基于大数据的电力多维度分析系统设计

邓楚然 江疆 杨秋勇 陈灏生 黄树满

摘 要： 针对电力多维度分析工作，有学者提出了大数据电力多维度分析系统，以后这一概念受到了广泛的重视，并衍生出许多相关的理论研究。从各项理论研究结果上来看，该系统具有非常明显的应用优势，但当前关于该系统的实际应用案例较少，需要进一步开展大数据电力多维度分析系统的实际应用研究，验证该系统的可靠性。基于此，以电力设备运行数据为基础，开展大数据电力多维度分析系统设计工作，并利用设计系统得到多维数据模型，针对模型设置多维度数据分析规则，最终通过信息化方式建立了大数据分析平台，检验该平台在面对海量电力多维度数据时的表现，相应判断该系统的实践应用价值与可靠性表现。

关键词： 大数据技术; 电力多维度数据; 分析系统

中图分类号： TP319      文献标志码： A

Design of Power Multi-Dimensional Analysis System Based on Big Data

DENG Churan1， JIANG Jiang1， YANG Qiuyong1， CHEN Yusheng2， HUANG Shuman2

（1. Information Center， Guangdong Power Grid Co. Ltd.， Guangzhou 510000;

2. Guangdong Zhuowei Network Co. Ltd.， Foshan 528000）

Abstract： Many scholars put forward the concept of multi-dimensional analysis system of big data power. This concept has been widely recognized and many related theoretical researches have been derived. From the theoretical research results， the system has very obvious application advantages， but there are few practical application cases about the system. It is necessary to further analyze the practical application of the big data power multi-dimensional analysis system and verify the system. Based on this， this paper carrys out the design of big data power multi-dimensional analysis system based on the power equipment operation data， and uses the design system to obtain the multi-dimensional data model， sets the multi-dimensional data analysis rules for the model， and finally establishes a platform for big data through informationization method. The data analysis platform verifies the performance of the platform in the face of massive multi-dimensional data of power， and judges the practical application value and reliability performance of the system.

Key words： Large data technology; Power multidimensional data; Analysis system

0 引言

在现代社会发展背景下，电力线路分布范围广阔，且结构非常复杂，电力工作人员每日都需要面对大量电力数据，随着数据量的不断增大，人工模式已经无法满足当前电力运维需求，所以必须要转变传统的人工模式。而大数据技术具备深度分析、自主学习功能，且智能化程度较高，在电力系统中应用大数据技术能够满足当前电力分析工作的需求，降低电力分析工作对人工的依赖度，专家和研究学者提出的大数据电力多维度分析系统则顺应了这一要求。基于此，本文对基于大数据的电力多维度分析系统进行了设计，并分析了实际应用。

1 研究背景

目前，我国最为常见的电力输送设备系统为直流输电设备系统，在现代社会的电能需求变得越来越大的今天，直流输电设备系统的建设和应用规模也变得越来越大，而且越来越复杂。随着电力调度智能化建设的开展，电力数据的信息化趋势也越来越明显。在这种情况下，每个电力调度站点工作人员每日都需要面临海量信息化数据，人工无法保障工作效率与准确性，使电力单位市场服务水平受到了极大的影响。而大数据电力多维度分析系统可以有效地解决这些问题，该系统能够针对所有设备的运行参数来设立相关指标，再通过大数据技术的深入分析对各项数据进行挖掘，最终得到一个综合评估结果，帮助人工直观判断电力运维表现，同时在面对电力故障时，还能够做到消除隐患、预防故障，说明该系统具有很大的优势[1-3]。

2 多维度数据策略研究

多维度数据分析技术的运作概念就是针对某个电力设备，从多个角度上去获取相关信息，并进行一系列的分析和处理后，将结果综合在一起得到最終判断结果。该项技术具有许多特征表现，主要包括：多维性、逻辑性、同步性，具体内容见下文。

（1） 多维性

多维度数据分析技术应用当中必须先从多个角度上采集目标信息，因此得到的数据在维度上是不同的，其具备多维性特征。同时，在后续数据分析当中多维性特征同样有突出表现。综合来看，多维性特征使贯穿多维度数据分析技术的特征表现[6-7]。

（2） 逻辑性

结合多维性特征表现可见，通过多维度数据分析技术可以得到多个角度的数据信息，这些数据从表面上来看相互之间并没有联系，例如气象信息变化与电力供给信息，两者相互独立，并没有相互联系。但在技术分析功能当中，其除了多维性特征以外，还具有逻辑性特征，即面对所有采集得来的数据，技术系统都会用智能化思维来找寻信息之间的逻辑关系，将两个信息的分析结果联系在一起。例如气象信息变化与电力供给信息，在技术分析功能下可以得知气象变化可能会导致电力设备损坏，从而引起电力供给故障的逻辑关系。此外，多维度数据分析技术的逻辑性特征表现深度较高，除了上述表现以外，还能够对数据差值、趋势值进行分析[8-9]。

（3） 同步性

电力供给是一个持之以恒的过程，其每时每刻都需要进行供给，所以电力供给系统每时每刻都会产生新的电力数据，在这种情况如果将不同时间维度的电力数据放在一起进行分析，最终得出的结果必然是无效的。因此在多维度数据分析技术也需要具有同步性特征表现，也就是会在同一时间对所有数据采集，确保数据同步，同时也保障了分析结果的有效性[10-11]。

3 电力多维度分析系统的设计

3.1 设计架构

结合相关的理论，本文对电力多维度数据分析技术设计架构进行了设想，认为该系统架构应当由分为数据融合层、大数据服务平台、生产数据分析应用层组成。关于设计架构各组成部分的详细内容见下文。

（1） 数据融合层

在大数据技术支撑下，可以采用数据融合技术对同步多维度信息进行分析、整合等操作，从而进一步可得综合评估結果。首先可以开展多源信息融合操作，例如针对安装在林木环境中的直流电设备，可以对林木环境的山火情况进行严密监测，得到山火发展趋势、火点、热点等数据;针对雷电对直流电设备的影响，可以准确地监测气象变化，根据地区雷电历史信息，综合判断雷击概率;针对树木生长对线路垂弧的影响，可以根据周边树木的生长速率、趋势，判断哪些树木可能会产生影响、什么时候进行树木修剪工作;针对城市环境中的直流电设备，可以监测周边垃圾污染、人为破坏的行为表现，帮助人工判断事故高发点，相应在周边采取防护手段。与此同时，由于实际工作中的环境非常复杂，因此通过数据融合层可以将这些数据综合在一起，全面帮助工作人员对直流电设备周边隐患进行判断。其次，进行设备性能分析，比如针对直流电设备进行分析时，可以对其工作时的参数数据表现进行实时采集，相应分析设备当前多维度的性能表现，例如根据零件磨损情况，可以判断设备机械性能、根据设备电力供给波动，可以判断设备电气性能与绝缘性能，同时还能够根据设备状态变化，判断设备应用年限、缺陷率曲线等，帮助电力工作人员第一时间消除隐患[12-13]。

（2） 大数据服务平台

在本文设计当中大数据服务平台可以分为存储层、视图层和服务层三个部分，其中存储层主要由云平台大数据物理储存功能来实现，其支持OLAP和OLTP两类应用，不会排斥异构数据，且保障了数据处理时的灵活性，同时还具备公辅助功能，例如数据连结器、集群管理工具，满足数据在平台当中的移动与管理需求;视图层主要采用非结构化数据存储方式进行设计，其可以将内部数据转化为视频、文档、图片等形式，而这些形式均是人可以直观解译的信息，具有良好的可视化功能表现。在这一功能的辅助下，人工可以随时观察直流电设备的数据变化[14-15]。图1非结构化大数据库系统框架。

（3） 生产数据分析应用层

生产数据分析应用层可以分为：分析支撑层、分析应用层、可视化层三个部分，其中分析支撑层主要提供工具服务，服务对象为数据服务层至分析应用层连接，图2为系统分析工具结构大数据分析工具。图中可见，其工具服务由非结构、结构化数据分析引擎组成。出于系统性能考虑，还采用了云计算引擎技术进行优化，可以提高数据处理速度;分析应用层主要提供关联分析功能服务，其在面对任何故障设备时，都会根据设备保存信息，判断设备所在批次、功能间隔等，相应对其他相关设备进行排查，确认其他设备是否也存在相同问题;可视化层主要利用Flash技术构建数据可视化窗口，大致包括仪表盘窗口、报表窗口、数据分析窗口、统计等图表窗口，满足人工管理需求，同时借助Flash技术与互联网、4G网络的通信协议，该窗口可以在各类浏览器、移动端APP上展示，具有良好的灵活性表现[16]。设计方案：①采用云计算引擎技术与非结构化和结构化大数据引擎结合，可加速数据处理速度;②通过混合大数据挖掘技术实现数据深度挖掘功能，且将挖掘成果相互连接起来，以免孤岛数据形成;③通过前两个步骤可组成多维度分析系统，该系统可以对以上可视化工具进行重新定义，代表可以对工具进行操作。以上设计使系统可以对数据进行综合分析，并借助可视化工具的柱状图、饼图等展示形式来展示分析过程与结果。

（4）

3.2 算法

多维度逻辑在本质上可以看做是回归分析的一种，即每个维度分析完成后，都需要结合分析结果与目标进行一同分析，确认两者之间的关系距离，然后通过对比才能得到不同维度的权重。本文主要借助软件功能来实现多维度回归分析计算，即首先建立指标（a、b、c），随后对所有指标进行归一化处理，根据处理结果将每个指标的最大值最为基准值，其次将基准值乘以指标值（d），以此类推就可以得到每个指标的量化变数（e），而量化变数就代表了该指标与目标的距离，所以对比之后即可判断所有指标的权重。公式（1）为软件多维度回归分析计算方法。公式（1）a…a1，a2，a3×d

b…b1，b2，b3×d

c…c1，c2，c3×d=e=[e1，e2，e3]T4 实际应用

为了校验这一设计系统在实际工作中的实践应用价值与可靠性，本文在大数据分析思想基础上，对某电力企业的的高压直流设备中8大类33项设备参数进行相关分析，分析规则依照电力多维度分析系统策略。通过分析得到了多组数据，且在大数据技术深度分析功能下，发现其设备系统整体存在特高压直流单阀组、双极闭锁缺陷，这些缺陷当前表现并不突出，但不排除在后续短期工作内导致电力故障的可能性。表1为本文设计系统监测结果与评估结果、表2为设计系统应用前后的数据对比。

综合来看，在本文设计系统应用下，发现案例中部分直流电设备（换流变套管压力、气管穿墙、金属气管）存在问题，相互之间存在密切逻辑关系，在后续工作中大概率造成电力故障。

表2可见，在系统应用后所有对比项的问题表现均被发现，且大概率被预防，与应用前相比预防故障的概率大大提高，说明系统应用有效。

5 总结

在现代电力供需下，传统人工管理模式下的供电质量已经不满足当前要求，为了提高供电质量，满足人们的供电需求，必须要开发和设计新的电力数据分析系统。基于此，本文对基于大数据的电力多维度分析系统进行了设计，介绍了设计架构以及基本功能表现;并通过案例进行了实际分析，结果显示该系统在实际工作当中具有良好的功能作用，其能够有效地分析出电力系统中存在的缺陷，便于及时发现故障隐患并进行排除和检修，确保电力系统的顺利运行。

参考文献

[1] 王飞，颜波，禹晋云.基于大数据的电力多维度分析系统设计與实现[J].电力信息与通信技术，2017（4）：34-39.

[2] 虢韬，刘锐，沈平，等.基于电力大数据的输电线路防灾减灾分析系统设计--以贵州电网为例[J].灾害学，2016（1）：135-138.

[3] 席乐，杨庆.基于互联网+大数据分析供电服务管控系统的设计与应用[J].电子技术与软件工程，2017（8）：185-186.

[4] 杨玉新，马伟，赵阳.基于大数据分析的电网精准规划信息系统设计[J].现代电子技术，2017，40（7）：155-158.

[5] 冷竞.基于大数据分析的警卫安全信息系统设计[J].武警学院学报，2016（1）：30-34.

[6] 王亚玲，刘越，洪建光，等.基于Spark/Shark的电力用采大数据OLAP分析系统[J].中国科学技术大学学报，2016（1）：66-75.

[7] 刘提，丁建阳，包永挺.基于大数据理论的工程监理项目安全巡查多维度评估模型[J].建设监理，2016（1）：25-28.

[8] 陈俐冰，何容，邱林，等.电力客服中心用户行为分析研究与实现[J].计算机技术与发展，2017，27（2）：116-119.

[9] 杨玺，范颖婷，殷文杰.基于大数据的技改投资预测模型在电力行业中的应用研究[J].华东电力，2014，42（10）：2002-2006.

[10] 宫宇，吕金壮.大数据挖掘分析在电力设备状态评估中的应用[J].南方电网技术，2014，8（6）：74-77.

[11] 唐静，李瑞轩，黄宇航，等.基于多维特征分析的月用电量精准预测研究[J].电力系统保护与控制，2017，45（16）：145-150.

[12] 汪迪峰.高压电力用户大数据预测服务需求模型探究[J].中国电力企业管理，2018，540（27）：89-90.

[13] 赵林，张令涛，马仲佳，等.基于大数据技术调度端电网模型管理和分析架构[J].电网技术，2017（12）：3750-3756.

[14] 汪东，周爱民，丛静华，等.基于大数据的森林防火管理系统设计[J].中南林业科技大学学报，2017（11）：30-37.

[15] 李正文，谷振皓，许静，等.一种基于多源大数据的主网线损管理系统[J].东北电力技术，2016，37（11）：1-3.

[16] 吴鲲.基于大数据的智慧校园决策平台设计与研究[J].信息系统工程，2018， 294（6）：119-120.

（收稿日期： 2019.07.22）

作者简介：邓楚然（1993-），女，广东，工程师，硕士，研究方向：计算机科学。

江疆（1982-），男，湖北，工程师，博士，研究方向：计算机科学。

杨秋勇（1986-），男，广东，工程师，硕士，研究方向：机器学习及智能信息处理。

陈灏生（1979-），男，广东，高级项目管理师，学士，研究方向：应用数学。

黄树满（1986-），男，广东，助理工程师，应用数学。文章编号：1007-757X（2020）02-0106-03