呂風(fēng)磊，胡鵬飛，王銀忠，王燕，陳曉琳，車文學(xué)

(國(guó)網(wǎng)山東省電力公司東營(yíng)供電公司，山東 東營(yíng) 257091)

目前電網(wǎng)停電計(jì)劃制定的主要流程為：檢修單位根據(jù)設(shè)備運(yùn)行狀態(tài)，報(bào)送檢修初步計(jì)劃，運(yùn)維檢修部依據(jù)各個(gè)工區(qū)工期安排、工作地點(diǎn)等因素開展人工分析，制定停電計(jì)劃預(yù)安排報(bào)送調(diào)度，調(diào)度組織計(jì)劃平衡會(huì)，人工統(tǒng)籌考慮停電計(jì)劃協(xié)調(diào)、電網(wǎng)安全約束等多方面因素，最終發(fā)布停電計(jì)劃[1-2]。

整個(gè)流程中計(jì)劃人員人工統(tǒng)籌工作量大，特別是當(dāng)計(jì)劃發(fā)生臨時(shí)調(diào)整、追加工作多、停電窗口稀缺時(shí)，人工分析耗時(shí)耗力；當(dāng)前面臨著高速、高鐵等民生工程相關(guān)停電工作時(shí)間要求較高，設(shè)備調(diào)度計(jì)劃統(tǒng)籌協(xié)調(diào)性要求提高，人工編制的計(jì)劃往往只是可行計(jì)劃，不是最優(yōu)計(jì)劃，停電計(jì)劃智能化編制急需解決；隨著客戶對(duì)用電可靠性要求的提高，各種停電檢修計(jì)劃的約束條件將不斷增多，提升計(jì)劃智能化排定水平迫在眉睫。在能源互聯(lián)網(wǎng)發(fā)展的背景下[3-6]，當(dāng)前電網(wǎng)數(shù)據(jù)中規(guī)模龐大的負(fù)荷信息中蘊(yùn)含著一定的變化規(guī)律，本文借助大數(shù)據(jù)[7-10]分析工具，探索系統(tǒng)主動(dòng)學(xué)習(xí)和大數(shù)據(jù)挖掘技術(shù)[11-13]，將負(fù)荷信息納入計(jì)劃考量因素，運(yùn)用向量自回歸、聚類算法分析負(fù)荷波動(dòng)規(guī)律，基于Python編程實(shí)現(xiàn)檢修基本信息“一鍵”輸入、停電計(jì)劃“一鍵”輸出的功能，構(gòu)建基于負(fù)荷信息的停電計(jì)劃輔助決策模塊，進(jìn)一步優(yōu)化停電計(jì)劃安排的合理性、全面性，實(shí)現(xiàn)停電檢修流程的數(shù)字化智能提升。

1 總體架構(gòu)

基于檢修提報(bào)的初步計(jì)劃、歷史負(fù)荷信息、N-1歷史校核數(shù)據(jù)，針對(duì)當(dāng)前數(shù)據(jù)挖掘淺、人工分析慢，通過(guò)大數(shù)據(jù)挖掘技術(shù)的預(yù)測(cè)、分類等功能，借助時(shí)間序列算法預(yù)測(cè)檢修計(jì)劃時(shí)間內(nèi)負(fù)載波動(dòng)情況，利用聚類分析對(duì)負(fù)荷分布進(jìn)行算法歸類并確定權(quán)重分配，進(jìn)而結(jié)合檢修工期安排、安全性校核、工作承載力等要求，實(shí)現(xiàn)停電計(jì)劃的自動(dòng)編制及發(fā)布展示，達(dá)到停電檢修設(shè)備基本信息“一鍵”輸入、停電計(jì)劃“一鍵”輸出的效果，實(shí)現(xiàn)滾動(dòng)修訂年度、追加、月度、臨時(shí)停電計(jì)劃的功能，輔助開展停電計(jì)劃批量自動(dòng)安全校核和后分析，為制定停電計(jì)劃工作提供智能輔助決策。

本文引入電網(wǎng)中的歷史負(fù)載率、安全校核歷史數(shù)據(jù)，利用負(fù)荷預(yù)測(cè)、聚類分析模塊評(píng)價(jià)未來(lái)時(shí)段不同線路的權(quán)重值，運(yùn)用關(guān)聯(lián)性分析計(jì)算線路的關(guān)聯(lián)性關(guān)系，通過(guò)N-1校核分析線路越限情況，將三個(gè)模塊輸出的負(fù)載率權(quán)重、線路關(guān)聯(lián)性關(guān)系、越限統(tǒng)計(jì)數(shù)與檢修初始文本中的優(yōu)先級(jí)、承載力、預(yù)安排時(shí)間作為考量因素輸入優(yōu)化編制模塊中，經(jīng)過(guò)算法優(yōu)化得到停電檢修計(jì)劃發(fā)布版。

為實(shí)現(xiàn)上述功能，總體架構(gòu)可分為四部分：基礎(chǔ)數(shù)據(jù)讀取(初步檢修計(jì)劃、負(fù)荷數(shù)據(jù)、安全校核歷史數(shù)據(jù))、算法分析(負(fù)荷預(yù)測(cè)、聚類分析、關(guān)聯(lián)性分析、N-1校核)、優(yōu)化編制模塊(自動(dòng)校核)、計(jì)劃產(chǎn)品發(fā)布，產(chǎn)品流程簡(jiǎn)圖如圖1所示 。

圖1 整體架構(gòu)圖Fig.1 Overall architecture

2 基礎(chǔ)數(shù)據(jù)

電力基礎(chǔ)數(shù)據(jù)應(yīng)用涉及電網(wǎng)企業(yè)各業(yè)務(wù)方向，典型應(yīng)用場(chǎng)景包括規(guī)劃、建設(shè)、運(yùn)行、檢修、營(yíng)銷、運(yùn)監(jiān)、企管、服務(wù)等方向。在規(guī)劃方面，通過(guò)應(yīng)用用電大數(shù)據(jù)，提高中長(zhǎng)期負(fù)荷預(yù)測(cè)的準(zhǔn)確度，指導(dǎo)電網(wǎng)規(guī)劃。在運(yùn)行方面，通過(guò)應(yīng)用用電大數(shù)據(jù)，提高短期和日前負(fù)荷預(yù)測(cè)的準(zhǔn)確度，指導(dǎo)調(diào)度計(jì)劃的制定；通過(guò)應(yīng)用電網(wǎng)運(yùn)行大數(shù)據(jù)，優(yōu)化電網(wǎng)運(yùn)行方式；通過(guò)應(yīng)用新能源發(fā)電大數(shù)據(jù)，提高新能源發(fā)電預(yù)測(cè)水平，提升電網(wǎng)消納新能源發(fā)電的能力。在營(yíng)銷方面，應(yīng)用用電大數(shù)據(jù)，刻畫電力客戶用電行為特征，優(yōu)化客戶管理策略。在服務(wù)方面，應(yīng)用用電大數(shù)據(jù)，為政府部門提供產(chǎn)業(yè)轉(zhuǎn)移、產(chǎn)業(yè)發(fā)展、房屋空置率等社會(huì)經(jīng)濟(jì)指標(biāo)；應(yīng)用客服大數(shù)據(jù)，對(duì)熱點(diǎn)問(wèn)題的資源進(jìn)行優(yōu)化配置。

基于負(fù)荷信息的停電計(jì)劃輔助決策模塊第一部分基礎(chǔ)數(shù)據(jù)分為：檢修提報(bào)初步計(jì)劃信息、2020年某地區(qū)歷史負(fù)荷數(shù)據(jù)、某地區(qū)N-1校核歷史數(shù)據(jù)，其中檢修提報(bào)的初步計(jì)劃數(shù)據(jù)主要包含施工優(yōu)先級(jí)、承載力、施工開始結(jié)束日期等因素；2020年負(fù)荷數(shù)據(jù)為電網(wǎng)調(diào)度控制系統(tǒng)采集的電網(wǎng)設(shè)備日負(fù)荷信息及拓?fù)淠Ｐ偷南嚓P(guān)ID等數(shù)據(jù)；某地區(qū)N-1校核歷史數(shù)據(jù)為電網(wǎng)仿真模型中N-1掃描的歷史數(shù)據(jù)。負(fù)荷數(shù)據(jù)如表1所示。

表1 負(fù)荷信息數(shù)據(jù)Tab.1 Load information data

抽取這些特征是數(shù)據(jù)挖掘的一個(gè)至關(guān)重要的階段，而特征提取階段通常與數(shù)據(jù)清洗階段并行進(jìn)行，以便估計(jì)或校正丟失的數(shù)據(jù)以及錯(cuò)誤的數(shù)據(jù)。初步計(jì)劃信息、2020年某地區(qū)歷史負(fù)荷數(shù)據(jù)、某地區(qū)N-1校核歷史數(shù)據(jù)三類基礎(chǔ)數(shù)據(jù)，其格式往往不適合直接進(jìn)行處理，需把基礎(chǔ)數(shù)據(jù)轉(zhuǎn)化為對(duì)數(shù)據(jù)挖掘算法較為合適的格式。采用數(shù)據(jù)過(guò)濾、數(shù)據(jù)清洗、數(shù)據(jù)識(shí)別等手段將上述三類數(shù)據(jù)轉(zhuǎn)化成多維數(shù)據(jù)、時(shí)序數(shù)據(jù)或者半結(jié)構(gòu)化數(shù)據(jù)等。

3 算法分析

本文決策模塊第二部分算法分析，將已有數(shù)據(jù)直接轉(zhuǎn)化成一個(gè)標(biāo)準(zhǔn)的數(shù)據(jù)挖掘問(wèn)題，轉(zhuǎn)化成關(guān)聯(lián)模式挖掘、聚類、分類以及異常檢測(cè)這四個(gè)典型問(wèn)題中的某一個(gè)，這四類問(wèn)題具有很廣泛的覆蓋性，可以構(gòu)成數(shù)據(jù)挖掘任務(wù)的基本模塊，而大多數(shù)應(yīng)用都能由這些作為基本模塊的組件拼搭實(shí)現(xiàn)。利用大數(shù)據(jù)向量自回歸、聚類分析等技術(shù)，對(duì)基礎(chǔ)數(shù)據(jù)進(jìn)行深度挖掘，分別輸出負(fù)荷權(quán)重Q、線路關(guān)聯(lián)性R、N-1越限數(shù)L。

3.1 負(fù)荷權(quán)重

該部分引入2020年負(fù)荷歷史數(shù)據(jù)，經(jīng)過(guò)向量自回歸負(fù)荷預(yù)測(cè)、聚類分析輸出2021年負(fù)荷的權(quán)重值，衡量負(fù)載輕重及持續(xù)水平。

按照預(yù)測(cè)周期的不同，電力負(fù)荷預(yù)測(cè)可劃分為短期、中期和長(zhǎng)期預(yù)測(cè)。短期負(fù)荷預(yù)測(cè)(short-term load forcast, STLF)包含未來(lái)幾分鐘、一小時(shí)、一天、一周的負(fù)荷預(yù)測(cè)，用于經(jīng)濟(jì)調(diào)度和電力系統(tǒng)的安全評(píng)估，確保電網(wǎng)安全、經(jīng)濟(jì)、穩(wěn)定的運(yùn)行。中期負(fù)荷預(yù)測(cè)(medium-trem load forcast, MTLF)是指月至年的負(fù)荷預(yù)測(cè)，它是確定機(jī)組能夠穩(wěn)定運(yùn)行的主要依據(jù)。準(zhǔn)確的MTLF能夠使需求和發(fā)電平衡，并影響成本采購(gòu)的策略，同時(shí)也促進(jìn)了經(jīng)濟(jì)增長(zhǎng)。長(zhǎng)期負(fù)荷預(yù)測(cè)(long-trem load forcast, LTLF)是指未來(lái)幾年或幾十年的負(fù)荷預(yù)測(cè)，主要是電網(wǎng)改造和擴(kuò)建的遠(yuǎn)景規(guī)劃。

目前，負(fù)荷預(yù)測(cè)有許多方法，可分為傳統(tǒng)的經(jīng)典方法和人工智能方法兩大類。對(duì)于傳統(tǒng)方法，是基于統(tǒng)計(jì)理論的時(shí)間序列模型，如回歸模型、平滑技術(shù)和自回歸移動(dòng)平均(autoregression moving average, ARMA)模型等。這些算法在一些數(shù)據(jù)集上易于實(shí)現(xiàn)，但是與復(fù)雜度更高的機(jī)器學(xué)習(xí)算法相比，它們的預(yù)測(cè)精度通常較低，機(jī)器學(xué)習(xí)算法可以提供更高的精度和更強(qiáng)的學(xué)習(xí)能力。負(fù)荷預(yù)測(cè)[14-19]常用的機(jī)器學(xué)習(xí)方法有神經(jīng)網(wǎng)絡(luò)、時(shí)間序列分析等方法，本文針對(duì)中長(zhǎng)期時(shí)間尺度采用向量自回歸時(shí)間序列分析方法。

3.1.1 向量自回歸算法

向量自回歸(vector auto-regression，VAR)模型[20]，簡(jiǎn)稱VAR模型，是計(jì)量經(jīng)濟(jì)中的常用的一種時(shí)間序列分析模型，該模型是用所有當(dāng)期變量對(duì)所有變量的若干滯后變量進(jìn)行回歸。VAR模型用來(lái)估計(jì)聯(lián)合內(nèi)生變量的動(dòng)態(tài)關(guān)系，而不帶有任何事先約束條件。VAR模型是AR模型的推廣，可同時(shí)回歸分析多個(gè)內(nèi)生變量，即同時(shí)構(gòu)建多個(gè)時(shí)間序列回歸方程。

對(duì)2020年?yáng)|營(yíng)地區(qū)線路負(fù)荷采用向量自回歸時(shí)間序列預(yù)測(cè)方法，預(yù)測(cè)2021年線路負(fù)荷情況。將2020年負(fù)荷信息作為初始數(shù)據(jù)，利用ID進(jìn)行數(shù)據(jù)連接，篩選出東營(yíng)地區(qū)設(shè)備信息數(shù)據(jù)，結(jié)合天氣信息以及限產(chǎn)信息，進(jìn)行數(shù)據(jù)整合，作為輸入數(shù)據(jù)。

針對(duì)多元時(shí)間序列數(shù)據(jù)，向量自回歸模型采用了一種更為靈活的時(shí)序建模策略：給定多元時(shí)間序列數(shù)據(jù)為Y∈RN*T,則對(duì)于任意第t個(gè)時(shí)間間隔存在如下的線性表達(dá)式：

(1)

其中，Ak∈RN*N，k=1，2，3，……，d表示向量自回歸模型的系數(shù)矩陣；εt可視為高斯噪聲。利用向量自回歸算法得到2021年負(fù)荷預(yù)測(cè)數(shù)據(jù)YT。

3.1.2 聚類分析算法

聚類分析(clustering analysis, CA)提供了樣本集在非監(jiān)督模式下的類別劃分，聚類的基本思想是“物以類聚、人以群分”，將大量數(shù)據(jù)集中相似的數(shù)據(jù)樣本區(qū)分出來(lái)，并發(fā)現(xiàn)不同類的特征。聚類模型可以建立在無(wú)類標(biāo)記的數(shù)據(jù)上，是一種非監(jiān)督的學(xué)習(xí)算法。聚類根據(jù)數(shù)據(jù)自身的距離或相似度將他們劃分為若干組，劃分原則是組內(nèi)樣本最小化而組間距離最大化。利用聚類分析的特點(diǎn)，將負(fù)荷預(yù)測(cè)模塊輸出的2021年負(fù)荷預(yù)測(cè)信息Yt作為輸入數(shù)據(jù)，通過(guò)聚類分類和幅值計(jì)算整合計(jì)算線路負(fù)荷的權(quán)重值Q，衡量線路負(fù)荷輕重及持續(xù)水平。

首先，結(jié)合常見(jiàn)的線路及負(fù)荷變化曲線，以一天24小時(shí)為觀察周期，可以歸納出8類典型波動(dòng)曲線(如圖2所示)，并且波動(dòng)型、雙峰平緩型、雙峰陡峭型、單峰平緩型、單峰陡峭型、夜間型、白天型、穩(wěn)定型8類曲線波動(dòng)性依次減小。利用曲線波動(dòng)型的差別，結(jié)合K-means聚類算法，將數(shù)據(jù)通過(guò)標(biāo)準(zhǔn)化處理(標(biāo)準(zhǔn)化處理方式為原數(shù)據(jù)與均值的差除以標(biāo)準(zhǔn)差)，對(duì)2021年負(fù)荷預(yù)測(cè)曲線開展的波動(dòng)率聚類[21-24]分析，實(shí)現(xiàn)數(shù)據(jù)波動(dòng)性分類。過(guò)程步驟如下：

(1)首先，從數(shù)據(jù)中隨機(jī)選擇8個(gè)樣本作為初始聚類中心[λ1,λ2,λ3,……,λ8]；

(2)計(jì)算剩余樣本到聚類中心的歐氏距離，并將其分配到最近的聚類中心，形成8個(gè)簇，距離的度量公式如公式(2)給出，

(2)

式中n表示空間的維數(shù)；ak和bk分別是a和b的第k個(gè)屬性；

(3)通過(guò)距離度量方法更新聚類中心，更新為隸屬該簇的全部樣本的均值；

(4)重復(fù)步驟(2)和(3)，直到算法收斂為止，最終得到每個(gè)設(shè)備的波動(dòng)性分類J。

圖2 負(fù)荷曲線圖Fig.2 Load curves

其次，在波動(dòng)率分析的同時(shí)，使用2021年負(fù)荷預(yù)測(cè)信息YT，開展負(fù)荷幅值分布分析，將線路每天96個(gè)數(shù)據(jù)點(diǎn)相加求均值，通過(guò)G衡量負(fù)荷均值水平，

(3)

將負(fù)荷均值G和波動(dòng)性J相乘得到線路負(fù)荷權(quán)重Q。使用組合數(shù)據(jù)加權(quán)得到負(fù)荷的權(quán)重值，用于統(tǒng)計(jì)分析負(fù)荷變動(dòng)綜合特性，權(quán)數(shù)大小反映了負(fù)荷輕重及波動(dòng)程度，權(quán)數(shù)大的負(fù)荷重、波動(dòng)大。

3.2 關(guān)聯(lián)性關(guān)系和N-1越限數(shù)

將2020年歷史負(fù)荷分布和2021年檢修計(jì)劃表進(jìn)行數(shù)據(jù)連接，選出典型日，計(jì)算典型日內(nèi)負(fù)荷波動(dòng)間的關(guān)聯(lián)性關(guān)系[25-26](假設(shè)每個(gè)影響因素與目標(biāo)之間是線性關(guān)系，利用數(shù)理統(tǒng)計(jì)中回歸分析，來(lái)確定兩種或兩種以上變量間相互依賴的定量關(guān)系的一種統(tǒng)計(jì)方法)，采用關(guān)聯(lián)性系數(shù)分析方法，將高于系數(shù)閾值(結(jié)合系數(shù)統(tǒng)計(jì)及歷史經(jīng)驗(yàn)定為0.7)線路建立關(guān)聯(lián)性關(guān)系表，相關(guān)性高表示盡量不要同時(shí)停電檢修。隨機(jī)變量X、Y的相關(guān)系數(shù)為

(4)

其中，cov(X,Y)表示X,Y方差，σ(X)σ(Y)表示X,Y的標(biāo)準(zhǔn)差。

形成的相關(guān)性矩陣為：

(5)

接下來(lái)處理N-1越限數(shù)。電力系統(tǒng)中N-1原則：判斷電力系統(tǒng)安全性的一種準(zhǔn)則，電力系統(tǒng)的N個(gè)元件中任一種獨(dú)立元件(發(fā)電機(jī)、輸電線路、變壓器等)發(fā)生故障而被切除后，應(yīng)不造成因其他線路過(guò)負(fù)荷跳閘而導(dǎo)致用戶停電，不破壞系統(tǒng)的穩(wěn)定性，不出現(xiàn)電壓崩潰等事故。從調(diào)控云中導(dǎo)出線路N-1校核故障集信息文本，運(yùn)用數(shù)據(jù)集成中分詞方法、數(shù)據(jù)清理中缺失值處理方法、數(shù)據(jù)歸納中屬性過(guò)濾方法、數(shù)據(jù)變換中數(shù)據(jù)連接手段分析N-1安全校核歷史數(shù)據(jù)，建立線路越限信息表，通過(guò)越限次數(shù)判斷線路實(shí)施檢修的合理性。

L=[α1,α2,……,αn]

(6)

αn為0表示不存在越限情況，為1代表存在越限。

4 優(yōu)化編制和計(jì)劃發(fā)布

綜合上述模塊計(jì)算輸出到的負(fù)荷權(quán)重、N-1越限表、關(guān)聯(lián)性關(guān)系表以及初步檢修計(jì)劃排定的優(yōu)先級(jí)、承載力等因素，使用Python編程算法按照下面流程，優(yōu)化計(jì)劃排定：

1)優(yōu)先級(jí)為0，則檢修日期直接排定；

2)優(yōu)先級(jí)不為0，按時(shí)間段內(nèi)負(fù)荷權(quán)重排序，選取權(quán)重最低的日期安排檢修；

3)計(jì)算安排日內(nèi)N-1是否越限，若有，選定權(quán)重最優(yōu)日；

4)計(jì)算安排日期的承載力分析，如承載力已滿，更換次優(yōu)日，循環(huán)；

5)判斷安排日期是否有關(guān)聯(lián)性線路，若有，更換次優(yōu)日，循環(huán)；

6)符合流程條件，排定安排日期，計(jì)算日期承載力；

7)輸出計(jì)劃。

最終，通過(guò)基礎(chǔ)數(shù)據(jù)讀取、算法分析模塊、優(yōu)化編制模塊數(shù)據(jù)整合輸出計(jì)劃發(fā)布表，模型結(jié)構(gòu)詳見(jiàn)圖3。整個(gè)架構(gòu)充分利用Python的可擴(kuò)展、可移植、易維護(hù)的特點(diǎn)，有條不紊地通過(guò)將其分離為多個(gè)文件或模塊加以組織管理，結(jié)構(gòu)簡(jiǎn)單、語(yǔ)法清晰，為后續(xù)功能應(yīng)用的升級(jí)打下堅(jiān)實(shí)的基礎(chǔ)。

本文引入網(wǎng)上電網(wǎng)中的歷史負(fù)荷、安全校核歷史數(shù)據(jù)，利用負(fù)荷預(yù)測(cè)、聚類分析[27-31]模塊評(píng)價(jià)未來(lái)時(shí)段不同線路的權(quán)重值，運(yùn)用關(guān)聯(lián)性分析計(jì)算線路的關(guān)聯(lián)性關(guān)系，通過(guò)N-1校核分析線路越限情況，將三個(gè)模塊輸出的負(fù)荷權(quán)重、線路關(guān)聯(lián)性關(guān)系、越限統(tǒng)計(jì)數(shù)與檢修初始文本中的優(yōu)先級(jí)、承載力、預(yù)安排時(shí)間作為考量因素輸入優(yōu)化編制模塊中，經(jīng)過(guò)算法優(yōu)化得到停電檢修計(jì)劃發(fā)布版。決策模塊實(shí)現(xiàn)了檢修設(shè)備基本信息“一鍵”輸入、停電計(jì)劃“一鍵”輸出的功能，具有“全、快、簡(jiǎn)”的效用。

全：全面分析計(jì)劃編制的因素點(diǎn)；

快：運(yùn)用大數(shù)據(jù)算法模型，計(jì)算快速實(shí)用；

簡(jiǎn)：自動(dòng)優(yōu)化編排，簡(jiǎn)化計(jì)劃制定流。

另一方面，實(shí)現(xiàn)了停電計(jì)劃適時(shí)調(diào)整、快速響應(yīng)、批量處理的功能，如遇非計(jì)劃停運(yùn)或臨時(shí)變更，只需調(diào)整輸入信息，滾動(dòng)修訂年度、追加、月度、臨時(shí)停電計(jì)劃，能夠根據(jù)不同的思路調(diào)節(jié)檢修安排停電優(yōu)先級(jí)、工期等信息，跟蹤管控，強(qiáng)化停電計(jì)劃編制合理性、可執(zhí)行性，對(duì)停電計(jì)劃進(jìn)行批量自動(dòng)安全校核，智能化給出調(diào)整策略，實(shí)現(xiàn)停電計(jì)劃后分析功能。

圖3 模型結(jié)構(gòu)圖Fig.3 Structural drawing of method model

5 結(jié)論

基于負(fù)荷信息的停電計(jì)劃輔助決策模塊可通過(guò)可視化進(jìn)行展示，在停電計(jì)劃校核安排等工作中高頻使用，按每月使用至少25天、每天使用軟件功能至少20次計(jì)算，年使用天數(shù)超300天，年使用頻次超6000次。避免大量重復(fù)的人工分析，減少不必要的溝通協(xié)商環(huán)節(jié)，提升停電計(jì)劃的編制合理性、高效性。

模塊可減少人工獲取相關(guān)信息、分析電網(wǎng)方式、校核檢修計(jì)劃可行性、優(yōu)化計(jì)劃安排等人工工作量，在每個(gè)檢修計(jì)劃校核、審批與安排過(guò)程中，平均能夠縮短20分鐘的工作時(shí)間，按年使用頻次6000次計(jì)算，可節(jié)省2000人小時(shí)的工作量，節(jié)約大量人工成本。

模塊實(shí)現(xiàn)了停電計(jì)劃適時(shí)調(diào)整、快速響應(yīng)、批量處理的功能，如遇非計(jì)劃停運(yùn)或臨時(shí)變更，只需調(diào)整輸入信息，滾動(dòng)修訂年度、追加、月度、臨時(shí)停電計(jì)劃，能夠根據(jù)不同的思路調(diào)節(jié)檢修安排停電優(yōu)先級(jí)、工期等信息，跟蹤管控，強(qiáng)化停電計(jì)劃編制合理性、可執(zhí)行性，對(duì)停電計(jì)劃進(jìn)行批量自動(dòng)安全校核，智能化給出調(diào)整策略，實(shí)現(xiàn)停電計(jì)劃后分析功能。可擴(kuò)展性強(qiáng)，未來(lái)可引入客戶反饋信息等系統(tǒng)數(shù)據(jù)，為用戶提供供電參考、全壽命周期管理，實(shí)現(xiàn)輸入輸出數(shù)據(jù)全方位擴(kuò)展，為計(jì)劃制定提供多維度支撐。

電力大數(shù)據(jù)與經(jīng)濟(jì)、社會(huì)存在廣泛緊密的聯(lián)系，電力大數(shù)據(jù)的價(jià)值不僅體現(xiàn)在電力行業(yè)內(nèi)部，更體現(xiàn)在國(guó)民經(jīng)濟(jì)運(yùn)行、社會(huì)進(jìn)步及各行業(yè)創(chuàng)新發(fā)展等多個(gè)方面。隨著能源互聯(lián)網(wǎng)的建設(shè)，電力行業(yè)積累的海量數(shù)據(jù)，將為社會(huì)發(fā)展提供強(qiáng)大的動(dòng)力支撐。