面向智能电网的电力大数据技术

余艳伟

摘要 文章首先对智能电网中电力大数据技术的特征进行简要介绍，随后分析了电力大数据在智能电网中的分布情况，在此基础上对智能电网中电力大数据的处理方法进行论述。期望通过本文的研究能够对提高智能电网的运行效率有所帮助。

【关键词】智能电网 电力数据库 处理技术

1 智能电网中电力大数据技术的特征

大数据是一种复杂的数据集，具体是指在某个特定的时间段内，无法用常规的方式进行处理、存储、管理和分析的海量的、结构各异的数据集合。目前，国际上对大数据尚无统一的定义，互联网数据中心（IDC）提出了大数据所具有的“4V”特性，具体如图1所示。

l.1 规模性

在我国电力体制改革的不断推进下，电力系统的信息化建设进程日益加快，由此使得电力的各个方面产生出了大规模的数据，如实时状态监测、生产运行调度、管理运营、电力用户服务等等，不仅如此，数据也从原本的PB级增长至EP级。

1.2 多样性

在相当长的一段时期内，我国的电力系统中所产生的数据均为结构化数据。而随着近几年智能电网的快速发展，一些非结构化数据大量产生，如图像、音视频等等，由此使得电力数据的结构呈现出多样化的特性。

l.3 价值性

对于电力系统而言，在海量的监测数据中，存在这大量的信息，通过对这部分信息的挖掘，能够为电力生产、运维管理和客户服务提供有价值的信息，电力大数据中的隐藏的这些信息，不但具有经济价值，而且还有巨大的社会价值。

1.4 高速性

数据流是电力大数据的主要生成方式，由此使其具有了如下特点：动态性、及时性和快速性。电力系统在正常运行和电能生产的过程中，需要对各种数据进行快速、有效地处理。同时，随着网络的快速发展，数据间的网络化关联愈发复杂。

2 电力大数据在智能电网中的分布

对于电力系统而言，在各个应用流程中，如电能生产、运维管理等，均会产生出海量的数据，这些数据分布在发电、输配电、变电、调度及用电等诸多环节当中。在智能电网中，数据的结构类型有两种，一种是结构化数据，另一种是非结构化数据，随着智能电网的持续发展，非结构数据的增长量已经超过了结构化数据量，同时受到一些因素的影響，如设备类型、技术标准等，使得系统采集的数据存在异构性，无法对系统的综合特征进行全面衡量，数据的价值无法获充分发挥。在智能电网中，电力大数据主要分布在以下几个方面：

2.1 发电侧

目前，国内一些大型的发电厂纷纷开展了数字化建设，在这一前提下产生了海量的过程数据，这些数据中蕴含着丰富的信息，它们的产生来源是监测和检测过程，由此使得这部分数据对电力设备的运行状态评估以及故障问题检测具有重要的作用。

2.2 输变电侧

电力系统的PMU（相量测量装置）每天会对数以万计的数据点进行数据采集，同时输电网和无人值守的智能变电站的安全监测也会产生出海量的非结构化数据，如图像、音视频等等。

2.3 用电侧

现如今，我国电网的智能化程度较之以往获得了大幅度提升，智能电表也获得了广泛应用，由于智能电表可以进行双向通信，其每天产生的数据都多达数百万条。

3 智能电网中电力大数据的处理方法

3.1 流式与批处理技术

3.1.1 流式处理

这是一种流计算技术，在该处理方式下，数据集会以流的形式、毫秒级别连续到达，对数据进行最快速的处理并对数据进行输出。这种数据处理方式适用于对实时性要求较高的处理过程，如配电网络。电力配网对于数据的实时性具有较高的要求，如在线评测、设备监测以及调度等等，流式处理大数据在智能电网中比较常见的框架结构有三种，即Samza、Srorm和Spark。

3.1.2 批处理

这种数据处理方式能够先将待处理的数据进行暂时性存储，然后再通过计算进行处理，对于实时性要求较低的数据处理任务可以采用批处理方式进行处理。

3.2 数据融合技术

在智能电网当中存在着大量的多源数据，对于此类数据可以通过融合与集成的方法进行综合处理。所谓的融合具体是指将数据进行多层次的分析后，融合到一起，使其形成综合的数据。如通过对多源传感器的数据进行综合分析，并借助分布式系统的监测数据与社会经济数据进行融合集成，据此对数据的潜在价值进行分析，用于指导发电、用电、调度以及电价调整等。数据融合实质上就是一个多级、多层次的分析和处理过程，是对多个信息源的关联与整合。而数据集成则是在物理和逻辑层面，对不同来源的数据进行集中处理。

3.3 数据挖掘技术

数据挖掘是处理复杂数据结构较为有效的方法之一，由于智能电网中除了存在大量的结构化数据之外，还有很多图像和音视频等非结构化数据，对于后者，可以采用智能的分析方法，如模式识别、关联分析等等，从而达到对大数据进行深层次挖掘及多维化展示的目的。通过对智能电网中的数据进行挖掘分析，能够获得如下信息：电力负荷、设备故障等等，可为电网的运维和升级改造提供可靠的依据。同时，可以借助智能电网在发电与用电两个环节之间建立起一个能够进行数据互传的双向信息流，由此可使供电效率获得大幅度提升，有助于防止资源的浪费。此外，随着智能电网中大量新能源的接入，对电网的安全、稳定运行造成了一定程度的影响，通过数据挖掘技术，可进行有效的调控，从而对电能进行合理的调度分配。

3.4 可视化处理技术

电网大数据分析可借助可视化技术展现动态、形象、三维的数据处理结果，主要通过数据建模的形式形成几何图元，再将其转化为易于识别的图像。数据可视化技术可将复杂的数据信息转化为直观的图形图像，便于人们直观了解数据信息。在电网大数据分析中，可利用图元表示数据库中的数据，将其按照时间、空间等不同维度进行分配，通过集成处理构成数据图像。这种处理技术符合智能电网大数据的应用需求，可直观展示生产运营的相关数据信息，并且还能够支持对外发布。经过数据可视化处理得出的数据信息，能够全方位立体式地反映电力系统运行情况，一旦遇到异常的经营状况，可及时发出预警信息，提醒管理人员注意。同时，可视化处理技术还可被应用于电力系统经济发展规律的预测中，结合用电侧数据分析电力行业的社会地位和社会作用。如，利用可视化技术动态展示电网数据集以电力系统与其他系统之间的关联性，预测电力系统的的发展趋势;利用可视化处理技术集成各区域的用电信息、用户情况、用电特征、电价波动等情况，为电力系统进行经济活动分析提供可靠依据;利用可视化处理技术集成天气、能源消耗等数据信息，在电网系统友好界面显示与电力负荷相关的图像，为调整电力计划提供依据。

3.5 数据存储技术

所谓的数据存储具体是指通过软件对存储设备进行整合，使其协同工作，并对相关的数据进行存储。在智能电网中，结构化与非结构化并存，为实现对数据的有效利用，需要对不同结构类型和功能的数据库进行协调，从而完成海量数据的存储。目前，比较常用的数据存储技术有以下几种：分布式、非关系型等。前者是通过网络共享计算机的磁盘空间，将分散的存储资源整合成虚拟的存储设备，从而实现对数据的分散存储;后者没有固定的表结构，并且也无需连续操作，正因如此，使其在大数据的存储方面有着关系型数据库不具备的优势。通过这两种技术可以对智能电网中的海量数据进行有效存储，从而为数据的利用提供便利。

4 结论

综上所述，随着我国智能电网的快速发展，产生出了海量的数据信息，其中除结构化数据之外，还有非结构化数据。为保证智能电网的安全、稳定运行，可将电力大数据技术在智能电网中进行合理应用，为电力企业的科学决策提供强有力的数据支撑。

参考文献

[1]崔晓优，饶国辉，面向智能电网应用的电力大数据关键技术研究[J].科技创新与应用，2017 （07）：182 -182.

[2]崔大明，李超，侯庆雷.面向智能电网应用的电力大数据关键技术研究[J].数字通信世界，2015 （12）.

[3]王庆斌.面向智能电网应用的电力大数据关键技术[J].电子技术与软件工程，2017 （19）：168-168.

[4]蔡力军，探讨面向智能电网应用的电力大数据关键技术[J].科技展望，2017，27 （06）.

[5]梁正波，面向智能电网应用的电力大数据关键技术[J].科技传播，2015（20）：2-2.

[6]张克宇， 浅谈面向智能电网应用的电力大数据关键技术[J].电子世界，2016 （22）：19 3-19 3.