智能電網發展分析

何琰 鄭詠誠

內容摘要 近幾年來，我國通信網絡技術及智能電網迅速發展，電力用戶側數據也以較快的速度不斷增長。隨著電力用戶側的數據變得越來越繁多與復雜，傳統數據分析與統計方法已不能滿足智能電網發展的需求，如何實現電力用戶側大數據分析與并行負荷預測成為當前電網發展的一大難題?；诖?，文章結合實際情況，對電力用戶側大數據分析特點和困難進行了分析，并探討了電力用戶側大數據分析與并行負荷做出合理的預測。

關鍵詞 電力用戶側 大數據分析 并行負荷預測

1 引言

在計算機網絡技術與通信技術迅速發展的大背景下，我國電力用戶側大數據始終保持著較快的增漲，并且逐漸呈現多樣化特點。對此，智能電網發展下電力用戶側大數據分析與并行負荷預測如何實現準確的判斷，是當前電力事業發展的一大難題。由于傳統的數據分析方式效率太低，已經不能很好地滿足用戶的需求，因此亟須采取措施改進數據分析方法，對用戶側大數據進行準確而高效的分析。

2 電力用戶側大數據特點和困難

2.1 電力用戶側大數據的特點

2.1.1 數據量大

資料顯示，隨著物聯網時代的到來，大數據在居民生活中的應用變得越來越廣泛，此外由于傳感器的普及和各種智能家電的使用，電力用戶側大數據分析的數據量變得非常大。另外，電網智能化程度逐漸提高，數據的計算變得越來越精準化，極大地增加了數據量。例如，在一個有著5000個傳感器終端的地區，如果這些傳感器采集數據的時間間隔為5 min，那么在這個地區，每個月都會收集到4.6 TB的數據，而一年就將產生0.5 PB的數據[1]。由此可見，我國目前數據量的增長十分迅速，傳統的數據分析模式已經不能滿足如此大量的數據分析需求，需要一種新的數據分析方式處理如此龐大的數據庫。

2.1.2 數據結構類型多

近幾年來，伴隨著各種各樣的數據傳感器的普及，數據收集的方式也變得多樣化，出現了很多新的數據類型，也逐漸由傳統的一種類型轉變為目前的多種類型。在多種數據收集方式中，各種結構化數據收集、半結構化數據收集、非結構化數據收集作為傳感器的典型組成部分，可以說是目前數據收集過程中最為主要的三種方式，經過進一步的儲存分析之后，這些不同類型的數據就形成了現在多元化的數據結構。

2.1.3 數據的交互性

交互性是智能電網的一個重要特征，在和用戶的交互過程中實現智能用電的需求。如果要進行更深層次的數據分析，就必須做到和各行各業的大數據相互融合，也提高了數據的交互性。然而，這些數據的交互性使電力用戶側大數據庫變得更加龐大和復雜，給數據的分析和電力負荷預測帶來了很大的困難。

2.2 電力用戶側大數據分析的困難

2.2.1 大數據的整合

隨著物聯網時代的到來，傳感器的應用越來越廣泛，智能家電也更多地出現在人們的日常生活當中，這就使電力用戶側大數據的模式變得非常繁多復雜。但是，由于很多信息化系統在建設初期沒有得到規范統一的管理，各個廠商都是根據自己的需求進行獨立開發，導致許多終端的口徑不能做到很好地統一，給大數據的整合過程帶來了各種各樣的問題。另外，同一種數據的重復存儲和計算模型的多樣性也使大數據的整合存在障礙。因此，針對目前大數據這種迅速發展的實際情況，必須對其表達的方式進行規范化，加強對用戶側大數據的管理，從而減少大數據加工和整合過程中遇到的困難。

2.2.2 大數據的可用性

現在，進行數據采集有著多種多樣的途徑，由于系統建設之前沒有對質量提出統一的要求，每個終端輸出的數據質量也大不相同，一些數據的質量過差，大大影響了用戶側大數據的可用性。在實際操作過程中，對大數據的規范管理不到位，也使收集到的大數據質量差別很大，需要進行人工修正，極大地降低了數據分析效率;更有甚者，一些數據的真實性受到了嚴重的破壞，影響到分析結果的科學性，給我國信息工程的進一步發展帶來不利影響。

2.2.3 大數據的儲存

在電力用戶側大數據呈現指數級增長模式的今天，大數據的采集方式不斷更新，與之相比，以往的大數據儲存模式顯得過于簡單，硬件設備的承載力不足的問題越發顯著，已經不能再很好地對這些大數據進行儲存。我國現在已經擁有了大規模的用戶側大數據信息采集系統，這些設備采集到的信息量增加十分迅速，因此需要對大數據的儲存方式做出進一步的改善[2]。

2.2.4 用戶隱私和信息安全問題

電力用戶側大數據的收集和分析往往會涉及用戶的隱私，而目前相關方面還缺乏相應的管理監督，因此暴露出大數據分析過程中的信息安全問題。電力企業覆蓋范圍較為廣泛，信息安全水平相差很大，因此必須加強管理，采取新的信息技術手段保護用戶隱私，減少信息安全問題的發生。

3 電力用戶側大數據分析平臺

3.1 數據管理層

數據管理層主要負責數據收集的任務，作用是對數據進行收集和整合，可以依靠智能電表等設備獲得電力用戶側大數據。在收集到的這些數據之中，除了設備內部的信息之外，還包含著大量與設備本身有關系的信息。一般來說，這些數據都是由不同廠商的數據終端來提供的，收集和傳送方式的多種多樣使數據結構存在很大的差異，大大提高了進行數據分析的難度，即使使用應用程序編程接口，也存在著端口的自動化程度不夠高的問題。目前而言，最好的處理方式是基于云計算的新型數據處理方式。這種方式在傳統的數據處理方式的基礎上，把原來的數據遷移到云平臺中，方便對數據進行科學的管理，從而大大簡化了數據分析[3]。

3.2 私有云計算層和應用層

在電力用戶側的大數據體系里，私有云計算層主要作用是進行大數據的儲存和分析，采用開源的分布式集群系統，彌補了傳統分析方式的不足，使這種方式加快了進行信息處理的速度。應用層的作用則主要是為電力電工企業的決策制定提供相應的參考，在一定程度上可以發揮大數據的科學應用意義。

4 電力負荷預測和并行處理

電力負荷預測在電網規劃中起著十分重要的意義，它的主要作用是為變電站和電網的規劃提供意義重大的數據依據。如果在電力電工產業中能夠選擇準確高效的電力負荷預測模式，就可以大大降低企業的規劃成本，提高效益。從前進行電力負荷預測常用的方法主要有決策樹、極限學習和遺傳算法等，這幾種方法都存在著一定的問題，不能很好地滿足大數據分析的要求。目前，隨機森林算法將多種短期負荷預測方法的特點集中到一起，把決策樹作為基本的學習單元，增強了并行性和擴展性，對大數據下的電力并行負荷預測具有重要意義。而對各種數據進行并行化分析，可以大大縮短電力負荷預測所需的時間，也能提高隨機森林算法對大數據的處理能力[4]。新型數學方法的應用和互聯網技術的應用使數據處理變得更加準確和便捷，大大提高了計算速度，也增強了大數據預測的科學性。

5 結語

綜上可知，近年來，我國電力產業發展迅速，信息化社會的高速發展推動了電力用戶側大數據分析模式的不斷升級。然而，我國目前的電力用戶大數據分析和并行負荷預測的發展才剛剛起步，在實際操作過程中還存在著很多亟待解決的問題，還需要進一步地分析和發展，提高大數據分析的科學性、準確性和分析效率，支撐智能電網的安全可靠運行。

【參考文獻】

[1]王德文，孫志偉.電力用戶側大數據分析與并行負荷預測[J].中國電機工程學報，2017，35（3）：527-537.

[2]黃慶仕，陳冬灃，肖建華.電力用戶側大數據分析與并行負荷預測研究[J].自動化應用，2016（11）：113-114.

[3]邵冬冬.基于大數據分析的電力短期負荷預測研究與開發[D].北京：華北電力大學（北京），2017.

[4]黃升國，趙神州，黃英海.一種基于大數據的電力負荷預測方法與系統：201710004874.8[P].2017-03-22.