刘丽娜，周一飞，王 韬，李锐超，李方硕，郑宝毅

(1.国网四川省电力公司计量中心,四川成都 610045；2.积成电子股份有限公司,山东 济南 250010)

随着电力智能化的发展,用户用电信息采集也不断升级,实现智能化。根据国标的定义,“电力用户用电信息采集系统是对电力用户的用电信息进行采集、处理和实时监控的系统,实现用电信息的自动采集、计量异常监测、电能质量监测、用电分析和管理、相关信息发布、分布式能源监控、智能用电设备的信息交互等功能”。目前针对用电信息采集的系统仍然不能满足智能化运行的要求,在云计算和云平台逐渐应用到电力系统的背景下,有必要研究基于云平台的用户用电计量采集信息流转平台。

目前针对用电信息采集系统的研究较多。王进等[1]针对基于蒙特卡洛法的用电信息采集系统可靠性评估进行了研究；张慧等[2]分析了用电信息采集系统主站软件运维服务；郑国权等[3]提出了一种基于冗余分析的用电信息采集系统数据压缩方法；李明明等[4]提出了一种计量采集故障智能诊断模型；张秋雁等[5]提出了AR 技术在用电信息采集系统运维中的应用；董重重等[6]对用电信息采集系统中集中器脆弱性进行了分析；叶德衍等[7]对基于用电信息采集的智能反窃电系统进行了研究；陆燕峰等[8]提出了一种电力用户用电信息自动采集系统优化方法。

针对基于云平台的用电计量采集信息流监控进行了分析。首先分析了用电信息云平台和云技术的关系,给出了用电信息采集的定义以及分类。分析了用电信息流以及信息流转的过程。针对新兴业务对计量数据的需求进行了分析,包括电动汽车充换电业务、分布式电源接入、多表合一等。设计了信息流监控系统构架、软件结构、系统通信构架。最后通过算例说明了信息流应用场景。

1 用电信息与云平台概述

1.1 云平台与云技术

云平台是基于云计算和大数据技术的综合应用平台,通过变电站内终端智能电表、集中器以及各类信息信号采集仪表对数据进行整合上传,物联网云平台负责对这类数据进行收集整理,继续流转至生产库、流计算中心、中间库,通过对数据的进一步分析和计算,上传至大数据云平台,形成可视化可加工的数据。

大数据云平台构架包括存储计算层、逻辑层、接入层和数据应用层。存储计算层主要包括终端采集数据的集群存储和计算,能够提供海量数据的上传下载以及非实时分布式分析处理。逻辑层主要提供分布式Mela 服务,能够进行查询语句运算以及图计算离线处理。接入层主要用于计量采集信息用户中心。数据应用能够提供数据挖掘、数据分析和数据安全管理等智能应用。平台结构如图2 所示。

图1 用电信息采集流程图

图2 大数据云平台架构

各层之间环环相扣,通过云计算和大数据技术,将电力计量数据采集和分析形成数据流转,实现数据环节实时跟踪与动态查询,通过对相应软件接口以及技术服务的提供,为终端数据采集深化应用建立相应的平台。

云计算技术的整体架构如图3 所示。

图3 云计算技术体系架构

1.2 用电信息采集与分析

在典型的用电信息采集架构中,各计量点安装的电能表装置通过计量和存储处理产生大量的用电信息和计量数据,这些信息和数据通过电力载波、RS-485 数据总线以及微功率无线通讯等方式传输给采集终端如采集器、集中器、专用变压器采集终端等设备。而采集终端再经过无线公网或有线通信网络,将这些用电信息和计量数据传送至远程的服务器主站平台。服务器主站平台对采集汇聚的数据进行存储和分布式管理,再通过不同的软件接口向对应的应用程序服务器传送用电数据进行分析处理,最终在服务器主站界面的前端形成计量异常监测、用电能效分析和管理、分布式能源监控、台区体检、线损分析等业务应用单元,为智能营销业务的执行提供技术支撑。

图4 用电信息采集体系

基于云平台的计量采集设备数据信息流监控技术最主要的特点是在数据进行上传和采集过程中,能够实时通过云平台对数据采集层获得的数据进行规约解析、数据合理性校验、数据规范性检查等。通过这类检查和校验,能够保证上传至应用程序服务器的数据,具有正确性和完整性,减轻终端层对数据的分析和处理压力。最终应用程序服务器通过防火墙与主站数据库以及Web 服务器连接,将数据发送至现场分析、用电能效管理、分布式能效分析等应用程序。对于数据终端操作,可以通过相应的接口,对下级软件进行数据指令发布。随着电力系统云平台以及大数据技术的逐渐实施,在数据大规模接入、海量数据查询、应用程序响应等方面,基于云平台的计量采集设备信息流监控技术能够实现良好的可拓展性以及鲁棒性。

1.3 用电信息流

电力计量过程及其数据的采集过程中的信息流和数据流,是数据流转方式以及流转过程的直接体现。当前云计算能够在海量数据的存储、查询、分析、计算、挖掘等方面提供相应的有效、成熟的解决方案,能够满足在大规模可再生能源接入电网、配网结构逐渐复杂的条件下,实现对这类新形势所带来数据的流转查询和分析处理功能。

从上述分析可看出,由云计算衍生而来的各种技术手段,可为大数据的存储、分析、管理等提供有效解决方案,也可为解决电力用采系统中面临的大数据问题提供技术支撑。

2 新型业务对计量数据的需求

2.1 电动汽车充换电业务

电动汽车充电功率的计量主要是有功功率计量,目前所用的装置大部分为电子式电能表。早期的计量方法是通过将采样得到的电压和电流波形进行快速傅立叶变换,从而得到相应物理量的谐波分量的频率和幅值,进而通过计算得到各次谐波功率,并确定功率方向。由于快速傅立叶变换,对于动态和非稳态的谐波或者暂态信息的分析有一定的局限性,又出现了对傅立叶变换的改进算法,从而提高了计量的准确性。

对于交流充电的电动汽车,计量可以按照普通的形式进行；而对于直流充电的电动汽车,如果仍然按照交流计量收费,则会产生一定的自身损耗成本,这对于车主会增加成本支出,按照电费结算的原则,电动汽车直流充电时应采用直流计量,应当在计量过程中安装相应的表计,采用直流计费。由于目前直流计费设备应用广泛性相对于交流计费设备较差,同时又缺乏相关的政策和设备,因此电动汽车计量方面存在一定的问题。

针对交流充电和直流充电,计量的数据内容主要如下表1。

表1 电动汽车电能计量

由于电动汽车充电会伴随谐波,对于电能计量有很大影响,因此应当考虑谐波环境、大电流环境下交直流一体充电设备的电能计量方法。

2.2 分布式电源接入

分布式电源通常是指包括分布式风机、屋顶光伏、储能设备等组成的小型配网电源。分布式发电可以满足用户和电网之间的双向流动,用户同时存在购电和售电。分布式电源一般分为并网运行和微网孤岛运行。

目前,分布式发电模式一般为自发自用、余电上网和全部上网2 种,一般前者较多使用。在这种模式下,用户只需要进行简单的双向计量便可以完成结算。对于计价方式,一般分为上网电价和净电表计量方式2 种。对于前者,分布式电源直接并网在配电网上,无需经过用户电表,单独进行电表计量；后者则需要采用双向计量电表计算用户和电网双向电能的总和,也就是通常使用的自发自用、余电上网的模式。随着分布式电源在配电网的渗透率不断增加,仅依靠计量用户与电网的双向结算电表,无法直接反映规模日益扩大的用户的用电需求,应当需要进行双向的独立的电能监测,从而为分布式发电的统计和监控以及分布式电源的出力进行预测。分布式电源并网计量结构如图5 所示。

图5 分布式电源并网计量

配电网节点数很多,分布式电源的接入,使系统增加大量分布式发电机节点,寻找最优网络结构更加困难；对于含有多种类型分布发电混合物联的供电系统,依据各种类型的能源分布特征来建立模型,统筹协调利用各类型能源成为亟需解决的问题。

2.3 多表合一

多表合一采集应用是实现企业服务智慧城市建设,满足居民智能用能需求的重要举措,能有效整合数据采集信道资源,提升水、电、气公司自动化采集水平,实现实时监控,加强用户能源管理,降低人工抄表成本,能大幅提升抄表的及时率、准确率和服务水平。多表合一的采集方式以传统的用电信息采集架构为主体,扩展运用M-BUS 总线、物联网通信等技术将水表、热力表与燃气表数据进行整合采集,实现将居民及企业用户的大量综合用能数据在服务器主站系统中汇聚分析,能够对用户能源消耗使用习惯、能源使用结构等方面提供有力的信息支撑,并向用户提供综合节能服务。

3 基于云平台的信息流监控系统设计

3.1 系统构架

针对计量采集设备,在云平台背景下的数据和信息流监控,设计了相应的控制系统。首先对于数据和信息流的流转过程进行分析。在相应的监测节点布置用于存储数据块,正常运行方式下,需要有数据块提供存储节点的备用。根据存储节点所布置的位置,云存储计算系统采用分布式文件系统进行数据存储,因此在按节点分区备份的过程中,可以实现数据的高速读写以及容错机制。

经过数据的实时备份,将数据存储节点的记录发送至数据记录模块,数据记录模块可以在用户端进行响应和展示。中间的元数据服务器是用于客户端以及存储节点之间数据的直接查询。数据流转方式如图6 所示。

图6 数据流转方式

经过上述数据流转分析,设计相应的电力设备计量采集信息流转技术监控构架。该构架可以将关系数据库中的数据同步存储到云平台的数据库中,在终端提高设备对数据的分析和处理效率。该构架分为前端采集系统、原业务模型、NoSQL 数据库、关系型数据库、业务平台等,如图7 所示。

图7 系统构架架构

前置采集系统负责将经过终端传感器,以及数据采集节点的数据进行整合,并将该数据输入原系统、各类数据库,这类数据可以提供档案日志等数据,形成历史数据库。原业务模型和原系统数据库负责将前置采集系统的数据进行备份操作,实现备用业务交互。前置采集数据最主要的应用是基于云平台的业务流模型。在该模型中,可以将采集到的实时数据上传至NoSQL 数据库,可以保证电力统计分析、同步档案表、电量负荷等信息的实时更新和分析。档案日志类数据主要存放于关系型数据库中,关系型数据库与NoSQL 数据库,可以实现同步查询和交互操作。基于云平台的信息流监控模型主要根据这两大数据库的查询结果与接口中间件以及业务平台的其他服务器进行业务交互,交互过程可实现统一的接口管理。

3.2 并行计算

为提高基于云平台的计量采集信息流转速率和效率,采用分布式并行计算,如图8 所示。流转处理主要执行采集数据检查和规约解析等任务,根据这类业务逻辑,发送相应的控制指令至终端设备进行控制,关系数据库和业务系统负责流处理任务和批量处理任务。通过这两类处理任务的并行分析能够实现计算节点与管理节点的分布式并行操作,提升数据的执行能力、减轻计算资源数据量,可以实现动态调整系统的处理能力,最终实现资源管理系统的最大化利用能效。

图8 分布式并行计算

3.3 计量信息流监控系统通信

以电能为例,用电信息计量系统的通信协议如下:主站与采集终端之间遵循Q/GDW 1376.1-2013 通信协议或IEC 62056 标准体系协议(IEC-TC13)[9],终端与智能电能表之间遵循DL/T 645-2007 通信协议。系统间设备通信方式如图9 所示[10]。因此,综合能源通信体系可参考进行设计。

图9 计量信息系统中设备的通信方式

数据收集和传输的通信渠道可以是有线网络、无线网络或者其他组合。智能电表可实现能源计量表与公用事业中央管控系统之间的半双工模式通信。

4 用电信息流技术具体应用

4.1 基于用电信息流的神经网络负荷预测

根据布置在网络各节点的用电信息采集系统以及集中器下挂的电能表,得到用电信息流数据,可以统计分析历史负荷,并利用相关的技术对负荷进行预测。

BP 神经网络是一种按照误差逆传播算法训练的多层前馈网络,是应用较成熟的人工神经网络之一。3 层神经网络结构图如下。

基于云计算和大数据技术,建立BP 神经网络模型。对存在不同量纲的数据进行归一化处理。选用最大最小法对数据进行归一化处理,公式如下:

利用下式得到神经网络隐层神经元数。

式中:N1为隐含层单元数,m为输出层单元数,n为输入神经元数,a为的常数,一般为1～10。

4.2 算例分析

利用图10 所示的神经网络模型进行分析。隐含层传递函数采用tansig,输出层传递函数采用purelin,训练函数采用trainlm,设定期望误差为0.000 1,最大训练轮回为500 次,经过训练,网络达到了较好的预测精度。

图10 神经网络模型

通过BP 神经网络模型预测4 月某站负荷,预测结果误差率见表2。从表2 可见,日最大负荷、最小负荷值预测准确率均达到90%。

表2 某变电站负荷预测结果分析表

5 结论

针对基于云平台的用电计量采集信息流监控进行了分析。首先分析了用电信息云平台和云技术的关系,给出了用电信息采集的定义以及分类。分析了用电信息流以及信息流转的过程。针对新兴业务,对计量数据的需求进行了分析,包括电动汽车充换电业务、分布式电源接入、多表合一等。通过设计的系统构架进行仿真分析,对某变电站的负荷预测进行统计,可以实现数据的高速流转并且减少误差。