电力运营监控数据智能分析方法研究

2019-09-10魏艳霞

现代信息科技 2019年23期

摘要：本文介绍了电力运营监控数据的增长给电力系统运营带来的问题，在此基础上阐述了运营监控系统的概况和运营监控系统在数据处理过程中存在的问题。主要从智能分析方法中的神经网络、时间序列分析、决策树、关联分析、偏差检测以及粗糙集技术方面出发，对于用于改进和提高电力运营监控数据应用进行了分析，为电网企业提高企业效益、实现管理创新具有一定参考意义。

关键词：电力企业;运营监控数据;智能分析;大数据

中图分类号：TP277 文献标识码：A 文章编号：2096-4706（2019）23-0131-03

Research on Intelligent Analysis Method of Power Operation Monitoring Data

WEI Yanxia

（Guangzhou Power Supply Bureau Co.，Ltd，Guangzhou 510620，China）

Abstract：This paper introduces the problems brought by the growth of power operation monitoring data to the operation of power system. On this basis，it expounds the general situation of operation monitoring system and the problems existing in the data processing of operation monitoring system. From the aspects of neural network，time series analysis，decision tree，association analysis，deviation detection and rough set technology，this paper analyzes the application of the intelligent analysis method for improving the power operation monitoring data，which has certain reference significance for the power grid enterprises to improve the enterprise benefit and realize the management innovation.

Keywords：electric power enterprise;operational monitoring data;intelligent analysis;big data

0 引言

隨着信息化水平的不断提高，电力行业的信息采集系统不断扩张，使得电力企业在日常运营中累积了大量系统运行的实时数据信息[1]，其中包括信息监控系统日常运行产生的负荷数据，继电保护系统所产生的报警、隔离或切除信息，电力营销系统中的客户信息等。随着时间的积累，这些数据信息已经具备一定的规模，甚至出现信息爆炸，不过这些数据信息也为电力企业挖掘信息对运营系统进行优化提供了良好的数据基础[2]。

然而，有时庞大的原始数据却往往难以形成合适的有用信息。一方面，由于计算机网络的资源有限，激增的数据导致计算资源快速地减少，数据管理变得复杂，也影响到系统的运行效率，造成没有利用到有用的数据[3]。另一方面，由于传统数据库技术无法快速有效地处理庞大的数据，因此如果只利用联机事务处理技术对数据进行简单分析，用户将无法达到从庞大的数据量中挖掘有效数据的高级目标。由此可以看出，激增的信息往往会成为数据挖掘的羁绊，造成无法有效地从庞大的原始数据中挖掘有效信息的局面。

此外，目前电力系统的巡视、维护、试验、消缺、反措、项目管理等相关业务存在如下问题：核查追踪数据量庞大、智能分析欠缺。针对这些问题，运营监控系统需要借助数据挖掘技术，合理利用分类、估值、聚类、预测、关联规则等技术，搭建追踪算法，及时跟进异常数据，实现巡视、维护、试验、消缺、反措、项目管理等各类电力生产业务执行落实情况智能分析、异常自动识别和预警，快速而及时地落实业务管理以及核查追踪，实现运营监控自动化的管理提升和工作效率的提高。

因此，对电力运营监控数据进行智能分析是电网企业提高企业效益、实现管理创新、实现信息系统由成本发生型向利润生成型转变、变数据资源为信息知识资源的必经之路[4]。

1 运营监控系统

1.1 概述

运营监控系统作为一项在全球管理领域的重大创新，因其可高效地管理企业的运作和适时地调整企业的政策，目前被广泛应用于国内外大型企业，如美国邮政、法国电力、海尔集团等。其突出创新点总结如下：

运营监控系统先针对企业的关键问题——企业战略进行剖析，立下战略目标，利用现代信息化技术监控企业运营数据并及时分析数据，实现管理人员根据数据分析报告为公司战略决策提供帮助的目的，持续促进无形形资产（数据）带动有形资产。

南方电网作为世界五百强企业之一，运营监控系统的建设也处于国内领先地位。该企业以完善城市配电网作为发展目标，将完成一个集信息收集处理于一体、自动化和交融性强的配网运行监控系统，不断提升对配网的监控水平。为进行深度挖掘和高效应用配电网设备运行、配网停电、检修和抢修等各类电网数据，该企业将利用大数据分析，实现基于计划、故障、抢修、保电等系统功能。

将配电网运行薄弱环节列为关注重点，使用数据挖掘对实时及历史数据进行分析并对历史指标数据进行对比，分析得出低电压、重过载、重复停电等配电网设备隐患点出现的原因，辅助支持配电网管理精细化的实现并保障配电网正常运行。

1.2 运营监控数据分析存在的问题

虽然数據采集速度和数据量随着数据采集系统的升级不断增长，但是如今的信息处理能力没有随之线性提升，信息处理速度尚有欠缺，所以需要对电力运营管理能力进行升级和提升，电力运营监控数据分析存在的问题如下[5]：（1）电力数据数量多、种类繁多、价值密度低。电力系统作为一个缜密的系统，分布于系统的监控设备无时无刻不在采集现场数据和调度中心产生的大量数据，如SCADA系统收集的中央数据以及管理信息系统（MIS）、地理信息系统（GIS）、高级量测系统（AMI）等产生的数据，其数据来源多而广。（2）数据质量情况不一。电力系统中的监控设备不能将数据中的噪声完全滤掉，而且会由于采集设备无法覆盖所有的采集点而出现采集缺失的情况，导致采集到的数据不理想，分析系统无法有效地从数据中提取到有用的信息。（3）实时性处理要求较高。如果系统出现紧急状况甚至瓦解，监控系统务必快速进行决策，使系统重回正轨。传统数据库和数据挖掘协助配合水平低下，导致大量计算资源被占用，无法及时快速地处理上述状况。

因此，寻找适合电力运营监控系统的数据优化算法是重点考虑的问题。

2 智能分析方法在运营监控数据的应用

智能分析技术能从看似无序的海量数据中提取出隐藏的有用知识，借助数据库的存储能力，挖掘出数据本身的规律以及数据之间的耦合关系。为进一步提高运营管理水平和用户服务水平，需要充分利用电力大数据，实现支撑未来电网发展的目标，并为政府决策提供支持。处理电力大数据的智能分析方法主要包括神经网络、时间序列分析、决策树、关联分析、偏差检测、粗糙集技术等。

2.1 神经网络

随着机器学习的发展，人们越来越关注神经网络。根据外界信息，神经网络可以改变内部结构，在不同领域都展现出其强大的非线性近似函数分析的能力，是一种具备突出的自我学习能力的数学模型或计算模型[6]。

架空输电线路频繁跳闸的出现，制约了电力行业的发展，针对这个问题，可以利用先进的神经网络能够连续分析并处理庞大信息的能力，准确地将故障问题辨识出来，快速地通知检修人员维护检修。

全球电力系统已逐步向电力市场化并拢，而国内电力市场也紧跟这个大趋势，改革正有序向前。在电力市场中，精确的电价预测对于售电者及买电者都至关重要。因此，恰当地使用神经网络对地区、行业、用户等历史电价数据进行挖掘，用精准的模型描述电价变化规律，对于提高电力资源利用率、加强有序用电都具有重要意义。

2.2 时间序列分析

时间序列分析将其他影响因素弱化，首先考虑时间因素的影响，挖掘自身时间因素的规律并考虑其他影响因素对预测的综合作用，最后获得预测结果[7]。在经典的时间序列分析中，应按以下步骤分析：（1）识别序列是否为平稳;（2）平稳化非平稳序列;（3）建立相应模型;（4）进行参数估计;（5）预测分析。

运营监控数据中大多数都是时间序列，如负荷数据、电价数据、电力系统异常数据等，应用时间序列分析法对这类数据进行分析，可以挖掘时间相关性。分析运营监控数据，首先需要对数据进行预处理，将噪声滤掉，最后利用差分自回归移动平均模型对检测数据建模，拟合残差序列分析辨识出异常数据。时间序列分析的应用提高了异常数据的辨识效率，有效地减少了工作量。

2.3 决策树

决策树是一种监督学习算法。它适用于分类和连续输入和输出变量。利用决策树将从数据中提取出的特征空间适当地分成数个类别，然后再对同一类别的特征空间建模。决策树的优点是需要的数据量少，但处理大规模数据的效果也很好;既可以处理数值型数据也可以处理类别型数据。

对于经济负荷分配，根据用户的缴费信息和万能电表数据，分析用户的用电行为，收集负荷的特征，采用决策树对历史负荷数据进行分析并按类型进行分类，建立适应不同负荷模式的决策树，利用数据挖掘预测负荷曲线，辅助电力市场管理[8]。

2.4 关联分析

关联分析能够快速挖掘并提取庞大数据中不同项之间的关系，查找出存在于项目集合或对象集合之间的关联信息、因果关系等。电力系统中的数据存在很多关联性和相关性，关联分析作为一种快速简单的分析技术，常被用于电力运营监控系统。

为了更好地为不同客户有针对性地服务并制定合适的营销策略，分析和预测用户用电行为变得越来越重要。按照电力用户性质和营销业务需要，可以利用聚类分析，将电力用户分为六种类型：（1）大型专变用户;（2）中小型专变用户;（3）三相一般工商业用户;（4）单相一般工商业用户;（5）居民用户;（6）公用配变考核计量点[9]。也可以利用聚类分析去建立用户信用等级模型，将造成电费回收困难和欠费风险因素利用起来，利用信用等级模型提高电费回收水平，制定避免欠费的措施，为电费收缴和账务管理提供便利。

2.5 偏差检测

根据经验知识，去除异常数据的数据集比不剔除的具有更好的准确性。因此对于数据集中的异常数据，技术人员需要尽量将其剔除，避免其对预测结果造成影响。偏差检测在识别异常数据方面表现出色，可以识别出不符合期望模式或数据集中其他项目的项目、事件或观测值。

对于运营监控数据中出现的异常，可以利用偏差检测方法挖掘采集数据的异常信息，将采集数据与正常数据进行比较，发现异常马上通知检修人员[10]，及时的解决用电异常，提高电力检修工作效率，有效地减少电力检修工作量，为企业降低人工成本。

2.6 粗糙集技术

为了发现隐藏的信息和挖掘隐含的规律，粗糙集技术可以利用子数据之间相等的关系对数据对象进行归类，尽可能地保留基本知识，去除无用冗余的信息，对数据压缩并再次提炼。粗糙集技术是一种知识简约的技术，知识被认为是一种可以将数据进行分类[11]。常被应用于模式识别与分类和机器学习和数据挖掘。

由于粗糙集技术出色的分类能力，其常被应用于线损分析中。线损分析的数据庞大，包括各供电点和受电点的有功和无功的正/反向电能量数据以及供电网络拓扑数据，粗糙集技术利用等价关系对这类数据进行分类，分为按电压等级、分区域、分线、分台区、分元件或按日、月固定周期或指定时间段等几类，对不同类对象分别建模分析，统计分析线损。其分析结果为可以有效地降低线路损耗，为电力企业降低损耗支出和节约电能提供有力的数据支持。

3 结论

现在电力企业拥有较为成熟的数据采集系统，传统的数据库技术分析难以从庞大数据量中提取到有用的信息。另外，目前对于运营监控领域中巡视、维护、试验、消缺、反措、项目管理等相关业务的智能分析水平低下。因此，急需搭建运营监控智能分析系统。本文介绍了神经网络、时间序列分析、决策树、关联分析、偏差检测、粗糙集技术六种智能分析技术在运营监控数据分析中的应用，致力于提升运营管理水平、提高用户服务水平，对于提高电力系统海量数据的处理能力和处理效率也有着极为重要的现实意义。

参考文献：

[1] 孙柏林.“大数据”技术及其在电力行业中的应用 [J].电气时代，2013（8）：18-23.

[2] 米允龙，米春桥，刘文奇.海量数据挖掘过程相关技术研究进展 [J].计算机科学与探索，2015，9（6）：641-659.

[3] 董朝贤.大数据时代计算机信息处理技术分析 [J].计算机产品与流通，2019（2）：10-11.

[4] 戴彦，王刘旺，李媛，等.新一代人工智能在智能电网中的应用研究综述 [J].电力建设，2018，39（10）：1-11.

[5] 刘毅.大数据时代下电力运营监控数据处理 [J].科技创新导报，2018，15（32）：21-22.

[6] 王开林，胡昊，陈靖，等.一种基于BP神经网络的电网负荷预测方法的设计 [J].电子世界，2019（17）：197-198.

[7] 任成国，肖儿良，简献忠，等.EMD-LSTM算法在短期电力负荷预测中的应用 [J].电力科学与工程，2019，35（8）：12-16.

[8] 李响，黎灿兵，曹一家，等.短期负荷预测的解耦决策树新算法 [J].电力系统及其自动化学报，2013，25（3）：13-19.

[9] 罗飞鹏，金慧颂，任建.基于水电用量的异常用户检测方法的研究 [J].电力与能源，2015，36（3）：355-359.

[10] 赵天辉，王建学，马龙涛，等.基于非参数回归分析的工业负荷异常值识别与修正方法 [J].电力系统自动化，2017，41（18）：53-59.

[11] 束洪春，孫向飞，于继来.粗糙集理论在电力系统中的应用 [J].电力系统自动化，2004（3）：90-95.