基于云平臺的電力數據處理系統(tǒng)的設計與實現(xiàn)

陳徽

（國網安徽省電力有限公司蒙城縣供電公司）

0 引言

隨著電力系統(tǒng)規(guī)模的不斷擴大化，電力系統(tǒng)產生大量的數據，原有的電力數據處理系統(tǒng)已經無法承載如此大量的數據運算[1-2]。近年來，云計算技術飛速發(fā)展，在多個領域都取得較好的應用效果。本文基于云平臺技術，對電力數據處理方法展開了深入研究，對智能終端采集到的大量的數據進行分析，從中提取出電力系統(tǒng)運行的關鍵數據，為電力系統(tǒng)中能量調度、負荷預測、故障診斷等決策環(huán)節(jié)提供科學、合理的數據依據，保證電力系統(tǒng)的安全、可靠、穩(wěn)定運行[3]。

1 云平臺

1.1 云平臺特點

云計算具有復雜性高、安全性高、擴展能力強、數據處理資源豐富的特點，能夠通過虛擬技術將現(xiàn)有的資源進行科學、合理的整合[4-5]。云平臺中的資源呈現(xiàn)出很強動態(tài)性特點，再結合用戶的具體需求，導致資源管理的復雜性，因此與云計算相關的任務也會呈現(xiàn)出這樣的特性。云計算的關鍵就在于通過科學的任務調度機制實現(xiàn)現(xiàn)有計算資源的充分利用[6-7]。

1.2 云平臺架構方案

電力系統(tǒng)產生的運行數據從提取、存儲、管理、分析幾個方面來看，已經超出傳統(tǒng)數據處理系統(tǒng)的能力范圍，電力數據具有數據規(guī)模大、數據采樣速度快、數據類型多、數據價值密度低等特征[8]。電力數據處理的意義不在于對其進行充分掌握，而在于對其進行科學的處理，從中提取出關鍵的信息[9-10]。

以原有的電力數據采集系統(tǒng)為基礎，融入云平臺技術，對電力數據采集上傳的數據及逆行非實時分布式運算，能夠實現(xiàn)大量數據的采集、下載、運算、存儲[11-12]，云平臺架構如圖1所示。

圖1 云平臺架構

云平臺的架構大體上可以劃分為四個層級，即數據存儲運算層、邏輯控制層、數據接入層和數據應用層；其中數據存儲運算層主要負責將智能終端上傳的數據進行綜合運算，并將運算的結果進行存儲；邏輯控制層主要負責調度算法的執(zhí)行，完成調度任務，調度算法會接入到云平臺中，調度任務負責處理大量的電力數據，調度任務會分解為多個單獨的任務單元，對任務單元進行動態(tài)分配，由云平臺中的硬件資源完成運算任務；數據接入層承擔了網絡接入功能，數據應用層提供了數據分析模型，能夠對數據進行更深層次的運算和信息挖掘。

2 數據處理策略

2.1 神經網絡概念

當前所運用的神經網絡，其核心都是BP神經網絡，通過數學分析已經驗證任意包含有過渡層級的三級神經網絡都可以與任意的非線性函數實現(xiàn)同樣的功能。本文對數據進行運算所用到的神經網絡包含有三個層級，即輸入層、過渡層、輸出層。數據處理的基本思想是對選定好的數據樣本（包括輸入值和目標輸出值）進行機器學習，即輸入量會導入到神經網絡模型輸入層的神經元中，然后通過過渡層進行迭代運算，在經過輸出層導出期望預測值，如果導出的輸出值與目標輸出值的誤差超出一定的范圍，則將這個誤差值從輸出層反向傳回到神經網絡模型中，并對迭代運算中涉及的權重參數和閾值參數進行合理的調整，以保證導出輸出值與目標輸出值的誤差不斷縮小，無限趨近于零，反復進行多次迭代運算，直到誤差的精度能夠達到要求，結束計算。

因此，BP神經網絡運算輸出結果的核心在于對誤差的判定，輸出的誤差不滿足要求的情況下，誤差要反向導入到BP神經網絡中繼續(xù)進行迭代運算，在迭代運算中要對權值參數和閾值參數進行調整，保證最終輸出的誤差能夠不斷得到修正，保證最終的導出輸出值無限趨近于目標輸出值，即誤差無限趨近于零，最終得到符合要求的輸出結果。

2.2 神經網絡架構

在神經網絡中，數據會從輸入層導入到網絡中，中間經過過渡層逐級傳輸到輸出層，導出的輸出值在輸出層與目標輸出值比較得到誤差，誤差再反向傳輸到神經網絡中，神經網絡的結構如圖2所示。

圖2 BP神經網絡拓撲結構

對于神經網絡中的節(jié)點，采用Sigmoid函數來描述，即：

2.3 模型運算

輸入的數據從輸入層導入到神經網絡模型中，再經過過渡層，最終從輸出層導出，誤差不滿足條件的情況下，則運算繼續(xù)，數據會反向傳輸，在過渡層中對權值參數和閾值參數進行調整。

將電力數據作為研究對象，其輸入層樣本集合為XT=(X1,X2,…,Xj)，過渡層樣本集合為YT=(Y1,Y2,…,Yi)，輸出層樣本集合為ZT=(Z1,Z2,…,Zl)，最終輸出得到的誤差集合為PT=(P1,P2,…,Pl)，輸入層與過渡層之間的權重參數為αuv(u=1,…,j;v=1,…,i)，閾值參數為μuv(u=1,…,j;v=1,…,i)，過渡層與輸出層之間的權重參數為βvw(v=1,…,i;w=1,…,i)，閾值參數為vvw(v=1,…,i;w=1,…,i)。則可以得到該神經網絡的正向傳遞公式為：

再根據輸出結果得到輸出誤差，即輸出結果與理論結果之間的差異：

2.4 歸一化處理

神經網絡模型的運算就是要保證輸出的誤差最小化，因此在這里運用泰勒展開公式對神經網絡中的權值參數和閾值參數進行特殊處理，處理公式為：

式中，ρ(k)為運算得到的誤差量的梯度分量；σ(k)為進行歸一化處理時候需要用到的海森矩陣，假設存在方程滿足關系△λ(k)=-σ(k)-1ρ(k)，則誤差就會存在最小值，海森矩陣的復雜程度運算速度存在正向關聯(lián)關系，如果存在雅可比矩陣σ=JTJ且滿足ρ=JTe，則泰勒展開公式就能夠簡化為：

3 實例分析

在某地區(qū)的電力系統(tǒng)，采用本文所提出的方法對電力負荷進行預測。電力負荷預測是指對未來某時段內的電能應用進行預測，能夠為電能的調度、電能的銷售、電網的規(guī)劃建設提供科學、合理的數據支持。

電力負荷的預測需要以電力系統(tǒng)的運行特性為依據，再結合電力系統(tǒng)的規(guī)模以及外部多種影響因素，進行綜合分析評判，最終得到負荷數據的變化規(guī)律，再對負荷變化規(guī)律與影響因素進行深入分析，得到他們之間的關聯(lián)關系。

根據實際情況構建符合電力系統(tǒng)運行特性的電力負荷預測模型。電力系統(tǒng)的負荷預測模型一般可以描述為：

式中，Q(t)為電力系統(tǒng)在t時刻的負荷；J(t)為t時刻的基本負荷分布情況；W(t)為t時刻與天氣因素相關聯(lián)的負荷增量；D(t)為t時刻與日期因素相關聯(lián)的負荷增量；λ(t)為t時刻與其他時間和日期因素相關聯(lián)的負荷增量，這種類型的負荷增量具隨機性強，不可預測的特點。

對智能終端上傳的數據進行分析統(tǒng)計后，選取包含有90個樣本數據集合中的30個樣本數據進行綜合處理，采用預測模型實現(xiàn)電力負荷數據的負荷預測，經模型運算得到結果如下表所示。

表 實際運算預測值

從表中可以得出結論，在天氣因素和環(huán)境因素的共同作用的情況下，通過預測模型計算所得到的電力系統(tǒng)負荷數據與電力系統(tǒng)的實際運行負荷數據差距不大，說明該模型的預測精度較高。

4 結束語

本文基于云平臺技術對電力數據的處理方法進行深入的分析。將云平臺技術與電力數據高度融合是電力系統(tǒng)智能化發(fā)展的必然要求，首先由智能終端將電力數據上傳到云平臺，云平臺對數據進行綜合處理，從大量的數據中提取到有價值的信息，從而為電力系統(tǒng)的能量調度、負荷預測、故障診斷等決策性任務提供科學、合理、有效的數據支持，經過實際應用驗證，本文提出的基于云平臺的電力數據處理方法能夠對大量的電力數據進行處理，對于電力系統(tǒng)智能化程度的提高具有重要推動作用。