基于大数据背景的电力运营监控数据处理研究

2018-06-28彭英华刁慕杰

机电信息 2018年18期

关键词：时代背景数据挖掘分布式

彭英华刁慕杰王程

（国电菏泽发电有限公司，山东菏泽274000）

0 引言

当前，海量数据为电力行业生产监督、运营维护与市场营销提供了规模庞大、类型多样的信息支撑；而处于大数据时代背景下，研究如何采用现代信息资源整合与数据挖掘技术，加强电力相关业务流监督，提升行业整体规划布局，具有重要的现实意义与经济价值。

1 大数据时代背景

关于大数据（Big Data）时代背景的定义，是指基于超出传统DataBase处理软件所能处理范围的海量规模数据，其在数据获取、数据管理分析上具有类型多样、规模庞大、时效传输等特点。大数据所涉及的信息，往往需多台计算机采用分布式计算的方式来处理，利用云计算与分布式数据处理技术，提升多源数据加工与深度挖掘的能力。

尽管当前电力相关行业在产品生产、运行维护与安全管理方面积累了庞大的零散数据，但由于传统基础数据库仅处于数据存储、查询与简单统计等低端层次水平，因而难以获取数据所隐藏的内部联系与潜在价值信息，必须依托数据整合与数据挖掘技术，提升大数据时代背景下电力行业的数字化管理水平。

2 电力监控数据分析的特点

随着现代数据获取手段的进步，电力数据采集能力迅速增长，然而对有效信息的处理能力扩展却相对滞后，进而对电力运营监督能力的提升造成了一定影响。概括分析，电力监控数据分析包含以下特点：

（1）数据冗余量大、类型繁杂多样，价值密度相对较低。以无人机、人力巡线、电力工况实时采集为手段获取的动态数据序列，类型复杂多样，从文本、声音、图片到视频，数据量大，格式难以标准化处理，对电力系统数据分析构成了一定的限制。

（2）数据规模相对较大，传统手段难以快速处理。电力运营监控系统涉及数据采集、信息传输与分析、设备故障排查诊断、故障影响风险评估等诸多方面，数据采集信息量巨大，且规范指标相对较多，当前传统数据分析软硬件难以快速运算处理，必须依靠云计算、分布式处理系统等符合大数据条件的信息并行处理技术。

（3）数据资源共享整合程度较低，影响了行业整体规划分析的精准度。由于当前各电力运营监控系统相互分散独立，数据控制中心同各基础节点之间通信标准存在差异，数据的共享利用程度相对较低，存在多源异构壁垒，难以满足现代智能化、数字化集成的要求。

针对上述问题，可采用基于大数据背景的相关信息处理技术来尝试解决，即数据挖掘技术与分布式并行计算技术。其中，数据挖掘（Data mining）即从多源数据信息中，通过BP神经网络、模糊集、机器学习、统计分析等方法来检索数据背后的资源，有助于发现电力系统数据的潜在规律；分布式并行计算，即针对海量庞大的电力运营状态数据，将其分割为许多小模块区间，分别交由不同的高性能计算机来进行分布式处理，按照运行方式的差异，划分为计算机集群系统与网络系统，由于分布式运算本身内部工序分层进行，存在异构，但各层内部对外公开，通过API/SDK等相互调用管理，有助于对大量电力运营状态数据快速进行分类异构处理，提升电力安全监督的效率。

3 基于大数据背景的电力运营监控数据处理研究

电力运营监控系统主要包含基础资料数据、产业运行状态数据与控制管理信息等方面，其中基础资料数据包含电力设备的运行稳定性、电力能源的存量、电压情况等，后两者侧重于生产与管理层次下的整体生产运行决策。电力运营监控系统组织结构示意图如图1所示。

图1 电力运营监测系统组成示意图

电力运营监控系统，以数据挖掘、分布式运算为特点，以基础资料数据为平台，结合实时生产运营数据，分层查询与管理、逐级分布管控，实现了电力监测网络的透明化与可视化，通过数据共享整合，促进了电力业务的纵深化发展，并结合大数据时代下的数据集成抽样、特异性群组与聚类分析等方法，提升数据支撑的价值密度。电力生产模块结构关系示意图如图2所示。

图2 电力生产模块结构关系示意图

从系统架构来分析，主要包含数据采集层、数据分析处理层、系统应用层等部分，数据采集层指借助DMS/用电采集系统等构建的数据交换采集信息系统，是整个系统运营的基础数据来源；数据分析处理层主要是指以时空关系数据库为基础，采取的数据网络分布计算等技术来汇总、分析与表达数据联系，提供数据存储、计算、图形与表格化生产以及在线Web网络发布等功能；系统应用层则重在实现封装式功能，即实现动态生产监控、配电优化分析、行业运行状态检验、电力客户动态管理与行业总体辅助规划等具体应用。通过以上构成电力运营监控系统得以实现大数据时代电力行业信息分析的科学指导。