基于Tableau的电力大数据线损分析

李 昂，张佳轩，邓雅心

（1.陕西理工大学 电气工程学院，陕西 汉中 723001；2.国网青海省电力公司经济技术研究院，青海 西宁 810000）

0 引 言

大数据时代，电力大数据的重要性不言而喻。它具备4V特点——Volume（数据规模大）、Velocity（数据采集、传输和处理实时化）、Variety（数据来源多）、Value（数据的商业价值高），是其能高速发展并被广泛认可的原因[1]。经济的发展和人们的生活离不开电力企业。电力大数据不单是电力方面的相关公共数据，还可以与不同类型的数据相关联。电力大数据的采集和整理成本高昂，因此对电力大数据潜在价值的充分挖掘与合理利用是必要选择。通过大数据挖掘可以改善电力企业的经营管理、电力服务和用户体验[2]。随着智能电网的建设，地理信息系统（GIS）、智能变电站以及智能表计等快速推广应用，同时国家电网公司建成的4类数据中心平台积累了大量的相关数据资源，可为企业高效进行大数据分析奠定基础[3-4]。

在节能减排的大背景下，电网企业售电增速下行压力增大，电网企业必须做到降本增效，加强对线损的管理。从目前公开的研究结果看，众多学者对电网企业的线损管理研究有着诸多成果。文献[5]基于大数据具备远大的发展前景和电网企业面对新形势的需求，提出了可视化系统构建的必要性；文献[6]基于台区线损相关数据，如档案问题、采集问题、窃电问题、关口计量、计量故障等数据，针对低压台区线损治理提出了常见问题的处理方案；文献[7]基于2005年电网公司线损计算结果，结合线损理论方法，针对电网技术线损存在的主要问题进行分析，提出了相应的降损对策；文献[8]在线损、电量结构、气温以及抄表时间等数据的基础上，通过数理统计等相关办法，还原实际线损率，从而达到指导电网生产经营、降低电网损耗的目的。文献[9]从技术和管理两个方面出发，结合供电公司的具体情况，分析影响台区线损的主要因素，提出了相应的降损措施。

这些研究在将大数据与线损管理相结合并构建可视化平台方面较为欠缺。因此，本文采用Tableau软件，结合相关的电力大数据，搭建交互式线损管理平台，有助于企业解决相关的线损问题，达到降本增效的目的。

1 线损与线损率

线损是指输电、变电、配电和用电等环节中产生的电能损耗，也指供电端到售电端的电能损失。线损电量等于供电量减去售电量。技术线损是指在电力传输和分配时，由供电设备和电力负荷情况导致的无法回避的电力损耗问题，是属于正常范围的损耗。管理线损是指在电力营销过程中，由电表误差和电力计量装置等因素导致的损失。线损率是指由线损电量占供电量的百分比。高线损率是指当供电量大于售电量时，线损率高于10%[10]。

对于电力企业而言，线损电量是衡量电力部门设计水平、生产技术水平和管理水平的重要指标，也是营销管理的重要考核指标之一，直接反映供电企业的专业技术和管理水平。线损率则是电力企业供电系统部分的重要经济技术指标，不仅可以综合反映一个单位或一个区域的供电经济性，而且可以间接反映供电的技术条件和管理水平。

2 数据源

数据源的处理可分为数据提取和数据预处理两方面[11]。

数据提取是在不同的数据源库中抽取所需的数据，最后整合到数据仓库中。本文涉及的数据为2017年9月至2018年5月某省电力公司供电量与售电量的数据，包括所对应的地市、县区、供电所、台区的名称和TG-ID的编号、用户户数等。

数据预处理是在采集数据时可能会存在各种各样的问题，如数据采集重复、数据采集错漏等一系列影响数据完整性和一致性的质量问题。为了减少数据冗杂，在保证不减少数据所包含信息的前提下，可对数据进行初步分析、排查、清洗、集成、转换以及规约等操作，改善数据的质量。

数据清洗是将台区中每月售电量大于供电量、有供电量但无售电量以及线损率超过20%等明显异常的情况进行删减。

3 模型搭建

Tableau软件是一款BI（Business Intelligence）软件。基于Tableau软件开展的大数据研究很多。文献[10]基于Tableau软件，结合相应的气象数据构成可视化视图，对具体的气象信息进行深入分析。文献[11]基于Tableau软件，结合相关的电力大数据构建可视化模型，分析用户窃电等用电量异常问题，对降低电费回收的风险具备一定的参考价值。

利用Tableau软件创建不同供电公司的线损电量与线损率的复合图，如图1所示，其中条形图表示线损电量的信息，折线图表示线损率的信息。通过图1可以看出，供电公司D的线损电量在同期中最高，而供电公司E的线损电量在同期中最低。此外，在线损率方面，大多数时间是供电公司A最高，而供电公司E的线损率最低。

图1 线损电量与线损率复合图

除了搭建线损电量与线损率的复合图外，还可搭建线损率、线损电量热图、线损电量环比图、线损率与户数散点图以及各线损统计个数模型等，并设置高线损率界限参数和线损电量界限参数。将上述图表汇总在一张仪表板上，如图2所示。

图2 线损电量与线损率分析界面

图2中包含多个子模块：图2（a）为线损率热图，图2（b）为各线损统计个数，图2（c）为线损电量热图，图2（d）为线损电量与线损率复合图，图2（e）为线损率与户数散点图、图2（f）为线损电量环比图，图2（g）为线损率环比图。

通过线损率热图和线损电量热图，可得到具体的TG-ID的线损信息；从线损电量与线损率复合图中，可以获得线损电量和线损率的具体电量信息和变化趋势；在线损电量、线损率环比图中，可以获知每月线损电量和线损率的具体增减信息和变化趋势；在线损率与户数散点图中，可用来得到具体数值下线损率所对应的用户数信息，并分析二者之间的关系；各线损统计个数中，反映了一定条件下的线损数据的统计信息。

由图2（g）可知，线损率趋势总体在2017年11月最高。在图2（d）中，选择时间2017年11月，各供电公司的线损率最低点（C公司），线损率最高点（A公司），线损电量最高点（D公司），分别点击后可得图3、图4和图5。

图3 供电公司C异常分析

图4 供电公司A异常分析

通过图3、图4和图5的比较和分析不难得出，供电公司D的线损电量过高是由于TG-ID个数过多。3家公司中，虽然供电公司D的高线损率统计个数最多，但是供电公司A中高线损率所占比重最高，应优先解决供电公司A的线损问题。此外，通过线损电量、线损率热图可以快速查找出高线损率和高线损电量的TG-ID，有助于管理人员高效获取关键信息，从而合理安排治理工作。

4 结 论

本文采用Tableau软件，结合电力方面相关的线损数据，搭建交互式的线损管理平台，填补了电力大数据与线损管理方面相结合的空缺，从海量的大数据信息中获取想要的信息。通过该平台的模型分析，尤其是线损率分析，可排查出可能由于设备和线路老化等问题导致的线损异常点，有利于电网企业进行线损问题的相关调查和治理工作，及时找出问题并加以解决，有利于企业达到降本增效、加强线损管理的目的，对企业加强线损管理具备一定的参考价值。

图5 供电公司D异常分析