邓明

（广东电网有限责任公司广州南沙供电局，广东 广州 511400）

中国社会经济快速发展，城市化建设的速度越来越快，各个行业对电力资源的需求不断增加。这就需要电力企业在开展现有业务的基础上不断进行创新，利用现代化的信息技术加快电力企业的发展。

1 智能电网大数据特征

配电网与现代信息技术的融合推动了配电系统的智能化、自动化和信息化水平。电力企业在工作过程中，量测体系会累积大量的数据信息，例如用户使用电量的数据、电力调度运行数据、GⅠS 数据等。除了量测体系以外，电力企业工作的其他环节也会产生大量数据信息，例如，客户服务数据、企业管理数据等。总而言之，智能电网大数据主要可以分为电力企业测量数据、运营数据和电力企业的外部数据。结合目前情况来看，电力企业测量数据可应用的场景比较多。智能配电网的数据信息来源比较广泛、数据信息量大，不同数据之间的关系比较复杂。此外，数据信息量庞大，信息内容丰富，信息处理过程比较复杂。结合目前情况来看，用电量比较多的行业众多，不同行业、不同用电设备产生的数据信息也存在很大的差异。现代信息技术与电力企业的高度融合使得信息数据的采集、整理、分析过程变得极为简单。用电过程的信息采集、分析和传输可以在极短时间内完成。智能电网应用电力大数据技术，可以让用户明确用电情况，为用户个性化用电提供重要保障。

2 智能电网应用的电力大数据关键技术分析

2.1 大数据处理技术

收集、分析、储存海量数据信息是大数据技术的基本特征，在实现海量数据储存的基础上，对相关数据进行高效处理是大数据技术优势的具体体现。结合目前情况来看，大数据处理信息方式主要分为流处理和批处理2 种。

2.1.1 流处理技术

流处理方式主要是应用流计算机技术，该项技术的最大特点是所处理的数据信息源源不断而且是实时到来的；分布式流处理主要是对动态变化数据的细粒度进行处理，该项技术具有开放性和及时性，基于以上特点，该项技术主要应用于配电网中数据量大、数据信息呈动态变化且对时效性性要求较高的配点业务中。例如，配电业务的电源与负荷联合调度、电力设备的实时监测等工作环节[1-2]。

2.1.2 批处理技术

批处理技术的特点是对某一类问题进行集中处理，与流处理技术相比，该项技术没有较高的时效性，但是在信息量庞大的业务数据中可起到显著的效果。基于以上原因，该项技术主要应用于对时效性要求不高的配电工作环节。结合实际情况来看，智能配电网的测量点多、数据信息时效性强、配电过程运行方式变化比较多、不同的数据之间具有较强的关联度。相关人员应对大数据储存系统优化、数据压缩、快速检索等技术进行深入研究，当智能配电系统出现问题时，能够及时采取相应的解决措施。值得注意的是，熟练掌握大数据压缩技术，可以在保证数据信息不丢失的前提下，减少数据量从而增加信息的存储空间，从而提升电力数据传输、存储、处理的时间和效率。智能配电网是一个持续发展的电力系统工程，如果将不同工作环节的数据信息进行集中处理，很难保证信息数据的时效性和可靠性。利用大数据分布式处理技术，可以将不同环节的数据信息有针对性地进行处理，充分利用分布式数据库，拓宽大数据技术在智能配系统中的适用场景和适用范围。

2.2 大数据解析技术

利用大数据解析技术对海量的数据信息进行分析与解读，对不同类型的数据信息展开深入研究，找出不同信息之间的内在关联，大数据解析过程与数据信息收集、分析、储存、处理环节密不可分。采用大数据解析的相关技术，可以对智能配电网中的数据信息进行系统性管理，对数据集的每个子系统进行实时监控和管理，从而分析出不同子系统之间存在的内在关联和隐藏的联系，对智能配电网系统进行优化处理，提升智能配电网系统传输数据的效率和传输速度。为了使大数据技术的分析结果和智能配电系统的实际工作情况以及工作效果相契合，需对相关的数据信息进行更深层次的解读。大数据的解读过程是将相关数据信息控进行多维度剖析，将大数据的分析结果还原为智能配电系统的具体问题的过程。结合目前情况来看，智能配电系统中主要应用了以下几种大数据解析技术[3-4]。

2.2.1 领域普适知识的挖掘

利用数据技术对相关信息数据进行深度分析挖掘，分析出大数据普适现象，根据普适现象对行业内的实际结果进行预测，然后结合实际情况对数据预测结果进行验证和分析。挖掘普适现象时首先利用大数据技术对相关系统进行抽象建模，根据数据信息对结果进行预测，将数据信息预测结果与实际结果展开对比，根据对比结果验证预测结果与实际结果的契合程度，从而发现普适现象。传统模式下挖掘出来的普适结构不具备代表性，而利用大数据技术挖掘出来的普适结果不会轻易发生改变，具有时效性，同时还具有可预测性和可重复性等。智能配电网的实际运行过程中会存在一些普适性较强的规律或经验，因为没有引起广泛重视，这些经验和规律并没有上升到理论层面，也没有得到广泛应用。可以将领域普适知识挖掘的相关技术应用到智能配电网和电网大数据中，让隐藏的普适知识以更加直观的形式展现出来，有助于配电网工作的全面展开，掌控细节方面的问题，同时也能提高运行人员对整个配电系统的掌控程度。

2.2.2 过程挖掘

过程挖掘的主要目的在于分析理论模型和事件数据之间存在的联系，并挖掘事件数据中有价值的内容。传统的智能配电系统的业务管理和工作管理主要是依靠模型来驱动，对事件数据的重视度不足。此外，传统模式下数据挖掘、机器学习等数据分析技术局限于简单的分类、聚类等学习问题，没有意识到端与端业务模型的重要性。将过程挖掘技术应用于智能配电网中可以让用户清楚了解到所在区域的高峰用电时间段，针对用户的具体用电需求制定更加合理、科学的用电方案，帮助用户实现节能。此外，还可以对用电异常的情况进行实时追踪，对出现用电异常的具体原因作出准确判断，从而提升电网企业的管理水平和业务能力，推动电网企业的健康持续发展。

2.2.3 数据可视化

实现数据可视化的原理是将数据库汇总的数据以单个单元的方式表现出来并形成数据图形，从多个角度进行分析和观察，对数据进行更深层次的分析。将数据可视化技术与智能配电网相互集合，可以提供以下几种服务：①全面展示出配电网的数据信息，以动态、高维度形式对相关数据进行价值评估，根据业务部门的实际工作情况和具体需求，提供更具价值的数据信息。②利用可视化数据可以了解用户的多元化需求，过滤掉没有实际用处的数据信息，根据不同的用户特征，放大用户感兴趣的相关信息。将用户关注度高的浮动电价、用户消费电能的特点特征等信息进行细化展示。③预估变化因素。利用可视化技术可以对智能配电系统中发生的不确定性的变化进行预估和展示。例如，对空间符合增长的态势进行预测，对网架扩展和恶劣天气情况以可视化形式具体展现出来等。总而言之，数据可视化技术的主要特点是对数据信息进行针对性分析，根据用户特征将分析结果进行具体展示，从而提升智能配电网大数据的应用价值[5-6]。

2.3 信息数据输出过程

信息数据输出是在信息收集和信息处理的基础上完成的，经过处理信息得出数据结果，要采用合理、科学的方式进行输出传递，从而保证在不同区域和不同的作业环境下提高数据信息的准确度，为电力系统的正常运行提供重要保障。历史流和空间信息流技术是当前展现数据信息的主要方式。空间信息流技术比较常见于电网参数和已有GⅠS 的融合中，可以采用历史流技术对电力生产现场进行技术监管。

2.4 ELT 技术

智能电网中信息类型复杂、信息数据量庞大，大多数以分散的形式分布在电网的各个环节中，这会给信息数据的收集、分析、整理、储存等工作造成一定的难度，因此，数据集成技术的应用显得尤为重要。通过数据集成可以有效整合不同类型的数据信息，提高数据处理、分析、整理的质量和效果，ETL 技术是电力企业在数据集成过程中常用的技术之一，也是数据仓库技术。该项技术主要由数据抽取、数据转换和数据加载等技术环节组成。顾名思义，数据抽取技术主要是将数据从源系统中进行抽取，之后送到目的数据源系统中，数据抽取是保证数据处理的基础和前提，在这个过程中技术人员要全面了解各类信息数据的特征，确保抽取工作的及时性、完整性和准确性，避免因数据遗漏、丢失给后续的数据处理和转换工作造成影响。数据转换技术是在数据抽取技术之后执行的一项技术，主要是对抽取出来的技术进行形式上的转换，与此同时要对错误数据或存在偏差数据进行加工、整合。转换技术的应用可以进一步提高大数据的精准度，对数据库信息进行及时优化以提高其完整性。数据加载是在数据转换技术的基础上执行的，将经过转换的数据进行加载，在原系统内储存数据。由上可知，数据抽取、数据转换、数据加载3 项工作内容之间存在紧密的联系，技术人员必须把控好每个环节的工作才能提高数据库整体的质量。ETL 技术是重要的数据集成技术，在智能电网中应用非常普遍，其重要性也非常明显，电力企业要结合自身的实际情况和各项业务特征，选择合理的数据基层技术，严格把控每个环节的工作质量，实现数据集成化，为电力企业长远的发展提供有力的支撑。

2.5 大数据关键技术的应用场景

2.5.1 大数据关键技术在规划中的应用

数据规划是大数据分析之前必须进行的工作，通过合理规划可以为大数据系统运行参数的挖掘、分析提供保障，为优化、调整、创新电力系统运行模式提供数据支撑。在应用智能电网大数据关键技术过程中，首先要进行数据挖掘和分类，随着科学技术和信息技术的发展，在运用大数据关键技术时，电力系统和各项电力技术的智能化程度有了明显提升，采用智能系统可以对大体量数据进行扫描，在处理大数据过程中智能系统会自动过滤，利用价值较低的数据信息，保留应用价值高的数据并进行精确分类。在数据分析模块，大数据分析系统会根据不同特征，对采集到的数据进行整体分析，智能系统会自动识别数据，对数据的利用效果进行自动拓展，减少了智能电网大数据处理的人力成本，实现了高度智能化。此外，在保证数据处理效果的同时可以缩短数据分析所用的时间，大数据分析技术实际上是传统挖掘技术在电力企业中的创新应用。众所周知，大数据具有体量大、增长速度快、数据类型多等特点，传统小数据信息处理、收集、分析、整理的模式无法满足电力企业现代化发展需求，在数据规划过程中可以结合大数据特征从数据的治理、抽样等角度入手，展开对大数据的细节化处理，再利用大数据下的聚类、分类算法研究技术来提高数据规划的合理性、实用性和针对性[7-8]。

2.5.2 大数据关键技术在检修中的应用

结合实际情况来看，传统的数据解决方法存在很大的局限性，算法复杂，解决电力系统问题时花费时间长，当电力系统出现数据故障时很难实现及时检修，给电力系统的正常稳定运行造成了很大的干扰。而基于数据处理技术的数据算法在原来的检修基础上可以有效提高数据运算效率和准确度，能缩短故障原因的诊断时间。还可以根据故障类型的不同采用针对性的算法，例如，对于大规模分布式数据，分布式计算技术的效率高，处理故障时可以利用该项技术优化集成分布式数据储存模式，提高数据处理的高效性和针对性。利用计算机数据处理技术可以计算实时数据，改变故障处理模式，通过线上处理提高数据处理的效率，降低工作难度。此外，针对实时到达，速度和规模上无法做出预判的数据故障来说，采用流处理技术可以及时处理数据故障。综上，智能电网的电力大数据关键技术有着明显的应用优势，不仅表现在数据收集、分析、整理、挖掘方面，在数据故障处理中也有着其他技术无法比拟的优势，可以进一步提高电力系统运行的稳定性。大数据关键技术除了应用在规划和检修中，在数据监控方面也有着明显的应用。电力系统运行过程中需要对系统的运行质量和各类设备的运行状态进行实时监控，对分散的数据进行整合才能保证系统整体运行的稳定性。在监控过程中需要建立数据库。基于No SQL 数据库的数据集成技术可以有效解决实时监控问题，在大数据库的支撑下，数据集成的效率可以得到明显提升。

3 结语

综上所述，电力企业在开展业务过程中会产生海量的数据信息，如何有效收集、处理、利用这些信息是行业人员面临的主要工作。结合电力工作的实际情况和具体需求，应用相应的大数据技术，可以提升电力工作的整体质量和工作效率。