基于云平台的电力数据处理系统的设计与实现

陈徽

（国网安徽省电力有限公司蒙城县供电公司）

0 引言

随着电力系统规模的不断扩大化，电力系统产生大量的数据，原有的电力数据处理系统已经无法承载如此大量的数据运算[1-2]。近年来，云计算技术飞速发展，在多个领域都取得较好的应用效果。本文基于云平台技术，对电力数据处理方法展开了深入研究，对智能终端采集到的大量的数据进行分析，从中提取出电力系统运行的关键数据，为电力系统中能量调度、负荷预测、故障诊断等决策环节提供科学、合理的数据依据，保证电力系统的安全、可靠、稳定运行[3]。

1 云平台

1.1 云平台特点

云计算具有复杂性高、安全性高、扩展能力强、数据处理资源丰富的特点，能够通过虚拟技术将现有的资源进行科学、合理的整合[4-5]。云平台中的资源呈现出很强动态性特点，再结合用户的具体需求，导致资源管理的复杂性，因此与云计算相关的任务也会呈现出这样的特性。云计算的关键就在于通过科学的任务调度机制实现现有计算资源的充分利用[6-7]。

1.2 云平台架构方案

电力系统产生的运行数据从提取、存储、管理、分析几个方面来看，已经超出传统数据处理系统的能力范围，电力数据具有数据规模大、数据采样速度快、数据类型多、数据价值密度低等特征[8]。电力数据处理的意义不在于对其进行充分掌握，而在于对其进行科学的处理，从中提取出关键的信息[9-10]。

以原有的电力数据采集系统为基础，融入云平台技术，对电力数据采集上传的数据及逆行非实时分布式运算，能够实现大量数据的采集、下载、运算、存储[11-12]，云平台架构如图1所示。

图1 云平台架构

云平台的架构大体上可以划分为四个层级，即数据存储运算层、逻辑控制层、数据接入层和数据应用层；其中数据存储运算层主要负责将智能终端上传的数据进行综合运算，并将运算的结果进行存储；逻辑控制层主要负责调度算法的执行，完成调度任务，调度算法会接入到云平台中，调度任务负责处理大量的电力数据，调度任务会分解为多个单独的任务单元，对任务单元进行动态分配，由云平台中的硬件资源完成运算任务；数据接入层承担了网络接入功能，数据应用层提供了数据分析模型，能够对数据进行更深层次的运算和信息挖掘。

2 数据处理策略

2.1 神经网络概念

当前所运用的神经网络，其核心都是BP神经网络，通过数学分析已经验证任意包含有过渡层级的三级神经网络都可以与任意的非线性函数实现同样的功能。本文对数据进行运算所用到的神经网络包含有三个层级，即输入层、过渡层、输出层。数据处理的基本思想是对选定好的数据样本（包括输入值和目标输出值）进行机器学习，即输入量会导入到神经网络模型输入层的神经元中，然后通过过渡层进行迭代运算，在经过输出层导出期望预测值，如果导出的输出值与目标输出值的误差超出一定的范围，则将这个误差值从输出层反向传回到神经网络模型中，并对迭代运算中涉及的权重参数和阈值参数进行合理的调整，以保证导出输出值与目标输出值的误差不断缩小，无限趋近于零，反复进行多次迭代运算，直到误差的精度能够达到要求，结束计算。

因此，BP神经网络运算输出结果的核心在于对误差的判定，输出的误差不满足要求的情况下，误差要反向导入到BP神经网络中继续进行迭代运算，在迭代运算中要对权值参数和阈值参数进行调整，保证最终输出的误差能够不断得到修正，保证最终的导出输出值无限趋近于目标输出值，即误差无限趋近于零，最终得到符合要求的输出结果。

2.2 神经网络架构

在神经网络中，数据会从输入层导入到网络中，中间经过过渡层逐级传输到输出层，导出的输出值在输出层与目标输出值比较得到误差，误差再反向传输到神经网络中，神经网络的结构如图2所示。

图2 BP神经网络拓扑结构

对于神经网络中的节点，采用Sigmoid函数来描述，即：

2.3 模型运算

输入的数据从输入层导入到神经网络模型中，再经过过渡层，最终从输出层导出，误差不满足条件的情况下，则运算继续，数据会反向传输，在过渡层中对权值参数和阈值参数进行调整。

将电力数据作为研究对象，其输入层样本集合为XT=(X1,X2,…,Xj)，过渡层样本集合为YT=(Y1,Y2,…,Yi)，输出层样本集合为ZT=(Z1,Z2,…,Zl)，最终输出得到的误差集合为PT=(P1,P2,…,Pl)，输入层与过渡层之间的权重参数为αuv(u=1,…,j;v=1,…,i)，阈值参数为μuv(u=1,…,j;v=1,…,i)，过渡层与输出层之间的权重参数为βvw(v=1,…,i;w=1,…,i)，阈值参数为vvw(v=1,…,i;w=1,…,i)。则可以得到该神经网络的正向传递公式为：

再根据输出结果得到输出误差，即输出结果与理论结果之间的差异：

2.4 归一化处理

神经网络模型的运算就是要保证输出的误差最小化，因此在这里运用泰勒展开公式对神经网络中的权值参数和阈值参数进行特殊处理，处理公式为：

式中，ρ(k)为运算得到的误差量的梯度分量；σ(k)为进行归一化处理时候需要用到的海森矩阵，假设存在方程满足关系△λ(k)=-σ(k)-1ρ(k)，则误差就会存在最小值，海森矩阵的复杂程度运算速度存在正向关联关系，如果存在雅可比矩阵σ=JTJ且满足ρ=JTe，则泰勒展开公式就能够简化为：

3 实例分析

在某地区的电力系统，采用本文所提出的方法对电力负荷进行预测。电力负荷预测是指对未来某时段内的电能应用进行预测，能够为电能的调度、电能的销售、电网的规划建设提供科学、合理的数据支持。

电力负荷的预测需要以电力系统的运行特性为依据，再结合电力系统的规模以及外部多种影响因素，进行综合分析评判，最终得到负荷数据的变化规律，再对负荷变化规律与影响因素进行深入分析，得到他们之间的关联关系。

根据实际情况构建符合电力系统运行特性的电力负荷预测模型。电力系统的负荷预测模型一般可以描述为：

式中，Q(t)为电力系统在t时刻的负荷；J(t)为t时刻的基本负荷分布情况；W(t)为t时刻与天气因素相关联的负荷增量；D(t)为t时刻与日期因素相关联的负荷增量；λ(t)为t时刻与其他时间和日期因素相关联的负荷增量，这种类型的负荷增量具随机性强，不可预测的特点。

对智能终端上传的数据进行分析统计后，选取包含有90个样本数据集合中的30个样本数据进行综合处理，采用预测模型实现电力负荷数据的负荷预测，经模型运算得到结果如下表所示。

表 实际运算预测值

从表中可以得出结论，在天气因素和环境因素的共同作用的情况下，通过预测模型计算所得到的电力系统负荷数据与电力系统的实际运行负荷数据差距不大，说明该模型的预测精度较高。

4 结束语

本文基于云平台技术对电力数据的处理方法进行深入的分析。将云平台技术与电力数据高度融合是电力系统智能化发展的必然要求，首先由智能终端将电力数据上传到云平台，云平台对数据进行综合处理，从大量的数据中提取到有价值的信息，从而为电力系统的能量调度、负荷预测、故障诊断等决策性任务提供科学、合理、有效的数据支持，经过实际应用验证，本文提出的基于云平台的电力数据处理方法能够对大量的电力数据进行处理，对于电力系统智能化程度的提高具有重要推动作用。