CN107918830B - 一种基于大数据技术的配电网运行状态评估方法 - Google Patents
一种基于大数据技术的配电网运行状态评估方法 Download PDFInfo
- Publication number
- CN107918830B CN107918830B CN201711158412.8A CN201711158412A CN107918830B CN 107918830 B CN107918830 B CN 107918830B CN 201711158412 A CN201711158412 A CN 201711158412A CN 107918830 B CN107918830 B CN 107918830B
- Authority
- CN
- China
- Prior art keywords
- index
- data
- power supply
- layer
- evaluation
- 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
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 115
- 238000009826 distribution Methods 0.000 title claims abstract description 61
- 238000005516 engineering process Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012800 visualization Methods 0.000 claims abstract description 15
- 230000004927 fusion Effects 0.000 claims abstract description 8
- 239000003086 colorant Substances 0.000 claims abstract description 4
- 230000000007 visual effect Effects 0.000 claims abstract 2
- 238000004364 calculation method Methods 0.000 claims description 63
- 239000011159 matrix material Substances 0.000 claims description 45
- 238000005192 partition Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000002776 aggregation Effects 0.000 claims description 8
- 238000004220 aggregation Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 238000013079 data visualisation Methods 0.000 claims description 5
- 230000002452 interceptive effect Effects 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000005553 drilling Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims 5
- 238000012163 sequencing technique Methods 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 235000019580 granularity Nutrition 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- 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
- G06F16/242—Query formulation
- G06F16/2423—Interactive query statement specification based on a database schema
-
- 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
- G06F16/242—Query formulation
- G06F16/2428—Query predicate definition using graphical user interfaces, including menus and forms
-
- 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
- G06F16/248—Presentation of query results
-
- 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
- G06F16/29—Geographical information databases
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于大数据技术的配电网运行状态评估系统及方法,主要包括以下步骤:1)采集智能电网各个供电区域的数据。2)对采集的数据进行预处理。3)对来自各个系统的数据进行多源异构数据融合,并将接收到的数据以实时或定时的方式存储到分布式文件系统(HDFS)中。4)计算供电区域的评价指标。5)计算出各层次的权重,并得出A+~E类供电分区和当前供电区域的运行状态评估结果。6)将运行状态评估结果可视化。7)可视化结合运行状态评估区域的GIS数据,在地图上使用不同的颜色表示出不同的运行状态。8)可视化结合百度的开源可视化图表插件Echarts制作智能仪表盘(Dashboard),通过DashBoard展示实时运行状态曲线和实时状态评估结果。
Description
技术领域
本发明涉及配电网运行状态评估领域,具体是一种基于大数据技术的配电网运行状态评估方法。
背景技术
随着国家电网全力推进配电自动化建设,电力营销、生产、调度等信息系统产生了海量的电力信息数据。如何多大规模数据进行有效的处理,从中获取有用的信息,挖掘潜在的价值,成了一项严峻的挑战。
现今的配电网运行状态评估以确定性方法为基础,以严重性程度为指标,以不能对频繁随机波动的实时运行状况进行全面的评估,应用中实用性不强,并且目前的电网的运行状态评估方法,缺乏对整体区域的深层次分析。传统的配电网运行状态评估缺乏对配电网整体区域的深层次分析和挖掘,并且当数据量过大,无法在单机上运行。鉴于电网结构复杂化和不确定性增加的严峻形势,为了提高电网安全运行的能力,迫切需要梳理电网运行的薄弱环节,研究基于电网结构、装备水平、供电能力、可靠性、气象信息等多时空尺度的特征提取及融合方法,采用多层次指标体系和多层次区域体系,构建电网运行状态评估指标体系及动态评估算法,提出面向大数据分析的配电网运行状态评估方法,实现电网的精准管控和实时状态评估,有助于找出现状配电网的缺陷和不足。
发明内容
本发明的目的是解决现有技术中存在的问题。
为实现本发明目的而采用的技术方案是这样的,一种基于大数据技术的配电网运行状态评估方法,主要包括以下步骤:
1)采集智能电网各个供电区域的数据。数据源包括两部分数据。一部分数据是配电自动化系统的海量历史数据。另一部分数据是配电自动化系统的实时流数据。
进一步,采集的数据来源主要包括PMS、SCADA、GIS配电网子系统和外部天气信息。配电网的实时数据采集周期是15分钟。采用Flume采集配电自动化系统的实时流数据。采用Sqoop抽取关系数据库Oracle中的配电自动化系统的海量历史数据。
2)对来自各个系统的数据进行多源异构数据融合。开源工具Kafka接收多源异构数据融合后得到的数据。开源工具Kafka将接收到的数据以实时或定时的方式存储到分布式文件系统(HDFS)中。
3)根据HDFS中的数据,利用Spark并行计算框架逐层计算供电区域的评价指标。主要计算步骤如下:
3.1)计算供电区域内各条线路的指标评价结果。主要步骤如下:
3.1.1)将存储在HDFS中的原始数据集随机切分。将切分的结果保存到不同的弹性分布式数据集RDD中作为输入。
3.1.2)利用内存计算中的RDD来并行计算线路指标值。利用Spark的并行计算机制在各个计算节点并行计算。计算结果的输出形式为<xl_id,<zb_id,value>>。 (1)
其中,xl_id为线路ID。zb_id为指标ID。value为计算结果数值。
3.1.3)以<xl_id,<zb_id,value>>作为本步骤的输入,在各个计算节点,根据线路ID号将计算后的指标值利用Spark的groupByKey函数进行局部聚合。
3.1.4)将各个计算节点的计算数据汇总到主节点,并利用Spark的groupByKey函数进行全局聚合,从而得出每条线路的指标值。将得到的每条线路指标值数据输出到HDFS中,输出形式为<xl_id,List<zb_id,value>>。 (2)
其中,xl_id为线路ID。List为线路的指标集合。zb_id为指标ID。value为计算结果数值。
3.2)根据步骤3.1.4中线路指标计算的结果,结合区域层次结构模型向上计算出供电区域内A+~E类供电分区的指标值。
线路指标值向上计算的方法,根据指标值含义的不同,分为两种。两种指标计算方法分别如下:
针对可以在线路层面求出具体值的指标,结合区域层次结构模型向上的计算公式为:
对于无法在线路层面计算的指标值,采用0或1来表示该线路是否满足该指标,满足为1,不满足为0。对于无法在线路层面计算的指标值,结合区域层次结构模型向上的计算公式为:
3.3)根据步骤4.2计算出的A+~E类供电分区的指标值,按照加权系数,结合区域层次结构向上计算出整个供电区域的指标值。
4)对步骤4中的评价指标计算结果,运用层次分析法,计算出各层次的权重,并得出A+~E类供电分区和当前供电区域的运行状态评估结果。层次分析法的主要步骤如下:
4.1)确定需要评估的供电区域。
4.2)读取待评估区域指标层的各项评价指标。
4.3)构建层次结构模型。运行状态评估的层次模型分为三层,分别为目标层、准则层和指标层。准则层为电网结构评估指标、装备水平评估指标、供电能力评估指标和可靠性评估指标。目标层为配电网运行状态评估指标。指标层为电网结构评估指标、装备水平指标、供电能力指标和供电可靠性指标。
4.4)构造出各个层次的判别矩阵。
通过1~9互反性标度理论设定评估因素之间的相对重要性。对评估因素进行两两比较。比较结果为判别矩阵中的元素值。
4.5)对目标层、准则层和指标层进行排序。确立判别矩阵后,对所述判别矩阵进行一致性校验。
对所述判别矩阵进行一致性检验的步骤主要如下:
其中λmax为判别矩阵的最大特征根。n为阶数。
4.5.2)引入随机一致性指标判断所述判别矩阵是否可靠。
根据平均随机一致性指标(RI)来计算随机一致性比率。
其中,BI值代表所述判别矩阵的非一致性的严重程度。RI为平均随机一致性指标。
当BR≤0.1时,则所述判别矩阵通过一致性检验,所述判别矩阵是可靠的。当BR>0.1时,则所述判别矩阵无法通过一致性检验。
4.5.3)针对无法通过一致性检验的判别矩阵,不断调整未通过一致性检验的判别矩阵中的元素,直到未通过一致性检验的判别矩阵通过一致性检验。
4.6)计算各层权重值并得出目标层的最终运行状态评估得分。运行状态评估分数的计算公式如下:
式中,S表示评价体系结构中任一非指标层的评分。n(n>1)表示指标S下一层指标(准则层或指标层指标)的个数。Si表示非目标层指标i的评分。Wi表示非目标层指标i的权重。i表示非目标层指标,1<i<n。
5)将运行状态评估结果可视化。数据可视化主要包括实时运行状态评估结果显示和Spark交互式分析查询可视化。
6)可视化结合运行状态评估区域的GIS数据,在地图上使用不同的颜色表示出不同的运行状态。地图数据支持向下钻取到县/区的A+~E类供电分区。地图支持点击事件,可查看准则层的各项状态评估分数。
7)实时运行状态评估的可视化结合百度的开源可视化图表插件Echarts制作智能仪表盘(Dashboard),通过DashBoard向运维人员展示实时运行状态曲线和实时状态评估结果。
本发明的技术效果是毋庸置疑的。本发明采用Spark并行计算框架对数据进行处理,采用多层次指标体系和多层次区域体系,对配电网的运行状态进行深层次分析,有效提升了配电网海量数据处理的高效率。本发明将层次分析法与Spark并行计算框架相结合,实现配电网运行状态评估指标权重客观、精准地确定。本发明研究配电网运行状态数据的“点-线-面”综合分析方法,结合数据可视化技术,从不同粒度不同层次对配电网运行状态进行精准把握与精细化分析,并在大数据技术的支持下,形成一种具备数据源、数据采集、数据整合、数据存储、数据挖掘分析和数据可视化的配电网运行状态评估系统。
附图说明
图1为系统整体框架图;
图2为并行计算流程图;
图3为指标体系结构图;
图4为配电网多源异构数据融合图;
图5为区域层次结构图;
图6为线路指标值并行计算示意图;
图7为运行状态评估可视化展示图。
具体实施方式
下面结合实施例对本发明作进一步说明,但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下,根据本领域普通技术知识和惯用手段,做出各种替换和变更,均应包括在本发明的保护范围内。
实施例1:
参见图1至图4,为实现本发明目的而采用的技术方案是这样的,一种基于大数据技术的配电网运行状态评估方法,主要包括以下步骤:
一种基于大数据技术的配电网运行状态评估方法,主要包括以下步骤:
1)采集智能电网各个供电区域的数据。数据源包括两部分数据。一部分数据是配电自动化系统的海量历史数据。另一部分数据是配电自动化系统的实时流数据。
进一步,采集的数据来源主要包括PMS、SCADA、GIS配电网子系统和外部天气信息。配电网的实时数据采集周期是15分钟。采用Flume采集配电自动化系统的实时流数据。采用Sqoop抽取关系数据库Oracle中的配电自动化系统的海量历史数据。
2)对来自各个系统的数据进行多源异构数据融合。
进一步,考虑多源数据的语法和语义规则,将结构化、半结构化和非结构化的多源异构配用电大数据,转换为统一标准模型的结构化数据进行存储。
开源工具Kafka接收多源异构数据融合后得到的数据。开源工具Kafka将接收到的数据以实时或定时的方式存储到分布式文件系统(HDFS)中。
优选的,开源工具Kafka以时间复杂度为O(1)的方式提供消息持久化能力,即使对TB级以上数据也能保证常数时间的访问性能,这种特性保证了它能将海量的配网大数据实时的写入分布式文件系统。
3)根据HDFS中的数据,利用Spark并行计算框架逐层计算供电区域的评价指标。主要计算步骤如下:
3.1)计算供电区域内各条线路的指标评价结果。主要步骤如下:
3.1.1)将存储在HDFS中的原始数据集随机切分。将切分的结果保存到不同的弹性分布式数据集RDD中作为输入。
3.1.2)利用内存计算中的RDD来并行计算线路指标值。利用Spark的并行计算机制在各个计算节点并行计算。计算结果的输出形式为<xl_id,<zb_id,value>>。 (1)
其中,xl_id为线路ID。zb_id为指标ID。value为计算结果数值。
3.1.3)以<xl_id,<zb_id,value>>作为本步骤的输入,在各个计算节点,根据线路ID号将计算后的指标值利用Spark的groupByKey函数进行局部聚合。
3.1.4)将各个计算节点的计算数据汇总到主节点,并利用Spark的groupByKey函数进行全局聚合,从而得出每条线路的指标值。将得到的每条线路指标值数据输出到HDFS中,输出形式为<xl_id,List<zb_id,value>>。
其中,xl_id为线路ID。List为线路的指标集合。zb_id为指标ID。value为计算结果数值。
3.2)根据步骤3.1.4中线路指标计算的结果,结合区域层次结构模型向上计算出供电区域内A+~E类供电分区的指标值。
线路指标值向上计算的方法,根据指标值含义的不同,分为两种。两种指标计算方法分别如下:
针对可以在线路层面求出具体值的指标,结合区域层次结构模型向上的计算公式为:
对于无法在线路层面计算的指标值,采用0或1来表示该线路是否满足该指标,满足为1,不满足为0。对于无法在线路层面计算的指标值,结合区域层次结构模型向上的计算公式为:
3.3)根据步骤3.2计算出的A+~E类供电分区的指标值,按照加权系数,结合区域层次结构向上计算出整个供电区域的指标值。
4)对步骤3中的评价指标计算结果,运用层次分析法,计算出各层次的权重,并得出A+~E类供电分区和当前供电区域的运行状态评估结果。层次分析法的主要步骤如下:
4.1)确定需要评估的供电区域。
4.2)读取待评估区域指标层的各项评价指标。
4.3)构建层次结构模型。运行状态评估的层次模型分为三层,分别为目标层、准则层和指标层。准则层为电网结构评估指标、装备水平评估指标、供电能力评估指标和可靠性评估指标。目标层为配电网运行状态评估指标。指标层为电网结构评估指标、装备水平指标、供电能力指标和供电可靠性指标。
4.4)构造出各个层次的判别矩阵。
通过1~9互反性标度理论设定评估因素之间的相对重要性。对评估因素进行两两比较。比较结果为判别矩阵中的元素值。互反性标度如表1所示。
表1互反性标度
4.5)对目标层、准则层和指标层进行排序。确立判别矩阵后,对所述判别矩阵进行一致性校验。
对所述判别矩阵进行一致性检验的步骤主要如下:
其中λmax为判别矩阵的最大特征根。n为阶数。
4.5.2)引入随机一致性指标判断所述判别矩阵是否可靠。
根据平均随机一致性指标(RI)来计算随机一致性比率。
其中,BI值代表所述判别矩阵的非一致性的严重程度。RI为平均随机一致性指标。
当BR≤0.1时,则所述判别矩阵通过一致性检验,所述判别矩阵是可靠的。当BR>0.1时,则所述判别矩阵无法通过一致性检验。
4.5.3)针对无法通过一致性检验的判别矩阵,不断调整未通过一致性检验的判别矩阵中的元素,直到未通过一致性检验的判别矩阵通过一致性检验。
4.6)计算各层权重值并得出目标层的最终运行状态评估得分。运行状态评估分数的计算公式如下:
式中,S表示评价体系结构中任一非指标层的评分。n(n>1)表示指标S下一层指标(准则层或指标层指标)的个数。Si表示非目标层指标i的评分。Wi表示非目标层指标i的权重。i表示非目标层指标,1<i<n。
5)将运行状态评估结果可视化。数据可视化主要包括实时运行状态评估结果显示和Spark交互式分析查询可视化。
6)可视化结合运行状态评估区域的GIS数据,在地图上使用不同的颜色表示出不同的运行状态。地图数据支持向下钻取到县/区的A+~E类供电分区。地图支持点击事件,可查看准则层的各项状态评估分数,以便于有针对性的找出供电区域内配电网的缺陷和不足。
7)实时运行状态评估的可视化结合百度的开源可视化图表插件Echarts制作智能仪表盘(Dashboard),通过DashBoard向运维人员展示实时运行状态曲线和实时状态评估结果,提高配电自动化系统运维人员的工作效率。
8)Spark交互式分析可视化。
融合ApacheZeppelin提供的web版交互式分析可视化平台,提供给操作人员利用SQL语言做一些简单的统计分析的接口。在编写SparkSQL、HiveSQL等相关程序时,能快速的将编写的程序的查询结果可视化呈现出来。
实施例2:
参见图5至图7,本实施例为采用Spark并行计算框架计算某供电区域运行状态评估的实例应用。
以计算线路结构指标中的10kv线路平均供电半径为例,对指标层指标值的计算做详细说明。指标计算方式及运行状态评估的主要步骤如下:
1)某供电区域内只有A+、A、B三个供电分区,其中A+分区共有线路133条、A分区共有线路387条、B分区共有线路14条线,线路供电半径的详细数据如表2所示。
序号 | 线路名称 | 电压等级 | 分区 | 供电半径(Km) |
1 | A+线路1 | 交流10kV | A+ | 1.80 |
2 | A+线路2 | 交流10kV | A+ | 3.00 |
... | ... | ... | ... | ... |
533 | B线路13 | 交流10kV | B | 2.00 |
534 | B线路14 | 交流10kV | B | 2.70 |
表2线路明细表
2)供电区域内各个供电分区的单条线路供电半径值如表3所示,根据区域层次结构图,向上计算出A+~B类供电分区的10Kv线路平均供电半径。
区域 | 线路条数 | 平均供电半径(Km) |
A+ | 133 | 2.07 |
A | 387 | 1.62 |
B | 14 | 3.10 |
表3A+~B供电分区平均供电半径
该供电区域内共有线路534条,根据各区域线路所占比例,整个大区域的10Kv线路平均供电半径计算公式为:
通过计算可得,整个供电区域的10Kv线路平均供电半径为1.77(Km)。其他指标层指标的计算方法与上述的方法类似,首先是计算线路层指标值,然后根据线路层指标值的计算结果计算出A+~B类供电分区的指标值,最后根据A+~B供电分区的指标值计算结果计算整个供电区域的指标值。
3)根据上述的计算方法,结合指标体系结构和区域体系结构,计算供电区域内各条线路的指标评价结果。主要步骤如下:
3.1)将存储在HDFS中的原始数据集随机切分。将切分的结果保存到不同的RDD中作为输入。
3.2)利用内存计算中的弹性分布式数据集RDD来并行计算线路指标值。利用Spark的并行计算机制在各个计算节点并行计算。
3.3)在各个计算节点,根据线路ID号将计算后的指标值进行局部聚合。
3.4)将各个计算节点的计算数据汇总到主节点,并进行全局聚合,从而得出每条线路的指标值。
3.5)根据步骤3.4中线路指标计算的结果,按照一定的计算规则,结合区域层次结构模型向上计算出供电区域内A+~B类供电分区的指标值。
进一步,运行状态评估的层次模型分为三层,分别为目标层、准则层和指标层。目标层为配电网运行状态评估指标。准则层为电网结构评估指标、装备水平评估指标、供电能力评估指标和可靠性评估指标。指标层为电网结构评估指标、装备水平指标、供电能力指标和供电可靠性指标。
电网结构评估指标主要包括10kv线路平均供电半径、10kv线路架空线路平均分数段、10kv配电网标准化结构占比、10kv线路联络率和10kv线路N-1通过率。
装备水平指标主要包括10kv线路截面标准化率、10kv在运设备平均投运年限、10kv线路电缆化率、10kv架空线路绝缘化率和高损配变占比。
供电能力指标主要包括10kv线路出线间隔利用率、10kv线路最大负载率平均值、10kv重载线路占比、10kv配变最大负载率平均值和10kv重载配变占比。
供电可靠性指标主要包括用户平均停电时间、用户平均停电次数和预安排停电时间占比。
3.6)经过Spark并行计算,供电区域当前的运行状态评估的指标值如表4所示:
表4供电区域指标计算结果
4)对配电网运行状态评估指标的指标得分进行计算。计算方式如表5所示。
其中,各个指标统一变换为[0,100]区间之间的整数。
表5配电网运行状态评估指标评分细则
5)根据步骤4得出的配电网运行状态评估指标的指标得分,采用层次分析法得出综合评价结果。
表6综合评价结果
由表6可知,对配电网运行状态的最后评估分数为85.771分,同时也可以对电网结构、装备水平、供电能力、可靠性进行评估,并获得每个指标在综合评价中的重要程度。Spark在并行计算区域层次结构模型中的大区域的同时,也会并行的计算出大区域下A+~E类供电分区的运行状态评估分数。计算方法与上述方法类似。
6)运行状态评估结果可视化.
点击想查看区域的地图,会在地图上方浮动显示出运行状态的评估分数,并在右边以表格的形式显示出当前供电区域内A+~E类供电分区的运行状态评估分数和当前供电区域内个准则层的评估分数,以便运维人员找出现状配电网的缺陷和不足。
Claims (4)
1.一种基于大数据技术的配电网运行状态评估方法,其特征在于,主要包括以下步骤:
1)采集智能电网各个供电区域的数据;数据源包括两部分数据;一部分数据是配电自动化系统的海量历史数据;另一部分数据是配电自动化系统的实时流数据;
2)对来自各个系统的数据进行多源异构数据融合;开源工具Kafka接收多源异构数据融合后得到的数据;开源工具Kafka将接收到的数据以实时或定时的方式存储到分布式文件系统HDFS中;
3)根据HDFS中的数据,利用Spark并行计算框架逐层计算供电区域的评价指标;主要计算步骤如下:
3.1)计算供电区域内各条线路的指标评价结果;主要步骤如下:
3.1.1)将存储在HDFS中的原始数据集随机切分;将切分的结果保存到不同的弹性分布式数据集RDD中作为输入;
3.1.2)利用内存计算中的RDD来并行计算线路指标值;利用Spark的并行计算机制在各个计算节点并行计算;计算结果的输出形式为<xl_id,<zb_id,value>>; (1)
其中,xl_id为所述线路ID;zb_id为指标ID;value为计算结果数值;
3.1.3)以<xl_id,<zb_id,value>>作为本步骤的输入,在各个计算节点,根据线路ID号将计算后的指标值利用Spark的groupByKey函数进行局部聚合;
3.1.4)将各个计算节点的计算数据汇总到主节点,并利用Spark的groupByKey函数进行全局聚合,从而得出每条线路的指标值;将得到的每条线路指标值数据输出到HDFS中,输出形式为<xl_id,List<zb_id,value>>; (2)
其中,xl_id为线路ID;List为线路的指标集合;zb_id为指标ID;value为计算结果数值;
3.2)根据步骤3.1.4中线路指标计算的结果,结合区域层次结构模型向上计算出供电区域内A+、A、B、C、D、E类供电分区的指标值;
线路指标值的计算方法,根据指标值含义的不同,分为两种;两种指标计算方法分别如下:
针对可以在线路层面求出具体值的指标,结合区域层次结构模型向上的计算公式为:
对于无法在线路层面计算的指标值,采用0或1来表示该线路是否满足该指标,满足为1,不满足为0;对于无法在线路层面计算的指标值,结合区域层次结构模型向上的计算公式为:
3.3)根据步骤3.2计算出的A+、A、B、C、D、E类供电分区的指标值,按照加权系数,结合区域层次结构向上计算出整个供电区域的指标值;
4)对步骤3中的评价指标计算结果,运用层次分析法,计算出各层次的权重,并得出A+、A、B、C、D、E类供电分区和当前供电区域的运行状态评估结果;层次分析法的主要步骤如下:
4.1)确定需要评估的供电区域;
4.2)读取待评估区域指标层的各项评价指标;
4.3)构建层次结构模型;运行状态评估的层次模型分为三层,分别为目标层、准则层和指标层;准则层为电网结构评估指标、装备水平评估指标、供电能力评估指标和可靠性评估指标;目标层为配电网运行状态评估指标;指标层为电网结构评估指标、装备水平指标、供电能力指标和供电可靠性指标;
4.4)构造出各个层次的判别矩阵;
通过1~9互反性标度理论设定评估因素之间的相对重要性;对评估因素进行两两比较;比较结果为判别矩阵中的元素值;
4.5)对目标层、准则层和指标层进行排序;确立判别矩阵后,对所述判别矩阵进行一致性校验;
对所述判别矩阵进行一致性检验的步骤主要如下:
其中λmax为判别矩阵的最大特征根;n为阶数;
4.5.2)引入随机一致性指标判断所述判别矩阵是否可以接受;
其中,BI值代表所述判别矩阵的非一致性的严重程度;RI为平均随机一致性指标;
当BR≤0.1时,则所述判别矩阵通过一致性检验,所述判别矩阵是可靠的;当BR>0.1时,则所述判别矩阵无法通过一致性检验;
4.5.3)针对无法通过一致性检验的判别矩阵,不断调整未通过一致性检验的判别矩阵中的元素,直到未通过一致性检验的判别矩阵通过一致性检验;
4.6)计算各层权重值并得出目标层的最终运行状态评估得分;运行状态评估分数的计算公式如下:
式中,S表示评价体系结构中任一非指标层的评分;n表示指标S下一层指标的个数;所述下一层指标为准则层或指标层;n>1;Si表示非目标层指标i的评分;Wi表示非目标层指标i的权重;i表示非目标层指标,1<i<n;
5)将运行状态评估结果可视化;数据可视化主要包括实时运行状态评估结果显示和Spark交互式分析查询可视化;
6)可视化结合运行状态评估区域的GIS数据,在地图上使用不同的颜色表示出不同的运行状态;
7)实时运行状态评估的可视化结合百度的开源可视化图表插件Echarts制作智能仪表盘Dashboard,通过DashBoard向运维人员展示实时运行状态曲线和实时状态评估结果。
2.根据权利要求1所述的一种基于大数据技术的配电网运行状态评估方法,其特征在于:步骤1中采集的数据来源主要包括PMS、SCADA、GIS配电网子系统和外部天气信息。
3.根据权利要求1所述的一种基于大数据技术的配电网运行状态评估方法,其特征在于:配电网的实时数据采集周期是15分钟;采用Flume采集配电自动化系统的实时流数据;采用Sqoop抽取关系数据库Oracle中的配电自动化系统的海量历史数据。
4.根据权利要求1所述的一种基于大数据技术的配电网运行状态评估方法,其特征在于:地图数据支持向下钻取到县/区的A+、A、B、C、D、E类供电分区;地图支持点击事件,可查看准则层的各项状态评估分数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711158412.8A CN107918830B (zh) | 2017-11-20 | 2017-11-20 | 一种基于大数据技术的配电网运行状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711158412.8A CN107918830B (zh) | 2017-11-20 | 2017-11-20 | 一种基于大数据技术的配电网运行状态评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107918830A CN107918830A (zh) | 2018-04-17 |
CN107918830B true CN107918830B (zh) | 2021-11-23 |
Family
ID=61897368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711158412.8A Active CN107918830B (zh) | 2017-11-20 | 2017-11-20 | 一种基于大数据技术的配电网运行状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107918830B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876154B (zh) * | 2018-06-22 | 2022-04-05 | 国网辽宁省电力有限公司朝阳供电公司 | 一种电网规划大数据分析系统 |
CN109142916A (zh) * | 2018-07-28 | 2019-01-04 | 宋云飞 | 电能质量监测系统 |
CN109116148A (zh) * | 2018-07-28 | 2019-01-01 | 宋云飞 | 电能质量监测方法 |
CN109409653A (zh) * | 2018-09-14 | 2019-03-01 | 国电南瑞科技股份有限公司 | 一种面向流程的电网运行故障处置数据可视化分析方法 |
CN109636124A (zh) * | 2018-11-18 | 2019-04-16 | 韩霞 | 基于大数据的电力行业低压台区线损分析方法及处理系统 |
CN111080131B (zh) * | 2019-12-18 | 2022-06-28 | 东北电力大学 | 一种基于梯级组合评分的农村电网改造方法 |
CN111241085B (zh) * | 2020-01-16 | 2022-02-01 | 四川大学 | 一种基于气象数据的自然分区可视化方法 |
CN112181972A (zh) * | 2020-11-02 | 2021-01-05 | 北京通付盾人工智能技术有限公司 | 基于大数据的数据治理方法、装置和计算机设备 |
CN113393102B (zh) * | 2021-06-02 | 2022-08-12 | 重庆大学 | 一种基于数据驱动的配电变压器运行状态趋势预测方法 |
CN117178769B (zh) * | 2023-11-08 | 2024-01-19 | 临沂市园林环卫保障服务中心 | 一种基于自动化的园林植物养护方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063657A (zh) * | 2010-12-23 | 2011-05-18 | 中国电力科学研究院 | 一种城市配电网运行水平与供电能力评估方法 |
CN106324428A (zh) * | 2016-07-28 | 2017-01-11 | 东南大学 | 基于大数据的电力电缆监测系统及监测方法 |
CN106484809A (zh) * | 2016-09-23 | 2017-03-08 | 华北电力大学(保定) | 一种基于Spark的能源互联网信息平台及其应用 |
CN106502772A (zh) * | 2016-10-09 | 2017-03-15 | 国网浙江省电力公司信息通信分公司 | 基于分布式离线技术的电量数据批量高速处理方法及系统 |
CN106547882A (zh) * | 2016-11-03 | 2017-03-29 | 国网重庆市电力公司电力科学研究院 | 一种智能电网中营销大数据的实时处理方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014194251A2 (en) * | 2013-05-30 | 2014-12-04 | Vaibhav Nivargi | Apparatus and method for collaboratively analyzing data from disparate data sources |
US20170316094A1 (en) * | 2016-04-29 | 2017-11-02 | Sparkflows, Inc. | Browser based, pluggable, workflow driven big data pipelines and analytics system |
-
2017
- 2017-11-20 CN CN201711158412.8A patent/CN107918830B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063657A (zh) * | 2010-12-23 | 2011-05-18 | 中国电力科学研究院 | 一种城市配电网运行水平与供电能力评估方法 |
CN106324428A (zh) * | 2016-07-28 | 2017-01-11 | 东南大学 | 基于大数据的电力电缆监测系统及监测方法 |
CN106484809A (zh) * | 2016-09-23 | 2017-03-08 | 华北电力大学(保定) | 一种基于Spark的能源互联网信息平台及其应用 |
CN106502772A (zh) * | 2016-10-09 | 2017-03-15 | 国网浙江省电力公司信息通信分公司 | 基于分布式离线技术的电量数据批量高速处理方法及系统 |
CN106547882A (zh) * | 2016-11-03 | 2017-03-29 | 国网重庆市电力公司电力科学研究院 | 一种智能电网中营销大数据的实时处理方法及系统 |
Non-Patent Citations (4)
Title |
---|
Bigtable: A Distributed Storage System for Structured Data;Fay Chang et al.;《ACM Transactions on Computer Systems》;20080601;第26卷(第2期);第1-26页 * |
The Application of Spark in the Power Grid Intelligent Decision Analysis Platform;Wei Li et al.;《2015 7th International Conference on Intelligent Human-Machine Systems and Cybernetics》;20151123;第216-219页 * |
基于Spark的电力设备在线监测数据可视化方法;曲朝阳;《电工电能新技术》;20161123;第35卷(第11期);第72-80页 * |
大数据在配电系统的应用;张东霞 等;《供用电》;20170605;第34卷(第6期);第2-7页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107918830A (zh) | 2018-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107918830B (zh) | 一种基于大数据技术的配电网运行状态评估方法 | |
CN107169628B (zh) | 一种基于大数据互信息属性约简的配电网可靠性评估方法 | |
CN108320040B (zh) | 基于贝叶斯网络优化算法的采集终端故障预测方法及系统 | |
CN105701596A (zh) | 一种基于大数据技术的配网抢修精益化方法以及管理系统 | |
CN110750524A (zh) | 一种有源配电网故障特征的确定方法及系统 | |
CN106022614A (zh) | 一种基于最近邻聚类的神经网络数据挖掘方法 | |
CN107784393A (zh) | 一种输电线路的缺陷预测方法及装置 | |
CN106980906B (zh) | 一种基于spark的Ftrl电压预测方法 | |
CN107832876A (zh) | 基于MapReduce框架的分区最大负荷预测方法 | |
CN107784392A (zh) | 一种基于机器学习的输电线路的缺陷预测方法及装置 | |
CN111144637A (zh) | 基于机器学习的区域电网地质灾害预报模型构建方法 | |
CN113344408A (zh) | 民航交通管制运行多尺度态势感知流程的处理方法 | |
CN108647860A (zh) | 基于OpenStack的电力设备状态监测与评估云平台 | |
CN111814528A (zh) | 一种连通性分析的夜光影像城市等级分类方法 | |
CN109412155B (zh) | 一种基于图计算的配电网供电能力评估方法 | |
CN106815320B (zh) | 基于拓展三维直方图的调研大数据可视化建模方法及系统 | |
CN113743453A (zh) | 一种基于随机森林的人口数量预测方法 | |
CN111144628A (zh) | 一种分布式供能的冷热电负荷预测模型系统及方法 | |
Sachan et al. | Multiple correspondence analysis to study failures in a diverse population of a cable | |
Zhou et al. | Study on Optimization of Data-Driven Anomaly Detection | |
Wang et al. | Air quality data analysis and forecasting platform based on big data | |
CN112488360A (zh) | 基于人工智能的配变异常分析预警方法 | |
Chen et al. | An analytical method of data mining on voltage sag based on gray target theory and cloud model | |
Li et al. | Research on spatial data mining based on uncertainty in Government GIS | |
Keyan et al. | Anomaly detection method of distribution network line loss based on hybrid clustering and LSTM |
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 |