智能电网发展分析

何琰 郑咏诚

内容摘要 近几年来，我国通信网络技术及智能电网迅速发展，电力用户侧数据也以较快的速度不断增长。随着电力用户侧的数据变得越来越繁多与复杂，传统数据分析与统计方法已不能满足智能电网发展的需求，如何实现电力用户侧大数据分析与并行负荷预测成为当前电网发展的一大难题。基于此，文章结合实际情况，对电力用户侧大数据分析特点和困难进行了分析，并探讨了电力用户侧大数据分析与并行负荷做出合理的预测。

关键词 电力用户侧 大数据分析 并行负荷预测

1 引言

在计算机网络技术与通信技术迅速发展的大背景下，我国电力用户侧大数据始终保持着较快的增涨，并且逐渐呈现多样化特点。对此，智能电网发展下电力用户侧大数据分析与并行负荷预测如何实现准确的判断，是当前电力事业发展的一大难题。由于传统的数据分析方式效率太低，已经不能很好地满足用户的需求，因此亟须采取措施改进数据分析方法，对用户侧大数据进行准确而高效的分析。

2 电力用户侧大数据特点和困难

2.1 电力用户侧大数据的特点

2.1.1 数据量大

资料显示，随着物联网时代的到来，大数据在居民生活中的应用变得越来越广泛，此外由于传感器的普及和各种智能家电的使用，电力用户侧大数据分析的数据量变得非常大。另外，电网智能化程度逐渐提高，数据的计算变得越来越精准化，极大地增加了数据量。例如，在一个有着5000个传感器终端的地区，如果这些传感器采集数据的时间间隔为5 min，那么在这个地区，每个月都会收集到4.6 TB的数据，而一年就将产生0.5 PB的数据[1]。由此可见，我国目前数据量的增长十分迅速，传统的数据分析模式已经不能满足如此大量的数据分析需求，需要一种新的数据分析方式处理如此庞大的数据库。

2.1.2 数据结构类型多

近几年来，伴随着各种各样的数据传感器的普及，数据收集的方式也变得多样化，出现了很多新的数据类型，也逐渐由传统的一种类型转变为目前的多种类型。在多种数据收集方式中，各种结构化数据收集、半结构化数据收集、非结构化数据收集作为传感器的典型组成部分，可以说是目前数据收集过程中最为主要的三种方式，经过进一步的储存分析之后，这些不同类型的数据就形成了现在多元化的数据结构。

2.1.3 数据的交互性

交互性是智能电网的一个重要特征，在和用户的交互过程中实现智能用电的需求。如果要进行更深层次的数据分析，就必须做到和各行各业的大数据相互融合，也提高了数据的交互性。然而，这些数据的交互性使电力用户侧大数据库变得更加庞大和复杂，给数据的分析和电力负荷预测带来了很大的困难。

2.2 电力用户侧大数据分析的困难

2.2.1 大数据的整合

随着物联网时代的到来，传感器的应用越来越广泛，智能家电也更多地出现在人们的日常生活当中，这就使电力用户侧大数据的模式变得非常繁多复杂。但是，由于很多信息化系统在建设初期没有得到规范统一的管理，各个厂商都是根据自己的需求进行独立开发，导致许多终端的口径不能做到很好地统一，给大数据的整合过程带来了各种各样的问题。另外，同一种数据的重复存储和计算模型的多样性也使大数据的整合存在障碍。因此，针对目前大数据这种迅速发展的实际情况，必须对其表达的方式进行规范化，加强对用户侧大数据的管理，从而减少大数据加工和整合过程中遇到的困难。

2.2.2 大数据的可用性

现在，进行数据采集有着多种多样的途径，由于系统建设之前没有对质量提出统一的要求，每个终端输出的数据质量也大不相同，一些数据的质量过差，大大影响了用户侧大数据的可用性。在实际操作过程中，对大数据的规范管理不到位，也使收集到的大数据质量差别很大，需要进行人工修正，極大地降低了数据分析效率;更有甚者，一些数据的真实性受到了严重的破坏，影响到分析结果的科学性，给我国信息工程的进一步发展带来不利影响。

2.2.3 大数据的储存

在电力用户侧大数据呈现指数级增长模式的今天，大数据的采集方式不断更新，与之相比，以往的大数据储存模式显得过于简单，硬件设备的承载力不足的问题越发显著，已经不能再很好地对这些大数据进行储存。我国现在已经拥有了大规模的用户侧大数据信息采集系统，这些设备采集到的信息量增加十分迅速，因此需要对大数据的储存方式做出进一步的改善[2]。

2.2.4 用户隐私和信息安全问题

电力用户侧大数据的收集和分析往往会涉及用户的隐私，而目前相关方面还缺乏相应的管理监督，因此暴露出大数据分析过程中的信息安全问题。电力企业覆盖范围较为广泛，信息安全水平相差很大，因此必须加强管理，采取新的信息技术手段保护用户隐私，减少信息安全问题的发生。

3 电力用户侧大数据分析平台

3.1 数据管理层

数据管理层主要负责数据收集的任务，作用是对数据进行收集和整合，可以依靠智能电表等设备获得电力用户侧大数据。在收集到的这些数据之中，除了设备内部的信息之外，还包含着大量与设备本身有关系的信息。一般来说，这些数据都是由不同厂商的数据终端来提供的，收集和传送方式的多种多样使数据结构存在很大的差异，大大提高了进行数据分析的难度，即使使用应用程序编程接口，也存在着端口的自动化程度不够高的问题。目前而言，最好的处理方式是基于云计算的新型数据处理方式。这种方式在传统的数据处理方式的基础上，把原来的数据迁移到云平台中，方便对数据进行科学的管理，从而大大简化了数据分析[3]。

3.2 私有云计算层和应用层

在电力用户侧的大数据体系里，私有云计算层主要作用是进行大数据的储存和分析，采用开源的分布式集群系统，弥补了传统分析方式的不足，使这种方式加快了进行信息处理的速度。应用层的作用则主要是为电力电工企业的决策制定提供相应的参考，在一定程度上可以发挥大数据的科学应用意义。

4 电力负荷预测和并行处理

电力负荷预测在电网规划中起着十分重要的意义，它的主要作用是为变电站和电网的规划提供意义重大的数据依据。如果在电力电工产业中能够选择准确高效的电力负荷预测模式，就可以大大降低企业的规划成本，提高效益。从前进行电力负荷预测常用的方法主要有决策树、极限学习和遗传算法等，这几种方法都存在着一定的问题，不能很好地满足大数据分析的要求。目前，随机森林算法将多种短期负荷预测方法的特点集中到一起，把决策树作为基本的学习单元，增强了并行性和扩展性，对大数据下的电力并行负荷预测具有重要意义。而对各种数据进行并行化分析，可以大大缩短电力负荷预测所需的时间，也能提高随机森林算法对大数据的处理能力[4]。新型数学方法的应用和互联网技术的应用使数据处理变得更加准确和便捷，大大提高了计算速度，也增强了大数据预测的科学性。

5 结语

综上可知，近年来，我国电力产业发展迅速，信息化社会的高速发展推动了电力用户侧大数据分析模式的不断升级。然而，我国目前的电力用户大数据分析和并行负荷预测的发展才刚刚起步，在实际操作过程中还存在着很多亟待解决的问题，还需要进一步地分析和发展，提高大数据分析的科学性、准确性和分析效率，支撑智能电网的安全可靠运行。

【参考文献】

[1]王德文，孙志伟.电力用户侧大数据分析与并行负荷预测[J].中国电机工程学报，2017，35（3）：527-537.

[2]黄庆仕，陈冬沣，肖建华.电力用户侧大数据分析与并行负荷预测研究[J].自动化应用，2016（11）：113-114.

[3]邵冬冬.基于大数据分析的电力短期负荷预测研究与开发[D].北京：华北电力大学（北京），2017.

[4]黄升国，赵神州，黄英海.一种基于大数据的电力负荷预测方法与系统：201710004874.8[P].2017-03-22.