王旭，陳瀟一

（1.國網陜西省電力公司，陜西西安 710048；2.國網陜西省電力公司電力科學研究院，陜西西安 710100）

隨著國家電網公司信息化進程的發(fā)展，信息系統(tǒng)在日常運行時，會對底層軟硬件造成負荷[1]。IT監(jiān)控系統(tǒng)每分鐘要從這些信息系統(tǒng)采集上萬個系統(tǒng)運行數據，這些數據包含了與信息系統(tǒng)運行相關的動換、網絡、主機、存儲、中間件、應用、運維等大量信息，任何一種資源負載過大，都可能會引起系統(tǒng)性能下降甚至癱瘓。針對目前存在的問題，以陜西電網信息系統(tǒng)為研究對象，通過統(tǒng)計、評價、預測等大數據分析技術探索適合公司的信息系統(tǒng)及網絡設備運行狀態(tài)診斷的方法，解決公司目前被動應對信息系統(tǒng)的狀態(tài)異常及故障的問題。通過建立基于運行狀態(tài)的故障診斷模式，創(chuàng)新運維管理方式，不斷提升信息系統(tǒng)運行水平，確保系統(tǒng)安全穩(wěn)定運行[2]。

近年來，已有一些學者使用數據挖掘技術對信息系統(tǒng)負載進行了研究，例如：文獻[2]有機結合負載預測的主動控制技術和基于實際系統(tǒng)狀態(tài)信息的被動控制技術，利用大數據挖掘技術，采用馬爾科夫鏈篩選組合模型預測未來時刻的工作負載情況[3]；文獻[4]基于ESPRIT分解算法，實現短期電力負荷預測，且具有較高的擬合度[4]；文獻[5]建立改進型SVR模型對電力信息系統(tǒng)負荷進行預測[5]；文獻[6]對南京城市電網核心區(qū)短期負荷特性進行分析及預測[6]；文獻[9-13]使用時間序列算法對電力負載進行預測。

1 負載情況對負載運行狀態(tài)的影響

本研究根據應用系統(tǒng)的負載情況，從系統(tǒng)運維和系統(tǒng)應用過程兩個角度分析影響信息系統(tǒng)負載的運行狀態(tài)。

1）系統(tǒng)運維問題分析：業(yè)務系統(tǒng)的負載受到軟件、硬件、中間件、網絡、外部接口系統(tǒng)等各方面因素的影響，系統(tǒng)出現不穩(wěn)定的因素可總結為以下幾種，如圖1所示。

圖1 系統(tǒng)運行不正常問題魚刺分析圖Fig.1 Fish-bone analysis diagram of system operation abnormalities

程序問題：主要為業(yè)務系統(tǒng)程序編碼不夠嚴謹或安全，存在bug或漏洞，運行可造成系統(tǒng)無法運行、內存泄露等問題。

軟件問題：主要是數據庫、中間件等軟件進程的漏洞而引起的系統(tǒng)不穩(wěn)定。

網絡問題：在硬件設備運行正常的前提下，系統(tǒng)的某一網段存在超過網絡負載的情況。

2）系統(tǒng)應用過程分析：從業(yè)務系統(tǒng)應用過程的角度分析，主要是對外服務能力和內部處理能力。其中對外服務能力主要體現在系統(tǒng)對用戶的響應速度或并發(fā)量，影響內部處理的因素有數據量大小、程序邏輯處理能力、數據庫讀寫能力、調用其他系統(tǒng)接口的響應能力等。

本文首先根據獲取的指標，使用AHP算法計算各個指標的權重值，然后結合虛擬機權重計算指標資源利用率，從而計算系統(tǒng)資源利用率，之后分別從系統(tǒng)資源利用率和系統(tǒng)性能指標采用ARIMA和HOLT-WINTERS指數平滑預測方法對系統(tǒng)負荷進行預測，并對系統(tǒng)運維負載分級預判和系統(tǒng)性能預判系統(tǒng)負荷狀態(tài)，其技術路線如圖2所示。

圖2 電力信息系統(tǒng)負載預測技術路線圖Fig.2 Roadmap of load forecasting technology for power information system

2 基礎算法

2.1 AHP

AHP算法[7-8]全程為層次分析法，是將多目標或多方案的決策方法，首先根據決策目標、影響決策目標的因素、決策的對象建立層次結構模型，構造各個層次中兩兩因素之間的相對權重，并對判斷矩陣進行一致性檢驗，最終確定某層所有因素對總目標相對重要性的權值，從最高層到最低層逐漸進行。AHP法在對事物進行決策分析時，能對定性問題進行綜合處理，得出明確的定量的結論[14]。

AHP算法的核心在于構造判斷矩陣，將決策者對事物的評價由定性評價轉換為定量評價，在此，首先引出構造判斷矩陣兩兩元素間的相對權重，如表1所示。

表1 比例的標度及其含義Tab.1 Scale of scale and its meaning

將兩兩元素進行重要性程度對比，并根據對比結果，將數值填入對應位置的矩陣中，構造兩兩元素相互比較后的判斷矩陣，記為

式中：p表示某層中的元素個數；eij表示某層中元素i對元素j的相對重要性度量值。元素i對元素j的重要性與元素j對元素i的相對重要性是互逆的，即eji=1/eij，且E為對稱矩陣。

判斷矩陣E的最大特征根λmax，及其對應的特征向量Wf={w1，w2，…，wp}，然后對思維的邏輯進行一致性判定，其一致性檢驗公式為

式中：CR為一致性比率；CI為一致性指標；RI為隨機一致性指標。具體數據見表2所示。

表2 九階段矩陣RI值Tab.2 The RIvalue of Nine stage matrix

為了獲得合理的權屬分配和滿意的一致性，需要滿足條件為CR＜0.1，一旦不滿足該條件，需要重新調整判斷矩陣的值，再重新計算CR，直到滿足條件為止。

歸一化權重向量計算公式為

為了方便，歸一化后的權重向量為Wf={w1，w2，…，wp}，且向量中每個值均介于0和1之間，累計值為1，由此得到元素的權重，之后引入系數α，且α∈[0，1]，得到指標權重向量為

最終計算各指標權重，結果如表3所示。

表3 某指標權重Tab.3 The weight of an index

2.2 ARIMA模型

時間序列分析方法中ARIMA模型是應用很廣泛的[9]。其大體思路是：首先判斷序列是不是平穩(wěn)的，可通過時序圖和ADF進行檢驗，經檢驗后如果序列不平穩(wěn)，需通過差分方法處理成平穩(wěn)時間序列，之后繪制平穩(wěn)后的ACF和PACF圖，并根據截尾和拖尾的性質，對模型進行最終判定，得到模型的類型以及模型階數和未知參數，并對模型進行有效性檢驗，最后基于建立的模型預測未來時序對應的目標值。ARIMA模型一般記為ARIMA（p，d，q）[10-13]，即d次差分后將平穩(wěn)序列Xt擬合為ARMA（p，q）模型，該模型的表達式為

式中：p為自回歸階數；φ1，φ2，…，φp為自回歸系數；Xt為平穩(wěn)數據序列；{εt}為白噪聲序列，形式為W～N（0，σ2）。

P階自回歸模型AR（p），表達式為

q階滑動平均模型MA（q），表達式為

ARIMA時間序列模型建模過程如圖3所示。

2.3 Holt-Winters指數平滑預測

Holt-Winters模型是較常見的預測模型，由Winters提出，又由后人不斷改進。當時間序列圖顯示的時間序列的季節(jié)變動大致相等時，采用加法模型，當時間序列的長期趨勢大致成正比時，應該采用乘法模型。本文數據規(guī)律與加法模型相符合，選擇加法模型，假設進行指數平滑的序列為{Xt}，則Holt-Winters三參數指數平滑模型為式中：bt為長期趨勢值；γ為加權值；S為季節(jié)調整因素；π為季節(jié)性時間的長度；α，β為調整因子；Xt為現行數值；at為平滑值；t為當前時間。

預測值由下式計算：

式中：k為向后平滑期數，即決定預測未來幾個月份的序列的參數；y值即所預測系統(tǒng)資源利用率和系統(tǒng)響應時間序列。

圖3 ARIMA時間序列建模過程圖Fig.3 The procedure chart of ARIMA time series modeling

3 實證研究

3.1 數據來源

本文電力業(yè)務信息系統(tǒng)的負載評價主要從業(yè)務應用和系統(tǒng)資源兩方面進行評價，從這兩個方面出發(fā)，涉及到的基礎指標如表4所示，采取的負荷預測的相關數據的日度數據，歷史數據區(qū)間定位為2017年5月20日至2017年6月20日。

3.2 實驗分析結果

1）系統(tǒng)資源利用率各指標權重：本文使用系統(tǒng)資源利用率的CPU使用率、內存使用率和磁盤/文件系統(tǒng)使用率等相關指標，完成系統(tǒng)資源利用率各指標權重計算。具體實現過程如圖4所示，系統(tǒng)資源利用率使用AHP算法得到的各指標的權重如表5所示，且通過一致性檢驗。

2）系統(tǒng)資源利用率和系統(tǒng)響應時長的ARIMA、Holt-Winters指數平滑預測：使用計算的系統(tǒng)資源利用率、系統(tǒng)響應時長相關指標，完成系統(tǒng)資源利用率和系統(tǒng)響應市場的短期預測計算。具體實現過程如圖5所示。

表4 系統(tǒng)負載評價模型基礎指標Tab.4 The base index of System load evaluation model

圖4 系統(tǒng)資源利用率各指標權重實現過程Fig.4 Realization process of each index weight of system resource utilization rate

表5 系統(tǒng)資源使用率各指標權重Tab.5 The system resource utilization weight of each index

圖5 系統(tǒng)資源利用率、系統(tǒng)響應時長預測實現過程Fig.5 The prediction process of system resource utilization rate and system response time

通過使用ARIMA和Holt-Winters指數平滑預測方法分別對系統(tǒng)資源利用率和系統(tǒng)性能指標（系統(tǒng)平均響應時長）進行3天的預測，其中系統(tǒng)資源利用率的ARIMA模型和Holt-Winters指數平滑法模型結果如表6所示。

表6 ARIMA和Holt-Winters結果對比Tab.6 Comparison of ARIMA and Holt-Winters results

綜合對比ARIMA和Holt-Winters指數平滑法的結果，得到ARIMA（2，1，1）模型具有更小的AIC值和MSE值，且根據模型建立的預測趨勢與實際趨勢一致，信息系統(tǒng)資源利用率的ARIMA（2，1，1）模型的預測值誤差絕對值、誤差絕對率分別在0.001～0.008和0.49%～3.77%，平均誤差絕對值為0.005，平均誤差絕對率為2.57%，具有較佳的預測性能，最終選擇ARIMA（2，1，1），同理系統(tǒng)平均響應時間。ARIMA模型預測結果如下表7，表8所示。

表7 系統(tǒng)資源利用率ARIMA預測模型結果Tab.7 The ARIMA predicted model results of system resource utilization

表8 系統(tǒng)平均響應時間ARIMA預測模型結果Tab.8 The ARIMA predicted model results of System average response time

3）系統(tǒng)負荷評價：分別對資源利用率和系統(tǒng)響應時間進行分級評價，記系統(tǒng)資源利用率X在t時刻的預測值為Xt，樣本標準差為s，通過加減3個標準差構造基線，結果為[Xt-3s，Xt+3s]，當資源利用率小于Xadb-3s時候資源利用狀態(tài)空閑，當資源利用率大于Xt+3s時候資源利用狀態(tài)過載，當資源利用率位于[Xt-3s，Xt+3s]之間，資源利用狀態(tài)正常。系統(tǒng)響應時間分級評價，記平均響應時間的閥值為T，當平均響應時間超過T則認為響應時間超長，處于服務繁忙狀態(tài)，反之處于服務正常狀態(tài)。綜合系統(tǒng)資源利用率和平均響應市場的狀態(tài)對業(yè)務系統(tǒng)負載做出最終評價，評價標準見表9所示。最終業(yè)務信息系統(tǒng)負載狀態(tài)評價如表10所示。

表9 業(yè)務系統(tǒng)評價標準表Tab.9 The table of business system evaluation standard

表10 業(yè)務信息系統(tǒng)負載狀態(tài)評價結果Tab.10 The results of business information system load status evaluation

4 結論

本文以電力業(yè)務信息系統(tǒng)收集到的系統(tǒng)資源指標信息（CPU使用率、內存使用率、磁盤使用率）、系統(tǒng)應用指標信息（系統(tǒng)平均響應時間）為基礎，從系統(tǒng)資源和系統(tǒng)性能兩個角度分別定量研究，從而完成了系統(tǒng)負載評價任務。實驗結果表明本文提出的系統(tǒng)負載評價模型是有效的，且具有較高的預測準確率，有效提升了整體資源利用率。下一步，將結合系統(tǒng)負載模型研究成果，對系統(tǒng)從其他維度進行更深層次的擴展，使系統(tǒng)負載評價模型更加全面。

[1]張根周.大數據在智能電網領域的應用[J].電網與清潔能源，2016，32（6）：114-117.ZHANG Genzhou.Applications of big data in the field of smart grid[J].Power System and Clean Energy，2016，32（6）：114-117（in Chinese）.

[2]羅杰，劉元丹，龔旭龍.基于貝葉斯與粗糙集方法的電網故障診斷的研究[J].電子設計工程，2015，23（2）：28-31.LUO Jie，LIU Yuandan，GONG Xulong.The fault diagnosis for power grid based on rough set and bayesianetwork[J].Electronic Design Engieering，2015，23（2）：28-31（in Chinese）.

[3]張棟梁，嚴健，李曉波，等.基于馬爾可夫鏈篩選組合預測模型的中長期負荷預測方法[J].電力系統(tǒng)保護與控制，2016，44（12）：63-68.ZHANG Dongliang，YAN Jian，LI Xiaobo，et al.Mid-long term load forecasting based on markov chain screening combination forecasting models[J].Power System Protection and Control，2016，44（12）：63-68（in Chinese）.

[4]馬哲，舒勤.基于ESPRIT分解算法的短期電力負荷預測[J].電力系統(tǒng)保護與控制，2015，43（7）：90-96.MA Zhe，SHU Qin.Short term load forecasting based on ESPRIT integrated algorithm[J].Power System Protection and Control，2015，43（7）：90-96（in Chinese）.

[5]錢志.基于改進型SVR的電網短期負荷預測[J].中國電力，2016，49（8）：54-58.QIAN Zhi.Short term power load forcasting based on improved SVR[J].Electric Power，2016，49（8）：54-58（in Chinese）.

[6]朱斌，姜寧，霍雪松，等.南京城市電網核心區(qū)短期負荷特性分析及預測[J].中國電力，2016，48（2）：67-72.ZHU Bin，JIANG Ning，HUO Xuesong，et al.Forecasting andstudiesonloadcharacteristicsofnanjingcenterareapower network[J].Electric Power，2016，49（8）：54-58（in Chinese）.

[7]陶鴻飛，孫藝新，吳國威，等.基于大數據和層次分析法的電力信息系統(tǒng)成熟度評估[J].中國電力，2016，49（10）：114-118.TAO Hongfei，SUN Yixin，WU Guowei，et al.Maturity assessment of power information system based on big data and analytic hierarchy process[J].Electric Power，2016，49（10）：114-118（in Chinese）.

[8]李蕊，李躍，徐浩，等.基于層次分析法和專家經驗的重要電力用戶典型供電模式評估[J].電網技術，2014，38（9）：32-37.LI Rui，LI Yue，XU Hao，et al.Assessment on typical powersupply mode for important power consumers based on analyticalhierarchy process and expert experience[J].Power System Technology，2014，38（9）：32-37 （in Chinese）.

[9]張楷楷，燕萍.時間序列以及卡爾曼濾波在電力系統(tǒng)短期負荷預測中的應用[J].電氣開關，2016（2）：91-97.ZHANG Kaikai，YAN Ping.Application of time series and kalman filetering in short-term load forecasting of power system[J].Electric Switch，2016（2）：91-97（in Chinese）.

[10]鄧雨榮，張煒，梁俊斌，等.基于時間序列分析的油中產氣數據趨勢測度[J].智能電網，2016，4（8）：744-748.DENG Yurong，ZHANG Wei，LIANG Junbin，et al.Prediction of the trends in the data of dissolved gas production in transformer oil based on time series analysis[J].Smart Grid，2016，4（8）：744-748（in Chinese）.

[11]田波，樸在林，王慧.基于時間序列建模在風力發(fā)電功率短期預測中的研究[J].電網與清潔能源，2016，32（3）：115-120.TIAN Bo，PIAO Zailin，WANG Hui.Short term prodiction of wind power based on time series modeling[J].Power System and Clean Energy，2016，32（3）：115-120（in Chinese）.

[12]麥鴻坤，肖堅紅，吳熙辰，等.基于R語言的負荷預測ARIMA模型并行化研究[J].電網技術，2015，39（11）：3216-3220.MAI Hongkun，XIAO Jianhong，WU Xichen，et al.Research on ARIMA model parallelization in load prediction based on R language[J].Power System Technology，2015，39（11）：3216-3220（in Chinese）.

[13]張鵬飛，瞿海妮，肖其師，等.基于氣象因素和時間序列分析的配電網故障數量預測[J].陜西電力，2016，44（1）：68-72.ZHANG Pengfei，QU Haini，XIAO Qishi，et al.Distribution network faults prediction based on meteorological factors and time series analysis[J].Shaanxi Electric Power，2016，44（1）：68-72（in Chinese）.

[13]李存斌，宋易陽.基于AHP-熵權法的電力企業(yè)信息化應用效果模糊綜合評價 [J].陜西電力，2015，43（7）：48-53.LI Cunbin，SONG Yiyang.Performance fuzzy comprchensive evaluation of electric power enterprise informatization application based on AHP-entropy[J].Shaanxi Electric Power，2015，43（7）：48-53（in Chinese）.