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

根据曲线拐点,其电量标准偏差值为17,小于17 的用户数占总数的 92%。 随机挑选 10 000 户非居民用电情况,计算日用电量标准偏差,并从小到大排列,得出曲线图(见图 3)。

根据曲线拐点,其电量标准偏差值为147,小于147 的用户数占总数的 88.75%。

由以上图可知,90% 左右的用户日均电量波动小,故本文暂时以 1 个月内的日平均电量作为故障

天数造成的单日损失监控电量。 为了能够更准确的预估指定用户当前月的用电量,参考该用户上一年 同月份用电量、上一个月用电量和前 3 日用电量,它们之间的比例是 5:2:3。 电量标准偏差值如公式 6 ;综合考虑后异常持续时间的效用值如公式4 和5。

3)距离下一抄表日天数分析。 距离下一抄表日越近,该用户损失监控电量的概率越大,故障维修紧急度越高,当距离抄表时间远时,该因数影响趋于零。 这里将系统中所有故障电表的故障处理时长作为距离下一抄表日因数影响的阈值。 距离天数超过阈值的,该因数影响为 0,距离天数在阈值内越小,其监控电量的缺省值越大。 故障时长统计截止于2016 年 6 月 1 日,统计持续 N 天无抄电能表数据的电能表数分布情况(见图 4)

从图中可以看出持续 2~8 天的故障电表用户占总故障用户数的 59.06%,持续 9~21 天无抄电能表数据的用户占总故障用户数的 30.72%,持续 22 天及以上占比 10.22%,。

由于抄表应用目前在采集系统应用率最高,持续 2~8 天无抄电能表数据的用户占总故障用户数的 59.06%,故从离抄表天数 8 天作为开始计算抄表日影响的阈值,离抄表日 8 天效用值为 1,离抄表日7 天效用值为 2,以此类推,离抄表日 1 天效用值为8。 则紧急程度 s(xi) 的数学模型如公式 3。

4)故障电能表数量效用值分析。 对该省采集系统内 5 个月产生的全部采集异常的电能表数及处理时长统计分析后发现,在运维时输出效用值需要考虑挂载故障电能表数,否则不能达到运维效用的最大化。 但系统通过分析各个处理工单下所有故障电表的效用值总和来判断其优先级,效用值高的工单优先处理。 总体效用值 (Y) 模型见公式 1。

2.2异常工单智能化分析处理

原来的采集运维工作由于缺乏系统大数据的支撑,在研究了大量文献和现场调研后发现,运维人员仅通过对所属地区的熟悉程度进行相对低效率的运维工作,缺乏对已发生故障的预分析能力,这导致运维人员仅能对现场故障类型进行逐个排查。 借鉴了前人研究 [14] 并引入对历史异常工单大数据分析技术后,运维人员可通过系统的异常预分析功能更快地判断现场故障原因,从而提高现场运维效率。

本章通过对历史工单进行多维度、大批量数据分析,归纳数据规律,发现各维度下异常工单发生大概率的异常原因,并综合考虑各维度下相同异常原因发生概率,输出单个异常原因概率比值,对比各个异常原因比值的大小,从而对未来发生类似故障现象起到预分析作用,提升运维效率。

2.2.1 基于多维度分析异常原因概率比值

2.2.2 异常原因概率比值应用

通过对某个运维地区 1 个月 1 712 个历史异常工单的故障设备类型”、生产厂家和“国网招标批次3 个维度的分类筛选,运用单个异常原因概率比值概念对该地区新产生集中器与主站无通信故障进行故障原因分析。

1)基于设备类型异常分析。 该地区与集中器和主站无通信时有关的历史工单共有 761 条。 集中器发生无通信故障时很大部分都是由集中器 GPRS模块故障、主机故障、软件故障造成,占比分别为32.82%、28.21% 和 12.82%,且该地区集中器 GPRS模块故障偏多。

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>