己的需要，在一些可編程的仿真軟件平臺上提出和實現自己創新的分析算法。

(4) 電力系統運行狀態大數據分析的結果和可視化展示。主要包括抽取和驗證大數據分析處理后的結果是否與電力系統運行的機理符合，現象是否趨同，如出現與電力系統機理或經驗不一致的情況，要仔細分析和研究是否是新的發現或是錯誤的結果，這個步驟更多的是依賴于應用電力系統知識對結果的分析和查錯、糾錯以及重新梳理分析過程。最后需要將大數據分析的結果如何在電力系統工作者熟悉的環境下展示和表達出來，這可借鑒電力系統可視化技術[11-16]。

為適應電力系統大數據研究過程，搭建架構如圖2所示的電力系統運行狀態大數據仿真平臺，其中包括了與傳統電網動模實驗室SCADA/EMS系統的接口，與仿真軟件的接口，大數據分析處理軟件系統以及人機交互的可視化輸出平臺，共同形成一個完整的從數據輸入到可視化輸出的大數據分析處理構架。

圖2 大數據分析平臺與電力系統模擬仿真系統之間的關聯關系

大數據平臺的硬件結構如圖3所示，其硬件和軟件配置分別為：①服務器。中央處理器，8～16核心至強；內存16～32 GB；硬盤900(300×3)GB或以上；網絡接口，千兆；電源，冗余電源；數量，3臺。②交換機。網絡接口，千兆；數量，1臺。③軟件配置。物理操作系統，Windows；虛擬機，VMware Workstation；虛擬操作系統，Hadoop、Impala、Spark等；數據庫，MySQL+Administrator，tools。

圖3 大數據平臺的硬件結構

該仿真平臺與傳統計算機網絡平臺不同之處，采用了通用開源的分布式系統基礎架構，并用Hadoop實現管理。Hadoop是一個分布式文件系統(Hadoop Distributed File System)，簡稱HDFS。它有高容錯性的特點，設計用來部署在低廉的硬件上，提供高吞吐量來訪問應用程序的數據，適合那些有著超大數據集的應用程序。

Hadoop最核心的設計是：HDFS和MapReduce。前者為海量的數據提供存儲，后者為海量的數據提供計算。

MapReduce。MapReduce應用程序包含 3 個部分： Map 函數、Reduce 函數和 main 函數。main 函數將作業控制和文件輸入/輸出結合起來。Hadoop 提供了大量的接口和抽象類，從而為 Hadoop程序開發人員提供工具，可用于調試和性能度量等。

基于以上平臺，電力系統學生或研究者可忽略不太擅長的數據接口和分布式存貯和處理以及可視化數據輸出，而專注于電網數據的機理研究過程，便于使用不同的工具，采用數據處理過程中常常用到的商用或開源的數據處理軟件包，從而極大提高大數據處理的效率。例如：在大數據采集處理流程之中，常使用的工具有MySQL、Oracle、HBase、Redis和 MongoDB等。大數據統計分析處理流程之中常用的查詢和分類匯總工具有InfoBright、Hadoop(Pig和Hive)、YunTable、SAP Hana和Oracle Exadata。大數據挖掘處理流程常用的工具有Hadoop Mahout等，來滿足高級別的數據分析需求。

利用該平臺研究者可用較短時間掌握大數據分析處理的基本技術，而把重點放在所擅長的電力系統專業上。

3 風電接入電網對TTC數值分布和調度規則的影響

以互聯系統輸電通道可用傳輸容量(Available Transfer Capability，ATC)中的極限傳輸功率(Total Transfer Capability，TTC)作為大數據分析的示例，大數據分析流程如圖4所示。

圖4 大數據分析流程圖

清潔能源接入電網使其運行方式復雜，某一特定值作為TTC閾值的方式難以滿足需求，主要表現在：①新能源的不確定性對TTC有較大影響；②不包含任何調度輔助決策信息，無法為控制行為提供定量支持。文獻[17-18]中分別采用蒙特卡洛法和時域仿真對含風電接入的網絡TTC進行評估。文獻[19-20]中提出了電力系統精細規則的概念，建立TTC指標與可觀測電氣量的關系。

研究考慮風電接入對TTC數值分布和調度規則的影響。首先用電力系統軟件仿真聚類風電出力和負荷水平從而產生電力系統運行狀態多場景，對各場景再進行故障和安全的潮流仿真，生成大數據；故障仿真數據主要用于計算該場景下TTC風險閾值，為是否進行調度行為提供依據。安全仿真數據用于形成不同場景下樣本集，數據挖掘后形成TTC調度規則庫，供在線匹配后進行輔助決策。用24節點的IEEE-RTS79系統進行了驗證。

3.1 風電-負荷場景生成

TTC受負荷水平、風電場物理特性、風電出力等系統運行狀態的影響。風速和負荷的變化存在一定規律，考慮這兩個方面變化的網絡運行方式，可以等值為概率場景集進行研究[21]。因此，場景聚類中心的TTC信息在一定程度上代表該場景所包含的所有運行狀態對應的TTC信息。

3.2 TTC信息的提取和應用

3.2.1 TTC風險閾值計算

根據壞場景集的思想[22-23], TTC閥值的計算應考慮系統與正常誤差最大的狀態-故障下TTC數據信息。

單一場景TTC風險閾值計算過程：

(1) 基態潮流計算。選擇某場景i聚類中心負荷水平及風電出力數據計算基準TTC(可用BPA中的潮流計算功能實現)。

(2) 設置故障序列。初始化j=1(j為故障編號)。

(3) 含故障的TTC計算(可用BPA中的暫態穩定功能計算)。計算第j個故障切除后斷面TTC。故障仿真中，發電機組切除帶來的發電量缺額由其余正常運行的發電機補償，風電場始終保持獨立的出力狀態。

(4) 故障序列計算未結束，則j=j+1；返回(3)。

(5) 故障序列計算結束，描繪TTC分布情況，計算該場景下TTC風險閾值。

3.2.2 調度規則提取步驟

目前一般將斷面實際傳輸功率小于某固定的預置功率作為輸電斷面安全標準，未充分考慮到TTC隨系統狀態改變而變化的特點，偏保守，以至傳輸能力難以充分利用。由于電力系統是一個高維非線性系統，本文采用數據挖掘技術對輸電斷面與運行狀態之間的關系進行提取。主要分為以下步驟：①大數據樣本空間形成；②特征屬性選擇，提出基于線性回歸精度的前后交替特征屬性選擇方法；③規則提取和表示。

3.2.3 大數據樣本空間形成和特征屬性選擇

以場景為單位進行安全大樣本仿真，提取場景TTC信息，得出規則制定所需要的樣本空間。特征選擇過程是從大的候選屬性集合中選擇一個有代表性的屬性子集[24]，在實際應用過程中，可采用憑經驗或先驗知識減少候選屬性，提高學習速度。這取決于研究者的知識水平和對研究問題的認識程度。

3.2.4 調度規則生成

對每個場景下目標屬性TTCsm和特征屬性集合Ssm用最小二乘法進行線性回歸，最終形成為一簇一次多元多項式，即

(1)

式中ΔTTCsm為場景m下實際TTC與基態TTC的預測偏差量；xsm1，xsm2，…，xsmn為特征屬性；bsm1，bsm2，…，bsmn為線性回歸系數。

實際中，調度員可根據實際情況，對斷面TTC進行實時定量的控制以滿足TTC安全要求。

3.3 算例分析

3.3.1 基礎數據處理和場景聚類結果

以24節點的IEEE-RTS79系統為基礎進行場景聚類和精確調度信息提取的算例仿真。原系統負荷峰值為2 850 MW，總容量為3 405 MW。系統詳細參數取自文獻[25]，計算結果均折算為標幺值，基準值設為100 MW。

如圖5所示，以220 kV供電區(1區)與130 kV受電區(2區)區間斷面TTC作為研究對象；母線14接入風電場，包含170臺機組，每臺機組額定容量2 MW，總裝機容量340 MW，風機參數為：vcin=4 m/s，vr=10 m/s，vco=22 m/s，Pr=22 MW，功率因數為0.95。

圖5 含風電場的24節點雙區域IEEE-RTS系統

以小時為單位提取風電和負荷的組合(時間跨度為1年)，用于場景聚類基礎數據。圖6給出了以小時為單位的全年風速變化曲線。

圖6 以小時為單位的年度風速曲線

輸入量(風場出力和系統負荷)如表1所示被分為5個場景。圖7所示為使用權值數組描繪了原始數據經處理后各聚類中心分布情況。

表1 聚類結果

圖7 聚類中心分布情況

輸出層負荷最大值為2 850 MW，風場出力最大值為340 MW，權重數組元素論域為[0,1]。

圖中點[0.821 0,0.294 0]代表：

該場景中心負荷為2 850×0.821 0=2 340 MW。

風場出力為340×0.294 0=100 MW。

對應表1中[2 340 MW,100 MW]；選擇其作為算例仿真TTC信息提取和精確運行規則生成的測試場景,該場景TTC基準值為1486 MW。

3.3.2 調度依據-風險閾值計算

(1)單一場景TTC風險閾值計算。圖8描繪了測試場景下TTC風險分布情況，經計算該場景TTC風險值為1 278.88 MW。

(2)全場景TTC風險閾值。經計算全場景TTC風險值為：1 231.73 MW。

圖8 測試場景風險TTC分布情況

3.3.3 調度規則提取及應用

(1) 數據樣本生成。所有屬性采用標幺值，功率基準值取100 MW。共提取1 500個樣本(1 000個訓練集、500個測試集)。每個樣本均包含以下待選屬性：系統總負荷變量△PTload，總發電變量△PTgen；1區負荷變量△P1Tload，發電變量△P1Tgen；2區負荷變量△P2Tload，發電變量△P2Tgen；各發電機出力變量△PGn、△QGn；斷面實際傳輸有功變量△Pcross，各負荷變量△PL1-17、△QL1-17；各母線電壓變量△UB1-24；斷面TTC變量△TTC。

(2) 特征選擇：△P1Tload為一區(供區)負荷變量；△UB13為母線13電壓變量；△UB15為母線15電壓變量；△UB23為母線23電壓變量；△PG14為風場出力變量；△Pcross為斷面實際傳輸有功變量；△PL13為母線13負荷變量；△PL15為母線15負荷變量。精確調度規則為：

ΔTTC=-0.034 3ΔP1Tload+10.172 3ΔUB13+ 69.220 0ΔUB15+3.037 3ΔUB23- 0.133 0ΔPG14+0.085 7ΔPcross- 0.321 30ΔPL13-0.144 3ΔPL15

(2)

由式(2)可知，供電區負荷較大時，斷面TTC相應偏小；若輸電斷面供電端電壓水平被提高，TTC會增加；風場出力增加時，TTC會減小；臨近斷面的負荷較大時，TTC減小。

以斷面實際傳輸功率是否大于TTC風險值作為調度依據，即實際傳輸容量大于1 278.88 MW時，調度員可根據實際情況依照精確調度規則對系統運行狀態進行適當調整。

4 結 語

描述了高校電力系統專業普遍已有的電力系統動模仿真實驗室和電力系統運行仿真軟件，針對電力系統運行狀態的大數據分析仿真實驗仿真平臺的要求，提出了仿真平臺的框架，并詳細描述了用計算機相應的軟、硬件系統和接口組成的平臺構成及其功能，在此基礎上，用提取含風電網絡TTC信息和調度規則的方法的具體算例說明了平臺的使用過程。實際應用表明搭建的仿真平臺能較好繼承傳統仿真實驗室以及軟件，又能很好地采用大數據的各種先進軟件和技術，使研究者能盡快掌握和應用大數據的基本方法和技術。

[1] 楊德先，陳德樹，尹項根，等. 現代電力系統動態模擬實驗室建設和運行[C]//中國高等學校電力系統及其自動化專業第二十四屆學術年會論文集，北京，中國農業大學，2008：2204-2207.

[2] 葉 林，楊仁剛，楊明皓，等. 電力系統實時數字仿真器 RTDS[J] . 電工技術，2004(7)：49-52.

[3] 邊宏宇，張海波，安然然，等. RTDS上機電暫態仿真自定義模塊的研究與開發[J]. 電力系統自動化，2009， 33 (22)： 61-65.

[4] 李培強，李欣然. 電力系統動態模擬實驗室的調度自動化[J]. 實驗室研究與探索，2007，26 (2):38-46.

[5] 孫宏斌，羅 力，孫元章，等. 電力系統動態模擬數字主站系統的建設[J]. 電力系統及其自動化學報，2007，19(4):70-75.

[6] 易 楊，常寶立，李 力，等. PSD—BPA潮流計算數據卡的自動批量生成和修改[J]. 電力系統自動化，2013，37(10): 124-128.

[7] 維克多.邁爾-舍恩伯格，肯尼思.庫克著，盛楊燕，周濤譯. 大數據時代[M]. 杭州：浙江人民出版社，2013.

[8] 中國電機工程學會. 中國電力大數據發展白皮書，2013.8.

[9] 李國杰. 大數據研究的科學價值[J]. 中國計算機學會通信，2012，8(9): 8-15.

[10] 陶雪嬌，胡曉峰，劉 洋. 大數據研究綜述[J]. 系統仿真學報，2013，25(8): 142-146.

[11] 王樹良，丁剛毅，鐘 鳴. 大數據下的空間數據挖掘思考[J]. 中國電子科學研究院學報，2013，8(1):8-17.

[12] 宋亞奇，周國亮，朱永利. 智能電網大數據處理技術現狀與挑戰[J]. 電網技術，2013，37(4):927-935 .

[13] 岳小平，鞠時光，李 芷. 空間數據索引技術[J]. 計算機應用研究，2002(2): 32-34.

[14] 朱立紅，楊鶴標. 海量結構化數據查詢系統的研究與實現[J]. 計算機應用與軟件，2014，31(2):29-32.

[15] 洪立印，徐蔚然. 一種結構化數據關系特征抽取和表示模型[J]. 軟件，2013，34(12):148-151.

[16] 劉俊勇，沈曉東，田立峰，等. 智能電網下可視化技術的展望[J]. 電力自動化設備， 2010，30(1): 7-13.

[17] Berizzi A, Bovo C, Delfanti M,etal. A Monte Carlo approach for TTC evaluation[J]. IEEE Transactions on Power Systems, 2007，22(2): 735-743.

[18] Ramezani M, Singh C, Haghifam MR. Role of clustering in the probabilistic evaluation of TTC in power systems including wind power generation[J]. IEEE Transactions on Power Systems, 2009，24(2): 849-858.

[19] 蔣維勇，孫宏斌，張伯明，等. 電力系統精細規則的研究[J]. 中國電機工程學報，2009，29(4): 1-7.

[20] 王康，孫宏斌，蔣維勇，等. 智能控制中心二級精細化規則生成方法[J]. 電力系統自動化，2010，34(7): 45-49.

[21] 孫若笛，JIANG W, SUN H, ZHANG B,etal. Fine operational rule of power system[J]. Proceedings of the CSEE, 2009，29(4):1-7.

[22] 謝開貴. 計及風速-負荷相關性的配電網可靠性評估Monte Carlo模擬法[J]. 電力系統保護與控制，2012，40(18): 12-18.

[23] 高紅均，劉俊勇，劉繼春，等. 基于壞場景集的含風電機組組合模型[J]. 電力系統保護與控制，2013，41(10): 27-32.

[24] 劉明吉，王秀峰，饒一梅. 一個混合特征屬性選擇算法[J]. 計算機科學， 2000，27(11): 75-78.

[25] Reliability test system task force of the application of probability methods subcommittee, IEEE reliability test system[J]. IEEE Trans. Power App Syst, 1979, PAS-98:2047-2054.

Big Data Experiment Simulation Platform for Analyzing Power System Operation States

HEMai，LIUJun-yong，RENRui-ling，LIUYang，LIUYou-bo，LIURuo-fan

(School of Electrical Engineering and Information, Sichuan University, Chengdu 610065, China)

The use of big data tool has became one of important issues in recent research of power system. Based on the situation that operational digital simulation software is widely used in traditional power system analog labs of Chinese universities, a big data experiment simulation platform is firstly proposed in order to analyze power system operation states. Further, it gives the descriptions of platform structure framework, hardware and software constitution and interface with big data tools and third-party software. The demonstration of the big dada analysis flowchart and study results is displayed by research of transmission line total transfer capability of a power system with wind power impacts. The proposed platform can be easily grasped by students so that they can quickly apply big data technology to mechanisms and phenomenon of power systems.

power system; big data; simulation platform

2016-03-24

國家自然基金重點項目(51037003)

何 邁(1965-)，女，四川西充人，學士，高級實驗師，研究方向為計算機應用。E-mail：hemai@scu.edu.cn

TM 732；TM 743

A

1006-7167(2017)01-0073-07