刘胜强，杜家兵

（广东电网有限责任公司佛山供电局，广东佛山 528000）

随着电力网络规模的增大，电力信息处理向着云数据集成处理方向发展，需要构建优化的电力云数据并行化处理系统模型[1-3]，采用云计算和网格化的信息处理技术，对提高电力云数据的优化检测和分析能力具有重要意义，相关的电力云数据并行化处理系统设计研究受到人们的重视。

文献[4]提出云平台下全维度电力设备监测数据并行化处理技术，为了弥补HDoopMap Reduce 在复杂场景处理中的不足，设计实现了两种不同结构的并行EEMD 算法，并对其性能进行了对比实验分析，结果表明，该文的研究工作对我国电力设备状态数据并行处理技术研究有一定的借鉴意义。文献[5]基于大数据云平台的电力能源大数据采集与应用研究，提出采用分布式电力信息采集系统采集电力数据，建立大数据云平台，采用BP 神经网络算法和其他大数据分析方法，提高线损治理效果，实现负荷的精确预测，并对电力大数据在光伏、车辆网等新领域的应用研究进行了展望，其对今后电力能源大数据的深入应用具有重要指导意义。虽然上述方法取得一定进展，但进行电力云数据并行化处理的集成性不好，信息融合度水平不高。针对上述问题，该文提出基于云计算的电力云数据并行化处理系统设计方法。

1 系统总体结构设计和功能分析

1.1 系统总体结构设计

为了实现基于云计算的电力云数据并行化处理系统设计，结合PSTN（Public Switched Telephone Network，公众电话交换网）组网控制协议，构建电力云数据并行化处理的网络结构模型，采用分块组网的云结构数据库管理方法，分析电力云数据并行化处理过程中的信息融合模型[6]，通过底层模块化数据库设计的方法，建立电力云数据并行化处理过程中的嵌入式信息处理模块。基于SIP 客户端服务器，发送电力云数据并行处理的OPTION 请求，电力云数据并行化处理的组网结构模型如图1 所示。

根据图1 所示的电力云数据并行化处理的组网结构模型，采用嵌入式调度方法，进行用户代理服务器端（User Agent Server）的总线开发设计[7]，设计的电力云数据并行化处理系统主要包括云计算信息处理模块、数据加载模块、总线控制模块和人机交互模块，构建电力云数据并行化处理的集成数据库模型，采用云信息融合和信息流编码技术，实现状态代理服务器输出转换控制，在输出端进行电力云数据的优化挖掘[8-9]，得到电力云数据并行化处理系统的总体结构模型如图2 所示。

图2 电力云数据并行化处理系统的总体结构模型

1.2 系统功能结构分析

在上述总体结构设计的基础上，采用PLC总线控制和ARM 嵌入式融合调度方法，构建电力云数据并行化处理系统的信息处理模块以及人机接口模块[10]。采用无线传感网进行电力云数据并行化处理的原始信息采集，对采集的电力云数据进行上位机通信和并行网格化调度，系统的功能结构模型如图3 所示。

图3 系统的功能结构模型

由图3 可知，采用时钟控制方法实现对电力云数据并行化处理过程中的总线控制和交叉编译控制，在物理层中进行电力云数据的原始数据采集，采集的电力云数据主要有功率参数、稳压参数、输出功率增益等，通过物联网、大数据等集成信息处理方法，实现对电力云数据的并行化处理和结构化分析[11]。

2 电力云数据并行处理算法设计

2.1 电力云数据并行挖掘

构建电力云数据并行化处理的集成数据库模型，采用分布式云结构融合方法实现对电力云数据并行调度过程中的分块模板检测和输出总线控制，通过集成检测和输出模糊控制方法，构建电力云数据的并行化挖掘模型，在电力云数据挖掘过程中，主要实现对电力云数据的收集、分发和编码转换[12]，得到电力云数据挖掘结构模型如图4 所示。

图4 电力云数据挖掘结构模型

在电网信息物理系统中，采用无线传感网络进行电力云数据挖掘的输出稳定性分析，构建混合逻辑动态模型，得到电力云数据的初始采样时间序列为ai，电力云数据的输出期望响应为di，电力云数据采集的输出频率响应为：

式中，T为电力云数据的初始采样频率。根据电力云数据的稳态特征参数融合，采用了多物网络流模型构建电力云数据融合的网络拓扑结构模型[13]，得到电力云数据的输出稳态增益为：

式中，f0为电力云数据的韧性参数，k为电力云数据并行化处理的调频斜率，b为配电网的重构物理参数。根据配电网络断线后的韧性支撑因素，考虑失负荷量与运行成本，得到分布式云结构融合参数为f(x，y)=βF(x，y)+(1-β)k，其中F(x，y) 为电力云数据检测的方程，在特征点(x，y)处，得到电力云数据并行化挖掘的特征采样阈值为β，根据上述分析，构建了电力云数据并行化挖掘模型，采用并行调度算法，实现对电力云数据并行化输出控制。

2.2 电力云数据并行调度优化

采用网络重构方法实现对电力云数据并行调度处理过程中的网络组网设计，在数据加载模块中实现对电力云数据的并行加载[14]，在第j=0，1，…，m个数据采集节点中，得到电力云数据并行调度的能量系数为，Cj为传输时延。采用离散化调度方法，构建电力云数据并行调度的二阶潮流分布检测模型，得到电力云数据并行调度的负载均衡控制模型为：

通过负载均衡调度，建立电力云数据挖掘的调制解调模型，采用自适应的参数融合方法，得到数据调度的模糊空间聚类函数为：

式中，t为电力云数据并行处理的信号点数，根据频率参数采集和自适应迭代方法，得到电力云数据并行调度的联合特征量为：

式中，sgn(·)表示并行处理的规则函数，s1和s2为电力云数据并行调度的测量误差和测度信息量。采用二元规划模型[15-16]，建立电力云数据并行调度的空间规划模型为：

经过l-1 次迭代，l≥1，采用指数序列分布式检测，得到电力云数据并行化处理的随机概率密度分布为：

式中，δ为电力云数据调度的模糊特征量。构建电力云数据调度的动态潮流模型，表示为：

式中，y为电力云数据的先验分布特征量，h为模糊聚类参数。构建分层决策和信息融合的方法，得到电力云数据并行化调度的优化解析函数：

综上分析，实现对电力云数据的并行化处理算法设计，实现流程如图5 所示。

图5 算法实现流程

3 仿真测试与结果分析

通过仿真测试验证该文方法在实现电力云数据的并行化处理中的应用性能，设定电力云数据的传感信息采集节点数为120，信息约束下的重构参数为0.14，在设定的节点为1～10 处实现对电力云数据的初始信息采集，采集的样本数据描述统计分析如表1所示。

表1 电力云数据的描述统计分析

根据上述参数采样和统计分析结果，对比该文方法和文献[4]方法、文献[5]方法进行电力云数据并行化处理的运行时间，结果如图6 所示。

图6 电力云数据并行化处理的运行时间

分析图6 得知，随着电力云数据采样频率的升高，数据量增加，3 种方法对电力云数据的分析时间都随之增加，该文方法的运行时间较短，文献[4]方法和文献[5]方法运行时间高于该文方法，且文献[5]方法在60 MHz 之后，处理时间过长已无法检测。由此，说明该文方法进行电力云数据并行化处理的运行时间较短，能够满足高采样频率的运算需求，对一个周期云数据并行化处理的时间在300 ms 内。测试电力云数据处理内存资源的消耗，得到测试对比结果如图7 所示。

图7 电力云数据处理的内存资源消耗

分析图7 得知，文献[4]和文献[5]方法处理电力云数据时，大量的处理任务是串行的，需要调动大量的内存资源进行计算。该文方法进行电力云数据并行化处理的硬件资源消耗较稳定，调动10 GB 以内的内存资源即可完成电力云数据的并行化处理，说明系统的稳定性较高，对资源的调度性能较好。设计的电力云数据并行处理系统的数据挖掘和资源调度能力较强，提高了电力云数据的集成处理能力。其原因是该文方法采用无线传感网进行电力云数据并行化处理的原始信息采集，对采集的电力云数据进行上位机通信和并行网格化调度，构建系统的功能结构模型，在一定程度上有利于提高电力云数据的集成处理能力。

4 结束语

该文构建了电力云数据并行化处理的数据库结构模型，通过空间数据综合调度和资源优化参数融合的方法，实现了电力云数据并行化处理。分析了电力云数据并行化处理过程中的信息融合模型，通过底层模块化数据库设计的方法，设计了电力云数据并行化处理过程中的嵌入式信息处理模块。采用多个媒体流相关的数据信息参数融合控制方法，构建电力云数据并行化处理系统模型，采用无线传感网进行电力云数据并行化处理的原始信息采集，对采集的电力云数据进行上位机通信和并行网格化调度。研究得知，该文方法进行电力云数据并行处理的收敛性能和优化性能较好。能够为电力设备状态监测提供一定的数据支持，对保障电力设备的安全运行具有一定的参考意义。