大數據技術的興起已引起電力系統各領域的高度關注，2013 年《中國電力大數據白皮書》[1]的發表，為我國電力大數據技術的發展指明了方向。以此為契機，相關技術研究和應用嘗試日益活躍[2-8]，統一的電力大數據平臺也已在設計、開發之中。大數據具有 4V 特征，強調跨領域、多類型數據的融合與利用[9-15]，其以云計算為基礎，在理論研究和實際應用方面涉及一系列軟硬件技術的進步[16-22]。電力大數據技術是大數據在電力行業的應用和發展，包括有分布式存儲、并行計算，以及各種分析算法等組件，并充分吸收電力系統云計算的先進成果[23-28]。

　　最終實現大數據技術在電力系統的全面應用，從電力系統各子領域出發的研究和實踐是必經之路。這些子領域中的數據通常也具有多類型、分散和未充分利用的特征，借助大數據技術既可促進子領域的技術進步，也能夠在一個較小的、可控的范圍內驗證、發展電力大數據技術，并為最終的多領域融合作好準備。事實上，大數據的含義也在不斷演變中，正是在與各類實際問題的互動過程中，才真正具有活力。

　　本文以電力大數據技術的基本支撐為前提，著重探討了電網仿真數據的特征，以及大數據技術與電網仿真計算相結合時可適用的問題和研究重點。

　　1 數據特征

　　電力系統仿真計算數據屬于結構化數據，主要特點有： 1)多類型異構。不同計算軟件、不同類元件、同一元件的不同模型，以及不同類計算結果的數據結構差異較大; 2)在線計算數據與離線計算數據的同質性。電力系統仿真中的在線數據通常由量測信息與離線計算數據拼合而成，數據結構相似，因而數據分析的研究成果具有在 2 種數據上通用的可能; 3)存儲方式多樣。在線數據通常是集中存儲、定期更新，而大部分離線數據則分散于工作人員的個人計算機中; 4)體量巨大。隨著智能電網調度技術支持系統 (簡稱 D5000)的廣泛使用，在線計算數據飛速積累，體量上將可達到 PB 級別。雖然離線計算原始數據的單一體量較小，但分析計算產生的結果數據體量巨大。例如，對 10000 節點電網全網母線進行短路電流掃描并計算各母線故障下的全網電壓，將會產生 1×109個母線電壓結果，數據文件達到 GB 級。此外，同電力系統的其他領域相比，仿真計算在大數據研究方面具有一個獨有優勢，即仿真計算本身就可以產生豐富的、高質量的數據，受歷史積累、系統量測，以及數據源不足的限制相對較小。

　　2 適用問題

　　2.1 仿真計算數據的統一管理電力系統仿真計算數據按來源主要分為在線和離線 2 大類。目前，在線數據主要存儲于能量管理系統(energy management system，EMS)，離線數據主要由計算人員本地管理。為了統一電網計算數據，提高數據質量，省級以上電網公司已陸續建立了數據中心[37]，但其管理范圍僅限于部分電網仿真標準公用數據。電力大數據技術既適用于大規模數據的集中存儲，也能將數據管理延伸到分散的計算端和存儲端。同時，其還能提供數據清洗、整合等各種基本服務，并為實現仿真數據與其他領域數據的融合奠定基礎。

　　2.2 仿真計算中間結果利用電力系統仿真計算較多地涉及非線性方程和微分方程求解，二者都涉及迭代計算。現有的各種算法在應用于實際大系統計算時，常會出現計算失敗或結果異常的情況，如潮流計算不收斂[38-40]，或是得到不合理解。對仿真計算中間結果進行數據分析，通過觀察計算收斂的變化過程，確定關鍵影響因素，將有助于在計算過程中制定有效的調整方案，提高迭代計算的收斂性和魯棒性，進而推進仿真計算技術的進步。

　　2.3 時域仿真結果應用在常規的電力系統時域仿真中，多關注擾動發生后系統能否保持穩定，即最終的仿真結果。但隨著我國電網規模的擴大和電壓等級的升高，系統中出現了一些涉及范圍廣、失穩時間長的問題，如低頻振蕩[42]。在時域仿真中，元件模型的所有變量通常都可以計算并輸出。利用這些數據，能夠實現對電力系統動態過程的精細觀察，通過與描述系統演變的數學、物理方法相結合[43-46]，從多方面掌握系統在空間和時間上的變化情況，進而提取運行規律、模式，加深運行人員對系統動態特性的理解。

　　3 研究重點

　　3.1 總體思路實現大數據技術與電力系統仿真計算結合的首要條件是建立電力大數據平臺，解決單機用戶在數據存儲、計算能力等方面無法自行克服的問題。在此基礎上，可結合系統仿真的技術背景、研究目的和數據特點，從專業角度出發采取理論研究與應用開發相結合的方式開展工作。就第 2 節中所提出的幾個適用問題而言，其研究范圍主要包括分析模型建模、分析方法本地化，以及實際應用等方面。

　　3.2 分析模型建模在分析模型建模方面的首要問題是特征量(樣本屬性)的選取，主要包括特征初篩和壓縮。在初篩中確定與問題可能相關的特征量，而后再根據需要進行數據壓縮。目前，在與系統仿真相關的領域，對該問題的研究已有較多成果[54-58]，結合大系統仿真數據分析的需求，可在以下方面推進研究工作： 1)借鑒現代穩健回歸[59-60]思想，采用抗擾性強、效率高的統計量表征系統狀態變量的整體情況，從而提高初始特征量的質量，如用中位數代替平均值、使用 M 估計等。文獻[61-63]研究了穩健回歸在電力系統中的應用; 2)基于核方法，在核空間中進行數據的主成分分析，提升數據壓縮和主導特征值提取的效果，文獻[64-66]討論了該方法; 3)電網仿真數據中包含有大量信息，而現有方法中的初始特征量通常由人工給出，有可能存在遺漏或干擾。基于已有知識自動生成或篩選初始特征量是解決該問題的一條可能途徑。專家系統[67] 是將形式化建模的先驗知識應用于實際問題的成熟方法，但如何將其或類似方法應用到初始特征量選取還需進一步研究。需要注意的是，對信息的壓縮通常會導致信息的損失，因此在計算能力允許的情況下，應盡可能減小壓縮量或不壓縮。大數據平臺的應用可以放寬對特征量篩選和壓縮的要求。

　　3.3 分析方法本地化在分析算法方面，主要涉及機器學習、數據挖掘、人工智能等領域，這其中的大部分算法實質上是相通的。在與電網問題相結合上，相關研究主要包括結合電力系統仿真分析特點，進行算法自身改進和算法融合 2 個方面，目前已有許多成果[29-36,68-71]，后續可繼續關注的方面有： 1)以 Hadoop、MapReduce 等并行數據處理框架為基礎，進一步實現算法運算和數據處理的并行化，文獻[72-76]對大數據環境下的此類問題進行研究; 2)常見學習算法的訓練通常都已較為成熟，但某些方法的參數選擇卻較為困難，如各種基于核函數的算法，文獻[71，77-80]從不同角度對此進行了研究; 3)已有成果中，算法的評估多采用算例結果有效性評價方式，對算法性能和結果可信度的反應不夠全面，應加強相關的理論分析，如計算復雜度、出錯界限等[81]。

　　4 引入大數據技術可能帶來的問題

　　大數據技術與電力系統仿真相結合也會帶來一些問題，除了一般性的資源占用過多、重復發現已有知識等不利影響外，還包括有： 1)邊際效應。大型電網分析系統一般都是分階段建立的，在經過最初的高產出比階段之后，各種資源的新增投入與數據分析效果提升的比值將會越來越大，直至失去技術經濟意義; 2)數據共享。實際電力系統仿真數據有保密要求，一般用戶很難獲得。而大數據技術的引入需要有眾多的參與者，在無法獲得足夠樣本的情況下，大量研究工作難以展開; 3)“正確的”錯誤。在沒有模型、算法錯誤的前提下，數據分析發現的關聯也有可能只是表面現象，如關聯是偶然的，或者中間存在諸多環節、不具有實際價值等。冒然使用這樣的結果，可能會對電網運行安全造成不利影響; 4)決策困境。數據分析和仿真計算的結論可能會不一致，如果按“最嚴重”標準選取結果，可能會導致付出不必要的代價。針對上述問題，可進行的工作有： 1)開展“預言性數據分析問題”研究[9]，確定解決目標問題所需的數據量，對資源投入和數據分析效果作出合理預估，從而指導系統的構建。目前尚缺乏這方面的深入探討和實際應用。 2)將共享數據改為傳遞算法，即建立開放性的算法研究平臺[90]，研究者將其數據分析程序傳遞到平臺上進行驗證; 3)對于問題 3 和 4，最根本的解決途徑是結合已知的電力系統物理特性，對數據分析結論進行合理解釋，包括其背后的因果聯系、適用條件、成立概率等。在此基礎上可以剔除無用的分析結果并逐步建立對大數據技術的信心。

　　5 展望

　　隨著技術的成熟，未來電力大數據平臺將會與EMS、ERP 等系統類似，成為電力系統規劃、設計、運行、管理的一個“基礎設施”。電網各領域看待問題的視角將會由當前的信息和結果，逆著數據變化的趨勢向問題的源頭溯源移動。同時，也會依從數據變化的規律，探索其新的趨向，發現潛藏于其中的未來景象。

　　綜上所述，大數據技術與電力系統仿真的結合將能夠為系統分析提供新的手段、視角，甚至于方法。本文基于對仿真分析和電力大數據的認識，探討了該方面研究可能的思路和要點，后續將在此基礎上進一步開展具體工作。本文的研究也可為電力大數據涉及的其他相關領域提供積極的參考。

　　參考文獻

　　[1] 中國電機工程學會信息化專委會.中國電力大數據發展白皮書(2013)[R].北京：中國電機工程學會，2013. Chinese society for electrical engineering informatization committee.Chinese electric power big data development white paper(2013)[R] . Beijing ： Chinese society for electrical engineering，2013(in Chinese).

　　[2] 宋亞奇，周國亮，朱永利.智能電網大數據處理技術現狀與挑戰[J].電網技術，2013，37(4)：927-935. Song Yaqi，Zhou Guoliang，Zhu Yongli.Present status and challenges of big data processing in smart grid[J].Power System Technology，2013，37(4)：927-935(in Chinese).

　　《電力大數據技術與電力系統仿真計算結合問題研究》來源：《中國電機工程學報》，作者：黃彥浩，于之虹，謝昶，史東宇，周孝信