智能電網海量信息數據檢測關鍵技術分析

張潔敏, 方志堅, 倪文書

(國網福建省電力有限公司 信息通信分公司， 福建 福州 350001)

0 引言

隨著電網規模的不斷擴大及電力系統的不斷升級改造，電網的信息化與智能化程度越來越高，電力數據量及種類呈現幾何級數倍增的趨勢，促使電網發展進入了大數據時代，而海量的雜亂無章的數據堆里蘊含著豐富的價值，如何高效準確的將有用信息從中收集整理出來是目前電力系統建設急需解決的問題。在對不斷增加的電網數據進行處理時，現有的技術手段勢必會超過電網所能處理、利用的范圍，使得處理和分析電力數據的難度加大，在應用處理智能電網大數據時，數據的實時存儲、高效處理、有效融合及可視化方面成為深入研究的重點，本文主要研究了智能電網海量信息數據檢測關鍵技術。

1 現狀分析

不斷發展完善的智能電網體系使電網各環節的數據不斷增加(包括發電、輸電、變電、配電、用電、調度等)，尤其是隨著云計算平臺、計算機通信及網絡等技術在智能電網中的廣泛應用，促使大數據在電網各專業領域廣泛應用，對電網數據(具有海量、多源、異構、復雜、冗余、增長速度快的特點)的管理提出了更高的要求，智能電表需對電網海量信息數據進行采集和監控。融合智能電網內外部的數據成為應用和發揮電網大數據價值的基礎，目前大數據管理的重點在于實現基于深層次檢測的電網海量多元異構數據的有效管理，而深層次檢測以采集、存儲及異常檢測為主，資源的管理、優化配置和調度成為規模不斷擴大的電網管理的核心，運行和管理海量數據則擴大了電網調度控制系統的監控范圍。電網海量數據檢測技術成為研究重點，電網信息數據包括電量、電壓、功率和功耗等，這些海量數據結構的高效可靠發展需基于對數據的計算、分析及訪問結果[1]。

2 智能電網海量信息數據框架

針對智能電網海量信息數據的相關檢測技術研究已經取得了一定的進展，例如基于數據驅動的深層次檢測技術，在完成電網在線數據采集的基礎上，完成對其分布情況及判別值的分析和計算(以所選取的固定特征數據集為依據)，然后根據判別值的權重完成數據的調節控制過程，在此基礎上實現電網數據的深層次檢測功能，但該檢測方法使得檢測效率及可靠性有待提高；基于電力擾動方法的深層次檢測技術，在對電壓、電流數據進行檢測的基礎上完成對電能質量擾動的分析及對擾動數據的測試，實現深層次檢測功能，但該方法的誤報率較高，檢測效率及準確率有待提升。為進一步完善檢測功能本文在現有研究基礎上提出了基于調控云的數據檢測方法。智能電網海量數據的實時采集與存儲離不開數據庫管理系統，云計算下的調度系統(涵蓋變電站、傳輸通道、發電廠及輔助設備)能夠對電網海量數據進行監控，負責提供運行信息、控制方式。通過將遠動設備安裝到變電站和發電廠完成電力系統信息(設備運行參數、繼電保護等)的采集和傳送，進而實現對智能電網的控制和監測，通過調度自動化完成數據分析及結果顯示，工作人員據此采取相應的調節和控制命令[2]。

根據電網海量數據的特征(如實時性、無序性和易失性等)，對海量數據的處理過程(包括采集、接入、計算和存儲)采用調控云技術完成。智能電網海量數據檢測框架,如圖1所示。

圖1 智能電網海量數據檢測框架

先通過采集系統對數據源進行監聽和匯總，數據的緩沖系統接收到匯總的數據后對其速率進行協調控制，主要環節為：(1)先完成海量數據的采集，通過使用智能電表及傳感器完成海量數據的流通和采集，通過安裝安裝智能電表能夠有效滿足海量數據的實時采集和傳輸需求，智能電表的數據監聽功能需具備較高的實時性、可靠性；(2)海量數據的接入，由于數據的采集和處理速度存在不一致的問題，為保證數據的完整，需在確保延遲性較低的情況下先緩沖處理海量數據，從而使海量數據的流通速度得到有效的控制和優化；(3)海量數據的流通計算，主要負責解決海量數據的速率問題以滿足實時性要求，電網中數據的速率會隨著數據的動態變化而變化，流通計算的數據僅可使用一次，需確保數據的調節控制具備一定的伸縮性，在時間等因素的影響種類較多的電網數據易出現順序錯亂的情況，通過分析數據流通計算的結果為負載均衡和故障恢復功能的實現提供支撐；(4)海量數據的存儲，針對智能電網中的不同業務需求(包括異常檢測、用電行為、負荷預測等)采用不同方式存儲數據處理結果，根據數據的流通和傳輸及數據分析結果實現深層次檢測功能[3]。

3 智能電網海量數據檢測技術

3.1 數據數學模型的構建

對電網數據節點基于電網數據的流通和傳輸以及電網的導納和阻抗，通過潮流計算方法的使用完成電壓同電流間關系的分析過程，然后將電流與功率間的關系以電網的有功和無功注入為依據完成分析和計算，據此實現電網海量數據非線性方程的獲取，再結合智能電網潮流坐標的計算結果完成電網數據的數學模型的構建。智能電網具備動態、非線性、高維的特點，且持續變化過度的時間短且復雜程度較高，為避免增加數學模型的復雜度，本文的數學模型采用了潮流計算方法(即電網中的電氣計算)，對智能電網的運行狀態主要以運行參數和電網結構為依據完成求解過程[5]。假設，電網數據節點的網絡包含n個，分析數據節點的電壓和電流關系，U和I分別表示電壓和電流，導納和阻抗分別有Y和Z表示，式(1)、式(2)。

I=YU

(1)

U=ZI

(2)

假設，智能電網數據節點由此表示，數據節點的導納矩陣及阻抗矩陣分別由Yij和Zij表示，將上式展開,如式(3)、式(4)(i=1，2，3，…，n)。

(3)

(4)

實際電網數據節點的注入量為節點的功率(而非數據節點的電流)，因此需分析電流與功率間的關系，假設，電網數據的有功注入由P表示，電網數據的無功注入由Q表示[4]，如式(5)—式(7)。

(5)

(6)

(7)

上述非線性方程即為潮流計算的基本方程(以數據節點的電壓為變量)，可知非線性方程主要受到數據節點功率的影響，可針對海量數據通過數值計算方法事物使用完成迭代求解。電網中各數據節點運行狀態的確定需基于數據的流通、傳輸以及4個運行變量(即電壓相角θ,U,P,Q)，先指定其中的2 個變量作為已知量，剩下兩個變量當作待求變量，在此基礎上進行潮流計算。復數電壓的變量的表達式[5],如式(8)、式(9)。

Ui=ei+fi

(8)

Yij=Gij+Bij

(9)

電網數據潮流方程的坐標表達式,如式(10)、式(11)。

(10)

(11)

在上述計算和分析的基礎上，實現最終智能電網海量數據數學模型的獲取，如式(12)。

I′=(Pi+Qi+Ui)×n

(12)

分析上述數學模型可知模型的復雜程度會隨著數據節點數的增加而增大，該模型能夠計算出電網故障的問題，在清理電網故障的同時對數據出現的異常情況進行總結，據此完成對海量數據傳輸性能的評估和診斷[6]。

3.2 電網海量數據深層次檢測的實現過程

在數學建模的基礎上完成數據的三角函數的計算(根據電網信號的角頻率和運行時間)以及對應的余弦和正弦系數的確定，并據此獲取數據中的分量系數，智能電網數據信號則以運行時間及其坐標系為依據計算獲取，最終實現基于調控云的數據深層次檢測功能。假設，電網信號的角頻率由ω表示，電網的電壓信號(對應周期T的信號)由vs(t)表示，數據運行時間由t表示，對于運行時間的正弦基函數由sin(n′ωt)表示，運行時間的余弦基函數由cos(n′ωt)表示，分解得到數據的三角函數表達式[7],如式(13)。

(13)

根據在一個周期內vs(t)的函數值即可計算獲取電網數據中由a1和b1表示的分量系數，如式(14)。

vs1(t)=a1cosωt+b1sinωt

(14)

ω=2π/T

(15)

t=τ+t0-T0

對智能電網海量數據通過計算數據的三角函數及運行時間實現深層次檢測過程，如式(16)。

T′=vs(t)+t·τ

(16)

4 實驗測試及結果分析

通過實驗對基于調控云的智能電網海量信息數據檢測方法的有效性進行測試，考慮到智能電網的性能易受到海量運行數據的影響，需進行協調控制，具體使用6臺PC機(采用Windows操作系統，CPU內存為4GB)完成了實驗環境的搭建，數據的編碼使用java程序進行設計，實驗需檢測的智能電網數據為200個，檢測次數為8次。電網海量數據的檢測效率的測試結果,如表1所示。

本文檢測方法對智能電網實驗數據(200個)的第1、2次檢測時未被檢測出的數據個數為10個，第3次檢測時未被檢測出的數據個數為9個，第 4、5、6、7次未被檢測出的數據個數分別為 8個、5個、5個和2個，第8次檢測時的200個數據均被檢測出來。文獻[3]方法第1次和第2次檢測時未被檢測出的數據個數分別為50個、48個，最后兩次檢測時未被檢測出的數據個數分別為40個、38個。文獻[4]方法結束檢測時同樣有較多未被檢測出來的數據。實驗結果表明本文電網數據檢測方法的檢測效率。對數據深層次檢測準確率的測試結果,如圖2、圖3所示。

表1 智能電網海量數據檢測結果

圖2 本文方法的深層次檢測結果

圖3 文獻[4]方法的深層次檢測結果

本文方法的數據檢測誤報率在數據量為200 bit時為20%、400 bit時為40%、600 bit～1 400 bit保持在20%～40%之間；文獻[4]方法中的的數據檢測誤報率在同樣數據量下為60%～90%，對應的檢測正確率較低。證明本文方法具有較高的準確率，能夠有效滿足對電網海量數據的深層次檢測需求[9]。

5 總結

本文對智能電網海量信息數據的檢測方法進行了研究，通過使用基于調控云的檢測技術實現了對數據的深層次檢測功能，在對數據的三角函數進行計算時結合運用電網信號的角頻率和運行時間完成，在此基礎上實現電網數據中分量系數的獲取，電網數據信號根據運行時間及其坐標系進行計算，最終實現基于調控云的數據深層次檢測過程。利用檢測次數、數據量和誤報率測試本文檢測方法的效率及準確率，對200～1 400 bit數據量的實驗檢測結果表明該方法具備較好的電網海量數據檢測功能以及較高的檢測正確率，有利于智能電網調度控制水平的提升，為觀察、分析電網的階段特性提供依據。