基金项目： 国家电网公司总部科技项目资助“基于图数据库的电网GIS拓扑高性能分析技术研究”（5455HJ160005）;

文章编号: 2095-641X(2018)08-00-05 中图分类号: TP311

近年来,由于电网设备快速发展和管理延伸,业务贯通且精细化,以及电网实时调度的需要,支持电网运行中营销、配电、调度等业务的电网拓扑分析已经成为智能电网发展的瓶颈问题之一。文章首先定义了电网图数据模型,然后设计了一种电网拓扑分析框架,最后在此基础上实现了几种电网拓扑分析应用。针对电力真实数据的实验表明,文章提出的基于图数据库的电网拓扑分析方法能较大程度地提高性能,满足实际调度中的需要。

关键词 : 图数据库; 电网拓扑; 数据模型;

DOI：10.16543/j.2095-641x.electric.power.ict.2018.08.004

In recent years, due to the rapid development and management extension of power grid equipment, the business is thorough and refined, and the need for real-time dispatching of power grid, the topology analysis of power grid, used for marketing, distribution and dispatching, has become one of the bottlenecks in the development of smart grid. This paper first defines the graph data model, then designs a topology analysis framework, and finally implements several power grid topology analysis algorithms. According to the experiment results of real power data, the proposed method of topology analysis based on graph database can greatly improve the performance and meet the needs of actual scheduling.

KEY WORDS : graph database; power grid topology; data model;

著录格式：周爱华, 裘洪彬, 高昆仑, 等. 基于图数据库的电网拓扑分析技术研究[J]. 电力信息与通信技术, 2018, 16(8):23 -27.

近年来,随着全球能源互联网的快速建设与发展[1-2],新能源及多元化负荷快速发展,新型能源、分布式电源、电动汽车、储能装置大量涌现;电力架结构和运行方式日渐复杂化,终端用电负荷呈现增长快、变化大、多样化的新趋势,配电网由“无源”变为“有源”,潮流由“单向”变为“多向”,这都使得电网运行与资产管理面临新的问题[3-4]。

电网拓扑数据将电力设备、变电站、输配电网络、电力用户与电力负荷和生产及管理等核心业务连接起来。电网拓扑数据记录电网网络特征,包括电网物理关系、客户关系、资产关系形成的网络拓扑结构,同时在其基础上产生了海量的电网运行数据、状态监测数据和智能电表数据[5]。这些电网拓扑数据成为整个电网运行中营销、配电、调度等业务管理的基础,对这些数据展开高效分析能有力地支撑电网营销配一体化应用[6]。

然而,随着电网运维精细化管理和营调配贯通业务的开展,电网拓扑分析遇到了越多来越多的瓶颈[2,4]：①电网设备管理已延伸至低压及农网用户,涉及电网设备量迅猛增长,也导致电网拓扑数据几何级增长;②营调配业务贯通并精细化管理延伸至电网末端,带来频繁的业务访问及用户量大幅攀升,电网拓扑分析压力激增;③电网调度应用以及电网实时数据展现需求对电网拓扑数据实时更新需求有了进一步提高,也同时提高了电网拓扑分析的性能要求。使用新的先进计算技术针对电网拓扑数据展开分析研究已经成为电网运行与资产管理必须解决的紧迫问题。

近年来,基于“图论”的图数据库技术作为一种新型的数据管理方式及计算模式[7-11],由于其可以实现图型网络数据结构的分布式存储与并行处理[12-13],成为具有复杂关联关系的海量数据存储和计算的热点模式[14-15]。本文针对电网拓扑数据所具有的网络化特征,研究采用图数据库技术来存储和分析电网拓扑数据。

为了有效地支持电网拓扑分析,定义如下电网图数据模型。

定义1 类型：图数据中顶点和边具有相应的类型,其中顶点的类型构成集合TV,边的类型构成集合TE。

顶点类型集合TV包含BUSBAR（母线）、 TRANSFORMER（变压器）、Power Switch （电力开关）、PROTECT（保护设备）、TOWER（杆塔）、Terminals（端子）等。边类型集TE包含HIGH_VOLTAGE_LINE（高压线路）、LOW_VOLTAGE_LINE（低压线路）等。

定义2 属性：属性是一个二元组（属性名称,值域）,其中值域是属性所允许值的集合。图数据中所有的属性集合记为A,每一个顶点（或者边）所有属性的集合是A的子集,同时顶点（或者边）必须有一个属性是主属性,起到唯一标识的作用。

例如,在电网拓扑图数据中,具有变压器类型的顶点有设备唯一标号（主属性）、电压等级等属性;此外为了支持实时电网中各设备的运行情况和各设备所在的具体位置查询,该类型顶点还有开关状态属性和地理位置信息属性,以及基于地理位置的实时天气信息的属性。顶点和边上的属性信息使得图数据模型能够充分表达电网拓扑的复杂结构和语义,同时也使得图数据库支持基于电网拓扑数据的查询。

定义3 电网拓扑图数据模型：电网拓扑图数据模型是一个无向图G=(V,E),其中V是顶点集,边集E=V×V。

定义4 类型映射函数：图数据中存在顶点和边的类型映射函数t(x),对v∈V则有t(v)∈TV,对e∈E则有t(e)∈TE。

定义5 属性映射函数：图数据中存在顶点和边的属性映射函数a(x),对v∈V则有a(v)∈p(A),对e∈E则有a(e)∈p(A),其中p(A)是属性集合A的幂集。

基于上面的定义,电网拓扑图数据模型满足2个约束：

1）u∈V,v∈V,若u ≠ v,且t(u) ≠ t(v),则a(u) ≠ a(v),即图数据模型中,如果顶点类型不同,则它们的属性集合也不同;

2）e(u,v)∈E且e′(u,v)∈E,则t(e) ≠ t(e),即图数据模型中,如果2个顶点之间存在多条边,则这些边之间类型不能相同。

基于电网图数据模型,本文设计了如图1所示的电网图数据分析框架,主要包含以下几层。

图1 电网图数据分析框架 Fig.1 Framework of graph database based power grid topology analysis

1）获取层。电网数据具有规模大、结构性强的特点,数据获取层收集电网的电力拓扑数据,不仅包括母线、变电站、输电站、变压器等物理设备的数据,同时还需要采集这些物理设备的物理连接关系和拓扑关系。为了更全面、更有效的进行电网业务分析,还需要采集历史电网设备台账数据、设备运行数据等,例如：设备型号、设备故障、设备运行记录等历史数据。

2）预处理层。电网的拓扑数据逻辑关系复杂,需要基于前面提出的图数据模型对采集的数据进行建模以构造图数据结构,如将设备信息建模到图的节点,物理连接映射到图的边等。同时,采集时还需要同步清洗掉一些冗杂的噪声数据。

3）存储层。经过预处理的电网拓扑数据已经具备图逻辑结构,在进行存储时需要采用相应的图数据结构,常见的如邻接矩阵或者邻接表,甚至利用已经开发好的各种图数据库来存储。

4）分析层。该层针对图数据化后的电网拓扑数据,利用框架所提供的图数据分析支撑技术,对电网拓扑数据展开应用分析,支持营调配业务。分析层功能主要分为2类：一类是为图数据分析提供支撑,如常见的图遍历算法、生成树算法算法和路径搜索算法;另一类是对图数据的应用分析,主要包含电网拓扑搜索分析、设备连通分析、停电范围分析等,其中电网拓扑搜索分析既可独立使用,也可以为后续2种分析提供支撑。

由于图遍历算法、生成树算法和路径搜索算法等属于图数据结构上的经典算法,本文这里不再详细描述,下面主要描述电网拓扑数据上的应用分析。

对电网拓扑数据进行拓扑搜索分析是许多电网业务应用分析的基础,其主要功能是通过设置某些条件控制在图上搜索的广度和深度,从而获得相关设备的拓扑图,相关流程如下：

1）确定分析所在的图或者子图、分析的起始设备、搜索的深度、方向、停止条件等;

2）以起始设备为中心,根据搜索条件中的方向（无向或有向）和深度,在图上作广度的拓扑分析;

3）若分析到符合搜索的深度则停止分析;

4）若分析到符合的停止条件则停止所在支路的分析;

5）停止分析后返回设备集。

停电范围分析是电网运营中的常见业务,其主要功能是模拟停电后统计停电影响的范围,避免出现意外事故,为电网停电业务提供支撑,其主要流程如下：

1）确定需要分析的图和子图,以及起始电网设备;

2）以起始设备作深度为1的广度拓扑搜索,将搜索到的设备存于队列中;

3）将队列之中电网设备依次按照层次作广度的扩散分析;

4）扩散分析到开关设备时根据开关设备的闭合状态进行判断,如果是闭合状态继续沿支路分析,如果开关设备为断开状态则停止分析该支路;

5）扩散分析到电源点（电压等级高于起始电网设备变压器也可认定为电源点）时,结束该扩散分析;

6）返回没有电源点（含变压器高电压等级）支路中的所有电网设备。

设备连通分析主要功能是检测2个设备在相应的图中是否存在路径,为电网设备之间的相互影响提供决策依据,属于电网运营管理中常见的拓扑分析应用,其主要流程如下：

1）创建2张表Table1和Table2分别用于记录拓扑中已访问的设备和未考察的设备;

2）访问距离起始设备最近且未被检查的设备,将该设备放入Table2等待检查;

3）在Table2中找出距离起始设备最近的设备,该设备放入Table1中,同时找出该设备节点不在Table1中的所有相邻节点;

4）遍历找到的相邻节点,求出这些节点距离起始设备的距离值,同时将这些节点放到Table2中（如果这些节点已经在Table2中,则判断距离值是否变小,如变小则更新）;

5）重复步骤2、3、4,直到Table2中无设备节点或是找到了目标设备;

6）找到目标设备则表示两设备连通且存在路径,有序地输出两设备之间的路径。反之未连通。

为了验证本文提出的基于图数据库的电网拓扑分析方法,基于某省电力公司的电网拓扑数据进行了相关实验。实验基于华为RH5885机架式服务器（主频1.9 GHz;内存1 TB;操作系统：CentOS 6.5）。测试的拓扑数据达到10亿顶点、20亿无向边的全联通图数据,采用的图数据库为TigerGraph。同时与同样设备上基于关系数据库Oracle 11g存储的原拓扑数据进行对比。

表1 图数据拓扑搜索数据 Tab.1 Graph data topology search performance

在同样设备上,图数据库和关系数据库的带条件拓扑搜索时间比较如图2所示,可以看出随着搜索顶点的增加,图数据库搜索时间明显减少,体现出较大的优势。

图2 带条件拓扑搜索比较 Fig.2 Comparison of conditional topology search

图3 停电范围分析比较 Fig.3 Analysis and comparison of power outages

图3和图4给出了图数据库和关系数据库进行停电范围和设备连通多用户并发分析的平均分析时间比较图。可以看出,图数据库进行停电范围分析和设备连通分析所需的平均时间更短。同时,随着用户数的增加,图数据库进行2种分析所需要的平均时间明显更少,优势更大。

图4 设备连通分析比较 Fig.4 Analysis and comparison of equipment connectivity

由于所实验的关系数据库进行拓扑分析时支持的并发度有限,本文只对图数据库进行了大规模用户并发分析实验,大规模用户并发分析比较如图5所示。可以看出,图数据库较好地支持了大规模用户的并发分析,但是,当用户规模分别达到2 000和3 000时,其对应的平均分析时间增加较为明显。

图5 大规模用户并发分析比较 Fig.5 Analysis and comparison of large scale user concurrency

随着智能电网建设的推进,电网设备迅速增加,相关的营销、配电、调度等管理业务逐步贯通且精细化,如何对飞速增长的电网拓扑数据进行有效地存储和管理,以及通过分析电网拓扑数据来支持营销、配电、调度等业务已经成为智能电网的重要发展方向。本文对电网拓扑数据进行图数据建模,然后设计实现了一个基于图数据库的电网拓扑分析框架,并在此基础上实现了几种基于图数据库的电网拓扑分析应用。实验表明基于图数据库的电网拓扑分析是可行且有效的。

未来的工作将在本文实现的基于图数据库的3种电网拓扑分析的基础上,进一步实现支撑其他业务的电网拓扑分析,如多电源环路检查、站房检测、低压台区分析、转供电分析等。同时,将对图数据的分布式存储和并发访问展开优化,进一步提高性能。

(编辑:张京娜)

[1] 宋亚奇, 周国亮, 朱永利. 智能电网大数据处理技术现状与挑战[J]. 电网技术, 2013, 37(4): 927-935. SONG Ya-qi, ZHOU Guo-liang, ZHU Yong-li.Present status and challenges of big data processing in smart grid[J]. Power System Technology, 2013, 37(4): 927-935.

[2] 王健, 宋舒婷, 兰俊美, 等. 电力需求侧大数据应用模型的建立[J]. 电力与能源, 2014, 35(3): 283-286.

[3] 卢建昌, 樊围国. 大数据时代下挖掘技术在电力企业中的应用[J]. 广东电力, 2014, 27(9): 88-94. LU Jian-chang, FAN Wei-guo.Application of data mining Technology in electric power enterprises in era of big data[J]. Guangdong Electric Power, 2014, 27(9): 88-94

[4] 史湘谊, 李颖, 王春宁, 等. 基于电力需求响应的负荷管理系统[J]. 江苏电机工程, 2013, 32(6): 59-61, 65. SHI Xiang-yi, LI Ying, WANG Chun-ning, et al.Load management system based on demand response[J]. Jiangsu Electrical Engineering, 2013, 32(6): 59-61, 65.

[5] 梁东贵. 图数据库在电网地理信息系统中的应用[J]. 科技视界. 2015, 51(6): 346-347

[6] 蒋厚明, 孙昊, 孔震. 一种基于图数据库的快速电力网络拓扑分析方法[J]. 计算机系统应用, 2012, 21(12): 173-176. JIANG Hou-ming, SUN Hao, KONG Zhen.A quick electric network topology technology based on graph database[J]. Computer Systems Applications, 2012, 21(12): 173-176.

[7] 吴文传, 张伯明. 基于图数据库的网络拓扑及其应用[J]. 电网技术, 2002, 26(2): 14-18. WU Wen-chuan, ZHANG Bo-ming.A graphic database based network topology and its application[J]. Power System Technology, 2002, 26(2): 14-18.

[8] 王海勋. 图数据的管理与挖掘[J]. 中国计算机学会通讯, 2012, 8(11): 10-11.

[9] 刘梦雅, 刘燕兵, 于静, 等. 图数据分析系统计算模型综述[J]. 计算机应用研究, 2017, 34(11): 3204-3213. LIU Meng-ya, LIU Yan-bing, YU Jing, et al.Survey on computing models in graph data analysis systems[J]. Application Research of Computers, 2017, 34(11): 3204-3213.

[10] 蔡鑫, 阮宜龙, 石屹嵘. 基于图数据库的IPTV内容知识库设计和实现[J]. 电信科学, 2016, 32(12): 32-36. CAI Xin, RUAN Yi-long, SHI Yi-rong.Design and implement of IPTV content repository based on graph database[J]. Telecommunications Science, 2016, 32(12): 32-36.

[11] 任晓龙, 戴光, 耿泽飞. 基于图数据库的电力资产画像技术研究[J]. 电网与清洁能源, 2017, 33(11): 59-62, 69. REN Xiao-long, DAI Guang, GENG Ze-fei.Research on graph of power assets based on NEO4J[J]. Power System and Clean Energy, 2017, 33(11): 59-62, 69.

[12] 包从开, 黄永峰, 廖旺坚, 等. 基于NOSQL的微博图数据管理存储平台设计与实现[J]. 计算机与数字工程, 2017, 45(7): 1351-1357. BAO Cong-kai, HUANG Yong-feng, LIAO Wang-jian, et al.Design and implementation of Microblog graph data management and storage platform based on NoSQL[J]. Computer & Digital Engineering, 2017, 45(7): 1351-1357.

[13] 张雨, 曾立, 邹磊. 大规模图数据的正则路径查询[J]. 北京大学学报(自然科学版), 2018, 54(2): 236-242. ZHANG Yu, ZENG Li, ZOU Lei.Regular path queries on large graph data[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2018, 54(2): 236-242.

[14] 王余蓝. 图形数据库Neo4j与关系数据库的比较研究[J]. 现代电子技术, 2012, 35(20): 77-79.

[15] 刘勇, 李建中, 高宏. 从图数据库中挖掘频繁跳跃模式[J]. 软件学报, 2010, 21(10): 2477-2493. LIU Yong, LI Jian-zhong, GAO Hong.Mining frequent jump patterns from graph databases[J]. Journal of Software, 2010, 21(10): 2477-2493.

周爱华（1980-）,男,高级工程师,从事高性能计算和大数据技术研究工作,[email protected];

裘洪彬（1989-）,男,工程师,从事高性能计算研究工作;

高昆仑（1976-）,男,高级工程师（教授级）,从事电力信息安全,以及高性能计算、大数据和人工智能研究工作;

胡斌（1980-）,男,高级工程师,从事高性能计算和大数据技术研究工作;

柴博（1987-）,男,博士,从事高性能计算和人工智能技术研究工作。