基于Web Service的分布式電網營銷數據共享方法

陳 競,李宇遠,杜 杰

(南方電網數字電網研究院有限公司,廣東 廣州 510670)

在分布式電網營銷數據的管理和調度過程中,通過對電網營銷數據進行特征和共享調度分析[1],實現數據共享[2]。同時,通過數據整合和信息融合,實現大規模多端口分布式電網營銷數據的特征分布式重組,提高數據共享水平[3]。

文獻[4]提出了智能電網環境下電力營銷管理系統設計方法,結合移動互聯網及數據分析技術在電力客戶服務中的應用,實現電網營銷過程管理和數據分析。但該方法的數據共享模糊度較大,數據融合度較低。文獻[5]提出了基于AHP-Entropy的電網營銷服務網點投資合理性模糊綜合評價方法,通過對當期經濟指標參數信息的分析,結合參數變動融合,進行大規模多端口分布式電網營銷數據共享調度,采用AHP-Entropy熵函數進行分析,實現電網營銷數據預測,但該方法的適應度共享水平有待提高。

針對上述問題,筆者提出基于Web Service的分布式電網營銷數據共享方法。建立多個綜合能源聯供型微網調度模式下的大規模多端口分布式電網營銷數據統計分析模型,提取電力營銷數據的特征,助力于數據融合共享。構建綜合能源聯供型微網調度模式下的大規模多端口分布式電網營銷數據的分散控制模型,通過適用性分析與模型測度分析,實現大規模多端口分布式電網營銷數據的調度和信息融合。

1 電網營銷數據統計分析和特征提取

1.1 電網營銷數據統計分析

為了構建基于Web Service的大規模多端口分布式電網營銷數據共享調度模型,先建立多個電網營銷數據統計分析模型。結合模糊相關度分析方法實現對電網營銷數據時間序列的特征分析[6]。分布式電網營銷數據共享的總體結構如圖1所示。

圖1 分布式電網營銷數據共享總體結構

根據圖1構建大規模多端口分布式電網營銷數據分層加權組合結構模型,得到電網營銷數據分層特征信息融合系數R={r1,r2,…,rm}[7],其中m為層級。在穩定增長趨勢模式的控制下,設定電網營銷數據融合統計特征量為G,進而得到電網營銷數據分層存儲區域模塊特征估計值Ts:

(1)

(2)

式中:T為融合特征參數;u為電網營銷數據分層存儲維數;ft(h)為t時刻下的第h個電網營銷數據聯合特征分布函數[8]。在上述分析的基礎上,構建電網營銷數據統計分析模型,從而實現分布式電網營銷數據的共享調度。

1.2 多端口分布式電網營銷數據特征提取

結合模糊相關度分析方法實現對多端口分布式電網營銷數據時間序列的特征空間結構重組,構建電力營銷異常數據的存儲結構模型。電網營銷數據時間序列下的特征點b在t時刻的模糊特征集合為Bt,Bt={b1t,b2t,…,bnt},其中n表示電網營銷數據特征分布的穩態參數。根據空間分布式網格匹配,設定電網營銷數據分塊融合收斂條件和判決條件,分別如式(3)和式(4)所示。

(3)

(4)

大規模多端口分布式電網營銷數據m層級的屬性特征量為{l1,l2,…,lm},通過虛擬空間異構融合得到m層級的電網營銷數據分層融合的特征分布集{s1,s2,…,sm}。通過語義本體融合,得到大規模多端口分布式電網營銷數據的分塊檢測特征量U=[Ul,s]n,其中I為數據塊中信息豐富度,S為數據塊的結構模式。根據上述分析,實現對電網營銷數據的共享調度和分塊檢測。

2 電網營銷數據共享的優化調度

2.1 電網營銷數據共享

結合模板特征匹配的方法,得到大規模多端口分布式電網營銷數據共享調度的加權系數。建立大規模多端口分布式電網營銷數據共享調度的模糊相似度特征量[9],計算密集場景中電力營銷數據分布特征集的統計特征量,得到電力營銷數據的共享信任度水平ITrust。

(5)

式中:kpi為綜合能源聯供型微網調度模式下多端口匹配節點;Qs為樣本回歸分布集;Trusta→b為節點a與節點b之間信任度函數,Trustb→c為節點b與節點c之間的共享度函數。根據頻譜特征分解,計算綜合能源聯供型微網調度模式下多端口分布式電網營銷數據的參數匹配特征量,得到kpi的標準正態分布。綜合能源聯供型微網調度模式下多端口分布式電網營銷數據的解析模型為:

(6)

式中:Mpi表示綜合能源聯供型微網調度模式下電網營銷數據共享重構特征向量a→c的個數;e表示微網調度參數,e∈[1,Mpi]。

考慮多個綜合能源聯供型分配,采用供應鏈匹配得到微網調度模式下多端口分布式電網營銷數據的特征重組模型,關聯映射表示為A→B,B→C。微網調度模式下多端口分布式電網營銷數據的回歸分析模型為:

(7)

式中:dp為對外的功率調節參數;df′為營銷價值供應鏈參數;lp為分塊樣本回歸分析特征量。采用目標級聯分析法(analytical target cascading,ATC)[10],得到電網營銷數據分層共享的互信息量:

C=I(Q)×ρ+Mp×fg

(8)

式中:I(Q)為電力營銷數據的多綜合能源聯供參數;ρ為聯合概率密度;fg為電網營銷自相關信息g的分量。結合互信息特征匹配,進行綜合能源聯供型微網調度模式下多端口分布式電網營銷數據共享。

2.2 數據共享優化

采用多次共享調度的方法得到大規模多端口分布式電網營銷數據集A={a1,a2,…,ax},x為數據集A的數目,A中每個元素表示同一年度內企業業績波動風險的κ維矢量。t時刻下綜合能源聯供型微網調度模式下多端口分布式電網營銷數據時間序列的相似度特征變量為{atκ,1,atκ,2,…,atκ,x}。電網營銷數據時間序列的相關性分布類型為jt,jt為1或-1,其中1代表正常,-1代表異常。

采用Web Service構架模式[11-12]構建綜合能源聯供型微網調度模式下的大規模多端口分布式電網營銷數據的分散控制模型。

(9)

式中:O表示負荷峰值;γz表示微網調度模式下多端口分布式電網營銷數據的訪問節點z的最優間隔;ψtg表示t時刻下電網營銷自相關信息g的分布時隙。

通過適用性分析與模型測度分析,優化調度模型:

(10)

式中:L(p)為節點p的損失函數;p為數據的分配節點。

3 仿真測試

通過仿真測試和SPSS統計分析軟件,驗證本文方法在實現大規模多端口分布式電網營銷數據共享中的應用性能。使用高性能云計算平臺支持廣州電網大規模營銷數據處理,設置星型網絡拓撲結構,將星型拓撲中每個端口與中心節點之間的帶寬限制設置為100 Mb/s,模擬分布式電網營銷數據共享的網絡環境。實驗流程如圖2所示。

圖2 實驗流程圖

3.1 電網營銷數據描述性統計分析

電網營銷數據的描述性統計分析是對數據進行整體概括和總結的過程,揭示數據的基本特征和趨勢。結構參數是指電力市場規模的結構特征和組織形式。電力營銷資本是指電力供應商的資本規模和財務狀況。供應鏈是指電力供應商、交易平臺和消費者之間的供應鏈關系和交易流程。決策鏈是指電力市場中的決策層級和決策流程。功耗是指電力系統或設備的功耗情況。供電能量是指電力系統提供的電力供應的總量、分時段供電能量。輸出功率是指電力系統的發電機輸出功率、變壓器的變換功率。聯合檢測是指電力系統中電力質量變化情況。內控參數是指電力供應商的發電能力控制能力。經營盈余是指電力市場參與者的經營收入、成本、利潤等情況。經營風險是指市場波動性、政策變化、供需不平衡等波動情況。統計分析值用于衡量數據集中某個特性的總體水平或分布情況,較高的統計分析值表明樣本集特性總體水平較高。大規模多端口分布式電網營銷數據采樣的描述性統計分析結果如表1所示。

表1 電網營銷數據描述性統計分析結果

由表1可知,供應鏈、決策鏈、內控參數的樣本集數據統計分析值較高。供應鏈樣本集數據統計分析值較高表明供應商交付電力設備或能源的延遲,可能會影響供應鏈正常運行。決策鏈樣本集數據統計分析值較高表明決策制定和執行過程中未考慮電力需求和供應變化,導致電力分配和調度不合理。內控參數樣本集數據統計分析值較高表明電力設備失效或能源短缺等,容易增加電力供應風險。

通過對樣本集數據進行數據大小分析,揭示電網營銷數據的趨勢和變化情況,了解電力市場參與者的盈利狀況及其隨時間的變化趨勢。對樣本集進行回歸值計算,揭示不同樣本之間的關系,了解資本規模對經營風險的影響程度。對樣本集數據進行量化值計算,揭示不同組別或不同時間點之間的差異情況,了解不同供應鏈模式之間的性能差異和效率差異。對樣本集數據進行統計分析值計算,了解數據的分布情況和概率,有效避免極端情況,實現對大規模多端口分布式電網營銷數據共享調度。

3.2 電網營銷數據分布幅值分析

從電網營銷數據中選擇一部分樣本數據進行分析。對采樣數據進行清洗、去除異常值和缺失值,確保數據的準確性和完整性。使用標準差計算采樣數據的分布幅值,比較訓練樣本和測試樣本之間的計算結果。數據采樣的分布幅值如圖3所示。

圖3 電網營銷數據采樣分布幅值

由圖3可知,訓練樣本序列包含9組數據樣本,部分數據的分布幅值低于30萬元,表明訓練樣本序列中,電網營銷數據的變動范圍較大,具有較大不穩定性。測試樣本序列也包含9組數據樣本,但其分布幅值均高于120萬元。相較于訓練樣本序列,測試樣本序列的數據變動范圍較小,表明在測試過程中,電網營銷數據的波動性較小。

3.3 電網營銷數據聚類分布分析

以圖3的測試樣本序列為分布式電網營銷數據對象,在供應鏈、決策鏈、內控參數條件下對電網營銷數據進行聚類操作。聚類結果高于0.150的視為滿足標準的聚類,聚類結果越高表明電力市場數據聚類效果越優。電網營銷數據共享的聚類分布如圖4所示。

圖4 電網營銷數據共享的聚類分布

由圖4得知,本文方法在供應鏈下的電網營銷數據聚類結果為0.167,決策鏈下的電網營銷數據聚類結果為0.163,內控參數下的電網營銷數據聚類結果為0.168,均高于0.150。由此表明,本文方法能夠有效實現對大規模多端口分布式電網營銷數據的共享調度,提高數據的聚類水平。

3.4 電網營銷數據共享融合度分析

共享融合度是指共享的電網數據具有互補性和完整性,共享融合度越高,越能有效提升數據內涵價值。采用本文方法、文獻[4]方法和文獻[5]方法分別計算大規模多端口分布式電網營銷數據的共享融合度,共進行160次測試,取平均值為最終實驗結果。具體計算結果如表2與圖5所示。

表2 電網營銷數據的共享融合度對比

圖5 不同方法的融合度對比

由表2與圖5可知,本文方法進行大規模多端口分布式電網營銷數據的共享融合度水平較高,平均數據融合度均高于0.9。而文獻[4]方法和文獻[5]方法的共享融合度水平較低,平均融合度介于0.6～0.7之間。這是因為本文方法采用Web Service構架模式,統一不同端口的接口規范,降低數據集成的復雜性,提高電網數據的互操作性,進而提高電網營銷數據的共享融合度。

4 結論

(1)基于Web Service提出了分布式電網營銷數據共享方法。通過構建電網營銷數據統計分析模型和電力營銷異常數據的存儲結構模型分析和提取了電網營銷數據統計特征。采用Web Service構架模式計算電力營銷數據的共享信任度水平,結合適用性分析與模型測度分析實現大規模多端口分布式電網營銷數據共享調度。

(2)電網營銷數據聚類分布效果較好,在供應鏈、決策鏈、內控參數環節中均具有較高的相似性和一致性,能夠從中各環節中提取特征信息,以此優化電力分配和調度,進而降低電網運營風險。

(3)電網營銷數據共享融合效果較優,經過160次迭代測試后所提方法的共享融合度均高于0.9。由此證明,所提方法共享電網數據互補性和完整性較高,能夠進一步提升數據內涵價值,為電網營銷決策提供全面、準確的信息支持。