摘? 要：本文介紹了電力運營監(jiān)控數據的增長給電力系統(tǒng)運營帶來的問題，在此基礎上闡述了運營監(jiān)控系統(tǒng)的概況和運營監(jiān)控系統(tǒng)在數據處理過程中存在的問題。主要從智能分析方法中的神經網絡、時間序列分析、決策樹、關聯(lián)分析、偏差檢測以及粗糙集技術方面出發(fā)，對于用于改進和提高電力運營監(jiān)控數據應用進行了分析，為電網企業(yè)提高企業(yè)效益、實現管理創(chuàng)新具有一定參考意義。

關鍵詞：電力企業(yè);運營監(jiān)控數據;智能分析;大數據

中圖分類號：TP277? ? ? 文獻標識碼：A 文章編號：2096-4706（2019）23-0131-03

Research on Intelligent Analysis Method of Power Operation Monitoring Data

WEI Yanxia

（Guangzhou Power Supply Bureau Co.，Ltd，Guangzhou? 510620，China）

Abstract：This paper introduces the problems brought by the growth of power operation monitoring data to the operation of power system. On this basis，it expounds the general situation of operation monitoring system and the problems existing in the data processing of operation monitoring system. From the aspects of neural network，time series analysis，decision tree，association analysis，deviation detection and rough set technology，this paper analyzes the application of the intelligent analysis method for improving the power operation monitoring data，which has certain reference significance for the power grid enterprises to improve the enterprise benefit and realize the management innovation.

Keywords：electric power enterprise;operational monitoring data;intelligent analysis;big data

0? 引? 言

隨著信息化水平的不斷提高，電力行業(yè)的信息采集系統(tǒng)不斷擴張，使得電力企業(yè)在日常運營中累積了大量系統(tǒng)運行的實時數據信息[1]，其中包括信息監(jiān)控系統(tǒng)日常運行產生的負荷數據，繼電保護系統(tǒng)所產生的報警、隔離或切除信息，電力營銷系統(tǒng)中的客戶信息等。隨著時間的積累，這些數據信息已經具備一定的規(guī)模，甚至出現信息爆炸，不過這些數據信息也為電力企業(yè)挖掘信息對運營系統(tǒng)進行優(yōu)化提供了良好的數據基礎[2]。

然而，有時龐大的原始數據卻往往難以形成合適的有用信息。一方面，由于計算機網絡的資源有限，激增的數據導致計算資源快速地減少，數據管理變得復雜，也影響到系統(tǒng)的運行效率，造成沒有利用到有用的數據[3]。另一方面，由于傳統(tǒng)數據庫技術無法快速有效地處理龐大的數據，因此如果只利用聯(lián)機事務處理技術對數據進行簡單分析，用戶將無法達到從龐大的數據量中挖掘有效數據的高級目標。由此可以看出，激增的信息往往會成為數據挖掘的羈絆，造成無法有效地從龐大的原始數據中挖掘有效信息的局面。

此外，目前電力系統(tǒng)的巡視、維護、試驗、消缺、反措、項目管理等相關業(yè)務存在如下問題：核查追蹤數據量龐大、智能分析欠缺。針對這些問題，運營監(jiān)控系統(tǒng)需要借助數據挖掘技術，合理利用分類、估值、聚類、預測、關聯(lián)規(guī)則等技術，搭建追蹤算法，及時跟進異常數據，實現巡視、維護、試驗、消缺、反措、項目管理等各類電力生產業(yè)務執(zhí)行落實情況智能分析、異常自動識別和預警，快速而及時地落實業(yè)務管理以及核查追蹤，實現運營監(jiān)控自動化的管理提升和工作效率的提高。

因此，對電力運營監(jiān)控數據進行智能分析是電網企業(yè)提高企業(yè)效益、實現管理創(chuàng)新、實現信息系統(tǒng)由成本發(fā)生型向利潤生成型轉變、變數據資源為信息知識資源的必經之路[4]。

1? 運營監(jiān)控系統(tǒng)

1.1? 概述

運營監(jiān)控系統(tǒng)作為一項在全球管理領域的重大創(chuàng)新，因其可高效地管理企業(yè)的運作和適時地調整企業(yè)的政策，目前被廣泛應用于國內外大型企業(yè)，如美國郵政、法國電力、海爾集團等。其突出創(chuàng)新點總結如下：

運營監(jiān)控系統(tǒng)先針對企業(yè)的關鍵問題——企業(yè)戰(zhàn)略進行剖析，立下戰(zhàn)略目標，利用現代信息化技術監(jiān)控企業(yè)運營數據并及時分析數據，實現管理人員根據數據分析報告為公司戰(zhàn)略決策提供幫助的目的，持續(xù)促進無形形資產（數據）帶動有形資產。

南方電網作為世界五百強企業(yè)之一，運營監(jiān)控系統(tǒng)的建設也處于國內領先地位。該企業(yè)以完善城市配電網作為發(fā)展目標，將完成一個集信息收集處理于一體、自動化和交融性強的配網運行監(jiān)控系統(tǒng)，不斷提升對配網的監(jiān)控水平。為進行深度挖掘和高效應用配電網設備運行、配網停電、檢修和搶修等各類電網數據，該企業(yè)將利用大數據分析，實現基于計劃、故障、搶修、保電等系統(tǒng)功能。

將配電網運行薄弱環(huán)節(jié)列為關注重點，使用數據挖掘對實時及歷史數據進行分析并對歷史指標數據進行對比，分析得出低電壓、重過載、重復停電等配電網設備隱患點出現的原因，輔助支持配電網管理精細化的實現并保障配電網正常運行。

1.2? 運營監(jiān)控數據分析存在的問題

雖然數據采集速度和數據量隨著數據采集系統(tǒng)的升級不斷增長，但是如今的信息處理能力沒有隨之線性提升，信息處理速度尚有欠缺，所以需要對電力運營管理能力進行升級和提升，電力運營監(jiān)控數據分析存在的問題如下[5]：（1）電力數據數量多、種類繁多、價值密度低。電力系統(tǒng)作為一個縝密的系統(tǒng)，分布于系統(tǒng)的監(jiān)控設備無時無刻不在采集現場數據和調度中心產生的大量數據，如SCADA系統(tǒng)收集的中央數據以及管理信息系統(tǒng)（MIS）、地理信息系統(tǒng)（GIS）、高級量測系統(tǒng)（AMI）等產生的數據，其數據來源多而廣。（2）數據質量情況不一。電力系統(tǒng)中的監(jiān)控設備不能將數據中的噪聲完全濾掉，而且會由于采集設備無法覆蓋所有的采集點而出現采集缺失的情況，導致采集到的數據不理想，分析系統(tǒng)無法有效地從數據中提取到有用的信息。（3）實時性處理要求較高。如果系統(tǒng)出現緊急狀況甚至瓦解，監(jiān)控系統(tǒng)務必快速進行決策，使系統(tǒng)重回正軌。傳統(tǒng)數據庫和數據挖掘協(xié)助配合水平低下，導致大量計算資源被占用，無法及時快速地處理上述狀況。

因此，尋找適合電力運營監(jiān)控系統(tǒng)的數據優(yōu)化算法是重點考慮的問題。

2? 智能分析方法在運營監(jiān)控數據的應用

智能分析技術能從看似無序的海量數據中提取出隱藏的有用知識，借助數據庫的存儲能力，挖掘出數據本身的規(guī)律以及數據之間的耦合關系。為進一步提高運營管理水平和用戶服務水平，需要充分利用電力大數據，實現支撐未來電網發(fā)展的目標，并為政府決策提供支持。處理電力大數據的智能分析方法主要包括神經網絡、時間序列分析、決策樹、關聯(lián)分析、偏差檢測、粗糙集技術等。

2.1? 神經網絡

隨著機器學習的發(fā)展，人們越來越關注神經網絡。根據外界信息，神經網絡可以改變內部結構，在不同領域都展現出其強大的非線性近似函數分析的能力，是一種具備突出的自我學習能力的數學模型或計算模型[6]。

架空輸電線路頻繁跳閘的出現，制約了電力行業(yè)的發(fā)展，針對這個問題，可以利用先進的神經網絡能夠連續(xù)分析并處理龐大信息的能力，準確地將故障問題辨識出來，快速地通知檢修人員維護檢修。

全球電力系統(tǒng)已逐步向電力市場化并攏，而國內電力市場也緊跟這個大趨勢，改革正有序向前。在電力市場中，精確的電價預測對于售電者及買電者都至關重要。因此，恰當地使用神經網絡對地區(qū)、行業(yè)、用戶等歷史電價數據進行挖掘，用精準的模型描述電價變化規(guī)律，對于提高電力資源利用率、加強有序用電都具有重要意義。

2.2? 時間序列分析

時間序列分析將其他影響因素弱化，首先考慮時間因素的影響，挖掘自身時間因素的規(guī)律并考慮其他影響因素對預測的綜合作用，最后獲得預測結果[7]。在經典的時間序列分析中，應按以下步驟分析：（1）識別序列是否為平穩(wěn);（2）平穩(wěn)化非平穩(wěn)序列;（3）建立相應模型;（4）進行參數估計;（5）預測分析。

運營監(jiān)控數據中大多數都是時間序列，如負荷數據、電價數據、電力系統(tǒng)異常數據等，應用時間序列分析法對這類數據進行分析，可以挖掘時間相關性。分析運營監(jiān)控數據，首先需要對數據進行預處理，將噪聲濾掉，最后利用差分自回歸移動平均模型對檢測數據建模，擬合殘差序列分析辨識出異常數據。時間序列分析的應用提高了異常數據的辨識效率，有效地減少了工作量。

2.3? 決策樹

決策樹是一種監(jiān)督學習算法。它適用于分類和連續(xù)輸入和輸出變量。利用決策樹將從數據中提取出的特征空間適當地分成數個類別，然后再對同一類別的特征空間建模。決策樹的優(yōu)點是需要的數據量少，但處理大規(guī)模數據的效果也很好;既可以處理數值型數據也可以處理類別型數據。

對于經濟負荷分配，根據用戶的繳費信息和萬能電表數據，分析用戶的用電行為，收集負荷的特征，采用決策樹對歷史負荷數據進行分析并按類型進行分類，建立適應不同負荷模式的決策樹，利用數據挖掘預測負荷曲線，輔助電力市場管理[8]。

2.4? 關聯(lián)分析

關聯(lián)分析能夠快速挖掘并提取龐大數據中不同項之間的關系，查找出存在于項目集合或對象集合之間的關聯(lián)信息、因果關系等。電力系統(tǒng)中的數據存在很多關聯(lián)性和相關性，關聯(lián)分析作為一種快速簡單的分析技術，常被用于電力運營監(jiān)控系統(tǒng)。

為了更好地為不同客戶有針對性地服務并制定合適的營銷策略，分析和預測用戶用電行為變得越來越重要。按照電力用戶性質和營銷業(yè)務需要，可以利用聚類分析，將電力用戶分為六種類型：（1）大型專變用戶;（2）中小型專變用戶;（3）三相一般工商業(yè)用戶;（4）單相一般工商業(yè)用戶;（5）居民用戶;（6）公用配變考核計量點[9]。也可以利用聚類分析去建立用戶信用等級模型，將造成電費回收困難和欠費風險因素利用起來，利用信用等級模型提高電費回收水平，制定避免欠費的措施，為電費收繳和賬務管理提供便利。

2.5? 偏差檢測

根據經驗知識，去除異常數據的數據集比不剔除的具有更好的準確性。因此對于數據集中的異常數據，技術人員需要盡量將其剔除，避免其對預測結果造成影響。偏差檢測在識別異常數據方面表現出色，可以識別出不符合期望模式或數據集中其他項目的項目、事件或觀測值。

對于運營監(jiān)控數據中出現的異常，可以利用偏差檢測方法挖掘采集數據的異常信息，將采集數據與正常數據進行比較，發(fā)現異常馬上通知檢修人員[10]，及時的解決用電異常，提高電力檢修工作效率，有效地減少電力檢修工作量，為企業(yè)降低人工成本。

2.6? 粗糙集技術

為了發(fā)現隱藏的信息和挖掘隱含的規(guī)律，粗糙集技術可以利用子數據之間相等的關系對數據對象進行歸類，盡可能地保留基本知識，去除無用冗余的信息，對數據壓縮并再次提煉。粗糙集技術是一種知識簡約的技術，知識被認為是一種可以將數據進行分類[11]。常被應用于模式識別與分類和機器學習和數據挖掘。

由于粗糙集技術出色的分類能力，其常被應用于線損分析中。線損分析的數據龐大，包括各供電點和受電點的有功和無功的正/反向電能量數據以及供電網絡拓撲數據，粗糙集技術利用等價關系對這類數據進行分類，分為按電壓等級、分區(qū)域、分線、分臺區(qū)、分元件或按日、月固定周期或指定時間段等幾類，對不同類對象分別建模分析，統(tǒng)計分析線損。其分析結果為可以有效地降低線路損耗，為電力企業(yè)降低損耗支出和節(jié)約電能提供有力的數據支持。

3? 結? 論

現在電力企業(yè)擁有較為成熟的數據采集系統(tǒng)，傳統(tǒng)的數據庫技術分析難以從龐大數據量中提取到有用的信息。另外，目前對于運營監(jiān)控領域中巡視、維護、試驗、消缺、反措、項目管理等相關業(yè)務的智能分析水平低下。因此，急需搭建運營監(jiān)控智能分析系統(tǒng)。本文介紹了神經網絡、時間序列分析、決策樹、關聯(lián)分析、偏差檢測、粗糙集技術六種智能分析技術在運營監(jiān)控數據分析中的應用，致力于提升運營管理水平、提高用戶服務水平，對于提高電力系統(tǒng)海量數據的處理能力和處理效率也有著極為重要的現實意義。

參考文獻：

[1] 孫柏林.“大數據”技術及其在電力行業(yè)中的應用 [J].電氣時代，2013（8）：18-23.

[2] 米允龍，米春橋，劉文奇.海量數據挖掘過程相關技術研究進展 [J].計算機科學與探索，2015，9（6）：641-659.

[3] 董朝賢.大數據時代計算機信息處理技術分析 [J].計算機產品與流通，2019（2）：10-11.

[4] 戴彥，王劉旺，李媛，等.新一代人工智能在智能電網中的應用研究綜述 [J].電力建設，2018，39（10）：1-11.

[5] 劉毅.大數據時代下電力運營監(jiān)控數據處理 [J].科技創(chuàng)新導報，2018，15（32）：21-22.

[6] 王開林，胡昊，陳靖，等.一種基于BP神經網絡的電網負荷預測方法的設計 [J].電子世界，2019（17）：197-198.

[7] 任成國，肖兒良，簡獻忠，等.EMD-LSTM算法在短期電力負荷預測中的應用 [J].電力科學與工程，2019，35（8）：12-16.

[8] 李響，黎燦兵，曹一家，等.短期負荷預測的解耦決策樹新算法 [J].電力系統(tǒng)及其自動化學報，2013，25（3）：13-19.

[9] 羅飛鵬，金慧頌，任建.基于水電用量的異常用戶檢測方法的研究 [J].電力與能源，2015，36（3）：355-359.

[10] 趙天輝，王建學，馬龍濤，等.基于非參數回歸分析的工業(yè)負荷異常值識別與修正方法 [J].電力系統(tǒng)自動化，2017，41（18）：53-59.

[11] 束洪春，孫向飛，于繼來.粗糙集理論在電力系統(tǒng)中的應用 [J].電力系統(tǒng)自動化，2004（3）：90-95.

作者簡介：魏艷霞（1984-），女，漢族，甘肅白銀人，工程師，碩士，主要研究方向：企業(yè)運營監(jiān)控、變電運行。