陳徽

（國網(wǎng)安徽省電力有限公司蒙城縣供電公司）

0 引言

隨著電力系統(tǒng)規(guī)模的不斷擴(kuò)大化，電力系統(tǒng)產(chǎn)生大量的數(shù)據(jù)，原有的電力數(shù)據(jù)處理系統(tǒng)已經(jīng)無法承載如此大量的數(shù)據(jù)運算[1-2]。近年來，云計算技術(shù)飛速發(fā)展，在多個領(lǐng)域都取得較好的應(yīng)用效果。本文基于云平臺技術(shù)，對電力數(shù)據(jù)處理方法展開了深入研究，對智能終端采集到的大量的數(shù)據(jù)進(jìn)行分析，從中提取出電力系統(tǒng)運行的關(guān)鍵數(shù)據(jù)，為電力系統(tǒng)中能量調(diào)度、負(fù)荷預(yù)測、故障診斷等決策環(huán)節(jié)提供科學(xué)、合理的數(shù)據(jù)依據(jù)，保證電力系統(tǒng)的安全、可靠、穩(wěn)定運行[3]。

1 云平臺

1.1 云平臺特點

云計算具有復(fù)雜性高、安全性高、擴(kuò)展能力強(qiáng)、數(shù)據(jù)處理資源豐富的特點，能夠通過虛擬技術(shù)將現(xiàn)有的資源進(jìn)行科學(xué)、合理的整合[4-5]。云平臺中的資源呈現(xiàn)出很強(qiáng)動態(tài)性特點，再結(jié)合用戶的具體需求，導(dǎo)致資源管理的復(fù)雜性，因此與云計算相關(guān)的任務(wù)也會呈現(xiàn)出這樣的特性。云計算的關(guān)鍵就在于通過科學(xué)的任務(wù)調(diào)度機(jī)制實現(xiàn)現(xiàn)有計算資源的充分利用[6-7]。

1.2 云平臺架構(gòu)方案

電力系統(tǒng)產(chǎn)生的運行數(shù)據(jù)從提取、存儲、管理、分析幾個方面來看，已經(jīng)超出傳統(tǒng)數(shù)據(jù)處理系統(tǒng)的能力范圍，電力數(shù)據(jù)具有數(shù)據(jù)規(guī)模大、數(shù)據(jù)采樣速度快、數(shù)據(jù)類型多、數(shù)據(jù)價值密度低等特征[8]。電力數(shù)據(jù)處理的意義不在于對其進(jìn)行充分掌握，而在于對其進(jìn)行科學(xué)的處理，從中提取出關(guān)鍵的信息[9-10]。

以原有的電力數(shù)據(jù)采集系統(tǒng)為基礎(chǔ)，融入云平臺技術(shù)，對電力數(shù)據(jù)采集上傳的數(shù)據(jù)及逆行非實時分布式運算，能夠?qū)崿F(xiàn)大量數(shù)據(jù)的采集、下載、運算、存儲[11-12]，云平臺架構(gòu)如圖1所示。

圖1 云平臺架構(gòu)

云平臺的架構(gòu)大體上可以劃分為四個層級，即數(shù)據(jù)存儲運算層、邏輯控制層、數(shù)據(jù)接入層和數(shù)據(jù)應(yīng)用層；其中數(shù)據(jù)存儲運算層主要負(fù)責(zé)將智能終端上傳的數(shù)據(jù)進(jìn)行綜合運算，并將運算的結(jié)果進(jìn)行存儲；邏輯控制層主要負(fù)責(zé)調(diào)度算法的執(zhí)行，完成調(diào)度任務(wù)，調(diào)度算法會接入到云平臺中，調(diào)度任務(wù)負(fù)責(zé)處理大量的電力數(shù)據(jù)，調(diào)度任務(wù)會分解為多個單獨的任務(wù)單元，對任務(wù)單元進(jìn)行動態(tài)分配，由云平臺中的硬件資源完成運算任務(wù)；數(shù)據(jù)接入層承擔(dān)了網(wǎng)絡(luò)接入功能，數(shù)據(jù)應(yīng)用層提供了數(shù)據(jù)分析模型，能夠?qū)?shù)據(jù)進(jìn)行更深層次的運算和信息挖掘。

2 數(shù)據(jù)處理策略

2.1 神經(jīng)網(wǎng)絡(luò)概念

當(dāng)前所運用的神經(jīng)網(wǎng)絡(luò)，其核心都是BP神經(jīng)網(wǎng)絡(luò)，通過數(shù)學(xué)分析已經(jīng)驗證任意包含有過渡層級的三級神經(jīng)網(wǎng)絡(luò)都可以與任意的非線性函數(shù)實現(xiàn)同樣的功能。本文對數(shù)據(jù)進(jìn)行運算所用到的神經(jīng)網(wǎng)絡(luò)包含有三個層級，即輸入層、過渡層、輸出層。數(shù)據(jù)處理的基本思想是對選定好的數(shù)據(jù)樣本（包括輸入值和目標(biāo)輸出值）進(jìn)行機(jī)器學(xué)習(xí)，即輸入量會導(dǎo)入到神經(jīng)網(wǎng)絡(luò)模型輸入層的神經(jīng)元中，然后通過過渡層進(jìn)行迭代運算，在經(jīng)過輸出層導(dǎo)出期望預(yù)測值，如果導(dǎo)出的輸出值與目標(biāo)輸出值的誤差超出一定的范圍，則將這個誤差值從輸出層反向傳回到神經(jīng)網(wǎng)絡(luò)模型中，并對迭代運算中涉及的權(quán)重參數(shù)和閾值參數(shù)進(jìn)行合理的調(diào)整，以保證導(dǎo)出輸出值與目標(biāo)輸出值的誤差不斷縮小，無限趨近于零，反復(fù)進(jìn)行多次迭代運算，直到誤差的精度能夠達(dá)到要求，結(jié)束計算。

因此，BP神經(jīng)網(wǎng)絡(luò)運算輸出結(jié)果的核心在于對誤差的判定，輸出的誤差不滿足要求的情況下，誤差要反向?qū)氲紹P神經(jīng)網(wǎng)絡(luò)中繼續(xù)進(jìn)行迭代運算，在迭代運算中要對權(quán)值參數(shù)和閾值參數(shù)進(jìn)行調(diào)整，保證最終輸出的誤差能夠不斷得到修正，保證最終的導(dǎo)出輸出值無限趨近于目標(biāo)輸出值，即誤差無限趨近于零，最終得到符合要求的輸出結(jié)果。

2.2 神經(jīng)網(wǎng)絡(luò)架構(gòu)

在神經(jīng)網(wǎng)絡(luò)中，數(shù)據(jù)會從輸入層導(dǎo)入到網(wǎng)絡(luò)中，中間經(jīng)過過渡層逐級傳輸?shù)捷敵鰧?，?dǎo)出的輸出值在輸出層與目標(biāo)輸出值比較得到誤差，誤差再反向傳輸?shù)缴窠?jīng)網(wǎng)絡(luò)中，神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

對于神經(jīng)網(wǎng)絡(luò)中的節(jié)點，采用Sigmoid函數(shù)來描述，即：

2.3 模型運算

輸入的數(shù)據(jù)從輸入層導(dǎo)入到神經(jīng)網(wǎng)絡(luò)模型中，再經(jīng)過過渡層，最終從輸出層導(dǎo)出，誤差不滿足條件的情況下，則運算繼續(xù)，數(shù)據(jù)會反向傳輸，在過渡層中對權(quán)值參數(shù)和閾值參數(shù)進(jìn)行調(diào)整。

將電力數(shù)據(jù)作為研究對象，其輸入層樣本集合為XT=(X1,X2,…,Xj)，過渡層樣本集合為YT=(Y1,Y2,…,Yi)，輸出層樣本集合為ZT=(Z1,Z2,…,Zl)，最終輸出得到的誤差集合為PT=(P1,P2,…,Pl)，輸入層與過渡層之間的權(quán)重參數(shù)為αuv(u=1,…,j;v=1,…,i)，閾值參數(shù)為μuv(u=1,…,j;v=1,…,i)，過渡層與輸出層之間的權(quán)重參數(shù)為βvw(v=1,…,i;w=1,…,i)，閾值參數(shù)為vvw(v=1,…,i;w=1,…,i)。則可以得到該神經(jīng)網(wǎng)絡(luò)的正向傳遞公式為：

再根據(jù)輸出結(jié)果得到輸出誤差，即輸出結(jié)果與理論結(jié)果之間的差異：

2.4 歸一化處理

神經(jīng)網(wǎng)絡(luò)模型的運算就是要保證輸出的誤差最小化，因此在這里運用泰勒展開公式對神經(jīng)網(wǎng)絡(luò)中的權(quán)值參數(shù)和閾值參數(shù)進(jìn)行特殊處理，處理公式為：

式中，ρ(k)為運算得到的誤差量的梯度分量；σ(k)為進(jìn)行歸一化處理時候需要用到的海森矩陣，假設(shè)存在方程滿足關(guān)系△λ(k)=-σ(k)-1ρ(k)，則誤差就會存在最小值，海森矩陣的復(fù)雜程度運算速度存在正向關(guān)聯(lián)關(guān)系，如果存在雅可比矩陣σ=JTJ且滿足ρ=JTe，則泰勒展開公式就能夠簡化為：

3 實例分析

在某地區(qū)的電力系統(tǒng)，采用本文所提出的方法對電力負(fù)荷進(jìn)行預(yù)測。電力負(fù)荷預(yù)測是指對未來某時段內(nèi)的電能應(yīng)用進(jìn)行預(yù)測，能夠為電能的調(diào)度、電能的銷售、電網(wǎng)的規(guī)劃建設(shè)提供科學(xué)、合理的數(shù)據(jù)支持。

電力負(fù)荷的預(yù)測需要以電力系統(tǒng)的運行特性為依據(jù)，再結(jié)合電力系統(tǒng)的規(guī)模以及外部多種影響因素，進(jìn)行綜合分析評判，最終得到負(fù)荷數(shù)據(jù)的變化規(guī)律，再對負(fù)荷變化規(guī)律與影響因素進(jìn)行深入分析，得到他們之間的關(guān)聯(lián)關(guān)系。

根據(jù)實際情況構(gòu)建符合電力系統(tǒng)運行特性的電力負(fù)荷預(yù)測模型。電力系統(tǒng)的負(fù)荷預(yù)測模型一般可以描述為：

式中，Q(t)為電力系統(tǒng)在t時刻的負(fù)荷；J(t)為t時刻的基本負(fù)荷分布情況；W(t)為t時刻與天氣因素相關(guān)聯(lián)的負(fù)荷增量；D(t)為t時刻與日期因素相關(guān)聯(lián)的負(fù)荷增量；λ(t)為t時刻與其他時間和日期因素相關(guān)聯(lián)的負(fù)荷增量，這種類型的負(fù)荷增量具隨機(jī)性強(qiáng)，不可預(yù)測的特點。

對智能終端上傳的數(shù)據(jù)進(jìn)行分析統(tǒng)計后，選取包含有90個樣本數(shù)據(jù)集合中的30個樣本數(shù)據(jù)進(jìn)行綜合處理，采用預(yù)測模型實現(xiàn)電力負(fù)荷數(shù)據(jù)的負(fù)荷預(yù)測，經(jīng)模型運算得到結(jié)果如下表所示。

表 實際運算預(yù)測值

從表中可以得出結(jié)論，在天氣因素和環(huán)境因素的共同作用的情況下，通過預(yù)測模型計算所得到的電力系統(tǒng)負(fù)荷數(shù)據(jù)與電力系統(tǒng)的實際運行負(fù)荷數(shù)據(jù)差距不大，說明該模型的預(yù)測精度較高。

4 結(jié)束語

本文基于云平臺技術(shù)對電力數(shù)據(jù)的處理方法進(jìn)行深入的分析。將云平臺技術(shù)與電力數(shù)據(jù)高度融合是電力系統(tǒng)智能化發(fā)展的必然要求，首先由智能終端將電力數(shù)據(jù)上傳到云平臺，云平臺對數(shù)據(jù)進(jìn)行綜合處理，從大量的數(shù)據(jù)中提取到有價值的信息，從而為電力系統(tǒng)的能量調(diào)度、負(fù)荷預(yù)測、故障診斷等決策性任務(wù)提供科學(xué)、合理、有效的數(shù)據(jù)支持，經(jīng)過實際應(yīng)用驗證，本文提出的基于云平臺的電力數(shù)據(jù)處理方法能夠?qū)Υ罅康碾娏?shù)據(jù)進(jìn)行處理，對于電力系統(tǒng)智能化程度的提高具有重要推動作用。