卢 珊 郭雷岗

（郑州电力高等专科学校，河南 郑州 450000）

0 引言

近年来，我国电力产业蓬勃发展，智能电网、电力大数据等全新概念被相继提出。通过大数据技术来构建大数据平台，打造完全自动化、高效控制全部电网节点、信息数据在各个节点间双向流通的电力传输网络体系，彻底改变原有的电网建设模式。在此背景下，如何高效应用电力大数据技术是打造智能电网的关键，对提升用电服务质量、电网运行效率、管理水平有着深远的影响。

1 面向智能电网的电力大数据关键技术

1.1 数据仓库技术

数据仓库技术（Extract Transform Load，ETL）用来描述数据从数据端经过抽取、转换、加载等一系列处理到目的端的过程。此项技术多用于数据仓库领域，也可用于智能电网、决策支持等其他领域。在智能电网运行期间，ETL 技术用于完成集成、抽取、转换、剔除与修正的数据处理任务，将所采集到的庞大数据流转换为可供决策分析、状态判断的有效信息，使管理人员将精力投入到相对复杂的工作中。而在转换修正过程中，该技术可将多源异构数据转换为特定格式，并对转换时形成的错误或无效数据进行修正处理［1］。

1.2 集成管理技术

集成管理技术是将多个面向智能电网的应用系统数据资源进行集成处理，重构为一个具备完善使用功能、兼容多种数据格式的数据集合，以总数据库的形式呈现出来，以此来实现“信息互通、资源共享”的目的，并为电网调度、电网稳定性分析等工作的开展提供足够的数据样本。NoSQL 非关系型数据库会将所采集到的数据信息进行分类存储，但各类数据间并无关系，使数据库有着巨大的扩展空间，并在存储大量数据的情况下有着良好的读写性能。相比之下，早期电网管理系统实行竖井数据的管理模式，各应用系统之间互不关联，所产生和收集的数据仅限本系统使用，从而形成“信息孤岛”。因实际可用信息的匮乏，导致系统决策分析能力无法得到真正的提高，并使电网管理流程复杂化和烦琐化。

1.3 数据分析技术

在智能电网运行期间，数据分析技术负责将所采集到信号转换为可识别的数据量，再通过BP 神经网络、模糊逻辑推理等智能算法，从数据量中寻找潜在的模态和规律，并对数据集中的各项数据的关联性、支持度和可信度进行分析，关系分析结果反映出电网实时运行状况和预测未来变化情况。考虑到智能电网有着数据总量增长速度快、采集的数据为多源异构数据的特征，为改善分析效果，在选择应用数据分析技术时，需要使用全新的大数据挖掘算法来取代原有算法，如采用并行算法对结构化、半结构化等多源异构数据进行并行处理。

1.4 数据处理技术

数据处理技术是将各类提交至数据库中的数据进行分类存储，并完成实时计算任务，主要有分布计算、内存计算、流处理三类。分布计算是由多台计算机共同组成的网格计算体系，将复杂的计算任务分配给多个网格进行分布式处理，再将处理结果进行合并。如Google 公司构建的MapReduce 模型，可将计算任务进行分解，并提交至若干Map 任务区进行独立处理，通过Reduce 任务来汇总处理结果，主要用于完成对海量的分散数据源进行采集。内存计算是把所采集到的数据放于内层并加以计算操作，取代传统的磁盘读写操作，极大地缩短了计算时间，计算速度得到显著提升，以此来满足智能电网数据处理时效性的要求。流处理采取的是细粒度处理模式，立刻处理动态数据并提供分析结果，随着时间推移，形成稳定持续的数据流，避免因数据延误处理而导致数据价值降低［2］。

2 电力大数据技术在智能电网中的应用

2.1 配电网运维

在配电网运维场景中，电力大数据技术多用于预测任务调度、指标管控、问题诊断。在预测任务调度方面，大数据平台对历史数据、当前批次数据进行运算分析，追踪采集到的电力、电量等参数，在此基础上绘制时间趋势走向图，根据实际走向来预测未来一段时间内配电网的调度情况，并评估设备运行状态等因素对调度情况产生的影响，将预测结果作为制定调度方案的主要依据。在指标管控方面，管理人员提前在系统中设立配网规模、检修、运行、抢修等指标的额定值，由大数据平台跟踪采集各项指标的实时值，对比实时值与额定值，在临近或超出额定值时，系统及时将问题反馈给管理人员，其可根据实际情况来启动相应的应急处置预案。在问题诊断方面，当配电网处于异常状态或设备出现故障时，由系统分析故障前后的数据走向和历史数据，准确判断出问题类型，深入分析故障形成的原因，并锁定故障点，为后续设备检修、现场抢修工作的开展提供参照。

2.2 电网调度

随着信息化时代的到来，以及智能电网建设不断加快，联网规模与电网复杂程度均有所提升，原有的人工调度模式缺乏适用性，存在着反应不及时、调度工作负担繁重、错误决策频发等问题。针对这些问题，可将电力大数据技术应用于电网调度场景中，代替工作人员来完成大多数基础性工作，并辅助工作人员完成剩余的复杂性工作。电力企业可在系统中设置调度员培训、故障处置、运行信息查询等方面的智能助手，负责向调度员解答相关问题，并提供决策建议。而运行信息查询助手负责向调度员提供有关的调度日志、实时电力电量、气象资料等方面的信息数据，以及提供数据统计、数据走向预测等服务。

2.3 电网稳定性分析

在电网稳定性分析场景中，电力大数据技术负责构建稳定性评估模型，持续向模型输入采集到的电网实时运行数据，根据模型输出值来评估电网当前运行状态是否稳定，并判断各项变量因素对稳定性造成的实质影响，系统可提供相应的建议来强化电网稳定性。例如，当大数据平台计算出的电网稳定系数低于警戒值时，会在系统界面上反馈问题，并以数据、图表、3D 模型等形式来描述问题，帮助管理人员解决问题。此外，大数据技术还具备跟踪监测的能力，在电网出现突发状况时，系统跟踪监督相应解决措施的执行效果，并根据执行情况来实时评估电网状态稳定与否，如果问题未得到妥善解决，则引导管理人员对处理方案进行优化调整［3］。

2.4 新能源并网控制

为实现可持续发展目标，缓解能源供需矛盾，近年来提出建设新能源电网战略，由光伏发电、风力发电等逐步取代传统的火力发电。然而，从新能源电网的实际运行情况来看，风力发电、光伏发电系统的稳定性较差，经常出现电压频率波动幅度大、形成的瞬时电流过大等问题，存在安全隐患。对此，需要在新能源并网控制场景中应用大数据技术，由大数据平台持续采集相关数据，预测微电源在未来一段时间内的变化情况，以及电压、频率、电流等参数的变化幅度，在预测结果基础上制定相应的并网控制方案，采取最大功率跟踪控制、对等控制、主从控制等措施［4］。例如，丹麦维斯塔斯风力技术集团采取电力大数据技术来获取PB 量级气象报告、卫星图像、潮汐相位等信息，并借助超级计算机来持续分析，在此基础上构建高精度数值天气模型，该模型可直观地呈现出各处风力发电系统所处区域的风力资源分布情况，并预测各区域风力资源的月度、季度、年度变化情况。

2.5 电网灾难预警

在智能电网运行期间，受到人为操作、外部环境侵蚀、设备线路自身老化、形成过大瞬时电流、雷电流冲击等因素的影响，有可能会出现电气火灾、大规模停电、设备连锁故障等事故，存在严重的安全隐患，电网运行的稳定性和用电服务质量有所下降。与此同时，在传统电网管理模式中，受技术的限制，主要秉持“被动管理”的观念，往往是在灾害事件发生后，再分析灾害的成因，并着手解决问题，但会造成一定程度的经济损失。为了预防和减少灾害事件的发生，可将电力大数据技术应用到电网灾害预警场景中，由大数据平台跟踪监测各项参数，对比监测值与额定值，在发现异常情况时要及时进行反馈，并采取切断异常部分与正常部分的连接、异常设备停机等措施，从而消除安全隐患。同时，在少量元件相继出现故障时，系统要对电网整体状态进行评估，分析异常状况可能造成的后续影响，从而判断大规模停电、电气火灾等事故发生的概率，根据灾难预测规模、预测出现率来采取相应的解决措施。

此外，为强化智能电网的灾难预警能力，需要构建灾害预警子系统，该系统架构由数据层、算法模型层、判据层和业务层组成。其中，数据层负责采集电网的运行数据、拓扑数据及地理信息，对数据进行集成处理后并及时上传。算法模型层通过构建评价指标计算模型、薄弱环节判据模型等模型，从数据中寻找规律。判据层负责将模型输出结果提交至评价指标库、薄弱点判据指标库和原因分析树中，准确识别出薄弱部位，并分析原因，获取预警结果。业务层负责对系统界面上功能栏的设置，用户访问功能栏后下达薄弱部位分析控制指令，以及在界面上显示分析结果，自动向用户发送灾难预警信号［5］。

2.6 设备状态评估

在设备状态评估场景中，大数据平台对风电机组、变压器、配电变压器等终端设备的实时运行数据进行持续采集，对比监测数据、历史数据，根据参数的走向来预测设备在未来一段时间内的运行状态，为电网调度等工作的开展提供信息支持，真正意义上做到“预先管理”，并根据预估的设备状态来制定相应的管理计划。此外，还可对比监测数据和同类型故障数据，当二者的相似度达到一定程度时，表明可能出现设备故障，需要采用状态调节、参数调节等手段来确认故障。随后将所发现的故障问题及时反馈给工作人员，组织检修人员前往现场进行维修，远程下达设备停机运行、切断故障与非故障部分连接的控制指令，避免设备受损严重，或在发现故障前期征兆时便着手处理，避免故障问题的出现。

3 电力大数据技术在智能电网中的应用策略

3.1 云计算

在智能电网运行期间，由于电网规模庞大，会持续产生海量的数据信息，如果仅依靠所配备的计算机等硬件设施来完成全部的数据采集、运算分析等任务，容易出现系统卡顿、崩溃等问题，从而影响电网管理工作的正常开展，还会出现设备使用寿命缩短、故障频发等问题。与此同时，为满足电网运行及管理需求，需要配置大量的高性能设施、设备，导致智能电网的前期建设成本和总体使用成本增加。对此，可将云计算技术应用于智能电网系统中，对电网稳定性分析、电网调度等较为复杂的计算任务可提交至云计算平台中，采用分布式计算方法进行处理，将海量的数据分解为若干小程序，将各个小程序分配到相应的服务器进行独立计算，再将小程序的计算结果进行合并处理，从而在短时间内完成数以万计、数以十万计数据的运算处理，并提供准确的计算结果。在满足智能电网运行管理需求的同时，电力企业无须自主配置大量高性能设施，仅向云服务商支付一定费用即可。

3.2 云存储

随着智能电网规模的扩大，数据库中存储的数据量也在不断增加，对数据库的存储容量也提出较高的要求，且无法通过删除数据的方式来获取存储容量，这会对电网管理水平、运行效果造成负面影响。例如，在设备状态评估、电网灾害预警场景中，系统通过对比实时数据与历史数据来判断设备是否出现故障、电网运行状态是否稳定，如果缺少足够的历史数据，将会直接影响评估精度和预警能力。与此同时，如果无限制地扩大本地数据库的存储容量，将会导致成本过高，并引发系统卡顿等问题。对此，可向云服务商支付一定的费用来租赁云端存储空间，将智能电网运行期间产生的数据信息上传至云服务器中进行存储，实时访问云端平台来查阅和下载数据信息，在满足电网管理工作正常开展的同时，不会抢占本地数据库的剩余存储空间。

此外，应用云存储技术时应重点关注数据存储安全和数据冲突两个问题。对于数据存储安全，有时会出现上传数据外泄、信息越权访问等问题，因而需要在云端平台上设置访问权限，对管理人员分配相应权限等级的账户，在访问云端平台时必须登录账户来认证身份，在权限范围内开展信息的查阅、下载、传输等操作。对数据冲突问题，考虑到电网运行期间会持续产生多源异构数据，如果异构数据导入同一数据库中进行存储，容易导致数据发生冲突，因而需要在云存储空间上构建多类型数据库，对数据信息进行分类存储，如结构化数据库、半结构化数据库等［6］。

3.3 可视化分析

在智能电网运行期间，将持续产生庞大的数据流，包括配电网运维、设备状态监测、新能源并网控制效果、电网状态监测等方面的数据，数据内容较为复杂。与此同时，在传统电网管理模式中，以文件图表的形式来展示电网的实时运行状态和数据处理结果，对管理人员的理解能力、专业素养有着十分高的要求，其难以在短时间内从文件图表中提取到有效信息，间接降低智能电网的管理效率。对此，需要在电力大数据体系中引入可视化技术，如空间信息流展示、3D 全景模型、电子地图、历史流展示等技术，以更为直观清晰的方式来展示电网的运行状态。例如，在故障报警与灾难预警场景中应用电子地图技术，以特殊颜色符号在地图上标记故障设备的位置和灾难波及的范围，取代传统的故障码和设备编号的方式。而在溯源分析场景中，则应用历史流展示技术，以曲线趋势变化图来呈现故障出现前后各项参数的变化走向，帮助管理人员清晰了解整个故障事件的发生演变过程，从中挖掘各类故障的客观发生规律，提取故障前期征兆特征量。

4 结语

综上所述，大数据技术为我国电力事业提供了全新的发展契机，同时也为智能电网的建设和运维指明了方向。电力企业必须正确认识到大数据技术的应用价值，构建由数据仓库、集成管理等多项核心技术组成的电力大数据技术体系，在配电网运维、设备状态评估等场景中做到对大数据技术的落地应用，并推动电力大数据朝向云计算、云存储、可视化分析的方向发展。