采集運維業務中大數據分析技術的應用

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了采集運維業務中大數據分析技術的應用范文，希望能給你帶來靈感和參考，敬請閱讀。

摘要：進入新世紀以來，以互聯網大數據云計算為代表的信息技術在各個領域成熟應用，大大提升了信息化水平，生產效率進一步提升。大數據技術是以互聯網為支撐所誕生的一種全新的應用技術。隨著人們物質生活水平不斷提高，對高品質電能的需求量不斷增加，這也就對電力系統的采集運維業務提出了越來越高的要求，需要加大對采集運維業務的高效護理和針對性護理，提高工作效率，保證持續供電。而將大數據分析技術應用到采集運維業務當中，能夠大大提高系統運行維護的工作效率，實現運行維護的智能化操作，降低人力成本投入。文章主要結合實際工作經驗分析了采集運維業務中存在的問題，然后論述了大數據分析技術在采集運維業務中的具體應用。

關鍵詞：大數據分析技術；采集運維業務；電力系統

在整個電力系統運行過程中，為了確保電信采集系統中各項業務能夠順利開展，就需要加強對采集運維業務的有效維護。但從當前采集運維業務開展情況來看，其中還存在諸多問題，整體的運維效率較低，故障處置率不高，故障種類較多，產生的原因十分復雜，發生故障之后難以準確對故障位置進行定位，影響到采集運維業務的高效開展，使得整體的工作效率普遍較低，甚至在運行維護過程中，還容易出現一系列的安全問題。而將大數據分析技術應用到采集運維業務當中，能夠大大提升整個系統的智能化分析水平，可以及時發現故障，明確故障位置，明確故障原因，然后制定針對性的維修措施，確保整個供電系統能夠順利運行。

一、采集運維業務開展過程中存在的問題

（一）系統的采集運維工作效率較低近些年，隨著國家經濟不斷向前發展，人們在日常生產生活過程中對優質電能的需求量進一步增加，這也就直接推動了我國電力行業的改革。在國家構建了完善電力系統的大背景下，電力系統在運行過程中所出現的故障也呈現增加趨勢。在整個電力系統當中，每天所產生的異常工單的總量就超過1萬條，如果對這些異常情況進行針對性的檢修維護，將需要投入大量的人力成本，工作強度較大，工作范圍較廣，工作壓力較大。現階段大部分部門并沒有構建完善的消缺機制，在故障處理和運行維護業務開展過程中，難以根據業務的緊急情況進行針對性的處置，這就會造成采集系統的運行效率普遍較低，不能夠及時發現故障，分析故障原因，掌握故障位置。

（二）無法及時明確故障點采集運維業務開展過程中，所涉及的對象主要包括采集站點、智能電表、遠程通信信道、本地通信站、采集終端等。在采集運維業務所涉及的這些主體當中，各種異?，F象的種類就超過了60種。根據故障產生的原因不同，又可以將異?，F象劃分為100多種。在運維工作當中故障種類十分繁雜，這就給故障點查明、故障原因的識別和分析提升了難度。在實際的運行維護過程中，很多工作人員難以對故障的原因進行針對性的細致分析，最終造成各種故障解決方案的針對性不強。

二、大數據分析技術在采集運維業務中的實際應用

（一）系統模型構建1.關鍵技術應用大數據分析系統模型構建過程中，整個采集系統涉及數據采集、清理、儲存、分析、處置、讀取應用6個環節。本次研究主要涉及數據分析環節，通過引入關聯型聯機分析處理技術和多維分析技術，對整個系統進行進一步的優化。關聯型聯機分析處理技術：該種處理技術主要應用的是關系型數據庫，依托關系型數據結構，對多維數據進行有效的表達和處理，然后對數據庫當中的關系型數據進行動態化多維度的分析，并將最終的分析結果儲存到關系數據庫的管理系統當中。在該系統當中所儲存的文件大小主要受到RDBMS（關系數據庫管理系統）限制，整體的數據上傳、下載速度較快，儲存空間相對數據的維度不會產生限制，也可以利用其他數據處理模式對數據進行分析。多維聯機分析處理技術：該種處理技術是數據分析的另外一種表現形式，依托多維數據分析儲存結構。該種數據分析技術使用專業的多維結構儲存數據庫，數據庫文件的大小主要受到整個操作平臺系統的限制，儲存的數據不會達到TB級。在數據進行規劃處置過程中，需要進行有效的測算，否則很容易造成數據過大，不能夠正常發揮其應有的數據分析作用。該種數據分析模式之下，數據的上傳和下載速度相對較為緩慢，無法支持動態多維分析，但是能夠支持高性能的輔助決策計算。2.業務框架構建大數據分析技術要想在采集運維業務當中得到充分應用，就需要構建大數據運行維護業務框架，該業務框架主要用于對數據的采集、收集、營銷和運行維護，依托數據抽取轉換加載層對所收集到的數據進行分類，并向系統的儲存層提供相應的數據。儲存層對數據進行分類整理之后，向數據分析層提供所需要的數據。數據分析層對所提供的數據進行進一步的優化檢索，然后為整個系統的異常工單的智能派發、智能處理、多維數據質量評價提供數據支撐。在該框架模式之下，系統所涉及的各項數據源主要來源于采集主站、營銷系統、采集運維閉環系統當中所提供的各種數據信息，如用戶的檔案信息以及故障采集成功率和異常工單的處置情況等相關數據。數據ETL（數據倉庫技術）模塊的主要功能是使用相關工具，對涉及的數據源進行智能化的抽取轉化，并將轉換好的數據向著儲存層傳輸。在數據儲存層當中，配置了混合型的大數據儲存結構和處置框架，它能夠對整個系統所涉及的多源型的異構電力數據進行多源化的儲存分類整理，它能夠儲存各種格式的數據信息，儲存內容多樣，有利于對多種數據進行有效的管理，滿足不同應用層的需求。整個處理框架主要面向離線分析、實際計算、密集型數據分析等場景。在該框架模式之下，能夠實現對數據的批量計算、內存計算、高性能計算。數據分析層是整個框架的重要組成部分，它實現了分析模型管理、計算實時查詢的功能。在數據的分析層和處理層之間通過應用分布式的內存數據緩存技術能夠實現整個框架在業務處理和應用操作之間的耦合性，大大提升數據分析效率。數據分析層所得到的各種數據，進一步向著應用層傳遞，然后實現應用層的異常工單的智能派發、智能處理和多種信息的質量評價。通過應用模塊化的軟件設計方式，能夠實現各個模塊功能的隨插隨用，并且還能夠充分考慮各個模塊之間的聯系性、功能聯合性，統一接口，實現了不同模塊之間的有效融合，使業務模塊之間既能夠獨立運行，又能夠相互補充。

（二）大數據分析技術背景下采集運維業務的優化1.異常工單的智能化派發當前的異常工單派發主要是由人工操作完成，但是異常工單派發人員不能夠對故障現場的實際情況和緊急程度有一個全面的了解和判斷，經常會造成系統當中的各種異常工單量大，但沒有得到有效的處置，也不能夠根據故障的緊急情況，按照先后進行派發，使得故障的處置存在諸多不合理情況，很多小故障演變成大故障，最終造成巨大經濟損失。依托大數據分析技術，能夠對采集運維業務當中的異常工單派發情況進行智能化優化。通過對各種數據信息進行針對性的分析，明確各種故障的輕重緩急并能夠將故障較為嚴重的工單及時派發給維修人員，及時對故障進行處理，避免造成嚴重危害。在具體應用過程中，首先應該明確采集運維業務的效用值模型。在單個表績效用值基礎上，會受到每月的平均用電量以及異常情況持續時間和下一階段抄表天數的影響。而具體的工單效用則是指工單故障電表效益總和，由此可以得到采集運維效用值模型。即X效用值＝∑f(x)，其中X效用值是采集運維業務的表達方式，f（x）是單一電表的異常運維效用值。在計算過程中，居民和非居民的平均每月的用電量臨界值分別為：不大于200千瓦每小時為一戶標準；大于200千瓦每小時，但不大于10000千瓦每小時，為兩戶標準；大于10000千瓦每小時為三戶標準。系統當中的一個電表的異常持續時間是指電表持續一天所造成的電量監控損失，按照累加方法進行計算，距離下一個抄表天數分析，當距離效益抄表的天數越接近，則顯示對該用戶的監控損失電量概率越大，故障緊急維修程度越高。當距離效益抄表天數越遠，則顯示對該用戶的監控損失電量概率越小，因為該因數所造成的影響越小，趨近于零。2.智能化處理異常工單在傳統的采集運維業務開展過程中，由于缺乏智能化的數據分析，再加上很多運行維護人員對所在區域缺乏了解，所以故障維護的整體效率普遍較低，缺乏針對性的分析，只能夠對現場故障進行一一排查，大大增加了人力成本投入。而將大數據分析技術應用其中，能夠對異常故障進行有效的分類，明確緊急故障和非緊急故障，并及時確定異常工單產生的原因，從多維角度分析異常工單產生的原因。綜上所述，在采集運維業務當中綜合應用大數據分析技術，可以對采集的各項數據信息進行深入的挖掘和分析，并且對運行維護過程中所存在的異常工單進行智能化的統計和分析處理，及時找出故障所在位置以及故障產生的原因，促使采集維護業務由粗放式管理向精細化、集約化、智能化方向轉變，提高運維業務的工作效率、工作質量，降低工作強度。

參考文獻：

[1]萬方達.容量評估管理方式探索:數據分析在信息技術運維領域的應用[J].金融電子化,2015(11):70-72.

[2]邊紅軍.數據挖掘技術在信用卡業務中的應用分析研究[J].無線互聯科技,2015(1):105.

[3]劉光榕.數據倉庫及OLAP技術在電信業務分析中的應用探討[J].電腦編程技巧與維護,2011(4):32-35.

作者：羅陽倩子 單位：廣東農工商職業技術學院