面向智能電網應用的電力大數據關鍵技術探析

鄧明

（廣東電網有限責任公司廣州南沙供電局，廣東 廣州 511400）

中國社會經濟快速發展，城市化建設的速度越來越快，各個行業對電力資源的需求不斷增加。這就需要電力企業在開展現有業務的基礎上不斷進行創新，利用現代化的信息技術加快電力企業的發展。

1 智能電網大數據特征

配電網與現代信息技術的融合推動了配電系統的智能化、自動化和信息化水平。電力企業在工作過程中，量測體系會累積大量的數據信息，例如用戶使用電量的數據、電力調度運行數據、GⅠS 數據等。除了量測體系以外，電力企業工作的其他環節也會產生大量數據信息，例如，客戶服務數據、企業管理數據等。總而言之，智能電網大數據主要可以分為電力企業測量數據、運營數據和電力企業的外部數據。結合目前情況來看，電力企業測量數據可應用的場景比較多。智能配電網的數據信息來源比較廣泛、數據信息量大，不同數據之間的關系比較復雜。此外，數據信息量龐大，信息內容豐富，信息處理過程比較復雜。結合目前情況來看，用電量比較多的行業眾多，不同行業、不同用電設備產生的數據信息也存在很大的差異。現代信息技術與電力企業的高度融合使得信息數據的采集、整理、分析過程變得極為簡單。用電過程的信息采集、分析和傳輸可以在極短時間內完成。智能電網應用電力大數據技術，可以讓用戶明確用電情況，為用戶個性化用電提供重要保障。

2 智能電網應用的電力大數據關鍵技術分析

2.1 大數據處理技術

收集、分析、儲存海量數據信息是大數據技術的基本特征，在實現海量數據儲存的基礎上，對相關數據進行高效處理是大數據技術優勢的具體體現。結合目前情況來看，大數據處理信息方式主要分為流處理和批處理2 種。

2.1.1 流處理技術

流處理方式主要是應用流計算機技術，該項技術的最大特點是所處理的數據信息源源不斷而且是實時到來的；分布式流處理主要是對動態變化數據的細粒度進行處理，該項技術具有開放性和及時性，基于以上特點，該項技術主要應用于配電網中數據量大、數據信息呈動態變化且對時效性性要求較高的配點業務中。例如，配電業務的電源與負荷聯合調度、電力設備的實時監測等工作環節[1-2]。

2.1.2 批處理技術

批處理技術的特點是對某一類問題進行集中處理，與流處理技術相比，該項技術沒有較高的時效性，但是在信息量龐大的業務數據中可起到顯著的效果。基于以上原因，該項技術主要應用于對時效性要求不高的配電工作環節。結合實際情況來看，智能配電網的測量點多、數據信息時效性強、配電過程運行方式變化比較多、不同的數據之間具有較強的關聯度。相關人員應對大數據儲存系統優化、數據壓縮、快速檢索等技術進行深入研究，當智能配電系統出現問題時，能夠及時采取相應的解決措施。值得注意的是，熟練掌握大數據壓縮技術，可以在保證數據信息不丟失的前提下，減少數據量從而增加信息的存儲空間，從而提升電力數據傳輸、存儲、處理的時間和效率。智能配電網是一個持續發展的電力系統工程，如果將不同工作環節的數據信息進行集中處理，很難保證信息數據的時效性和可靠性。利用大數據分布式處理技術，可以將不同環節的數據信息有針對性地進行處理，充分利用分布式數據庫，拓寬大數據技術在智能配系統中的適用場景和適用范圍。

2.2 大數據解析技術

利用大數據解析技術對海量的數據信息進行分析與解讀，對不同類型的數據信息展開深入研究，找出不同信息之間的內在關聯，大數據解析過程與數據信息收集、分析、儲存、處理環節密不可分。采用大數據解析的相關技術，可以對智能配電網中的數據信息進行系統性管理，對數據集的每個子系統進行實時監控和管理，從而分析出不同子系統之間存在的內在關聯和隱藏的聯系，對智能配電網系統進行優化處理，提升智能配電網系統傳輸數據的效率和傳輸速度。為了使大數據技術的分析結果和智能配電系統的實際工作情況以及工作效果相契合，需對相關的數據信息進行更深層次的解讀。大數據的解讀過程是將相關數據信息控進行多維度剖析，將大數據的分析結果還原為智能配電系統的具體問題的過程。結合目前情況來看，智能配電系統中主要應用了以下幾種大數據解析技術[3-4]。

2.2.1 領域普適知識的挖掘

利用數據技術對相關信息數據進行深度分析挖掘，分析出大數據普適現象，根據普適現象對行業內的實際結果進行預測，然后結合實際情況對數據預測結果進行驗證和分析。挖掘普適現象時首先利用大數據技術對相關系統進行抽象建模，根據數據信息對結果進行預測，將數據信息預測結果與實際結果展開對比，根據對比結果驗證預測結果與實際結果的契合程度，從而發現普適現象。傳統模式下挖掘出來的普適結構不具備代表性，而利用大數據技術挖掘出來的普適結果不會輕易發生改變，具有時效性，同時還具有可預測性和可重復性等。智能配電網的實際運行過程中會存在一些普適性較強的規律或經驗，因為沒有引起廣泛重視，這些經驗和規律并沒有上升到理論層面，也沒有得到廣泛應用。可以將領域普適知識挖掘的相關技術應用到智能配電網和電網大數據中，讓隱藏的普適知識以更加直觀的形式展現出來，有助于配電網工作的全面展開，掌控細節方面的問題，同時也能提高運行人員對整個配電系統的掌控程度。

2.2.2 過程挖掘

過程挖掘的主要目的在于分析理論模型和事件數據之間存在的聯系，并挖掘事件數據中有價值的內容。傳統的智能配電系統的業務管理和工作管理主要是依靠模型來驅動，對事件數據的重視度不足。此外，傳統模式下數據挖掘、機器學習等數據分析技術局限于簡單的分類、聚類等學習問題，沒有意識到端與端業務模型的重要性。將過程挖掘技術應用于智能配電網中可以讓用戶清楚了解到所在區域的高峰用電時間段，針對用戶的具體用電需求制定更加合理、科學的用電方案，幫助用戶實現節能。此外，還可以對用電異常的情況進行實時追蹤，對出現用電異常的具體原因作出準確判斷，從而提升電網企業的管理水平和業務能力，推動電網企業的健康持續發展。

2.2.3 數據可視化

實現數據可視化的原理是將數據庫匯總的數據以單個單元的方式表現出來并形成數據圖形，從多個角度進行分析和觀察，對數據進行更深層次的分析。將數據可視化技術與智能配電網相互集合，可以提供以下幾種服務：①全面展示出配電網的數據信息，以動態、高維度形式對相關數據進行價值評估，根據業務部門的實際工作情況和具體需求，提供更具價值的數據信息。②利用可視化數據可以了解用戶的多元化需求，過濾掉沒有實際用處的數據信息，根據不同的用戶特征，放大用戶感興趣的相關信息。將用戶關注度高的浮動電價、用戶消費電能的特點特征等信息進行細化展示。③預估變化因素。利用可視化技術可以對智能配電系統中發生的不確定性的變化進行預估和展示。例如，對空間符合增長的態勢進行預測，對網架擴展和惡劣天氣情況以可視化形式具體展現出來等。總而言之，數據可視化技術的主要特點是對數據信息進行針對性分析，根據用戶特征將分析結果進行具體展示，從而提升智能配電網大數據的應用價值[5-6]。

2.3 信息數據輸出過程

信息數據輸出是在信息收集和信息處理的基礎上完成的，經過處理信息得出數據結果，要采用合理、科學的方式進行輸出傳遞，從而保證在不同區域和不同的作業環境下提高數據信息的準確度，為電力系統的正常運行提供重要保障。歷史流和空間信息流技術是當前展現數據信息的主要方式。空間信息流技術比較常見于電網參數和已有GⅠS 的融合中，可以采用歷史流技術對電力生產現場進行技術監管。

2.4 ELT 技術

智能電網中信息類型復雜、信息數據量龐大，大多數以分散的形式分布在電網的各個環節中，這會給信息數據的收集、分析、整理、儲存等工作造成一定的難度，因此，數據集成技術的應用顯得尤為重要。通過數據集成可以有效整合不同類型的數據信息，提高數據處理、分析、整理的質量和效果，ETL 技術是電力企業在數據集成過程中常用的技術之一，也是數據倉庫技術。該項技術主要由數據抽取、數據轉換和數據加載等技術環節組成。顧名思義，數據抽取技術主要是將數據從源系統中進行抽取，之后送到目的數據源系統中，數據抽取是保證數據處理的基礎和前提，在這個過程中技術人員要全面了解各類信息數據的特征，確保抽取工作的及時性、完整性和準確性，避免因數據遺漏、丟失給后續的數據處理和轉換工作造成影響。數據轉換技術是在數據抽取技術之后執行的一項技術，主要是對抽取出來的技術進行形式上的轉換，與此同時要對錯誤數據或存在偏差數據進行加工、整合。轉換技術的應用可以進一步提高大數據的精準度，對數據庫信息進行及時優化以提高其完整性。數據加載是在數據轉換技術的基礎上執行的，將經過轉換的數據進行加載，在原系統內儲存數據。由上可知，數據抽取、數據轉換、數據加載3 項工作內容之間存在緊密的聯系，技術人員必須把控好每個環節的工作才能提高數據庫整體的質量。ETL 技術是重要的數據集成技術，在智能電網中應用非常普遍，其重要性也非常明顯，電力企業要結合自身的實際情況和各項業務特征，選擇合理的數據基層技術，嚴格把控每個環節的工作質量，實現數據集成化，為電力企業長遠的發展提供有力的支撐。

2.5 大數據關鍵技術的應用場景

2.5.1 大數據關鍵技術在規劃中的應用

數據規劃是大數據分析之前必須進行的工作，通過合理規劃可以為大數據系統運行參數的挖掘、分析提供保障，為優化、調整、創新電力系統運行模式提供數據支撐。在應用智能電網大數據關鍵技術過程中，首先要進行數據挖掘和分類，隨著科學技術和信息技術的發展，在運用大數據關鍵技術時，電力系統和各項電力技術的智能化程度有了明顯提升，采用智能系統可以對大體量數據進行掃描，在處理大數據過程中智能系統會自動過濾，利用價值較低的數據信息，保留應用價值高的數據并進行精確分類。在數據分析模塊，大數據分析系統會根據不同特征，對采集到的數據進行整體分析，智能系統會自動識別數據，對數據的利用效果進行自動拓展，減少了智能電網大數據處理的人力成本，實現了高度智能化。此外，在保證數據處理效果的同時可以縮短數據分析所用的時間，大數據分析技術實際上是傳統挖掘技術在電力企業中的創新應用。眾所周知，大數據具有體量大、增長速度快、數據類型多等特點，傳統小數據信息處理、收集、分析、整理的模式無法滿足電力企業現代化發展需求，在數據規劃過程中可以結合大數據特征從數據的治理、抽樣等角度入手，展開對大數據的細節化處理，再利用大數據下的聚類、分類算法研究技術來提高數據規劃的合理性、實用性和針對性[7-8]。

2.5.2 大數據關鍵技術在檢修中的應用

結合實際情況來看，傳統的數據解決方法存在很大的局限性，算法復雜，解決電力系統問題時花費時間長，當電力系統出現數據故障時很難實現及時檢修，給電力系統的正常穩定運行造成了很大的干擾。而基于數據處理技術的數據算法在原來的檢修基礎上可以有效提高數據運算效率和準確度，能縮短故障原因的診斷時間。還可以根據故障類型的不同采用針對性的算法，例如，對于大規模分布式數據，分布式計算技術的效率高，處理故障時可以利用該項技術優化集成分布式數據儲存模式，提高數據處理的高效性和針對性。利用計算機數據處理技術可以計算實時數據，改變故障處理模式，通過線上處理提高數據處理的效率，降低工作難度。此外，針對實時到達，速度和規模上無法做出預判的數據故障來說，采用流處理技術可以及時處理數據故障。綜上，智能電網的電力大數據關鍵技術有著明顯的應用優勢，不僅表現在數據收集、分析、整理、挖掘方面，在數據故障處理中也有著其他技術無法比擬的優勢，可以進一步提高電力系統運行的穩定性。大數據關鍵技術除了應用在規劃和檢修中，在數據監控方面也有著明顯的應用。電力系統運行過程中需要對系統的運行質量和各類設備的運行狀態進行實時監控，對分散的數據進行整合才能保證系統整體運行的穩定性。在監控過程中需要建立數據庫。基于No SQL 數據庫的數據集成技術可以有效解決實時監控問題，在大數據庫的支撐下，數據集成的效率可以得到明顯提升。

3 結語

綜上所述，電力企業在開展業務過程中會產生海量的數據信息，如何有效收集、處理、利用這些信息是行業人員面臨的主要工作。結合電力工作的實際情況和具體需求，應用相應的大數據技術，可以提升電力工作的整體質量和工作效率。