電網(wǎng)企業(yè)數(shù)據(jù)人工智能中臺設計

佟芳，林鑫，王婷，馬文珍，王忠花

(國網(wǎng)青海信通公司，青海 西寧 810000)

截至2020年12月，根據(jù)國家電網(wǎng)發(fā)布統(tǒng)計數(shù)據(jù)，國家電網(wǎng)累計接入各類智能移動電表應用終端逾7.3億臺，其中值得一提的是，隨著智能電動汽車行業(yè)的快速發(fā)展，車聯(lián)網(wǎng)的接入智能充電樁終端接入總數(shù)達到42萬個。企業(yè)提供了約186萬個就業(yè)崗位，徹底解決了約12億人口的用電計量問題?，F(xiàn)擁有的城市供電指揮中心達到336家[1]。雖然國家電網(wǎng)的體量已經(jīng)非常龐大，但是各個部門之間的數(shù)據(jù)共享卻沒有真正建立起鏈接，繼而導致國家電網(wǎng)在工作效率和工作質(zhì)量上不能發(fā)揮其體量的優(yōu)勢?，F(xiàn)階段，國家電網(wǎng)的目標是需要將信息進行集中，對過量的信息進行集中處理和篩選，將有價值的信息甄別并及時共享出來，讓數(shù)據(jù)的交互能力達到最大化[2]。因此，電網(wǎng)需要建設人工智能的數(shù)據(jù)中臺，來實現(xiàn)數(shù)據(jù)的智能化交互。

通過建立人工智能AI，可實現(xiàn)人工智能的統(tǒng)一管理，包含人工智能業(yè)務需求、人工智能模型統(tǒng)一管理、人工智能應用統(tǒng)一執(zhí)行等。在此過程中，橫向打通內(nèi)外網(wǎng)的壁壘，實現(xiàn)算法、樣本、模型以及應用的共享，縱向實現(xiàn)與總部模型和樣本的交互[3]。通過智慧監(jiān)測大廳、應用統(tǒng)一視頻系統(tǒng)接入各營業(yè)廳、變電站、公司的實時視頻數(shù)據(jù)，應用AI的智能算法和模型對營業(yè)廳的營業(yè)員的著裝、變電站的煙火、智慧工地的人員安全帽、人員跌倒等異常情況進行自動識別并告警。在外網(wǎng)應用百度的人工智能平臺，通過集中視頻智能識別以及邊緣計算技術，支撐能源大數(shù)據(jù)中心的人工智能應用，提升光伏電站的智能運營管理水平。應用部署在電站的監(jiān)控攝像頭，應用智能算法，對電站人員車輛違規(guī)進入等情況進行智能識別并預警，預警信息實時傳回總部集控中心，協(xié)助值班人員進行電廠的實時監(jiān)測[4]。

1 電網(wǎng)企業(yè)數(shù)據(jù)人工智能中臺設計

1.1 設計人工智能中臺整體架構

設計電網(wǎng)企業(yè)數(shù)據(jù)人工智能中臺(data middle platform)的主要目的是解決當前電商體系存在的高耗低效問題，通過將不同企業(yè)具體業(yè)務類型的匯總，以業(yè)務沉淀的方式實現(xiàn)各企業(yè)業(yè)務部門的共享。本文提出的數(shù)據(jù)中臺架構由下至上分為5個層次。其中，數(shù)據(jù)接入層和數(shù)據(jù)治理層屬于后端，數(shù)據(jù)模型層和通用分析模型層屬于中端，數(shù)據(jù)服務層屬于前端[5]。圖1為電網(wǎng)企業(yè)數(shù)據(jù)人工智能中臺整體結構示意圖。

圖1 電網(wǎng)企業(yè)數(shù)據(jù)人工智能中臺整體結構示意圖Fig.1 Overall structure diagram of data artificial intelligence platform of power grid enterprises

從圖1可以看出，對于電網(wǎng)企業(yè)數(shù)據(jù)人工智能中臺而言，后端連接的阿里云平臺相當于該架構當中的服務層，其主要功能是實現(xiàn)對CPU的處理以及對內(nèi)存、存儲等基本計算資源的處理。中間層的主要作用是支撐上層結構中各項功能的充分調(diào)用。同時，中間層也是該架構當中最重要的核心結構，在其實際應用中能夠為用戶中心、商品中心以及交易中心提供更加優(yōu)質(zhì)的業(yè)務服務[6]。與傳統(tǒng)建設方式不同之處在于，本文構建的人工智能中臺整體架構前端各項業(yè)務在實際應用的過程中并不是在阿里云平臺上單獨設立的。

1.2 人工智能中臺設計技術

(1)數(shù)據(jù)接入層。這一層主要采用人工智能的大數(shù)據(jù)采集方式，如ETL中的核心技術采用Kettle，而FTP則主要使用Git-FTP，是建立在Socket Rocket上的實時數(shù)據(jù)采集。

(2)數(shù)據(jù)治理層。使用Apache Atlas。

(3)數(shù)據(jù)模型層和通用分析模型層。在這兩層，主要涉及計算存儲和數(shù)據(jù)建模兩個方面，在計算存儲中，在線計算以Flink技術為主，而離線計算則是采用Map Reduce[7]。數(shù)據(jù)的存儲主要依賴分布式數(shù)據(jù)庫H base和時序數(shù)據(jù)庫Timescale DB。數(shù)據(jù)建模方面，采用“敏捷數(shù)據(jù)建模平臺M+”。

(4)數(shù)據(jù)服務層。數(shù)據(jù)服務的發(fā)布主要依賴于現(xiàn)有成熟技術Spring Cloud，但是數(shù)據(jù)服務目錄是需要進行自研的[8]。

(5)應用層。在應用層，最主要就是人機交互界面和預警警報裝置，人機交互界面采用Tableau，預警裝置采用Bosun，可視化大屏則以較為普通的SLCD技術作為支撐[9]。

1.3 對于關鍵技術的驗證

出于電力安全的考慮，電網(wǎng)人工智能中臺必須保障數(shù)據(jù)建設的有序推進。因此，對于關鍵技術需要依次進行“設計驗證”、“試點建設”、“推廣建設”三個主要階段。

首先是設計驗證階段。這一階段需要完成人工智能中臺的主數(shù)據(jù)標準的建設，開展多樣化的頻道報表，數(shù)字化審計的應用等，實現(xiàn)人工智能平臺數(shù)據(jù)分析中心數(shù)據(jù)實驗室建設。

其次是試點建設階段。這一階段是完善數(shù)據(jù)資源中心的階段，數(shù)據(jù)地圖和主數(shù)據(jù)是主要完善目標，同時需要對設備的實時狀態(tài)進行檢測。

最后，在基本建設成功電網(wǎng)企業(yè)數(shù)據(jù)人工智能中臺后，是推廣建設階段。這一階段需要保證統(tǒng)計報表自動編制率達到100%，實現(xiàn)中臺數(shù)據(jù)的業(yè)務化，進而實現(xiàn)對企業(yè)前端業(yè)務的反饋。

1.4 基于人工智能數(shù)據(jù)中臺營配優(yōu)化模型

在上述人工智能中臺整體架構的基礎上，對電網(wǎng)企業(yè)售電業(yè)務區(qū)域進行劃分，引入領域驅動思想，構建一個高內(nèi)聚低耦合的售電業(yè)務子域[10]。由于領域驅動能夠更加有效地從電網(wǎng)企業(yè)售電業(yè)務的角度出發(fā)，實現(xiàn)對業(yè)務更加系統(tǒng)化的拆分，因此通過這種方式劃分的電網(wǎng)企業(yè)售電業(yè)務區(qū)域具有更高的企業(yè)密度。在具體實施時，首先，明確在售電過程中需要解決的業(yè)務問題，即電力銷售與用電服務的利潤最大化；其次，針對核心問題域，選擇售電業(yè)務的場景，進行業(yè)務流程活動分析[11]。根據(jù)上述操作，以高壓新裝售電業(yè)務為例，得出如表1所示的售電業(yè)務區(qū)域。

表1 高壓新裝售電業(yè)務區(qū)域劃分Tab.1 Regional division of high voltage newly installed power sales business

在實際操作中，針對不同售電業(yè)務的不同環(huán)節(jié)差異，可在當中實現(xiàn)對業(yè)務區(qū)域的增加或合并，以此確保整個售電業(yè)務流程的完整性。要點如下。

(1)設計營配貫通總體架構。電網(wǎng)企業(yè)營銷領域、配電領域系統(tǒng)間存在壁壘，而數(shù)據(jù)人工智能中臺可以實現(xiàn)人與設備、設備與設備之間的聯(lián)系，實現(xiàn)故障自動分析、自動定位，停電信息推送以及搶修可視化的狀況。

(2)完善營配數(shù)據(jù)模型?；趪译娋W(wǎng)的SG-CIM4.0標準，實現(xiàn)資產(chǎn)完善、用戶營配模型。

(3)建立移動作業(yè)核查機制。以人工智能中臺為依托，實現(xiàn)現(xiàn)場維護數(shù)據(jù)的坐標、臺賬等實現(xiàn)實時的采錄。

(4)支撐營配協(xié)同應用場景。這也是實現(xiàn)營配協(xié)同最重要的一步，這一部分需要實現(xiàn)多場景營配協(xié)同應用。

第一是供電服務指揮。這一部分需要根據(jù)已有的客戶數(shù)據(jù)狀況，通過對客戶的習慣和環(huán)境等各個因素的綜合分析，在結合大數(shù)據(jù)的基礎上，由人工智能中臺進行自主數(shù)據(jù)篩選辨析，實現(xiàn)對于電網(wǎng)故障的預判和搶修。

第二是對于同期線損分析。這一部分是需要以“站-線-變-戶”的拓撲關系，以智能中臺分析大數(shù)據(jù)自動計算同期線損，同時結合現(xiàn)場查驗上傳數(shù)據(jù)，進而對線損、電表故障、竊電等狀況實現(xiàn)檢測分析。

第三是對業(yè)擴報裝管控。這一部分是對于電網(wǎng)企業(yè)各個系統(tǒng)的綜合銜接，數(shù)據(jù)人工中臺作為數(shù)據(jù)處理中心，統(tǒng)籌分析了營銷系統(tǒng)、運檢系統(tǒng)、基建系統(tǒng)等，實現(xiàn)了客戶的需求和項目的實際需求直接對接轉化，對電網(wǎng)建設的各個階段實現(xiàn)監(jiān)測。

第四是停電分析到戶。用電戶是電網(wǎng)建設的末端，也是組成營配一張最基礎的節(jié)點。因此，客戶的用電體驗才是人工智能中臺最重要的建設方向。人工智能中臺需要完整的分析停電信息，實現(xiàn)停電用戶信息的綜合整理，再通過微信、短信息等社交方式將停電信息通知到客戶，最終達到提升客戶用戶體驗的功效。

第五則是建立用電用戶客戶畫像。人工智能中臺可以根據(jù)客戶用電狀況、時間、峰谷值等等用電信息，建立起一個客戶評價模型，可以實現(xiàn)能效評估、風險評估等等功能。這些就是客戶的標簽，而人工智能中臺就可以依據(jù)這些標簽實現(xiàn)優(yōu)質(zhì)服務和精準營銷。

圖2 人工智能中臺營配優(yōu)化模型Fig.2 Platform operation and distribution optimization model in artificial intelligence

1.5 實現(xiàn)業(yè)務數(shù)據(jù)共享

電網(wǎng)企業(yè)數(shù)據(jù)人工智能中臺的功能還應當包括對各類電力業(yè)務數(shù)據(jù)的共享，為保障電網(wǎng)企業(yè)的數(shù)據(jù)安全，本文采用非對稱加密技術的數(shù)據(jù)共享傳輸方式。電力業(yè)務數(shù)據(jù)共享渠道與用戶界面層相對應，在二者連接上引入非對稱加密機制[12]。傳輸?shù)膬?nèi)容主要包括來自Web的資源文件以及針對界面進行控制的控件，例如JSP、JS等，其主要功能是為了進一步完善對外的展示界面，將更加豐富的電力信息資源向用電用戶展示。為進一步實現(xiàn)中臺對用戶發(fā)出的各項命令的有效執(zhí)行，將業(yè)務應用與應用層進行對接，對需要實現(xiàn)的各項執(zhí)行任務進行定義，并完成對相關指令的發(fā)送、調(diào)度和驗證等功能[13]。除此之外，針對基礎設施層中的電力業(yè)務數(shù)據(jù)共享，應當由基礎設施層向其他層提供可通用的數(shù)據(jù)處理技術，包括對電力業(yè)務數(shù)據(jù)的傳遞技術、持久化數(shù)據(jù)傳輸機制等。因此，通過上述各個中臺層次的連接，實現(xiàn)各項業(yè)務數(shù)據(jù)的共享，提高中臺可用性。

在Spring Cloud框架的基礎上，本次設計擬構建一個數(shù)據(jù)窗口。該數(shù)據(jù)窗口實現(xiàn)人工智能對外的數(shù)據(jù)服務，其中包含以下五個主要組件：“數(shù)據(jù)服務開發(fā)組件”、“數(shù)據(jù)服務發(fā)布組件”、“數(shù)據(jù)服務目錄組件”、“數(shù)據(jù)服務路由組件”、“訪問日志與數(shù)據(jù)服務監(jiān)控組件”[14]。

1.6 數(shù)據(jù)中臺應用

建設電網(wǎng)企業(yè)人工智能數(shù)據(jù)中臺是生產(chǎn)力不斷進步的需求，人工智能數(shù)據(jù)中臺的建立可以很大提升企業(yè)內(nèi)部管理，提升企業(yè)對于數(shù)據(jù)的分析能力，在建立良好的大數(shù)據(jù)分析的基礎上，可以提升企業(yè)創(chuàng)新能力，從而最終擴大企業(yè)的市場[15]。

下面通過“電網(wǎng)企業(yè)客戶大數(shù)據(jù)征信狀況”為例，進行人工改智能數(shù)據(jù)服務的演示，該征信狀況的核心評判標準是電費和電量，同時包含欠費、繳費等關鍵指標。在對企業(yè)用電的變化量進行數(shù)據(jù)采集和分析，進而分析出用電企業(yè)在一定時間內(nèi)的經(jīng)營發(fā)展狀況。實施步驟如下。

(1)建立相關指標體系。構建五大一級指標、 22 個二級指標的指標體系，以繳納費用的能力和意愿作為最核心的評判指標[16]，最終構成一個完整“電網(wǎng)企業(yè)客戶大數(shù)據(jù)征信”指標體系。

(2)根據(jù)指標體系，系統(tǒng)智能地篩選數(shù)據(jù)目錄中的相關數(shù)據(jù)信息，將數(shù)據(jù)整合打包，上傳至上層平臺，予以分析處理。

(3)在M+ 平臺接收到數(shù)據(jù)包之后，根據(jù)相關指標體系，對各個指標進行重要性評估，然后根據(jù)權重進行歸類整理。同時，依據(jù)相關的指標制定合適的評分細則[17]。在“敏捷性數(shù)據(jù)平臺M+”模型下，通過缺失值處理、異常值檢測、分箱技術組件，將各個指標進行相應的分箱，將數(shù)據(jù)對應進各個分箱中，從而計算出數(shù)據(jù)密度，根據(jù)數(shù)據(jù)密度的狀況，給出合理的評分規(guī)則。

(4)最后則是發(fā)布電網(wǎng)數(shù)據(jù)征信。依舊是利用數(shù)據(jù)平臺，將信用的評級模型進行發(fā)布，利用“數(shù)據(jù)檢查”“文字檢查”和“詳查”三種端口，提供數(shù)據(jù)模型服務[18]。

2 實驗論證分析

為進一步驗證本文上述提出的電網(wǎng)企業(yè)數(shù)據(jù)人工智能中臺在實際應用中是否能夠有效幫助電網(wǎng)企業(yè)完成更加高品質(zhì)的服務。本文將上述構建的電網(wǎng)企業(yè)數(shù)據(jù)人工智能中臺與傳統(tǒng)基于事件驅動的同時應用到同一電網(wǎng)企業(yè)當中，并開展如下對比實驗。

電網(wǎng)企業(yè)能否實現(xiàn)可持續(xù)發(fā)展，主要取決于其業(yè)務數(shù)據(jù)的存儲、傳輸是否安全[19]。因此，本文將數(shù)據(jù)存儲安全性作為實驗的評價指標，通過對兩種中臺中各項業(yè)務數(shù)據(jù)的安全系數(shù)計算，實現(xiàn)對其量化分析。電網(wǎng)企業(yè)業(yè)務數(shù)據(jù)安全系數(shù)計算公式為[20]：

(1)

公式(1)中，δ表示為電網(wǎng)企業(yè)業(yè)務數(shù)據(jù)安全系數(shù)，M0表示為中臺中存儲、傳輸過程中產(chǎn)生的業(yè)務數(shù)據(jù)總量，γ表示為惡意節(jié)點數(shù)量，M表示為輸出的業(yè)務數(shù)據(jù)總量。根據(jù)上述公式，分別在兩個中臺環(huán)境當中引入10000MB業(yè)務數(shù)據(jù)，并隨機引入10個惡意節(jié)點數(shù)據(jù)[21]。對比兩個中臺在其充分的運行條件下，業(yè)務數(shù)據(jù)的安全系數(shù)，并繪制成表2所示。

表2 兩種實驗結果對比表Tab.2 Comparison of two kinds of bench test results

從表2得出的實驗結果可以看出，本文中臺中業(yè)務數(shù)據(jù)的安全系數(shù)更高，而傳統(tǒng)安全系數(shù)較低，并且隨著業(yè)務數(shù)據(jù)量的增加，安全系數(shù)呈現(xiàn)出明顯的降低趨勢。因此，通過對比實驗證明，本文提出的電網(wǎng)企業(yè)數(shù)據(jù)人工智能中臺在實際應用中能夠有效提高電網(wǎng)企業(yè)數(shù)據(jù)的安全性。

3 電網(wǎng)數(shù)據(jù)人工智能中臺模型更新與升級

在實驗論證分析可行之后，對人工智能中臺各層的物理模型進行部署，在部署完后，對數(shù)據(jù)進行抽取、轉換、整合和加載，最終實現(xiàn)各類數(shù)據(jù)的綜合應用分析。但是數(shù)據(jù)中臺處于一個不斷迭代和完善的階段，隨著核心SG-CIM的不斷革新，人工智能中臺就必然面臨著全面的更新和升級[22-23]。

人工智能中臺的升級必然伴隨著的物理數(shù)據(jù)表的變化，而數(shù)據(jù)表一旦處于更新狀態(tài)，現(xiàn)有的ETL配置就需要跟隨物理數(shù)據(jù)表進行重構。如此大的變更過程會導致數(shù)據(jù)處理的延遲，進而影響整個中臺對各個系統(tǒng)的數(shù)據(jù)反饋[24]。因此，對于人工智能模型的升級的方法需要慎之又慎。

目前數(shù)據(jù)中臺的升級擬采用三種方法，第一是整表刪除重建法。這種方法是在更新數(shù)據(jù)之前，將舊表中需要更新的數(shù)據(jù)全部刪除，然后建立同名表進行取代，在修改ETL配置后進行數(shù)據(jù)的抽取轉換[25]。第二是創(chuàng)建中間表法。這個方法是在不破壞舊有模型表的情況下，創(chuàng)建一個中間表，在配置ETL時指向這個中間表[26]。而對于舊有數(shù)據(jù)的刪除和處理則是中臺系統(tǒng)數(shù)據(jù)分析的間隙進行，隨后將中間表改為原數(shù)據(jù)表名稱，修改完ETL配置后快速實現(xiàn)數(shù)據(jù)分析功能運行[27]，第三是在線修改表結構，直接通過SQL語句修改表結構，然后對歷史更改數(shù)據(jù)進行逐條維護。

圖3 中間表模型升級過程Fig.3 Intermediate table model upgrade process

在綜合試用中，整表刪除法是最為簡單的，并且性能也是較高的。但是，其對數(shù)據(jù)表的修改也最大，造成較長時間的數(shù)據(jù)裝載，進而對人工智能中臺數(shù)據(jù)處理產(chǎn)生影響[28]。因此這種升級方法適用于中臺建立初期和電網(wǎng)信息處理低峰階段，可以最為可靠地保障模型更新的準確性。而創(chuàng)建中間表法較為復雜，需要進行兩次的ETL的配置更改，其最大的優(yōu)點是對人工智能中臺的數(shù)據(jù)分析能力的影響忽略不計[29-30]，因此可以選擇在凌晨等時間進行模型切換。在線修改表法最為復雜，也最容易出現(xiàn)問題，很容易對原有的數(shù)據(jù)表產(chǎn)生偏差修改，并且是逐條維護，效率較低，但是適用于系統(tǒng)高峰期緊急升級維護。

因此，數(shù)據(jù)中臺模型的升級和更新會對中臺的數(shù)據(jù)處理能力造成很大的影響，三種方法各有優(yōu)缺點，在合理的場景使用合理的方法最為重要。

4 結束語

本文中提出數(shù)據(jù)人工智能中臺利用云環(huán)境中的大數(shù)據(jù)人工智能分析工具對數(shù)據(jù)進行再加工，這些數(shù)據(jù)包括關系型對象型的模型、實時、歷史和記錄數(shù)據(jù)的綜合業(yè)務系統(tǒng)源數(shù)據(jù)。電網(wǎng)企業(yè)人工智能中臺的構建是以阿里云平臺為核心基礎，以服務的形式發(fā)布增量數(shù)據(jù)，實現(xiàn)電網(wǎng)企業(yè)既有業(yè)務數(shù)據(jù)的沉淀和更迭，促進數(shù)據(jù)資源的數(shù)量和價值有序增長,實現(xiàn)電網(wǎng)企業(yè)數(shù)據(jù)安全發(fā)展，為電網(wǎng)企業(yè)建設人工智能中臺分析建模和數(shù)據(jù)的挖掘提供合理的參考。