基于隨機矩陣理論的智能電網大數據體系結構設計

　　摘 要：針對智能電網數據繁多、用戶應用困難的技術問題，提出了新型的大數據驅動方法，并設計出基于隨機矩陣理論處理智能電網大數據的系統。通過隨機矩陣理論建立隨機矩陣算法模型，對智能電網大數據庫中的數據獲取樣本，并進行訓練、學習，建立用戶需求的數據模型。通過計算，將隱藏在智能電網大數據中的宏觀數據轉換成微觀數據，供用戶參考使用，從本質上發現影響智能電網正常運行的參數。計算數據不僅可以本地顯示，還能夠遠程上傳到SG186營銷系統，供各種用戶使用，同時，還可以通過無線通訊的方式上傳云端，實現計算數據的永久性保存。設計的方案隨機矩陣理論算法引入到智能電網大數據體系，不僅提高了智能電網大數據的直觀顯示，還為后續工作的進一步開展提供技術參考。

　　關鍵詞：智能電網;隨機矩陣理論;算法模型;云端;大數據庫

　　《國家電網》雜志是國家電網公司系統最高層次的刊物，主要面向公司系統各單位廣大干部職工以及政府部門、社會組織、電力客戶和有關企事業單位，及時準確地傳達國家電網公司黨組的各項決策和工作部署。

　　隨著智能電網技術的飛速發展，智能電網產生的拓撲結構也異常錯綜復雜，各種智能電網數據互相交叉、滲透[1-2]。智能電網數據目前已經成為異常復雜且難以處理的工程大型數據，同時智能電網在運行過程中還存在諸如數據源多元化、數據異構、同步運行等特點，智能電網網絡中的復雜拓撲結構以及運行過程中的負荷劇增、猛增等都會對智能電網的正常運行產生極大的影響[3-5]。

　　由于智能電網大數據存在規模巨大、種類繁多、產生速度快、數據維度高等特征，用戶難以從浩瀚的大數據中獲取有效的電網數據信息，也很難對從智能電網中獲得的宏觀數據進行微觀分析，并捕捉稍瞬即逝的電網數據信息，以揭示潛藏在數據本身中的技術問題。因此，如何從海量的智能電網數據庫中提取數據信息進行即時、多樣、真實地分析是目前亟待解決的技術問題。基于此，基于隨機矩陣理論(randommatrixtheory，RMT)設計并研究了智能電網大數據體系結構[6-8]。隨機矩陣理論基于統計學原理來分析各種數據之間的相關性，通過建立隨機矩陣模型提取并分析電網數據信息，從而及時、準確地處理智能電網中的撲朔迷離的多層次數據，便于用戶提前發現問題、跟蹤、分析、診斷等，從而保證電網系統的正常運行[9-10]。下面對技術方案做詳細描述。

　　1 大數據體系構架設計

　　設計的基于隨機矩陣理論處理智能電網大數據的體系構架，通過建立隨機矩陣理論模型對大數據進行處理、相關性分析、特征的表征等，使得海量的智能電網數據、多維度數據、異源數據等通過構造矩陣的方式可視化，直觀反映電網系統的運行狀態。在本架構設計中，系統包括大數據管理平臺、數據監控中心、電力營銷數據管理中心。其中，大數據管理平臺接收大型專變終端用戶、中小型專變用戶、單/三相一般工商用戶、居民用電用戶、公用配變考核計量、變電站關口等智能電網運行數據，通過數據輸入使得各種大數據在大數據管理平臺進行統一分類、處理、分析、計算、顯示等管理，如圖1所示。

　　大數據管理平臺設置有數據存儲中心、數據處理單元等，數據處理單元從數據存儲中心調取智能電網數據，并建立隨機矩陣模型，通過隨機矩陣算法對智能電網大數據進行分析、處理。大數據管理平臺可以在數據存儲中心中存儲，數據存儲中心為基于Hadoop平臺的大型Hbase數據庫，其具有結構化的數據和非結構化的數據，非結構化的可以數據在Hadoop平臺中的HDFS文件系統進行存儲。在Hadoop平臺中的各種大數據可以實現分布式存儲、超融合VS分布式、刪重和壓縮以及整合分析等功能。處理后的數據通過數據診斷甄別數據真偽，并通過顯示器進行數據顯示。用戶可通過該終端直觀地看出數據運算結果，同時，處理數據可通過數據監控中心遠程監控，進而從更高層次上觀測智能電網數據情況。監控數據可通過無線通訊的方式上傳云端，通過云端數據庫實現數據的永久性存儲。監控數據也可以通過通訊協議(Modbus協議，諸如TCP/IP協議)實現遠程在線傳輸到電力營銷數據管理中心(比如SG186營銷系統)，在該系統實現對數據、客戶的檔案管理，諸如電費計算、線損統計、分析、營銷等業務供用戶使用。

　　2 隨機矩陣理論的建模和應用

　　2.1 隨機矩陣理論的建模

　　隨機矩陣理論是通過統計、分析智能電網數據的能譜和本征態，得出實際測量中的隨機程度，進而揭示實際數據蘊含的整體關聯的事件特征。下面構建隨機矩陣理論模型對智能電網數據的相關性進行計算。

　　2.2 隨機矩陣理論的應用

　　基于上述模型的建立，將上述建立的數據模型應用到電能計量的影響量的評估上，觀察電網中隱藏的外在參數對電能計量數據的影響情況。在本文設計的方案中，忽略數據輸入的步驟，直接從大數據管理平臺中的數據存儲中心中提取數據，然后進行下一步的操作，其具體步驟如圖2所示。

　　(1)從大數據管理平臺中提取智能電網數據;智能電網電網數據錯綜復雜，根據用戶需要，提取有待評估的數據類型;比如電能計量的功率數據，諸如耐壓數據、外觀數據、紋波、功率、電壓、電流等，影響電網運行的數據類型，諸如振動、溫度、濕度、磁場、諧波、其他雜波、負載等數據。為了研究的便利，僅提取樣本數據作為參考。

　　(2)對提取的大數據預處理，保留有效數據，通過數據清理、數據集成、數據規約或數據變換的方式對提取的數據預處理，使得預處理后的數據更有效地用于實踐。大數據的處理通常是實時處理，首先將采集到的不同類型數據進行簡單都處理，比如進行數據格式的轉換，將ip轉換成容易識別的地址，將包含信息量少或者無用的數據過濾掉等，然后進行簡單的加工處理，比如歸一化處理，在本步驟中，包括將模擬量轉換為數字量的步驟。在此，不做詳細說明。

　　(3)建立隨機矩陣模型，基于矩陣模型計算出相關數據，如圖3所示。

　　在該步驟中，主要將處理后的純凈數據輸入到建立好的數據模型中，輸出用戶需要的數據。首先對處理后的數據進行T次采樣，構建狀態數據矩陣。即構建：以下數據以數值的方式表示，比如

　　由于矩陣的規模和篇幅的限制，在此僅僅做示例性說明，不再將矩陣按其真實規模展開。

　　在步驟中，按照標準化后的標準化公式(見公式4)來計算，根據公式9求出奇異值等同矩陣，根據公式10求出奇異值計算，最后根據公式8求出Dstd的值。公式在此不做重復描述，根據上文列出的公式，分別輸入采樣數據，求出各個公式的值。

　　(4)利用隨機矩陣模型分析大數據，當計算出標準化矩陣積Dstd的特征值分布時，便可評估電網雜波對電能計量計算誤差的影響，Dstd越大，影響量越大。由于D1表示的數據集合為影響智能電網正常運行(諸如諧波、雜波干涉等)，數據集合{P1，P2，P3，…，PM}中表示不同的參數，電能計量(如電流、電壓、功率等)的數據集合為{Q1，Q2，Q3，…，QN}中也表示不同的集合，因此在實際應用時，根據選擇數據類型而構建矩陣。

　　(5)將分析的大數據進行診斷、顯示、上傳。根據用戶需要選擇后續處理措施，比如本地數據顯示，通過數據監控中心遠程監控數據，上傳電力營銷數據管理中心進行綜合管理等。

　　(6)數據判斷，判斷輸出數據是夠滿意，如果不滿意，則重新計算，如果滿意，則任務結束。

　　3 方案實驗及分析

　　在試驗時，選用基于Matpower的IEEE-118節點的仿真系統系統。在仿真系統中設置電網異常數據參數，比如，電網雜波干擾、振動、溫濕度、諧波干擾、異常事件(諸如符合突然增加)等，然后獲取電能計量數據，將正常測量的電能計量數據輸入仿真系統。假設矩陣D1 = 80*150，D2 = 400*500，根據公式Dstd = [w1，w1，w1……wM+N]T進行計算，其中D1分別為溫度、負荷、濕度、諧波、磁場數據構成的矩陣。在實施例時間，D1構成5個矩陣，D2為電能計量參數(電流、電壓、功率、紋波等)，其數據樣本見表1所示。由于智能電網的影響因子頗多，本文不做一一說明。僅以溫度、負荷、濕度、諧波、磁場作為影響參數作為分析。

　　根據上述數據，應用上文提高的公式，將結算結果匯成曲線圖，如下文所述。

　　對上述各個試驗項目做失效統計，統計在2000小時內的記錄變化，失效率如圖9所示。

　　電網系統中還含有信號網絡拓撲變化、負荷異常、短路/斷路等情況，檢測效果與上文描述類似。通過隨機矩陣理論都可以逼真地獲取智能電網數據。通過隨機矩陣理論也可以對智能電網數據進行耗損評估，由于篇幅的限制，本文僅對智能電網不穩定因素對電能計量測量的影響作為實驗分析。通過上述試驗，隨機矩陣理論在處理智能電網大數據方面具有明顯的直觀顯示。

　　4 結 論

　　基于隨機矩陣理論對智能電網數據進行了分析和試驗，通過隨機矩陣建模使用后對智能電網大數據的認知提供了直觀的視覺識別，該種方案可以充分利用大數據庫系統中各種數據信息作為初始信息數據，然后利用隨機矩陣建模方法輸出不同的數據類型，使得用戶從宏觀的高緯度電網數據獲取數據微觀的本質規律，從而從根源上解決智能電網運行過程中存在的問題，為智能電網的健康、綠色運行提供較為有價值的技術參考，同時也具有較好的學術研究意義以及工程應用價值。

　　參 考 文 獻

　　[1] 陳星豪，黃柳萍，陶國飛. 基于隨機矩陣理論的電力大數據表征方法[J].電網技術，2017，36(3)：35—38.

　　[2] 郝然，艾芊，肖斐. 基于多元大數據平臺的用電行為分析構架研究[J]. 電力自動化設備，2017，37(8)：26—33.

　　[3] 王遠，陶燁，蔣英明，等. 智能電網時序大數據實時處理系統[J]. 計算機應用，2015，(z2)： 93—97.

　　[4] 劉廣一，朱文東，陳金祥，等. 智能電網大數據的特點、應用場景與分析平臺[J].南方電網技術，2016，10(5)：102—110.

　　[5] 賀紅燕. 基于大數據的智能電網關鍵技術研究[J]. 電源技術，2016，40(8)：1713—1714.

　　[6] 冉亮，李煒，孫向聚. 基于大數據技術的智能電網系統應用研究[J].自動化與儀器儀表，2017，(9)： 182—183.

　　[7] 孟祥萍，周來，王暉，等. 云計算技術在未來智能電網信息處理平臺中的應用[J].計算機測量與控制，2015，23(10)：265—268.

　　[8] 葛磊蛟，王守相，瞿海妮. 智能配用電大數據存儲架構設計[J]. 電力自動化設備，2016，36(6)： 194—202.

　　[9] 徐重酉，韓翊，賀興. 等. 基于隨機矩陣理論的配電網陣列薄弱性評估系統設計[J]. 電器與能效管理技術，2018，(9)： 522—526+552.

　　[10] 王奇，莊遠燦，閻帥，等. 基于隨機矩陣理論的交直流輸電通道線損大數據關聯特性分析[J]. 電力自動化設備，2018，38(5)：77—83.