基于随机矩阵理论的智能电网大数据体系结构设计

王艺霏　李贤　来骥　陈重韬　连浩

摘   要：针对智能电网数据繁多、用户应用困难的技术问题，提出了新型的大数据驱动方法，并设计出基于随机矩阵理论处理智能电网大数据的系统。通过随机矩阵理论建立随机矩阵算法模型，对智能电网大数据库中的数据获取样本，并进行训练、学习，建立用户需求的数据模型。通过計算，将隐藏在智能电网大数据中的宏观数据转换成微观数据，供用户参考使用，从本质上发现影响智能电网正常运行的参数。计算数据不仅可以本地显示，还能够远程上传到SG186营销系统，供各种用户使用，同时，还可以通过无线通讯的方式上传云端，实现计算数据的永久性保存。设计的方案随机矩阵理论算法引入到智能电网大数据体系，不仅提高了智能电网大数据的直观显示，还为后续工作的进一步开展提供技术参考。

关键词：智能电网;随机矩阵理论;算法模型;云端;大数据库

中图分类号：TP39                                                   文献标识码：A

Abstract： This paper proposes a new big data driving method for the technical problems of smart grid data and user application difficulties，and designs a system based on random matrix theory to deal with smart grid big data. In this paper，we establish a random matrix algorithm model by random matrix theory，and obtain samples from the data in the large database of smart grid，and train and learn to establish a data model of user demand. The macro data hidden in the smart grid big data is converted into micro data for users to refer to through calculation，and the parameters affecting the normal operation of the smart grid are found in essence. The calculation data can be displayed not only locally，but also remotely uploaded to the SG186 marketing system for use by various users. At the same time，the cloud can be uploaded by wireless communication to achieve permanent storage of calculated data. The scheme designed in this paper introduces the random matrix theory algorithm into the smart grid big data system，which not only improves the visual display of the smart grid big data，but also provides a technical reference for the further development of the follow-up work.

Key words：smart grid;stochastic matrix theory;algorithm model;cloud;large database

随着智能电网技术的飞速发展，智能电网产生的拓扑结构也异常错综复杂，各种智能电网数据互相交叉、渗透[1-2]。智能电网数据目前已经成为异常复杂且难以处理的工程大型数据，同时智能电网在运行过程中还存在诸如数据源多元化、数据异构、同步运行等特点，智能电网网络中的复杂拓扑结构以及运行过程中的负荷剧增、猛增等都会对智能电网的正常运行产生极大的影响[3-5]。

由于智能电网大数据存在规模巨大、种类繁多、产生速度快、数据维度高等特征，用户难以从浩瀚的大数据中获取有效的电网数据信息，也很难对从智能电网中获得的宏观数据进行微观分析，并捕捉稍瞬即逝的电网数据信息，以揭示潜藏在数据本身中的技术问题。因此，如何从海量的智能电网数据库中提取数据信息进行即时、多样、真实地分析是目前亟待解决的技术问题。基于此，基于随机矩阵理论（randommatrixtheory，RMT）设计并研究了智能电网大数据体系结构[6-8]。随机矩阵理论基于统计学原理来分析各种数据之间的相关性，通过建立随机矩阵模型提取并分析电网数据信息，从而及时、准确地处理智能电网中的扑朔迷离的多层次数据，便于用户提前发现问题、跟踪、分析、诊断等，从而保证电网系统的正常运行[9-10]。下面对技术方案做详细描述。

1   大数据体系构架设计

设计的基于随机矩阵理论处理智能电网大数据的体系构架，通过建立随机矩阵理论模型对大数据进行处理、相关性分析、特征的表征等，使得海量的智能电网数据、多维度数据、异源数据等通过构造矩阵的方式可视化，直观反映电网系统的运行状态。在本架构设计中，系统包括大数据管理平台、数据监控中心、电力营销数据管理中心。其中，大数据管理平台接收大型专变终端用户、中小型专变用户、单/三相一般工商用户、居民用电用户、公用配变考核计量、变电站关口等智能电网运行数据，通过数据输入使得各种大数据在大数据管理平台进行统一分类、处理、分析、计算、显示等管理，如图1所示。

大数据管理平台设置有数据存储中心、数据处理单元等，数据处理单元从数据存储中心调取智能电网数据，并建立随机矩阵模型，通过随机矩阵算法对智能电网大数据进行分析、处理。大数据管理平台可以在数据存储中心中存储，数据存储中心为基于Hadoop平台的大型Hbase数据库，其具有结构化的数据和非结构化的数据，非结构化的可以数据在Hadoop平台中的HDFS文件系统进行存储。在Hadoop平台中的各种大数据可以实现分布式存储、超融合VS分布式、删重和压缩以及整合分析等功能。处理后的数据通过数据诊断甄别数据真伪，并通过显示器进行数据显示。用户可通过该终端直观地看出数据运算结果，同时，处理数据可通过数据监控中心远程监控，进而从更高层次上观测智能电网数据情况。监控数据可通过无线通讯的方式上传云端，通过云端数据库实现数据的永久性存储。监控数据也可以通过通讯协议（Modbus协议，诸如TCP/IP协议）实现远程在线传输到电力营销数据管理中心（比如SG186营销系统），在该系统实现对数据、客户的档案管理，诸如电费计算、线损统计、分析、营销等业务供用户使用。

2   随机矩阵理论的建模和应用

2.1   随机矩阵理论的建模

随机矩阵理论是通过统计、分析智能电网数据的能谱和本征态，得出实际测量中的随机程度，进而揭示实际数据蕴含的整体关联的事件特征。下面构建随机矩阵理论模型对智能电网数据的相关性进行计算。

2.2   随机矩阵理论的应用

基于上述模型的建立，将上述建立的数据模型应用到电能计量的影响量的评估上，观察电网中隐藏的外在参数对电能计量数据的影响情况。在本文设计的方案中，忽略数据输入的步骤，直接从大数据管理平台中的数据存储中心中提取数据，然后进行下一步的操作，其具体步骤如图2所示。

（1）从大数据管理平台中提取智能电网数据;智能电网电网数据错综复杂，根据用户需要，提取有待评估的数据类型;比如电能计量的功率数据，诸如耐压数据、外观数据、纹波、功率、电压、电流等，影响电网运行的数据类型，诸如振动、温度、湿度、磁场、谐波、其他杂波、负载等数据。为了研究的便利，仅提取样本数据作为参考。

（2）对提取的大数据预处理，保留有效数据，通过数据清理、数据集成、数据规约或数据变换的方式对提取的数据预处理，使得预处理后的数据更有效地用于实践。大数据的处理通常是实时处理，首先将采集到的不同类型数据进行简单都处理，比如进行数据格式的转换，将ip转换成容易识别的地址，将包含信息量少或者无用的数据过滤掉等，然后进行简单的加工处理，比如归一化处理，在本步骤中，包括将模拟量转换为数字量的步骤。在此，不做详细说明。

（3）建立随机矩阵模型，基于矩阵模型计算出相关数据，如图3所示。

在该步骤中，主要將处理后的纯净数据输入到建立好的数据模型中，输出用户需要的数据。首先对处理后的数据进行T次采样，构建状态数据矩阵。即构建：以下数据以数值的方式表示，比如

由于矩阵的规模和篇幅的限制，在此仅仅做示例性说明，不再将矩阵按其真实规模展开。

在步骤中，按照标准化后的标准化公式（见公式4）来计算，根据公式9求出奇异值等同矩阵，根据公式10求出奇异值计算，最后根据公式8求出Dstd的值。公式在此不做重复描述，根据上文列出的公式，分别输入采样数据，求出各个公式的值。

（4）利用随机矩阵模型分析大数据，当计算出标准化矩阵积Dstd的特征值分布时，便可评估电网杂波对电能计量计算误差的影响，Dstd越大，影响量越大。由于D1表示的数据集合为影响智能电网正常运行（诸如谐波、杂波干涉等），数据集合{P1，P2，P3，…，PM}中表示不同的参数，电能计量（如电流、电压、功率等）的数据集合为{Q1，Q2，Q3，…，QN}中也表示不同的集合，因此在实际应用时，根据选择数据类型而构建矩阵。

（5）将分析的大数据进行诊断、显示、上传。根据用户需要选择后续处理措施，比如本地数据显示，通过数据监控中心远程监控数据，上传电力营销数据管理中心进行综合管理等。

（6）数据判断，判断输出数据是够满意，如果不满意，则重新计算，如果满意，则任务结束。

3   方案实验及分析

在试验时，选用基于Matpower的IEEE-118节点的仿真系统系统。在仿真系统中设置电网异常数据参数，比如，电网杂波干扰、振动、温湿度、谐波干扰、异常事件（诸如符合突然增加）等，然后获取电能计量数据，将正常测量的电能计量数据输入仿真系统。假设矩阵D1 = 80*150，D2 = 400*500，根据公式Dstd = [w1，w1，w1……wM+N]T进行计算，其中D1分别为温度、负荷、湿度、谐波、磁场数据构成的矩阵。在实施例时间，D1构成5个矩阵，D2为电能计量参数（电流、电压、功率、纹波等），其数据样本见表1所示。由于智能电网的影响因子颇多，本文不做一一说明。仅以温度、负荷、湿度、谐波、磁场作为影响参数作为分析。

根据上述数据，应用上文提高的公式，将结算结果汇成曲线图，如下文所述。

对上述各个试验项目做失效统计，统计在2000小时内的记录变化，失效率如图9所示。

电网系统中还含有信号网络拓扑变化、负荷异常、短路/断路等情况，检测效果与上文描述类似。通过随机矩阵理论都可以逼真地获取智能电网数据。通过随机矩阵理论也可以对智能电网数据进行耗损评估，由于篇幅的限制，本文仅对智能电网不稳定因素对电能计量测量的影响作为实验分析。通过上述试验，随机矩阵理论在处理智能电网大数据方面具有明显的直观显示。

4   结  论

基于随机矩阵理论对智能电网数据进行了分析和试验，通过随机矩阵建模使用后对智能电网大数据的认知提供了直观的视觉识别，该种方案可以充分利用大数据库系统中各种数据信息作为初始信息数据，然后利用随机矩阵建模方法输出不同的数据类型，使得用户从宏观的高纬度电网数据获取数据微观的本质规律，从而从根源上解决智能电网運行过程中存在的问题，为智能电网的健康、绿色运行提供较为有价值的技术参考，同时也具有较好的学术研究意义以及工程应用价值。

参 考 文 献

[1]    陈星豪，黄柳萍，陶国飞. 基于随机矩阵理论的电力大数据表征方法[J].电网技术，2017，36（3）：35—38.

[2]    郝然，艾芊，肖斐. 基于多元大数据平台的用电行为分析构架研究[J]. 电力自动化设备，2017，37（8）：26—33.

[3]    王远，陶烨，蒋英明，等. 智能电网时序大数据实时处理系统[J]. 计算机应用，2015，（z2）： 93—97.

[4]    刘广一，朱文东，陈金祥，等. 智能电网大数据的特点、应用场景与分析平台[J].南方电网技术，2016，10（5）：102—110.

[5]    贺红燕. 基于大数据的智能电网关键技术研究[J]. 电源技术，2016，40（8）：1713—1714.

[6]    冉亮，李炜，孙向聚. 基于大数据技术的智能电网系统应用研究[J].自动化与仪器仪表，2017，（9）： 182—183.

[7]    孟祥萍，周来，王晖，等. 云计算技术在未来智能电网信息处理平台中的应用[J].计算机测量与控制，2015，23（10）：265—268.

[8]    葛磊蛟，王守相，瞿海妮. 智能配用电大数据存储架构设计[J]. 电力自动化设备，2016，36（6）： 194—202.

[9]    徐重酉，韩翊，贺兴. 等. 基于随机矩阵理论的配电网阵列薄弱性评估系统设计[J]. 电器与能效管理技术，2018，（9）： 522—526+552.

[10]  王奇，庄远灿，阎帅，等. 基于随机矩阵理论的交直流输电通道线损大数据关联特性分析[J]. 电力自动化设备，2018，38（5）：77—83.