论文部分内容阅读
摘 要： 在市场经济快速发展的重要时期，社会生产对电能的需求量越来越大，影响电能信息采集运维业务难度也有所提升。基于此，本文就大数据分析技术在电能信息采集运维业务中的应用展开研究，简要介绍了基于大数据分析技术的电能信息采集运维业务系统框架，进一步从异常工单智能化派发与处理、采集运维业务质量评价的角度出发，对大数据分析技术的在电能信息采集运维业务中的具体应用进行了较为详细的分析。
关键词： 大数据分析技术；电能信息；采集运维业务
前言：在智能电网建设规模不断扩大的发展背景下，需要对用户用电信息进行大规模的采集，而先进技术在电能信息采集运维业务中的应用，能够帮助相关电力企业以更加直接、简便的方式，对电网中电能传输的实际情况进行准确了解。尤其是大数据分析技术的应用，能够有效实现电能信息采集运维业务的智能化转型，对促进电力企业中电能信息管理的集约化、精益化发展，具有重要意义。
1.基于大数据分析技术的电能信息采集运维业务系统框架
基于大数据分析技术的电能信息采集运维业务框架，主要作用就是收集相关电能采集数据、营销数据与运维数据，并由数据抽取转换加载层对相关数据进行分类适配，进而提供给数据存储层来完成分类存储；存储数据的主要作用就是为后续的数据分析提供充足的资源基础；经过数据分析层的优化与数据检索处理之后，所得数据将进入到应用层，为异常工单智能派发、异常工单智能处理、采集运维业务质量评价提供可靠依据[1]。整个框架当中，数据分析层的作用就是实现采集运维业务系统的基础功能，包括批量计算、分析模型管理、实时查询等；另外，数据分析层与处理层均应用了分布式内存数据缓存技术，具有高并发、低延时事务操作特点，能够显著降低数据处理层与业务操作之間的耦合性，即提高电能信息采集运维业务系统的服务响应效率。
2.大数据分析技术在电能信息采集运维业务中的具体应用
2.1 异常工单智能化派发
上文中提到基于大数据分析技术的电能信息采集运维业务系统，其构建目标是实现对大量运维数据与历史电能信息的多维度分析，进而得出多种异常问题及其严重程度，对此，需要采用基于多维分析的采集运维效用模型，来完成系统应用层的异常工单智能化派发操作。效用模型如下：
Y效用值=
式中的Y效用值就表示电能信息采集运维效用值；i表示的是i个电能表，而f（xi）则表示单个电能表异常采集运维的效用值。
将此基于多维分析的运维效用模型应用到实际电能信息采集运维业务当中。某省电力企业在2017年1月1日至5月31日，对24907249户低压用户的用电信息进行采集，包括采集成功率、抄表数据、采集异常运维数据等，共计1417869条，数据项42536070个。运用效用值模型对全省的月平均用电量进行分析，若单一利用电量作为效用值单位，则最终所得数值相对较大，根据此种特点可引入“标准月用电量”作为最后的数值单位，实现对效用值模型的适当修正，然后根据用户最多类型的用电户的平均电量作为标准用电户电量。在此基础上，还需根据存储数据当中，每个电表所表示的故障异常持续时间，一般来说，故障时间每持续1天，就会形成1天的电量监控损失，而系统则会利用累加方式对电量监控损失进行计算。此外，利用效用值模式，还能分析距离下一抄表日天数、故障电能表数量效用值，以完成对历史工单全面分析，得到相关数据规律，为后续异常工单智能化处理提供数据支撑。
2.2 异常工单智能化处理
异常工单智能化处理需要通过对历史工单的数据规律进行归纳与分析，来发现不同维度下异常发生的原因以及异常原因发生的概率，并输出异常原因概率的比值，公式如下：
Y比值=
式中的Y比值表示单个异常原因概率比值；而f（xi）则表示单个维度下，单一异常现象原因的发生概率；n表示维度总量。
在得到异常原因概率比值之后，可通过对比不同维度的相关比值的大小，来对类似故障现象进行分析与预测，具体内容包括设备类型的异常、设备生产厂家异常、国网招标批次异常等。有效实现电能信息采集运维业务系统的预分析功能，能够有效提升运维效率。
2.3 采集运维业务质量评价
采用基于大数据分析技术的电能信息采集运维业务系统，还需通过采集运维业务质量评价，来增加系统功能实现的可能性。首先，应量化评价各终端厂商的终端质量；为保证多维度质量评价的有效实现，需要全面采集相关终端厂商的运行运行终端数、异常终端占比、终端时钟异常数等数据，为评价指标的有效建立提供可靠支撑[2]。评价指标中，终端故障更换率=（周期内更换终端数/运行终端数）·100%；终端时钟偏差超标占比=（周期内终端始终异常数/运行终端数）·100%；终端故障率=（周期内终端故障数/运行终端数）·100%。然后，对电能表的产品质量进行评价，核心的评价指标就为故障更换率，计算规则：故障更换率=（周期内电能表更换数/运行电能表数）·100%。最后，需要从运维工作人员的角度着手，深入评价采集运维工作质量与效率，相关评价指标包括：异常工单派发率=（统计日派发工单数/应派发工单总数）100%；异常工单反馈率=（当期反馈工单数/应反馈工单总数）·100%；采集故障处理及时率=（已恢复的采集故障数/当期应处理的采集故障总数）·100%。
结束语：综上所述，探究大数据分析技术在电能信息采集运维业务中的应用，有利于提高相关运维工作的效率与质量。通过相关分析，大数据分析技术的有效应用，能够实现对电能信息的深入挖掘、分析、处理，进而简化相关工作人员对电能信息的采集运维管理难度，促进电力事业的稳健发展。在后续的研究过程中，还应对采集异常智能化甄别等进行更加深入的研究，为实现国网营销部“全覆盖、全采集、全费控”提供技术保障。
参考文献
[1]王宝萱.电能计量采集运维及故障处理探析[J].技术与市场，2017，24（10）：64-65.
[2]王文彬. 内蒙古电力需求侧企业电能监测管理平台设计及应用[D].华北电力大学（北京），2017.
关键词： 大数据分析技术；电能信息；采集运维业务
前言：在智能电网建设规模不断扩大的发展背景下，需要对用户用电信息进行大规模的采集，而先进技术在电能信息采集运维业务中的应用，能够帮助相关电力企业以更加直接、简便的方式，对电网中电能传输的实际情况进行准确了解。尤其是大数据分析技术的应用，能够有效实现电能信息采集运维业务的智能化转型，对促进电力企业中电能信息管理的集约化、精益化发展，具有重要意义。
1.基于大数据分析技术的电能信息采集运维业务系统框架
基于大数据分析技术的电能信息采集运维业务框架，主要作用就是收集相关电能采集数据、营销数据与运维数据，并由数据抽取转换加载层对相关数据进行分类适配，进而提供给数据存储层来完成分类存储；存储数据的主要作用就是为后续的数据分析提供充足的资源基础；经过数据分析层的优化与数据检索处理之后，所得数据将进入到应用层，为异常工单智能派发、异常工单智能处理、采集运维业务质量评价提供可靠依据[1]。整个框架当中，数据分析层的作用就是实现采集运维业务系统的基础功能，包括批量计算、分析模型管理、实时查询等；另外，数据分析层与处理层均应用了分布式内存数据缓存技术，具有高并发、低延时事务操作特点，能够显著降低数据处理层与业务操作之間的耦合性，即提高电能信息采集运维业务系统的服务响应效率。
2.大数据分析技术在电能信息采集运维业务中的具体应用
2.1 异常工单智能化派发
上文中提到基于大数据分析技术的电能信息采集运维业务系统，其构建目标是实现对大量运维数据与历史电能信息的多维度分析，进而得出多种异常问题及其严重程度，对此，需要采用基于多维分析的采集运维效用模型，来完成系统应用层的异常工单智能化派发操作。效用模型如下：
Y效用值=
式中的Y效用值就表示电能信息采集运维效用值；i表示的是i个电能表，而f（xi）则表示单个电能表异常采集运维的效用值。
将此基于多维分析的运维效用模型应用到实际电能信息采集运维业务当中。某省电力企业在2017年1月1日至5月31日，对24907249户低压用户的用电信息进行采集，包括采集成功率、抄表数据、采集异常运维数据等，共计1417869条，数据项42536070个。运用效用值模型对全省的月平均用电量进行分析，若单一利用电量作为效用值单位，则最终所得数值相对较大，根据此种特点可引入“标准月用电量”作为最后的数值单位，实现对效用值模型的适当修正，然后根据用户最多类型的用电户的平均电量作为标准用电户电量。在此基础上，还需根据存储数据当中，每个电表所表示的故障异常持续时间，一般来说，故障时间每持续1天，就会形成1天的电量监控损失，而系统则会利用累加方式对电量监控损失进行计算。此外，利用效用值模式，还能分析距离下一抄表日天数、故障电能表数量效用值，以完成对历史工单全面分析，得到相关数据规律，为后续异常工单智能化处理提供数据支撑。
2.2 异常工单智能化处理
异常工单智能化处理需要通过对历史工单的数据规律进行归纳与分析，来发现不同维度下异常发生的原因以及异常原因发生的概率，并输出异常原因概率的比值，公式如下：
Y比值=
式中的Y比值表示单个异常原因概率比值；而f（xi）则表示单个维度下，单一异常现象原因的发生概率；n表示维度总量。
在得到异常原因概率比值之后，可通过对比不同维度的相关比值的大小，来对类似故障现象进行分析与预测，具体内容包括设备类型的异常、设备生产厂家异常、国网招标批次异常等。有效实现电能信息采集运维业务系统的预分析功能，能够有效提升运维效率。
2.3 采集运维业务质量评价
采用基于大数据分析技术的电能信息采集运维业务系统，还需通过采集运维业务质量评价，来增加系统功能实现的可能性。首先，应量化评价各终端厂商的终端质量；为保证多维度质量评价的有效实现，需要全面采集相关终端厂商的运行运行终端数、异常终端占比、终端时钟异常数等数据，为评价指标的有效建立提供可靠支撑[2]。评价指标中，终端故障更换率=（周期内更换终端数/运行终端数）·100%；终端时钟偏差超标占比=（周期内终端始终异常数/运行终端数）·100%；终端故障率=（周期内终端故障数/运行终端数）·100%。然后，对电能表的产品质量进行评价，核心的评价指标就为故障更换率，计算规则：故障更换率=（周期内电能表更换数/运行电能表数）·100%。最后，需要从运维工作人员的角度着手，深入评价采集运维工作质量与效率，相关评价指标包括：异常工单派发率=（统计日派发工单数/应派发工单总数）100%；异常工单反馈率=（当期反馈工单数/应反馈工单总数）·100%；采集故障处理及时率=（已恢复的采集故障数/当期应处理的采集故障总数）·100%。
结束语：综上所述，探究大数据分析技术在电能信息采集运维业务中的应用，有利于提高相关运维工作的效率与质量。通过相关分析，大数据分析技术的有效应用，能够实现对电能信息的深入挖掘、分析、处理，进而简化相关工作人员对电能信息的采集运维管理难度，促进电力事业的稳健发展。在后续的研究过程中，还应对采集异常智能化甄别等进行更加深入的研究，为实现国网营销部“全覆盖、全采集、全费控”提供技术保障。
参考文献
[1]王宝萱.电能计量采集运维及故障处理探析[J].技术与市场，2017，24（10）：64-65.
[2]王文彬. 内蒙古电力需求侧企业电能监测管理平台设计及应用[D].华北电力大学（北京），2017.