探究大數據技術調度端電網模型管理和分析架構

張建，張文軒，陳輝

（甘肅同興智能科技發展有限責任公司，甘肅蘭州，730030）

0 引言

在高新科技的支撐下，很多智能與大運轉體系處于在建狀態中，各級調度中心逐漸實現集成化，是建設標準化電網模型的重要基礎，CIM/XML、CIM/E、CIM/G是當前智能電網中主要運行的電網標準化模型。以上三種標準化電網模型在各級調度中心實現規模化應用，有時間、空間及運用多維等諸多特點。但是對于海量的電網模型數據，怎樣借助有效的數據存管形式，實現科學分析電網模型整體相關性的目的，深度挖掘數據模型持有的價值方面的研究較為罕見[1]。

1 整體架構

從本質上分析，大數據存儲的數據庫隸屬于非關系型數據庫（NOSQL），該型數據庫基于分布式存儲形式實現有效管理與存儲海量數據，借助分布式測算過程捕獲明顯超出單機的測算能力，對大規模的數據集起到強大支撐作用。于NOSQL系統內，key-value是存儲數據的主要形式，結合存儲方式的差異性，可以將 key-value細化為如下三種類型：

（1） key-value：數據庫由成對的鍵-值構成，功能以存儲簡易的數據關系為為主，常見的有Redis、Tokyo Cabinet；

（2）key-column Family，為列簇存儲法，其用于實踐中允許列簇包括多列數據，可以基于數層嵌套形式存儲冗長、復雜的信息；

（3）key-document：JSON是其主要的文本樣式，其與JSON相似度很高，利用內嵌形式存儲結構復雜的數據，Couch DB是該類形式的典范。

基于電網模型自體的結構樣態特征，本文最終決定采用key-document存儲模型，圖1是模型管理架構[2]。

圖1 模型管理架構

在大數據分析架構中，數據轉換層利用ETL工具提取源數據并將其傳送至存儲平臺上，分布式存儲平臺結合智能電網不同級別調度中心建設的相關性應用主從架構，主節點的作用以監測系統運行狀態為主，為提升容錯性通常會規劃設計數個副本，圖1內的分片代表的是子節點。為強化并行測算能力，本架構應用了圖1為模型管理架構，并將索引技術用于Map Reduce分布式處置流程中，于各分片上建設單鍵值、復合鍵值索引，而后將各節點持有的索引信息完整的存儲于主節點上[3]。

2 技術分析

2.1 結構化Key

本模型基于key-document被存儲于數據庫內，key作為NOSQL內主鍵，為確保在系統內主鍵的獨有性，及使模型于多維空間內有良好的辨識度，本文設計了15位的結構化主鍵，0～3、4～6、7～9、10～12、13～14鍵對應的含義依次是各地區分支、既往版本、應用系統、機器ID及數據、類別。

2.2 電網模型ETL

電網模型在運轉過程中，需在ETL工具的協助下，將各種數據轉型為統一格式存儲于數據內。本文如下介紹各標準化電網模型實現ETL的途徑。

（1）CIM/E模型

CIM/E標準為國標，是于CIM/XML錄入信息冗余過多的情景下，基于E語言開發出的一種在線模型交互標準，以類定義為支撐闡述文檔模型的產出格式，采用橫、縱縱表式結構存儲模型，功能于在線模型互換為主。圖2為CIM/E模型實現ETL的過程[4]。

圖2 IM/E模型實現ETL的過程

（2）CIM/XML模型

本文提及的標準是當下世界各國通用的模型交互標準，近些年其在國內多個地區試用或投用，反響較好，其利用結構化文件存儲模型，為確保能清晰闡述信息咨詢，CIM/XML對XML的多層嵌套結構進行簡化處理，僅留存了資源/屬性兩層面的扁平式結構，利用ID精準、快速調用不同元素，CIM/RDF是錄入電網元數據模型的載體。

（3）CIM/G模型

該標準是現行電網圖形交互規范，是以電力系統公共信息平臺 SVG為基礎建設于發展的。G語言持有的基本圖形要素傳承了SVG的圖形闡述特征于語法法則，剔除了SVG不能實現共享間隔、圖元模板的不足，以最直接的形式闡述電網電力設備具備的屬性，在多層級引用形式的支撐下，簡易、高效率的闡述、存儲、調取設備信息及圖形數據[5]。

2.3 分布式系統結構

當前，很多地區的智能電網于各級調度中心內建設了主—從分布式管理體制，系統架構有選擇性的借鑒當前調度系統的優勢，master-slave是系統架構的結構類型，主節點為滿足顯示需求而被安設于國調或網調內，增設數個副本主機進行備份的目標是維持于提升系統運行狀態的安穩性。

3 實驗分析

為檢測檢驗本課題設計的模型管理架構的顯示工作效果，和傳統架構做比較分析，設計了對比實驗，實驗參數見表1所示[6]。

表1 實驗參數

依照如上設定的參數開展實驗研究，選用傳統架構于本文設計的模型管理架構為實驗對象，對電網調度中心故障進行檢查診斷，全面記錄診斷結果記錄，參照結果對比兩種架構的性能。

將15min設定為調度故障診斷時間的臨界點，分別錄入15min中傳統架構與本文架構檢查診斷到的故障元件數目與15min后兩種架構可以診斷的故障元件數據。對故障元件診斷實驗結果分析后，不難發現在診斷同個電網時，本文設計出的模型管理架構診斷出的故障元件數目始終多于傳統架構，實際故障元件超出60個，而傳統架構僅能檢測診斷出40個，錯誤率達到33.33%（20/60）；而本文研究設計的架構能診斷出58個故障元件，錯誤率為3.33%（2/60），檢測能力是傳統架構的10倍有余。

4 結束語

本文建設一種基于大數據技術建成的電網模型管理于分析架構，將其用于電網調度端，實現分布式管理于分析多種標準電網模型。列舉了應用EYL工具提獲、轉存多個標準模型，利用結構化key多維辨識電網模型；利用組合索引技術提升Map Reduce的檢索效率，減少I/O的耗用量。通過和傳統架構進行比較分析，驗證了本文設計出架構在故障元件診斷方面有較高精確度的事實，為電網實現高級別、權威度調度提供更大支撐。