从“智能电网”说起，谈谈电力行业的大数据治理实践

 中国企业数据治理联盟（www.chinaedg.com/）

 进入》主数据管理       企业数据治理        信息资源规划        数据安全管理

  一、

  大数据治理，让“智能电网”变得更智能

  近几年，“智能电网”已成为电力行业的高频关键词，各电力企业都加快了信息化建设的步伐。国家电网通过“SG186”和“SG-ERP”工程的实施，初步建成了一体化的信息系统，但随着电力业务数据的不断暴增，未来智能电网在信息采集、海量存储、实时监测和智能分析方面会有更高的要求。

  智能电网要求覆盖到全部用户，采集全部用电信息，全面控制电费，实时监管线损消耗等，除此之外，电力企业还需要结合客户需求，开发出个性化的电力消费产品和服务产品，这些都离不开数据的支撑。

  与其他行业相比，电力行业的数据来源非常广，不仅涉及到电网本身业务运营和经营管理的数据，还涉及到从电压、电流、信号处理等各种传感器采集过来的IOT数据，另外还有大量与分布式电源、居民用户相关的外部数据，若这些数据得不到有效整合，数据质量得不到提升，电力企业信息共享和智能决策等工作的开展将会受到制约，大数据治理作为解决数据问题的关键措施，逐渐成为电力企业关注的焦点。

  二、

  电力行业大数据治理的三个关键步骤

  说到电力行业的大数据治理，先要讲一下SG-CIM这个模型，SG-CIM（公共信息模型）是电力行业中一个最具影响力的模型，它为电力系统的建模和信息交互建立了统一的规范，下图是SG-CIM模型中部分与变压器相关的内容，可以帮助大家更好地理解SG-CIM模型。

  SG-CIM模型使得电力系统之间的数据交换变得有标准可依，从SG-CIM模型入手开展电力行业的大数据治理建设，成为一条可用途径。因此，电力行业的大数据治理，可以从采集、管理、服务化三个阶段入手。

 （一）

  自动采集各类数据资产信息

  理想情况下，电力企业的数据模型都应该是参考着SG-CIM模型来设计的，但是因为缺少统一的管理工具，电力企业无法知道SG-CIM模型的实际落地情况，也不清楚数据在哪里，数据之前的关系和数据的流向，数据治理无从着手。要想管理好数据，首先需要获取到企业的全部数据信息，实现业务元数据、技术元数据、SG-CIM模型元数据的全面采集和存储，在摸清数据现状的情况下才能有效开展数据资产管理相关建设。

  在电力系统数据量成倍增长、数据种类纷繁复杂的情况下，与人工录入数据相比，自动化采集的优势也变得更加突出，要想统一管理所有信息资产，还依靠人工录入的方式肯定是行不通的，企业需要通过相应的数据管理工具，实现对资产信息的自动获取。目前实现自动采集的一种方式是根据不同的数据源，开发出不同的采集适配器，多采用直连的方式来实现不同种类数据的自动化采集，包括自动数据信息采集、自动服务信息采集与自动业务信息采集等，例如下图是普元数据治理产品内置的采集适配器和支持的数据源类型。

 （二）

  全面管理企业数据资产

  第一阶段实现了业务元数据、技术元数据、SG-CIM模型元数据的全面采集之后，电力企业就能对这些数据资产进行管理了，电力企业在管理企业数据资产的时候，可以从三个方面着手：业务元数据和技术元数据的对应，数据资产的全面梳理、数据质量的管理。

 （1） 梳理数据信息，对应业务元数据与技术元数据

  电力系统通用信息模型SG-CIM涵盖了电力企业所有业务模型，但是如果不建立业务模型与实际物理模型的映射管理，就无法建立业务与技术之间的连接，业务人员很难直接获取和使用数据。

  充分释放数据业务价值的前提是让业务人员能够自助找到并获得数据，因此建立业务模型与物理模型之间的连接，让业务人员能够通过业务模型就能直接获取数据，就变得非常重要。目前大部分企业还是依靠人工梳理的方式来对应业务模型与物理模型，需要业务人员来填写各种各样的数据项，增加业务部门负担的同时，也很难保证时效性。

  自动完成业务模型与物理模型的对应，将能大大减少业务人员的工作量，同时还能提升技术与业务关联的准确度，通过此种方式快速消除业务与技术之间的鸿沟。

 （2） 确保SG-CIM模型的实际落地

  对于电力企业来说，系统的开发和改造如果能基于SG-CIM模型，将能为信息一体化工作奠定良好的基础。但实际的建设情况和SG-CIM模型是有一定差距的，并不完全符合SG-CIM模型标准，电力企业在做大数据治理时，在全面梳理数据信息并将业务模型与物理模型对应之后，如何保证SG-CIM模型的实际落地也十分重要。

  为确保SG-CIM模型的真正落地，电力企业需要针对新老系统，采取不同的手段：

  1、对于历史遗留系统，可以自动化地检查SG-CIM在系统中的落地情况，自动获得SG-CIM模型的差距，针对性地进行系统的整改。

  2、对于新建系统，在系统建设阶段就管理系统的模型设计，使之严格按照SG-CIM模型来建设。

 （3） 解决数据质量问题

  在电力企业复杂的大数据环境中，数据质量会成为突出的问题，电采数据是否能够准确获得，IOT设备数据是否能够精确回传，各个系统的数据是否都是准确的都会对大数据分析与应用的效果产生影响。

  所以，电力企业在大数据采集与数据资产管理之后，还必须要解决数据质量的各种问题。对于电力企业来说，提升数据质量可以遵循以下3个基本原则：

  1、在数据的全生命周期中控制数据质量，尤其是在系统需求分析与设计阶段，要严格控制数据模型，使其满足规范和要求。

  2、梳理数据质量检核规则，并形成业务化的检核规则库，来对电力企业大数据进行数据质量检查。

  3、建立数据质量考核机制，用自动化打分的方法提高各个部门对数据质量的重视程度，推进数据质量问题的解决。

 （三）

  数据治理的服务化

  单纯对数据进行管理并不是大数据治理的最终目标，大数据治理的本质应该是让业务人员更方便地获取到数据，为其提供技术手段，从而向数据要效益，提升业务能力，达到业务创新。将数据治理服务化，能从三个方面直接提升业务和技术人员的效率，实现业务的创新：

  1、提供自助数据查询服务，能够让业务人员和技术人员直接通过业务语义就找到相应的数据。

  2、提供自助获取数据服务，形成数据的通道，帮助业务人员直接获取找到的数据。

  3、提供自助数据分析服务，让业务系统开发人员能够以业务化的语义分析来分析获得的数据，比如自助设计报表等。

  三、

  电力行业大数据治理实践

  浙江电力的大数据治理就是按照以上三个阶段来建设的，我们自动化获得了浙江电力所有的元数据，将业务模型与物理模型自动对应，实现了业务模型与物理模型有效管理并严格控制了数据质量，并将数据治理能力服务化。通过大数据治理项目的建设，充分释放了业务人员的潜能，让业务人员能够自动、自助地获取高质量数据的同时还能对数据进行自助分析，大大提升了业务人员的数据分析能力，让智能电网的每一个业务人员都转变成为了真正的数据分析师。

  图：浙江电力业务人员分析数据

 中翰软件专注数据治理11年http://www.jobhand.cn/

  四、

  总结

  为实现智能电网，未来的电力企业需要打好坚实的数据基础，而大数据治理将在整个大数据平台中起到中枢神经作用，通过大数据治理，将数据资产管理起来，提供一整套大数据服务能力，帮助企业快速发挥大数据中的潜在价值。