采集运维业务中大数据分析技术的应用

摘要：进入新世纪以来，以互联网大数据云计算为代表的信息技术在各个领域成熟应用，大大提升了信息化水平，生产效率进一步提升。大数据技术是以互联网为支撑所诞生的一种全新的应用技术。随着人们物质生活水平不断提高，对高品质电能的需求量不断增加，这也就对电力系统的采集运维业务提出了越来越高的要求，需要加大对采集运维业务的高效护理和针对性护理，提高工作效率，保证持续供电。而将大数据分析技术应用到采集运维业务当中，能够大大提高系统运行维护的工作效率，实现运行维护的智能化操作，降低人力成本投入。文章主要结合实际工作经验分析了采集运维业务中存在的问题，然后论述了大数据分析技术在采集运维业务中的具体应用。

关键词：大数据分析技术；采集运维业务；电力系统

在整个电力系统运行过程中，为了确保电信采集系统中各项业务能够顺利开展，就需要加强对采集运维业务的有效维护。但从当前采集运维业务开展情况来看，其中还存在诸多问题，整体的运维效率较低，故障处置率不高，故障种类较多，产生的原因十分复杂，发生故障之后难以准确对故障位置进行定位，影响到采集运维业务的高效开展，使得整体的工作效率普遍较低，甚至在运行维护过程中，还容易出现一系列的安全问题。而将大数据分析技术应用到采集运维业务当中，能够大大提升整个系统的智能化分析水平，可以及时发现故障，明确故障位置，明确故障原因，然后制定针对性的维修措施，确保整个供电系统能够顺利运行。

一、采集运维业务开展过程中存在的问题

（一）系统的采集运维工作效率较低近些年，随着国家经济不断向前发展，人们在日常生产生活过程中对优质电能的需求量进一步增加，这也就直接推动了我国电力行业的改革。在国家构建了完善电力系统的大背景下，电力系统在运行过程中所出现的故障也呈现增加趋势。在整个电力系统当中，每天所产生的异常工单的总量就超过1万条，如果对这些异常情况进行针对性的检修维护，将需要投入大量的人力成本，工作强度较大，工作范围较广，工作压力较大。现阶段大部分部门并没有构建完善的消缺机制，在故障处理和运行维护业务开展过程中，难以根据业务的紧急情况进行针对性的处置，这就会造成采集系统的运行效率普遍较低，不能够及时发现故障，分析故障原因，掌握故障位置。

（二）无法及时明确故障点采集运维业务开展过程中，所涉及的对象主要包括采集站点、智能电表、远程通信信道、本地通信站、采集终端等。在采集运维业务所涉及的这些主体当中，各种异常现象的种类就超过了60种。根据故障产生的原因不同，又可以将异常现象划分为100多种。在运维工作当中故障种类十分繁杂，这就给故障点查明、故障原因的识别和分析提升了难度。在实际的运行维护过程中，很多工作人员难以对故障的原因进行针对性的细致分析，最终造成各种故障解决方案的针对性不强。

二、大数据分析技术在采集运维业务中的实际应用

（一）系统模型构建1.关键技术应用大数据分析系统模型构建过程中，整个采集系统涉及数据采集、清理、储存、分析、处置、读取应用6个环节。本次研究主要涉及数据分析环节，通过引入关联型联机分析处理技术和多维分析技术，对整个系统进行进一步的优化。关联型联机分析处理技术：该种处理技术主要应用的是关系型数据库，依托关系型数据结构，对多维数据进行有效的表达和处理，然后对数据库当中的关系型数据进行动态化多维度的分析，并将最终的分析结果储存到关系数据库的管理系统当中。在该系统当中所储存的文件大小主要受到RDBMS（关系数据库管理系统）限制，整体的数据上传、下载速度较快，储存空间相对数据的维度不会产生限制，也可以利用其他数据处理模式对数据进行分析。多维联机分析处理技术：该种处理技术是数据分析的另外一种表现形式，依托多维数据分析储存结构。该种数据分析技术使用专业的多维结构储存数据库，数据库文件的大小主要受到整个操作平台系统的限制，储存的数据不会达到TB级。在数据进行规划处置过程中，需要进行有效的测算，否则很容易造成数据过大，不能够正常发挥其应有的数据分析作用。该种数据分析模式之下，数据的上传和下载速度相对较为缓慢，无法支持动态多维分析，但是能够支持高性能的辅助决策计算。2.业务框架构建大数据分析技术要想在采集运维业务当中得到充分应用，就需要构建大数据运行维护业务框架，该业务框架主要用于对数据的采集、收集、营销和运行维护，依托数据抽取转换加载层对所收集到的数据进行分类，并向系统的储存层提供相应的数据。储存层对数据进行分类整理之后，向数据分析层提供所需要的数据。数据分析层对所提供的数据进行进一步的优化检索，然后为整个系统的异常工单的智能派发、智能处理、多维数据质量评价提供数据支撑。在该框架模式之下，系统所涉及的各项数据源主要来源于采集主站、营销系统、采集运维闭环系统当中所提供的各种数据信息，如用户的档案信息以及故障采集成功率和异常工单的处置情况等相关数据。数据ETL（数据仓库技术）模块的主要功能是使用相关工具，对涉及的数据源进行智能化的抽取转化，并将转换好的数据向着储存层传输。在数据储存层当中，配置了混合型的大数据储存结构和处置框架，它能够对整个系统所涉及的多源型的异构电力数据进行多源化的储存分类整理，它能够储存各种格式的数据信息，储存内容多样，有利于对多种数据进行有效的管理，满足不同应用层的需求。整个处理框架主要面向离线分析、实际计算、密集型数据分析等场景。在该框架模式之下，能够实现对数据的批量计算、内存计算、高性能计算。数据分析层是整个框架的重要组成部分，它实现了分析模型管理、计算实时查询的功能。在数据的分析层和处理层之间通过应用分布式的内存数据缓存技术能够实现整个框架在业务处理和应用操作之间的耦合性，大大提升数据分析效率。数据分析层所得到的各种数据，进一步向着应用层传递，然后实现应用层的异常工单的智能派发、智能处理和多种信息的质量评价。通过应用模块化的软件设计方式，能够实现各个模块功能的随插随用，并且还能够充分考虑各个模块之间的联系性、功能联合性，统一接口，实现了不同模块之间的有效融合，使业务模块之间既能够独立运行，又能够相互补充。

（二）大数据分析技术背景下采集运维业务的优化1.异常工单的智能化派发当前的异常工单派发主要是由人工操作完成，但是异常工单派发人员不能够对故障现场的实际情况和紧急程度有一个全面的了解和判断，经常会造成系统当中的各种异常工单量大，但没有得到有效的处置，也不能够根据故障的紧急情况，按照先后进行派发，使得故障的处置存在诸多不合理情况，很多小故障演变成大故障，最终造成巨大经济损失。依托大数据分析技术，能够对采集运维业务当中的异常工单派发情况进行智能化优化。通过对各种数据信息进行针对性的分析，明确各种故障的轻重缓急并能够将故障较为严重的工单及时派发给维修人员，及时对故障进行处理，避免造成严重危害。在具体应用过程中，首先应该明确采集运维业务的效用值模型。在单个表绩效用值基础上，会受到每月的平均用电量以及异常情况持续时间和下一阶段抄表天数的影响。而具体的工单效用则是指工单故障电表效益总和，由此可以得到采集运维效用值模型。即X效用值＝∑f(x)，其中X效用值是采集运维业务的表达方式，f（x）是单一电表的异常运维效用值。在计算过程中，居民和非居民的平均每月的用电量临界值分别为：不大于200千瓦每小时为一户标准；大于200千瓦每小时，但不大于10000千瓦每小时，为两户标准；大于10000千瓦每小时为三户标准。系统当中的一个电表的异常持续时间是指电表持续一天所造成的电量监控损失，按照累加方法进行计算，距离下一个抄表天数分析，当距离效益抄表的天数越接近，则显示对该用户的监控损失电量概率越大，故障紧急维修程度越高。当距离效益抄表天数越远，则显示对该用户的监控损失电量概率越小，因为该因数所造成的影响越小，趋近于零。2.智能化处理异常工单在传统的采集运维业务开展过程中，由于缺乏智能化的数据分析，再加上很多运行维护人员对所在区域缺乏了解，所以故障维护的整体效率普遍较低，缺乏针对性的分析，只能够对现场故障进行一一排查，大大增加了人力成本投入。而将大数据分析技术应用其中，能够对异常故障进行有效的分类，明确紧急故障和非紧急故障，并及时确定异常工单产生的原因，从多维角度分析异常工单产生的原因。综上所述，在采集运维业务当中综合应用大数据分析技术，可以对采集的各项数据信息进行深入的挖掘和分析，并且对运行维护过程中所存在的异常工单进行智能化的统计和分析处理，及时找出故障所在位置以及故障产生的原因，促使采集维护业务由粗放式管理向精细化、集约化、智能化方向转变，提高运维业务的工作效率、工作质量，降低工作强度。

参考文献：

[1]万方达.容量评估管理方式探索:数据分析在信息技术运维领域的应用[J].金融电子化,2015(11):70-72.

[2]边红军.数据挖掘技术在信用卡业务中的应用分析研究[J].无线互联科技,2015(1):105.

[3]刘光榕.数据仓库及OLAP技术在电信业务分析中的应用探讨[J].电脑编程技巧与维护,2011(4):32-35.

作者：罗阳倩子 单位：广东农工商职业技术学院