基于大数据云平台的电力系统数据采集与应用
2021-11-08徐伟军陆岫昶吴智雯
徐伟军 陆岫昶 吴智雯
贵州电网有限责任公司 贵州 贵阳 50002
引言
随着智能电网的发展，电网技术不断与以“云计算、大数据”为核心的信息技术相互融合，二者相互促进，协同发展，电力企业的运营方式从根本上实现了转变[1-2]。作为智能电网重要组成部分的电力数据采集系统，在智能电网运行的同时也采集了大量的电力数据。随着电力数据采集系统支撑电网业务模块的不断增加，常规的数据分析方法已经远远不能满足现实要求了[3-4]。因此本文基于大数据云平台方法，对电力数据采集系统的数据处理方式展开了深入的研究，采用先进的数据处理方法对电力数据进行了深入的分析、处理，从海量的数据中提取出了关键信息，为电网的负荷预测、能量调度等业务模块提供了有效的数据支持[5-6]。
1 电力数据采集与大数据云平台
1.1 电力数据采集
目前电力数据采集基本上都是基于分布式采集来实现的，这样能够提高电力数据的采集效率，电力数据的分布式采集架构如图1所示。
图1 电力数据采集方案
电力系统中的智能终端承担电力数据采集的任务，然后将采集到的数据上传到网络云平台进行归类、整理，再经由流计算进行分流处理、传送到生产平台、中间平台以及大数据云平台。
1.2 大数据云平台
大数据是一种规模大到在获取、存储、管理、分析方面大大超出了传统数据库软件工具能力范围的数据集合，具有海量的数据规模、快速的数据流转、多样的数据类型和价值密度低四大特征。大数据的意义不在于掌握海量的数据信息，而在于对具有含义的数据进行专业化的处理；换而言之，如果将大数据比作一种产业，那么这种产业实现盈利的关键所在就是，对数据进行加工处理，通过加工处理后的数据实现利润。
大数据云平台的架构可以分为四层，即存储运算层、逻辑控制层、数据接入层和数据应用层；其中存储运算层负责承担数据的运算与存储，将电力系统智能终端上传的数据进行运算，得到结果后将结果进行存储；逻辑控制层用于进行调度逻辑控制，由调度算法来实现调度任务，调度算法以功能插件的形式接入到云计算数据中心，调度任务对大量的数据信息进行处理，将任务分解为多个小单元，并将其进行动态分配，由集群中的任务结点并行完成计算任务；数据接入层负责提供网络接入服务，数据应用层用于提供数据分析模型、数据深度处理算法等。
2 神经网络数据处理方法
2.1 神经网络概念
当前所进行实际运用的神经网络，都是基于BP神经网络的基础发展起来的。通过数学手段已经证明了，任何一个含有隐含层级的三级网络都能够实现对任意非线性函数的等效替代。BP神经网络由三个层级构成，即输入层级、隐含层级、输出层级。该处理方法的基本思路是对特定量的样本（涵盖有输入量和期望目标输出量）进行机器学习，即将输入量传输到BP神经网络模型中输入层级的神经单元中，再通过隐含层级进行迭代运算，由输出层级输出对应的预测值，如果预测值与期望目标值之间存在的误差不满足精度要求，则将误差从输出层级倒回到BP神经网络模型中，调整迭代运算过程需要用到的权值和阈值参数，其目的是要保证输出层级的预测值与期望目标值之间的误差逐步缩小，向零的方向逐步逼近，直到误差精度满足要求为止。因此，BP神经网络的核心思想是基于输出误差参与到模型的迭代运算中，在迭代运算中逐步调整运算权值和运算阈值参数，对输出误差不断修正，以保证最终的输出预测值无限逼近期望目标输出量，从而得到最终的输出结果。
2.2 神经网络结构
在BP神经网络中，信息从输入层级导入，逐级传输到输出层级，输出层级上生成的误差量再反向回传到输入层级。BP神经网络的结构如图2所示。
图2 BP神经网络拓扑结构
节点采用Sigmoid函数来描述，即
其中，代表节点的输出，代表节点的输入。
3 电力数据与负荷预测和能量调度
电力负荷预测具体是指对未来一段时间内的用电量进行预测，它能够为电网规划建设、电能生产调度、电能销售提供有效、合理的数据支持。电力负荷预测需要对电网的运行特性、电网规模、外部环境等因素进行综合分析、评价，得到历史负荷数据的变化规律，并进行数据的深度挖掘，得到负荷数据与影响因素之间的关联关系。根据实际情况构建符合数学原理的电力负荷预测模型。电力系统的负荷预测模型通常可以描述为：
对数据集合进行分析统计后，选取包含有90个样本数据集合中的30个样本数据进行分组处理，运用预测模型实现电力负荷数据的仿真预测，经仿真运算得到结果如表1所示。
表1 仿真运算预测值
从表1中可以看出在天气情况和环境温度双重影响因素共同作用的情况下，通过预测模型所得到的电力系统负荷预测数据与电力系统的实际运行负荷数据仅存在很小的差距，说明该模型的预测精度较高。
5 结束语
本文以大数据云平台为基础的电力数据采集系统。大力推动大数据云平台与电力系统的高度融合是智能电网发展的必然要求。通过采集电力数据，并通过有效的数据处理算法对数据进行深度挖掘，能够有效提升电网的运行稳定性。对神经网络算法进行了深入的研究，利用BP神经网络算法对数据进行了深度分析，显著提升了负荷预测的准确性。
