基于云計算的電力云數據并行化處理系統設計

劉勝強，杜家兵

（廣東電網有限責任公司佛山供電局，廣東佛山 528000）

隨著電力網絡規模的增大，電力信息處理向著云數據集成處理方向發展，需要構建優化的電力云數據并行化處理系統模型[1-3]，采用云計算和網格化的信息處理技術，對提高電力云數據的優化檢測和分析能力具有重要意義，相關的電力云數據并行化處理系統設計研究受到人們的重視。

文獻[4]提出云平臺下全維度電力設備監測數據并行化處理技術，為了彌補HDoopMap Reduce 在復雜場景處理中的不足，設計實現了兩種不同結構的并行EEMD 算法，并對其性能進行了對比實驗分析，結果表明，該文的研究工作對我國電力設備狀態數據并行處理技術研究有一定的借鑒意義。文獻[5]基于大數據云平臺的電力能源大數據采集與應用研究，提出采用分布式電力信息采集系統采集電力數據，建立大數據云平臺，采用BP 神經網絡算法和其他大數據分析方法，提高線損治理效果，實現負荷的精確預測，并對電力大數據在光伏、車輛網等新領域的應用研究進行了展望，其對今后電力能源大數據的深入應用具有重要指導意義。雖然上述方法取得一定進展，但進行電力云數據并行化處理的集成性不好，信息融合度水平不高。針對上述問題，該文提出基于云計算的電力云數據并行化處理系統設計方法。

1 系統總體結構設計和功能分析

1.1 系統總體結構設計

為了實現基于云計算的電力云數據并行化處理系統設計，結合PSTN（Public Switched Telephone Network，公眾電話交換網）組網控制協議，構建電力云數據并行化處理的網絡結構模型，采用分塊組網的云結構數據庫管理方法，分析電力云數據并行化處理過程中的信息融合模型[6]，通過底層模塊化數據庫設計的方法，建立電力云數據并行化處理過程中的嵌入式信息處理模塊。基于SIP 客戶端服務器，發送電力云數據并行處理的OPTION 請求，電力云數據并行化處理的組網結構模型如圖1 所示。

根據圖1 所示的電力云數據并行化處理的組網結構模型，采用嵌入式調度方法，進行用戶代理服務器端（User Agent Server）的總線開發設計[7]，設計的電力云數據并行化處理系統主要包括云計算信息處理模塊、數據加載模塊、總線控制模塊和人機交互模塊，構建電力云數據并行化處理的集成數據庫模型，采用云信息融合和信息流編碼技術，實現狀態代理服務器輸出轉換控制，在輸出端進行電力云數據的優化挖掘[8-9]，得到電力云數據并行化處理系統的總體結構模型如圖2 所示。

圖2 電力云數據并行化處理系統的總體結構模型

1.2 系統功能結構分析

在上述總體結構設計的基礎上，采用PLC總線控制和ARM 嵌入式融合調度方法，構建電力云數據并行化處理系統的信息處理模塊以及人機接口模塊[10]。采用無線傳感網進行電力云數據并行化處理的原始信息采集，對采集的電力云數據進行上位機通信和并行網格化調度，系統的功能結構模型如圖3 所示。

圖3 系統的功能結構模型

由圖3 可知，采用時鐘控制方法實現對電力云數據并行化處理過程中的總線控制和交叉編譯控制，在物理層中進行電力云數據的原始數據采集，采集的電力云數據主要有功率參數、穩壓參數、輸出功率增益等，通過物聯網、大數據等集成信息處理方法，實現對電力云數據的并行化處理和結構化分析[11]。

2 電力云數據并行處理算法設計

2.1 電力云數據并行挖掘

構建電力云數據并行化處理的集成數據庫模型，采用分布式云結構融合方法實現對電力云數據并行調度過程中的分塊模板檢測和輸出總線控制，通過集成檢測和輸出模糊控制方法，構建電力云數據的并行化挖掘模型，在電力云數據挖掘過程中，主要實現對電力云數據的收集、分發和編碼轉換[12]，得到電力云數據挖掘結構模型如圖4 所示。

圖4 電力云數據挖掘結構模型

在電網信息物理系統中，采用無線傳感網絡進行電力云數據挖掘的輸出穩定性分析，構建混合邏輯動態模型，得到電力云數據的初始采樣時間序列為ai，電力云數據的輸出期望響應為di，電力云數據采集的輸出頻率響應為：

式中，T為電力云數據的初始采樣頻率。根據電力云數據的穩態特征參數融合，采用了多物網絡流模型構建電力云數據融合的網絡拓撲結構模型[13]，得到電力云數據的輸出穩態增益為：

式中，f0為電力云數據的韌性參數，k為電力云數據并行化處理的調頻斜率，b為配電網的重構物理參數。根據配電網絡斷線后的韌性支撐因素，考慮失負荷量與運行成本，得到分布式云結構融合參數為f(x，y)=βF(x，y)+(1-β)k，其中F(x，y) 為電力云數據檢測的方程，在特征點(x，y)處，得到電力云數據并行化挖掘的特征采樣閾值為β，根據上述分析，構建了電力云數據并行化挖掘模型，采用并行調度算法，實現對電力云數據并行化輸出控制。

2.2 電力云數據并行調度優化

采用網絡重構方法實現對電力云數據并行調度處理過程中的網絡組網設計，在數據加載模塊中實現對電力云數據的并行加載[14]，在第j=0，1，…，m個數據采集節點中，得到電力云數據并行調度的能量系數為，Cj為傳輸時延。采用離散化調度方法，構建電力云數據并行調度的二階潮流分布檢測模型，得到電力云數據并行調度的負載均衡控制模型為：

通過負載均衡調度，建立電力云數據挖掘的調制解調模型，采用自適應的參數融合方法，得到數據調度的模糊空間聚類函數為：

式中，t為電力云數據并行處理的信號點數，根據頻率參數采集和自適應迭代方法，得到電力云數據并行調度的聯合特征量為：

式中，sgn(·)表示并行處理的規則函數，s1和s2為電力云數據并行調度的測量誤差和測度信息量。采用二元規劃模型[15-16]，建立電力云數據并行調度的空間規劃模型為：

經過l-1 次迭代，l≥1，采用指數序列分布式檢測，得到電力云數據并行化處理的隨機概率密度分布為：

式中，δ為電力云數據調度的模糊特征量。構建電力云數據調度的動態潮流模型，表示為：

式中，y為電力云數據的先驗分布特征量，h為模糊聚類參數。構建分層決策和信息融合的方法，得到電力云數據并行化調度的優化解析函數：

綜上分析，實現對電力云數據的并行化處理算法設計，實現流程如圖5 所示。

圖5 算法實現流程

3 仿真測試與結果分析

通過仿真測試驗證該文方法在實現電力云數據的并行化處理中的應用性能，設定電力云數據的傳感信息采集節點數為120，信息約束下的重構參數為0.14，在設定的節點為1～10 處實現對電力云數據的初始信息采集，采集的樣本數據描述統計分析如表1所示。

表1 電力云數據的描述統計分析

根據上述參數采樣和統計分析結果，對比該文方法和文獻[4]方法、文獻[5]方法進行電力云數據并行化處理的運行時間，結果如圖6 所示。

圖6 電力云數據并行化處理的運行時間

分析圖6 得知，隨著電力云數據采樣頻率的升高，數據量增加，3 種方法對電力云數據的分析時間都隨之增加，該文方法的運行時間較短，文獻[4]方法和文獻[5]方法運行時間高于該文方法，且文獻[5]方法在60 MHz 之后，處理時間過長已無法檢測。由此，說明該文方法進行電力云數據并行化處理的運行時間較短，能夠滿足高采樣頻率的運算需求，對一個周期云數據并行化處理的時間在300 ms 內。測試電力云數據處理內存資源的消耗，得到測試對比結果如圖7 所示。

圖7 電力云數據處理的內存資源消耗

分析圖7 得知，文獻[4]和文獻[5]方法處理電力云數據時，大量的處理任務是串行的，需要調動大量的內存資源進行計算。該文方法進行電力云數據并行化處理的硬件資源消耗較穩定，調動10 GB 以內的內存資源即可完成電力云數據的并行化處理，說明系統的穩定性較高，對資源的調度性能較好。設計的電力云數據并行處理系統的數據挖掘和資源調度能力較強，提高了電力云數據的集成處理能力。其原因是該文方法采用無線傳感網進行電力云數據并行化處理的原始信息采集，對采集的電力云數據進行上位機通信和并行網格化調度，構建系統的功能結構模型，在一定程度上有利于提高電力云數據的集成處理能力。

4 結束語

該文構建了電力云數據并行化處理的數據庫結構模型，通過空間數據綜合調度和資源優化參數融合的方法，實現了電力云數據并行化處理。分析了電力云數據并行化處理過程中的信息融合模型，通過底層模塊化數據庫設計的方法，設計了電力云數據并行化處理過程中的嵌入式信息處理模塊。采用多個媒體流相關的數據信息參數融合控制方法，構建電力云數據并行化處理系統模型，采用無線傳感網進行電力云數據并行化處理的原始信息采集，對采集的電力云數據進行上位機通信和并行網格化調度。研究得知，該文方法進行電力云數據并行處理的收斂性能和優化性能較好。能夠為電力設備狀態監測提供一定的數據支持，對保障電力設備的安全運行具有一定的參考意義。