探究大数据技术调度端电网模型管理和分析架构

张建，张文轩，陈辉

（甘肃同兴智能科技发展有限责任公司，甘肃兰州，730030）

0 引言

在高新科技的支撑下，很多智能与大运转体系处于在建状态中，各级调度中心逐渐实现集成化，是建设标准化电网模型的重要基础，CIM/XML、CIM/E、CIM/G是当前智能电网中主要运行的电网标准化模型。以上三种标准化电网模型在各级调度中心实现规模化应用，有时间、空间及运用多维等诸多特点。但是对于海量的电网模型数据，怎样借助有效的数据存管形式，实现科学分析电网模型整体相关性的目的，深度挖掘数据模型持有的价值方面的研究较为罕见[1]。

1 整体架构

从本质上分析，大数据存储的数据库隶属于非关系型数据库（NOSQL），该型数据库基于分布式存储形式实现有效管理与存储海量数据，借助分布式测算过程捕获明显超出单机的测算能力，对大规模的数据集起到强大支撑作用。于NOSQL系统内，key-value是存储数据的主要形式，结合存储方式的差异性，可以将 key-value细化为如下三种类型：

（1） key-value：数据库由成对的键-值构成，功能以存储简易的数据关系为为主，常见的有Redis、Tokyo Cabinet；

（2）key-column Family，为列簇存储法，其用于实践中允许列簇包括多列数据，可以基于数层嵌套形式存储冗长、复杂的信息；

（3）key-document：JSON是其主要的文本样式，其与JSON相似度很高，利用内嵌形式存储结构复杂的数据，Couch DB是该类形式的典范。

基于电网模型自体的结构样态特征，本文最终决定采用key-document存储模型，图1是模型管理架构[2]。

图1 模型管理架构

在大数据分析架构中，数据转换层利用ETL工具提取源数据并将其传送至存储平台上，分布式存储平台结合智能电网不同级别调度中心建设的相关性应用主从架构，主节点的作用以监测系统运行状态为主，为提升容错性通常会规划设计数个副本，图1内的分片代表的是子节点。为强化并行测算能力，本架构应用了图1为模型管理架构，并将索引技术用于Map Reduce分布式处置流程中，于各分片上建设单键值、复合键值索引，而后将各节点持有的索引信息完整的存储于主节点上[3]。

2 技术分析

2.1 结构化Key

本模型基于key-document被存储于数据库内，key作为NOSQL内主键，为确保在系统内主键的独有性，及使模型于多维空间内有良好的辨识度，本文设计了15位的结构化主键，0～3、4～6、7～9、10～12、13～14键对应的含义依次是各地区分支、既往版本、应用系统、机器ID及数据、类别。

2.2 电网模型ETL

电网模型在运转过程中，需在ETL工具的协助下，将各种数据转型为统一格式存储于数据内。本文如下介绍各标准化电网模型实现ETL的途径。

（1）CIM/E模型

CIM/E标准为国标，是于CIM/XML录入信息冗余过多的情景下，基于E语言开发出的一种在线模型交互标准，以类定义为支撑阐述文档模型的产出格式，采用横、纵纵表式结构存储模型，功能于在线模型互换为主。图2为CIM/E模型实现ETL的过程[4]。

图2 IM/E模型实现ETL的过程

（2）CIM/XML模型

本文提及的标准是当下世界各国通用的模型交互标准，近些年其在国内多个地区试用或投用，反响较好，其利用结构化文件存储模型，为确保能清晰阐述信息咨询，CIM/XML对XML的多层嵌套结构进行简化处理，仅留存了资源/属性两层面的扁平式结构，利用ID精准、快速调用不同元素，CIM/RDF是录入电网元数据模型的载体。

（3）CIM/G模型

该标准是现行电网图形交互规范，是以电力系统公共信息平台 SVG为基础建设于发展的。G语言持有的基本图形要素传承了SVG的图形阐述特征于语法法则，剔除了SVG不能实现共享间隔、图元模板的不足，以最直接的形式阐述电网电力设备具备的属性，在多层级引用形式的支撑下，简易、高效率的阐述、存储、调取设备信息及图形数据[5]。

2.3 分布式系统结构

当前，很多地区的智能电网于各级调度中心内建设了主—从分布式管理体制，系统架构有选择性的借鉴当前调度系统的优势，master-slave是系统架构的结构类型，主节点为满足显示需求而被安设于国调或网调内，增设数个副本主机进行备份的目标是维持于提升系统运行状态的安稳性。

3 实验分析

为检测检验本课题设计的模型管理架构的显示工作效果，和传统架构做比较分析，设计了对比实验，实验参数见表1所示[6]。

表1 实验参数

依照如上设定的参数开展实验研究，选用传统架构于本文设计的模型管理架构为实验对象，对电网调度中心故障进行检查诊断，全面记录诊断结果记录，参照结果对比两种架构的性能。

将15min设定为调度故障诊断时间的临界点，分别录入15min中传统架构与本文架构检查诊断到的故障元件数目与15min后两种架构可以诊断的故障元件数据。对故障元件诊断实验结果分析后，不难发现在诊断同个电网时，本文设计出的模型管理架构诊断出的故障元件数目始终多于传统架构，实际故障元件超出60个，而传统架构仅能检测诊断出40个，错误率达到33.33%（20/60）；而本文研究设计的架构能诊断出58个故障元件，错误率为3.33%（2/60），检测能力是传统架构的10倍有余。

4 结束语

本文建设一种基于大数据技术建成的电网模型管理于分析架构，将其用于电网调度端，实现分布式管理于分析多种标准电网模型。列举了应用EYL工具提获、转存多个标准模型，利用结构化key多维辨识电网模型；利用组合索引技术提升Map Reduce的检索效率，减少I/O的耗用量。通过和传统架构进行比较分析，验证了本文设计出架构在故障元件诊断方面有较高精确度的事实，为电网实现高级别、权威度调度提供更大支撑。