基于大數據云平臺的電力系統數據采集與應用

徐偉軍 陸岫昶 吳智雯

貴州電網有限責任公司 貴州 貴陽 50002

引言

隨著智能電網的發展，電網技術不斷與以“云計算、大數據”為核心的信息技術相互融合，二者相互促進，協同發展，電力企業的運營方式從根本上實現了轉變[1-2]。作為智能電網重要組成部分的電力數據采集系統，在智能電網運行的同時也采集了大量的電力數據。隨著電力數據采集系統支撐電網業務模塊的不斷增加，常規的數據分析方法已經遠遠不能滿足現實要求了[3-4]。因此本文基于大數據云平臺方法，對電力數據采集系統的數據處理方式展開了深入的研究，采用先進的數據處理方法對電力數據進行了深入的分析、處理，從海量的數據中提取出了關鍵信息，為電網的負荷預測、能量調度等業務模塊提供了有效的數據支持[5-6]。

1 電力數據采集與大數據云平臺

1.1 電力數據采集

目前電力數據采集基本上都是基于分布式采集來實現的，這樣能夠提高電力數據的采集效率，電力數據的分布式采集架構如圖1所示。

圖1 電力數據采集方案

電力系統中的智能終端承擔電力數據采集的任務，然后將采集到的數據上傳到網絡云平臺進行歸類、整理，再經由流計算進行分流處理、傳送到生產平臺、中間平臺以及大數據云平臺。

1.2 大數據云平臺

大數據是一種規模大到在獲取、存儲、管理、分析方面大大超出了傳統數據庫軟件工具能力范圍的數據集合，具有海量的數據規模、快速的數據流轉、多樣的數據類型和價值密度低四大特征。大數據的意義不在于掌握海量的數據信息，而在于對具有含義的數據進行專業化的處理；換而言之，如果將大數據比作一種產業，那么這種產業實現盈利的關鍵所在就是，對數據進行加工處理，通過加工處理后的數據實現利潤。

大數據云平臺的架構可以分為四層，即存儲運算層、邏輯控制層、數據接入層和數據應用層；其中存儲運算層負責承擔數據的運算與存儲，將電力系統智能終端上傳的數據進行運算，得到結果后將結果進行存儲；邏輯控制層用于進行調度邏輯控制，由調度算法來實現調度任務，調度算法以功能插件的形式接入到云計算數據中心，調度任務對大量的數據信息進行處理，將任務分解為多個小單元，并將其進行動態分配，由集群中的任務結點并行完成計算任務；數據接入層負責提供網絡接入服務，數據應用層用于提供數據分析模型、數據深度處理算法等。

2 神經網絡數據處理方法

2.1 神經網絡概念

當前所進行實際運用的神經網絡，都是基于BP神經網絡的基礎發展起來的。通過數學手段已經證明了，任何一個含有隱含層級的三級網絡都能夠實現對任意非線性函數的等效替代。BP神經網絡由三個層級構成，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）進行機器學習，即將輸入量傳輸到BP神經網絡模型中輸入層級的神經單元中，再通過隱含層級進行迭代運算，由輸出層級輸出對應的預測值，如果預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神經網絡模型中，調整迭代運算過程需要用到的權值和閾值參數，其目的是要保證輸出層級的預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神經網絡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整運算權值和運算閾值參數，對輸出誤差不斷修正，以保證最終的輸出預測值無限逼近期望目標輸出量，從而得到最終的輸出結果。

2.2 神經網絡結構

在BP神經網絡中，信息從輸入層級導入，逐級傳輸到輸出層級，輸出層級上生成的誤差量再反向回傳到輸入層級。BP神經網絡的結構如圖2所示。

圖2 BP神經網絡拓撲結構

節點采用Sigmoid函數來描述，即

其中，代表節點的輸出，代表節點的輸入。

3 電力數據與負荷預測和能量調度

電力負荷預測具體是指對未來一段時間內的用電量進行預測，它能夠為電網規劃建設、電能生產調度、電能銷售提供有效、合理的數據支持。電力負荷預測需要對電網的運行特性、電網規模、外部環境等因素進行綜合分析、評價，得到歷史負荷數據的變化規律，并進行數據的深度挖掘，得到負荷數據與影響因素之間的關聯關系。根據實際情況構建符合數學原理的電力負荷預測模型。電力系統的負荷預測模型通常可以描述為：

對數據集合進行分析統計后，選取包含有90個樣本數據集合中的30個樣本數據進行分組處理，運用預測模型實現電力負荷數據的仿真預測，經仿真運算得到結果如表1所示。

表1 仿真運算預測值

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

5 結束語

本文以大數據云平臺為基礎的電力數據采集系統。大力推動大數據云平臺與電力系統的高度融合是智能電網發展的必然要求。通過采集電力數據，并通過有效的數據處理算法對數據進行深度挖掘，能夠有效提升電網的運行穩定性。對神經網絡算法進行了深入的研究，利用BP神經網絡算法對數據進行了深度分析，顯著提升了負荷預測的準確性。