CN107807961B - 一种基于Spark计算引擎的配电网大数据分区处理方法 - Google Patents

一种基于Spark计算引擎的配电网大数据分区处理方法 Download PDF

Info

Publication number
CN107807961B
CN107807961B CN201710938295.0A CN201710938295A CN107807961B CN 107807961 B CN107807961 B CN 107807961B CN 201710938295 A CN201710938295 A CN 201710938295A CN 107807961 B CN107807961 B CN 107807961B
Authority
CN
China
Prior art keywords
data
distribution transformer
load
cell
distribution
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710938295.0A
Other languages
English (en)
Other versions
CN107807961A (zh
Inventor
钱江
宋艳
杨成钢
蒋玮
赵汉鹰
林旭义
徐璟
傅颖
吴新华
程翔
陈少波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Lishui Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Lishui Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Lishui Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201710938295.0A priority Critical patent/CN107807961B/zh
Publication of CN107807961A publication Critical patent/CN107807961A/zh
Application granted granted Critical
Publication of CN107807961B publication Critical patent/CN107807961B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2453—Query optimisation
    • G06F16/24532—Query optimisation of parallel queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/10—File systems; File servers
    • G06F16/18—File system types
    • G06F16/182—Distributed file systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2471—Distributed queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Water Supply & Treatment (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Public Health (AREA)
  • General Business, Economics & Management (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于Spark计算引擎的配电网大数据分区处理方法，按照供电单元格对海量负荷数据进行统计分析，从中提取出对配电网规划管理有实用价值的电力指标，包括以下步骤：步骤1：搭建配电网大数据处理平台，以用电信息采集系统、PMS为数据源进行城市负荷分析；步骤2：将数据源中的数据导入Spark成为弹性分布式数据集RDD，对RDD中的城市负荷数据进行预处理；步骤3：按照城市负荷数据中配电变压器坐标对配电变压器进行单元格区分；步骤4：根据步骤2和步骤3计算城市负荷指标。

Description

一种基于Spark计算引擎的配电网大数据分区处理方法
技术领域
本发明涉及采用计算机技术对于配电网大数据进行处理、计算的计算方法，旨在从海量的配网数据中提取出对于配电网规划、管理有实用价值的电力指标，属于大数据价值挖掘领域，特别涉及一种基于Spark计算引擎的配电网大数据分区处理方法。
背景技术
随着国家电网公司建设坚强电网战略目标的提出，智能用电终端和采集终端数量日益扩大，使得各种类型的电力自动化数据出现几何级的增长，呈现出“体量大”、“类型多”、“密度低”和“增速快”的典型大数据特征。在配电网的管理与规划过程中，电力负荷统计指标、电压分析统计指标等一系列数据可以为配电网发策部门提供电力系统规划、设计、调度提供决策的依据。国内已有传统电力系统信息平台的建设大多采用价格昂贵的大型服务器，存储采用磁盘阵列，数据库采用关系数据库系统，业务应用采用紧密耦合的套装软件，导致系统扩展性较差、成本较高，难以适应智能电网对状态监测数据可靠性和实时性的更高要求。2006年Hadoop分布式计算平台发布，2009年，伯克利大学提出和发展了Spark计算平台，在Hadoop分布式计算的基础上，引入了内存计算，使数据计算速度得到10倍乃至100倍的提升。Hadoop 大数据处理框架可以很好的解决数据量剧增带来的瓶颈，且具备良好的可靠性和可扩展性、数据处理量大、实时性高、成本低廉等优势。HDFS(HadoopDistribute File System)是Hadoop上的分布式文件系统。HDFS有着高容错性的特点，采master/slave 结构，并且用来设计部署在廉价的硬件上。它提供高吞吐量来访问数据，适合那些大量数据的应用程序。
国内外将大数据技术运用于配电网数据分析的实例并不罕见，但目前使用该架构的程度仅仅停留于对于配电网数据的聚类预测，并未有按照供电单元对配电网数据进行分类规划统计，提供与用户有直接关联的单元格负荷统计分析指标展示服务的先例。
发明内容
发明目的：采用基于MapReduce分布式计算框架的大数据计算平台，按照供电单元格对海量负荷数据进行统计分析，从中提取出对配电网规划管理有实用价值的电力指标。
为了实现上述目的，本发明提出了一种基于Spark计算引擎的配电网大数据分区处理方法。一种基于Spark计算引擎的配电网大数据分区处理方法，包括以下步骤：
步骤1：搭建配电网大数据处理平台，以用电信息采集系统、PMS为数据源进行城市负荷分析；
步骤2：将数据源中的数据导入Spark成为弹性分布式数据集RDD，对RDD 中的城市负荷数据进行预处理；
步骤3：按照城市负荷数据中配电变压器坐标对配电变压器进行单元格区分；
步骤4：根据步骤2和步骤3计算城市负荷指标。
作为优选，所述步骤1中所述配电网大数据处理平台，采用Linux Ubuntu 作为操作系统，基于Hadoop和Spark框架，分为数据存储层，数据管理层和数据计算层；所述数据存储层，采用Hadoop框架提供的分布式文件存储系统实现数据集的离散化存储和查询；所述数据管理层，采用Hadoop的Hive组件，对负荷数据进行数据建表，包括配电变压器ID、日期、配电变压器负荷数据、配电变压器经度、配电变压器纬度；将分布式文件系统上的非结构化数据集，转换为结构化的表；以Apache Hadoop为开发工具，对计算任务进行调度，完成HQL语句与集群上的MapReduce作业的转换；所述数据计算层采用Apache Spark用于大数据的实时处理，对数据表以RDD的形式进行并行化操作。
作为优选，所述步骤2包括以下步骤：步骤21：针对配电变压器负荷数据中的空数据采用拉格朗日插值定理补全，以空数据相邻的数据构造时间的一次函数，将空数据对应的时间点带入方程，求解出的值作为空数据的近似值；步骤 22：以配电变压器ID和日期为关键值，对配电变压器负荷数据进行去重；步骤 23：剔除配电变压器负荷数据中的异常数据。
作为优选，获取所述步骤23所述异常数据，包括以下步骤：
步骤231：从数据源中导出配电变压器负荷数据l1，l2，…，ln，根据公式
Figure BDA0001430110620000021
计算其平均值L，根据公式Vi＝li-L计算残差Vi；
步骤232：根据公式
Figure BDA0001430110620000022
计算单次测量的标准差σ；
步骤233：对负荷数据的每个元素进行判断，如果|Vi|＞3σ，则该元素为异常数据。
作为优选，所述步骤3具体包括：
步骤31：对配电变压器经纬度以及区域顶点经纬度进行地图投影，得到二维坐标系下的横纵坐标；
步骤32：以待测配电变压器的纵坐标做直线，得到该直线与单元格边界的各个交点；
步骤33：计算待测配电变压器两边直线与单元格边界的交点个数，如果待测点两边交点数均为奇数，则判定该配电变压器在单元格内；否则，判定该配电变压器在单元格外。
作为优选，所述步骤4所述城市负荷指标包括：单元格配电变压器台数、单元格任意时刻负荷之和、单元格可开放容量、单元格最大负荷以及单元格负荷密度。
作为优选，所述单元格配电变压器台数、单元格任意时刻负荷之和以及单元格最大负荷的计算方法包括：
步骤411：采用Transformation中的jion算子将用电信息采集系统中的配电变压器数据和PMS系统中的配电变压器经纬度按照配电变压器ID进行匹配、合并，得到新的RDD；
步骤412：根据新的RDD中包含的配电变压器经度和配电变压器纬度，以单元格边界为基准对每一台配电变压器使用Transformation中的filter算子进行划分，得到单元格配变数据；
步骤413：对步骤412得到的单元格配变数据采用Action中的count算子返回单元格配电变压器台数；
步骤414：对步骤412得到的单元格配变数据采用Action中的collect算子返回包含单元格配电变压器负荷数据的数据表，对数据表进行求和，以此求出单元格任意时刻的负荷之和；
步骤415：对步骤412得到的单元格配变数据采用Transformation中的map 算子得到单台配变最大负荷数据表，再用Action中的reduce算子对配电变压器最大负荷进行两两比较，最终返回单元格最大负荷。
作为优选，所述单元格可开放容量的计算方式如下：
单元格可开放容量＝单元格总容量-单元格负荷之和
所述单元格总容量通过对单元格内部配变容量进行求和计算得到。
作为优选，所述单元格负荷密度的计算方法如下：
Figure BDA0001430110620000041
所述单元格面积由城市供电单位提供。
有益效果：使用本发明的可以对海量电力负荷数据进行快速准确的实时计算。通过Spark计算引擎对弹性分布式数据集的RDD进行操作，最终提取出与用户直接关联的城市负荷统计指标，为配电网的管理、规划提供科学的数据基础。发明对电网发策部门工作效率的提高具有重要意义。
附图说明
图1是本发明的大数据分布式计算平台架构图。
图2采用Transformation和Action操作计算单元格配变台数的流程图。
图3采用Transformation和Action操作计算单元格任意时刻负荷之和的流程图。
图4采用Transformation和Action操作计算单元格最大负荷的流程图。
具体实施方式
下面结合附图对本发明进行详细的描述。
一种基于Spark计算引擎的配电网大数据分区处理方法，包括以下步骤：
步骤1：搭建配电网大数据处理平台，以用电信息采集系统、PMS为数据源进行城市负荷分析；
所述配电网大数据处理平台，如图1所示，采用Linux Ubuntu作为操作系统，基于Hadoop和Spark框架，分为数据存储层，数据管理层和数据计算层；所述数据存储层，采用Hadoop框架提供的分布式文件存储系统实现数据集的离散化存储和查询；所述数据管理层，采用Hadoop的Hive组件，对负荷数据进行数据建表，包括配电变压器ID、日期、配电变压器负荷数据、配电变压器经度、配电变压器纬度；将分布式文件系统上的非结构化数据集，转换为结构化的表；以Apache Hadoop为开发工具，对计算任务进行调度，完成HQL语句与集群上的MapReduce作业的转换；所述数据计算层采用Apache Spark用于大数据的实时处理，对数据表以RDD的形式进行并行化操作。
步骤2：将数据源中的数据导入Spark成为弹性分布式数据集RDD，对RDD 中的城市负荷数据进行预处理，具体分为以下步骤：
步骤21：针对配电变压器负荷数据中的空数据采用拉格朗日插值定理补全，以空数据相邻的数据构造时间的一次函数，将空数据对应的时间点带入方程，求解出的值作为空数据的近似值；
步骤22：以配电变压器ID和日期为关键值，对配电变压器负荷数据进行去重；
步骤23：剔除配电变压器负荷数据中的异常数据，通过以下步骤判断异常数据：
1)：从数据源中导出配电变压器负荷数据l1，l2，…，ln，根据公式
Figure BDA0001430110620000051
计算其平均值L，根据公式Vi＝li-L计算残差Vi；
2)：根据公式
Figure BDA0001430110620000052
计算单次测量的标准差σ；
3)：对负荷数据的每个元素进行判断，如果|Vi|＞3σ，则该元素为异常数据。
步骤3：按照城市负荷数据中配电变压器坐标对配电变压器进行单元格区分，首先，对配电变压器经纬度以及区域顶点经纬度进行地图投影，得到二维坐标系下的横纵坐标；其次，以待测配电变压器的纵坐标做直线，得到该直线与单元格边界的各个交点；最后，计算待测配电变压器两边直线与单元格边界的交点个数，如果待测点两边交点数均为奇数，则判定该配电变压器在单元格内；否则，判定该配电变压器在单元格外。
步骤4：根据步骤2和步骤3，使用Spark对RDD的Transformation、Action 进行操作，计算以下城市负荷指标：单元格配电变压器台数、单元格任意时刻负荷之和、单元格可开放容量、单元格最大负荷以及单元格负荷密度：
如图2、3、4所示，采用Transformation中的jion算子将用电信息采集系统中的配电变压器数据和PMS系统中的配电变压器经纬度按照配电变压器ID进行匹配、合并；根据配电变压器负荷数据RDD中包含的配电变压器经度和配电变压器纬度，得到新的RDD，以单元格边界为基准对每一台配电变压器使用 Transformation中的filter算子进行划分，得到单元格配变数据；采用Action中的 count算子返回单元格配电变压器台数；采用Action中的collect算子返回包含单元格配变负荷数据的dataframe；再用pythonmath程序包中的sum函数对 dataframe进行求和，以此求出单元格在某一时刻下的负荷之和；采用Transformation中的map算子得到单台配变最大负荷数据表，再用Action中的 reduce算子对配电变压器最大负荷进行两两比较，最终返回单元格最大负荷：
单元格可开放容量的计算方式如下：
单元格可开放容量＝单元格总容量-单元格负荷之和
其中，单元格总容量通过对单元格内部配变容量进行求和计算得到。
单元格负荷密度的计算方法如下：
Figure BDA0001430110620000061
其中，单元格面积由城市供电单位提供。

Claims (6)

1.一种基于Spark计算引擎的配电网大数据分区处理方法，其特征在于，包括以下步骤：
步骤1：搭建配电网大数据处理平台，以用电信息采集系统、PMS为数据源进行城市负荷分析；
步骤2：将数据源中的数据导入Spark成为弹性分布式数据集RDD，对RDD中的城市负荷数据进行预处理；
步骤3：按照城市负荷数据中配电变压器坐标对配电变压器进行单元格区分；
步骤4：根据步骤2和步骤3计算城市负荷指标；
所述步骤4所述城市负荷指标包括：单元格配电变压器台数、单元格任意时刻负荷之和、单元格可开放容量、单元格最大负荷以及单元格负荷密度；
所述单元格配电变压器台数、单元格任意时刻负荷之和以及单元格最大负荷的计算方法包括：
步骤411：采用Transformation中的join 算子将用电信息采集系统中的配电变压器数据和PMS系统中的配电变压器经纬度按照配电变压器ID进行匹配、合并，得到新的RDD；
步骤412：根据新的RDD中包含的配电变压器经度和配电变压器纬度，以单元格边界为基准对每一台配电变压器使用Transformation中的filter算子进行划分，得到单元格配变数据；
步骤413：对步骤412得到的单元格配变数据采用Action中的count算子返回单元格配电变压器台数；
步骤414：对步骤412得到的单元格配变数据采用Action中的collect算子返回包含单元格配电变压器负荷数据的数据表，对数据表进行求和，以此求出单元格任意时刻的负荷之和；
步骤415：对步骤412得到的单元格配变数据采用Transformation中的map算子得到单台配变最大负荷数据表，再用Action中的reduce算子对配电变压器最大负荷进行两两比较，最终返回单元格最大负荷；
所述步骤2包括以下步骤：
步骤21：针对配电变压器负荷数据中的空数据采用拉格朗日插值定理补全，以空数据相邻的数据构造时间的一次函数，将空数据对应的时间点带入方程，求解出的值作为空数据的近似值；
步骤22：以配电变压器ID和日期为关键值，对配电变压器负荷数据进行去重；
步骤23：剔除配电变压器负荷数据中的异常数据。
2.根据权利要求1所述的一种基于Spark计算引擎的配电网大数据分区处理方法，其特征在于，所述步骤1中所述配电网大数据处理平台，采用Linux Ubuntu作为操作系统，基于Hadoop和Spark框架，分为数据存储层，数据管理层和数据计算层；
所述数据存储层，采用Hadoop框架提供的分布式文件存储系统实现数据集的离散化存储和查询；
所述数据管理层，采用Hadoop的Hive组件，对负荷数据进行数据建表，包括配电变压器ID、日期、配电变压器负荷数据、配电变压器经度、配电变压器纬度；将分布式文件系统上的非结构化数据集，转换为结构化的表；以ApacheHadoop为开发工具，对计算任务进行调度，完成HQL语句与集群上的MapReduce作业的转换；
所述数据计算层采用Apache Spark用于大数据的实时处理，对数据表以RDD的形式进行并行化操作。
3.根据权利要求1所述的一种基于Spark计算引擎的配电网大数据分区处理方法，其特征在于，获取所述步骤23所述异常数据，包括以下步骤：
步骤231：从数据源中导出配电变压器负荷数据l1，l2，…，ln，根据公式
Figure FDA0003091862880000021
计算其平均值L，根据公式Vi＝li-L计算残差Vi；
步骤232：根据公式
Figure FDA0003091862880000022
计算单次测量的标准差σ；
步骤233：对负荷数据的每个元素进行判断，如果|Vi|＞3σ，则该元素为异常数据。
4.根据权利要求1所述的一种基于Spark计算引擎的配电网大数据分区处理方法，其特征在于，所述步骤3具体包括：
步骤31：对配电变压器经纬度以及区域顶点经纬度进行地图投影，得到二维坐标系下的横纵坐标；
步骤32：以待测配电变压器的纵坐标做直线，得到该直线与单元格边界的各个交点；
步骤33：计算待测配电变压器两边直线与单元格边界的交点个数，如果待测点两边交点数均为奇数，则判定该配电变压器在单元格内；否则，判定该配电变压器在单元格外。
5.根据权利要求1所述的一种基于Spark计算引擎的配电网大数据分区处理方法，其特征在于，所述单元格可开放容量的计算方式如下：
单元格可开放容量＝单元格总容量-单元格负荷之和
所述单元格总容量通过对单元格内部配变容量进行求和计算得到。
6.根据权利要求1所述的一种基于Spark计算引擎的配电网大数据分区处理方法，其特征在于，所述单元格负荷密度的计算方法如下：
Figure FDA0003091862880000031
所述单元格面积由城市供电单位提供。
CN201710938295.0A 2017-10-10 2017-10-10 一种基于Spark计算引擎的配电网大数据分区处理方法 Active CN107807961B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710938295.0A CN107807961B (zh) 2017-10-10 2017-10-10 一种基于Spark计算引擎的配电网大数据分区处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710938295.0A CN107807961B (zh) 2017-10-10 2017-10-10 一种基于Spark计算引擎的配电网大数据分区处理方法

Publications (2)

Publication Number Publication Date
CN107807961A CN107807961A (zh) 2018-03-16
CN107807961B true CN107807961B (zh) 2021-11-19

Family

ID=61592018

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710938295.0A Active CN107807961B (zh) 2017-10-10 2017-10-10 一种基于Spark计算引擎的配电网大数据分区处理方法

Country Status (1)

Country Link
CN (1) CN107807961B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108734355B (zh) * 2018-05-24 2022-03-08 国网福建省电力有限公司 一种应用于电能质量综合治理场景的短期电力负荷并行预测方法及系统
CN109242132A (zh) * 2018-06-05 2019-01-18 国网江苏省电力有限公司南通供电分公司 基于MapReduce框架的分区最大负荷预测方法
CN108921324A (zh) * 2018-06-05 2018-11-30 国网江苏省电力有限公司南通供电分公司 基于配变聚类的台区短期负荷预测方法
CN109102106A (zh) * 2018-07-05 2018-12-28 国网江苏省电力有限公司泰州供电分公司 一种基于电力大数据负荷密度优化计算方法
CN111241087A (zh) * 2020-03-10 2020-06-05 天津市普迅电力信息技术有限公司 一种基于分布式计算的能源数据自动化处理方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102545210A (zh) * 2011-12-29 2012-07-04 广东电网公司深圳供电局 一种配电网供电可靠性指标优化调控方法及其系统
CN105302848A (zh) * 2014-10-11 2016-02-03 山东鲁能软件技术有限公司 一种设备智能预警系统的评估值校准方法
CN106446345A (zh) * 2016-08-30 2017-02-22 国网江苏省电力公司 基于细分地理区域的配网运行指标处理方法
CN106779219A (zh) * 2016-12-19 2017-05-31 北京中电普华信息技术有限公司 一种用电量预测方法及系统
CN106980906A (zh) * 2017-03-19 2017-07-25 国网福建省电力有限公司 一种基于spark的Ftrl电压预测方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2728091A1 (en) * 2008-06-25 2010-01-21 Versify Solutions, Inc. Aggregator, monitor, and manager of distributed demand response
CN102055244A (zh) * 2010-12-30 2011-05-11 广东电网公司江门供电局 配电网变压器运行状态图形化监视方法
CN104091227B (zh) * 2014-06-17 2017-02-08 华南理工大学 一种城市用电用户的负荷密度分析方法
US10289954B2 (en) * 2015-01-06 2019-05-14 Accenture Global Services Limited Power distribution transformer load prediction analysis system
CN105205563B (zh) * 2015-09-28 2017-02-08 国网山东省电力公司菏泽供电公司 一种基于大数据的短期负荷预测平台
CN105426482B (zh) * 2015-11-20 2018-08-14 华东交通大学 一种图库一体的铁路10kV配电网海量监控信息HBase转存方法
CN105678398A (zh) * 2015-12-24 2016-06-15 国家电网公司 基于大数据技术的电力负荷预测方法及基于该方法的研究应用系统
CN105701621A (zh) * 2016-02-19 2016-06-22 云南电网有限责任公司电力科学研究院 一种智能电网实时负荷分析方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102545210A (zh) * 2011-12-29 2012-07-04 广东电网公司深圳供电局 一种配电网供电可靠性指标优化调控方法及其系统
CN105302848A (zh) * 2014-10-11 2016-02-03 山东鲁能软件技术有限公司 一种设备智能预警系统的评估值校准方法
CN106446345A (zh) * 2016-08-30 2017-02-22 国网江苏省电力公司 基于细分地理区域的配网运行指标处理方法
CN106779219A (zh) * 2016-12-19 2017-05-31 北京中电普华信息技术有限公司 一种用电量预测方法及系统
CN106980906A (zh) * 2017-03-19 2017-07-25 国网福建省电力有限公司 一种基于spark的Ftrl电压预测方法

Also Published As

Publication number Publication date
CN107807961A (zh) 2018-03-16

Similar Documents

Publication Publication Date Title
CN107807961B (zh) 一种基于Spark计算引擎的配电网大数据分区处理方法
CN107832876B (zh) 基于MapReduce框架的分区最大负荷预测方法
CN107402976B (zh) 一种基于多元异构模型的电网多源数据融合方法及系统
CN107133255B (zh) 一种大电网全景安全防御方法和系统
US20200081898A1 (en) A Method for Constructing Electricity Transaction Index System Based on Big Data Technology
CN109582717B (zh) 一种面向电力大数据的数据库统一平台及其读取方法
WO2022117126A1 (zh) 一种电网量测数据的校验方法、装置、设备、存储介质及程序产品
CN108446293A (zh) 一种基于城市多源异构数据构建城市画像的方法
CN105631764A (zh) 面向智慧城市的智能电网大数据应用系统
Liu et al. Real-time complex event processing and analytics for smart grid
CN105320757A (zh) 一种快速处理数据的商业智能分析方法
CN114676883A (zh) 基于大数据的电网运行管理方法、装置、设备及存储介质
CN108446396B (zh) 一种基于改进型cim模型的电力数据处理方法
CN107590749A (zh) 一种配用电数据的处理方法及系统
CN106529731A (zh) 一种区域电网光伏电站集群划分方法
CN108108517A (zh) 一种基于大数据的电网规划智能辅助分析方法
Ceci et al. Big data techniques for supporting accurate predictions of energy production from renewable sources
CN105786996A (zh) 一种用电信息数据质量分析系统
CN108921324A (zh) 基于配变聚类的台区短期负荷预测方法
CN109583467B (zh) 一种电力气象数据融合方法和系统
CN105574612A (zh) 一种基于数据挖掘的光伏发电量预测方法
CN110532283A (zh) 一种基于Hadoop集群架构的智慧城市大数据处理系统
CN111159152B (zh) 基于大数据处理技术的二次运维数据融合方法
CN107862459B (zh) 一种基于大数据的计量设备状态评估方法及系统
CN110543499A (zh) 一种基于多源数据融合的反窃电定位跟踪设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant