摘要：目前传统抄表只能看到每个月线损率的波动，无法实时展现供、售电量情况，导致线损管理中出现的问题难以发现，线损对电网的监控与指导作用不明显。基于电力大数据的配电网（以下简称配网）同期线损通过对各专业系统数据资源的实时融合，对配网进行分区、分压、分元件和分台区模型设定，通过各类模型的计算、分析，查找出线损异常的原因并及时处理，从而提高配网线损的精益化管理。
关键词：电力大数据；配电网；同期线损管理
1电力大数据的概念和影响
大数据有很多定义方式，一般情况下，大数据指的是利用一些平常的软件没有办法来获得信息的数据，关键点在于‘大’这个字。那电力大数据又是什么呢，至于这个，电力行业也没有给出一个准确的定义，但是在电力行业还流传着其他的版本。总体来说，由于电力大数据自身独特的优势在社会的发展中占据了重要的地位，做出了较大的贡献。利用大数据，无论是信息的传输还是信息的处理都更为稳定，这给人类社会的发展提供了保障。现在，电力工业和信息工业有着越来越多的联系，电力企业将电力流、业务流和信息流结合，再加上电网和电力信息通信网的结合，可以出现智能的电网体系。如何看出电力企业具备了大数据时代的特征呢？首先要看的就是企业智能电网体系价值的提高。电力信息会有许多和以前服务不一样的地方，从而滋生出一种全新的管理模式，改变了原来陈旧的思维方式，作为主要功能承载的主体，大数据展现出了其巨大的效用。把企业现在的数据进行充分的分析利用，就能获得增值服务。随着智能电网得不断发展，电力系统发生错误数据的机会越来越多。而智能电网不仅应用于电力行业，也被广泛的应用于其他的行业和领域。在电力行业中，智能电网获得飞速发展，这表明通信技术会和电力技术相结合，从而进一步促进新一代的电网事业的成熟和完善。
2同期线损管理存在的问题
由于当前web版系统设计功能较多，没有针对日常的档案异动、模型异动、采集电量异常、线损异常等相关功能，因此无法在日常工作中进行有效的异动处理，只能在月末集中处理，不能满足日常管理需求。以上问题主要集中在以下五方面。（1）设备档案异动无法校核。日常档案发生异动时，线损系统无法有效给予异动信息展示，并无法校核异动是否正常，导致线损系统设备档案及模型、线变关系、台户关系与现场不一致，线损异常原因难以精准定位。（2）模型异动无法判断是否正常。当前线损Web系统中，日常的模型异动需要人工维护，人工维护的及时、准确及正确性无法保证。（3）及电量异动无法校核。目前每日采集表底的完整性、正确性，换表记录的完整性，用户电量的完整性、准确性，在线损系统无法有效监控，不能有效及时地将采集及电量异常处理。（4）线损异动无法有效展示及分析。目前线损系统中每日线损都在进行计算，但缺少相应的日线损分析功能，对于每日、每周的线损监控分析，尤其缺少线损突变的信息展示，不能针对性地解决线损异常。（5）Web系统针对性、及时性较差。Web版系统涉及线损方面太广，模块较多，缺少针对性的数据异动、线损治理模块，无法将异动信息推送到相关异动管理人员，并反馈异动处理情况。
3基于大数据的配网同期线损管理优势
首先，实现日线损实时计算。
期刊文章分类查询,尽在期刊图书馆融合了6大源端系统基础数据的同期系统可以实现T-3日的分区、分压、分线、分台区日线损实时计算，有利于基层单位及时分析线损异常原因、查找问题短板，积极采取措施降损增效。其次，提高基础数据真实性。通过同期系统的大数据分析，可以及时发现运检配电线路线变挂接关系是否准确、营销用户档案与户台对应数据是否真实、采集电量信息是否完备等问题，强化了线损异常原因分析，有利于促进调度、运检、营销等专业协同合作，解决关口管理、设备异动管理、用户档案管理、电量采集管理等跨专业问题，促进各专业数据质量整体提升，提高营配调贯通业务水平。最后，提高企业经济效益。基于大数据的配网同期线损管理摒弃了传统人为抄表、统计线损的模式，解放了生产力。通过实时的监测分析发现高损原因并及时处理，有效的解决了因错抄、漏抄表、用户窃电及违规用电等导致的电能损耗，提高了电力企业的经济效益。
4基于电力大数据的配电网同期线损管理平台设计
电力大数据平台架构必须包括六个模块：数据采集、数据存储、数据计算、分析组件、数据服务和平台管理。在数据采集方面，本平台采用了Sqoop、Flume、Kafka进行数据采集。Sqoop用于将大规模的业务数据从传统关系型数据库转移到HDFS。Flume技术组件采集了业务系统日志文件，对业务系统发生的数据变更进行及时捕获，并以推送方式在数据中心完成同步更新。而Kafka技术实现了对海量准实时平台和流式采集获取的数据进行队列化处理，为数据仓库和数据应用的数据消费提供稳定、连续的数据输入。数据存储包括对分布式文件、关系型数据以及内存数据存储，采用GreenplumDB、HDFS、HBASE产品以及关系型数据库Oracle，包括数据湖、数据仓库以及数据集市。数据湖仅存储最新快照数据，每个源系统对应一个分布式存储Schema。数据仓库存储区，各处理单元采用私有的CPU、内存和硬盘并通过协议通信。其数据存储是对表从物理存储上被水平分割，并分配给多台服务器（或多个实例），每台服务器可以独立工作，具备共同的Schema，只需增加服务器数就可以增加处理能力和容量，保证了可扩展能力。数据计算包括传统的SQL计算、大规模并行计算、内存计算以及流式计算。大规模并行计算采用MPP并行计算技术，内存计算采用Spark，实现基于Redis的内存计算，流式计算采用SparkStreaming采用SparkStreaming计算技术，实现基于消息队列的数据计算。数据分析包括多维分析引擎、数据挖掘引擎以及数据挖掘算法库，用于支持各类数据分析结果的生成，以支持多种数据分析应用类型。
5结束语
大数据的支撑能确保数据的及时性、准确性和完整性，真实的线损情况可以体现出线损管理中的诸多问题，反映电网结构的真实水平，对于提高配网运行的安全性和可靠性具有非常重要的作用，对电力企业的长远发展也有着重要意义。因此，基于电力大数据的配网同期线损管理对电力企业的发展有着积极的影响和作用。
参考文献
[1]宋煜,郑海雁,尹飞.基于智能用电大数据分析的台区线损管理[J].电力信息与通信技术,2015,1308:132-135.
[2]李正文,谷振皓,许静,郭春雨.一种基于多源大数据的主网线损管理系统[J].东北电力技术,2016,3711:1-3+7.
[3]卢雪峰,臧翠青,施赛超.探析智能用电大数据分析的台区线损管理[J].决策探索(中),2018,07:95-96.
论文作者:安伟豪,范少博
论文发表刊物:《电力设备》2019年第11期
论文发表时间:2019/10/18
标签：数据论文; 线损论文; 异动论文; 电力论文; 系统论文; 电网论文; 同期论文; 《电力设备》2019年第11期论文;