摘要：结合大数据技术提升输变电设备状态评价的广度和深度,并解决实际应用问题成为目前电力行业新的挑战。针对输变电设备状态监测大数据可靠存储和快速访问两方面大数据处理核心问题,基于开源的Hadoop云计算实验平台进行了数据分布策略、数据块尺寸调优、集群网络拓扑规划三方面的存储优化研究和大数据并行分析的研究。提出计及数据相关性的多副本一致哈希数据存储算法,能将具有相关性的数据在集群中聚集,提升数据处理执行效率。基于数据相关性多副本一致哈希数据分布,应用Map Reduce并行编程模型设计实现了多数据源并行连接查询算法和多通道数据融合并行特征提取算法。将两种算法在实验室搭建的集群上测试运行,结果表明,多数据源并行连接查询的执行时间仅为标准Hadoop方案的32%,多通道数据融合并行特征提取算法执行时间仅为标准Hadoop方案的35%。

摘要：变电站在线监测智能电子设备(IED)通过IEC 61850标准通信方式采集并上传一次设备的状态信息到综合应用服务器等站控层装置,是变电站一体化监控系统的重要组成部分,对其进行功能测试是保证系统正常运行的基础。文中通过分析在线监测IED的功能,设计其功能测试用例,通过自动化测试脚本以及测试引擎,代替手动测试,提高测试效率。通过研制的在线监测IED自动化测试系统,以油中溶解气体监测数据上传功能为例,进行了自动化测试实验,并给出了测试流程及测试结果,验证了该方法的正确性和可行性。

摘要：为充分利用可再生能源,实现局部消纳,多能源系统需要紧密融合与协同运行,形成有机整体。分析了能源供应侧、传输侧及需求侧三个层面多能源系统优化目标,指出了多能源系统协同优化中存在难以鉴别多元数据真伪及多能源主体信誉等问题。提出了一种基于实用拜占庭容错(PBFT)算法的多能源交互主体共识方法,分别针对能源监管主体下和能源对等主体下的能源区块链网络,使多能源主体在不诚实和互不信任的情况下,均可达成有效共识。设计模拟了一个由多能源主体构成的区块链网络,实验测试结果表明,上述方法可保证多能源主体间的有效共识,多能源主体处理单请求的平均共识时间随着主体数量的增多而增加。另外,对共识吞吐量的测试结果表明,能源对等主体下的共识吞吐量大于能源监管主体下的共识吞吐量。

摘要：大规模不可控新能源和可控能源构建成虚拟电厂,可以降低新能源入网时,其输出功率不确定性对电网安全的影响,提高供电可靠性。配电网分时电价可以激励虚拟电厂参与电网削峰填谷,降低发电成本,获得更好的效益。为此设计了基于分时电价的虚拟电厂运行策略,以各时段内获得收益最大为目标,构建了基于分时电价的虚拟电厂经济性优化调度模型,采用粒子群算法得到虚拟电厂各能源的出力。分析了虚拟电厂可控分布式电源出力系数和不可控分布式电源预测误差对虚拟电厂经济性的影响,对比分析了4种储能系统场景下虚拟电厂的经济性。仿真结果表明所建模型合理,当大规模新能源电力接入电网时,基于分时电价的虚拟电厂采用抽水蓄能和储能电池联合运行,能获得更好的经济效益和电能质量。

摘要：风电机组状态监测数据具有量大、多源、异构、复杂、增长迅速的电力大数据特点。现有的故障诊断与预警方法在处理大数据时难以在保证精度情况下进行快速处理,故提出了结合Storm实时流数据处理和Spark内存批处理技术的风电机组在线故障诊断与预警模型。以齿轮箱故障诊断与预警为例阐释该模型,引入了Storm处理状态监测数据流,设计了流数据处理的Topology结构;引入Spark,利用弹性分布式数据集(RDD)编程模型实现了朴素贝叶斯(NB)算法和反向传播(BP)算法对设备状态信息进行故障诊断与预测。实验结果显示,该故障诊断与预测方法在保证精度的前提下具有较好的加速比,也证明了该故障诊断与预警模型的有效性和可行性。

摘要：电力设备状态监测大数据分析是一个热点研究课题,对保障电力设备的安全稳定运行具有重要意义。联机分析处理(on-line analytical processing,OLAP)可以多角度、快速存取与分析数据,是实现电力设备状态监测大数据分析的一种重要技术手段。通过分析大数据环境下的OLAP技术,设计一种电力设备状态监测大数据分析平台,给出3种分布式数据分析方案,包括基于Hive的关系型联机分析、基于Impala的关系型联机分析和基于HBase的多维联机分析。分布式关系型联机分析虽然在一定程度上满足电力企业的需求,但其数据模型中表之间频繁的连接操作,导致其出现性能瓶颈。针对分布式关系型联机分析数据模型连接操作开销大、查询速度慢等问题,提出了基于无连接层次编码的电力设备状态监测数据模型,对常规数据模型进行改进,把维表的层次信息进行编码存储到事实表中,减少连接操作,以优化性能。采用Hive和Impala等大数据分析工具,在不同规模监测数据集上对本模型的数据加载、上卷操作、存储开销等方面进行实验测试。实验结果表明,数据加载速度约是常规模型的42%,上卷执行时间比常规数据模型缩短40%至49%,存储开销大约比常规星型模型减少37%,验证了本方法的有效性与可行性,给电力设备状态监测大数据分析带来一种新的思路。

摘要：结合新一代开发工具.net和XML技术实现了贝叶斯网络推理实验平台的构建,新构建的实验平台还很好地克服了国际市场上已有的此类平台的不足,为贝叶斯网络的进一步研究打下了坚实的基础。

摘要：国家电网有限公司正在开展电力全业务统一数据中心的建设,以实现全业务范围、全数据类型、全时间维度数据的统一存储、管理分析。在全业务范围数据全量推送过程中,尤其在突发性海量数据涌入时,全业务统一数据中心的处理能力面临着巨大挑战,数据处理任务调度方法是提高其数据处理能力的关键。通过对电力全业务统一数据中心设计方案和架构的分析,给出一种数据处理任务控制调度模型,从任务的时间和有效价值两方面综合分析任务的优先级。提出了基于多级队列的动态实时优先级调度(DRPS)算法,并分析了不同类型处理任务的优先级动态变化趋势。采用CloudSim平台模拟全业务统一数据中心的数据抽取—转换—加载(ETL)任务,并进行仿真测试。结果表明DRPS算法相比于动态价值密度(DVD)算法及最早截止优先(EDF)算法,在截止期错失率方面有明显下降,任务完成率也有明显提高。

摘要：随着智能电网、通信网络技术和传感器技术的发展,电力用户侧数据呈指数级增长、复杂程度增大,逐步构成了用户侧大数据。传统的数据分析模式已无法满足需求,迫切需要解决电力用户侧的大数据在分析与处理方面的难题。该文分析电力用户大数据的来源,针对电力用户侧大数据的数据量大、种类繁多与速度快等特点,指出电力用户侧的大数据在数据存储、可用性、处理等方面面临的挑战。结合云计算技术提出一种电力用户侧大数据分析处理平台,将智能电表、SCADA系统和各种传感器中采集的数据整合,并利用并行化计算模型Map Reduce与内存并行化计算框架Spark对电力用户侧的大数据进行分析。提出基于随机森林算法的并行负荷预测方法,将随机森林算法进行并行化,对历史负荷、温度、风速等数据进行并行化分析,缩短负荷预测时间和提高随机森林算法对大数据的处理能力。设计并实现基于Hadoop的电力用户侧大数据并行负荷预测原型系统,包括数据集群的管理、数据管理、预测分类算法库等功能。采用不同大小的数据集对并行化随机森林算法进行负荷预测实验,实验结果表明,并行化随机森林算法的预测精度明显高于决策树的预测精度,且在不同数据集上预测精度普遍高于决策树的预测精度,能够较好的对大数据进行分析处理。

摘要：针对零出力运行方式下,供热机组低压缸进汽流量与次末级蒸汽温度存在强非线性相关,造成常规控制方法难以保证系统全局稳定性的问题,研究了一种模糊多模型内模控制策略。依据对象增益变化规律,将对象划分为负增益区、近零负增益区、近零正增益区、正增益区,分别建立模型并设计内模控制器,并通过模糊加权方式得到最终控制输出。在近零增益区内推导出的内模控制稳定准则,可以控制系统适应对象增益在小范围内正负变化。仿真验证表明,控制系统具有全局稳定性及足够的鲁棒性。