基于電網智能算法下大數據在電力行業(yè)中的應用

, , , ,

(1.國網四川省電力公司信息通信公司,四川 成都 610041; 2.成都杜航科技發(fā)展有限責任公司,四川 成都 610000)

0 引言

近些年來，智能電網在電力行業(yè)中發(fā)展十分迅速，智能電網與計算機等現代科學技術的結合，調動了電網運行市場的發(fā)展以及系統(tǒng)的運行效率，同時有效降低了成本，節(jié)約了資源，因此大數據技術的融合將會大幅度提高通訊質量和效率。在智能電網中運用大數據，可以實現智能調度資源、分布式控制負荷、有效預測負荷等日常負荷調度工作，同時也可以實現安全監(jiān)測、智能報警等一系列安全措施。大數據技術還可以提高工作效率、計算速度和監(jiān)測的水平。智能電網是一種全面性網絡。智能電網的安全、可靠的目標必須以實時數據采集、分析和處理為依據，實現電力系統(tǒng)的協(xié)調運行。智能電網、大數據、云計算、互聯網、新能源消納與并網等信息被列入“十三五”國家戰(zhàn)略性新興產業(yè)發(fā)展規(guī)化[1]。

1 智能電網電力大數據的特點

隨著計算機技術、通訊技術、網絡技術和數字信息技術等高新技術的發(fā)展，將智能電網與電力大數據技術相結合，將會更加推動電力行業(yè)的發(fā)展，使電力系統(tǒng)更加穩(wěn)定。

1.1 智能電網

智能電網之所以能夠實現電網智能化，是建立在計算機和信息技術的基礎上，故又稱作電網2.0[2]。通過將智能裝置接入電力系統(tǒng)來實現智能化、自動化電網運行，將會更有效地實現智能電網的效率。在智能電網中，通過傳感、決策支持系統(tǒng)、智能自動化技術和測量技術等多種技術綜合利用，并且保證在高效率運行、降低成本和優(yōu)化環(huán)境的條件下，盡可能地提高電力系統(tǒng)穩(wěn)定性。智能電網的應用也逐漸越來越廣，也逐漸被用在其他科技領域。

1.2 大數據技術

大數據是指通過對大量復雜的數據進行有效地捕捉、發(fā)現、和分析，用經濟的方法提取其價值的技術體系或技術構架[3-5]。在電力行業(yè)內，電網運行情況、日常的負荷監(jiān)測，電力企業(yè)的營銷數據，以及企業(yè)的管理數據等這些都可被稱為大數據。電力大數據還具有以下特點：數量體積大；數據類型繁多；價格密度低；處理速度較快。

2 智能電網大數據

2.1 智能電網大數據概念

智能電網對數據要求很高，將大數據融入智能電網中可有效解決智能電網通訊問題。大數據[6-8]按數據來源可分為：電網內部數據和外部數據。這些數據都各自分散，由不同的管理部門進行管理。通過以上描述，大數據特點為：分布較散，分布在各個不同的地方；數量大、種類多，維度大；價值巨大；數據之間存在著挖掘，且存在實時性要求。

在智能電網發(fā)展和建設的重要環(huán)節(jié)，對電力需求側的管理尤為重要，大數據在智能電網中的應用包含多個方面，這些方面涉及到電力公司運行與管理的應用，同時還包括用戶服務以及政府部門的服務應用。其中，面向電力用戶服務的應用又包括用戶用電行為分析、電力需求側管理、用戶能效分析和供電服務輿情監(jiān)測預警分析等內容。其中，電力需求側管理尤為重要。

利用智能電網大數據來實現電力需求側管理時，首先需要采集數據，智能電網中的數據存儲采用了云計算技術，從海量數據中提取的用戶數據需要通過數據融合技術作預處理，進而針對有效數據，根據濕度、溫度等氣候條件，以及用戶階層的差異性，對電力用戶進行分類。接著進行數據分析，將數據進行解讀，在此過程中，可繪制各類用戶不同用電設備的負荷曲線[9]，分別通過負荷曲線的不同及時對負荷作出一系列措施來調整負荷日用量。然后根據曲線將數據應用到電力系統(tǒng)中，能夠及時地對負荷進行預測，提高系統(tǒng)的穩(wěn)定性。并且根據需求分析結果，制定需求管理制度，從而使得智能電網大數據的通訊管理和需求管理得到較好的解決。

2.2 智能電網大數據關鍵技術

智能電網大數據有4大關鍵技術[10-12]：多數據融合技術、電力大數據分析挖掘技術、電力大數據可視化技術、電力大數據存儲與處理技術。

a.多數據融合。多數據融合是將具有相同的多種事物、數據和知識，整理成一個目標一致、明確、清晰的表達的過程。通過對不同來源數據的融合，使其達到彼此之間相互提高的一個層面，從而發(fā)掘出數據間間接隱藏的關系，達到事物的正確認知。多數據融合是以信息為主體的信息體系結構，有利于全方位掌握數據的來源。

b.電力大數據分析挖掘。電力大數據分析挖掘是一種數據有效處理方法，對復雜、種類繁多的結構與非結構類型十分適用。在結構化和非結構化數據處理過程中，采用合適建模仿真算法將會很大程度地增大空間，由此可產生很多新的算法。

c.電力大數據可視化。電力大數據可視化即采用一種圖形或表格的形式，使數據更加明確、易懂。其基本思路是計算機與圖像處理技術對單一數據進行處理，然后將大量的數據用圖形表示，既增加了直觀感，又增添了很大的藝術感，使之能夠完美展示數據的細節(jié)，便于對數據的理解。電力大數據可視化與其他技術結合，可以促進智能電網發(fā)展，可稱之為一種數據分析工具，又是一種清晰的展示方法。

d.電力大數據存儲與處理技術。電力大數據存儲與處理技術主要是用于解決電力大數據實時存儲與處理。內存技術與Hadoop技術兩者的融合。內存處理技術是將大數據全部放到內存里進行計算，是對傳統(tǒng)數據的一種改進。

對大數據進行數據挖掘，并提取出大量有用的信息，提高了對大數據的處理能力。電力大數據分析挖掘是智能電網大數據的關鍵技術，將智能算法應用在數據挖掘中，可提高數據的利用率，并可以發(fā)現有用的信息。因此，提出了電網智能算法[13-15]下大數據在電力行業(yè)中的應用。

3 智能算法下大數據在電力行業(yè)中的應用

電網智能算法在電力行業(yè)中應用較廣，其中的智能算法如粒子群算法、人工免疫算法、蟻群優(yōu)化算法和遺傳算法等，都在電力行業(yè)中有著很多的應用。在電力行業(yè)中，粒子群算法主要在電網擴展規(guī)劃、檢修計劃、機組組合、負荷經濟分配、最優(yōu)潮流計算與無功優(yōu)化控制、諧波分析、參數辨識和優(yōu)化設計等方面有著很大的作用。就最優(yōu)潮流計算與無功優(yōu)化控制方面而言，無功優(yōu)化是最優(yōu)潮流計算當中的一種，實現無功優(yōu)化控制，可以改善電壓分布、減少網損。粒子群優(yōu)化算法的出現為最優(yōu)潮流和無功優(yōu)化計算提供了新思路。文獻[16]將粒子群算法應用在IEEE 30節(jié)點系統(tǒng)的無功優(yōu)化問題中，通過優(yōu)化過程當中自動調節(jié)算法的有關參數，克服了需要測試多次確定參數的缺點。文獻[17]應用粒子群算法解決電力系統(tǒng)的最優(yōu)潮流問題，并以30節(jié)點系統(tǒng)為例，以提高電壓穩(wěn)定性為前提進行目標優(yōu)化，仿真結果顯示粒子群算法在最優(yōu)潮流問題上有很大的作用。人工免疫算法在電力系統(tǒng)的配電網重構、約束優(yōu)化問題、經濟負荷分配和混沌優(yōu)化等方面有著很多應用。就配電網重構方面而言，人工免疫算法具有較快的收斂速度、較高的收斂精度、對求網損最小的配電網重構等特點。在縮短抗體編碼的基礎上，在種群初始化時，對個體進行接種疫苗，通過修改個體的某些基因位上的基因，使得可行解的比例變大，從而使其能夠獲得最優(yōu)解。蟻群算法在配電網、電力系統(tǒng)優(yōu)化方面有較多應用，對提高電力系統(tǒng)穩(wěn)定性有很大的作用。在基于蟻群算法的配電網重構[18]中,詳細介紹了蟻群算法在配電網方面的應用，說明蟻群算法在動態(tài)電網優(yōu)化有很大的作用，并通過IEEE 6節(jié)點系統(tǒng)的仿真取得了很好的結果。遺傳算法在電力行業(yè)的優(yōu)化問題、負荷調度等方面也都有很深入的應用。

在上述4種電網智能算法中，都需通過對數據進行分類、挖掘，并建立合適的模型，從而提取有用的潛在的信息、知識，并且還揭示了大量數據間的關聯、相似特征、差異、依賴、趨勢和反常等不同的變化，來進行建模分析，進行大數據分析挖掘，從而提取出有價值的數據群，并從大數據中發(fā)現潛在的信息和有價值的知識財富。通過在智能算法的基礎上對大數據進行分析、挖掘和提取，在一定程度上提高了電力行業(yè)的應用價值。

以遺傳算法為例，具體分析大數據在電力行業(yè)當中的應用。遺傳算法源于生物進化過程中優(yōu)勝劣汰適者生存的機制，模擬生物染色體的代際復制、交叉和變異的機制，通過若干代進化，收斂至最高適應度。通過隨機尋優(yōu)方法，自動獲取優(yōu)化的方向，這種尋優(yōu)法對分析和挖掘數據相當重要，因此被廣泛運用到其他各個領域，如組合優(yōu)化、信號分析處理等。

在遺傳算法中，適應度函數值的大小是核心部分，適應度是用來檢測種群中個體優(yōu)劣的衡量指標。在這里指特征組合判據的值，適應度函數一般具有連續(xù)、非負和最大化等特點。遺傳算法的流程如圖1所示。

圖1 遺傳算法的流程

4 示例分析

針對大數據中數據種類繁多、價值密度低的特點，要從大量的數據中挖掘出有價值的信息，可采用MATLAB編程仿真計算，以目標函數控制系統(tǒng)為對象，通過使用遺傳算法對控制參數進行整定，使得系統(tǒng)達到最佳的收斂狀態(tài)。對該對象利用遺傳算法進行仿真，設種群規(guī)模為50，最大迭代次數為80代，通過計算各個個體的適應度值來判斷算法是否收斂。如滿足收斂法則，則輸出收斂結果，如不滿足，則從種群個體隨機選擇2個個體，對這2個個體進行多次交叉，從結果中選擇最優(yōu)個體存入新種群，從而保證在每1次演化中，子代總是保留父代中最好的個體。下面對部分樣本數據進行選擇，選取一部分數據進行展示。算法仿真結果如圖2～圖3所示。

圖2 80次迭代后的 目標函數值

圖3 80次迭代后的適應度值

在遺傳算法中，目標函數將提供測量手段，最適合的個體對應最小的目標函數值。圖2為種群個體經過80次迭代后最優(yōu)個體與平均個體的目標函數值。從圖2可以看出，最優(yōu)個體將更利于種群進化，而適應度函數值通常用于轉換目標函數值，適應度值是衡量算法性能的關鍵技術。圖3為經過80次迭代后的種群個體最佳適應度值，適應度的測量值剛好適中，有利于選擇最合適的數據個體。適應度值有利于選擇群體的優(yōu)劣程度，從而選出適合種群的進化方向，在很大程度上影響著算法的性能。

通過采用遺傳算法，對個體樣本數據進行仿真運算。從本質上來說，遺傳運算是一種迭代運算，它是通過逐次逼近來選取其中的最優(yōu)解，挖掘出大數據中最有利的部分，根據適應度的值來選擇每個數據的優(yōu)劣性，再以適者生存的原理從種群中選取最合適進行變異、然后產生新的大數據(后代)，隨后根據優(yōu)劣程度的大小，找出最合適的個體，挖掘出大數據中最有利、最有效的數據，并對其進行合理的利用。在電力系統(tǒng)中，挖掘出最合適的大數據將有利于電力穩(wěn)定的預測，有利于提高電力系統(tǒng)的可靠性、經濟性和安全性。通過對遺傳算法的研究，遺傳算法在處理高維、非線性和多約束問題方面具有良好的收斂性。而電力系統(tǒng)在優(yōu)化運行方面也具有高維、非線性和多約束等特點，在電網智能算法的基礎上，電力大數據在電力系統(tǒng)的優(yōu)化調度、全局尋優(yōu)和負荷預測等方面都有著很大的作用。

5 智能大數據在電力行業(yè)的發(fā)展趨勢

就目前形勢而言，智能大數據已在電力行業(yè)中有所發(fā)展，為該領域數據采集效率的提高以及電網的管理水平都有著很大的聯系，并且智能大數據也逐漸被應用在能源領域、管理系統(tǒng)方面和其他領域方面[19-22]，還在調度發(fā)電等方面有所運用。智能大數據除了在新能源方面有所應用外，在電動汽車方面也有很大的作用，運用大數據技術合理安排電能的使用情況，對電能進行合理的預測，是現在電力發(fā)展的主要動力。智能電網大數據目前發(fā)展如下：一是服務于社會、政府行業(yè)；二是服務于電力行業(yè)以及電網自身的發(fā)展；三是服務于其他行業(yè)；四是服務于各種能源行業(yè)。在上述行業(yè)中，智能電網大數據也同樣會面臨前所未有的挑戰(zhàn)。

將大數據運用到電力系統(tǒng)暫態(tài)穩(wěn)定性分析與電壓穩(wěn)定方面還未有很大的進展，且都只停留在理論階段。因此，將大數據運用到電力系統(tǒng)暫態(tài)中，用于負荷預測、故障定位等方面，從而保證系統(tǒng)電壓穩(wěn)定，這將會是大數據在電力系統(tǒng)方面的重大突破和發(fā)展的必然趨勢。在今后的發(fā)展中，大數據、互聯網、云計算和通訊信息的結合，將會是智能電網大數據的另一發(fā)展趨勢，除此外，智能電網大數據還將在其他領域有很大的發(fā)展。

6 結束語

目前，大數據在電力行業(yè)中的應用越來越廣，尤其是在電力系統(tǒng)的優(yōu)化調度、負荷預測和全局尋優(yōu)等方面都得到了很多的應用。基于此，提出了基于智能算法大數據在電力行業(yè)中的運用。以遺傳算法為核心，通過找出種群中最合適的個體，找出個體最佳適應度值，挖掘出大數據中最有利的數據，便于合理應用。挖掘出的大數據將有利于電力穩(wěn)定的預測，從而提高電力系統(tǒng)的穩(wěn)定性，以便電力系統(tǒng)能夠安全、可靠地運行。

參考文獻：

[1] 夏懷民，徐雄軍．智能電網下基于大數據技術的電力需求側管理探究[J]．湖北電力，2017，41(4)：1-4．

[2] 丁倩，劉華喜．智能電網大數據技術發(fā)展研究[J]．智能城市，2016(12)：47-48．

[3] 劉偉，侯軻，姜蘇航，等．基于智能電網大數據技術發(fā)展研究[J]．電子技術與軟件工程，2016(6)：179．

[4] 張東霞，苗新，劉麗平，等.智能電網大數據技術發(fā)展研究[J]．中國電機工程學報， 2015,35(1)：2-12．

[5] 鄭海東，易武，孫薇庭，等．大數據及其在電力工業(yè)的應用[J]．農村電氣化，2015(9)：34-35．

[6] 張鵬飛，徐志宇，許唐云，等．面向智能電網大數據的分析挖掘與計算范式[J]．電力學報，2016，31(2)：89-94．

[7] 鐘澤波，范曦露．基于狀態(tài)估計的電網數據信息融合與預警[J]．科學技術創(chuàng)新，2017(20)：125-126．

[8] 廖旎煥，胡智宏，馬瑩瑩，等．電力系統(tǒng)短期負荷預測方法綜述[J]．電力系統(tǒng)保護與控制，2011，39(1)：147-152．

[9] 彭小圣，鄧迪元，程時杰，等．面向智能電網應用的電力大數據關鍵技術[J]．中國電機工程學報，2015，35(3)：503-511．

[10] 孟祥君，季知祥，楊祎．智能電網大數據平臺及其關鍵技術研究[J]．供用電，2015，32(8)：19-24．

[11] 田世明，楊增輝，時志雄，等．智能配用電大數據關鍵技術研究[J]．供用電，2015，32(8)：12-18．

[12] 胡中功，李靜．群智能算法的研究進展[J].自動化技術與應用，2008，27(2)：13-15．

[13] 李宏，焦永昌，張莉．求解全局優(yōu)化問題的混合智能算法[J]．計算機工程與應用，2006，42(16)：9-11,18．

[14] 武飛周，薛源．智能算法綜述[J]．工程地質計算機應用，2005(2)：9-15．

[15] 顧卓遠．基于響應的電力系統(tǒng)暫態(tài)穩(wěn)定控制技術研究[D]．北京：中國電力科學研究院，2014．

[16] Zhang W，Liu Y T，Clerc M．An adaptive PSO algorithm for reactive power optimization[C]// International Conference on Advances in Power System Control，Operation and Management，2003：302-307．

[17] Abido M A．Optimal power flow using particle swarm optimization[J]．International Journal of Electrical Power & Energy Systems，2002,24(7)：563-571．

[18] 李將軍．蟻群算法研究及其在電力系統(tǒng)中的應用[D]．重慶:重慶大學，2009．

[19] 曹軍威，楊明博，張德華,等．能源互聯網——信息與能源的基礎設施一體化[J]．南方電網技術，2014，8(4)：1-10．

[20] 王敏.基于智能電網大數據發(fā)掘和模擬退火算法的配網重構[J]．水電能源科學，2016(3)：208-210,199．

[21] Miao X．Big data and smart grid[C]// Proceedings of the 2014 International Conference on Big Data Science and Computing,2014：1-2．

[22] Wu X D，Zhu X Q，Wu G Q，et al. Data mining with big data[J]．IEEE Transactions on Knowledge and Data Engineering，2014， 26(1)：97-107．