基于Tableau的電力大數據線損分析

李 昂，張佳軒，鄧雅心

（1.陜西理工大學 電氣工程學院，陜西 漢中 723001；2.國網青海省電力公司經濟技術研究院，青海 西寧 810000）

0 引 言

大數據時代，電力大數據的重要性不言而喻。它具備4V特點——Volume（數據規模大）、Velocity（數據采集、傳輸和處理實時化）、Variety（數據來源多）、Value（數據的商業價值高），是其能高速發展并被廣泛認可的原因[1]。經濟的發展和人們的生活離不開電力企業。電力大數據不單是電力方面的相關公共數據，還可以與不同類型的數據相關聯。電力大數據的采集和整理成本高昂，因此對電力大數據潛在價值的充分挖掘與合理利用是必要選擇。通過大數據挖掘可以改善電力企業的經營管理、電力服務和用戶體驗[2]。隨著智能電網的建設，地理信息系統（GIS）、智能變電站以及智能表計等快速推廣應用，同時國家電網公司建成的4類數據中心平臺積累了大量的相關數據資源，可為企業高效進行大數據分析奠定基礎[3-4]。

在節能減排的大背景下，電網企業售電增速下行壓力增大，電網企業必須做到降本增效，加強對線損的管理。從目前公開的研究結果看，眾多學者對電網企業的線損管理研究有著諸多成果。文獻[5]基于大數據具備遠大的發展前景和電網企業面對新形勢的需求，提出了可視化系統構建的必要性；文獻[6]基于臺區線損相關數據，如檔案問題、采集問題、竊電問題、關口計量、計量故障等數據，針對低壓臺區線損治理提出了常見問題的處理方案；文獻[7]基于2005年電網公司線損計算結果，結合線損理論方法，針對電網技術線損存在的主要問題進行分析，提出了相應的降損對策；文獻[8]在線損、電量結構、氣溫以及抄表時間等數據的基礎上，通過數理統計等相關辦法，還原實際線損率，從而達到指導電網生產經營、降低電網損耗的目的。文獻[9]從技術和管理兩個方面出發，結合供電公司的具體情況，分析影響臺區線損的主要因素，提出了相應的降損措施。

這些研究在將大數據與線損管理相結合并構建可視化平臺方面較為欠缺。因此，本文采用Tableau軟件，結合相關的電力大數據，搭建交互式線損管理平臺，有助于企業解決相關的線損問題，達到降本增效的目的。

1 線損與線損率

線損是指輸電、變電、配電和用電等環節中產生的電能損耗，也指供電端到售電端的電能損失。線損電量等于供電量減去售電量。技術線損是指在電力傳輸和分配時，由供電設備和電力負荷情況導致的無法回避的電力損耗問題，是屬于正常范圍的損耗。管理線損是指在電力營銷過程中，由電表誤差和電力計量裝置等因素導致的損失。線損率是指由線損電量占供電量的百分比。高線損率是指當供電量大于售電量時，線損率高于10%[10]。

對于電力企業而言，線損電量是衡量電力部門設計水平、生產技術水平和管理水平的重要指標，也是營銷管理的重要考核指標之一，直接反映供電企業的專業技術和管理水平。線損率則是電力企業供電系統部分的重要經濟技術指標，不僅可以綜合反映一個單位或一個區域的供電經濟性，而且可以間接反映供電的技術條件和管理水平。

2 數據源

數據源的處理可分為數據提取和數據預處理兩方面[11]。

數據提取是在不同的數據源庫中抽取所需的數據，最后整合到數據倉庫中。本文涉及的數據為2017年9月至2018年5月某省電力公司供電量與售電量的數據，包括所對應的地市、縣區、供電所、臺區的名稱和TG-ID的編號、用戶戶數等。

數據預處理是在采集數據時可能會存在各種各樣的問題，如數據采集重復、數據采集錯漏等一系列影響數據完整性和一致性的質量問題。為了減少數據冗雜，在保證不減少數據所包含信息的前提下，可對數據進行初步分析、排查、清洗、集成、轉換以及規約等操作，改善數據的質量。

數據清洗是將臺區中每月售電量大于供電量、有供電量但無售電量以及線損率超過20%等明顯異常的情況進行刪減。

3 模型搭建

Tableau軟件是一款BI（Business Intelligence）軟件。基于Tableau軟件開展的大數據研究很多。文獻[10]基于Tableau軟件，結合相應的氣象數據構成可視化視圖，對具體的氣象信息進行深入分析。文獻[11]基于Tableau軟件，結合相關的電力大數據構建可視化模型，分析用戶竊電等用電量異常問題，對降低電費回收的風險具備一定的參考價值。

利用Tableau軟件創建不同供電公司的線損電量與線損率的復合圖，如圖1所示，其中條形圖表示線損電量的信息，折線圖表示線損率的信息。通過圖1可以看出，供電公司D的線損電量在同期中最高，而供電公司E的線損電量在同期中最低。此外，在線損率方面，大多數時間是供電公司A最高，而供電公司E的線損率最低。

圖1 線損電量與線損率復合圖

除了搭建線損電量與線損率的復合圖外，還可搭建線損率、線損電量熱圖、線損電量環比圖、線損率與戶數散點圖以及各線損統計個數模型等，并設置高線損率界限參數和線損電量界限參數。將上述圖表匯總在一張儀表板上，如圖2所示。

圖2 線損電量與線損率分析界面

圖2中包含多個子模塊：圖2（a）為線損率熱圖，圖2（b）為各線損統計個數，圖2（c）為線損電量熱圖，圖2（d）為線損電量與線損率復合圖，圖2（e）為線損率與戶數散點圖、圖2（f）為線損電量環比圖，圖2（g）為線損率環比圖。

通過線損率熱圖和線損電量熱圖，可得到具體的TG-ID的線損信息；從線損電量與線損率復合圖中，可以獲得線損電量和線損率的具體電量信息和變化趨勢；在線損電量、線損率環比圖中，可以獲知每月線損電量和線損率的具體增減信息和變化趨勢；在線損率與戶數散點圖中，可用來得到具體數值下線損率所對應的用戶數信息，并分析二者之間的關系；各線損統計個數中，反映了一定條件下的線損數據的統計信息。

由圖2（g）可知，線損率趨勢總體在2017年11月最高。在圖2（d）中，選擇時間2017年11月，各供電公司的線損率最低點（C公司），線損率最高點（A公司），線損電量最高點（D公司），分別點擊后可得圖3、圖4和圖5。

圖3 供電公司C異常分析

圖4 供電公司A異常分析

通過圖3、圖4和圖5的比較和分析不難得出，供電公司D的線損電量過高是由于TG-ID個數過多。3家公司中，雖然供電公司D的高線損率統計個數最多，但是供電公司A中高線損率所占比重最高，應優先解決供電公司A的線損問題。此外，通過線損電量、線損率熱圖可以快速查找出高線損率和高線損電量的TG-ID，有助于管理人員高效獲取關鍵信息，從而合理安排治理工作。

4 結 論

本文采用Tableau軟件，結合電力方面相關的線損數據，搭建交互式的線損管理平臺，填補了電力大數據與線損管理方面相結合的空缺，從海量的大數據信息中獲取想要的信息。通過該平臺的模型分析，尤其是線損率分析，可排查出可能由于設備和線路老化等問題導致的線損異常點，有利于電網企業進行線損問題的相關調查和治理工作，及時找出問題并加以解決，有利于企業達到降本增效、加強線損管理的目的，對企業加強線損管理具備一定的參考價值。

圖5 供電公司D異常分析