基于大数据的电力能源信息采集方法研究

包迅格，张景明，张 吉，尚天婷

（国网浙江省电力有限公司 信息通信分公司，浙江 杭州 310020）

0 引 言

电力能源信息指的是在电力能源网运行过程中所产生出的信息数据，一般情况下会蕴含大量有效信息，因此电力能源信息采集是获取信息的有效途径，相应的采集方法也应势而生[1]。我国针对电力能源信息采集方法的研究起步较晚，主要是通过通信电力能源信息处理的方式统一采集。但由于电力能源信息基数庞大且类型不一，导致传统采集方法在实际应用中存在采集波特率低的缺陷，因此优化设计电力能源信息采集方法具有现实意义，能够为电力能源信息采集方面的发展提供支持[2]。大数据的核心就是统一处理巨量资料，具有聚类能力强和处理效率高的特点[3-5]。为此，本文将大数据应用在电力能源信息采集方法设计中，致力于从根本上提高电力能源信息采集波特率，进而提高其采集效率。

1 大数据

大数据通过互联网的优越性彻底打破了时间及空间的限制，在海量信息中挖掘出有价值的信息，以多元的方式呈现数据，形成庞大的信息队列，其中也隐含了实时性的优势。大数据借助信息化技术为依托，通过在大量数据中提取出有价值的信息，并挖掘数据中存在的内部规律。结合国外对大数据的研究，主要将大数据以技术原理为准则分为数据存储技术和数据处理技术两类，广泛应用在各个领域。

2 电力能源信息采集方法设计

2.1 加载信息

在电力能源信息采集过程中，首先连接链路层，接入采集设备加载原始电力能源信息，再通过图像加载电力能源信息信号，显示信号波形[6]。加载电力能源信息信号具体流程为对原始电力能源信息进行数据通路，然后通过矢量化处理电力能源信息信号生成拓扑，最后通过WAV格式来描述电力能源信息信号，由数据编码通信运行电力能源信息属性，录入电力能源信息信号属性。

2.2 显示信息物理特征

基于获取的电力能源信息信号，利用大数据技术中的Apache Drill对采集到的信号进行物理特征切割，并显示采集要素[7]。由于加载后的电力能源信息信号通常采用ESR1格式，为了更好地显示电力能源信息信号的物理特征，可以通过傅立叶变换和遥控指令两种方式实现信号的定时和远程控制。本文以信号短时平均能量表示电力能源信息信号物理特征，设信号短时平均能量表达式为E，可得：

式中：n代表的是信号字符长度，为实数；m代表的是Apache Drill切割函数长度，为实数；x代表的是采集频率；w代表的是开发环境延迟。根据式（1）计算得到的电力能源信息信号物理特征，经过数据引擎的空间结构处理和3D可视化扩展，针对电力信息信号的物理特征，建立一种综合可集成的并能根据具体需求多层次显示信号的数据通道。

2.3 加权融合电力能源信息特征

以显示得到的电力能源信息物理特征为依据，基于大数据技术加权融合电力能源信息特征[8]。本文以电力能源信息特征的重要程度为指标，基于大数据的云计算计算电力能源信息特征距离Sim(x,y)，其表达式为：

式中，n代表的是特征矢量，i代表的是特征个数，w指的是平滑系数，m代表的是摩擦系数，k代表的是权值系数，g代表的是隶属度函数，μ代表的是特征嵌入维数，x代表的是一维距平化Hamming距离横坐标，y代表的是一维距平化Hamming距离纵坐标。电力能源信息一维距平化Hamming距离横纵坐标能够直接决定其特征属性中的具体点位信息，即为特征描述[9]。以此得出的电力能源信息特征距离如表1所述。

表1 电力能源信息特征距离

根据表1所示的电力能源信息特征距离，为便于计算本文采用对称性特征距离属性，基于大数据技术下的Hadoop分布式非结构化表示若干个小的电力能源信息特征集合，进而加权融合电力能源信息特征[10]。设大数据下电力能源信息特征加权融合为P=αe-α(c-o)，其中α代表的是特征数量，e代表的是特征的先验概率，c代表的是特征集合中时间，o代表的是特征加权融合创建时间[11]。以此为电力能源信息特征的分数索引，其分数越高证明在采集时的优先级越高，保证尽可能提取更多的电力能源信息结点。

2.4 跟踪电力能源信息

基于大数据技术加权融合电力能源信息特征后，还需要处理电力能源信息的发射点与采集路径。而后基于大数据分析电力能源信息，假定经过滤波转换后，电力能源信息信号的能量传输呈现逐步递减趋势，则可将基于大数据Rapid Miner跟踪电力能源信息信号的目标函数设为C，可得：

式中，k代表的是信号能量值。以此作为电力能源信息信号跟踪的依据，确定电力能源信息信号的采集路径。

2.5 实现电力能源信息采集

针对跟踪到的电力能源信息信号，本文将捕获的UWB脉冲基带调制为弱无线信号与局部伪码相关联，用阈值方法或求最大值方法确定电力能源信息信号是否被捕获。如果计算出的值大于阈值，则说明已成功捕获该电力能源信息信号，并进行后续跟踪工作。

在此基础上，通过基于PB级数据采集技术完成电力能源信息采集，处理后的信息列表项为Mobile Service类Layer属性的集合，其将编辑过的元素分配到信号对象Feature Layer的实例中，在信号采集缓冲区中判断所选的信号，如果选择简化信号处理点，则将信号处理点实例化为Sketch Graphic Layer的Geometry属性并写入缓冲区。通常情况下，电力能源信息数据采集结果的刷新周期为10 s，通过设置合适的刷新周期目的是防止修改、丢失以及不可重读电力能源信息，至此实现基于大数据的电力能源信息采集方法研究。

3 实验分析

3.1 实验准备

为验证基于大数据电力能源信息采集方法的有效性，设计实验分析，在某电力能源信息数据库中选取2 000个区域范围为（0,10 000）中的100 M（±0.02 M）字节信息。使用本文基于大数据设计方法采集电力能源信息，将采集端口连接至计算机，通过MATALB软件测得其数据采集波特率，记为实验组。再使用传统方法采集电力能源信息，同样将采集端口连接至计算机，通过MATALB软件测得其数据采集波特率，记为对照组。数据采集波特率越高，代表同时段内对电力能源信息的采集效率越高。

3.2 实验结果分析

在上述实验准备的基础上，整理和生成如图1所示的实验结果。

图1 电力能源信息数据采集波特率对比

由图1可知，本文设计的方法采集波特率明显高于对照组，在相同区域范围内对于电力能源信息采集效率更高，最高达0.194 bit/s。由此可知，本文设计方法可以解决电力信息采集波特率低的问题，具有一定的实际应用价值。

4 结 论

本文为了提高电力信息采集效率，以实验分析的方式证明了设计采集方法在实际应用中的适用性，能够解决传统电力能源信息采集中存在的效率低的缺陷。但本文同样存在不足之处，主要表现为未检验本次电力能源信息采集波特率测定结果的精密度与准确度，因此为进一步提高电力能源信息采集波特率测定结果的可信度，需在未来研究中加以补足，以期提高电力能源信息采集能力。