云平臺在電力能源大數據采集中的應用

鄧 媛，謝 振，魏國旺

（1.國網江蘇省電力有限公司鎮江供電分公司，江蘇 鎮江 212002；2.北京國電通網絡技術有限公司，北京 100085）

0 引 言

隨著物聯網、移動互聯網以及云計算的聯合發展，大數據進入到全球性的高速發展時期。研究人員利用海量數據的方法，進一步對原有的大數據分析、大數據存儲、大數據采集以及大數據智能化等技術進行優化利用。多個跨國公司巨頭也加入了大數據行列，有力推動了該項技術的產業化應用。2016年，我國正式提出能源互聯網+新電改的產業政策，推動了工業互聯網和智能互聯網的融合發展，對云計算、大數據以及信息技術的發展提出了新要求。

1 云平臺在電力能源大數據采集中的應用價值

首先，基于大數據采集可以提高電力能源采集的精準度。以智能網絡為依托，以電力技術為抓手，推進云計算大數據為代表的信息技術的產業化融合與結構式發展，可以改變原有的粗放采集理念，提升電力企業發展的精準程度，不斷推進智能網絡建設，更新傳統電力企業的發展方式。應用科技創新的實際成果，指導目前的產業經營與電力發展，使電力信息的數據可以成為電網用電側信息獲取的來源，通過分析用電信息，建設更加完善的用電指導系統和電力供應系統[1]。

其次，基于云平臺發展大數據采集，可以建設聯動式服務網絡。利用云平臺的海量數據分析功能和智能信息存儲功能，可以持續性地推進用電側信息的獲取改革，并基于現有的精準電力控制進行信息系統升級。基于云平臺的采集系統可以對生產與生活情況的海量數據進行快速挖掘與價值取向性分析，有利于電力企業服務于社會民生，成為經濟發展的新增長點，使電力數據采集支持電力企業的改革，以滿足其他業務快速增長的需求，并不斷探索新的領域。

最后，基于云平臺建設大數據電力能源采集體系，可以提高電力電業的智能化水平。在智能化背景下，海量數據冗雜在一起，影響了傳統電力企業的發展效率。同時，隨著采集系統支撐業務的增多，傳統電力企業的工作效率下降，工作壓力增大，產生的數據總量和高負荷超過了現有電力企業數據分析體系的承載能力。基于云平臺建設大數據電力能源采集系統可以處理這些海量數據，并基于智能化的方式詳細分析電力系統數據在線損治理和大氣防治污染等工程中的具體應用，探索相應的發展路徑。融合智能化的發展方式取得了智能搶修、智能運維、智能服務以及智能互聯網等系統性的成果，推動了社會的發展與進步。

2 基于云平臺的電力能源大數據采集原理

2.1 用電信息采集

基于大數據云平臺的用電信息采集，主要是對傳統的集中式采集進行分布式改造。在初始化階段完成后，分析接收到采集點的信息是否已經進行了種群的初始化，根據初始化情況選擇合適的迭代次數，然后分析產生交叉和變異情況。這種智能化的分布式架構如圖1所示。電力企業在進行智能化改造的過程中，可以基于云平臺和大數據技術進行電表和集中器等現場分析，通過物聯網云平臺的計算，將交叉與變異后的數據通過迭代遺傳的方式推送到物聯網的云平臺。測算迭代的次數，經過計算核查，將所產生的數據精準推送到客戶端，并存儲到生產庫中[2]。系統管理人員可以在中間庫中調取這些大數據，并通過智能電表和集中器熱表的最終數據，將相關數據匯總到大數據云平臺中，計算采集點的完善程度，從而不斷對該系統進行智能化迭代。

圖1 用電信息采集流程圖

2.2 采集數據分析

目前，我國電力企業的大數據云平臺主要是基于Hadoop集群的大數據分析平臺，可以實現微秒級的數據分析，并基于TB/PB級數據的實時分布處理，完成整群性計算，了解用戶關系和用戶竊電，實現采集表計、接線以及基礎檔案等相關的數據管理。電力企業應用SQL運算方法、MR計算方法以及灰度分析方法對云平臺獲得到的海量數據進行實時處理，經熱傳感和熱成像，對智能電表集中器和熱表中的離線計算數據進行匯總。經過Graph圖計算等離線方式，構架完善的數據分析平臺，從而拓展現有的安全管理功能[3]。

如圖2所示，在實際應用層面，該大數據云平臺可以分為儲存結算層、邏輯層、接入層以及數據應用層等來開展系統性的Mela服務。首先，接入層負責提供HTTP服務系數，根據用戶的多維模型進行挖掘、智能識別以及標簽化，為服務的精細和數據的建設提供良好的支撐。其次，存儲計算層以集群存儲和集群計算方式為主。再次，邏輯層以提供分布式Mela服務為主，在接入層以用戶為中心開展多方式的聯合輸入。最后，在數據應用層開展多維分析、挖掘算法和智能識別。

3 云平臺在電力能源大數據采集中的具體應用路徑

云平臺可以依據省、市、縣三級采集監控體系，對存儲計算層、邏輯層、接入層以及數據層的大數據進行統一規劃和管理，實現數據和其他業務的融合與共享，最大程度地發揮大數據技術的作用。

3.1 云平臺在電力能源大數據與線損管理中的應用

基于云平臺進行精準的線損管理，可以提高電力企業的綜合分析治理能力。如表1所示，某地6個區域的線損偏高地區分析體量較大，如果采取傳統的人工復合方式，很難精準查找。基于云平臺進行大數據線損管理，可以有效了解用戶竊電戶變關系的數據，把握不對等關系，從而及時發現用戶的竊電情況。

圖2 大數據云平臺架構

表1 某地區1～6號臺區高損工單統計分析表

從數據分析結果和后續分析匯總可以看出，用戶竊電最主要的行為是開蓋事件和電壓異常情況。通過云平臺進行電流異常分析，可以發現25%～30%的開蓋事件。通過電力信息的匯總，可有效查詢出現這種違法行為的用戶地址和IP地址，精準分析發生時間和發生頻次，從而為走司法程序提供證據，查處非法竊電的用戶。這樣精準的工作方式有利于減少現場排查的時間，縮短排查程序，提高排查的精準程度。從該地區2017-2019年的數據可以看出，基于這種云平臺追補電量的數額已經超過70 kW/h，1 400多個地區的線損治理工作效率大幅提升，有效竊電案件發現次數超過502件。但是，2018年共發現開蓋事件136次，電壓異常事件116項，電流異常時間75項，相序異常事件40項，三相不平衡事件40項，電能表示值異常20項，其他異常事件75項[4]。

3.2 云平臺在電力能源負荷預測中的應用

負荷預測不僅可以幫助電力企業精準判定變壓器的運行情況，還可以為后期運維提供有效的數據支撐，提高電力系統的預判能力，確保整個供電、配電以及用電網絡的安全，合理度過用電高峰期，特別是冬季取暖期間，為居民提供有效的電力負荷保障[5]。

第一，通過大數據和云平臺的聯動，可以對電力能源進行日負荷分析。基于一個地區的空氣質量、空氣污染情況、氣溫降、濕度、常住人口以及常用的生產生活用電量，進行不同公變臺區的負荷分析。這種方法的精準值超過90%，可以有效預測該區域的負荷變化，通過回歸分析和BP神經網絡等方式確定預測值與實際值之間的關聯變量。例如，一個地區的AQI系數為1.000，PM 2.5系數為0.977 6，氣溫為0.115，降雨量為-0.314，那么經過關聯因素回歸分析確定的負荷指數為0.005。這種帶有梯度下降分析方法的綜合預測，可以考慮不同地區的負荷變化情況，基于收斂度快慢的問題，采取仿真訓練分析方法，從而快速進行收斂預測。除此之外，技術人員可以在該平臺中結合灰色預測分析方法，對整個系統包含的不確定性因素進行智能化分析。

第二，大數據云平臺可以基于大量的歷史和現實的隨機演變確定一種平靜的反應，從而推測一個地區的動態變化結果，反映出該地區電量負荷的未來變化情況，并按照優勢比重和影響權重的分析方法，最終通過測算得出下降神經網絡的預測結果。還可以將這個結果套用在灰色模型分析中，從而精準分析整個地區一個階段的變臺區負荷情況。以春節前后為例，2020年2月15日的最大負荷預測值為1 342.74 kW，實際值為1 172.93 kW，最小負荷預測值為706.9 kW，實際值為580.68 kW。可見，預測的準確率已經超過95%，可以為電力企業的負荷分析和電能的合理安排提供科學依據。

第三，大數據云平臺系統可以對電力企業電能負荷的臺區超過載預測進行合理分析。以工單模塊作為基礎項操作平臺發送過載和超載的明細，方便電力企業及時應對這些問題。以該地區2019年12月份的預測數據來看，準確預測臺區的比例已經超過80%。該企業可以及時通過用戶臺區進行系統性調整，修正電力傳導方案，避免一些地區發生超載現象。經過大數據云平臺的系統性調整，該地區2019年12月到2020年4月，用戶調整數量為198個，檔案修正數量為234個，三相不平衡調整數量為66個，取得了良好效果，減輕了負荷預測的壓力，提高了精準度，縮小了整改臺區的范圍，降低了人工成本，提高了監督管理的水平。

4 結 論

基于大數據云平臺的電力能源采集系統已經初步實現智能化升級，但在未來還需要在具體領域不斷提升智能化水平。分析可知，研究采集電力大數據的云平臺與智能化操作方法，有利于從實際應用角度看待目前的負荷預測、線損管理、大氣污染防治以及大數據云平臺的建設，從而為問題的解決提供更多的方法。