数据分析技术对电力行业信息化数据的应用思路

《数据分析技术对电力行业信息化数据的应用思路》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、数据分析技术对电力行业信息化数据的应用思路在物联X、云计算、移动互联X、电子商务、社交媒体等基于X络的信息技术的快速发展和广泛应用的作用下，全球的信息数据量呈现出指数增长的趋势，IDC《数字宇宙》(DigitalUniverse)111在2014年的研究报告中指出，全球的数据总量按照每年40°%的幅度增长，即每两年翻一番，在这个速度下，到2020年时全球数据总量将可以达到4.4ZB(即4.4万亿GB)。在这样的环境下，各种信息应用数据的迅速产生和积累也促使着企业的信息化加速进入大数据阶段，其中，虽然有

2、2/3的数据创建自个人，但各企业仍须对85%的数据负有各种相关责任。传统信息系统对数据的创建和使用的依据仅建立在业务流程和业务模型的基础上，实现底层业务关系数据的增删查改基础操作，而对海量数据、对不同类型和范畴数据的价值提取却存在不少的缺陷。与之相比，基于数学分析理论的数据分析技术侧重于海量数据处理，跳出传统信息系统的形式约束，可对已收集到的数据进行进_步统计分析和挖掘，从而获取这些数据更深层的意义或规律，更深入发掘数据背后的隐藏价值，能进一步提高信息利用率，提高数据效益。如今，传统信息系统已逐渐无法

3、满足对大数据的处理需求，中国的互联X、政府、金融、通讯等行业和企业都在逐步深入和逐步拓展对大数据和数据分析技术的应用，从结构化数据到半结构化、非结构化数据，以充分挖掘各行业数据的表层及潜在或隐藏的价值。同样，近年来，随着电力行业的信息化不断推广和深入，诸如电力营销管理、营配信息集成、GIS、资产管理等大型、复杂业务系统的建设和广泛投运，使得各层面的电X单位均面临着对诸如电费详单、用户分布、业务峰谷、服务器性能、存储数据等方面的巨大数据量的处理和管理上的难题，加之相对于金融、通讯等行业，电力行业的业务和

4、用户数据的变化性和多样性较低，在价值提取方面更具难度，需要寻求适应企业自身需求的数据分析技术对这些数据进行更有效的统计、挖掘或预测。1电力行业信息系统现状和数据分析需求一般情况下，基于信息系统的各项业务均存在峰谷分布特性，即在某_时段会集中发生大量业务操作，此时用户访问量大、操作数多、服务器资源消耗高、X络带宽占用大、数据库读写频繁;反之，在另一时段则是业务低谷期，此时很少外部用户访问业务系统，可分配服务器的一部分计算资源进行数据整理或备份操作。应用系统层面上，根据电力营销系统的历史业务记录，可以看出

5、，在用户缴费方面，本地供电局每月的用户缴费行为大体上集中出现在当月的第一周之后因此供电局需在用户缴费前完成大量的电费计算、核查和发行操作以确保用户可以顺利完成缴费。服务器运维层面上，服务器计算资源的消耗与应用系统业务使用量成正相关关系，业务繁忙程度越高，服务器出现资源异常的可能性就越大，所以保障服务器正常运转的需求也越高。以电力营销系统为例，其系统架构总体上采用客户机一负载均衡设备一应用服务器一数据库集群一存储设备的结构建设，其中数据库的IO、日志文件同步等指标可在一定程度上反映出当前业务量情况所示为

6、某月各工作日对数据库3个性能指标的执行等待时间统计，可以看出，从该月第二周开始逐步出现一定程度的数值升高，此处反映该时段内集中出现的客户缴费行为，引起数据库读写量和事务量上升，从而增加了事务的等待时间。另外，服务器硬件发生故障的概率虽然大体上随着设备使用时长的增长而提高，但某些情况也会存在一定的偶然性和突发性。当在业务过程中出现硬件故障，尤其是在业务高峰期，会出现较为严重的影响，这也要求运维人员对业务高峰有一定的估测能力以及对设备故障有足够快的响应速度。综上，不论是面向客户的行业主营业务，还是内部的服

7、务器性能消耗和信息系统曰常使用，各项数据都在各方面存在一定的规律性特点或互相关联的因素，这不仅对上述的业务量或服务器性能统计来说如此，对行业内的各类具体数据同样适用。然而，目前对这些数据的利用往往只停留在表层的增删查改操作上，并不能很好地抽象出其中的特征或模式，造成信息利用率的下降。电力行业的数据具有数据量大、类型多、价值高的特点，对控制管理和企业盈利的影响甚多，有专家分析称，数据利用率每提高10°%,电X的利润则可提高20°%~49°%。为了适应大数据的逐步普及、适应企业的改革与转型、满足新阶段对信

8、息技术的要求，亟需寻求合适的技术充分利用这些数据，实现对变化趋势的预测和拓展企业核心能力、提高企业经济效益的目的。2数据分析技术在电力行业的应用常用的数据分析方法包括聚类分析、相关分析、回归分析等涉及统计学和概率论的理论，目前市面常用的数据分析软件有SPSS、Stata、SAS、R、Matlab等系统，分别适用于不同专业程度的应用场景。如今各行业已开始探索和采用这些技术来处理与行业自身相关的各项数据，例如对根据时间和话费等指标分析移动通信客户的消费行为[