基于大數據云平臺的電力能源大數據采集方法及應用探討

鮑俊如 金瑩 熊亮

【摘要】? ? 在新時期背景下，大數據、云計算等技術陸續滲透到電力行業，為電能數據采集與質量品質提升提供大力支持。對此，本文對大數據云平臺基礎上電能數據采集應用情況進行分析，并提出數據采集方法以及在線損管理、負荷預測、污染防治等方面的應用措施。力求通過本文研究，能夠使電力企業在海量信息中挖掘出有價值信息，為用戶提供更加優質的用電服務。

【關鍵詞】? ? 大數據? ? 云平臺? ? ?電力能源? ? ?數據采集

引言：

在大數據時代下，電能大數據對電力行業發展起到大力推動作用，在云平臺支撐下，促進電能數據的共享與發展。在電力能源應用中常常出現線損管理、負荷預測、污染防治等情況，通過大數據采集與應用，可有效提高線損管理效率、預測電網負荷、強化污染防治力度，促進電力行業的可持續發展。

一、大數據云平臺基礎上電能數據采集的應用情況

在用電數據采集中，應對傳統集中式系統進行優化，提高電力數據入庫效率，為信息查詢提供更多便利。采集系統包括生產庫、中間庫、云平臺等內容，結合現場情況使用采集設備，如電表、集中器等，全面準確的采集用電數據，并將其傳遞到云平臺中，經過流計算核查后，使生產庫、中間庫等平臺均可采集處理后的信息。在電力企業運行中，在采集系統基礎上創建大數據平臺，以Hadoop集群為基礎，擁有較強的非實時分布處理能力，可使TB/PB級數據得到有效處理，使不同類型計算成為現實，如，R計算、Craph圖計算等等，還擁有多樣化應用功能，如數據安全管理、挖掘算法等等。電力行業作為國民經濟支柱，對社會生產生活具有重要影響。在智能電網建設下，用電信息采集系統地位不斷提升，成為用電側信息獲取與控制的關鍵內容，且大數據量不斷提升。在海量數據影響下，為信息查詢、整合與分析等提出嚴格要求。現階段，電力企業逐漸探索如何在短期內挖掘出更高價值的信息，以期在大數據基礎上進行信息挖掘，科學指導企業發展，從而更好的服務群眾[1]。

二、電能大數據采集方法與應用措施

2.1采集方法

在科技發展下，傳統集中式系統無法符合現實發展需求，需要朝著分布式采集系統轉變，由此提高信息采集效率，為用戶查詢、信息存儲等提供更多便利。對此，可將集中器、智能電表等設備采集的信息傳遞到物聯網中，通過計算將數據信息傳遞到生產庫、大數據平臺中，采集流程如圖1所示。

2.2應用措施

在自動化系統基礎上，創建三級數據采集機制，面向全省范圍的采集終端、用電狀況進行分析，并將采集數據與其他信息有機結合，促進大數據優勢的充分發揮，在線損管理、負荷預測、污染防治等方面發揮更大作用。

2.2.1提高線損管理效率

通過采集系統的應用可判斷用戶是否竊電，由此提高竊電防范效率。該系統對現有數據進行分析，針對B1—B5的5個高線損臺區進行分析，挖掘高線損的原因，并匯總成表，其中最主要因素在于用戶竊電。為確定高線損原因，各單位以用戶竊電表為依據，發現這一違法行為主要出現在電壓異常、開蓋時間異常等情況下，尤其是開蓋時間。供電管理部門可利用采集系統對電表開蓋、竊電用戶地址、發生時間、頻率等信息進行核對，并對竊電用戶采取一定的處置措施，此舉可節約技術人員現場排查時間，促進工作效率提升[2]。

2.2.2預測電網負荷

管理人員可對現有數據進行分析，預測后續一段時間內電網負荷情況判斷配電變壓器能否承受負擔，并制定高效可行的應對措施，確保配電網穩定運行。以日負荷預測為例，對于不同區域的溫度、濕度、降雨量等指標均不相同，供電公司應全面采集原始數據并進行預處理。據調查，臺區負荷主要受降雨量、溫度與居民數量等因素影響。為預測后續一段時間負荷情況，企業可采用線性回歸的方式進行研究，如下表1，發現氣溫、降雨量與PM2.5對臺區負荷的影響相對較大。

該系統中利用BP神經網絡對十一期間臺區負荷情況進行預測。因BP算法收斂較慢，采取此種方式可提高仿真訓練中收斂速度。同時，針對不確定性因素進行灰色預估，由此預測特定時段內系統運行情況。企業可利用下式預估配電網等方式評估后續負荷情況，公式如下：

式中，f1代表的是神經算法預測結果;f2代表的是灰色模型計算結果;f3代表的是趨勢外推法計算結果。

2.2.3強化污染防治力度

當前環保問題受到各國關注，我國各省積極響應環保政策，電力企業也逐漸與環保部門合作，共同創建信息共享平臺，為用戶的用電信息采集提供更多便利，實現AQI、PM2.5等數據共享，數據量日均超過180萬條。

在共享大數據基礎上創建BP網絡模型，因溫度、濕度、PM2.5與常住人口等在臺區內的物理意義不同。對此，在線性回歸之前，可利用公式進行原數據歸一處理，即：

式中，代表的是處理后的標準數據;x代表的是原數據;xmax代表的是序列內最大值;xmin代表的是序列內最小值。將數據標準化處理后，使其位于[-1，1]之間，利用以下公式計算神經元數量，即：

式中，N1代表的是隱層單元數量;n代表的是輸入神經元數量;m代表的是輸出單元數量;a代表的是0—10之間常數，取值為3。

最后確定：單隱層中BP網絡徑流模型如圖2所示。隱含層內傳遞函數利用tansig，輸出層函數為purelin，訓練函數利用trainlm，誤差目標值為0.0001，訓練輪回最大次數為500，經過訓練，使預測精度達到最佳狀態[3]。

在構建單隱層BP模型后，對未來空氣質量進行預測，準確率達到98.62%，為后續環保管控措施制定提供有力依據。同時，該功能在安全生產、電網規劃、優質服務等方面均可得到廣泛應用[4]。

三、電能采集系統未來發展前景

在電力企業持續發展下，依靠大數據技術扶持創建信息采集系統，可將其應用到諸多環節中，促進工作質量與處理效率的全面提升。值得強調的是，在采集系統基礎上進行電能數據挖掘仍處于探索階段，還需要長期的實踐檢驗，才可使理念與技術更加完善。在未來較長的時間內，電能數據應用會取得多方共享成果，創建完善的數據資源池，在眾多領域繁榮發展[5]。

一方面，在智慧電能領域應用。電能大數據的誕生與應用為行業持續發展打下堅實基礎，還可為群眾提供更加高效優質的服務。通過采集和分析電能數據，總結群眾的用電習慣，獲得用電負荷、時長等相關信息，從多個角度展示用戶信息，根據用戶在電能方面的現實需求推送高耗能用電信息，并在大數據支持下繪制設備監控圖，與歷史信息相結合，準確判斷故障位置與成因，以報告單的形式傳遞給維修人員，節約搶修時間，提高維修效率。

另一方面，在能源互聯網領域應用。通過安裝新智能電表，以此作為能源路由器，使整體源網荷儲均在協同控制下實施，由此促進不同設備間高度協調，包括蓄熱電采暖、分布式電源等方面，由此創建科學智能服務系統。以智慧車聯網為例，企業可利用采集系統對電動汽車充電、放電等情況進行分析，當出現異常時及時上報，對提高汽車與用戶安全性來說意義重大[6]。

四、結束語

綜上所述，在國民經濟發展中，電力行業處于重要地位，為跟隨時代潮流，大數據、云計算等技術陸續滲透到電能數據采集中，使數據采集更加便利高效，可從海量信息中挖掘出有價值的內容，在線損管理、負荷預測、污染防治等方面貢獻巨大力量。

在未來發展中，電能大數據還應應用到智慧電能、能源互聯網等領域中，促進電力服務水平整體提升。

參? 考? 文? 獻

[1]李夏光.基于開源框架的電力大數據云端實時數據采集平臺的設計與關鍵技術[J].信息與電腦（理論版），2019，419（01）：160-161.

[2]陳嘉霖，熊海楠，周宏志.基于Hadoop的電力大數據采集方案優化[J].電子技術與軟件工程，2020，000（013）：P.194-195.

[3]丘丹.新時期基于云計算的電力大數據分析技術與應用探討[J].大科技，2018，000（035）：110-111.

[4]鄔曉韜.基于大數據技術的電網能源智能調配應用研究[J].電網與清潔能源，2019，035（010）：23-27.

[5]奚增輝，瞿海妮.基于電力大數據的企業征信技術及應用研究[J].現代管理，2021，11（3）：6.

[6]高曉峰，李曉蕾，董書謙.基于大數據云平臺的電力能源大數據采集與應用研究[J].電力設備管理，2020，No.41（02）：36-38.