大數據分析技術在采集運維業務中的應用

劉暢

DOI：10.16661/j.cnki.1672-3791.2017.30.023

摘 要：隨著我國科技力量的逐漸提升，信息技術水平在不斷提高，大數據分析技術則是建立在信息技術發展的基礎上發展起來的，近年來大數據分析技術在多個領域中都得到了應用，并取得了一定的進展。隨著國民經濟發展，人們對用電需求在不斷增加，用電信息的采集規模也在與日俱增，因此就要加強采集信息系統的運行維護工作。

關鍵詞：大數據分析技術 采集運維業務 用電信息采集系統

中圖分類號：G202 文獻標識碼：A 文章編號：1672-3791（2017）10（c）-0023-02

目前，我國對用電信息系統的建設和發展已經逐漸完善，累積接入的采集終端約有1500萬臺，智能電表的接入約5億。為了確保在用電信息采集系統中各項業務順利展開，就需要加強對采集系統的運行維護工作，這也是采集系統未來主要研究和注意的問題[1]。從當前情況來看，在采集運維業務中還存在著諸多問題，如運維效率較低，缺乏故障優先處理級，故障種類多樣、復雜，難以對故障進行準確的定位等，因此本文就首先對用電信息采集系統的運維業務中所存在的問題加以分析，并進一步提出在采集運維業務中大數據分析技術的應用。

1 用電信息采集系統運維業務存在的問題

1.1 用電采集系統運維效率低

隨著社會經濟發展水平的提升，在人們日常生活和工業生產中對電力需求量在逐漸增加，電力行業也得到了快速發展，但根據調查統計發現，電力公司每日產生的異常工單總計約有1萬條，工作強度遠遠超出運維工作人員的工作能力，且大部分企業都沒有建立消缺機制，在故障處理和運維業務開展中難以根據業務的緊急程度開展相應等級的工作，從而導致采集系統的運維效率低下。

1.2 對故障點難以進行準確的定位

在電力企業的用電信息采集系統的運維業務工作開展中，主要的運維對象為采集主站、智能電表、遠程通信信道、本地通信信道、采集終端。根據統計發現異常現象的種類可以分為59種，根據不同的故障原因又可以將其分為100種，故障的種類十分復雜、繁多，導致難以對故障點及故障原因進行準確的定位和分析，普通的運維工作人員也難以對故障原因進行定位，缺乏消缺方案技術能力[2]。

1.3 缺乏完善的考核評價

當前電力企業在用電信息系統的采集運維業務中主要采用的是故障查詢和線下派工的業務處理方式，對故障信息和運維結果不能進行準確、及時有效的反饋，在現場運維的工作質量、計量設備和采集設備中缺乏相關考核評價體系，難以提高運維業務的工作質量。

2 采集系統運維業務的大數據分析模型

為了解決在采集系統的運維業務中所存在的問題，在采集運維業務的開展中采用大數據分析技術，并建立大數據系統模型，對采集運維業務中的相關問題進行分析。

2.1 大數據分析技術

在采集系統中大數據主要包括數據采集、清理、存儲、分析、處理和應用等多個環節，而大數據分析技術則主要包括有關系型聯機分析處理和多維分析技術兩種，對用電信息采集系統進行優化[3]。其中關系型聯機分析處理是一種聯機分析處理的表現形式，這種技術是建立在關系型數據庫的基礎上，通過關系型結構來對多維數據進行存儲，并對在數據庫中的數據進行動態分析和多維分析。采用關系型數據庫進行數據存儲，存儲空間耗費較小，對維度數也沒有限制，數據裝載速度較快。而多維聯機分析技術則是OLAP的一種表現形式，是建立在多位分析數據存儲結構的基礎上的，多維聯機分析處理主要是采用專門的多維結構來進行數據存儲，但數據文件的大小卻受到操作平臺的限制，在存儲規劃中需要測算數據量的大小，否則會導致數據爆炸，此外，還缺乏數據訪問和數據模型標準，在對查詢響應速度的分析中高于其他OLAP技術。

2.2 大數據運維業務架構

大數據運維業務架構主要是對數據進行收集、采集、營銷與運維等，采用數據抽取轉換加載層進行數據的分類和調配，并為數據存儲提供相應的數據，數據存儲層在對數據分類存儲后為數據分析提供所需的數據，對數據進行優化與檢索，并為數據應用層派發異常工單，在對異常工單進行智能處理和多維度質量評價中提供相應的數據支撐[4]。其中數據源主要是從營銷系統、采集主站及采集運維閉環系統中獲取，如異常工單、用戶檔案數據等。

3 大數據系統的采集運維業務優化

3.1 異常工單智能派發

當前在異常工單派發中主要是由采集運維工作人員負責，但在人工派發工單的情況下難以對現場情況緊急程度進行合理的判斷，并在異常工單大量產生時不能按照先后順序對工單進行合理的消缺，對于需要緊急處理的故障難以在最短時間內進行修復，造成大量經濟損失。本文就從多維分析的角度對大量的運維數據和系統的歷史數據進行分析，對不同種類異常工單的嚴重程度進行判斷，提高異常工單的處理效率和處理質量，提高采集系統設備的數據完整性。

（1）采集運維效用值模型。

在單個表計效用值的情況下，主要受到月平均用電量、異常持續時間和離下一抄表天數的影響，而總體的工單效用則是指工單的故障電表效益總和，也就是指故障電能表數量的影響，而根據這些因素可以得出效用值的模型公式，即Y效用值=Σf（x），其中Y效用值指的是采集運維業務的效用值，而f（x）則表示的是單個電表的異常采集運維效用值，i表示的是第i個電能表。

（2）模型應用。

在對采集異常運維數據的分析和處理中主要是對月平均用電量、異常持續時間和離下一抄表天數的分析，其中月平均用電量僅僅將使用電量作為效用值時，最后計算的數值較大，將標準月用電量引入到整體模型中去作為最后的數值單位，標準用電量是在隨機抽取大部分用戶實際用電量，并統計出各類用戶月平均用電量，根據最多類型的用戶平均用電量作為標準用電量。居民月均用電量和非居民月均用電量的分界點為≤200kW·h的為一戶標準戶，≤1000kW·h，>200kW·h的為2戶標準戶，>1000kW·h的為3戶標準戶。異常持續時間指的是每個電表故障持續一天則會造成一天的電量監控損失，電量的監控損失按照累加的方式進行計算[5]。距離下一抄表天數的分析，當距離效益抄表的天數越近，則表明對該用戶的監控損失電量概率越大，故障的緊急維修程度越高；當距離效益抄表的天數越遠，則表明對該用戶的監控損失電量概率小，且該因數所造成的影響趨近于0。

3.2 異常工單的智能化處理

原有的采集運維業務開展主要是由于缺乏大數據支撐，當運維人員對該地區缺乏一定的熟悉程度的情況下，運維工作的效率較低，對已發生的故障缺乏準確的分析能力，運維人員只能對現場故障類型進行一一排查。在對異常工單的歷史大數據中采用大數據分析技術，可以通過系統異常分析功能對現場的故障類型進行快速判斷，提高現場的運維效率。對于新生成的異常工單，可以通過生產廠家、國網招標批次、故障設備類型等維度對異常原因的發生概率進行判斷，從而確定異常工單的主要原因，并對比值大小進行比較預測出異常原因，從多維度分析角度對異常原因的分析概率比值公式為Y比值=Σf（xi）/n，其中Y比值指的是單個異常原因的概率比值，而f（xi）則表示的是單個維度下單一異常原因的發生概率，n表示所有維度總量。

4 結語

在用電信息采集系統中的運維業務中采用大數據分析技術，可以對采集的數據信息進行深入挖掘和分析、處理，對運維異常工單進行智能化派發和分析處理等，使采集運維工作從粗放式管理逐漸向集約式和精益化方向發生轉變，提高運維業務水平和工作效率。

參考文獻

[1] 萬方達.容量評估管理方式探索——數據分析在信息技術運維領域的應用[J].金融電子化，2015（11）：70-72.

[2] 邊紅軍.數據挖掘技術在信用卡業務中的應用分析研究[J].無線互聯科技，2015（1）：105.

[3] 劉光榕.數據倉庫及OLAP技術在電信業務分析中的應用探討[J].電腦編程技巧與維護2011（4）：32-35.

[4]季文天，郭清菊，馬杰.基于模型驅動的框架技術在數據采集平臺中的分析與應用[J].軟件，2014，35（3）：121-124.

[5]李益文.湖南煙草商業系統基于大數據在云計算平臺運維中應用的思考與設計[J].經營管理者，2016（33）：293.endprint