大数据分析技术在采集运维业务中的应用研究

2)基于设备生产厂家异常分析。 该故障集中器为“某厂家” 生产设备，与其有关的工单共有 350 条。

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51.43%、13.71% 和 16.00%，且该厂家集中器 GPRS模块故障偏多。

3)基于国网招标批次异常分析。 该故障集中

器为“某批次招标” 供货设备，与之有关的工单共有 243 条。“某批次招标” 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 37.14%、14.29% 和17.14%，且该招标批次集中器 GPRS 模块故障偏多。

运用异常原因概率比值公式计算后可得： 集中器 GPRS 模块故障率 =(32.87%+51.43%+37.14%)/3=40.48%; 主机故障率 =(28.21%+13.71%+14.29%)/3=18.74%;

软件故障率 =(12.82%+16.00%+17.14%)/3=15.32%。

由以上可知该集中器与主站无通信异常工单很可能是由于 GPRS 模块故障导致，可指导现场运维人员优先排查是否为集中器 GPRS 模块故障。

2.3采集运维多维度质量评价

目前采集运维工作使用大数据技术，对终端、电能表和运维服务质量评价没有有力的数据支撑。 借鉴了前人研究 [15] 并引入大数据后，可在采集数据、营销数据、运维数据之间建立桥梁，实现采集运维多维度质量评价。

本章通过对某市级供电单位 217 万用户在 2016 年第 2 季度采集运维工单数据、采集成功率、采集抄表数据、工单归档数据等数据的分析梳理，建立采集终端、电能表、运维服务的质量评价指标计算规则，验证采集运维多维度质量评价的可行性。

2.3.1 采集终端产品质量评价

根据采集运维情况对各终端厂商的终端质量进行量化分析，利用各终端厂商的运行终端数、确认终端问题数、异常终端占比、更换终端数、终端时钟异常数等数据，建立采集终端产品质量分析评价指标计算规则如下。

1)终端故障更换率： 终端故障更换率 = 周期内更换终端的数量 ÷ 周期内在运行的采集终端数量 ×100%。

2)终端时钟偏差超标占比： 终端时钟偏差超标占比 = 周期内终端时钟偏差超过 5 min 的终端数量 ÷ 周期内在运行的采集终端数量 ×100%。

3)各厂家终端故障率： 终端故障率 = 周期内终端发生故障的次数 ÷ 周期内在运行的采集终端数量 ×100%。

2.3.2 电能表产品质量评价

根据采集运维情况对各电表厂商的产品质量进行量化分析，利用各电表厂商的运行电表数、确认电表问题数、异常电表占比、更换电表数、电表时钟异常数等数据，开展各电表厂商的产品质量分析，建立电能表产品质量分析评价指标计算规则：

故障更换率 = 周期内更换电能表的数量 ÷ 周期内在运行的电能表数量 ×100%。

2.3.3 采集运维工作质量评价

根据采集运维情况对各运维人员的工作质量和工作效率进行综合评价，利用异常处理数量、异常处理率、异常处理时长等数据，对采集运维工作进行评价，建立分析评价指标计算规则。

1)异常工单派发率： 异常工单派发率 = 统计日期内派发工单数 ÷ 当期应派发的工单总数 ×100%。

2)异常工单反馈率： 异常工单反馈率 = 反馈工单数 ÷ 当期应反馈的工单总数 ×100%。

3)采集故障处理及时率： 采集故障处理及时率 =已处理并恢复的采集故障数 ÷ 当期应处理的采集故障电表总数 ×100%。

3结语

通过引入大数据技术，对采集数据进行深入挖掘、分析与梳理，实现采集运维异常工单的智能化派发、分析处理和运维多维度质量评价，能够使运维工作由粗放式向集约化、精益化转变，进而提高运维工作效率和质量。

用电信息采集的运维管理是一项庞大而复杂的工作，本文提出的对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只是对其中的一部分业务进行了优化应用，后续还将对采集异常智能化甄别、异常工单智能处理及异常工单智能化派发进行更深入的实践与研究，最终为满足国网营销部的“全覆盖、全采集、全费控” 目标要求提供强有力的技术保障。

作者团队：

中国电力科学研究院 曹永峰，翟峰，岑炜，孙志强；国网内蒙古东部电力有限公司 程春光。