基于深度學習的電力調度數據自動備份系統設計

趙英寶　黃麗敏　劉慧賢

摘? 要： 針對傳統電力調度數據自動備份系統缺少對電力數據的調度處理，導致其方法存在穩定性較差等問題，提出基于深度學習的電力調度數據自動備份系統。電力系統調度模塊利用深度學習網絡，構建不良數據辨識模型，排除電力系統中的不良數據，并生成電力調度數據;電力調度數據備份模塊采用在線數據備份模式，并結合深度學習理論，對電力調度數據進行統一備份、恢復和備份介質管理。實驗結果表明，文中設計系統能夠滿足電力調度數據備份的要求，且系統穩定性較強，可以證明該系統的實際應用效果更好。

關鍵詞： 電力調度數據; 自動備份系統; 系統設計; 深度學習; 辨識模型建立; 數據處理

中圖分類號： TN919?34; TP311.52? ? ? ? ? ? ? ? 文獻標識碼： A? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）20?0042?04

Design of power dispatching data automatic backup system based on deep learning

ZHAO Yingbao， HUANG Limin， LIU Huixian

（Hebei University of Science and Technology， Shijiazhuang 050018， China）

Abstract： In allusion to the problem that the traditional automatic backup system of power dispatching data lacks the dispatching processing of power data， which leads to the poor stability of the system， a deep learning based automatic backup system of power dispatching data is proposed. Based on deep learning network， the power system dispatching module is used to construct the identification model for bad data， eliminate the bad data in the power system， and generate the power dispatching data. The power dispatching data backup module is used to perform the unified backup， recovery and backup media management of the power dispatching data by means of the online data backup mode and in combination with the deep learning theory. The experimental results show that the system designed in this paper can meet the requirements of power scheduling data backup， and has strong stability， which can prove that the system is more effective in practical application.

Keywords： power dispatching data; automatic backup system; system design; deep learning; identification model building; data processing

0? 引? 言

電力系統是國家經濟的重要組成部分，也是國計民生的基礎，在其規模得到相應擴展的同時，相關數據量也逐漸增多[1]。電力調度數據是電力系統調度自動化的產物[2]，隨著電力系統調度自動化的普遍應用，其承載的業務量與日俱增，在電力系統內的作用逐漸突出，因此電力調度數據的可靠性與安全性成為電力系統廣泛關注的熱點。人為操作、病毒入侵、硬件損壞、自然災害等大量原因均可能導致電力調度數據的損毀與丟失[3]。當出現電力調度數據損毀與丟失時首要關注的是應怎樣快速恢復數據，保障電力系統正常運行。為此電力系統需構建電力調度數據自動備份系統[4]，備份電力調度數據，以便在數據損毀與丟失時快速復原數據，保障電力系統的正常運行[5]。電力系統調度自動化過程中由于外界因素干擾，易產生部分不良數據[6]，這些不良數據會影響電力系統的正常運行，且在電力調度數據自動備份過程中，不良數據的備份也會占用備份空間，延長備份時間與數據恢復時間，拖延系統恢復效率。因此，在進行電力系統調度過程中需檢測出不良數據并將其排除。基于以上分析，設計基于深度學習的電力調度數據自動備份系統，利用深度學習網絡構建不良數據辨識模型，并排除不良數據，根據備份策略實現電力調度數據備份，提升電力系統運行穩定性。

1? 電力調度數據自動備份系統整體結構設計

電力調度數據自動備份系統以BECOS32×64系統為基礎，主要由電力系統數據采集模塊、電力系統調度模塊、電力調度數據備份模塊和監視報警模塊組成[7]，如圖1所示。

數據采集模塊的主要功能是采集電力系統運行數據;電力系統調度模塊的主要功能是根據采集的數據實行電力調度，并挖掘不良數據，生成電力調度數據;電力調度數據備份模塊的主要功能是備份電力調度數據;監視報警模塊的主要功能是對系統整體運行故障進行監視報警。

2? 基于深度學習的電力系統運行模塊

2.1? 調度模塊

電力系統調度模塊對數據采集模塊采集的電力系統運行數據進行電力調度，主要包含智能學習與實時運行兩個部分[8]，如圖2所示。實時運行部分主要功能是通過遠程終端設備進行電力系統在線調度[9]。智能學習部分主要功能是利用深度學習網絡進行人工智能學習，排除不良運行數據，其計算公式如下：

[K=λ1-P2xk?yk] （1）

式中：[λ]表示電力調度因子;[P]表示不良運行數據;[xk]和[yk]表示電力數據的兩種類別屬性。智能學習部分所需的電力系統運行數據和調度標準經驗由實時運行部分提供，其輸出結果為實施運行部分（即電力調度實施）提供決策參考。

電力系統調度模塊的智能學習部分采用深度學習網絡識別不良運行數據，不良數據辨識模型如圖3所示，模型中包含訓練和識別兩個環節[10]。訓練環節依照電力系統歷史調度數據進行學習，構建待辨識數據與設定類型間的數學關系。識別環節處理待辨識數據后將其導入訓練后的模型內，同模型參數進行對比，依照提前設置的相似度閾值進行不良運行數據辨識。

深度學習網絡型由輸入層、前饋層、判決層組成[11]。輸入層和前饋層的主要作用分別為接收變換處理后的電力調度樣本數據和仿真人類神經網絡深層次加工處理電力調度樣本數據。電力運行數據辨識在本質上可理解為分類問題，因此以Softmax分類器作為深度學習網絡決策層，最后輸出不良電力運行數據，實現電力系統的調度處理。

2.2? 數據備份模塊

傳統電力調度數據備份大多采用主機直連存儲模式，利用磁盤陣列實現全部電力調度數據備份。當出現單故障點時，將導致整體備份過程出現嚴重問題。因此電力調度數據備份模塊采用在線數據備份模式[12]，基于深度學習對電力系統調度模塊生成的電力調度數據進行統一備份、恢復和備份介質管理，計算公式如下：

[H=αK-12βmxk·yk] （2）

式中：[α]表示電力數據備份特征向量;[βm]表示電力數據的存儲管理因子。

電力調度數據備份模塊如圖4所示，PC機承擔備份客戶端功能，采用ES40服務器為介質服務器，同時配置RA3000磁盤陣列，供電力調度數據備份使用。兩個服務器通過主備形式進行電力調度數據備份，也就是在正常備份條件下一臺服務器在線進行數據備份，另一臺服務器維持備用狀態。若在線進行數據備份的服務器出現故障，則備用服務器自動開始數據備份，保障電力調度數據備份系統的持續運行。

3? 調度數據備份策略

在電力調度數據自動備份系統中，備份策略尤為重要，備份策略可歸納為三種主要類型[13]：完全備份、增量備份和差量備份。選擇備份策略的主要依據是電力調度數據的關鍵度和數據備份的緊急性[14]。

3.1? 完全備份

完全備份策略是以天為單位，對全部電力調度數據進行備份。完全備份策略的優勢體現在直觀性上，同時當電力調度數據出現損毀與丟失問題時，僅需利用問題出現前一天的備份即可復原損毀與丟失的數據。完全備份策略的劣勢是在以天為單位對整個電力系統進行完全備份時，存在大量重復的備份數據，導致浪費大量備份空間，降低電力調度數據備份系統的經濟性，并且完全備份策略下需備份的電力調度數據量非常大，導致備份時間較長。對于具有復雜運行環境和高穩定運行要求的電力系統來說，使用完全備份策略不符合科學性與經濟性。

3.2? 增量備份

與完全備份策略相比，增量備份策略僅備份前一天的電力調度數據。增量備份策略的主要優勢體現在備份過程中不存在重復的備份數據，節省備份空間的同時能夠縮短備份時間。但增量備份策略的缺點也較為突出，采用這種策略進行電力調度數據備份時，數據復原過程極為復雜，同時數據備份的穩定性較差。圖5為增量備份示意圖，由于不同相連盤磁帶間的緊密連接，導致任一磁盤存在問題時都將造成整體備份過程的失誤。

3.3? 差量備份

差量備份策略備份數據為前一次完全備份后新增的變化數據[15]。差量備份示意圖如圖6所示。管理者在固定時間區域第一個時間段內進行一次電力調度數據完全備份。在剩余時間段中，備份此時間段內全部與第一個時間段有所差異的數據。與前兩種備份策略相比，差量備份策略在集合前兩種備份策略主要優勢的基礎上，能夠解決前兩種備份策略的缺陷。采用差量備份策略時不需要將全部電力調度數據完全備份，可以節省備份存儲空間和備份時間，同時差量備份策略在電力調度數據出現損毀與丟失時復原數據過程簡易，管理者僅利用上一次完全備份和前一次備份的磁帶即可實現數據復原。因此，通常情況下采用差量備份策略進行電力調度數據備份。

4? 實驗分析

為測試本文設計的基于深度學習的電力調度數據自動備份系統的性能，以某省電力系統為實驗對象，在其管控存儲區域測試本文系統備份性能，測試部署圖如圖7所示。

4.1? 備份穩定性測試

首先檢測不同系統的備份穩定性，輸出信號頻率越接近70 Hz，波動范圍越小，表示系統的穩定性越好，實驗結果如圖8所示。

通過圖8可知，傳統方法的輸出信號頻率在53～94 Hz之間，波動范圍較大，而本文系統方法的輸出信號頻率始終接近70 Hz，其范圍為65～73 Hz。系統的輸出信號頻率越近70 Hz，表示系統穩定性越強。通過以上測試結果，可以說明本文系統更加穩定，能夠滿足電力調度數據備份的要求。

4.2? 備份性能測試

對本文系統備份性能的穩定性進行驗證。針對大小不同的電力調度數據備份源，使用本文系統、基于Open VMS的備份系統和基于增量備份策略的備份系統分別進行電力調度數據備份，對比不同系統的備份過程，結果如表1～表3所示。其中，Y值表示不同系統備份電力調度數據性能的預測值。

分析表1～表3能夠得到，使用本文系統備份不同大小的電力調度數據備份源，備份時間在1.43～9.58 s之間，備份空間占用率為0.000 3%～0.000 7%之間，Y值隨著電力調度數據備份源大小的持續提升均呈線性平緩上升趨勢。基于Open VMS的備份系統在備份源大小相同的條件下，備份時間和備份空間占用率均高于本文系統，Y值呈現顯著波動狀態。基于增量備份策略的備份系統在備份源小于100 MB時，備份時間小于本文系統，當備份源高于100 MB時，備份時間呈現顯著上升趨勢，高于本文系統，而備份空間占用率持續高于本文系統，Y值隨著電力調度數據備份源大小的持續提升均呈線性平緩下降趨勢。綜合上述實驗結果可知，本文系統備份性能明顯優于對比系統。

5? 結? 論

電力調度數據備份是電力系統穩定運行的保障，基于此，本文設計基于深度學習的電力調度數據自動備份系統。實驗結果顯示，本文系統性能測試實際結果與預計結果完全一致，說明本文系統滿足電力調度數據備份的要求，且具有較高的穩定性。

注：本文通訊作者為黃麗敏。

參考文獻

[1] 馬曉，張番棟，封舉富.基于深度學習特征的稀疏表示的人臉識別方法[J].智能系統學報，2016，11（3）：279?286.

[2] 郭亮，高宏力，張一文，等.基于深度學習理論的軸承狀態識別研究[J].振動與沖擊，2016，35（12）：166?170.

[3] 周昌令，欒興龍，肖建國.基于深度學習的域名查詢行為向量空間嵌入[J].通信學報，2016，37（3）：165?174.

[4] 李志強，蘇盛，曾祥君，等.基于虛構誘騙陷阱的電力調度系統針對性攻擊主動安全防護[J].電力系統自動化，2016，40（17）：106?112.

[5] 于丹文，楊明，翟鶴峰，等.魯棒優化在電力系統調度決策中的應用研究綜述[J].電力系統自動化，2016，40（7）：134?143.

[6] 荀挺，王祥浩，胡文斌，等.電網綜合數據質量評價系統及其軟件實現[J].電測與儀表，2019，56（4）：62?69.

[7] 辛曉剛，王彪，李昕，等.考慮風電消納能力的含風電場電力系統多目標優化調度研究[J].可再生能源，2016，34（1）：49?55.

[8] 王斌，夏葉，夏清，等.基于Benders分解法的交直流互聯電網安全約束經濟調度[J].中國電機工程學報，2016，36（6）：1588?1595.

[9] 羅玉春，王毅，戴則梅，等.基于多調度控制中心的分解協調狀態估計[J].電網技術，2016，40（5）：1516?1521.

[10] 梁偉，郭凌旭，范廣民，等.基于拓撲分區的變電站調度風險評估方法[J].電力系統及其自動化學報，2016，28（8）：98?104.

[11] 肖浩，裴瑋，孔力.基于模型預測控制的微電網多時間尺度協調優化調度[J].電力系統自動化，2016，40（18）：7?14.

[12] 龔鶯飛，魯宗相，喬穎，等.基于Copula理論的光伏功率高比例異常數據機器識別算法[J].電力系統自動化，2016，40（9）：16?22.

[13] 茆美琴，張劍，張榴晨，等.基于IEC 61850的微網能量管理系統數據通信模型及其驗證[J].電力系統自動化，2016，40（17）：210?216.

[14] 陳晉音，王楨，陳勁聿，等.基于深度學習的智能教學系統的設計與研究[J].計算機科學，2019，46（z1）：550?554.

[15] 王德文，周青.一種電力設備狀態監測大數據的分布式聯機分析處理方法[J].中國電機工程學報，2016，36（19）：5111?5121.