电能计量中的数据融合分析

电能计量中的数据融合分析

陆舒豪

广东电网有限责任公司茂名高州供电局广东省茂名市 525200

摘要：电能在多种行业中发挥着至关重要的作用，这使得电能计量器具的需求量与日俱增。由于电能计量器具种类繁多、规格多样、型号不一，如何对各种电能器具信息进行管理，成为当前热议的话题。在现有技术中，库房管理大多采用人工管理，自动化程度较差，需要的人工劳动较多。随着电能计量技术的飞速发展，电能计量库房管理系统逐步向自动化、智能化的方向发展，电能计量数据的管理也逐步脱离人工作业，电能计量器具检定流水线逐步形成规模，而面向电能计量器具检定流水线的库房管理能力滞后。

关键词：电能计量；数据；融合分析

引言

随着网络的飞速发展，智能电网被广泛的使用。在大数据环境下，电能计量装置会产生大量的数据信息，各种数据信息错综复杂，电能计量大数据的管理面临着新的挑战。深入地分析、挖掘电能计量数据信息能够使用户更好地把控电能质量信息。

1电能计量中的数据融合分析的必要性

目前，随着电力系统应用的增多，智能电能表发挥着至关重要的作用。智能电能表、传感器、信息系统能够产生海量的数据，这些大数据蕴含着庞大的社会经济和科学价值。随着云计算、大数据技术的不断发展，逐步出现了基于大数据的云计算，比如平台即服务(PasS)、基础设施即服务(IasS)、虚拟化(Virtualization)的软件类型来实现大数据处理。用户通过云计算能够快速、准确地搜索、使用电能计量装置中的大数据。由于电能计量装置中产生的数据量大，类型繁多，用户使用起来极为不便，就需要一种新型计算方法来处理这些问题。该研究采用随机森林算法的方式实现电能计量装置的统一管理、智能存储、数据处理、数据分析、数据可视化等应用，通过采用随机森林算法能够实现随机抽取电力数据样本的分析，用户能够从电力数据库中精确地获取属性不同的数据，提高用户对电能计量装置大数据的处理能力。

2电网公司电能计量业务现存的关键问题及成因

针对电网公司电能计量业务和有关的系统应用、业务支持、建设情况等进行全方位分析，得知很多电网公司的电能计量系统应用和数据管理面临着部分问题需要解决：（1）电网公司存在数据机构差异问题，营销业务应用系统和省级计量生产调度平台和用电信息采集系统属于二级统推，系统建立厂商在系统功能性和数据流转的技术手段方面存在一定差异，底层数据表也出现了明显不同。（2）数据入口较多，导致一表多源现象较为明显，可能导致数据冲突等问题。（3）业务数据难以实现共享，数据共享与应用存在内外多种因素影响，共享过程困难重重。而电能计量专业数据的共享需求量最为明显，在营销内部实施数据应用时无法全面展现数据的价值，导致数据利用率难以保障。（4）系统设计文档管理不足，管理工作不够集中，不同系统设计文档也出现收集不齐、不全、质量较差等现象。（5）数据字典质量与系统运行状态脱轨，且管控效果不佳。

3基于电能计量的业务数据融合路径

3.1数据融合实施的要点分析

（1）以公司业务体系为中心，促进数据融合。将公司业务体系作为中心，通过业务之间的关联性、业务和数据的映射等作为基础，根据公司运营检测业务的大数据融合要求，针对数据融合采取针对性、全面性的管理举措进行管理。对于业务数据融合来说，电网公司需要进一步应用业务体系基础，明确数据框架内容的完整性，针对数据融合的需求范围实现全面覆盖。（2）将公司数据标准治理及主数据识别为条件，推助数据融合。根据目前业务数据融合存在的问题和不足来分析，部分电网公司存在着数据标准一致性不足、主数据管理不力等现状，这对于电网公司数据融合来说带来了不利影响，数据融合结果的治理效果也难以保障。对此需要借助公司数据标准治理以及主数据识别等手段，进一步加强公司数据标准水平，为数据的准确性带来更加稳定可靠的标准支持。

3.2设计大数据管理平台

在设计中，数据层包括数据管理接口、数据交互接口、数据采集接口以及电能计量器具检定输送线整个流程过程中不同阶段输出的数据信息。在数据计算层，设置了多种数据算法模型，以根据用户的不同需求，选择性地处理各种数据信息。大数据模型可以采用分类模型、关联模型、融合算法模型、数据优化模型、故障诊断模型和联机分析算法模型等，这需要根据用户的不同需求进行选择，最终实现库房数据库中各种电能表计量资产信息的计算、存储、传递和共享，大大提高数据的管理能力。在研究的库房管理数据库中，包含了智能RFID射频识别数据信息、机器人码垛机、AGV自动激光传导数据新型、图像采集数据信息、监控信息、物流传递数据等多种信息。在进行库房数据管理中，使用最多的就是分类算法。采用了CART算法模型和BP神经网络算法模型，实现了电能表大数据的处理和分类。基于物联网技术、自动化技术、传感器技术和大数据处理技术构建出新型的电能计量资产库房管理系统，实现各种电能计量资产不同数据信息的采集、存储、追溯、分类、管理等，进一步提供各种情况下的数据查询、数据分类、数据溯源、安全访问，实现了电能计量资产数据信息的进库、出库的等管理。随着电能技术的发展、电力计量器具的广泛使用、应用，在面对计量资产器具智能库房管理时，智能化库房管理已经成为电力行业广大用户的急需，也是计量资产管理、运营的发展趋势。

图 主程序流程图

3.3大数据的电能计量误差分析

基于大数据的电能计量误差分析系统选用Hadoop的HDFS作为数据存储基本架构，选用Hive作为数据仓库管理工具，并结合Spark计算框架的效率特点，充分实现基于大数据的电能计量误差分析的快速存储、高效计算以及分布式并行优化处理。同时，有效结合了Hadoop与Spark两个框架的计算平台能够为海量计量数据提供更为行之有效存储容量、并行优化处理能力以及快速计算能力。存储计算单元主要完成基于Hadoop与Spark的基础平台下的数据快速存储于高效计算。分析诊断单元主要完成电能计量误差特征值提取、误差信息分析以及误差类型诊断。工程应用单元则主要完成电能计量误差的实时查询与诊断结果显示。在整体方案中，单元之间呈现强关联性，从数据采集到工程应用，每一级均为下一步提供服务与支持。简言之，采集与存储是计量误差分析的基础，分析诊断是计量误差的核心，而工程应用则是计量误差分析直接呈现给用户的结果。分析了采样值传输、模拟量输入合并单元、数字化电能表的计量误差及其对电能计量的影响，搭建了基于Hadoop与Spark的电能计量误差分析基础平台。该平台运用Kettle集群模式完成数据采集的定时增量的一次性导入，再利用Spark框架RDD进行故障特征提取的快速计算，获得误差特征值，然后采用朴素贝叶斯算法对电能计量误差的大数据分析平台进行并行优化处理，并对电能计量误差类型进行有效诊断。试验测试结果表明于大数据平台的电能计量误差分析方案具有高效分布式数据处理能力。

结束语

通过建立SP－DPP云平台进行云计算，在SP－DPP平台处理、分配电力营销大数据处理任务时，能够把数据在电能管理大数据中心节点上调度，大大提高了数据的处理能力，同时采用物联网技术，实现底层设备到上层数据的传递。在软件平台设计中，又采用随机森林算法实现数据的更精确学习和评估。该研究融合了“大数据+随机森林算法”的深度学习算法，使得电能计量装置中非结构化、模式多变的电力大数据群中的数据得到了有效分析，提高了用户对大数据的分析精度，扩大了用户对电力计算大数据的使用范围。

参考文献

[1]朱强.电能计量自动化系统建设及其在电力营销中的应用实践[J].电气技术与经济,2020(04):67-69.

[2]李婉婷,孙佳炜.对电能量计量系统中异常数据的处理与探讨[J].电气传动自动化,2020,42(04):55-58.

[3]朱山川.数据网关在电能计量管理系统中的设计[J].浙江水利水电学院学报,2020,32(01):77-81.

[4]徐敏,杨三美.基于电能计量数据的公司数据融合初步研究[J].通信电源技术,2019,36(09):212-213.

[5]向鑫.智能变电站全站电能计量信息同步高精度采集及监测系统研究[D].华中科技大学,2019.