基于深度学习的电力调度数据自动备份系统设计

赵英宝　黄丽敏　刘慧贤

摘  要： 针对传统电力调度数据自动备份系统缺少对电力数据的调度处理，导致其方法存在稳定性较差等問题，提出基于深度学习的电力调度数据自动备份系统。电力系统调度模块利用深度学习网络，构建不良数据辨识模型，排除电力系统中的不良数据，并生成电力调度数据;电力调度数据备份模块采用在线数据备份模式，并结合深度学习理论，对电力调度数据进行统一备份、恢复和备份介质管理。实验结果表明，文中设计系统能够满足电力调度数据备份的要求，且系统稳定性较强，可以证明该系统的实际应用效果更好。

关键词： 电力调度数据; 自动备份系统; 系统设计; 深度学习; 辨识模型建立; 数据处理

中图分类号： TN919?34; TP311.52                文献标识码： A                    文章编号： 1004?373X（2020）20?0042?04

Design of power dispatching data automatic backup system based on deep learning

ZHAO Yingbao， HUANG Limin， LIU Huixian

（Hebei University of Science and Technology， Shijiazhuang 050018， China）

Abstract： In allusion to the problem that the traditional automatic backup system of power dispatching data lacks the dispatching processing of power data， which leads to the poor stability of the system， a deep learning based automatic backup system of power dispatching data is proposed. Based on deep learning network， the power system dispatching module is used to construct the identification model for bad data， eliminate the bad data in the power system， and generate the power dispatching data. The power dispatching data backup module is used to perform the unified backup， recovery and backup media management of the power dispatching data by means of the online data backup mode and in combination with the deep learning theory. The experimental results show that the system designed in this paper can meet the requirements of power scheduling data backup， and has strong stability， which can prove that the system is more effective in practical application.

Keywords： power dispatching data; automatic backup system; system design; deep learning; identification model building; data processing

0  引  言

电力系统是国家经济的重要组成部分，也是国计民生的基础，在其规模得到相应扩展的同时，相关数据量也逐渐增多[1]。电力调度数据是电力系统调度自动化的产物[2]，随着电力系统调度自动化的普遍应用，其承载的业务量与日俱增，在电力系统内的作用逐渐突出，因此电力调度数据的可靠性与安全性成为电力系统广泛关注的热点。人为操作、病毒入侵、硬件损坏、自然灾害等大量原因均可能导致电力调度数据的损毁与丢失[3]。当出现电力调度数据损毁与丢失时首要关注的是应怎样快速恢复数据，保障电力系统正常运行。为此电力系统需构建电力调度数据自动备份系统[4]，备份电力调度数据，以便在数据损毁与丢失时快速复原数据，保障电力系统的正常运行[5]。电力系统调度自动化过程中由于外界因素干扰，易产生部分不良数据[6]，这些不良数据会影响电力系统的正常运行，且在电力调度数据自动备份过程中，不良数据的备份也会占用备份空间，延长备份时间与数据恢复时间，拖延系统恢复效率。因此，在进行电力系统调度过程中需检测出不良数据并将其排除。基于以上分析，设计基于深度学习的电力调度数据自动备份系统，利用深度学习网络构建不良数据辨识模型，并排除不良数据，根据备份策略实现电力调度数据备份，提升电力系统运行稳定性。

1  电力调度数据自动备份系统整体结构设计

电力调度数据自动备份系统以BECOS32×64系统为基础，主要由电力系统数据采集模块、电力系统调度模块、电力调度数据备份模块和监视报警模块组成[7]，如图1所示。

数据采集模块的主要功能是采集电力系统运行数据;电力系统调度模块的主要功能是根据采集的数据实行电力调度，并挖掘不良數据，生成电力调度数据;电力调度数据备份模块的主要功能是备份电力调度数据;监视报警模块的主要功能是对系统整体运行故障进行监视报警。

2  基于深度学习的电力系统运行模块

2.1  调度模块

电力系统调度模块对数据采集模块采集的电力系统运行数据进行电力调度，主要包含智能学习与实时运行两个部分[8]，如图2所示。实时运行部分主要功能是通过远程终端设备进行电力系统在线调度[9]。智能学习部分主要功能是利用深度学习网络进行人工智能学习，排除不良运行数据，其计算公式如下：

[K=λ1-P2xk?yk] （1）

式中：[λ]表示电力调度因子;[P]表示不良运行数据;[xk]和[yk]表示电力数据的两种类别属性。智能学习部分所需的电力系统运行数据和调度标准经验由实时运行部分提供，其输出结果为实施运行部分（即电力调度实施）提供决策参考。

电力系统调度模块的智能学习部分采用深度学习网络识别不良运行数据，不良数据辨识模型如图3所示，模型中包含训练和识别两个环节[10]。训练环节依照电力系统历史调度数据进行学习，构建待辨识数据与设定类型间的数学关系。识别环节处理待辨识数据后将其导入训练后的模型内，同模型参数进行对比，依照提前设置的相似度阈值进行不良运行数据辨识。

深度学习网络型由输入层、前馈层、判决层组成[11]。输入层和前馈层的主要作用分别为接收变换处理后的电力调度样本数据和仿真人类神经网络深层次加工处理电力调度样本数据。电力运行数据辨识在本质上可理解为分类问题，因此以Softmax分类器作为深度学习网络决策层，最后输出不良电力运行数据，实现电力系统的调度处理。

2.2  数据备份模块

传统电力调度数据备份大多采用主机直连存储模式，利用磁盘阵列实现全部电力调度数据备份。当出现单故障点时，将导致整体备份过程出现严重问题。因此电力调度数据备份模块采用在线数据备份模式[12]，基于深度学习对电力系统调度模块生成的电力调度数据进行统一备份、恢复和备份介质管理，计算公式如下：

[H=αK-12βmxk·yk] （2）

式中：[α]表示电力数据备份特征向量;[βm]表示电力数据的存储管理因子。

电力调度数据备份模块如图4所示，PC机承担备份客户端功能，采用ES40服务器为介质服务器，同时配置RA3000磁盘阵列，供电力调度数据备份使用。两个服务器通过主备形式进行电力调度数据备份，也就是在正常备份条件下一台服务器在线进行数据备份，另一台服务器维持备用状态。若在线进行数据备份的服务器出现故障，则备用服务器自动开始数据备份，保障电力调度数据备份系统的持续运行。

3  调度数据备份策略

在电力调度数据自动备份系统中，备份策略尤为重要，备份策略可归纳为三种主要类型[13]：完全备份、增量备份和差量备份。选择备份策略的主要依据是电力调度数据的关键度和数据备份的紧急性[14]。

3.1  完全备份

完全备份策略是以天为单位，对全部电力调度数据进行备份。完全备份策略的优势体现在直观性上，同时当电力调度数据出现损毁与丢失问题时，仅需利用问题出现前一天的备份即可复原损毁与丢失的数据。完全备份策略的劣势是在以天为单位对整个电力系统进行完全备份时，存在大量重复的备份数据，导致浪费大量备份空间，降低电力调度数据备份系统的经济性，并且完全备份策略下需备份的电力调度数据量非常大，导致备份时间较长。对于具有复杂运行环境和高稳定运行要求的电力系统来说，使用完全备份策略不符合科学性与经济性。

3.2  增量备份

与完全备份策略相比，增量备份策略仅备份前一天的电力调度数据。增量备份策略的主要优势体现在备份过程中不存在重复的备份数据，节省备份空间的同时能够缩短备份时间。但增量备份策略的缺点也较为突出，采用这种策略进行电力调度数据备份时，数据复原过程极为复杂，同时数据备份的稳定性较差。图5为增量备份示意图，由于不同相连盘磁带间的紧密连接，导致任一磁盘存在问题时都将造成整体备份过程的失误。

3.3  差量备份

差量备份策略备份数据为前一次完全备份后新增的变化数据[15]。差量备份示意图如图6所示。管理者在固定时间区域第一个时间段内进行一次电力调度数据完全备份。在剩余时间段中，备份此时间段内全部与第一个时间段有所差异的数据。与前两种备份策略相比，差量备份策略在集合前两种备份策略主要优势的基础上，能够解决前两种备份策略的缺陷。采用差量备份策略时不需要将全部电力调度数据完全备份，可以节省备份存储空间和备份时间，同时差量备份策略在电力调度数据出现损毁与丢失时复原数据过程简易，管理者仅利用上一次完全备份和前一次备份的磁带即可实现数据复原。因此，通常情况下采用差量备份策略进行电力调度数据备份。

4  实验分析

为测试本文设计的基于深度学习的电力调度数据自动备份系统的性能，以某省电力系统为实验对象，在其管控存储区域测试本文系统备份性能，测试部署图如图7所示。

4.1  备份稳定性测试

首先检测不同系统的备份稳定性，输出信号频率越接近70 Hz，波动范围越小，表示系统的稳定性越好，实验结果如图8所示。

通过图8可知，传统方法的输出信号频率在53～94 Hz之间，波动范围较大，而本文系统方法的输出信号频率始终接近70 Hz，其范围为65～73 Hz。系统的输出信号频率越近70 Hz，表示系统稳定性越强。通过以上测试结果，可以说明本文系统更加稳定，能够满足电力调度数据备份的要求。

4.2  备份性能测试

对本文系统备份性能的稳定性进行验证。针对大小不同的电力调度数据备份源，使用本文系统、基于Open VMS的备份系统和基于增量备份策略的备份系统分别进行电力调度数据备份，对比不同系统的备份过程，结果如表1～表3所示。其中，Y值表示不同系统备份电力调度数据性能的预测值。

分析表1～表3能够得到，使用本文系统备份不同大小的电力调度数据备份源，备份时间在1.43～9.58 s之间，备份空间占用率为0.000 3%～0.000 7%之间，Y值随着电力调度数据备份源大小的持续提升均呈线性平缓上升趋势。基于Open VMS的备份系统在备份源大小相同的条件下，备份时间和备份空间占用率均高于本文系统，Y值呈现显著波动状态。基于增量備份策略的备份系统在备份源小于100 MB时，备份时间小于本文系统，当备份源高于100 MB时，备份时间呈现显著上升趋势，高于本文系统，而备份空间占用率持续高于本文系统，Y值随着电力调度数据备份源大小的持续提升均呈线性平缓下降趋势。综合上述实验结果可知，本文系统备份性能明显优于对比系统。

5  结  论

电力调度数据备份是电力系统稳定运行的保障，基于此，本文设计基于深度学习的电力调度数据自动备份系统。实验结果显示，本文系统性能测试实际结果与预计结果完全一致，说明本文系统满足电力调度数据备份的要求，且具有较高的稳定性。

注：本文通讯作者为黄丽敏。

参考文献

[1] 马晓，张番栋，封举富.基于深度学习特征的稀疏表示的人脸识别方法[J].智能系统学报，2016，11（3）：279?286.

[2] 郭亮，高宏力，张一文，等.基于深度学习理论的轴承状态识别研究[J].振动与冲击，2016，35（12）：166?170.

[3] 周昌令，栾兴龙，肖建国.基于深度学习的域名查询行为向量空间嵌入[J].通信学报，2016，37（3）：165?174.

[4] 李志强，苏盛，曾祥君，等.基于虚构诱骗陷阱的电力调度系统针对性攻击主动安全防护[J].电力系统自动化，2016，40（17）：106?112.

[5] 于丹文，杨明，翟鹤峰，等.鲁棒优化在电力系统调度决策中的应用研究综述[J].电力系统自动化，2016，40（7）：134?143.

[6] 荀挺，王祥浩，胡文斌，等.电网综合数据质量评价系统及其软件实现[J].电测与仪表，2019，56（4）：62?69.

[7] 辛晓刚，王彪，李昕，等.考虑风电消纳能力的含风电场电力系统多目标优化调度研究[J].可再生能源，2016，34（1）：49?55.

[8] 王斌，夏叶，夏清，等.基于Benders分解法的交直流互联电网安全约束经济调度[J].中国电机工程学报，2016，36（6）：1588?1595.

[9] 罗玉春，王毅，戴则梅，等.基于多调度控制中心的分解协调状态估计[J].电网技术，2016，40（5）：1516?1521.

[10] 梁伟，郭凌旭，范广民，等.基于拓扑分区的变电站调度风险评估方法[J].电力系统及其自动化学报，2016，28（8）：98?104.

[11] 肖浩，裴玮，孔力.基于模型预测控制的微电网多时间尺度协调优化调度[J].电力系统自动化，2016，40（18）：7?14.

[12] 龚莺飞，鲁宗相，乔颖，等.基于Copula理论的光伏功率高比例异常数据机器识别算法[J].电力系统自动化，2016，40（9）：16?22.

[13] 茆美琴，张剑，张榴晨，等.基于IEC 61850的微网能量管理系统数据通信模型及其验证[J].电力系统自动化，2016，40（17）：210?216.

[14] 陈晋音，王桢，陈劲聿，等.基于深度学习的智能教学系统的设计与研究[J].计算机科学，2019，46（z1）：550?554.

[15] 王德文，周青.一种电力设备状态监测大数据的分布式联机分析处理方法[J].中国电机工程学报，2016，36（19）：5111?5121.