北极星

搜索历史清空

  • 水处理
您的位置:电力输配电电力通信技术正文

大数据分析技术在采集运维业务中的应用研究

2017-06-19 13:16来源:高电压技术关键词:用电信息采集大数据采集运维收藏点赞

投稿

我要投稿

数据ETL层的主要功能是使用ETL工具对数据源数据进行抽取、清洗、转换,并向数据存储层装载。

数据存储层采取混合型的大数据存储和处理架构,实现对多源异构电力大数据的多样性存储和处理功能。 混合存储可适应分布式文件系统、列式数据库、内存数据库等多种数据存储和管理形式,以满足不同应用的需求; 处理架构分别面向离线分析、实时计算、计算密集型数据分析等场景,采用分布式批处理、内存计算、高性能计算等技术实现 [8]。

数据分析层实现应用系统的基础功能,如分析模型管理、批量计算、实时查询等功能。 在数据分析层和数据处理层之间采用支持高并发、低时延事务操作的分布式内存数据缓存技术,以降低业务应用操作与数据处理层之间的耦合性,提高应用服务响应效率 [9]。

应用层构建异常工单智能化派发、异常工单智能处理和采集运维多维度质量评价 3 项业务,实现采集运维闭环管理的业务功能。 采用模块化软件设计方法实现 3 个模块功能的即插即用,并在充分考虑模块之间的信息联络及功能联合的基础上,遵循规范的接口,实现模块之间的功能融合,从而实现 3个业务模块之间既可独立运行,又可协作互补。

2大数据运维优化方案

2.1异常工单智能化派发应用

目前,异常工单主要由采集运维人员人工派发,本文在研究了大量文献 [10-12] 后发现: 人工派发工单

的问题在于不能充分对现场情况的紧急程度有合理的判断,并且在异常工单大量产生时,对于工单的消

缺没有合理的先后顺序,从而导致须紧急处理的故障不能在最短时间内修复,导致更大的经济损失。

本章提出对大量运维数据和系统历史数据进行多维度分析,甄别各类异常的严重程度,输出采集运维效用值模型,用于判断异常处理的先后次序,逐步提升异常工单处理的完成率和工作成效的可控性,从而进一步提高采集系统设备可用率和数据完整性。

2.1.1 基于多维分析的采集运维效用值模型

对于单个表计效用值来说,主要有: 离下一抄表日天数、异常持续时间和月平均用电量 3 方面影响。

总体工单效用是该工单所包含的故障电表效益和的累加,即“故障电能表数量” 产生的影响。 将这些因素综合考虑得出具体公式。

2.1.2 采集运维效用值模型应用

依据 2016 年 1 月 1 日至 5 月 31 日某省 24 907 294 户低压用户每日采集成功率、抄表数据和 2016 年 3 月 1 日至 5 月 31 日采集异常运维数据,对共计 1 417 869 条数据、42 536 070 个数据项进行分析 [13],数据项包括所属地区、管理单位、供电单位、台区编号、采集点编号、各类异常处理时限、应采电能表总数、采集成功率、各类采集模式下集中器挂接表计分布数量、台区月电量、居民 / 非居用户日平均电量等。

1)月平均用电量分析。 在对系统数据的分析过程中发现,如果仅使用电量作为效用值的单位,最后计算出的数值比较大,因此在整体模型中引入“标准月用电量” 作为最后数值单位。 标准用电户电量是在抽取大部分用户的实际用电情况基础上统计出各类用户的月平均用电量,然后依据用户最多类型的用电户的平均电量为标准用电户电量。 以居民用户和非居民单相表用户月用电量为标准户电量分界点:≤ 200 kWh 为 1 户标准户,大于 200 kWh 且小于等于 1 000 kWh 为 2 户标准户, >1 000 kWh 为 3 户标准户。

2)异常持续时间分析。 系统基于每个电表的故障异常每持续一天就会造成一天电量监控损失,其电量监控损失按照累加方式进行计算。 对 2016 年5 月 10 000 户居民和非居民的日用电量进行分析,其情况如下: 随机挑选 10 000 户居民用电情况,计算日用电量标准偏差,并从小到大排列,得出曲线图(见图 2)。

原标题:大数据分析技术在采集运维业务中的应用研究
投稿与新闻线索:陈女士 微信/手机:13693626116 邮箱:chenchen#bjxmail.com(请将#改成@)

特别声明:北极星转载其他网站内容,出于传递更多信息而非盈利之目的,同时并不代表赞成其观点或证实其描述,内容仅供参考。版权归原作者所有,若有侵权,请联系我们删除。

凡来源注明北极星*网的内容为北极星原创,转载需获授权。

用电信息采集查看更多>大数据查看更多>采集运维查看更多>