摘要：目前，中国电力信息系统的建设和发展已经逐步完善。大约有1500万个收集终端具有累积接入，大约有5亿个智能电表具有接入。为了确保电力消耗信息采集系统中各种服务的顺利发展，有必要加强采集系统的运行和维护，这也是未来1号采集系统的主要研究和关注问题。从目前的情况来看，运营和维护服务的收集仍然存在许多问题，如运营和维护效率低、故障处理缺乏优先级别、故障的多样性和复杂性以及难以准确定位故障等，因此本文就首先对用电信息采集系统的运维业务中所存在的问题加以分析，并进一步提出在采集运维业务中大数据分析技术的应用。
关键词：大数据分析技术；采集运维；业务；应用
1采集运维大数据系统模型
1.1大数据分析关键技术
大数据在采集系统中的应用包括数据采集、数据清理、数据存储、数据分析、数据处理、数据解读和数据应用6个环节，本文针对数据分析环节中，引入关系型联机分析处理机制和多维分析技术进而优化整个系统进行论述。
1.1.1关系型联机分析处理(RelationalOnlineAnalyticalProcessing，ROLAP)。关系型联机分析处理是联机分析处理(OLAP)的一种形式。这种技术基于关系型数据库，以关系型结构进行多维数据的表示和存储，对存储在关系数据库(而非多维数据库)中的数据作动态多维分析。使用关系数据库管理系统(RelationalDatabaseManagementSystem，RDBMS)存储数据，数据文件大小受RDBMS限制；数据装载速度快；存储空间耗费小；维度数没有限制；可以通过SQL对数据进行处理。
1.1.2多维联机分析处理(MultidimensionalOnLineAnalyticalProcessing，MOLAP)。多维联机分析处理是OLAP的另一种形式，基于专门的多维分析数据存储结构。MOLAP使用专有多维结构存储数据，数据文件大小可能受到操作系统平台文件大小的限制，无法达到TB级别。规划存储时，有必要预测和计算数据量；否则，可能会导致数据爆炸。数据加载速度慢；维度是有限的，不能支持维度的动态变化。缺乏数据访问的数据模型和标准；分析和查询的响应速度高于其他传统OLAP技术，并支持高性能辅助决策计算。
1.2大数据运维业务架构
该业务架构收集采集、营销和运维数据，通过数据抽取转换加载(Extraction-TransformationLoading，ETL)层对数据进行分类适配，向数据存储层提供数据，数据存储层对数据进行分类存储后向数据分析层提供所需数据。数据分析层对数据进行优化、数据检索，为应用层的异常工单智能派发、异常工单智能处理及采集运维多维度质量评价提供数据支撑。数据源主要实现从采集主站、营销系统和采集运维闭环系统获取所需数据，如用户档案、采集成功率和异常工单等数据。
数据ETL层的主要功能是使用ETL工具对数据源数据进行抽取、清洗、转换，并向数据存储层装载。数据存储层采取混合型的大数据存储和处理架构，实现对多源异构电力大数据的多样性存储和处理功能。混合存储可以适应各种数据存储和管理形式，如分布式文件系统、列数据库和内存数据库，以满足不同应用程序的需求。该处理架构设计用于离线分析、实时计算、计算密集型数据分析和其他场景，并通过分布式批处理、内存计算、高性能计算等技术实现。数据分析层实现应用系统的基本功能，如分析模型管理、批量计算、实时查询等。在数据分析层和数据处理层之间采用支持高并发、低时延事务操作的分布式内存数据缓存技术，以降低业务应用操作与数据处理层之间的耦合性，提高应用服务响应效率。应用层构建异常工单智能化派发、异常工单智能处理和采集运维多维度质量评价3项业务，实现采集运维闭环管理的业务功能。采用模块化软件设计方法实现3个模块功能的即插即用，并在充分考虑模块之间的信息联络及功能联合的基础上，遵循规范的接口，实现模块之间的功能融合，从而实现3个业务模块之间既可独立运行，又可协作互补。
期刊文章分类查询,尽在期刊图书馆
2用电信息采集系统运维业务存在的问题
2.1用电采集系统运维效率低
随着社会经济发展水平的提高，人们日常生活和工业生产对电力的需求逐渐增加，电力工业也迅速发展。然而，根据调查和统计，电力公司每天大约有10，000份异常工作指令，工作强度远远超出了运维人员的工作能力。此外，大多数企业没有建立空缺消除机制，在故障处理和运行维护操作过程中，很难根据业务的紧急程度开展相应级别的工作，导致采集系统的运行维护效率低下。
2.2缺乏完善的考核评价
由于当前电力企业主要在电力信息系统的收集和运行中使用故障查询和离线调度，因此它们不能对故障信息以及运行和维护结果提供准确、及时和有效的反馈。现场运行维护工作、计量设备和采集设备的质量缺乏相关的评估和评价体系，难以提高运行维护工作的质量。
2.3对故障点难以进行准确的定位
在电力企业的用电信息采集系统的运维业务工作开展中，主要的运维对象为采集主站、智能电表、远程通信信道、本地通信信道、采集终端。根据统计发现异常现象的种类可以分为59种，根据不同的故障原因又可以将其分为100种，故障的种类十分复杂、繁多，导致难以对故障点及故障原因进行准确的定位和分析，普通的运维工作人员也难以对故障原因进行定位，缺乏消缺方案技术能力。
3大数据分析技术在采集运维业务中的应用
3.1异常工单智能化派发应用
在电力系统运行过程中，最重要的注意事项是查询电力系统的故障，并确保快速找到故障点。在过去的故障排除工作中，使用传统技术方法的效率相对较低，故障点确定的准确性也不令人满意。随后，随着智能电网的建设，大数据分析技术得到了应用。智能电网中的大数据分析技术可以发挥其自身的功能，实现对电网运行的实时监控，及时发现系统中的异常情况。具体的技术应用流程主要表现在以下几个方面。一是大数据分析技术首先能够在事前结合电网系统构建起一个电网运行数模型，通过该模型来确定电网正常运行的范围，明确电网有效运行的数据区间。二是结合数据模型，对于各类电网运行数据进行全面和具体的分析，这也相当于故障排查的过程，在进行数据分析过程中，主要是基于所辖区域的电网用电量数据情况，同时也会参考居民的月度以及年度用电量等情况，对于各类数据进行对比分析。
三是将异常数据同正常运行数据进行智能化分析后，确定电网系统异常情况以及具体的故障类型。发现故障信息之后通过信息系统反馈到操控终端，工作人员就可以实现对故障问题的解决。
3.2采集运维多维度质量评价
在技术应用的实际过程中，电网系统的多维数据评估将主要从以下几个方面实现。一是评估电网系统中使用的各种设备产品的质量。通过使用设备，大数据分析技术可以结合各种电网设备的运行数据信息和异常终端数据信息，构建电网产品设备质量分析和评价指标。具体来说，它将主要处理和分析以下三个方面的数据信息，即终端故障的更换率、超过标准的终端时钟偏差的比例以及每个制造商的终端故障率。通过数据运算，能够了解各类设备的运行情况，同时还可以进行设备运行品质评估，了解设备性能，确保各项工作的有效开展。二是对于电网系统运行维护的工作质量进行整体的数据评估。在电力系统当中，电网运维数据会进行即时更新，同时还会影响到整个电网工作品质。
结束语
大数据分析技术在用电信息采集系统运维业务中的应用，可以对采集到的数据信息进行深入挖掘、分析和处理，对运维异常工单进行智能分发和分析处理，从而逐步将运维工作从粗放管理向集约化精益管理转变，提高运维业务水平和工作效率。
参考文献:
[1]万方达.容量评估管理方式探索——数据分析在信息技术运维领域的应用[J].金融电子化，2015(11):70-72.
[2]边红军.数据挖掘技术在信用卡业务中的应用分析研究[J].无线互联科技，2018(1):105.
[3]刘光榕.数据仓库及OLAP技术在电信业务分析中的应用探讨[J].电脑编程技巧与维护2017(4):32-35.
[4]季文天，郭清菊，马杰.基于模型驱动的框架技术在数据采集平台中的分析与应用[J].软件，2016，35(3):121-124
论文作者:袁坤仑1,李凯1,郝玮2
论文发表刊物:《电力设备》2018年第19期
论文发表时间:2018/10/14
标签：数据论文; 多维论文; 电网论文; 故障论文; 技术论文; 业务论文; 大数论文; 《电力设备》2018年第19期论文;