基干耗时关联因素大用户业扩效率探析模型.docVIP

基干耗时关联因素大用户业扩效率探析模型 　　摘 要 近年来，供电公司自身业扩报装提速增效改进过程中，不仅仅局限于在方案答复、设计审核、中间检查、竣工验收和装表送电五个电网公司环节寻找影响因素，还逐步发掘了一些属于四个客户环节的关联性因素。本文将通过大数据的分析方法，采用关联、分类、聚类等数据挖掘算法，分析与业扩流程耗时相关联的因素，辅助高压业扩报装的效率提升 【关键词】电网；业扩报装；大数据分析；关联因素 1 引言 电力公司在自身业扩报装提速增效改进过程中，在已知5个电网公司环节和4个客户环节是影响业扩报装工作进度的主要因素外，还逐步发现一些总体耗时关联性影响因素，比如用户、用户报装容量、设计单位、五个电网环节总耗时对客户总耗时也都有不同程度的影响。本文主要实现业扩耗时关联因素分析模型，以业扩流程数据为主体，关联其它与业扩相关数据，包括用能信息、配套工程信息、过程检查信息、方案信息等，通过关联分析、分类、聚类等数据挖掘方法，分析与业扩流程耗时相关联的因素，辅助高压业扩报装的效率提升 2 模型分析及实践 设计关联因素分析模型拟采用如下方式实现目标：采用相关分析、卡方检验、K-means等数据挖掘方法，分析与业扩流程耗时相关联因素；采用数据挖掘中的线性回归算法，按照影响权重由高到底排列绘制业扩报装耗时影响因素列表，由此深度挖掘业扩报装相关数据的潜在价值，进一步优化业扩报装流程 2.1 各影响因素分析 本环节主要分析对客户环节总耗时影响较大的因素：用户、容量、设计单位、五个电网环节总耗时等。分析中会采用统计分析、聚类分析、相关分析以及卡方检验等算法 2.1.1 常规分析 通过传统的统计分析方法，对相应的关联因素进行数据的统计归纳总结，通过统计结果反映相应的分析结论 示例：用户分析，如表1所示 分析点：表1中都是长耗时工单较多且平均耗时较长用户，应该重点关注 2.1.2 聚类分析 客户环节总耗时关联因素，通过聚类分析算法，形成以相应关键指标为分类标的的群组，每一群组之间差别明显，群组内部数据具有相似的特征 示例：容量聚类分析 按照各容量等级对应的总工单数和长耗时工单数，对容量等级进行K-均值聚类。本次聚类分析只针对总工单数大于10的容量等级 表2聚类中列出了观测量所述的类别，距离列出了观测量与所属类中心的距离 如表3所示，分析点：综合以上两张表我们可以看出，容量等级共分为三类，第一类包括1600、2000、3200、4000。这一类的类中心长耗时工单数与总工单数分别为79和91属于长耗时率最高的。第三类只有400，这一类的类中心长耗时工单数与总工单数分别为228和944属于长耗时工单最多，长耗时率最低。剩余容量都是第二类，这一类的类中心长耗时工单数与总工单数分别为20和36属于长耗时工单较少，长耗时率较高的 2.1.3 卡方检验和相关分析 通过卡方检验和相关分析，判断各变量同目标标量以及各变量之间相关关系强弱，为下一步的回归预测提供维度参考 示例：五个电网环节总耗时分析，如表4所示 分析点：根据上表我们可以看出，显著性检验p值（判定相关关系是否成立）为0.000，小于0.05，说明五个节点总耗时与客户环节总耗时在0.01的置信水平下具有正相关关系，也就是说五个电网环节总耗时越长客户环节总耗时越长 2.2 回归预测分析 根据用户历史业扩报装的耗时数据，基于耗时关联因素给出在途用户的报装耗时预测，包括各电网环节、用户环节以及总耗时，并可根据实际进展动态调整后期进展预测 示例：客户环节总耗时和设计审核次数、中间检查次数和竣工验收次数3个自变量进行回归分析 根据表5看出，设计审核次数、中间检查次?岛涂⒐ぱ槭沾问?3个自变量与客户环节总耗时的决定系数（因变量中有多少比例是由自变量引起的）为0.281，就是说以上3个自变量影响了28.1%的客户环节总耗时 根据表6，我们能看出显著性检验p值（判定相关关系是否成立）为0.000，p值小于0.05显著水平，表示回归模型整体解释变异量达到显著水平 分析点：根据表7，我们可得出设计审核和竣工验收次数同客户环节总耗时成正比，而中间检查次数同客户环节总耗时成反比。也就是说，设计审核和竣工验收的次数越多，则客户环节总耗时越长，而中间检查次数越多，反而客户环节总耗时会缩短。从标准化系数（绝对值大小用来说明该自变量对因变量的重要性）可以看出，对客户环节总耗时影响从强到弱依次为：设计审核次数、竣工验收次数和中间检查次数 3 结束语 本文主要是以面向大客户的业扩报装提速增效关联因素分析为主线，以市电力公司的实际工作现状为切入点，明确用户频数、用户报装容量、设计单位、五个电网环节总耗时的