大数据分析技术在采集运维业务中的应用

刘畅

DOI：10.16661/j.cnki.1672-3791.2017.30.023

摘 要：随着我国科技力量的逐渐提升，信息技术水平在不断提高，大数据分析技术则是建立在信息技术发展的基础上发展起来的，近年来大数据分析技术在多个领域中都得到了应用，并取得了一定的进展。随着国民经济发展，人们对用电需求在不断增加，用电信息的采集规模也在与日俱增，因此就要加强采集信息系统的运行维护工作。

关键词：大数据分析技术 采集运维业务 用电信息采集系统

中图分类号：G202 文献标识码：A 文章编号：1672-3791（2017）10（c）-0023-02

目前，我国对用电信息系统的建设和发展已经逐渐完善，累积接入的采集终端约有1500万台，智能电表的接入约5亿。为了确保在用电信息采集系统中各项业务顺利展开，就需要加强对采集系统的运行维护工作，这也是采集系统未来主要研究和注意的问题[1]。从当前情况来看，在采集运维业务中还存在着诸多问题，如运维效率较低，缺乏故障优先处理级，故障种类多样、复杂，难以对故障进行准确的定位等，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。

1 用电信息采集系统运维业务存在的问题

1.1 用电采集系统运维效率低

随着社会经济发展水平的提升，在人们日常生活和工业生产中对电力需求量在逐渐增加，电力行业也得到了快速发展，但根据调查统计发现，电力公司每日产生的异常工单总计约有1万条，工作强度远远超出运维工作人员的工作能力，且大部分企业都没有建立消缺机制，在故障处理和运维业务开展中难以根据业务的紧急程度开展相应等级的工作，从而导致采集系统的运维效率低下。

1.2 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[2]。

1.3 缺乏完善的考核评价

当前电力企业在用电信息系统的采集运维业务中主要采用的是故障查询和线下派工的业务处理方式，对故障信息和运维结果不能进行准确、及时有效的反馈，在现场运维的工作质量、计量设备和采集设备中缺乏相关考核评价体系，难以提高运维业务的工作质量。

2 采集系统运维业务的大数据分析模型

为了解决在采集系统的运维业务中所存在的问题，在采集运维业务的开展中采用大数据分析技术，并建立大数据系统模型，对采集运维业务中的相关问题进行分析。

2.1 大数据分析技术

在采集系统中大数据主要包括数据采集、清理、存储、分析、处理和应用等多个环节，而大数据分析技术则主要包括有关系型联机分析处理和多维分析技术两种，对用电信息采集系统进行优化[3]。其中关系型联机分析处理是一种联机分析处理的表现形式，这种技术是建立在关系型数据库的基础上，通过关系型结构来对多维数据进行存储，并对在数据库中的数据进行动态分析和多维分析。采用关系型数据库进行数据存储，存储空间耗费较小，对维度数也没有限制，数据装载速度较快。而多维联机分析技术则是OLAP的一种表现形式，是建立在多位分析数据存储结构的基础上的，多维联机分析处理主要是采用专门的多维结构来进行数据存储，但数据文件的大小却受到操作平台的限制，在存储规划中需要测算数据量的大小，否则会导致数据爆炸，此外，还缺乏数据访问和数据模型标准，在对查询响应速度的分析中高于其他OLAP技术。

2.2 大数据运维业务架构

大数据运维业务架构主要是对数据进行收集、采集、营销与运维等，采用数据抽取转换加载层进行数据的分类和调配，并为数据存储提供相应的数据，数据存储层在对数据分类存储后为数据分析提供所需的数据，对数据进行优化与检索，并为数据应用层派发异常工单，在对异常工单进行智能处理和多维度质量评价中提供相应的数据支撑[4]。其中数据源主要是从营销系统、采集主站及采集运维闭环系统中获取，如异常工单、用户档案数据等。

3 大数据系统的采集运维业务优化

3.1 异常工单智能派发

当前在异常工单派发中主要是由采集运维工作人员负责，但在人工派发工单的情况下难以对现场情况紧急程度进行合理的判断，并在异常工单大量产生时不能按照先后顺序对工单进行合理的消缺，对于需要紧急处理的故障难以在最短时间内进行修复，造成大量经济损失。本文就从多维分析的角度对大量的运维数据和系统的历史数据进行分析，对不同种类异常工单的严重程度进行判断，提高异常工单的处理效率和处理质量，提高采集系统设备的数据完整性。

（1）采集运维效用值模型。

在单个表计效用值的情况下，主要受到月平均用电量、异常持续时间和离下一抄表天数的影响，而总体的工单效用则是指工单的故障电表效益总和，也就是指故障电能表数量的影响，而根据这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效用值指的是采集运维业务的效用值，而f（x）则表示的是单个电表的异常采集运维效用值，i表示的是第i个电能表。

（2）模型应用。

在对采集异常运维数据的分析和处理中主要是对月平均用电量、异常持续时间和离下一抄表天数的分析，其中月平均用电量仅仅将使用电量作为效用值时，最后计算的数值较大，将标准月用电量引入到整体模型中去作为最后的数值单位，标准用电量是在随机抽取大部分用户实际用电量，并统计出各类用户月平均用电量，根据最多类型的用户平均用电量作为标准用电量。居民月均用电量和非居民月均用电量的分界点为≤200kW·h的为一户标准户，≤1000kW·h，>200kW·h的为2户标准户，>1000kW·h的为3户标准户。异常持续时间指的是每个电表故障持续一天则会造成一天的电量监控损失，电量的监控损失按照累加的方式进行计算[5]。距离下一抄表天数的分析，当距离效益抄表的天数越近，则表明对该用户的监控损失电量概率越大，故障的紧急维修程度越高；当距离效益抄表的天数越远，则表明对该用户的监控损失电量概率小，且该因数所造成的影响趋近于0。

3.2 异常工单的智能化处理

原有的采集运维业务开展主要是由于缺乏大数据支撑，当运维人员对该地区缺乏一定的熟悉程度的情况下，运维工作的效率较低，对已发生的故障缺乏准确的分析能力，运维人员只能对现场故障类型进行一一排查。在对异常工单的历史大数据中采用大数据分析技术，可以通过系统异常分析功能对现场的故障类型进行快速判断，提高现场的运维效率。对于新生成的异常工单，可以通过生产厂家、国网招标批次、故障设备类型等维度对异常原因的发生概率进行判断，从而确定异常工单的主要原因，并对比值大小进行比较预测出异常原因，从多维度分析角度对异常原因的分析概率比值公式为Y比值=Σf（xi）/n，其中Y比值指的是单个异常原因的概率比值，而f（xi）则表示的是单个维度下单一异常原因的发生概率，n表示所有维度总量。

4 结语

在用电信息采集系统中的运维业务中采用大数据分析技术，可以对采集的数据信息进行深入挖掘和分析、处理，对运维异常工单进行智能化派发和分析处理等，使采集运维工作从粗放式管理逐渐向集约式和精益化方向发生转变，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，2015（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2011（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，2014，35（3）：121-124.

[5]李益文.湖南烟草商业系統基于大数据在云计算平台运维中应用的思考与设计[J].经营管理者，2016（33）：293.endprint