2.2多源數(shù)據在線分析技術

智能配用電大數(shù)據的第二類關鍵技術是多源數(shù)據的在線分析技術，技術框架見圖4。配電PMU數(shù)據與配電SCADA數(shù)據及智能電表數(shù)據融合，可以開發(fā)融合多源數(shù)據的配電網狀態(tài)估計算法。將配電SCADA數(shù)據，智能電表數(shù)據與氣象數(shù)據融合，可為智能配電大數(shù)據分析系統(tǒng)提供數(shù)據基礎。首先數(shù)據通過SPARK的數(shù)據載入、轉換和裝載等操作，提供“即來即處理”的數(shù)據基礎。大數(shù)據分析系統(tǒng)支持以15min為周期的數(shù)據質量和電能質量在線分析，和以日為周期的微增用電行為分析和負荷特性分析。微增用電行為分析利用微增聚類分析等方式可以充分利用最新的數(shù)據資源，達到實現(xiàn)動態(tài)數(shù)據分析的目的。

圖4 多源數(shù)據在線分析技術框架

2.3數(shù)據分析算法庫與用戶畫像

智能配用電大數(shù)據的第三類關鍵技術是智能配用電的算法庫研究技術。配電大數(shù)據的算法庫包含了3類算法，即K-系列數(shù)據分析算法、關聯(lián)統(tǒng)計算法和機器學習算法。

智能配電大數(shù)據中的智能電表數(shù)據具有時間相關性和空間相關性。智能電表的測量數(shù)據與時間緯度結合形成時間序列數(shù)據，分析時間序列的目的是通過對已有的歷史數(shù)據進行分析，找出其中蘊含的規(guī)律，從而更準確地對未來的負荷進行預測。K-系列算法主要包含傳統(tǒng)的K-均值算法、自適應K-均值算法、分層K-均值算法、K-子空間分析算法和K-形狀分析算法。K-均值算法在已知分組數(shù)的情況下，可以快速的對用戶每天的曲線進行分類。自適應K-均值算法可以在未知K值得情況下，對不同的用戶曲線進行分類。分層K-均值可用于對自適應K-均值的聚類結果進行再聚類，將中心曲線距離較近的聚類進行合并，從而將聚類組數(shù)控制在所期望的范圍內。將分層聚類算法與自適應K均值算法配合使用，可以在指定K值情況下，保證聚類分組的精度，是對自適應K-均值聚類算法的補充和完善。K-子空間分析算法則針對負荷模型大多數(shù)的P-V數(shù)據都有比較明顯的條帶狀趨勢這一數(shù)據特征對P-V與Q-V數(shù)據進行分類。K-形狀分析算法側重曲線形狀特征的辨識，是發(fā)現(xiàn)時間序列數(shù)據所蘊含的形狀特征的有效算法。

關聯(lián)統(tǒng)計算法是一種非參數(shù)統(tǒng)計方法，最常用的就是相關性系數(shù)(correlationcoefficient)。關聯(lián)統(tǒng)計分析是通過智能電表讀數(shù)各個物理量之間的關系判斷數(shù)據質量。如果計算的相關性系數(shù)越高則說明數(shù)據質量越高，沒有錯數(shù)或異常情況。奇異點監(jiān)測分析是將大型用電器引起的突變點當做數(shù)據中的異常值，按照識別異常值的統(tǒng)計方法來尋找突變點。此方法還適用于分析配變、變電站、系統(tǒng)中可移動負荷的分布，為電力需求響應項目奠定重要基礎。

機器學習算法主要側重于數(shù)據驅動的算法來辨識配電網絡的拓撲結構。其中Chow-Liu決策樹算法可以用二階分布來近似表示高維聯(lián)合分布用的方法，對Chow-Liu樹模型的合理應用能夠極大的簡化貝葉斯網狀模型或是圖形模型的復雜度，從而辨識輻射網的拓撲結構;另一機器學習算法GroupLasso可以用于根據智能電表數(shù)據，重建配電網中的母線連接以及輻射型和網狀的網絡拓撲結構，通過GroupLasso算法建立線性回歸模型，求解母線連接和拓撲結構辨識的問題。數(shù)據分析算法與交互式分析見圖5。

圖5 數(shù)據分析算法與交互式分析

3、融合時空信息的配用電大數(shù)據分析應用

智能配用電大數(shù)據系統(tǒng)運用異構多數(shù)據源處理技術。配用電的各類數(shù)據來源于不同的地理空間和電網空間，通過數(shù)據抽取、數(shù)據轉換和數(shù)據轉載，將不同系統(tǒng)、不同結構的數(shù)據集成到基于圖、關系和時序數(shù)據庫的統(tǒng)一數(shù)據模型中，并通過數(shù)據清洗提高數(shù)據質量，然后應用數(shù)據模型分析該數(shù)據。目前智能電表等不同來源的數(shù)據在系統(tǒng)中融合、轉換和分析后可實現(xiàn)用戶畫像功能、電網運行與資產管理功能、用戶服務與社會服務功能。

智能電網大數(shù)據的空間維度可分為基于地理數(shù)據(GIS)的地理空間維度和基于電網結構的電網空間維度。地理空間強調與電網規(guī)劃、區(qū)域發(fā)展、綜合能源網、需求響應之間的關系，地理空間數(shù)據指的是與地圖相關的地理數(shù)據GIS;地理空間的數(shù)據可從國家細化到售電公司、小區(qū)最終到每個用電用戶。電網數(shù)據的各數(shù)據源與地理空間維度和時間維度相融合，開發(fā)用于服務智能電網大用戶、支持需求響應項目等功能以促進社會的發(fā)展。社會和用戶服務功能主要融合智能電表和電價的數(shù)據，見圖6。智能電表的采樣頻率為15min，可以集成多年的智能電表數(shù)據對用戶、小區(qū)、售電公司各層級的的負荷及負荷形狀分析和對大型電器的用電分析。根據用戶的行業(yè)注冊信息可以對某行業(yè)的用戶行為進行分析，如工業(yè)用戶的開啟和關閉大型用電設備的時間，分析工廠的生產工作時間，尋找工作用電高峰的穩(wěn)定性，為需求響應等政策提供基礎。電價數(shù)據與智能電表數(shù)據融合可以為精準營銷提供重要基礎數(shù)據，根據用戶的負荷形狀對用戶進行分組，并根據每組用戶負荷形狀的變化對系統(tǒng)總負荷的影響計算3個影響因素(即早爬坡影響因素、晚爬坡影響因素和峰值影響因素)，并根據3個因素計算每組用戶對系統(tǒng)總供電費用的影響，以此作為電費的重要組成部分。

圖6 配用電大數(shù)據分析應用的社會/用戶服務功能

與上述地理空間對應的是電網空間，電網空間強調與電網運行、資產管理之間的關系，指的是電網結構數(shù)據。電網空間的數(shù)據可從配電區(qū)細化到變電站、配變、最終到每個用戶的負荷。圖7中，電網數(shù)據的智能電表數(shù)據、PMU數(shù)據和SCADA數(shù)據與電網空間相融合，支持電網運營與資產管理功能。在配電區(qū)這一層級，PMU數(shù)據與SCADA和智能電表數(shù)據融合可以用于分析多源數(shù)據融合狀態(tài)估計，并分析PMU數(shù)據中P、Q、Um、Ua之間的關系。智能電表數(shù)據和溫度等氣象數(shù)據融合可以分析溫度對系統(tǒng)有功功率和無功功率的影響。在變電站層級，SCADA數(shù)據與智能電表數(shù)據融合可以對變電站的網損進行分析。智能電表數(shù)據和氣象數(shù)據融合可以分析溫度對變電站有功功率和無功功率的影響，進行更精準的負荷預測。在配變層級上，可以分析變壓器的有功功率、無功功率、并對電能質量和負載進行分析。在單個用戶的負荷層級，可以進行多時間尺度分析、運行可靠性分析、交叉檢驗、電能質量分析和電表數(shù)據質量分析。多時間尺度分析功能強調的是用戶畫像功能。用戶畫像功能根據用戶運行數(shù)據對用戶的用電行為進行分析，進而得到個體用戶和集體用戶的用戶行為特點，針對用戶的用戶行為特性提前做出計劃，從而在保持高效的電力服務的同時能夠降低運行成本。

圖7 智能配用電大數(shù)據分析的電網運營功能

4、結語

本文在討論智能配用電大數(shù)據來源和生命特征的基礎上，研究了智能配用電大數(shù)據集成和分析的關鍵技術，從時空角度提出了智能配用電大數(shù)據分析在用戶/社會服務、電網運營方面的典型應用。目前，面臨分布式發(fā)電、分布式儲能、電動汽車和可調節(jié)負荷等對配用電網的巨大影響與沖擊，配用電公司正在從傳統(tǒng)的供用電公司向能源綜合服務公司轉型，配用電公司目前采集到的大量數(shù)據必將成為支撐公司業(yè)務模式轉型的重要技術資源和重要數(shù)據資產，作為可以充分發(fā)揮這筆數(shù)據資產價值的關鍵技術手段，融合多源數(shù)據的智能配用電分析關鍵技術和研究成果正在受到越來越多的關注。這些研究成果已經陸續(xù)在多家能源服務公司、售電公司和配電公司投入實際應用。