电网大数据三问三答

2014-05-23 16:57:02 国家电网杂志　点击量：评论 (0)

电网企业如何发挥数据资源的战略资产作用，关键在于提升海量数据的管理和支撑能力，最终实现全公司信息共享，为企业管理提供运营决策分析支持。近年来，随着大数据技术的快速发展，大数据已成为企

电网企业如何发挥数据资源的战略资产作用，关键在于提升海量数据的管理和支撑能力，最终实现全公司信息共享，为企业管理提供运营决策分析支持。

近年来，随着大数据技术的快速发展，大数据已成为企业、社会和国家的重要资源，其深度应用不仅有助于提升企业经营管理水平、衍生新的商业模式，还有利于推动国民经济发展。对于电网企业而言，如何发挥数据资源的战略资产作用，关键在于提升海量数据的管理和支撑能力，最终实现全公司信息共享，为企业管理提供运营决策分析支持。

电网大数据有哪些基本特性

大数据是海量、多样化的数据资源，既包括传统结构化业务数据，也包括文本、图像、视频和音频等非结构化数据，需要采用新的采集、存储和处理技术实现数据统一接入和快速处理，还需要建立新的分析机制，开展跨业务、多类型的数据关联分析。

电网大数据，从大方面可分为生产运行数据和运营管理数据。生产运行数据，如发电量、电压稳定性、设备状态等方面的数据，多数可通过传感器、智能设备、视频监控设备、音频通信设备、移动终端等设备采集，具有实效性高、海量存储等特征，反映的是电网企业运行的情况;运营管理数据，如人员、财务、物资、项目、营销、客户服务等方面的数据，是企业经营管理活动中产生的大量业务信息，反映的是电网企业的运营管理水平。

电网大数据怎样提升管理

电网企业数据具有量大、类型多、价值高的特点，对于电网企业盈利与控制水平的提升有很高的价值。一般来说，基于电力行业大数据的挖掘价值表现在内部价值提升和外部价值提升，内部价值提升主要表现为管理模式优化，外部价值提升主要表现为对社会提供丰富增值业务。

首先，内部应用是运用大数据优化电网企业管理模式，提升电网企业经营管理水平，有几个典型的应用场景。

电网设备状态监测与预警分析。这是基于电网设备信息、运行信息、环境信息(气象、气候等)以及历史故障和缺陷信息等数据相结合，对不同种类、不同运行年限设备在一定关联因素影响下的状态进行预警和故障率预测，形成准确的电网设备故障预判方法，以进一步提高设备运行、维护和管理水平。

配电网故障抢修精益化管理。该应用基于营配贯通业务流和信息流，依据设备现状及历史负荷、电量水平和发展趋势、配电网故障类型、故障产生原因、导致故障的设备类型、供应商等，开展配网资产运营效率和配网故障抢修效率分析，提升营销、调度、运检等专业在配电网故障抢修中的协作效率。

加强客户分析，提升服务质量。基于营销基础数据，识别不同客户群体对企业价值及其需求，指导企业的客户关系管理工作，在满足标准化服务的基础上，开展个性化的大客户服务。

提升企业整体协同管理。整合电网企业生产运行与运营管理有关数据，实现电力发电、输电、变电、配电、用电、调度全环节数据共享，以用电需求预测为驱动优化资源配置，协调电力生产、运维、销售的管理，提升生产效率和资源利用率;同时，通过内部数据集成将优化内部信息沟通，使财务、人事等工作的开展更顺畅，有助于企业实行精益化运营管理，提高集团管控水平。

其次，外部应用指利用电网大数据可获得的社会效益，典型应用如增值服务与经济指导。

提供增值服务。主要利用电网数据可给用户提供更加丰富的增值服务内容。例如，通过给用户提供其各月份分时明细用电视图，可让用户了解自身用电习惯并能根据需要进行调整，同时也使得电力收费过程更透明。

提供经济指导。作为重要经济先行数据，用电数据是一个地区经济运行的“风向标”，可作为投资决策者的参考依据。如将人口调查信息、电网企业提供的用户实时用电信息和地理、气象等信息进行整合，设计一款“电力地图”。该图以街区为单位，可以反映各时刻的用电量，并可将用电量与人的平均收入、建筑类型等信息进行比照。通过完善“电力地图”，能更准确地反应该区经济状况及各群体的行为习惯，以辅助投资者的决策，也可为城市和电网规划提供基础依据。

大数据平台靠什么技术手段

要实现电网大数据价值体现，首先要对电网生产运营过程中不断产生的海量数据进行快速处理并进行有效的存储。以往数据量不大时，进行数据处理主要由一两台计算机完成，在海量数据面前，典型的做法需要考虑采用更多台计算机共同处理这些数据，即分布式处理技术。目前，南瑞集团已基于分布式处理技术完成相关大数据平台研发，并在用电信息采集系统中进行了应用，数据采集效率较原有技术方式大幅提升。

基于采集处理好的数据，要做的第二件事就是从海量的数据中挖掘出对企业运营管理、生产运行有价值的信息。以客户欠费预测为例，首先从数据库提取2010～2012年全体客户交费数据，通过分析不同客户的交电费的行为以及客户基本属性特征，设计出用户欠费预测模型，并采用此模型预测2013年客户欠费风险，然后将预测结果与2013年实际欠费情况进行对比，如发现预测准确率较高可信，则可基于此模型预测未来年度中可能存在欠费风险的客户，并对不同风险等级客户提前采取差异化的电费回收策略和预防措施，保障企业的电费收入，有效控制企业经营风险。以上便是一个数据挖掘的典型案例，采用的技术为数据挖掘中分类预测方法，其他主要方法还包括了关联分析、聚类分析、时序分析、最优决策、异常分析、特异群组分析和演变分析等。

数据最终的价值体现就是让人更容易更好的使用并辅助工作开展，因此就需要采用丰富的图形化展示、交互式体验等手段，清晰有效地传达与沟通信息，便于相关使用人员对有关数据进行理解和认识。如通过曲线图来展现近几年公司售电量的趋势，通过饼图来表示公司人员的岗位分布情况，通过地图下钻功能从省公司指标穿透查看地市公司指标，都是可视化的一些典型做法。