配电网故障抢修是配电网运行的重要工作，科学高效的抢修管理和实施方法对提高配电网供电可靠性和配电网服务质量意义重大。传统电力抢修模式主要依靠电话来传递信息，存在大量的人工沟通环节，业务流程不连贯，效率低。引入了处理大数据的数据挖掘技术提高了对配电网抢修驻点优化模型分析的效率。通过对配电网抢修点和抢修态进行综合分析与定位，对电网故障发生时间和故障位置的准确快速判断，实现合理有效调配抢修资源，从而提高配电网故障抢修工作的服务质量和效率。

　　引言

　　配电网故障抢修效率与人们的生活质量息息相关，直接影响供电可靠率，间接影响到经济效率和社会稳定。而提高电力公司配电网抢修的效率，就是需要采用高效的派单方式，从而减少中间的信息传递流程，确保每张工单都能够及时派发出去，并准确传达到维修人员手中。

　　国内常用的配电网抢修模式为传统电力抢修模式和电力移动抢修模式。传统电力抢修模式主要依靠电话来传递信息，存在大量的人工沟通环节，业务流程不连贯，效率低。此外，部分抢修负责单位不能对实际的抢修过程进行有效的监控，无法对抢修人员的工作情况进行规范化管理。电力移动抢修模式是在传统电力抢修模式的基础上，采用分组无线业务的新型电力抢修系统。所有抢修人员直接通过移动手持终端就可以实时进行抢修取单和填单等业务操作，大幅减少了电力抢修过程中人工沟通环节，提高了电力抢修的工作效率。电力移动抢修模式相对传统电力抢修模式，工作流程的连贯性和效率都较高，同时移动抢修系统界面直观，便于操作。

　　上海首先建立了智能化故障抢修管理(troublecallmanagement，TCM)系统。TCM系统是国内首套全面投入实际应用的智能化故障抢修管理系统，该系统可处理来源于 95598、SCADA、调度登记的故障，覆盖全电压等级。但是，目前TCM系统还存在一些不足之处，需要加强对抢修驻点、抢修车辆、抢修人员、抢修工单发放的优化设计，在管理上实现标准化管理，加强抢修现场的管控能力，提高抢修服务质量。

　　1、配电网抢修管理系统

　　配电网抢修管理系统TCM以PMS、CMS为基础，可处理来源于95598、SCADA、调度登记的故障，覆盖全电压等级。该系统能够有效减少故障报修的冗余信息，减少故障重复确认次数，提高了抢修资源使用效率，同时也实现了抢修工作的全过程信息面向用户、现场作业及指挥人员，各级管理及决策人员共享与透明的目标，TCM系统框架见图1。

　　为了减少抢修过程中工单重复和操作资源浪费，并实时跟踪抢修进度、及时反馈故障信息，利用TCM故障抢修平台，基于大数据处理技术，本文进行了配电网故障抢修流程和配电网抢修驻点优化布置方法的研究。

　　图1TCM系统框架

　　2、大数据分析技术及应用

　　2.1大数据的应用

　　20 世纪90年代，随着计算机技术全面融入社会生活，数据信息大发展的时代到来了，互联网上的数据每年增长50%，每两年翻一番，“大数据”时代的来临，对各个行业及企业都有着重要意义。电力行业的大数据时代正处于关键时期，电力信息对电力企业的决策运营起到越来越大的作用。随着智能变电站系统、现场移动检修系统、测控一体化系统、GIS、智能表计等的建设，以往数据类型的单一及缓慢增长逐渐变为复杂及异构数据发展的时代。目前，大数据正在成为电力行业关注的课题方向。2013年3月中国电机工程学会信息化专委会发布了《中国电力大数据发展白皮书》，文中阐述了电力大数据的特征，将会给社会带来的价值和在电力行业中的发展前景以及在发展过程中面临的技术挑战。

　　电力大数据是指通过传感器、智能设备、视频监控设备、音频通信设备、移动终端等各种信息获取渠道收集到的，海量的，结构化、半结构化、非结构化的，且相互间存在关联关系的业务数据集合。电力大数据的特性可概括为3“V”、3“E”。其中，3“V”是体量大(volume)、类型多(variety)、速度快(velocity);3“E”即为数据即能量(energy)、数据即交互 (exchange)、数据即共情(empathy)，归纳为数据量、多样化、速度、价值4个方面。

　　电力大数据的应用着重表现在以下方面：

　　1)在发电领域，电力大数据可协助电网调度预测用电负荷、合理安排发电计划、优化电网运行方式、更多地促进对间歇式可再生能源的消纳;

　　2)在输电领域，电力大数据可合理安排电力设备检修并对电网运行设备电能损耗进行分析，最大程度降低网损;

　　3)在配电领域，电力大数据能突破传统运维的工作模式，对配电网抢修和驻点设计进行优化配置，提高配电网运维的工作效率;

　　4)在用电领域，电力大数据能对电力用户的用电特性进行分析，设计电力营销策略、错峰用电、节能减排。

　　2.2大数据分析技术

　　本文参考云计算技术体系结构，结合配电网抢修驻点优化问题的实际情况，搭建以分析计算为主的配电网抢修大数据管理和决策平台，基本架构见图2，分为应用层、计算层和数据管理层。其中，应用层主要是为企业各部门对配电网抢修驻点配置决策起辅助决策;计算层主要是通过数学优化算法对配电网抢修驻点优化问题进行计算;数据管理层主要是通过数据采集接口实时采集有效数据并进行实时存储和管理。

　　图2基于大数据的配电网抢修驻点优化系统架构

　　3、算例分析

　　以城市供电区的两个区的配电网故障抢修驻点配置优化为例进行分析。A区域为城市中心区;B区域为城市郊区。A区域和B区域的抢修资源配置数量见表1。

　　优化过程可以分别对不同的区域进行，现在对该区驻点经行优化。该区现有12个驻点，为了便于展示，选取其中6个驻点，以2014年7月的400个故障点作为样本数据，进行驻点位置的优化。所选6个驻点的位置见图3。

　　图3A区域现有抢修驻点位置

　　3.1A区域驻点配置优化

　　已知：①A区现有的6个驻点和400个非电力故障点，驻点和故障点的城市坐标。②故障发生时间段，天气是否恶劣(大雪、暴雨等)，所在地区(市区或郊区)。在此例中只考虑了道路、天气、时间这3个因素。优化目标：寻找6个新驻点，使得6个新驻点比6个旧驻点到达400个故障点的平均时间短。

　　建模过程：

　　步骤1：分析影响驻点到达故障点时间的因素的重要性，即给每个因素一个权重来表示其对到达时间的影响程度。考虑到道路因素：若故障点发生在市区，其权重为 w10;若发生在郊区，权重为w11。通过道路因素可将所有故障点分为2个集合B0和1，B0中故障都发生在市区，B1中故障都发生在郊区。w10的取值等于400个故障点中发生在市区的故障点所占的比例，w11=1-w10。考虑到天气因素：若故障发生时天气恶劣(有大雪或者暴雨)，其权重为w20;天气良好时，权重为w21。通过天气因素将所有故障点分为2个集合C0和C1，C0中故障发生时天气恶劣，C1中故障发生时天气良好。w20的取值等于 400个故障点中发生大雨或大雪天气时的故障点所占的比例，w21=1-w20。考虑到时间因素：若故障发生在上下班高峰时段，其权重为w30;其他时段时，权重为31。通过时间因素将所有故障点分为2个集合D0和D1，D0中故障发生在上下班高峰时段;D1中故障发生在其他时段。w30的取值等于400 个故障点中发生在上下班高峰时段的故障点所占的比例，w30=1-w30。所以每个故障点的权重有3个来源：道路、天气、时间段，记为k=0或1。

　　步骤2：6个驻点将400个故障点分成6份。

　　步骤3：每一份中的每个故障点到达对应驻点的加权距离要比到达其他驻点的加权距离小。

　　步骤4：6个驻点的位置要使得所有故障点达到其对应驻点的加权距离总和最小。

　　1)优化前。

　　将现有的6个实际驻点分布和400个故障点分布放入一张图中，模拟分布见图4，红色点是400个故障点，绿色点是现有的6个驻点。