【摘 要】目前电力系统的决策以大量离线监测数据分析模拟作为基础，但各种量测平台数据独立，模拟软件与数据分离导致模拟时效性差模拟不够全面，导致对决策支持性差。本文提出结合云计算环境的多角度实时模拟决策系统模型，提高模拟的精度缩短模拟时间，更有力的支持电力系统的决策。
　　【关键词】云计算 电力系统 量测数据
　　一、引言
　　电力系统对国计民生的影响巨大，为保障用电安全必须保持其高可靠性。为了保障其稳定运行，除了要对其运行状态进行实时监测以外还要对突发的情况进行及时的处理：如发生扰动时需及时确定扰动点及扰动产生的原因，并制定减载、平抑等方案。对于扰动的分析及处理方案的制定大多采用离线分析的方法，使用潮流计算软件结合监测平台的数据进行分析。模拟的精度取决于模拟软件的参数群，为了提高模拟精度很多情况下要针对现行电网拓扑结合监测数据进行模拟矫正参数群。但是离线数据预处理受到监测平台孤立性的限制，最终导致制定决策方案不够及时等问题。云计算是一种能够融合多种软硬件资源的综合性平台，合理地在云计算环境中部署决策平台可以将海量监测数据与模拟软件有机结合，提高模拟的精度降低时间。
　　二、海量监测数据存储
　　云计算的基本原理是，通过使计算分布在大量的分布式计算机上，而非本地计算机或远程服务器中，企业数据中心的运行将更与互联网相似.这使得企业能够将资源切换到需要的应用上，根据需求访问计算机和存储系统[1]。云计算的数据具有海量、异构、非确定性的特点[2]，目前云计算系统中的数据管理技术有多种，其中较为优秀的方案是MapReduce，其Map和Reduce方法是其核心操作，可以有效的对海量异构数据进行处理。
　　图1 云环境中实时决策系统模型
　　三、云环境中的实时决策系统模型
　　Mapreduce能够高效的处理分布式数据库，并在短时间内为上层软件提供分析后的数据。基于Mapreduce设计了能在云计算系统决策系统的应用模型，如图1.
　　该模型中首先利用云存储技术将各种监测平台的数据库整合到云计算系统中，由于云存储可以屏蔽异种异构数据库同时支持分布式数据库，所以为下一步数据的快速查询分析提供了良好的基础平台。
　　电力系统监测平台SCADA及WAMS平台拥有众多的监测点，数据会源源不断的从各监测点“流向”云存储中心，并伴随有各种数据分析过程。当分析过程通过数据异常发现扰动产生后（如：频率降低），则立即启动扰动识别及处理预案的制定。
　　识别扰动后，Mapreduce可以在多种分布式数据库中提取用户所需的扰动监测数据提交给仿真矫正系统，这改变了以往处理工程时效性差的缺点，更有利于决策方案的制定。Mapreduce屏蔽了查询分布异构数据库对数据提取的影响，并充当了数据通路的角色，上层分析软件可以通过MapReduce获取扰动时段的检测数据。这样就有机的将分析软件及数据库组合在一个整体框架里。
　　由于电力行业软件系统的高安全性特点，大部分分析决策类软件安装在linux操作系统中，但是PASAP等潮流计算软件大多是运行在windows操作系统，以往多采用跨系统结构来处理这个问题，如果在云计算框架中就可以简化这个问题并节省资源。云计算环境中可以虚拟出windows虚拟机和linux虚拟机。另外云计算平台支持现有的决策分析及图形显示软件，对于电力系统决策功能的拓展具有良好的支持。
　　四、结论
　　针对电力系统数据异构、软件分散导致的决策延迟性问题提出了云环境下的决策系统模型，该模型整合了数据中心、仿真软件及仿真矫正软件，能够提高决策效率，快速的应对突发事件。随着智能电网建设的推进越来越多的设备及系统将会得到应用，建设电力云已经迫在眉睫。
　　参考文献：
　　[1]刘正伟，文中领，张海涛. 云计算和云数据管理技术，计算机研究与发展，2012，49：26-31
　　[2]周傲英，金澈清，王国仁，等.不确定性数据管理技术研究综述.计算机学报，2009，32（1）：1-16