基于电网智能算法下大数据在电力行业中的应用

, , , ,

(1.国网四川省电力公司信息通信公司,四川 成都 610041; 2.成都杜航科技发展有限责任公司,四川 成都 610000)

0 引言

近些年来，智能电网在电力行业中发展十分迅速，智能电网与计算机等现代科学技术的结合，调动了电网运行市场的发展以及系统的运行效率，同时有效降低了成本，节约了资源，因此大数据技术的融合将会大幅度提高通讯质量和效率。在智能电网中运用大数据，可以实现智能调度资源、分布式控制负荷、有效预测负荷等日常负荷调度工作，同时也可以实现安全监测、智能报警等一系列安全措施。大数据技术还可以提高工作效率、计算速度和监测的水平。智能电网是一种全面性网络。智能电网的安全、可靠的目标必须以实时数据采集、分析和处理为依据，实现电力系统的协调运行。智能电网、大数据、云计算、互联网、新能源消纳与并网等信息被列入“十三五”国家战略性新兴产业发展规化[1]。

1 智能电网电力大数据的特点

随着计算机技术、通讯技术、网络技术和数字信息技术等高新技术的发展，将智能电网与电力大数据技术相结合，将会更加推动电力行业的发展，使电力系统更加稳定。

1.1 智能电网

智能电网之所以能够实现电网智能化，是建立在计算机和信息技术的基础上，故又称作电网2.0[2]。通过将智能装置接入电力系统来实现智能化、自动化电网运行，将会更有效地实现智能电网的效率。在智能电网中，通过传感、决策支持系统、智能自动化技术和测量技术等多种技术综合利用，并且保证在高效率运行、降低成本和优化环境的条件下，尽可能地提高电力系统稳定性。智能电网的应用也逐渐越来越广，也逐渐被用在其他科技领域。

1.2 大数据技术

大数据是指通过对大量复杂的数据进行有效地捕捉、发现、和分析，用经济的方法提取其价值的技术体系或技术构架[3-5]。在电力行业内，电网运行情况、日常的负荷监测，电力企业的营销数据，以及企业的管理数据等这些都可被称为大数据。电力大数据还具有以下特点：数量体积大；数据类型繁多；价格密度低；处理速度较快。

2 智能电网大数据

2.1 智能电网大数据概念

智能电网对数据要求很高，将大数据融入智能电网中可有效解决智能电网通讯问题。大数据[6-8]按数据来源可分为：电网内部数据和外部数据。这些数据都各自分散，由不同的管理部门进行管理。通过以上描述，大数据特点为：分布较散，分布在各个不同的地方；数量大、种类多，维度大；价值巨大；数据之间存在着挖掘，且存在实时性要求。

在智能电网发展和建设的重要环节，对电力需求侧的管理尤为重要，大数据在智能电网中的应用包含多个方面，这些方面涉及到电力公司运行与管理的应用，同时还包括用户服务以及政府部门的服务应用。其中，面向电力用户服务的应用又包括用户用电行为分析、电力需求侧管理、用户能效分析和供电服务舆情监测预警分析等内容。其中，电力需求侧管理尤为重要。

利用智能电网大数据来实现电力需求侧管理时，首先需要采集数据，智能电网中的数据存储采用了云计算技术，从海量数据中提取的用户数据需要通过数据融合技术作预处理，进而针对有效数据，根据湿度、温度等气候条件，以及用户阶层的差异性，对电力用户进行分类。接着进行数据分析，将数据进行解读，在此过程中，可绘制各类用户不同用电设备的负荷曲线[9]，分别通过负荷曲线的不同及时对负荷作出一系列措施来调整负荷日用量。然后根据曲线将数据应用到电力系统中，能够及时地对负荷进行预测，提高系统的稳定性。并且根据需求分析结果，制定需求管理制度，从而使得智能电网大数据的通讯管理和需求管理得到较好的解决。

2.2 智能电网大数据关键技术

智能电网大数据有4大关键技术[10-12]：多数据融合技术、电力大数据分析挖掘技术、电力大数据可视化技术、电力大数据存储与处理技术。

a.多数据融合。多数据融合是将具有相同的多种事物、数据和知识，整理成一个目标一致、明确、清晰的表达的过程。通过对不同来源数据的融合，使其达到彼此之间相互提高的一个层面，从而发掘出数据间间接隐藏的关系，达到事物的正确认知。多数据融合是以信息为主体的信息体系结构，有利于全方位掌握数据的来源。

b.电力大数据分析挖掘。电力大数据分析挖掘是一种数据有效处理方法，对复杂、种类繁多的结构与非结构类型十分适用。在结构化和非结构化数据处理过程中，采用合适建模仿真算法将会很大程度地增大空间，由此可产生很多新的算法。

c.电力大数据可视化。电力大数据可视化即采用一种图形或表格的形式，使数据更加明确、易懂。其基本思路是计算机与图像处理技术对单一数据进行处理，然后将大量的数据用图形表示，既增加了直观感，又增添了很大的艺术感，使之能够完美展示数据的细节，便于对数据的理解。电力大数据可视化与其他技术结合，可以促进智能电网发展，可称之为一种数据分析工具，又是一种清晰的展示方法。

d.电力大数据存储与处理技术。电力大数据存储与处理技术主要是用于解决电力大数据实时存储与处理。内存技术与Hadoop技术两者的融合。内存处理技术是将大数据全部放到内存里进行计算，是对传统数据的一种改进。

对大数据进行数据挖掘，并提取出大量有用的信息，提高了对大数据的处理能力。电力大数据分析挖掘是智能电网大数据的关键技术，将智能算法应用在数据挖掘中，可提高数据的利用率，并可以发现有用的信息。因此，提出了电网智能算法[13-15]下大数据在电力行业中的应用。

3 智能算法下大数据在电力行业中的应用

电网智能算法在电力行业中应用较广，其中的智能算法如粒子群算法、人工免疫算法、蚁群优化算法和遗传算法等，都在电力行业中有着很多的应用。在电力行业中，粒子群算法主要在电网扩展规划、检修计划、机组组合、负荷经济分配、最优潮流计算与无功优化控制、谐波分析、参数辨识和优化设计等方面有着很大的作用。就最优潮流计算与无功优化控制方面而言，无功优化是最优潮流计算当中的一种，实现无功优化控制，可以改善电压分布、减少网损。粒子群优化算法的出现为最优潮流和无功优化计算提供了新思路。文献[16]将粒子群算法应用在IEEE 30节点系统的无功优化问题中，通过优化过程当中自动调节算法的有关参数，克服了需要测试多次确定参数的缺点。文献[17]应用粒子群算法解决电力系统的最优潮流问题，并以30节点系统为例，以提高电压稳定性为前提进行目标优化，仿真结果显示粒子群算法在最优潮流问题上有很大的作用。人工免疫算法在电力系统的配电网重构、约束优化问题、经济负荷分配和混沌优化等方面有着很多应用。就配电网重构方面而言，人工免疫算法具有较快的收敛速度、较高的收敛精度、对求网损最小的配电网重构等特点。在缩短抗体编码的基础上，在种群初始化时，对个体进行接种疫苗，通过修改个体的某些基因位上的基因，使得可行解的比例变大，从而使其能够获得最优解。蚁群算法在配电网、电力系统优化方面有较多应用，对提高电力系统稳定性有很大的作用。在基于蚁群算法的配电网重构[18]中,详细介绍了蚁群算法在配电网方面的应用，说明蚁群算法在动态电网优化有很大的作用，并通过IEEE 6节点系统的仿真取得了很好的结果。遗传算法在电力行业的优化问题、负荷调度等方面也都有很深入的应用。

在上述4种电网智能算法中，都需通过对数据进行分类、挖掘，并建立合适的模型，从而提取有用的潜在的信息、知识，并且还揭示了大量数据间的关联、相似特征、差异、依赖、趋势和反常等不同的变化，来进行建模分析，进行大数据分析挖掘，从而提取出有价值的数据群，并从大数据中发现潜在的信息和有价值的知识财富。通过在智能算法的基础上对大数据进行分析、挖掘和提取，在一定程度上提高了电力行业的应用价值。

以遗传算法为例，具体分析大数据在电力行业当中的应用。遗传算法源于生物进化过程中优胜劣汰适者生存的机制，模拟生物染色体的代际复制、交叉和变异的机制，通过若干代进化，收敛至最高适应度。通过随机寻优方法，自动获取优化的方向，这种寻优法对分析和挖掘数据相当重要，因此被广泛运用到其他各个领域，如组合优化、信号分析处理等。

在遗传算法中，适应度函数值的大小是核心部分，适应度是用来检测种群中个体优劣的衡量指标。在这里指特征组合判据的值，适应度函数一般具有连续、非负和最大化等特点。遗传算法的流程如图1所示。

图1 遗传算法的流程

4 示例分析

针对大数据中数据种类繁多、价值密度低的特点，要从大量的数据中挖掘出有价值的信息，可采用MATLAB编程仿真计算，以目标函数控制系统为对象，通过使用遗传算法对控制参数进行整定，使得系统达到最佳的收敛状态。对该对象利用遗传算法进行仿真，设种群规模为50，最大迭代次数为80代，通过计算各个个体的适应度值来判断算法是否收敛。如满足收敛法则，则输出收敛结果，如不满足，则从种群个体随机选择2个个体，对这2个个体进行多次交叉，从结果中选择最优个体存入新种群，从而保证在每1次演化中，子代总是保留父代中最好的个体。下面对部分样本数据进行选择，选取一部分数据进行展示。算法仿真结果如图2～图3所示。

图2 80次迭代后的 目标函数值

图3 80次迭代后的适应度值

在遗传算法中，目标函数将提供测量手段，最适合的个体对应最小的目标函数值。图2为种群个体经过80次迭代后最优个体与平均个体的目标函数值。从图2可以看出，最优个体将更利于种群进化，而适应度函数值通常用于转换目标函数值，适应度值是衡量算法性能的关键技术。图3为经过80次迭代后的种群个体最佳适应度值，适应度的测量值刚好适中，有利于选择最合适的数据个体。适应度值有利于选择群体的优劣程度，从而选出适合种群的进化方向，在很大程度上影响着算法的性能。

通过采用遗传算法，对个体样本数据进行仿真运算。从本质上来说，遗传运算是一种迭代运算，它是通过逐次逼近来选取其中的最优解，挖掘出大数据中最有利的部分，根据适应度的值来选择每个数据的优劣性，再以适者生存的原理从种群中选取最合适进行变异、然后产生新的大数据(后代)，随后根据优劣程度的大小，找出最合适的个体，挖掘出大数据中最有利、最有效的数据，并对其进行合理的利用。在电力系统中，挖掘出最合适的大数据将有利于电力稳定的预测，有利于提高电力系统的可靠性、经济性和安全性。通过对遗传算法的研究，遗传算法在处理高维、非线性和多约束问题方面具有良好的收敛性。而电力系统在优化运行方面也具有高维、非线性和多约束等特点，在电网智能算法的基础上，电力大数据在电力系统的优化调度、全局寻优和负荷预测等方面都有着很大的作用。

5 智能大数据在电力行业的发展趋势

就目前形势而言，智能大数据已在电力行业中有所发展，为该领域数据采集效率的提高以及电网的管理水平都有着很大的联系，并且智能大数据也逐渐被应用在能源领域、管理系统方面和其他领域方面[19-22]，还在调度发电等方面有所运用。智能大数据除了在新能源方面有所应用外，在电动汽车方面也有很大的作用，运用大数据技术合理安排电能的使用情况，对电能进行合理的预测，是现在电力发展的主要动力。智能电网大数据目前发展如下：一是服务于社会、政府行业；二是服务于电力行业以及电网自身的发展；三是服务于其他行业；四是服务于各种能源行业。在上述行业中，智能电网大数据也同样会面临前所未有的挑战。

将大数据运用到电力系统暂态稳定性分析与电压稳定方面还未有很大的进展，且都只停留在理论阶段。因此，将大数据运用到电力系统暂态中，用于负荷预测、故障定位等方面，从而保证系统电压稳定，这将会是大数据在电力系统方面的重大突破和发展的必然趋势。在今后的发展中，大数据、互联网、云计算和通讯信息的结合，将会是智能电网大数据的另一发展趋势，除此外，智能电网大数据还将在其他领域有很大的发展。

6 结束语

目前，大数据在电力行业中的应用越来越广，尤其是在电力系统的优化调度、负荷预测和全局寻优等方面都得到了很多的应用。基于此，提出了基于智能算法大数据在电力行业中的运用。以遗传算法为核心，通过找出种群中最合适的个体，找出个体最佳适应度值，挖掘出大数据中最有利的数据，便于合理应用。挖掘出的大数据将有利于电力稳定的预测，从而提高电力系统的稳定性，以便电力系统能够安全、可靠地运行。

参考文献：

[1] 夏怀民，徐雄军．智能电网下基于大数据技术的电力需求侧管理探究[J]．湖北电力，2017，41(4)：1-4．

[2] 丁倩，刘华喜．智能电网大数据技术发展研究[J]．智能城市，2016(12)：47-48．

[3] 刘伟，侯轲，姜苏航，等．基于智能电网大数据技术发展研究[J]．电子技术与软件工程，2016(6)：179．

[4] 张东霞，苗新，刘丽平，等.智能电网大数据技术发展研究[J]．中国电机工程学报， 2015,35(1)：2-12．

[5] 郑海东，易武，孙薇庭，等．大数据及其在电力工业的应用[J]．农村电气化，2015(9)：34-35．

[6] 张鹏飞，徐志宇，许唐云，等．面向智能电网大数据的分析挖掘与计算范式[J]．电力学报，2016，31(2)：89-94．

[7] 钟泽波，范曦露．基于状态估计的电网数据信息融合与预警[J]．科学技术创新，2017(20)：125-126．

[8] 廖旎焕，胡智宏，马莹莹，等．电力系统短期负荷预测方法综述[J]．电力系统保护与控制，2011，39(1)：147-152．

[9] 彭小圣，邓迪元，程时杰，等．面向智能电网应用的电力大数据关键技术[J]．中国电机工程学报，2015，35(3)：503-511．

[10] 孟祥君，季知祥，杨祎．智能电网大数据平台及其关键技术研究[J]．供用电，2015，32(8)：19-24．

[11] 田世明，杨增辉，时志雄，等．智能配用电大数据关键技术研究[J]．供用电，2015，32(8)：12-18．

[12] 胡中功，李静．群智能算法的研究进展[J].自动化技术与应用，2008，27(2)：13-15．

[13] 李宏，焦永昌，张莉．求解全局优化问题的混合智能算法[J]．计算机工程与应用，2006，42(16)：9-11,18．

[14] 武飞周，薛源．智能算法综述[J]．工程地质计算机应用，2005(2)：9-15．

[15] 顾卓远．基于响应的电力系统暂态稳定控制技术研究[D]．北京：中国电力科学研究院，2014．

[16] Zhang W，Liu Y T，Clerc M．An adaptive PSO algorithm for reactive power optimization[C]// International Conference on Advances in Power System Control，Operation and Management，2003：302-307．

[17] Abido M A．Optimal power flow using particle swarm optimization[J]．International Journal of Electrical Power & Energy Systems，2002,24(7)：563-571．

[18] 李将军．蚁群算法研究及其在电力系统中的应用[D]．重庆:重庆大学，2009．

[19] 曹军威，杨明博，张德华,等．能源互联网——信息与能源的基础设施一体化[J]．南方电网技术，2014，8(4)：1-10．

[20] 王敏.基于智能电网大数据发掘和模拟退火算法的配网重构[J]．水电能源科学，2016(3)：208-210,199．

[21] Miao X．Big data and smart grid[C]// Proceedings of the 2014 International Conference on Big Data Science and Computing,2014：1-2．

[22] Wu X D，Zhu X Q，Wu G Q，et al. Data mining with big data[J]．IEEE Transactions on Knowledge and Data Engineering，2014， 26(1)：97-107．