基于云平臺的用電計量采集信息流分析系統*

劉麗娜，周一飛，王 韜，李銳超，李方碩，鄭寶毅

(1.國網四川省電力公司計量中心,四川成都 610045；2.積成電子股份有限公司,山東 濟南 250010)

隨著電力智能化的發展,用戶用電信息采集也不斷升級,實現智能化。根據國標的定義,“電力用戶用電信息采集系統是對電力用戶的用電信息進行采集、處理和實時監控的系統,實現用電信息的自動采集、計量異常監測、電能質量監測、用電分析和管理、相關信息發布、分布式能源監控、智能用電設備的信息交互等功能”。目前針對用電信息采集的系統仍然不能滿足智能化運行的要求,在云計算和云平臺逐漸應用到電力系統的背景下,有必要研究基于云平臺的用戶用電計量采集信息流轉平臺。

目前針對用電信息采集系統的研究較多。王進等[1]針對基于蒙特卡洛法的用電信息采集系統可靠性評估進行了研究；張慧等[2]分析了用電信息采集系統主站軟件運維服務；鄭國權等[3]提出了一種基于冗余分析的用電信息采集系統數據壓縮方法；李明明等[4]提出了一種計量采集故障智能診斷模型；張秋雁等[5]提出了AR 技術在用電信息采集系統運維中的應用；董重重等[6]對用電信息采集系統中集中器脆弱性進行了分析；葉德衍等[7]對基于用電信息采集的智能反竊電系統進行了研究；陸燕峰等[8]提出了一種電力用戶用電信息自動采集系統優化方法。

針對基于云平臺的用電計量采集信息流監控進行了分析。首先分析了用電信息云平臺和云技術的關系,給出了用電信息采集的定義以及分類。分析了用電信息流以及信息流轉的過程。針對新興業務對計量數據的需求進行了分析,包括電動汽車充換電業務、分布式電源接入、多表合一等。設計了信息流監控系統構架、軟件結構、系統通信構架。最后通過算例說明了信息流應用場景。

1 用電信息與云平臺概述

1.1 云平臺與云技術

云平臺是基于云計算和大數據技術的綜合應用平臺,通過變電站內終端智能電表、集中器以及各類信息信號采集儀表對數據進行整合上傳,物聯網云平臺負責對這類數據進行收集整理,繼續流轉至生產庫、流計算中心、中間庫,通過對數據的進一步分析和計算,上傳至大數據云平臺,形成可視化可加工的數據。

大數據云平臺構架包括存儲計算層、邏輯層、接入層和數據應用層。存儲計算層主要包括終端采集數據的集群存儲和計算,能夠提供海量數據的上傳下載以及非實時分布式分析處理。邏輯層主要提供分布式Mela 服務,能夠進行查詢語句運算以及圖計算離線處理。接入層主要用于計量采集信息用戶中心。數據應用能夠提供數據挖掘、數據分析和數據安全管理等智能應用。平臺結構如圖2 所示。

圖1 用電信息采集流程圖

圖2 大數據云平臺架構

各層之間環環相扣,通過云計算和大數據技術,將電力計量數據采集和分析形成數據流轉,實現數據環節實時跟蹤與動態查詢,通過對相應軟件接口以及技術服務的提供,為終端數據采集深化應用建立相應的平臺。

云計算技術的整體架構如圖3 所示。

圖3 云計算技術體系架構

1.2 用電信息采集與分析

在典型的用電信息采集架構中,各計量點安裝的電能表裝置通過計量和存儲處理產生大量的用電信息和計量數據,這些信息和數據通過電力載波、RS-485 數據總線以及微功率無線通訊等方式傳輸給采集終端如采集器、集中器、專用變壓器采集終端等設備。而采集終端再經過無線公網或有線通信網絡,將這些用電信息和計量數據傳送至遠程的服務器主站平臺。服務器主站平臺對采集匯聚的數據進行存儲和分布式管理,再通過不同的軟件接口向對應的應用程序服務器傳送用電數據進行分析處理,最終在服務器主站界面的前端形成計量異常監測、用電能效分析和管理、分布式能源監控、臺區體檢、線損分析等業務應用單元,為智能營銷業務的執行提供技術支撐。

圖4 用電信息采集體系

基于云平臺的計量采集設備數據信息流監控技術最主要的特點是在數據進行上傳和采集過程中,能夠實時通過云平臺對數據采集層獲得的數據進行規約解析、數據合理性校驗、數據規范性檢查等。通過這類檢查和校驗,能夠保證上傳至應用程序服務器的數據,具有正確性和完整性,減輕終端層對數據的分析和處理壓力。最終應用程序服務器通過防火墻與主站數據庫以及Web 服務器連接,將數據發送至現場分析、用電能效管理、分布式能效分析等應用程序。對于數據終端操作,可以通過相應的接口,對下級軟件進行數據指令發布。隨著電力系統云平臺以及大數據技術的逐漸實施,在數據大規模接入、海量數據查詢、應用程序響應等方面,基于云平臺的計量采集設備信息流監控技術能夠實現良好的可拓展性以及魯棒性。

1.3 用電信息流

電力計量過程及其數據的采集過程中的信息流和數據流,是數據流轉方式以及流轉過程的直接體現。當前云計算能夠在海量數據的存儲、查詢、分析、計算、挖掘等方面提供相應的有效、成熟的解決方案,能夠滿足在大規模可再生能源接入電網、配網結構逐漸復雜的條件下,實現對這類新形勢所帶來數據的流轉查詢和分析處理功能。

從上述分析可看出,由云計算衍生而來的各種技術手段,可為大數據的存儲、分析、管理等提供有效解決方案,也可為解決電力用采系統中面臨的大數據問題提供技術支撐。

2 新型業務對計量數據的需求

2.1 電動汽車充換電業務

電動汽車充電功率的計量主要是有功功率計量,目前所用的裝置大部分為電子式電能表。早期的計量方法是通過將采樣得到的電壓和電流波形進行快速傅立葉變換,從而得到相應物理量的諧波分量的頻率和幅值,進而通過計算得到各次諧波功率,并確定功率方向。由于快速傅立葉變換,對于動態和非穩態的諧波或者暫態信息的分析有一定的局限性,又出現了對傅立葉變換的改進算法,從而提高了計量的準確性。

對于交流充電的電動汽車,計量可以按照普通的形式進行；而對于直流充電的電動汽車,如果仍然按照交流計量收費,則會產生一定的自身損耗成本,這對于車主會增加成本支出,按照電費結算的原則,電動汽車直流充電時應采用直流計量,應當在計量過程中安裝相應的表計,采用直流計費。由于目前直流計費設備應用廣泛性相對于交流計費設備較差,同時又缺乏相關的政策和設備,因此電動汽車計量方面存在一定的問題。

針對交流充電和直流充電,計量的數據內容主要如下表1。

表1 電動汽車電能計量

由于電動汽車充電會伴隨諧波,對于電能計量有很大影響,因此應當考慮諧波環境、大電流環境下交直流一體充電設備的電能計量方法。

2.2 分布式電源接入

分布式電源通常是指包括分布式風機、屋頂光伏、儲能設備等組成的小型配網電源。分布式發電可以滿足用戶和電網之間的雙向流動,用戶同時存在購電和售電。分布式電源一般分為并網運行和微網孤島運行。

目前,分布式發電模式一般為自發自用、余電上網和全部上網2 種,一般前者較多使用。在這種模式下,用戶只需要進行簡單的雙向計量便可以完成結算。對于計價方式,一般分為上網電價和凈電表計量方式2 種。對于前者,分布式電源直接并網在配電網上,無需經過用戶電表,單獨進行電表計量；后者則需要采用雙向計量電表計算用戶和電網雙向電能的總和,也就是通常使用的自發自用、余電上網的模式。隨著分布式電源在配電網的滲透率不斷增加,僅依靠計量用戶與電網的雙向結算電表,無法直接反映規模日益擴大的用戶的用電需求,應當需要進行雙向的獨立的電能監測,從而為分布式發電的統計和監控以及分布式電源的出力進行預測。分布式電源并網計量結構如圖5 所示。

圖5 分布式電源并網計量

配電網節點數很多,分布式電源的接入,使系統增加大量分布式發電機節點,尋找最優網絡結構更加困難；對于含有多種類型分布發電混合物聯的供電系統,依據各種類型的能源分布特征來建立模型,統籌協調利用各類型能源成為亟需解決的問題。

2.3 多表合一

多表合一采集應用是實現企業服務智慧城市建設,滿足居民智能用能需求的重要舉措,能有效整合數據采集信道資源,提升水、電、氣公司自動化采集水平,實現實時監控,加強用戶能源管理,降低人工抄表成本,能大幅提升抄表的及時率、準確率和服務水平。多表合一的采集方式以傳統的用電信息采集架構為主體,擴展運用M-BUS 總線、物聯網通信等技術將水表、熱力表與燃氣表數據進行整合采集,實現將居民及企業用戶的大量綜合用能數據在服務器主站系統中匯聚分析,能夠對用戶能源消耗使用習慣、能源使用結構等方面提供有力的信息支撐,并向用戶提供綜合節能服務。

3 基于云平臺的信息流監控系統設計

3.1 系統構架

針對計量采集設備,在云平臺背景下的數據和信息流監控,設計了相應的控制系統。首先對于數據和信息流的流轉過程進行分析。在相應的監測節點布置用于存儲數據塊,正常運行方式下,需要有數據塊提供存儲節點的備用。根據存儲節點所布置的位置,云存儲計算系統采用分布式文件系統進行數據存儲,因此在按節點分區備份的過程中,可以實現數據的高速讀寫以及容錯機制。

經過數據的實時備份,將數據存儲節點的記錄發送至數據記錄模塊,數據記錄模塊可以在用戶端進行響應和展示。中間的元數據服務器是用于客戶端以及存儲節點之間數據的直接查詢。數據流轉方式如圖6 所示。

圖6 數據流轉方式

經過上述數據流轉分析,設計相應的電力設備計量采集信息流轉技術監控構架。該構架可以將關系數據庫中的數據同步存儲到云平臺的數據庫中,在終端提高設備對數據的分析和處理效率。該構架分為前端采集系統、原業務模型、NoSQL 數據庫、關系型數據庫、業務平臺等,如圖7 所示。

圖7 系統構架架構

前置采集系統負責將經過終端傳感器,以及數據采集節點的數據進行整合,并將該數據輸入原系統、各類數據庫,這類數據可以提供檔案日志等數據,形成歷史數據庫。原業務模型和原系統數據庫負責將前置采集系統的數據進行備份操作,實現備用業務交互。前置采集數據最主要的應用是基于云平臺的業務流模型。在該模型中,可以將采集到的實時數據上傳至NoSQL 數據庫,可以保證電力統計分析、同步檔案表、電量負荷等信息的實時更新和分析。檔案日志類數據主要存放于關系型數據庫中,關系型數據庫與NoSQL 數據庫,可以實現同步查詢和交互操作。基于云平臺的信息流監控模型主要根據這兩大數據庫的查詢結果與接口中間件以及業務平臺的其他服務器進行業務交互,交互過程可實現統一的接口管理。

3.2 并行計算

為提高基于云平臺的計量采集信息流轉速率和效率,采用分布式并行計算,如圖8 所示。流轉處理主要執行采集數據檢查和規約解析等任務,根據這類業務邏輯,發送相應的控制指令至終端設備進行控制,關系數據庫和業務系統負責流處理任務和批量處理任務。通過這兩類處理任務的并行分析能夠實現計算節點與管理節點的分布式并行操作,提升數據的執行能力、減輕計算資源數據量,可以實現動態調整系統的處理能力,最終實現資源管理系統的最大化利用能效。

圖8 分布式并行計算

3.3 計量信息流監控系統通信

以電能為例,用電信息計量系統的通信協議如下:主站與采集終端之間遵循Q/GDW 1376.1-2013 通信協議或IEC 62056 標準體系協議(IEC-TC13)[9],終端與智能電能表之間遵循DL/T 645-2007 通信協議。系統間設備通信方式如圖9 所示[10]。因此,綜合能源通信體系可參考進行設計。

圖9 計量信息系統中設備的通信方式

數據收集和傳輸的通信渠道可以是有線網絡、無線網絡或者其他組合。智能電表可實現能源計量表與公用事業中央管控系統之間的半雙工模式通信。

4 用電信息流技術具體應用

4.1 基于用電信息流的神經網絡負荷預測

根據布置在網絡各節點的用電信息采集系統以及集中器下掛的電能表,得到用電信息流數據,可以統計分析歷史負荷,并利用相關的技術對負荷進行預測。

BP 神經網絡是一種按照誤差逆傳播算法訓練的多層前饋網絡,是應用較成熟的人工神經網絡之一。3 層神經網絡結構圖如下。

基于云計算和大數據技術,建立BP 神經網絡模型。對存在不同量綱的數據進行歸一化處理。選用最大最小法對數據進行歸一化處理,公式如下:

利用下式得到神經網絡隱層神經元數。

式中:N1為隱含層單元數,m為輸出層單元數,n為輸入神經元數,a為的常數,一般為1～10。

4.2 算例分析

利用圖10 所示的神經網絡模型進行分析。隱含層傳遞函數采用tansig,輸出層傳遞函數采用purelin,訓練函數采用trainlm,設定期望誤差為0.000 1,最大訓練輪回為500 次,經過訓練,網絡達到了較好的預測精度。

圖10 神經網絡模型

通過BP 神經網絡模型預測4 月某站負荷,預測結果誤差率見表2。從表2 可見,日最大負荷、最小負荷值預測準確率均達到90%。

表2 某變電站負荷預測結果分析表

5 結論

針對基于云平臺的用電計量采集信息流監控進行了分析。首先分析了用電信息云平臺和云技術的關系,給出了用電信息采集的定義以及分類。分析了用電信息流以及信息流轉的過程。針對新興業務,對計量數據的需求進行了分析,包括電動汽車充換電業務、分布式電源接入、多表合一等。通過設計的系統構架進行仿真分析,對某變電站的負荷預測進行統計,可以實現數據的高速流轉并且減少誤差。