论文部分内容阅读
摘 要：用电信息采集系统的推广应用，相应扩大用电信息采集规模，数据深化应用持续加强，相应增加系统运行维护的工作量，从而凸显出运维需求和运维能力不匹配问题。本文基于大数据技术，优化整体采集运维工作，以此提升运行效率和质量。
关键词：大数据;电力工程;采集运维业务;应用分析
用电信息采集系统建设已经趋于成熟，随着智能电能表的推广应用，逐渐扩大用户群，采集系统业务的顺利发展现已成为系统未来发展方向。当前，采集运维业务存在的问题主要表现在故障处理优先级划分不准确、整体运行效率比较低、故障类型比较多，从而加大故障定位难度，且缺乏完善的考核评价体系。为了处理好上述问题，需要从采集运维业务的多个角度来分析大数据技术在采集运维业务中的应用效果。
一、采集运维大数据系统模型
（一）大数据关键技术
在采集系统中应用大数据技术，主要涉及到数据采集、清理、存储和分析处理。此次研究针对数据分析环节，采用关系型联机分析处理机制和多维分析技术对整个系统进行优化。第一，关系型联机分析处理。该项技术主要是应用关系型数据库，通过关系型结构表示和存储多维数据，并且采用动态多维分析方式，深度分析关系数据库内的数据。数据文件大小会受到数据库管理系统的影响，数据的装载速度非常快，且不会占据存储空间，维度数不会受到限制影响，采用结构化查询语言就可以处理数据。第二，多维联机分析处理。其可以通过多维结构存储数据，但由于操作系统平台会限制数据文件大小，无法达到TB级，所以在规划存储期间，必须提前预算数据量，避免导致数据爆炸。此种分析处理方法会减缓数据装载速度，且维数有限制，也不具备数据访问和数据模型标准。
（二）大数据运维业务架构
业务架构能够对数据进行采集、营销和运维处理。采用数据抽取转化加载层，能够分类适配相关数据信息，同时将数据提供给数据存储层，在分类存储之后可以向数据分析层提供数据。通过数据分析层，可以优化和检索数据，同时为应用层异常工单派发智能处理提供数据支撑。
数据源可以从采集主站、营销系统和运维闭环系统获取数据，包括采集成功率、用户档案、异常工单数据。数据ETL层可以通过ETL工具，抽取、清晰和转换数据源数据，同时向数据存储层装载。混合存储能够高度适应多种数据存储与管理形式，包括分布式文件系统、内存数据库及列式数据库，以此满足应用需求。数据分析层属于系统的基础功能，包括批量化计算功能、模型管理功能和实时查询数据。数据分析层和处理层之间，可以采用分步式内存数据缓存技术，以此减少数据处理层、业务应用操作存在的耦合性问题，全面加快应用服务响应效率。
二、大数据运维优化方案
（一）智能化派发异常工单
当前，采集运维人员负责派发异常工单，此次研究通过分析大量文献能够看出，人工派发工单时，无法合理判断现场紧急程度。当同时产生大量异常工单时，没有对工单进行合理消缺，从而在短时间内无法处理紧急事件，引发严重的经济损失。在此次研究中，通过多维度方式分析系统历史数据和运维数据，同时对异常严重性与处理顺序进行甄别，能够提升异常工单处理效率，增加工作成效的可控性，提升采集系统设备的可用率与数据完整性。
第一，分析采集运维效用值模型。针对单个表计效用值而言，主要影响因素包括异常持续时间、抄表间隔时间、月平均用电量等。对于总体工单效用，包含故障电表效益和的累计，因此主要为故障电能表数量影响。
第二，采集运维效用值模型应用。按照某地区低压用户每日抄表数据、采集成功率，异常运维数据，分析数据与数据项。数据项主要涉及到台区编号、管理机构、所属地区、采集成功率、供电单位、居民日均用电量等。
（二）异常工单一智能化分析处理
长期以来，采集运维工作缺乏大数据技术支持，通过文献研究与现场调研后发现运维人员只是开展低效率运维工作，针对已经发生的故障，则比较缺乏故障分析能力，此时运维人员只能逐个排查现场故障类型。此次研究注重分析历史工单、大批量数据和数据规格，明确异常工单的概率事件原因，對相同的异常原因概率的比值进行分析，比较不同原因比值大小，从而全面提升运行维护效率。
第一，基于多维度，分析异常原因概率比值。对于新的异常工单，需要对故障设备类型、招标频次、生产厂家等多维度异常原因概率进行分析，以此明确异常工单的异常原因，通过对不同比值大小的比较，可以预测新异常工单的异常原因。
第二，异常原因概率比值应用。通过对某运维地区的历史异常工单的招标频次、生产厂家、故障设备类型进行筛选，通过不同异常原因概率比值，分析集中器和主站无通讯故障。第一，设备类型异常。地区集中器和主站无通信的历史工单共计805条，集中器故障主要包括软件故障、主机故障和定位模块故障。第二，设备生产厂家异常。故障集中器的厂家相关工单共计368条，且无通信故障多为集中器软件故障、主机故障和定位模块故障。第三，招标频次异常。故障集中器招标相关工单共计352条，主要为集中器软件故障、主机故障和定位模块故障。
（三）采集运维多维度质量评价
将大数据技术应用到采集运维工作中，无法对电能表、终端、运维服务质量评价提供数据支持。通过应用大数据技术，可以在采集、营销和运维等数据之间建立沟通桥梁，以此评价采集运维多维度质量。通过分析和梳理某市级供电单位的采集运维工单数据、采集抄表数据、采集成功率，建立对应的质量评价计算规则，从而验证了采集运维多维度质量评价的可行性。
三、结束语
综上所述，在采集运维业务中应用大数据技术，可以深度挖掘和分析梳理采集数据，智能化派发采集运维异常工单，同时进行运维多维度质量评价。实现运维业务的精益化和集约化转变，全面提升运维效率与质量。
参考文献：
[1]陈霄逸.大数据技术下的电力数据中心运维管理[J].电子测试，2020，25（12）：137-138.
[2]赵川，赵明，路学刚，叶华，陶思钰.基于大数据的电力运维故障诊断及自动告警系统设计[J].自动化与仪器仪表，2019，25（10）：222-226.
[3]陈龙，郝悍勇，巢玉坚，李鹏，罗玲，马远东，胡阳.基于大数据的电力信息网络智能风险预警策略研究及应用[J].电力信息与通信技术，2019，17（01）：18-24.
[4]王煜.基于大数据的风电场电力系统运维服务能力建设研究[J].中国高新技术企业，2017，20（10）：115-116.
国网福建省电力有限公司沙县供电公司 陈晓宇
关键词：大数据;电力工程;采集运维业务;应用分析
用电信息采集系统建设已经趋于成熟，随着智能电能表的推广应用，逐渐扩大用户群，采集系统业务的顺利发展现已成为系统未来发展方向。当前，采集运维业务存在的问题主要表现在故障处理优先级划分不准确、整体运行效率比较低、故障类型比较多，从而加大故障定位难度，且缺乏完善的考核评价体系。为了处理好上述问题，需要从采集运维业务的多个角度来分析大数据技术在采集运维业务中的应用效果。
一、采集运维大数据系统模型
（一）大数据关键技术
在采集系统中应用大数据技术，主要涉及到数据采集、清理、存储和分析处理。此次研究针对数据分析环节，采用关系型联机分析处理机制和多维分析技术对整个系统进行优化。第一，关系型联机分析处理。该项技术主要是应用关系型数据库，通过关系型结构表示和存储多维数据，并且采用动态多维分析方式，深度分析关系数据库内的数据。数据文件大小会受到数据库管理系统的影响，数据的装载速度非常快，且不会占据存储空间，维度数不会受到限制影响，采用结构化查询语言就可以处理数据。第二，多维联机分析处理。其可以通过多维结构存储数据，但由于操作系统平台会限制数据文件大小，无法达到TB级，所以在规划存储期间，必须提前预算数据量，避免导致数据爆炸。此种分析处理方法会减缓数据装载速度，且维数有限制，也不具备数据访问和数据模型标准。
（二）大数据运维业务架构
业务架构能够对数据进行采集、营销和运维处理。采用数据抽取转化加载层，能够分类适配相关数据信息，同时将数据提供给数据存储层，在分类存储之后可以向数据分析层提供数据。通过数据分析层，可以优化和检索数据，同时为应用层异常工单派发智能处理提供数据支撑。
数据源可以从采集主站、营销系统和运维闭环系统获取数据，包括采集成功率、用户档案、异常工单数据。数据ETL层可以通过ETL工具，抽取、清晰和转换数据源数据，同时向数据存储层装载。混合存储能够高度适应多种数据存储与管理形式，包括分布式文件系统、内存数据库及列式数据库，以此满足应用需求。数据分析层属于系统的基础功能，包括批量化计算功能、模型管理功能和实时查询数据。数据分析层和处理层之间，可以采用分步式内存数据缓存技术，以此减少数据处理层、业务应用操作存在的耦合性问题，全面加快应用服务响应效率。
二、大数据运维优化方案
（一）智能化派发异常工单
当前，采集运维人员负责派发异常工单，此次研究通过分析大量文献能够看出，人工派发工单时，无法合理判断现场紧急程度。当同时产生大量异常工单时，没有对工单进行合理消缺，从而在短时间内无法处理紧急事件，引发严重的经济损失。在此次研究中，通过多维度方式分析系统历史数据和运维数据，同时对异常严重性与处理顺序进行甄别，能够提升异常工单处理效率，增加工作成效的可控性，提升采集系统设备的可用率与数据完整性。
第一，分析采集运维效用值模型。针对单个表计效用值而言，主要影响因素包括异常持续时间、抄表间隔时间、月平均用电量等。对于总体工单效用，包含故障电表效益和的累计，因此主要为故障电能表数量影响。
第二，采集运维效用值模型应用。按照某地区低压用户每日抄表数据、采集成功率，异常运维数据，分析数据与数据项。数据项主要涉及到台区编号、管理机构、所属地区、采集成功率、供电单位、居民日均用电量等。
（二）异常工单一智能化分析处理
长期以来，采集运维工作缺乏大数据技术支持，通过文献研究与现场调研后发现运维人员只是开展低效率运维工作，针对已经发生的故障，则比较缺乏故障分析能力，此时运维人员只能逐个排查现场故障类型。此次研究注重分析历史工单、大批量数据和数据规格，明确异常工单的概率事件原因，對相同的异常原因概率的比值进行分析，比较不同原因比值大小，从而全面提升运行维护效率。
第一，基于多维度，分析异常原因概率比值。对于新的异常工单，需要对故障设备类型、招标频次、生产厂家等多维度异常原因概率进行分析，以此明确异常工单的异常原因，通过对不同比值大小的比较，可以预测新异常工单的异常原因。
第二，异常原因概率比值应用。通过对某运维地区的历史异常工单的招标频次、生产厂家、故障设备类型进行筛选，通过不同异常原因概率比值，分析集中器和主站无通讯故障。第一，设备类型异常。地区集中器和主站无通信的历史工单共计805条，集中器故障主要包括软件故障、主机故障和定位模块故障。第二，设备生产厂家异常。故障集中器的厂家相关工单共计368条，且无通信故障多为集中器软件故障、主机故障和定位模块故障。第三，招标频次异常。故障集中器招标相关工单共计352条，主要为集中器软件故障、主机故障和定位模块故障。
（三）采集运维多维度质量评价
将大数据技术应用到采集运维工作中，无法对电能表、终端、运维服务质量评价提供数据支持。通过应用大数据技术，可以在采集、营销和运维等数据之间建立沟通桥梁，以此评价采集运维多维度质量。通过分析和梳理某市级供电单位的采集运维工单数据、采集抄表数据、采集成功率，建立对应的质量评价计算规则，从而验证了采集运维多维度质量评价的可行性。
三、结束语
综上所述，在采集运维业务中应用大数据技术，可以深度挖掘和分析梳理采集数据，智能化派发采集运维异常工单，同时进行运维多维度质量评价。实现运维业务的精益化和集约化转变，全面提升运维效率与质量。
参考文献：
[1]陈霄逸.大数据技术下的电力数据中心运维管理[J].电子测试，2020，25（12）：137-138.
[2]赵川，赵明，路学刚，叶华，陶思钰.基于大数据的电力运维故障诊断及自动告警系统设计[J].自动化与仪器仪表，2019，25（10）：222-226.
[3]陈龙，郝悍勇，巢玉坚，李鹏，罗玲，马远东，胡阳.基于大数据的电力信息网络智能风险预警策略研究及应用[J].电力信息与通信技术，2019，17（01）：18-24.
[4]王煜.基于大数据的风电场电力系统运维服务能力建设研究[J].中国高新技术企业，2017，20（10）：115-116.
国网福建省电力有限公司沙县供电公司 陈晓宇