摘要：电力大数据技术的进步为电力系统各领域提供了新的发展契机。本篇文章围绕电力大数据技术与电力系统仿真计算结合问题展开研究，并结合具体问题进行分析与探讨。
关键词：大数据技术；电力系统；仿真计算；结合
1电力大数据技术与电力系统仿真计算结合问题的研究重点
1.1实现大数据技术与电力系统仿真计算结合的
首要条件是建立电力大数据平台，解决单机用户在数据存储、计算能力等方面无法自行克服的问题。在此基础上，可结合系统仿真的技术背景、研究目的和数据特点，从专业角度出发采取理论研究与应用开发相结合的方式开展工作。大数据技术本质上是一个知识发现的过程，要从信息与知识的形成和结果应用的角度看。
.png)
图中的实线箭头表示处理过程，虚线箭头表示可能的作用。其中，“关联关系”泛指由数据挖掘、机器学习直接得到的数据分析结果，“再学习”是对其的自动归纳，形成便于人工解读的初步结果。“知识”具有最大的出度居于核心地位，由数据向知识的演变可因知识的应用而被优化，进而在数据、信息、知识和思想之间形成一个螺旋上升的过程。同时，知识也可用于改进仿真计算和电网控制，而因果分析则是获得知识的关键性环节。思想由知识的进一步归纳总结得到，其对数据分析、仿真计算和电网控制，乃至于更广领域的研究都有着指导意义。在图中还存在2个反馈环节，一是利用发现的关联关系对特征提取进行改进，这也是一部分特征筛选算法的原理；二是根据发现的知识对找到的关联关系进行评估，调整搜索方向并改进算法。如图2
.png)
其中，生数据是原始的仿真数据，可按3种主要维度划分；熟数据随研究目的不同而具有不同的内容和结构。“数据云集”可由大数据平台、与之类似的单个或多个系统，以及系统组件实现，主要提供生数据向熟数据转变的功能。
1.2分析模型建模
在分析模型建模方面的首要问题是特征量的选取，主要包括特征初筛和压缩。在初筛中确定与问题可能相关的特征量，而后再根据需要进行数据压缩。目前，在与系统仿真相关的领域，对该问题的研究已有较多成果，结合大系统仿真数据分析的需求，可在以下方面推进研究工作：借鉴现代稳健回归思想，采用抗扰性强、效率高的统计量表征系统状态变量的整体情况，从而提高初始特征量的质量，如用中位数代替平均值、使用M估计等。研究了稳健回归在电力系统中的应用；基于核方法，在核空间中进行数据的主成分分析，提升数据压缩和主导特征值提取的效果，电网仿真数据中包含有大量信息，而现有方法中的初始特征量通常由人工给出，有可能存在遗漏或干扰。基于已有知识自动生成或筛选初始特征量是解决该问题的一条可能途径。专家系统是将形式化建模的先验知识应用于实际问题的成熟方法，但如何将其或类似方法应用到初始特征量选取还需进一步研究。需要注意的是，对信息的压缩通常会导致信息的损失，因此在计算能力允许的情况下，应尽可能减小压缩量或不压缩。大数据平台的应用可以放宽对特征量筛选和压缩的要求。
1.3分析方法本地化
在分析算法方面，主要涉及机器学习、数据挖掘、人工智能等领域，这其中的大部分算法实质上是相通的。在与电网问题相结合上，相关研究主要包括结合电力系统仿真分析特点，进行算法自身改进和算法融合2个方面，目前已有许多成果，后续可继续关注的方面有：（1）以Hadoop、MapReduce等并行数据处理框架为基础，进一步实现算法运算和数据处理的并行化，（2）常见学习算法的训练通常都已较为成熟，但某些方法的参数选择却较为困难，如各种基于核函数的算法，（3）已有成果中，算法的评估多采用算例结果有效性评价方式，对算法性能和结果可信度的反应不够全面，应加强相关的理论分析，如计算复杂度、出错界限等。
1.4实际应用
在实际应用方面，针对不同电网的同一类问题，在分析方法相同的条件下，其分析模型的训练结果很可能不同。因此，在开展研究时应同时建立完整的解决方案，给出可以复用的、算法化的建模、训练和应用方法，并软件实现。同时，还需考虑以下问题：在线计算历史数据的积累可能长达数年，应根据预测需要选取样本，建立与时刻、日、月、年，以及长期预测相对应的样本抽取机制；在提高模型和算法的计算效率方面，可作的工作还有：修改仿真程序输出，简化数据处理；减少模型种类，优化特征量的生成过程；将数据处理分散到在线仿真计算各步骤中进行，如在潮流计算完毕后，立即统计与潮流结果有关的特征量，而不是等到全部计算完成；使用高效的数据处理语言，如R语言等；应进一步发展系统演变的描述方式，如通过数据分析结果、特征量或主导特征值的图形表示来描述系统变化，以避免直接采用原始仿真计算结果导致的数据粒度过细、研究分析困难等问题；由于电网仿真目前已有较为成熟的计算软件和系统，因此数据分析功能在初期可以函数、模块或动态库的方式与之相结合，在需要时由计算软件调用。随着技术的逐步成熟，大数据分析在仿真计算程序中的作用将逐步提高，其独立性也会随之增强，最终有可能发展成为一种新的、独立形态的电网分析系统。
1.5知识提取与利用
人工智能技术的进步可以为电网仿真分析知识的建模和应用提供良好的基础，但知识模型的最终建立依然需要结合电网专业知识开展研究。此外，还需进行以下方面的工作：除了分析结论外，在特征值选取、压缩，以及分析算法的处理过程中都可能提取到新的知识。这些环节中知识的表现形式不尽相同，但最终都需经由因果关系解读。从大规模数据中提取的规律，其原始表达本身可能很复杂，如一条关联规则可由数十、乃至数百个频繁项组成，不经过自动化的缩减、凝练处理，根本无法理解。基于先验知识，利用语义转换可有助于将初始结果泛化，例如借助分区信息，将各个母线的具体电压水平概括为分区电压的高、低状态，从而更易解读；在电网仿真数据分析的各主要环节均可引入先验知识以提高效率、提升效果，但如何在算法级别实现形式化建模的知识与已有算法的融合还需深入研究。
2结束语
大数据技术与电力系统仿真的结合，将能够为系统的分析提供新的手段、视角，甚至于方法。本文的研究可以为电力大数据涉及的其他相关领域提供积极的参考。
参考文献
[1]黄彦浩，于之虹，谢昶，等.电力大数据技术与电力系统仿真计算结合问题研究[J].中国电机工程学报，2015，(1).
[2]冯毅.浅谈大数据技术在电力系统中的应用[J].现代经济信息，2015，(19).