电力系统运行状态大数据分析实验仿真

何 迈， 刘俊勇， 任瑞玲， 刘 洋， 刘友波， 刘若凡

(四川大学 电气信息学院， 成都 610065)

·专题讨论——虚拟仿真实验(41)·

电力系统运行状态大数据分析实验仿真

何 迈， 刘俊勇， 任瑞玲， 刘 洋， 刘友波， 刘若凡

(四川大学 电气信息学院， 成都 610065)

以电力系统动模仿真实验室和电力系统运行仿真软件为基础，构建了电力系统运行状态的大数据实验仿真平台，描述了仿真平台的框架和软、硬件组成以及大数据技术应用的接口技术和第三方软件。并以风电系统的传输线极限潮流为背景，展示了大数据技术应用的流程和结果。所搭建的大数据实验仿真平台可为教师和研究生以及高年级本科生在熟悉传统电力系统实验和仿真的基础上，较为方便地引入大数据分析技术，以对电力系统运行状态做进一步的机理或现象的分析。

电力系统； 大数据； 仿真平台

0 引 言

电力系统大数据研究在国内刚刚起步，尤其是在适应电力特性的大数据基础平台、数据算法、分析理论等方面研究成果较少。以当前现有大数据研究成果来看，其主要停留在概念层面，尚未寻找到大数据在电力系统方向的具体落脚点与具体应用方向。现有实际研究成果仍主要停留在大数据平台研发、改造与二次开发等层面，以及处理框架与处理平台实现阶段。大数据研究理论的出现，是基于数据本身自然蕴含的系统行为和全天然的数据自然表征。理论上，大数据并不对数据进行任何缩略删减，而是针对数据整体所包含的复杂系统行为进行最为原生态的发掘与发现处理。大数据站在全景数据的角度，对传统意义上的分散孤立数据进行链接，将数据组织成复杂信息集合，并在此之上结合各种数据组织处理算法，实现非数学建模式研究理论。其中包含以下几个方面内容：

(1) 数据预处理研究。实现数据解析、数据筛选等、数据传输、数据存储等工作，算法设计与基础工具并行。

(2) 数据分析研究。数据分布形状、数据结构特点、数据关联确认、噪声消除、数据降维等。在研究数据形状基础上，分析逻辑关联；理论算法研究。

(3) 算法性能研究。算法缺陷、算法适应性缺陷、计算容量等，理论研究及实验验证。

(4) 算法优化研究。分布式计算，理论研究。

(5) 性能评估仿真研究。理论研究与工具开发。

从以上分析看，高校大数据研究更多偏重于算法，而缺少找到实际大数据的渠道，以及缺少使用这些大数据的平台，因此，在学校内部利用现有资源搭建大数据仿真试验平台，是开展大数据研究的重要一步。虽然，实验室产生的数据并不是真正意义上的大数据，但它奠定了全过程应用实际大数据的基础。

1 传统电力系统实验仿真平台

为达到对电网大数据分析的目的，需要分析大数据的来源，针对大学缺乏来自现场实验的大数据，需对学校内的电网动模实验数据和软件仿真数据均纳入大数据的来源。传统实验室已配备了能较好仿真并能模拟电网运行的高级应用软件，这些软件能供研究者进行自定义的电网行为研究，产生与实际较为吻合的大数据，以下是传统动模实验室和常用电力系统仿真软件的简介[1～6]：

(1) 电力系统动态模拟实验室。电力系统动态模拟实验室是根据相似原理建立起来的电力系统物理模拟综合实验平台。它能够真实和动态地再现电力系统的各种动态运行工况和扰动过程,是研究电力系统的重要工具。实验室拥有模拟发电机组和交、直流模拟输电线路、无穷大电源，负荷和控制设备，并配备了现代化的微机测量监控系统和智能化上层实验管理平台，能实现自动监控、录波和遥视等功能。动模实验室一般能模拟电力系统静态、动态以及暂态运行方式，并具有控制功能，如低频低压减载，电压无功调节控制，短路开关跳闸等。所有运行方式均可按实验人员的要求自行定义和设置，其随时间变化的过程能在计算机监控系统上全过程输出。

因此，动态模拟实验室产生的数据实际上就是电力系统运行状态大数据的一部分，遗憾的是，通常实验室规模较小，只能模拟10余个节点的电网；另一原因是它只能记录电力系统运行状态的内部数据，欠缺电网以外的外部数据支撑，如负荷变化与人的生活工作特点的关联、关系等。但充分利用动模实验室是迈向实际应用的重要一步。

(2) 电力系统潮流及暂态稳定仿真软件PSD-BPA。PSD-BPA是中国电力科学研究院引进和推出的基于Windows操作系统的潮流及暂态稳定和人机界面程序。PSD-BPA的程序规模最多支持10 000个节点、15 200条支路、40条两端直流线路和25条多端直流线路，以及120个功率交换区域。PSD-BPA包括了潮流计算程序、短路电流程序、暂态稳定程序、小干扰稳定分析程序等程序功能模块。以下对常用的潮流计算程序和暂态稳定程序进行简单的介绍： ① BPA潮流程序采用的计算方法有3种：P-Q分解法、牛顿-拉夫逊法和改进的牛顿-拉夫逊算法，采用什么算法以及迭代的最大步数可以由用户指定。为了提高收敛性，通常是先采用P-Q分解法进行初始迭代，然后再转入牛顿-拉夫逊法求解潮流。 ② BPA稳定程序是用于分析电力系统在稳态下受到各种干扰时的系统动态行为的有力工具。程序采用的基本解法是：所有微分方程线性化后用隐式梯形积分法求解；网络方程采用导纳阵三角分解后迭代求解。

BPA稳定程序是与BPA潮流程序结合起来运行的，潮流程序输出的新库文件(*.BSE)和稳定文件一起作为稳定程序的输入。稳定程序分成求解和输出两部分，求解部分生成两个求解文件，以保存求解过程中所有母线的输出信息和复故障计算信息。输出部分利用求解文件、潮流库文件及稳定输出文件进行输出。这种结构允许用户运行求解部分并保存求解文件，然后不用重新求解而能够任意地、有选择地进行输出。

(3) 电力系统全数字电磁暂态仿真系统RTDS。RTDS (实时数字仿真器) 是一种实时全数字电磁暂态电力系统模拟装置, 利用先进的软硬件技术, 可以对交直流系统进行实时准确的仿真。

RTDS仿真系统是先进的计算机硬件和大量的计算机软件的综合体。建模周期短、灵活性强、结果直观、频率特性范围大、计算精度高和模型合理是其主要特点。其中，RTDS 硬件基于DSP(数字信号处理器)和并行计算，计算速度可达到实时输出的目的。另外，RTDS最重要的特性是它能维持实时条件下的连续运行,也就是说,它能足够快地求解电力系统的方程并连续地产生输出,这些输出真实地代表了实际网络的状态。因此,RTDS仿真系统可用来做保护系统的闭环试验并且大大优于其他试验方法，还能校验保护设备的性能及设置。主要功能： ① 交流电网实时暂态分析计算和交直流联网系统的运行研究。RTDS可研究电力系统暂态过程中,各种快速响应装置的相互影响。还可研究电网互联的运行问题。 ② 高压直流输电(HVDC)系统及其控制系统的研究。RTDS可模拟 HVDC的换流器、线路、电抗器及控制系统、交流系统、高压输电线路、发电机等，还可与实际HVDC控制系统相连组成实时闭环系统。 ③ 研究电力系统暂态过程中稳定性及对电网的影响问题。其中，RTDS还可以对故障录波并可回放, 现在正逐渐取代了基于模拟技术的暂态网络分析仪而成为新一代仿真器。 ④ 开发测试电力系统新装置。RTDS用于开发和研究电力系统新装置及其控制系统。此外，RTDS还可以对继电保护系统进行实时闭环测试。 ⑤ 进行事故分析和仿真计算。RTDS作可为电网规划设计、 运行及其故障分析的工具。

以上介绍的是中外实际电力系统所使用的能仿真电力系统运行状态3种商用软件系统，它们的数据均可较为真实地反映电力系统实际运行状况，因此，如何充分利用这些软件和产生的数据是构成大数据分析的基础，不足之处在于这些软件和数据是按物理数学模型求解而产生的，可能采用了许多假设，并不能完全真实地反映实际系统的全部机理和现象，以及部分仿真不了的机理。

2 电力系统运行状态大数据仿真平台的框架及构成

动态模拟实验室和仿真软件及系统是高等学校电力系统专业普遍具有的，它们构成了电力系统大数据分析的实验室来源，将它们装配统一起来，为大数据分析所用，并利用大数据分析技术已有的成果搭建一个更高的平台，即电力系统运行状态大数据仿真平台[7-10]。

电力系统运行状态大数据分析仿真分为4个步骤，如图1所示。

图1 电力系统大数据分析流程

(1) 组装构成电力系统运行状态的大数据。理论上讲这个步骤构成的数据来源应尽可能的广泛，能够反映电网运行状态的多重特性以及机理和新的现象，以便大数据分析时找出电网运行状态之间的相关性，该部分的难点在于数据的整合，如把不同监视系统的数据，不同时间的数据，不同颗粒度的数据，不同描述方式的数据，如何整合在一起为后面分析所用。在实际系统中，通常能收集的数据范围有限，研究者使用这些工具产生的大量结构化数据，均为集中式并只符合软件本身定义的格式规范，因此必须按照国际标准和规定的模型格式(CIM)进行转换，并形成大数据仿真平台所要求的分布式格式，从而进入数据处理进程。因此，大数据分析的第一步要求研究工作者对所能采集的数据按需组装。

(2) 按大数据分析要求的预处理技术。该步骤主要是对上述数据进行预处理，包括清洗、剔除大误差数据，形成能表征分析目标的空间向量模型，这个部分的内容属于两个方面，一是纯粹数据预处理和过滤技术的应用，二是要根据大数据分析的目标乃至无目标的分析方法来形成数据空间向量集。向量集除了训练集以外，还应有随机的测试向量集。

(3) 大数据处理的目标和方向。这个步骤主要涉及电力系统运行状态大数据分析中所期望的分析处理方法，包括有目标和无目标两种思路，两条技术路线都包括了基本相同的技术步骤：即利用大数据分析技术降维处理、聚类、线性或非线性判别等来研究状态之间的相关性，用马尔科夫模型、贝叶斯估计等来研究状态的随机行为，用组合多学习器来研究各种非线性关联和因果关系。该步骤的主要内容既可以使用商用的大数据分析软件包，亦可根据自己的需要，在一些可编程的仿真软件平台上提出和实现自己创新的分析算法。

(4) 电力系统运行状态大数据分析的结果和可视化展示。主要包括抽取和验证大数据分析处理后的结果是否与电力系统运行的机理符合，现象是否趋同，如出现与电力系统机理或经验不一致的情况，要仔细分析和研究是否是新的发现或是错误的结果，这个步骤更多的是依赖于应用电力系统知识对结果的分析和查错、纠错以及重新梳理分析过程。最后需要将大数据分析的结果如何在电力系统工作者熟悉的环境下展示和表达出来，这可借鉴电力系统可视化技术[11-16]。

为适应电力系统大数据研究过程，搭建架构如图2所示的电力系统运行状态大数据仿真平台，其中包括了与传统电网动模实验室SCADA/EMS系统的接口，与仿真软件的接口，大数据分析处理软件系统以及人机交互的可视化输出平台，共同形成一个完整的从数据输入到可视化输出的大数据分析处理构架。

图2 大数据分析平台与电力系统模拟仿真系统之间的关联关系

大数据平台的硬件结构如图3所示，其硬件和软件配置分别为：①服务器。中央处理器，8～16核心至强；内存16～32 GB；硬盘900(300×3)GB或以上；网络接口，千兆；电源，冗余电源；数量，3台。②交换机。网络接口，千兆；数量，1台。③软件配置。物理操作系统，Windows；虚拟机，VMware Workstation；虚拟操作系统，Hadoop、Impala、Spark等；数据库，MySQL+Administrator，tools。

图3 大数据平台的硬件结构

该仿真平台与传统计算机网络平台不同之处，采用了通用开源的分布式系统基础架构，并用Hadoop实现管理。Hadoop是一个分布式文件系统(Hadoop Distributed File System)，简称HDFS。它有高容错性的特点，设计用来部署在低廉的硬件上，提供高吞吐量来访问应用程序的数据，适合那些有着超大数据集的应用程序。

Hadoop最核心的设计是：HDFS和MapReduce。前者为海量的数据提供存储，后者为海量的数据提供计算。

MapReduce。MapReduce应用程序包含 3 个部分： Map 函数、Reduce 函数和 main 函数。main 函数将作业控制和文件输入/输出结合起来。Hadoop 提供了大量的接口和抽象类，从而为 Hadoop程序开发人员提供工具，可用于调试和性能度量等。

基于以上平台，电力系统学生或研究者可忽略不太擅长的数据接口和分布式存贮和处理以及可视化数据输出，而专注于电网数据的机理研究过程，便于使用不同的工具，采用数据处理过程中常常用到的商用或开源的数据处理软件包，从而极大提高大数据处理的效率。例如：在大数据采集处理流程之中，常使用的工具有MySQL、Oracle、HBase、Redis和 MongoDB等。大数据统计分析处理流程之中常用的查询和分类汇总工具有InfoBright、Hadoop(Pig和Hive)、YunTable、SAP Hana和Oracle Exadata。大数据挖掘处理流程常用的工具有Hadoop Mahout等，来满足高级别的数据分析需求。

利用该平台研究者可用较短时间掌握大数据分析处理的基本技术，而把重点放在所擅长的电力系统专业上。

3 风电接入电网对TTC数值分布和调度规则的影响

以互联系统输电通道可用传输容量(Available Transfer Capability，ATC)中的极限传输功率(Total Transfer Capability，TTC)作为大数据分析的示例，大数据分析流程如图4所示。

图4 大数据分析流程图

清洁能源接入电网使其运行方式复杂，某一特定值作为TTC阈值的方式难以满足需求，主要表现在：①新能源的不确定性对TTC有较大影响；②不包含任何调度辅助决策信息，无法为控制行为提供定量支持。文献[17-18]中分别采用蒙特卡洛法和时域仿真对含风电接入的网络TTC进行评估。文献[19-20]中提出了电力系统精细规则的概念，建立TTC指标与可观测电气量的关系。

研究考虑风电接入对TTC数值分布和调度规则的影响。首先用电力系统软件仿真聚类风电出力和负荷水平从而产生电力系统运行状态多场景，对各场景再进行故障和安全的潮流仿真，生成大数据；故障仿真数据主要用于计算该场景下TTC风险阈值，为是否进行调度行为提供依据。安全仿真数据用于形成不同场景下样本集，数据挖掘后形成TTC调度规则库，供在线匹配后进行辅助决策。用24节点的IEEE-RTS79系统进行了验证。

3.1 风电-负荷场景生成

TTC受负荷水平、风电场物理特性、风电出力等系统运行状态的影响。风速和负荷的变化存在一定规律，考虑这两个方面变化的网络运行方式，可以等值为概率场景集进行研究[21]。因此，场景聚类中心的TTC信息在一定程度上代表该场景所包含的所有运行状态对应的TTC信息。

3.2 TTC信息的提取和应用

3.2.1 TTC风险阈值计算

根据坏场景集的思想[22-23], TTC阀值的计算应考虑系统与正常误差最大的状态-故障下TTC数据信息。

单一场景TTC风险阈值计算过程：

(1) 基态潮流计算。选择某场景i聚类中心负荷水平及风电出力数据计算基准TTC(可用BPA中的潮流计算功能实现)。

(2) 设置故障序列。初始化j=1(j为故障编号)。

(3) 含故障的TTC计算(可用BPA中的暂态稳定功能计算)。计算第j个故障切除后断面TTC。故障仿真中，发电机组切除带来的发电量缺额由其余正常运行的发电机补偿，风电场始终保持独立的出力状态。

(4) 故障序列计算未结束，则j=j+1；返回(3)。

(5) 故障序列计算结束，描绘TTC分布情况，计算该场景下TTC风险阈值。

3.2.2 调度规则提取步骤

目前一般将断面实际传输功率小于某固定的预置功率作为输电断面安全标准，未充分考虑到TTC随系统状态改变而变化的特点，偏保守，以至传输能力难以充分利用。由于电力系统是一个高维非线性系统，本文采用数据挖掘技术对输电断面与运行状态之间的关系进行提取。主要分为以下步骤：①大数据样本空间形成；②特征属性选择，提出基于线性回归精度的前后交替特征属性选择方法；③规则提取和表示。

3.2.3 大数据样本空间形成和特征属性选择

以场景为单位进行安全大样本仿真，提取场景TTC信息，得出规则制定所需要的样本空间。特征选择过程是从大的候选属性集合中选择一个有代表性的属性子集[24]，在实际应用过程中，可采用凭经验或先验知识减少候选属性，提高学习速度。这取决于研究者的知识水平和对研究问题的认识程度。

3.2.4 调度规则生成

对每个场景下目标属性TTCsm和特征属性集合Ssm用最小二乘法进行线性回归，最终形成为一簇一次多元多项式，即

(1)

式中ΔTTCsm为场景m下实际TTC与基态TTC的预测偏差量；xsm1，xsm2，…，xsmn为特征属性；bsm1，bsm2，…，bsmn为线性回归系数。

实际中，调度员可根据实际情况，对断面TTC进行实时定量的控制以满足TTC安全要求。

3.3 算例分析

3.3.1 基础数据处理和场景聚类结果

以24节点的IEEE-RTS79系统为基础进行场景聚类和精确调度信息提取的算例仿真。原系统负荷峰值为2 850 MW，总容量为3 405 MW。系统详细参数取自文献[25]，计算结果均折算为标幺值，基准值设为100 MW。

如图5所示，以220 kV供电区(1区)与130 kV受电区(2区)区间断面TTC作为研究对象；母线14接入风电场，包含170台机组，每台机组额定容量2 MW，总装机容量340 MW，风机参数为：vcin=4 m/s，vr=10 m/s，vco=22 m/s，Pr=22 MW，功率因数为0.95。

图5 含风电场的24节点双区域IEEE-RTS系统

以小时为单位提取风电和负荷的组合(时间跨度为1年)，用于场景聚类基础数据。图6给出了以小时为单位的全年风速变化曲线。

图6 以小时为单位的年度风速曲线

输入量(风场出力和系统负荷)如表1所示被分为5个场景。图7所示为使用权值数组描绘了原始数据经处理后各聚类中心分布情况。

表1 聚类结果

图7 聚类中心分布情况

输出层负荷最大值为2 850 MW，风场出力最大值为340 MW，权重数组元素论域为[0,1]。

图中点[0.821 0,0.294 0]代表：

该场景中心负荷为2 850×0.821 0=2 340 MW。

风场出力为340×0.294 0=100 MW。

对应表1中[2 340 MW,100 MW]；选择其作为算例仿真TTC信息提取和精确运行规则生成的测试场景,该场景TTC基准值为1486 MW。

3.3.2 调度依据-风险阈值计算

(1)单一场景TTC风险阈值计算。图8描绘了测试场景下TTC风险分布情况，经计算该场景TTC风险值为1 278.88 MW。

(2)全场景TTC风险阈值。经计算全场景TTC风险值为：1 231.73 MW。

图8 测试场景风险TTC分布情况

3.3.3 调度规则提取及应用

(1) 数据样本生成。所有属性采用标幺值，功率基准值取100 MW。共提取1 500个样本(1 000个训练集、500个测试集)。每个样本均包含以下待选属性：系统总负荷变量△PTload，总发电变量△PTgen；1区负荷变量△P1Tload，发电变量△P1Tgen；2区负荷变量△P2Tload，发电变量△P2Tgen；各发电机出力变量△PGn、△QGn；断面实际传输有功变量△Pcross，各负荷变量△PL1-17、△QL1-17；各母线电压变量△UB1-24；断面TTC变量△TTC。

(2) 特征选择：△P1Tload为一区(供区)负荷变量；△UB13为母线13电压变量；△UB15为母线15电压变量；△UB23为母线23电压变量；△PG14为风场出力变量；△Pcross为断面实际传输有功变量；△PL13为母线13负荷变量；△PL15为母线15负荷变量。精确调度规则为：

ΔTTC=-0.034 3ΔP1Tload+10.172 3ΔUB13+ 69.220 0ΔUB15+3.037 3ΔUB23- 0.133 0ΔPG14+0.085 7ΔPcross- 0.321 30ΔPL13-0.144 3ΔPL15

(2)

由式(2)可知，供电区负荷较大时，断面TTC相应偏小；若输电断面供电端电压水平被提高，TTC会增加；风场出力增加时，TTC会减小；临近断面的负荷较大时，TTC减小。

以断面实际传输功率是否大于TTC风险值作为调度依据，即实际传输容量大于1 278.88 MW时，调度员可根据实际情况依照精确调度规则对系统运行状态进行适当调整。

4 结 语

描述了高校电力系统专业普遍已有的电力系统动模仿真实验室和电力系统运行仿真软件，针对电力系统运行状态的大数据分析仿真实验仿真平台的要求，提出了仿真平台的框架，并详细描述了用计算机相应的软、硬件系统和接口组成的平台构成及其功能，在此基础上，用提取含风电网络TTC信息和调度规则的方法的具体算例说明了平台的使用过程。实际应用表明搭建的仿真平台能较好继承传统仿真实验室以及软件，又能很好地采用大数据的各种先进软件和技术，使研究者能尽快掌握和应用大数据的基本方法和技术。

[1] 杨德先，陈德树，尹项根，等. 现代电力系统动态模拟实验室建设和运行[C]//中国高等学校电力系统及其自动化专业第二十四届学术年会论文集，北京，中国农业大学，2008：2204-2207.

[2] 叶 林，杨仁刚，杨明皓，等. 电力系统实时数字仿真器 RTDS[J] . 电工技术，2004(7)：49-52.

[3] 边宏宇，张海波，安然然，等. RTDS上机电暂态仿真自定义模块的研究与开发[J]. 电力系统自动化，2009， 33 (22)： 61-65.

[4] 李培强，李欣然. 电力系统动态模拟实验室的调度自动化[J]. 实验室研究与探索，2007，26 (2):38-46.

[5] 孙宏斌，罗 力，孙元章，等. 电力系统动态模拟数字主站系统的建设[J]. 电力系统及其自动化学报，2007，19(4):70-75.

[6] 易 杨，常宝立，李 力，等. PSD—BPA潮流计算数据卡的自动批量生成和修改[J]. 电力系统自动化，2013，37(10): 124-128.

[7] 维克多.迈尔-舍恩伯格，肯尼思.库克著，盛杨燕，周涛译. 大数据时代[M]. 杭州：浙江人民出版社，2013.

[8] 中国电机工程学会. 中国电力大数据发展白皮书，2013.8.

[9] 李国杰. 大数据研究的科学价值[J]. 中国计算机学会通信，2012，8(9): 8-15.

[10] 陶雪娇，胡晓峰，刘 洋. 大数据研究综述[J]. 系统仿真学报，2013，25(8): 142-146.

[11] 王树良，丁刚毅，钟 鸣. 大数据下的空间数据挖掘思考[J]. 中国电子科学研究院学报，2013，8(1):8-17.

[12] 宋亚奇，周国亮，朱永利. 智能电网大数据处理技术现状与挑战[J]. 电网技术，2013，37(4):927-935 .

[13] 岳小平，鞠时光，李 芷. 空间数据索引技术[J]. 计算机应用研究，2002(2): 32-34.

[14] 朱立红，杨鹤标. 海量结构化数据查询系统的研究与实现[J]. 计算机应用与软件，2014，31(2):29-32.

[15] 洪立印，徐蔚然. 一种结构化数据关系特征抽取和表示模型[J]. 软件，2013，34(12):148-151.

[16] 刘俊勇，沈晓东，田立峰，等. 智能电网下可视化技术的展望[J]. 电力自动化设备， 2010，30(1): 7-13.

[17] Berizzi A, Bovo C, Delfanti M,etal. A Monte Carlo approach for TTC evaluation[J]. IEEE Transactions on Power Systems, 2007，22(2): 735-743.

[18] Ramezani M, Singh C, Haghifam MR. Role of clustering in the probabilistic evaluation of TTC in power systems including wind power generation[J]. IEEE Transactions on Power Systems, 2009，24(2): 849-858.

[19] 蒋维勇，孙宏斌，张伯明，等. 电力系统精细规则的研究[J]. 中国电机工程学报，2009，29(4): 1-7.

[20] 王康，孙宏斌，蒋维勇，等. 智能控制中心二级精细化规则生成方法[J]. 电力系统自动化，2010，34(7): 45-49.

[21] 孙若笛，JIANG W, SUN H, ZHANG B,etal. Fine operational rule of power system[J]. Proceedings of the CSEE, 2009，29(4):1-7.

[22] 谢开贵. 计及风速-负荷相关性的配电网可靠性评估Monte Carlo模拟法[J]. 电力系统保护与控制，2012，40(18): 12-18.

[23] 高红均，刘俊勇，刘继春，等. 基于坏场景集的含风电机组组合模型[J]. 电力系统保护与控制，2013，41(10): 27-32.

[24] 刘明吉，王秀峰，饶一梅. 一个混合特征属性选择算法[J]. 计算机科学， 2000，27(11): 75-78.

[25] Reliability test system task force of the application of probability methods subcommittee, IEEE reliability test system[J]. IEEE Trans. Power App Syst, 1979, PAS-98:2047-2054.

Big Data Experiment Simulation Platform for Analyzing Power System Operation States

HEMai，LIUJun-yong，RENRui-ling，LIUYang，LIUYou-bo，LIURuo-fan

(School of Electrical Engineering and Information, Sichuan University, Chengdu 610065, China)

The use of big data tool has became one of important issues in recent research of power system. Based on the situation that operational digital simulation software is widely used in traditional power system analog labs of Chinese universities, a big data experiment simulation platform is firstly proposed in order to analyze power system operation states. Further, it gives the descriptions of platform structure framework, hardware and software constitution and interface with big data tools and third-party software. The demonstration of the big dada analysis flowchart and study results is displayed by research of transmission line total transfer capability of a power system with wind power impacts. The proposed platform can be easily grasped by students so that they can quickly apply big data technology to mechanisms and phenomenon of power systems.

power system; big data; simulation platform

2016-03-24

国家自然基金重点项目(51037003)

何 迈(1965-)，女，四川西充人，学士，高级实验师，研究方向为计算机应用。E-mail：hemai@scu.edu.cn

TM 732；TM 743

A

1006-7167(2017)01-0073-07