1.电力行业面临的挑战

电力行业主要面临着业务挑战和技术挑战，如图13-1所示。

（1）业务挑战

1）电力行业的分析系统一般仅提供简单的报表功能，功能单一，高层人员无法从全局的角度对各条业务线进行多层次的综合分析。

2）对于各个分析系统来说，它们又集中于各自的领域，不具备跨业务的分析能力，存在着数据不一致的现象，不能有效地发挥电力行业数据资产的价值。

（2）技术挑战

1）分析型系统与业务生产系统耦合性较强，缺乏对全局业务分析的支持，对于相同业务数据，可能会存在不同的版本。

2）各个业务系统管理着各自的数据，数据的业务含义在各个部门之间可能存在不一致的解释，数据质量也相对较低。

图13-1 电力行业主要面临着业务挑战和技术挑战

2.建设电力行业企业级数据仓库的因素和策略

建设电力行业企业级数据仓库的因素主要包括业务因素和技术因素，如图13-2所示。

图13-2 建设电力行业企业级数据仓库的因素

●业务因素

在业务上，缺乏统一的报表与指标规范体系，缺少明确的数据责任体系。

●技术因素

缺少规范的数据架构，导致数据分布的不合理和模型的不一致。同时数据管理不规范，缺乏企业级的数据整合和管控机制。

3.电力行业企业级数据仓库的建设策略

1）电力行业对数据分析的需求有一定的差异性，对于分析应用，允许各个省市存在个性化的内容。

2）对于电力行业企业级数据仓库的核心模型，应该有一个统一的数据标准，它可以帮助各个省市建立统一的数据管理体系，通过试点地区的成功经验推广，减少其他省市数据仓库实施的风险。

4.电力行业商业智能的数据架构

电力行业商业智能的数据架构包括源数据层、数据抽取层、数据存储层、数据访问层和用户访问层。

●源数据层

主要包括各个业务系统的数据。

●数据抽取层

主要包括抽取、清洗、转换和加载。

●数据存储层

主要包括ODS、数据仓库和数据集市。

●数据访问层

主要工作流程包括用户应用通过Web浏览器提交数据请求，Web浏览器通过Internet发送HTTP请求给Web服务器。数据请求发送给应用服务器。获得数据后以HTTP response的形式发送给用户。

●用户访问层

主要包括：报表、查询、在线分析和知识发现等。(www.daowen.com)

电力行业商业智能的数据架构的实现如图13-3所示。

图13-3 电力行业商业智能的数据架构的实现

5.电力行业商业智能系统开发流程

电力行业商业智能系统的开发流程主要包括计划，分析，设计及开发，测试，部署，如图13-4所示。

图13-4 电力行业商业智能系统的开发流程

●计划

计划包括复查期望的目标，评估系统现状能力，定义系统建设方案等内容。

●分析

分析包括对高层需求的确认，定义数据分析的需求，建立概念模型，评估系统建设风险，定义开发和执行环境的需求，制定UAT计划和性能测试计划等内容。

●设计及开发

设计及开发包括制定报表开发规范，建立逻辑模型和物理模型，设计ETL的开发流程，部署ETL开发程序的测试环境等内容。

●测试

完成对商业智能的产品测试、性能测试和UAT测试等。

●部署

评估部署条件，完成数据转换，最后发布应用程序。

6.数据仓库运维内容

电力行业数据仓库系统的运维内容主要包括：备份与恢复，归档与恢复，系统监控，容量规划，性能管理，如图13-5所示。

图13-5 电力行业数据仓库系统的运维内容

●备份与恢复

数据仓库的定期备份与恢复是数据仓库运维的重要环节之一，它需要满足用户对于业务恢复执行频率与速度的要求。这些流程必须满足用户的可用性需求和数据的线性增长要求。

●归档与恢复

对于数据仓库运维人员来说，数据的归档活动经常被忽略，但是数据量不断增加，使得数据仓库需要增加额外的存储设备，增加了系统的复杂性。正是上述原因，使得数据仓库不能永久地保存数据，需要将历史数据归档到离线存储设备上。

●系统监控

对于数据仓库来说，系统的监控工作更加复杂，很多数据仓库系统的建设都忽略了对数据库使用情况的监控，这些监控信息可以帮助系统管理员对数据库进行调整，以满足对现在和未来数据容量的需求。

●容量规划

对于数据仓库来说，CPU、内存、硬盘和网络等硬件资源的容量计算是非常关键的工作。在数据仓库系统中，硬件开销最大。特别是服务器、存储等基础设施的成本很大，硬件成本直接影响了企业IT系统的总体成本，所以做好系统容量的计算是降低IT系统的成本，提高运营绩效的重要途径之一。

●性能管理

性能是数据仓库架构中每个组件都需要考虑的问题。在架构过程中需要考虑系统的性能问题，例如系统负载、索引构建、大文件传输、用户查询响应时间、备份与恢复时长等。