]綜上所述，也就是說通過實時化afka)或定時（sqoop)采集?15，批1，10?，氣象信息 系統(tǒng)中的數(shù)據(jù)，按照數(shù)據(jù)類型和多樣計算需求將數(shù)據(jù)存儲在關(guān)系型數(shù)據(jù)庫（Mysql/ 化stgreSql)、分布式文件系統(tǒng)(皿FS)、非關(guān)系型數(shù)據(jù)庫化Base)中，通過流計算（storm)、批 量計算(MapReduce)、查詢計算化ive)技術(shù)實現(xiàn)數(shù)據(jù)的實時和離線計算，并通過數(shù)據(jù)建模和 數(shù)據(jù)挖掘組件實現(xiàn)數(shù)據(jù)的分析和挖掘，支撐"搶修實時分析"和"搶修效率分析"功能模塊的 應(yīng)用，總體架構(gòu)圖見附圖4。
[0036] 基于大數(shù)據(jù)技術(shù)的配網(wǎng)搶修精益化管理系統(tǒng)主要包括搶修實時分析和搶修效率 分析兩個功能模塊。其中，搶修實時分析模塊實現(xiàn)配網(wǎng)故障搶修實時分析、配網(wǎng)故障量日趨 勢監(jiān)測、當(dāng)前故障處理情況分析、供電公司工作強(qiáng)度分析、故障搶修過程跟蹤分析五個子功 能，搶修效率分析模塊實現(xiàn)全市故障搶修分析、各供電公司搶修效率分析、各供電公司搶 修達(dá)標(biāo)排名、搶修時長標(biāo)準(zhǔn)分析、駐點(diǎn)搶修效率分析、搶修明細(xì)工單分析六個子功能。功能 組成圖見附圖5。其中，搶修實時分析:實現(xiàn)對當(dāng)前上海全市的配網(wǎng)故障發(fā)生的實時情況進(jìn) 行監(jiān)測，并從故障數(shù)量實時分析、故障量日趨勢監(jiān)測、故障處理情況=個維度進(jìn)行詳細(xì)的剖 析和監(jiān)測，實時跟蹤故障搶修的整個過程，分析各區(qū)域駐點(diǎn)的工作強(qiáng)度。并通過隨機(jī)森林分 類預(yù)測算法，預(yù)測未來一天不同供電公司電網(wǎng)故障和非電網(wǎng)故障的故障數(shù)量，為搶修資源 調(diào)配提供建議;搶修效率分析:按照發(fā)生年月、故障分類、電壓等級、設(shè)備聚類、設(shè)備大類五 個維度實現(xiàn)對每月上海全市的非電網(wǎng)\電網(wǎng)\各電壓等級的配網(wǎng)搶修效率進(jìn)行分析，對上海 全市、各區(qū)域、駐點(diǎn)的效率進(jìn)行評估和分析。并通過聚類算法，W搶修過程重要節(jié)點(diǎn)時長為 目標(biāo)變量，氣象及交通流量等外部信息驗證模型結(jié)果，制定各類故障的搶修標(biāo)準(zhǔn)效率，對搶 修過程中超期的環(huán)節(jié)進(jìn)行預(yù)警，實現(xiàn)搶修過程中的全面監(jiān)督。
[0037] 上述方法是通過W下管理系統(tǒng)實現(xiàn)的：
[0038] 它包括數(shù)據(jù)源模塊，集成有包括故障搶修管理系統(tǒng)、生產(chǎn)管理系統(tǒng)、市調(diào)系統(tǒng)、氣 象信息系統(tǒng)中的一種或多種；
[0039] 數(shù)據(jù)整合模塊:與數(shù)據(jù)源模塊連接，融合kafka實時數(shù)據(jù)分布式消息隊列、sqoop離 線數(shù)據(jù)抽取技術(shù)；
[0040] 數(shù)據(jù)存儲模塊:與數(shù)據(jù)整合模塊連接，采用關(guān)系數(shù)數(shù)據(jù)庫、分布式文件系統(tǒng)、分布 式在線數(shù)據(jù)庫存儲技術(shù)；
[0041 ]數(shù)據(jù)計算模塊:與數(shù)據(jù)存儲模塊連接，提供批量計量、流計算、查詢計算數(shù)據(jù)處理 技術(shù)，并支撐S化查詢；
[0042] 數(shù)據(jù)分析模塊:與數(shù)據(jù)計算模塊連接，集成R語言和Mahout,形成分布式數(shù)據(jù)挖掘 算法庫，提供挖掘建模設(shè)計工具，構(gòu)建統(tǒng)一的分析建模能力和運(yùn)行引擎；
[0043] 場景展現(xiàn)模塊:與數(shù)據(jù)分析模塊連接，分為搶修實時分析模塊和故障搶修效率分 析模塊且兩個子模塊分別與數(shù)據(jù)分析模塊連接。
[0044] 較之現(xiàn)有技術(shù)而言，本發(fā)明的優(yōu)點(diǎn)在于:基于大數(shù)據(jù)技術(shù)的配網(wǎng)搶修精益化管理 系統(tǒng)通過kafka實時采集、storm流計算、MapReduce分布式并行等大數(shù)據(jù)技術(shù)實現(xiàn)了對實時 故障搶修數(shù)據(jù)和海量負(fù)荷數(shù)據(jù)的整合計算能力，有效提升了海量數(shù)據(jù)處理的實時性和高效 性。同時，通過數(shù)據(jù)挖掘技術(shù)構(gòu)建了故障量預(yù)測模型和搶修效率聚類模型，解決了傳統(tǒng)統(tǒng)計 分析假設(shè)判斷的局限性。其中，故障量預(yù)測模型可W預(yù)測未來一天各區(qū)域、不同電壓等級的 設(shè)備故障量可能發(fā)生的數(shù)量區(qū)間，預(yù)測精度可達(dá)到70% W上，相比業(yè)務(wù)部口過去開展的故 障事后分析，更加側(cè)重故障的事前預(yù)測預(yù)警工作，將業(yè)務(wù)部口過去開展的故障事后搶修工 作轉(zhuǎn)換為事前預(yù)安排，對業(yè)務(wù)部口合理安排班組工作人員和工作量具有重要的指導(dǎo)意義， 達(dá)到提升搶修效率的目的；搶修效率聚類模型通過聚類算法實現(xiàn)故障的細(xì)分，尋找多維度 下(如標(biāo)準(zhǔn)類型、設(shè)備大類、電壓等級、故障五級分類、設(shè)備聚類)不同搶修環(huán)節(jié)的標(biāo)準(zhǔn)用時， 與業(yè)務(wù)部口過去開展的均值統(tǒng)計時長方式相比，基于挖掘模型的聚類分析方式，能夠提升 搶修效率標(biāo)準(zhǔn)時長評估的科學(xué)性及合理性。
【附圖說明】
[0045] 圖1是本發(fā)明的搶修實時分析數(shù)據(jù)流轉(zhuǎn)圖。
[0046] 圖2是本發(fā)明的搶修效率分析數(shù)據(jù)流轉(zhuǎn)圖。
[0047] 圖3是本發(fā)明的隨機(jī)森林分類預(yù)測模型構(gòu)建過程圖。
[004引圖4是本發(fā)明的總體圖。
[0049] 圖5是本發(fā)明的功能組成圖。 圖6是本發(fā)明凝聚和分離的輪廓測量圖，其中(a)為模型概要，（b)為聚類質(zhì)量。
【具體實施方式】
[0050] 下面結(jié)合說明書附圖和實施例對本
【發(fā)明內(nèi)容】
進(jìn)行詳細(xì)說明：
[0051] 大數(shù)據(jù)平臺技術(shù)組件W集成成熟開源產(chǎn)品為主，并對現(xiàn)有可重用的SG-ERP組件進(jìn) 行提升改造，相關(guān)生產(chǎn)應(yīng)用可適時遷移至大數(shù)據(jù)平臺。平臺核屯、分布式存儲與計算組件采 用化doop技術(shù)體系中分布式存儲(HDFS、皿ase、化ve等）、分布式計算框架(MapReduce)，及 Storm等開源產(chǎn)品或技術(shù)，同時利用統(tǒng)一目錄、統(tǒng)一權(quán)限及大數(shù)據(jù)平臺實現(xiàn)完善的安全控制 和數(shù)據(jù)管理功能。本專利基于大數(shù)據(jù)處理技術(shù)，實現(xiàn)配網(wǎng)搶修精益化管理應(yīng)用。
[0052] 通過實時化afka)或定時（sqoop)采集PMS，TCM，IDP，氣象信息系統(tǒng)中的數(shù)據(jù)，按照 數(shù)據(jù)類型和多樣計算需求將數(shù)據(jù)存儲在關(guān)系型數(shù)據(jù)庫(Mysql/化stgreSql)、分布式文件系 統(tǒng)化DFS)、非關(guān)系型數(shù)據(jù)庫化Base)中，通過流計算（storm)、批量計算(MapReduce)、查詢計 算化ive)技術(shù)實現(xiàn)數(shù)據(jù)的實時和離線計算，并通過數(shù)據(jù)建模和數(shù)據(jù)挖掘組件實現(xiàn)數(shù)據(jù)的分 析和挖掘，支撐"搶修實時分析"和"搶修效率分析"功能模塊的應(yīng)用。
[0053] 1、基于大數(shù)據(jù)處理技術(shù)實現(xiàn)搶修實時分析場景，數(shù)據(jù)流轉(zhuǎn)圖見附圖1，具體流轉(zhuǎn)過 程如下：
[0054] 1)數(shù)據(jù)源將表搶修故障信息XN_T CM_RE P AI R_F AU L T、搶修過程信息XN_T CM_ REPAIR_PR0CESS數(shù)據(jù)推送至消息隊列；
[0055] 2)流計算從消息隊列中取數(shù)，執(zhí)行實時計算操作，生成區(qū)域故障統(tǒng)計結(jié)果、駐點(diǎn)故 障統(tǒng)計結(jié)果、班組故障統(tǒng)計結(jié)果、搶修故障信息表；
[0056] 3)流計算將計算結(jié)果（區(qū)域故障統(tǒng)計結(jié)果、駐點(diǎn)故障統(tǒng)計結(jié)果、班組故障統(tǒng)計結(jié) 果)實時寫回kafka;
[0057] 4)前端展現(xiàn)讀取kafka中的計算結(jié)果實時展示；
[005引5)流計算將生成的搶修故障信息表實時寫入POStgreS化；
[0059] 6)通過sqoop定期加載搶修故障信息XN_TCM_REPAIR_FAULT、搶修過程信息XN_ TCM_REPAIR_PR0CESS、班組信息表 XN_TCM_RES 抓 RCE_TEAM、屯日預(yù)測天氣信息 XN_WEA?ER_ 沈 VEN_F0RECAST、負(fù)荷測點(diǎn)信息 xn_hisdat_20****013 等數(shù)據(jù)至 hive;
[0060] 7)大數(shù)據(jù)平臺按月定時計算生成駐點(diǎn)平均搶修效率_過程表、班組平均搶修效率_ 過程表，按日定時計算生成區(qū)域最大最小負(fù)荷值_過程表和區(qū)域故障數(shù)量預(yù)測模型寬表， 按需計算生成電網(wǎng)標(biāo)準(zhǔn)時長模型寬表、非電網(wǎng)標(biāo)準(zhǔn)時長模型，并將區(qū)域故障數(shù)量預(yù)測模型 寬表、電網(wǎng)標(biāo)準(zhǔn)時長模型寬表、非電網(wǎng)標(biāo)準(zhǔn)時長模型寬表寫入POStgreS化；
[0061] 8)分析決策平臺從POStgreS化中讀取區(qū)域故障數(shù)量預(yù)測模型寬表、電網(wǎng)標(biāo)準(zhǔn)時長 模型寬表、非電網(wǎng)標(biāo)準(zhǔn)時長模型寬表，運(yùn)用聚類模型生成區(qū)域故障數(shù)量預(yù)測模型輸出表、 DM_EQU_FAULTJXUSTER_RESULT、DM_EQU_FAULTJXUSTER_RESULT，并寫回POStgreS化；同時 根據(jù)挖掘結(jié)果和模型寬表，生成非電網(wǎng)標(biāo)準(zhǔn)時長輸出表和電網(wǎng)標(biāo)準(zhǔn)時長輸出表，并寫回 化StgreS化中。
[0062] 9)前端展現(xiàn)定時讀取postgreSQ中的計算結(jié)果進(jìn)行展示；
[0063] 2、基于大數(shù)據(jù)處理技術(shù)實現(xiàn)搶修效率分析場景，數(shù)據(jù)流轉(zhuǎn)圖見附圖2,具體流轉(zhuǎn)過 程如下：
[0064] 1)通過大數(shù)據(jù)平臺從數(shù)據(jù)源加載歷史數(shù)據(jù)表(XN_TCM_REPAIR_FAULT、XN_TCM_ REPAIR_PROCESS、XN_TCM_RESOURCE_TEAM、XN_WEAT 肥 R_WVEN_FORECAST)至h i ve;
[0065] 2)大數(shù)據(jù)平臺按月定時計算生成工單達(dá)標(biāo)情況分析展現(xiàn)表、搶修故障信息表、搶 修未達(dá)標(biāo)歸因分析表、全市故障搶修分析展現(xiàn)表、駐點(diǎn)故障搶修分析展現(xiàn)表，按需計算生成 電網(wǎng)標(biāo)準(zhǔn)時長模型寬表、非電網(wǎng)標(biāo)準(zhǔn)時長模型寬表，并將計算結(jié)果寫入