基于大數據分析可視化平臺關鍵技術研究及供電服務指揮應用

任政， 祁建， 陸晨亮

(江蘇電力信息技術有限公司， 江蘇，南京 210029)

0 引言

當前供電服務中心日常工作的關鍵為配網運行監測、搶修指揮、用戶客服問題解答，難以對數據實施綜合統計分析，致使多類數據之間不能完成交互共享，各項工作的展開狀態十分被動[1-2]。在此背景下，供電企業為供應更優質的供電服務質量，在國網公司號召下設置了獨立的集調控監測、配網搶修、調度服務為一體的供電服務指揮中心，盡可能地整合資源，讓供電服務指揮變成數據樞紐，令供電服務更為精準化、人性化與便捷化[3]。

為此，相關學者采用余弦相似度權衡簇的凝聚度，運用N-game統計語言模型呈現供電信息間的轉移關聯，從而判斷不同類型的供電信息。也有學者將營配調相互融合的過程當作平臺建設基礎，利用硬件層、平臺支撐軟件層、數據儲存層、數據處理層及數據可視化展示層搭建供電服務指揮平臺。本研究在大數據分析可視化平臺關鍵技術的基礎上，創建供電服務指揮平臺。

1 基于大數據分析可視化平臺的供電信息聚類技術

由于供電服務指揮中包含配網檢修、配網檢測運行、供電服務集中管控等諸多內容，利用大數據分析可視化平臺完成供電信息精準聚類，確保指揮平臺運作準確性。聚類分析是大數據分析的關鍵手段，可明確數據內不同類別和數據內的獨有分布特征[4]。本文使用余弦相似度權衡簇的凝聚度，計算過程為

(1)

式中，Ck表示第k個簇，uij是Ck類第i個對象與第j個對象的余弦相似度?；诖耍疚南嗨贫榷x使用余弦相似度，倘若2個矢量相似度是1，證明2個矢量完全相等，0代表2個矢量沒有共同點。將余弦相似度計算式描述成：

(2)

式中，uij是ui與uj的相似度，di是數據簇，|di|代表樣本點di處于歐氏空間的長度。

在聚類分析供電信息時，首先采用N-game統計語言模型呈現不同供電信息之間的轉移關聯[5]。按照最大似然估計，獲得供電信息詞匯參數為：

(3)

式中，C(w1w2…wi)是樣本w1w2…wi-1在訓練數據內出現的次數。然后將信息的切分詞依次當作候選結果引入相同概率空間，計算聯合概率空間最高概率下的切分路徑，獲取最終的切分結果聯合概率分布：

(4)

式中，Pci是供電數據內每個字的信息概率，Pwj是各個詞的信息概率，字與詞的概率使用最大熵模型進行決策。假如輸入結果是k，則融合式(4)得到：

(5)

針對供電大數據文本的分詞集合，一般要推算其對于全部可能輸出k的條件概率，擇取最高概率的過程即為解碼。按照式(4)、式(5)對聯合空間字詞的解碼過程為

(6)

字詞的聯合概率模型能根據前部概率模型共同作用挑選最終的輸出結果[6]。將字詞聯合概率模型表示成：

(7)

如果大數據分析環境內具備一組相似目標集合D及目標內的關鍵字集合W，且同時存在一組擁有某種特征的集合Z。若目標內的關鍵字為勻稱分布，則供電信息內詞語的聯合分布概率是：

p(wi,di)=p(di)p(wj|di)=

(8)

其中，p(di)是第j個供電數據目標概率，p(wj|di)是特征語義基礎上關鍵字發生的條件概率，p(zk|dj)是數據目標內具備某種特征的條件概率。

將臨界值L的最優解計算公式記作：

(9)

對于抽取后的小數據集，利用式(10)評估其樣本大小。

(10)

如果大數據分析過程中擁有數據集X，把數據集X的樣本矩陣定義為：

(11)

通過歐式距離的運算，獲取其對應矩陣：

(12)

設定Di,j是數據類內Ni全部樣本與Nj類內全部樣本之間的最小距離，得到：

Di,j=min(di,j)

(13)

使用歐式距離的兩點間距離解析式獲得：

(14)

(xn,yn)與(xm,ym)依次為2個連通范圍m、n邊緣點的坐標。若2個坐標間的距離低于設定值時，就把兩個范圍采取融合，反之搜索下一個坐標。設置g(ci,cj)是全部可能的X聚類對函數，該函數可以明確兩個聚類間的相鄰性，t是目前聚類的層級等級，將聚類計算過程描寫為式(15)：

Rt=(Rt-1-{ci,cj})∪{cq}

(15)

利用式(15)獲得數據密度中心點，完成高精度供電信息聚類目標，對供電服務指揮的高效運行提供可靠基礎。

2 供電服務指揮可視化平臺構建

本文將圖1中的“一個融合兩個轉變”當作發展目標，并推進3個建設過程：建設實體化運轉的組織機構、建設貼合“五位一體”需求的操作制度，建設功能實用性強的技術支持平臺。

圖1 營配調融合示意圖

可視化智能供電服務指揮平臺包含平臺硬件層、平臺支撐軟件層、數據儲存層、數據處理層及數據可視化展示層如圖2所示。

數據庫集成過程詳情如圖3所示。

數據處理層是對電網生成的大數據實施加工、分析等功能，加工處理、分析和統計運轉事件信息。數據可視化展示層內有報表組件、圖形組件、服務組件、數據組件等多功能展示模塊，為運維檢修的輔助決策功能提供技術支撐。

圖2 供電服務指揮平臺全局結構圖

圖3 數據集成示意圖

在原始數據、生數據、熟數據變換過程中，過濾挖掘臟數據，同時采取數據溯源，有效查詢臟數據源頭，采取告警與整理，確保數據唯一性、完備性、關聯性與合法性等質量需求。數據質量管理包含數據標準化管理、數據辨識校準、數據修正補償、質量分析等內容，如圖4所示。

圖4 數據質量管理結構圖

供電服務指揮平臺遵照配電網全部數據規劃分層架構，利用大數據可視化平臺，滿足配電管理人員與供電服務指揮人員的不同需要，將其劃分成5個融合功能，平臺功能結構如圖5所示。

圖5 平臺功能結構

3 應用效果與分析

為準確掌握平臺運行實際成效，提升供電服務指揮效率與質量，將本文供電服務指揮平臺應用于某省電力公司中，自運行以來獲得如表1所示的總體運行結果。

表1 使用前后運行統計結果

從表1可知，使用本文平臺后，受理故障報修工單數量明顯增多，且派單及時率高達99.99%，到達現場及時率為100%，客服中心退單個數為0，停電信息發布不準確、不規范、不完整數量為0。

這是因為本文采用了大數據分析可視化平臺中的聚類技術，精準判別海量數據內不同供電派單內容，讓供電服務指揮具備更優的操作效率與精確率。

對平臺處理配電故障方面進行深入研究。通過用電收集系統監測的配電變壓器低壓側電壓值、線路供電網絡拓撲圖等數據，創建基于大數據分析可視化平臺下的故障研判規則，規則詳情如表2所示。

自運行以來，平臺已發掘饋線斷線故障1530次，主動推送搶修工單1530件，通過現場核查，精確率是100%。證明所建平臺運用“五位一體”協同機制的有效性，充分滿足供電服務指揮人員的工作需求。

4 總結

本文構建了基于大數據分析可視化平臺下的供電服務指揮平臺，該平臺在配網故障判斷、配電設備監測等方面可有效推進配網智能分析和輔助決策，完成配網故障搶修指揮工作模式向主動化診斷、可視化展示、智能化指揮管理等方向改變，增強用戶用電服務質量，明確更多供電信息，為配電網的高效運轉提供可靠支持。

表2 斷線研判規則表