基于大数据云平台的电力能源大数据采集方法及应用探讨

鲍俊如 金莹 熊亮

【摘要】    在新时期背景下，大数据、云计算等技术陆续渗透到电力行业，为电能数据采集与质量品质提升提供大力支持。对此，本文对大数据云平台基础上电能数据采集应用情况进行分析，并提出数据采集方法以及在线损管理、负荷预测、污染防治等方面的应用措施。力求通过本文研究，能够使电力企业在海量信息中挖掘出有价值信息，为用户提供更加优质的用电服务。

【关键词】    大数据    云平台     电力能源     数据采集

引言：

在大数据时代下，电能大数据对电力行业发展起到大力推动作用，在云平台支撑下，促进电能数据的共享与发展。在电力能源应用中常常出现线损管理、负荷预测、污染防治等情况，通过大数据采集与应用，可有效提高线损管理效率、预测电网负荷、强化污染防治力度，促进电力行业的可持续发展。

一、大数据云平台基础上电能数据采集的应用情况

在用电数据采集中，应对传统集中式系统进行优化，提高电力数据入库效率，为信息查询提供更多便利。采集系统包括生产库、中间库、云平台等内容，结合现场情况使用采集设备，如电表、集中器等，全面准确的采集用电数据，并将其传递到云平台中，经过流计算核查后，使生产库、中间库等平台均可采集处理后的信息。在电力企业运行中，在采集系统基础上创建大数据平台，以Hadoop集群为基础，拥有较强的非实时分布处理能力，可使TB/PB级数据得到有效处理，使不同类型计算成为现实，如，R计算、Craph图计算等等，还拥有多样化应用功能，如数据安全管理、挖掘算法等等。电力行业作为国民经济支柱，对社会生产生活具有重要影响。在智能电网建设下，用电信息采集系统地位不断提升，成为用电侧信息获取与控制的关键内容，且大数据量不断提升。在海量数据影响下，为信息查询、整合与分析等提出严格要求。现阶段，电力企业逐渐探索如何在短期内挖掘出更高价值的信息，以期在大数据基础上进行信息挖掘，科学指导企业发展，从而更好的服务群众[1]。

二、电能大数据采集方法与应用措施

2.1采集方法

在科技发展下，传统集中式系统无法符合现实发展需求，需要朝着分布式采集系统转变，由此提高信息采集效率，为用户查询、信息存储等提供更多便利。对此，可将集中器、智能电表等设备采集的信息传递到物联网中，通过计算将数据信息传递到生产库、大数据平台中，采集流程如图1所示。

2.2应用措施

在自动化系统基础上，创建三级数据采集机制，面向全省范围的采集终端、用电状况进行分析，并将采集数据与其他信息有机结合，促进大数据优势的充分发挥，在线损管理、负荷预测、污染防治等方面发挥更大作用。

2.2.1提高线损管理效率

通过采集系统的应用可判断用户是否窃电，由此提高窃电防范效率。该系统对现有数据进行分析，针对B1—B5的5个高线损台区进行分析，挖掘高线损的原因，并汇总成表，其中最主要因素在于用户窃电。为确定高线损原因，各单位以用户窃电表为依据，发现这一违法行为主要出现在电压异常、开盖时间异常等情况下，尤其是开盖时间。供电管理部门可利用采集系统对电表开盖、窃电用户地址、发生时间、频率等信息进行核对，并对窃电用户采取一定的处置措施，此举可节约技术人员现场排查时间，促进工作效率提升[2]。

2.2.2预测电网负荷

管理人员可对现有数据进行分析，预测后续一段时间内电网负荷情况判断配电变压器能否承受负担，并制定高效可行的应对措施，确保配电网稳定运行。以日负荷预测为例，对于不同区域的温度、湿度、降雨量等指标均不相同，供电公司应全面采集原始数据并进行预处理。据调查，台区负荷主要受降雨量、温度与居民数量等因素影响。为预测后续一段时间负荷情况，企业可采用线性回归的方式进行研究，如下表1，发现气温、降雨量与PM2.5对台区负荷的影响相对较大。

该系统中利用BP神经网络对十一期间台区负荷情况进行预测。因BP算法收敛较慢，采取此种方式可提高仿真训练中收敛速度。同时，针对不确定性因素进行灰色预估，由此预测特定时段内系统运行情况。企业可利用下式预估配电网等方式评估后续负荷情况，公式如下：

式中，f1代表的是神经算法预测结果;f2代表的是灰色模型计算结果;f3代表的是趋势外推法计算结果。

2.2.3強化污染防治力度

当前环保问题受到各国关注，我国各省积极响应环保政策，电力企业也逐渐与环保部门合作，共同创建信息共享平台，为用户的用电信息采集提供更多便利，实现AQI、PM2.5等数据共享，数据量日均超过180万条。

在共享大数据基础上创建BP网络模型，因温度、湿度、PM2.5与常住人口等在台区内的物理意义不同。对此，在线性回归之前，可利用公式进行原数据归一处理，即：

式中，代表的是处理后的标准数据;x代表的是原数据;xmax代表的是序列内最大值;xmin代表的是序列内最小值。将数据标准化处理后，使其位于[-1，1]之间，利用以下公式计算神经元数量，即：

式中，N1代表的是隐层单元数量;n代表的是输入神经元数量;m代表的是输出单元数量;a代表的是0—10之间常数，取值为3。

最后确定：单隐层中BP网络径流模型如图2所示。隐含层内传递函数利用tansig，输出层函数为purelin，训练函数利用trainlm，误差目标值为0.0001，训练轮回最大次数为500，经过训练，使预测精度达到最佳状态[3]。

在构建单隐层BP模型后，对未来空气质量进行预测，准确率达到98.62%，为后续环保管控措施制定提供有力依据。同时，该功能在安全生产、电网规划、优质服务等方面均可得到广泛应用[4]。

三、电能采集系统未来发展前景

在电力企业持续发展下，依靠大数据技术扶持创建信息采集系统，可将其应用到诸多环节中，促进工作质量与处理效率的全面提升。值得强调的是，在采集系统基础上进行电能数据挖掘仍处于探索阶段，还需要长期的实践检验，才可使理念与技术更加完善。在未来较长的时間内，电能数据应用会取得多方共享成果，创建完善的数据资源池，在众多领域繁荣发展[5]。

一方面，在智慧电能领域应用。电能大数据的诞生与应用为行业持续发展打下坚实基础，还可为群众提供更加高效优质的服务。通过采集和分析电能数据，总结群众的用电习惯，获得用电负荷、时长等相关信息，从多个角度展示用户信息，根据用户在电能方面的现实需求推送高耗能用电信息，并在大数据支持下绘制设备监控图，与历史信息相结合，准确判断故障位置与成因，以报告单的形式传递给维修人员，节约抢修时间，提高维修效率。

另一方面，在能源互联网领域应用。通过安装新智能电表，以此作为能源路由器，使整体源网荷储均在协同控制下实施，由此促进不同设备间高度协调，包括蓄热电采暖、分布式电源等方面，由此创建科学智能服务系统。以智慧车联网为例，企业可利用采集系统对电动汽车充电、放电等情况进行分析，当出现异常时及时上报，对提高汽车与用户安全性来说意义重大[6]。

四、结束语

综上所述，在国民经济发展中，电力行业处于重要地位，为跟随时代潮流，大数据、云计算等技术陆续渗透到电能数据采集中，使数据采集更加便利高效，可从海量信息中挖掘出有价值的内容，在线损管理、负荷预测、污染防治等方面贡献巨大力量。

在未来发展中，电能大数据还应应用到智慧电能、能源互联网等领域中，促进电力服务水平整体提升。

参  考  文  献

[1]李夏光.基于开源框架的电力大数据云端实时数据采集平台的设计与关键技术[J].信息与电脑（理论版），2019，419（01）：160-161.

[2]陈嘉霖，熊海楠，周宏志.基于Hadoop的电力大数据采集方案优化[J].电子技术与软件工程，2020，000（013）：P.194-195.

[3]丘丹.新时期基于云计算的电力大数据分析技术与应用探讨[J].大科技，2018，000（035）：110-111.

[4]邬晓韬.基于大数据技术的电网能源智能调配应用研究[J].电网与清洁能源，2019，035（010）：23-27.

[5]奚增辉，瞿海妮.基于电力大数据的企业征信技术及应用研究[J].现代管理，2021，11（3）：6.

[6]高晓峰，李晓蕾，董书谦.基于大数据云平台的电力能源大数据采集与应用研究[J].电力设备管理，2020，No.41（02）：36-38.