摘要：伴随大数据时代的来临和人们对大数据认识与理解程度的越来越深,目前大数据技术已经在智能电网中得到广发应用。针对大数据在智能配电网中的应用问题,文中分析了大数据在智能配电网中应用所涉及到的大数据存储与处理以及大数据解析等关键技术，并研究了大数据在智能配电网中的应用前景。
关键词：大数据；智能配电网；发展趋势
一、智能配电网大数据理论
随着信息技术的发展，电力系统也在不断地走向智能化发展的道路，智能的变电站、智能的电表，以及实时性的电力监测系统都在不断地涌现，共同组成了一个智能配电网的大数据应用时代。智能配电网融合了大量数据信息，使电力系统能够自动化、智能化发展，根据数据信息的来源情况的不同，能够将智能配电网中的大数据分成电力系统发电数据、电力系统运行的数据和电力系统外界的数据，所有数据共同作用，保证了智能配电网的正常运行。具体而言，智能配电网大数据具有一次特征和二次特征，一次特征主要体现在智能配电网大数据关系复杂、结构形式多样、来源广泛、形成速度快和粒度精细等；而二次特征则是在一次特征的基础上逐渐形成的，二次特征具体指处理困难、信息储量丰富多样、信息存储量巨大等。
二、 智能配电网大数据的应用技术与方法
1 大数据解析技术
解析数据和分析数据，是大数据解析技术的主要内容。通过研究多种数据类型，发现将各个类型数据间直接关系、隐藏模式，并筛选有用信息。系统性管理智能配电网大数据，是把各个数据集定义为一个独立的子系统，各个子系统在相互交流期间，能够出现新信息，这些信息是利用原有的各个子系统数据，经过相加形成的，进而产生一个数据系统，能够实现数据的融合与交流。为了使大数据应用和分析结果保持一致，分析期间，要对大数据进行解析。从目前来看， 大数据解析技术在智能配电网中的应用主要分为以下 2 类：
（1） 过程挖掘。过程挖掘技术的核心思想是建立事件数据之间的联系和数据处理模型，并对有价值的事件数据进行充分挖掘。虽然传统的电网业务处理很少考虑到事件数据，且面向数据分析的技术仅侧重于简单的数据分类、回归等问题，缺少对端到端业务模型的考虑，但利用过程挖掘技术能够实现端到端业务处理与事件数据之间的有效联系，从而实现对数据的充分利用与深入分析。在某个系统当中，随着系统记录事件数量的不断增加，确定系统发展趋势曲线图将会变得更为方便可行。当系统发展趋势曲线图确定以后，便可以在事件数据中挖掘出系统变化轨迹，最终建立出规范化模。利用规范化模型对事件数据偏离轨迹行为产生原因进行查找与分析，对偏离模型进行引导与修正，以将其重新融合到规范化模型当中。当实际建模中出现了异常，可以通过对其的识别和与规范化模型进行一致性检测，来为异常行为产生原因和消除方式提供相应依据。经过长期实践表明，大数据中的过程挖掘技术在智能配电网中的应用，能够为用户制定更合理的节能方案，帮助用户错开用电高峰时段，对用户异常用电行为进行检测。
（2）数据可视化。 数据可视化的根本宗旨是将数据库中的每个数据项作为单个图元，以此构建出一个包括时间维度、空间维度和逻辑维度等多种维度的数据图像，以便从不同维度对数据进行更深入的观察与分析。通过从时间、空间、逻辑等多种维度对数据的集中式管理与可视化展现，能够得到多维数据立体视图。由于该数据图像在创建过程中嵌入了层次化的数据列表，因而能够帮助数据解析者们对数据进行精准的把握与精细化的解析，进而获得精准的大数据解析结果。
2 大数据存储及处理技术
根据大数据存储和处理之间的关系，目前大数据存储及处理技术主要分为批处理和流处理两种。批处理技术对大数据处理的核心思想是分而治之，将计算运用到数据当中。该技术适用于智能配电网对数据信息实时性要求不高但数据量庞大的电网业务处理。 流处理技术是一种典型的应用式流计算技术，它适用于智能配电网对数据信息实时性要求较高且数据量庞大的电网业务处理，如设备在线监测、多源异构数据在线评估等。
期刊文章分类查询,尽在期刊图书馆
由于智能配电网数据存储量庞大繁琐，运行方式变化频繁，测量支点多，且部分数据关联性与时效性超强，针对这些特点有必要对智能配电网大数据存储系统综合采用数据压缩技术、分布式流处理系统异构节点高效协同通信技术、多维索引快速检索技术、自优化技术、测量数据关联分析技术等先进数据处理技术，并与时俱进对这些技术进行不断研究与改进，以确保各项技术的应用能够符合智能配电网大数据发展与处理需求，能够为智能配电网的安全高效运行提供必要的数据支持。 此外，智能配电网作为一个动态的系统工程， 采取集中方式对大量数据进行管控，无法确保数据的可扩展性、可靠性及可行性。在智能配电网系统中，加入云计算，包括数据分布式处理系统、文件分布式系统等，能够提供技术支持和基础平台，从而充分发挥大数据的作用。
3 数据驱动决策方法
依据大数据作用程度对数据驱动决策方法进行分类，主要分为以下 3 类： （1）数据驱动为主，模型为辅的决策，它的最大特征是不完全采用、不抛弃原有的模型，通过模型和数据的相互启发与匹配，采取渐进方式完成决策制定。 （2）数据驱动无模型决策，它指的是一种数学模型，模型中隐含决策系统，这种决策方式，主要是对规律性强、规模大且重复进行的行为进行决策。（3）以大数据分析为主的决策，指的是基于以往方法或模型，对大量数据进行分析，依据分析结果进行决策。
三、应用前景
1 降低网络损耗，实现智能用电
制定个性化用电方案，采用客服至上的理念，为便于客户及时了解电价变更情况，及用电使用情况，通过关联分析法对相应的数据予以整理分析，使数据更加确切、准确，同时引入新型运行机制，例如分布式电源运营及接入方式，在 此基础上构建构建联合优化模型。基于此模型，参照用户用电习惯总结每个用户的存在的特征，以及多数用户存在的共性用电行为，联合用户能效水平等因素和相关数据综合考虑，策划并制定人性化、智能化的客户用电方案，如此不断可有效降低用户的用电成本，也在一定程度上缓解配电网高峰时的压力，使电力资源更加优化。采用配电网及电动出租车联合运行模式调查分析，通过其电池电量、 汽车GPS、充电站分布情况、配电运行等诸多数据，预估乘客用车行为，为出租车提供运行方案等相关服务，在智能配电网调度有效开展的情况下，能够实现配电网信息和出租车信息的共享，进而实现联合运输。降低网架结构网络损耗。 配电网线路损耗与多种因素有关，如网架结构、用电行为模式等，利用数字可视化技术，展示线路损耗时空分布特征，能够确定高损耗区域及线路。同时，构建网络损耗数据模型，对电网运行方式进行调整，对用户用电进行指导，以减少配电网运营成本。
2有效预估用电量，完成协同调度
预测用电量变化。对用户用电数据以及各个数据间的相 关关系及因果关系进行分析，预测用电量的变化趋势。例如，对假日人口迁徙特征和轨迹，恶劣天气发生频次等相关数据 和用电量间的关系进行研究时，先量化表征抽象关系，之后借助自适应用电预测模型，感知和预测用电量变化趋势。局部用电量的预估，即对部分逻辑分类、局部空间用户群组，以及各用户个体而言，一般采取差异化建模方式，构建用电预测模型库，该模型库具备较强的针对性，采用多维度分解法提升预测精准度，通常包括内容如下：用电特征分析，不同用户的维度分析， 精细化预测内容等。协同调度负荷和电源。 利用用户用电预测结果和分布式电源发电，借助影响错峰要素的关联度分析及错峰资源的聚类分析，对可调度资源的错峰潜力进行量化评估，以研究多种类型负荷与电源的优化组合方法与原则， 实现自动化分配和分层优化分配错峰资源，以协同调度负荷和电源。
四、 结语
智能化配电网的快速发展，使其趋于业务流、 能量流和数据流方向发展。 智能配电网大数据应用技术，充分考虑用户需求，为用户提供针对性的需求，实现了用户与电力企业的有效沟通。在智能配电网运行和规划中，应用大量的电力企业外部和内部数据资料，有利于形成数据驱动型智能配电网。智能配电网大数据的应用前景良好，既能促进用电预测精确度提升，还可提高网架优化效率。
参考文献
[1] 赵腾，张东霞. 智能配电网大数据应用技术与前景分析[J].电网技术， 2014，
[2] 刘科研. 智能配电网大数据应用需求和场景分析研究[J].中国电机工程学报，2015， 35
论文作者:王平荔,刘顺华,钟志萍
论文发表刊物:《基层建设》2016年19期
论文发表时间:2016/12/2
标签：数据论文; 智能论文; 网大论文; 技术论文; 配电网论文; 模型论文; 用户论文; 《基层建设》2016年19期论文;