论文部分内容阅读
[摘 要]随着智能电网建设水平的不断提高,使得电力用户侧数据规模不断扩大,同时数据的复杂程度也有所增加,逐渐形成了电力用户侧大数据结构。而传统的数据分析和处理方法显然已经无法适用于当下用户侧大数据处理,对其进行创新和优化十分关键。鉴于此,文章重点就电力用户侧大数据分析与并行负荷预测进行研究分析,旨在为业内人士提供一些建议和帮助。
[关键词]智能电网;电力用户侧;大数据;并行负荷
中图分类号:TM715 文献标识码:A 文章编号:1009-914X(2018)43-0134-01
引言
近年来,智能化技术不断应用到人们生活的各个领域,其中对于电力企业而言,智能电网的出现,有效实现了用户的智能化用电,极大地提高了人们生活质量,同时智能化用户也在智能电网需求响应中起到关键性作用。而智能电网的出现,也使得传统的用户侧数据朝着海量复杂的方向发展,为了确保电力用户侧数据采集和传输的高效进行,必须要建立用户侧大数据分析系统,以实现对用户侧大数据的有效管理,从而促进我国电网事业的快速发展。
1电力用户侧大数据分析
1.1电力用户侧大数据特点分析
1.1.1数据信息过于庞大
在智能电网建设过程中,电网内部信息数据更新较快,使得电力用户侧数据也变得异常庞大,这就给数据采集、分析和处理造成了巨大压力。据相关调查显示,美国太平洋天然氣电力基团,每个月需要从900万个智能电表中收集3TB的数据信息,如此海量的信息资源,给用户侧数据分析和处理带来了很大难度。对于一个区域5000个传感器终端而言,每个传感器的数据信息采集间隔如果是五分钟,那么一个月的数据收集会达到4TB。
1.1.2数据结构种类复杂
对于智能电网用户侧数据的收集而言,其涉及内容较广,通常包括以下几方面内容,即结构化数据收集、半结构化数据收集以及非结构化数据收集等,这些数据由于种类繁多,加之涉及内容复杂,所以导致数据采集和分析处理变得十分艰难,特别是随着数据传感器的不断推广和应用,使得用户侧数据采集不再是传统的单一类型,而且转变为复杂的形式,这就给用户侧数据管理提出了新的要求。
1.1.3数据存在交互性
用户侧数的交互性是智能电网建设的主要特性,随着信息技术的不断发展,当下电力用户侧数据管理主要是以云计算平台作为支撑,通过云计算平台的构建,实现对用户侧大数据的有效管理,例如Hadoop技术,该技术是目前用户侧大数据管理的主流技术,由于其具有很强的拓展功能,加之应用可靠性高,所以被广泛应用到电力用户侧大数据分析和管理中。
1.2电力用户侧大数据管理现状
1.2.1大数据整合现状
随着信息技术的不断发展,各类传感器和智能电表被广泛应用和推广,使得终端口径变得复杂多样,如此就造成了大数据模式的多样化,一方面影响了用户侧数据的分析和管理,另一方面也给大数据整合造成困扰。如何建立一个可靠性高的用户侧大数据分析系统,这是实现大数据有效整合的关键,同时也是当下电力企业发展需要思考的重要问题。
1.2.2大数据可靠性现状
现阶段,对于电力用户侧大数据而言,由于采集方式的多样化,使得终端输出数据的质量存在严重的偏差,加之用户侧大数据管理水平较低,导致这些采集到的数据不具有较高的可靠性,从而无法进行后续的使用和分析。因此,为了提高用户侧大数据的可靠性,需要完善用户侧大数据的管理模式,通过建立相应的数据分析系统,强化数据采集的效率和质量,最终确保大数据输出的高效性。
1.2.3大数据存储现状
随着智能电网建设水平的提高,电力用户侧数据变得十分庞大,所以传统的数据存储方式显然无法满足当下的需求。据统计,截止到2015年,我国已经实现了1.5亿的用户侧数据信息采集,同时构建了高级量测系统,但是由于设备传输的信息最终在传感器终端会产生庞大的信息量,所以这也给大数据的存储造成了巨大困扰。
2电力用户侧大数据分析系统研究
为了提高电力用户侧大数据的分析和管理水平,本此研究在云计算平台的基础上,建立了电力用户侧大数据分析管理系统,系统主要包括数据管理层、私有云计算层和应用层,详细如图1所示。
2.1数据管理层
该系统的数据管理层主要实现对大数据信息的采集、整合和集成,具体通过智能电表和SCADA系统相结合,完成上述数据信息的一系列操作。由于电力用户侧数据不单纯是设备内部信息的整合,还包括设备相关信息数据,所以导致用户侧数据过于庞大和复杂,给后续的采集和处理造成严重困扰。而基于云计算平台的用户侧大数据分析和管理可以有效解决这一问题,该系统中数据管理层的应用并没有完全避开传统的数据分析和处理方式,而是将传统的数据处理转移到云平台中进行操作,从而实现数据的高效处理。另外,虽然目前很多厂商都提供了众多的应用编程接口,但是由于自动化水平有限,加之数据集成困难,导致无法有效实现对用户侧大数据的管理。而基于云平台的用户侧大数据分析管理系统可以通过严格的数据抽取流程,科学合理的进行数据的整合和集成处理。
2.2私有云计算层与应用层
在电力用户侧大数据分析管理系统中,私有云计算层主要功能是实现对数据的存储和计算分析,具体是通过并行计算的方式对大数据进行优化处理,而对于一些密集型数据而言,私有云计算层会应用并行计算模型中的Spark技术进行集群化处理,以提高数据访问的速度和质量。而应用层的主要功能是为后续的决策提供数据参考,它是私有云计算层的延续和应用。
3电力用户侧并行负荷预测分析
电力负荷预测是智能电网规划中的重要的环节,为变电站和网架规划提供重要的计算依据,高精度的短期负荷预测可以有效降低电力行业的发展成本。目前短期负荷预测主要的研究方法有决策树法、极限学习法和遗传算法等,而随机森林算法是多种学习方法的集成形式,它以决策树作为基本的学习单元,在计算中输入待分类的样本,由各个决策树产生分类结果,最后的结果由决策树进行投票决定。随机森林算法具有良好的可扩展性和并行性,对于大数据下的电力用户侧负荷预测有着重要的作用。
结束语
综上所述,随着智能电网建设水平的提高,给用户侧大数据分析和负荷预测提出了新的要求。虽然通过构建用户侧大数据分析管理系统,有效解决了数据分析处理中存在的问题,但是我国目前在该方面的研究还处于初级阶段,与发达国家还存在一定的差距,所以还需要加强进一步研究,从而促进电力事业的快速发展。
参考文献
[1]黄庆仕,陈冬沣,肖建华.电力用户侧大数据分析与并行负荷预测研究[J].自动化应用,2016(11):113-114.
[关键词]智能电网;电力用户侧;大数据;并行负荷
中图分类号:TM715 文献标识码:A 文章编号:1009-914X(2018)43-0134-01
引言
近年来,智能化技术不断应用到人们生活的各个领域,其中对于电力企业而言,智能电网的出现,有效实现了用户的智能化用电,极大地提高了人们生活质量,同时智能化用户也在智能电网需求响应中起到关键性作用。而智能电网的出现,也使得传统的用户侧数据朝着海量复杂的方向发展,为了确保电力用户侧数据采集和传输的高效进行,必须要建立用户侧大数据分析系统,以实现对用户侧大数据的有效管理,从而促进我国电网事业的快速发展。
1电力用户侧大数据分析
1.1电力用户侧大数据特点分析
1.1.1数据信息过于庞大
在智能电网建设过程中,电网内部信息数据更新较快,使得电力用户侧数据也变得异常庞大,这就给数据采集、分析和处理造成了巨大压力。据相关调查显示,美国太平洋天然氣电力基团,每个月需要从900万个智能电表中收集3TB的数据信息,如此海量的信息资源,给用户侧数据分析和处理带来了很大难度。对于一个区域5000个传感器终端而言,每个传感器的数据信息采集间隔如果是五分钟,那么一个月的数据收集会达到4TB。
1.1.2数据结构种类复杂
对于智能电网用户侧数据的收集而言,其涉及内容较广,通常包括以下几方面内容,即结构化数据收集、半结构化数据收集以及非结构化数据收集等,这些数据由于种类繁多,加之涉及内容复杂,所以导致数据采集和分析处理变得十分艰难,特别是随着数据传感器的不断推广和应用,使得用户侧数据采集不再是传统的单一类型,而且转变为复杂的形式,这就给用户侧数据管理提出了新的要求。
1.1.3数据存在交互性
用户侧数的交互性是智能电网建设的主要特性,随着信息技术的不断发展,当下电力用户侧数据管理主要是以云计算平台作为支撑,通过云计算平台的构建,实现对用户侧大数据的有效管理,例如Hadoop技术,该技术是目前用户侧大数据管理的主流技术,由于其具有很强的拓展功能,加之应用可靠性高,所以被广泛应用到电力用户侧大数据分析和管理中。
1.2电力用户侧大数据管理现状
1.2.1大数据整合现状
随着信息技术的不断发展,各类传感器和智能电表被广泛应用和推广,使得终端口径变得复杂多样,如此就造成了大数据模式的多样化,一方面影响了用户侧数据的分析和管理,另一方面也给大数据整合造成困扰。如何建立一个可靠性高的用户侧大数据分析系统,这是实现大数据有效整合的关键,同时也是当下电力企业发展需要思考的重要问题。
1.2.2大数据可靠性现状
现阶段,对于电力用户侧大数据而言,由于采集方式的多样化,使得终端输出数据的质量存在严重的偏差,加之用户侧大数据管理水平较低,导致这些采集到的数据不具有较高的可靠性,从而无法进行后续的使用和分析。因此,为了提高用户侧大数据的可靠性,需要完善用户侧大数据的管理模式,通过建立相应的数据分析系统,强化数据采集的效率和质量,最终确保大数据输出的高效性。
1.2.3大数据存储现状
随着智能电网建设水平的提高,电力用户侧数据变得十分庞大,所以传统的数据存储方式显然无法满足当下的需求。据统计,截止到2015年,我国已经实现了1.5亿的用户侧数据信息采集,同时构建了高级量测系统,但是由于设备传输的信息最终在传感器终端会产生庞大的信息量,所以这也给大数据的存储造成了巨大困扰。
2电力用户侧大数据分析系统研究
为了提高电力用户侧大数据的分析和管理水平,本此研究在云计算平台的基础上,建立了电力用户侧大数据分析管理系统,系统主要包括数据管理层、私有云计算层和应用层,详细如图1所示。
2.1数据管理层
该系统的数据管理层主要实现对大数据信息的采集、整合和集成,具体通过智能电表和SCADA系统相结合,完成上述数据信息的一系列操作。由于电力用户侧数据不单纯是设备内部信息的整合,还包括设备相关信息数据,所以导致用户侧数据过于庞大和复杂,给后续的采集和处理造成严重困扰。而基于云计算平台的用户侧大数据分析和管理可以有效解决这一问题,该系统中数据管理层的应用并没有完全避开传统的数据分析和处理方式,而是将传统的数据处理转移到云平台中进行操作,从而实现数据的高效处理。另外,虽然目前很多厂商都提供了众多的应用编程接口,但是由于自动化水平有限,加之数据集成困难,导致无法有效实现对用户侧大数据的管理。而基于云平台的用户侧大数据分析管理系统可以通过严格的数据抽取流程,科学合理的进行数据的整合和集成处理。
2.2私有云计算层与应用层
在电力用户侧大数据分析管理系统中,私有云计算层主要功能是实现对数据的存储和计算分析,具体是通过并行计算的方式对大数据进行优化处理,而对于一些密集型数据而言,私有云计算层会应用并行计算模型中的Spark技术进行集群化处理,以提高数据访问的速度和质量。而应用层的主要功能是为后续的决策提供数据参考,它是私有云计算层的延续和应用。
3电力用户侧并行负荷预测分析
电力负荷预测是智能电网规划中的重要的环节,为变电站和网架规划提供重要的计算依据,高精度的短期负荷预测可以有效降低电力行业的发展成本。目前短期负荷预测主要的研究方法有决策树法、极限学习法和遗传算法等,而随机森林算法是多种学习方法的集成形式,它以决策树作为基本的学习单元,在计算中输入待分类的样本,由各个决策树产生分类结果,最后的结果由决策树进行投票决定。随机森林算法具有良好的可扩展性和并行性,对于大数据下的电力用户侧负荷预测有着重要的作用。
结束语
综上所述,随着智能电网建设水平的提高,给用户侧大数据分析和负荷预测提出了新的要求。虽然通过构建用户侧大数据分析管理系统,有效解决了数据分析处理中存在的问题,但是我国目前在该方面的研究还处于初级阶段,与发达国家还存在一定的差距,所以还需要加强进一步研究,从而促进电力事业的快速发展。
参考文献
[1]黄庆仕,陈冬沣,肖建华.电力用户侧大数据分析与并行负荷预测研究[J].自动化应用,2016(11):113-114.