大数据与电力企业

大数据与电力企业（精选10篇）

大数据与电力企业 篇1

0 引言

现代产业与信息技术的发展使数据资源成为越来越重要的生产要素。爆炸式增长的数据量对多源、异构、高维、分布、非确定性的数据及流数据的采集、存储、处理及知识提取提出了挑战。大数据思维就是此环境中的产物,它并不局限于传统的基于因果关系的逻辑推理研究,甚至更多地通过统计型数据的搜索、分类、比较、聚类、关联等的分析和归纳,关注数据集内隐藏的相关性(支持度、可信度、关注度)。图灵奖得主吉姆·格雷将这种数据密集型的研究范式从理论科学、计算科学、实验科学中分离出来,成为“第四范式”[1]。

2008年《Nature》推出Big Data专刊[2]后不久,文献[3]将大数据计算称为商务、科学和社会领域的革命性突破。2011 年,《Science》的Dealing with Data专刊阐述了大数据对科学研究的重要性[4]。同年,麦肯锡公司发布关于大数据的竞争力、创新力和生产力的调研报告[5],分析了大数据的影响、关键技术及应用领域,进一步燃起学术界和产业界对讨论大数据的热情。美国政府于2013年3月宣布投资2亿美元启动“大数据研究和发展计划”[6],将其上升为国家战略。大数据被认为是继物联网、云计算之后,IT行业又一次颠覆性的技术变革。

云计算是利用互联网实现随时、随地、按需、便捷地访问共享资源池(如计算设施、应用程序、存储设备等)的计算模式[7],关注计算能力,并与关注知识提取的大数据技术相得益彰。

电力是社会发展的重要基础。随着全球能源形势的日益严峻,各国大力开展了智能电网的研究和实践[8,9]。其目标是建设一个覆盖整个电力生产过程,包括发电、输电、变电、配电、用电及调度等环节的实时系统,以支撑电网的安全、自愈、绿色、坚强及可靠运行[10]。而其基础则是电网广域全景实时数据的采集、传输、存储、分析及决策支持。

而愿景中的电网则是网架坚强、广泛互联、高度智能、开放互动的智能电网。文献[11]分析了智能电网大数据的产生与特点,指出已有的数据处理技术在智能电网的数据存储、处理和展示等方面所面临的挑战,已成为智能化发展的制约因素。 文献[12]探索了基于云计算的智能电网信息平台的可靠存储和高效管理。文献[13]研究了用户侧电力消费的大数据,从中挖掘其用电行为,以改进需求响应系统。

以电为核心的大能源体系正在成为全球能源的发展战略[14]:一次能源的清洁替代与终端能源的电能替代都必须依靠电网的输送才能大规模地实现。文献[15]指出,电力可靠性问题的顶层设计应该以大能源观为指导,不能局限于电力系统自身,还要分析其与一次能源、外界环境、管理政策、用户需求与方式变化间的交互,研究广义阻塞对电力系统安全性与充裕度的影响。

电力、能源及广义环境的多源、多态及异构数据的数量呈指数级增长,需要有相应的广域采集、高效存储和快速处理技术予以支撑。而从这些数据中挖掘知识及价值应用则使电力大数据的话题融入大数据的研究热潮。本文及其续文是笔者关于如何将电力大数据的思维应用到电力的广义可靠性、大能源安全及环境安全方面的思考。

1 大数据概念的演绎

1.1 定义

对“大数据”还没有统一的定义,通常指量大、多源、异构、复杂、增长迅速,无法用常规的方法处理的数据集合[16]。许多数据往往只在统计学观点上具有某种相关性,而不一定像传统应用的数据那样具有严谨的因果关系。对这样的统计关系型数据,只有当反映一个真实问题的数据量达到能在一定程度的统计意义上描述其真实面貌时,才能有效地提取知识,支持决策。而对于常规的因果关系型数据来说,数量的大小往往仅影响到计算资源,而与提取知识的方法关系不大。

因此,大数据与小数据之间并无绝对的界限,而是相对于目标问题而言的。大规模的数据量只是大数据概念的特征之一,也不应该用海量的规模作为大数据的必要条件。

大数据技术涵盖了从信息产生、采集、存储、转换、集成、挖掘、分析、计算、展示、应用及维护等数据全生命周期管理过程[17],需要具备从不同类型的多源异构数据中,快速提炼出有价值信息的能力。

1.2 基本特征

数据是以编码形式对自然现象、社会现象、试验仿真结果及经验的记录,包括数字、文字、图像、声音等形式。与传统数据相比,大数据具有四大显著特征4V,即量(Volume)、类(Variety)、速(Velocity)、值(Value)[18]。“量”是指数据容量足够大;“类”是指数据种类呈现多源多态特性;“速”是指实时性要求高;“值”是指数据价值密度相对较低。在数月的监控视频中,可能仅1~2s的画面有用,但通过关联数据的挖掘、分析和提取,却可能获得很高的信息价值。

一般认为,数据规模或复杂程度超出了常用技术按照合理的成本和时限来处理的能力,就可称为大数据。笔者认为如果统计型数据量对于具体目标问题来说,已经具有统计意义,就可以用大数据思维来处理。若为大数据设立数百TB的阈值,必将大数据思维束之高阁,扼杀了其广泛应用的生命力。

除了从因果、统计及博弈等数据关系的视角来对数据类型分类外,还可以按数据结构的视角将其分为三种类型:①结构化数据,即可以用二维表结构来逻辑表达的行数据,关系型数据库是其有效处理工具;②非结构化数据,是一类不能用有限规则完全表征与刻画的异构性数据,如图像、音频和视频等信息,它们之间不存在直接的因果关系,存在不相容性及认知的不一致性;③半结构化数据,介于上述两种结构之间的数据,可以用树、图等模型表达,如Web、办公文档及电子邮件等信息。据统计,随着社交网络、传感物联及移动计算等新技术、新渠道的不断涌现,企业中的半结构化或非结构化数据占比越来越大,有的已达80%。

1.3 思维方式

大数据技术的思维方式是:将采集到的经验与现象实现数据化与规律化,在继承传统的统计学、计算数学、人工智能、数据挖掘等方法的基础上,从单一维度转向多维度统筹融合,开发知识处理的新方法,从更深刻的视角,以更高的时效发掘多源异构数据,从而发现新知识和新规律,并实际应用的方法学。

若可以用简单的表达式直接描述某问题的结果与变量之间的关系,那么即使其数据量很大,也不一定属于大数据思维。当数据之间没有或还不能严格描述其因果关系,而数据集已相对地具备统计意义,就需要并可以采用大数据思维来处理。例如:对于一个市场调查的数据集,如果仅仅求取人群对某种商品的需求分布,那么思维方法并不会因为数据集是否海量,而改变常规的数据处理思维。但如果要从人群对该商品众多技术、经济、全程服务特性等各方面要求中提炼出有助于提高企业竞争能力的决策支持,那就需要有新的思维方法,包括信息挖掘与利用的思维、模式及方法,以帮助人类获得更深刻的洞察力。

关注统计关系的思维方法,同样可以应用于有限数据集上[19],只是其结论的可信度可能受到影响。

1.4 大数据技术的挑战

1.4.1 大数据的采集与集成

利用各种传感器及终端,采集反映物理世界、市场经济与人类行为等现象的静态/动态的异构数据,成为人、机、物三元世界的信息纽带[20]。其挑战主要体现在:①从结构化数据为主,向结构化、半结构化与非结构化的三者融合的变革;②数据来源的多样化,特别是移动终端的广泛应用,使大量数据需要同时带有时间与空间的标志;③有用信息被淹没在大量无关或弱相关的数据中,或需要处理低质量及局部缺损的数据。

1.4.2 大数据的存储

大量多态异构数据的高效、可靠、低成本存储模式是大数据的关键技术之一,对多源多态数据流之间的交互索引与转换效率影响很大。

数据压缩技术可以减少数据传输量及提高存储效率,但也增加了数据处理环节及计算负担[21]。分布式存储要权衡对存储空间及实时性的影响:对实时数据采用实时数据库或内存数据库;对核心业务数据采用传统的并行数据仓库系统;对大量的历史和非结构化数据采用分布式文件系统。

算法在处理复杂结构数据时相对低效,故希望事先为复杂结构的数据建立索引结构来帮助搜索,并合理地将非结构型数据结构化。

1.4.3 大数据的分析

需要关注大数据的形态描述、基本运行规律及其可控性。其中,最复杂的是人类社会行为信息,其决策行为必须与物理系统及信息系统相结合。

目标领域的信息若能与关联领域的信息相结合,则不但知识量得以增加,而且更有可能揭示综合性、交叉学科的未知知识,甚至从统计型数据中发现其(准)因果关系。知识的涌现性反映在模式、行为和智慧上。例如:将提高风机效率的研究与气象信息、电网信息联系,其效果将大大提升。大数据与云计算为之提供了数据资产的保管、搜索的技术,但也不是数据越多越好,而信息的提炼与知识的发现一般很难通过直观方式的分析和解读来获取。

数据驱动的分析方法包括:聚类、判别、回归、识别、隐变量、主因分析、时间序列。需要处理大规模的不定解问题,及必要时信息的补充问题,利用特征的相关性来发展统计学,有效地表达高维随机变量函数的联合概率分布。

用以发现知识的技术有:遗传算法、神经网络、数据挖掘、专家识别、回归分析、聚类分析、关联分析、数据融合、机器学习、自然语言处理、情感分析、空间分析、时间序列分析及其他计量学方法。一个例子是Google采用机器学习和神经网络来分析服务器群的数据,掌握大量变量之间的交互。神经网络在无显式编程下自适应学习,大大提高服务器群的效率,发现普通人注意不到的复杂互动关系。

随着大数据的应用从离线走向在线,甚至实时,所面临的系统复杂性、数据复杂性和计算复杂性挑战更为严峻。目前虽然出现了一些较为有效的方法,如流处理模式、批处理模式,及两者的融合[22],但仍未有一个相对普适的(准)实时的分析处理框架,在合理精确性的前提下实现快速的随机优化。

1.4.4 大数据的易用性

易用性应该贯穿在大数据的集成、存储、计算、分析,乃至展现等整个业务流程[23]。从技术层面看,可视化、人机交互及数据起源技术都可有效提升易用性,但仍存在元数据的高效管理的难点。元数据是关于数据的组织、数据域及其关系的信息,是描述信息资源的重要工具。

1.4.5 大数据的安全性

数据可靠性和通信网络安全性至关重要。必须研究各种广域量测数据和仿真数据的完备性、适时性和价值的评估技术,研究在广域信息不完全条件下的分析、控制技术。

“8·14”大停电前的几个月,北美电力可靠性委员会(NERC)警告说,随着电力业务的复杂化,越来越多的电力公司不遵循2002年发布的非强制性的安全导则,致使一些数据采集与监控(SCADA)网络被蠕虫破坏。大数据安全是一项包括技术层面、管理层面、法律层面的社会系统工程,其保障体系的框架由组织管理、技术保障、基础设施、产业支撑、人才培养、环境建设组成。应该研究数据源和传输的可靠性,研究信息系统故障或受到攻击时的行为,以及信息的阻塞、淹没、丢失和出错对大能源可靠性的影响。

移动互联时代中,人们在不同场合产生各种数据足迹;大数据技术将大量行为信息聚集在一起,就很可能暴露其隐私。由于尽可能地获取信息本来就是应用大数据技术的目的,故与隐私权的保护存在着矛盾。如何协调共享与隐私,需要制度与监管的保证。

现有的数据安全保护技术主要针对静态数据集[24],包括开放与防御的平衡,防止数据被窃取或篡改。但仍需要解决动态信息的安全性问题。

1.4.6 大数据的应用

大数据学科的兴起与人类需求密切相关,其中的信息挖掘及知识提炼环节必须与待求解问题紧密结合,而应用环节则是大数据技术发展的动力与归宿。因此,大数据研究应该遵循问题导向、需求牵引及数据共享的原则。必须结合具体的目标问题,将采集到的低价值的大数据加工成高价值的思想或知识,大数据技术才有生命力。若没有应用企业的深度参与,若不能按照商品的规律运行,大数据技术就难以真正取得收效。此外,若没有各管理部门对数据共享的落实,大数据技术也只能是纸上谈兵。

知识作为资源,需要像物质资源那样分配及流通。为此,需要对知识产品定价,并从数据使用的视角揭示信息流与科学活动的内在规律。

目前对大数据应用的关注,主要集中在商业与服务业这些以统计关系为主的领域[25],较少涉及具有较强因果关系的领域,如电力系统及能源市场等领域。笔者认为,是否能成功地将统计关系、博弈关系与因果关系取长补短,是大数据技术能否扩大应用领域的一个关键。

2 电力大数据

2.1 问题的提出

从能源系统看,它包括电网和非电的能源网两部分;电力系统应该在能源的清洁替代与电能替代中有效地承上(一次能源)启下(终端能源),兼顾左右(与其他二次能源协调)。

从信息系统看,它包括专用通信网与互联网(Internet)两部分。专用网用于对信息安全性或实时性要求高处,但由于非开放式的接入,故不适合与广泛用户的互动;互联网用于开放场合,但信息安全及实时性差。显然,两者对于信息系统来说都不可或缺。

能源革命需要的是能源系统的全部组分与信息系统的全部组分的深度融合[26],即大能源系统与大信息系统组成的信息能源系统,而不是局限于它们的某个子集之间。但是,智能电网的研究范畴基本上局限于能源系统中的电力系统与通信系统中的专用网[27],因此其信息物理融合的概念也就局限于“电力生产信息+电力系统”。作为能源革命重要环节的“一次能源系统及终端能源系统”,以及作为信息革命重要环节的“网络金融及需求侧参与信息”却并没有得到应有的重视。

显然,目前的智能电网框架中的专用通信网的功能需要从电力系统扩展,不但涉及各种非电的能源环节,而且涉及相关的非能源环节,以更好地支持对电力可靠性及经济性的研究,并支撑综合能源安全、能源经济安全及环境安全。另一方面,开放的网络经济及广泛的用户参与都需要互联网的支持,互联网数据的管理与挖掘成为非常重要的任务。

整个能源行业在转型发展中面临的机遇和挑战,来自一次能源的压力、环境安全的紧迫性、电力系统内外复杂性的增加、运行环境及扰动事件的不确定性与风险的增大、经济与技术的发展、市场改革的要求。为了应对上述挑战,必须提高数据的及时性、完整性、一致性及信息安全防御能力,提高对数据的管控能力,消除数据壁垒、存储无序且不一致的现象,完善对外部环境、基础设施及人才队伍的掌控。

从传统的电力数据演变为电力大数据,跨领域的时空扩展将电力系统的界面条件从确定性变为时变性,同时也增加了多时间尺度的动态复杂性[28]。涉及各类数据的采集、集成、存储、管理、知识挖掘、决策支持、可视展现等技术,也反映了电力及综合能源数据的管理、知识的挖掘和应用等一系列推进能源生产、转换、输送、消费方式的创新思维。其中的互联网数据大多为传统数据库不支持的非结构化类型,包括图片、视频、音频、地理位置信息、网络日志、博弈行为、金融动态、政策法规。数据的在线或实时处理,往往呈现出突发及涌现等非线性状态演变现象,难以预测。

为此,信息创新必须与能源革命在更高层次上深度融合,特别是在一次能源中的清洁替代及终端能源中的电能替代上,不但将协调优化的概念提升到综合能源流的范畴,而且推动电能更主动发挥在一次能源与终端能源之间的核心纽带作用,实现能源生产模式与消费模式的革命。

但是,将大数据技术局限于互联网数据也是片面的。通过专用网或仿真网获取的数据,包括智能电网概念中已涉及者,以及有待外拓的非电能源领域与非能源领域中的数据问题,同样存在大量的挑战。既然讨论的是信息物理融合问题,那么其框架就更不应该在信息系统内部或能源系统的内部设立藩篱。

当前的研究都在一定程度上受限于物理系统中的藩篱或信息系统中的孤岛。例如:①稳定性与经济性的研究都针对给定的边界条件,不能真实反映上下游环节的变化对电力系统的影响;②充裕性问题被粗犷处理为固定比率的备用容量,无法适应大规模不确定性的可再生能源及充放电用户的入网;③决策过程基本无法考虑博弈行为的影响;④忽视了信息系统本身可靠性的影响;⑤缺乏对电力系统外部环节的自适应能力。

要突破上述藩篱与孤岛,就必须遵循以电力系统为核心环节的大能源系统在大数据时代下的发展理念,顺应管理体制及技术路线的变革。

2.2 电力大数据的特征

一方面,电力大数据具有大数据的共性,包括目标领域向其他相关领域的扩展,以及数据类型向非结构型及非因果型数据扩展,时间维度向多尺度的流数据扩展。由此形成大量的异构异质数据,包括数字、文本、图形、图像、音频、视频等静态和不同时间尺度的动态数据,以及大量统计关系与博弈关系的数据,都需要快速处理。

另一方面,电力大数据必然继承了能源行业数据的特征,包括大量的因果关系数据、高维的时空数据,广域的监测控制,快速的时间响应及实时控制数据。除了电力系统的状态外,还需要获取并分析相关领域的数据,并处理部分数据缺失时的不确定性。

运行工况或故障场景都会影响系统的稳定性和控制策略。中国的电网现在已普遍实现了在线的量化分析功能,按实测工况和典型故障来指导预防控制,并向自适应的紧急控制与系统保护发展[29]。但若要有效地应对极端自然灾害环境,则还需要采集并处理大量非结构型的视频、语音、图片,并与电力系统分析功能有机结合。大规模间歇性可再生能源(RES)与电动汽车(EV)的入网对电力充裕性与备用调度提出挑战,要求大大提高对风电、太阳能发电及EV充放电的预测精度,这就需要处理大量非结构型的地理及交通动态数据。为了应对相继故障,基于常规因果关系型数据的分析算法也应该解决多米诺效应的演化路径及实时评估的经典难题。

2.3 电力大数据的类型

除了按数据结构等大数据概念来划分电力(能源)系统大数据,还存在其他视角,列举如下。

1)按业务领域,电力大数据可分为:①规划运行类,包括电力规划、电能生产、运行监控、设备检修等数据;② 企业运营类,包括企业发策、运营、电力市场、用户信息等数据;③企业管理类,包括人财物资、资本运作、企业资源计划(ERP)管理、协同办公等数据;④非电的能源类,包括各种一次能源、非电的二次能源、终端能源使用模式等数据;⑤非能源类,包括气象、环境、碳资产、宏观经济政策等数据。

2)按时间维度可分为:①背景及法规数据;②历史数据;③调查及预测数据;④在线实测数据;⑤仿真推演数据。

3)按数据采集来源可分为:①书本及文档;②专用网数据;③互联网数据;④问卷及调查;⑤交互博弈及仿真结果。

2.4 电力系统的数据量

常规SCADA系统按采样间隔3~4s计算,10 000个遥测点每年将产生1.03 TB数据(12B/帧×0.3帧/s×86 400s/d×365d×10 000遥测点);广域相量测量系统的采样率为100次/s,10 000 个遥测点每年将产生495 TB数据。美国PGE公司每个月从900万个智能电表中收集超过3TB的数据。国家电网公司的2.4亿块智能电表,年产生数据量约为200TB,而整个国家电网公司信息系统灾备中心的数据总量,接近15 PB。 以2004年山东系统(97台机、462条母线、702条支路)为例,设在线每5min对220kV以上线路的三相永久故障分析一次暂态稳定性,仿真时长10s,仿真步长0.01s,则一年内将产生1 092TB的数据量。当大规模的间歇性分布式可再生能源入网后,发电侧计及气象数据的实时监控的数据量比传统发电成倍增加。智能配电、智能电表、电动汽车和用电技术的发展也大大增加了需求侧的数据量。电力企业的精细化管理,与一次能源、环境、交通、市政等外部系统的联系日益深化,对数据量的依存度也越来越高。

2.5 电力大数据对电力可靠性的支撑

整合各种广域系统采集的静态和动态数据,包括雷电场、台风风力场、山火场等非结构型数据与常规的电力数据及仿真信息相结合,从所获的现场实测或仿真得到的时间响应曲线中提取深层知识。以支持稳定性与充裕性的量化分析及自适应控制,协调故障前的预防型博弈,故障后瞬时的故障隔离和预测型紧急控制,检测到违约症状后的校正控制,以及系统崩溃后的恢复控制。在此基础上,综合防御框架还应该实现多道防线的时空协调,通过协同各道防线和各种控制手段,最大限度地减少大停电的风险。

信息的可靠性是分析和决策的物质基础;机理分析和量化分析则通过数据挖掘来深刻掌握电网的行为特性[30];正确的决策是为了能以最小的风险代价来最大限度地满足电力需求。互为补充的相量测量单元(PMU)、远方终端设备(RTU)和仿真数据共同满足系统在空间中和时间上的可观性和可控性[31]。需要研究在不完备数据下,如何将信息论和系统论相结合,从数据中挖掘深层信息。

在电力的长期可靠性分析与控制方面,需要考虑社会、经济、科技、能源与政策等发展的不确定性,以及各种博弈行为的影响,将目前依靠主观判断的方式逐步提升为基于混合仿真推演的方式。

3 信息能源系统的大数据平台

3.1 电力(能源)系统运行数据的采集

关系数据库强调完整性及一致性,云计算强调可扩展性,但难以保证实时性。Internet的TCP/IP协议在流量控制和数据纠错时会产生10ms量级的时延,难以满足实时控制,特别是紧急控制的要求。

RTU和SCADA系统可以用低成本采集大量的广域数据,并满足静态可观性,但没有统一时标,采样周期长、时延大,只能抽取慢速动态特征。故障录波和保护信息系统就地记录大量暂态信息,可支持故障的事后分析,但上传的滞后时间长,难以实时应用。

PMU数据不依赖于系统模型和参数,可在统一时标下快速采样,提供系统实际的时间响应曲线,用来校核仿真模型和参数,并提供仿真的初值。但受价格限制较难满足高可观性。

20年来的研究热点之一是将PMU用于实时稳定性分析及开环控制,根据受扰后短期实测数据预估稳定性,并在失稳前选择并执行控制措施,但至今未能用于稳定分析和开环控制。文献[32]明确指出,在非自治因素下单纯依靠轨迹的外推来预测并不可靠,并且即使在没有时间约束的离线环境下,要对有数学模型的仿真曲线进行稳定性量化分析也非易事。若在计算已有轨迹的稳定裕度时没有模型参数可用,其量化分析就更难。更重要的是,只有通过仿真才能在措施实施前确认其效果。不与仿真工具结合,就难以按合理的保守性来确保控制的充分性。其根本原因是:在事前,PMU无法观察到控制措施的效果,也无法在不依靠系统模型及参数的前提下求取实测轨迹(特别是稳定轨迹)的稳定裕度。PMU在应用上的这个瓶颈是本质性的,不可能真正突破。

现场伪量测是对广域数据加工中挖掘出来的数据;仿真伪量测是在仿真中产生的数据。它们的正确性受到模型、参数、初值和算法等的限制。

3.2 电力(能源)系统的大数据平台

随着数据采集环节的质量提高、成本降低,以及各种广域数据采集系统的数据共享,可以通过更多数据来全面掌控电力与能源。为此,需要将各种广域监测系统和数值仿真系统置于统一的平台中,有助于数据挖掘,识别相继故障的先兆特征、临界条件和传播模式,从而提高预警水平,增强防御停电灾难和事后分析的能力。

由硬件资源、基础软件、网络通信、数据集成、计算支撑、应用支撑、安全管控等环节构成的大数据平台支持多源多渠道异构数据的即插即用、融合与管理,支撑各种开发、应用及信息展示功能的即插即用。通过基于数学模型的因果型数据、无因果关系的统计型数据以及参与者博弈行为的融合,管理各类能量的生产、转换、输送及使用,调度与仿真数据的集成与管理。

4 结语

虽然当前关于大数据的应用案例大多发生在互联网企业中,但传统的电力及能源企业也在思考如何从关于大数据的空泛介绍走向实际应用。特别是除了直接依赖互联网的电力金融业务及面向消费的个性化服务以外,在基于传统数据的系统分析与控制领域中,如何融合电力及能源的统计关系数据、因果关系数据及博弈行为数据,发挥大数据的价值。例如:间歇性能源及负荷预测,引导需求响应及节能减排,降低停电风险,反窃电,堵塞经营漏洞,优化资产全寿命周期管理等方面。特别是:如何使企业决策从当前基于常规数据及主观经验的模式,发展为基于数学模型、参与者及多代理模型的混合仿真的沙盘推演模式。其中的多代理模型就需要大数据技术的支撑。这关系到电力大数据技术是否能进入到通常由因果关系数据一统天下的物理系统分析领域。为此,思维方式需要重大变革。

摘要：大能源思维将电力视为能源生产与消费全流程中的枢纽环节,藉此推动上游一次能源的清洁替代与下游终端能源的电能替代,支撑能源的可持续发展。大数据思维将各种数据资源从简单的处理对象转变为生产的基础要素。这两种思维的融合,使电力大数据成为大能源系统广泛互联、开放互动及高度智能的支撑,包括:广域多时间尺度的能源数据及相关领域数据的采集、传输和存储,以及从这些大量多源异构数据中快速提炼出深层知识并发挥其应用价值。作为两篇论文中的开篇,在演绎大数据基本概念、结构类型及本质特征的基础上,归纳电力大数据的特点。针对综合能源,通过基于数学模型的因果型数据、无因果关系的统计型数据以及参与者博弈型数据的融合,构建信息能源系统的知识挖掘平台。其续篇将讨论信息能源系统,并通过若干案例,反映大数据思维对提高大能源经济性与可靠性的贡献。

关键词：信息能源系统,能源互联,因果型数据,统计型数据,博弈型数据,非结构型数据,知识提取

大数据与电力企业 篇2

摘 要：大数据时代是当今企业财务管理的基本环境。主要是在于财务管理理论与实践在应对大数据、互联网经济时，将挑战与变革作为自身发展的动力。这篇文章结合实际，主要论述大数据背景下的企业财务管理挑战与变革包括公司的盈利变化、决策信息边界化、开发投资标准变革、公司改革创新、运行风险管理理论以及投资方式的调整。

关键词：大数据；企业财务管理；财务管理创新大数据的处理情况

经济时代的快速发展，给大数据的处理技术带来一定的难题。不是通过在社交媒体和活动服务方面所进行的经济方面渗透，而是在数据的凸显面前所拥有的发展速度，全球化的快速发展，带来了大数据时代的跨越。这部《大数据时代》一书中给我们指出：“大数据其实是一种商业价值的资本，也是企业发展重要资本的积累，在经济发展中，要以创造经济利益为目的。当前，要发散思维结合经济发展的状况，有效地处理好大数据的应用是关键。

1.1 企业财务管理面临大数据的挑战情况

企业财务管理要严格进行把关，通常在于运用大数据的情况是否符合标准要求，在许多的企业运营过程中，都没有注重从技术上进行高效率的改革，从而致使企业在财务管理中面临着巨大的数据挑战，包括“股东价值的计量与提升路径是什么？财务风险如何计量与防范？公司财务理论应该如何服务于公司财务管理实践？财务理论是否需要重新构建？”等问题。本文限于篇幅不会过多地讨论涉及财务管理理论内涵的变革问题，主要从理论服务于财务管理实践的立场，指出当代企业必须正视现有公司财务理论与命题存在的局限性，否则将会有碍于财务管理实践创新与其作用的发挥。只有将大数据合理的、科学的处理，才是解决好企业在财务管理中所面临的大数据难题，这也是需要我们从金融的理财方面着手，注重提高金融工具的理财配置作用，从而将企业财务管理处理的更好。

为了能够在企业财务管理中对具体的大数据处理的更恰当，我们必须从科学的角度去分析大数据在财务管理中的地位，这其实也是在进行资本预算和股利政策的权衡中需要有辨别的认识。企业的财务管理工作是相当重要的，它是企业发展的根本，当企业的净资产定价模型在整个资产中的比例发生变化时，就需要在融资渠道和流动资金上改革，发展好企业的金融业是现实面临的重大难题，也是处理好企业财务管理的客观需要。

1.2 中国企业面临着大数据系统的创新

创新是发展的前提，中国企业当前缺乏的就是创新。随着当前市场化竞争的激烈挑战，我们国家出现了一批批企业倒闭的现象，这对于正在改革发展道路上中国来讲，面临着许多挑战，如像企业在大数据的财务管理系统创新的升级上，就是一个潜在的首要任务。这是需要将项目规划，现金统一纳入科学化轨道，目前，企业的资金结算化投资主要从来源渠道，融资风险管理等方面进行。在运用信息化的过程中，加快企业融资改革，规范好财务管理。大数据背景下企业财务管理面临的挑战与变革要点

2.1 企业要注重其内涵因素的变革

为了实现企业财务管理的规范化、科学化发展，我们要紧跟时代的步伐，以大数据带给企业发展的挑战为突破点。将企业的财务管理更加明细化，这对于不明白的人来说是一次很好理解的方式。未来的企业需要冲破大数据的各种束缚，将企业的决策与评价运用在财务原理的具体实施过程当中，这主要包括企业的所有者，包括其中债权人和债务人等。不过，在企业的内部有很多知识是值得我们注意的，就像企业的利润和资金的流动等，我们要以盈率PE和市场发展净增率PB为公司估值的基本方法，这样是对未来的公司发展和股利分红等价值本源的清算。

然而，当今中外资本市场的股价表现，越来越游离于现行财务理论的价值主张。例如腾讯控股2014年净利润约为125.93亿元，其最新市值约为9124.50亿元这对于我国的经济发展影响是很大的。我国石化工业2014年净利润约为350亿元，但是市值只有近6000亿元。由此可见，在大数据时代，投资者对公司价值的认知与判断，已经不再局限于企业现在或未来的利润、现金流、财务分红、营业收入等财务信息，更多的是基于企业的商业模式、核心竞争能力和企业持续创新能力，这些能力的强弱并非由股东财务投入或企业拥有的财务资源规模所决定。

2.2 投资决策标准变革

财务理论，是一个投资决策的机制性问题，在其研究的标准范围内有着资本回报率或股东财务收益的特殊要求，这也是在研讨大数据背景下企业财务管理的挑战与变革时，需要从财务学采取一些应对投资项目评估的方法（如净现值NPV、内部收益率IRR等）应用特别广泛。这样一个投资项目预计现金流在大数据时代，也是有弊端的，只有在这些评估方法上下功夫，改变不正确的做法，才是对未来现金流的正确投资进评价的方法，在这些评价技术中，运用适合传统的重资投入的经营发展模式，是重要举措。

2.3 企业财务风险管理理论重构

降低风险是企业财务管理的核心。财务管理主要依据风险的核心观点来判断，这与内容的协调有很大的关系，例如我们所讲的财务管理科学化是通过企业引进高科技人才在实际的数理分析中能够提出科学的风险规避论。这是企业抗击财务风险的主要手段。近年来，我国的企业在风险确定中还存在着一定的差异，这将是企业面临财务理减低的不利因素之一，如果一个企业不能很好的迎接大数据挑战，这个企业就是被淘汰的对象。专家认为，在风险防范的对策方面，财务理论所提供的解决方法，一是对资本结构进行适当水平的动态调整，二是结合证券投资理念中的投资组合思想。学术界对风险概念的界定是有错误的，不过在风险投资方面，所面临的问题远远大于在遇到风险时的损失是不可估量的。企业财务风险管理是衡量其价格波动的主要依据，通常是在企业之间内部经历风险的巨大差异。风险是存在的，找到有效防止风险的发生是主要任务。

企业是在投资中预知会发生一定的危险，这些都需要在市场竞争中不断的平衡。当经济发展迅速时，会刺激企业承担一定的风险，如果企业在搞好盈利的同时还会兼顾到降低风险时，这对于企业的发展意义重大。结束语

大数据与电力企业 篇3

【摘 要】本文针对电网海量实时生产信息存储的问题，先介绍对比了关系数据和实时数据库的特点，指出实时数据库产品更适合电力企业实时生产信息的存储需要。接着对当前市场主流实时数据库产品进行简介，其中重点介绍和对比了PI实时数据库和国产海迅实时数据库；最后提出实时数据库和关系数据库的结合使用，可更好的服务于电网信息化建设。

【关键词】智能电网；海迅数据库；PI实时数据库

0.引言

信息化、自动化和互动化是智能电网的三大特征，这其中，信息化是基础，是解决智能电网可观测，继而实现可控与在控的重要途径。随着智能电网建设的不断深入，越来越多的智能测量装置遍布整个电网，尤其是各网省公司和直属单位输变电设备状态监测、用电信息采集、配电自动化、发电集团信息化等项目的试点与推广，产生了大量实时数据。实时数据沉淀生成海量历史数据，连同调度生产控制大区生成的电网运行方式、关口电量、保护、雷电等历史/实时数据一起，这些数据是重要财富，是实现精益化管理的重要基础。如何高效地采集、处理、存储、检索和利用这些海量信息，已经成为建设智能电网所要面临的首要问题。关系型数据库和实时数据库是目前数据库市场上应用较为广泛的两类数据库，故数据的存储一般采用关系型数据库或者实时数据库存储。本文先介绍这两个类型数据库的定义及特点。

1.实时数据库与关系数据库

1.1关系数据库的介绍

关系型数据库，是建立在关系模型基础上的数据库，以关系模型组织数据并借助于集合代数等数学概念和方法来处理数据库中的数据，用二维表的形式来表示实体和实体间联系的数据模型。关系模型由关系数据结构、关系操作集合、关系完整性约束三部分组成，具有数据结构简单、查询与处理方便、数据独立性高、理论基础坚实等特点。关系模型也是目前技术最成熟、应用最广泛的数据库技术，设计和实现风险较低，但由于关系模型提供了较高的数据独立性和非过程化的查询功能，系统的查询速度和查询效率较低，但其仍是数据存储的传统标准。

1.1.1关系型数据库组件

关系型数据库通常包含下列组件：

（1）客户端应用程序（ Client ）。

（2）数据库服务器（ Server）。

（3）数据库（ Database）。

1.1.2关系型数据库优缺点分析（相比实时数据库）

关系型数据库相比实时数据库而言，有着以下优点：

（1）容易理解。二维表结构是非常贴近逻辑世界的一个概念，建立在严格的数学概念基础上，数据结构简单、清晰。因此，关系模型相对其他模型来说更容易理解。

（2）使用方便。通用的SQL语言易学易懂，程序员、数据管理员可以方便地在逻辑层面操作数据库，而完全不必理解其底层实现。其提供的诸如视图、存储过程、触发器、索引等对象使数据访问趋于便利。

（3）易于维护。丰富的完整性大大降低了数据冗余和数据不一致的概率。

（4）安全性高。登录身份验证功能完善，提高安全性。

1.2实时数据库的介绍

实时数据库是数据库系统发展的一个分支，是一种专用的处理海量实时信息的基于测点模型的数据库，针对实时采集的具有时序特征的海量数据具有极高的事务处理能力、数据压缩比和查询检索速度。实时数据库是基于先进控制和优化控制而出现的，对数据的实时性要求比较高，因而实时、高效、稳定是实时数据库最关键的指标。

1.2.1实时数据库的逻辑结构

实时数据库逻辑上包含实时数据库、历史数据库和测点数据库三部分。实时数据库维护实时数据，实时数据是每个测点时间戳最大的量测值（也就是当前值）；历史数据库维护历史数据，历史数据由实时数据不断归档沉淀后产生，实时数据库中往往采用压缩的方式存储历史数据；测点数据库则维护所有测点的各种信息。

1.2.2实时数据库在处理实时数据上的优势

实时数据库具有实时数据写入和访问速度快、历史数据归档和访问速度快、历史数据高效压缩、数据以及接口符合测点模型等优点。但实时数据库对测点数有限制，而且往往按测点数收费，导致等量数据的管理成本相对关系型数据库偏高。

实时数据库在数据通信、数据组织、数据存储、数据检索、数据访问、数据处理、数据展现等方面的专业化及产品化，为构建基于大容量实时历史数据之上的分析应用提供了便捷稳定的数据支撑，使应用系统可以从更高更深层次充分利用宝贵的生产实时历史数据。

1.3实时数据库的和关系数据库的对比

从下表对关系型数据库和实时数据库在数据组织方式、访问方式、压缩方式、应用领域等的比较结果可见，实时数据库产品更适合供电企业生产的需要。这是因为电力生产具有生产、传输和使用同时完成的特点，生产过程中产生大量的时序数据，应用也需要大量围绕着这些实时/历史数据。实时数据库在处理时序数据时具有的存储速度快、数据压缩比大、节省存储空间等有点，在供电企业的生产应用中具有不可替代的优势。

2.实时数据库产品的介绍

目前市面上比较有名的实时数据库产品有PI实时数据库，eDNA实时数据库，iHistorian 实时数据库，此外，SyncBASE、海迅和安捷（Agilor）在数据库市场中也占有一定份额。其中，国际市场占有率最大的PI实时数据库。另外，我国自主研发的数据库产品海迅实时数据库也在配调自动化等领域暂露头角，取得了较大份额。因此下面重点对比这两个产品。

2.1 PI实时数据库

PI是由美国OSI Software公司开发的一套基于C/S架构的实时数据库软件应用平台，主要应用于存储和获取时间序列的实时数据，是工厂底层控制系统与上层管理信息系统连接的桥梁。一方面，PI用于工厂数据的自动采集、存贮和监视，作为大型实时数据库和历史数据库，PI可存贮每个过程点的多年数据，并提供清晰、精确的操作情况画面，用户既可浏览工厂当前的生产情况，也可查看过去的生产情况；另一方面，PI为最终用户和应用软件开发人员提供了快捷高效的工厂信息，PI在业务管理和实时生产之间起到了桥梁作用。

2.2海迅实时数据库

海迅实时数据库管理系统是江苏瑞中数据股份有限公司研发的国内拥有完全自主知识产权的大型通用实时数据库，该软件在全面总结国内外同类产品优缺点的基础上按照智能电网、工业自动化系统以及物联网特点和实际需求精心设计、潜心研制而成，是进行海量历史/实时数据处理的专业平台。 （下转第249页）

（上接第155页）3.海迅实时数据库与PI实时数据库的对比

以下为PI和瑞中的海迅数据库在服务器端模块部署方式，性能指标、外围组态工具、应用领域、市场占有率等方面的对比介绍。

海迅数据库有着分布式体系架构和跨平台特性，让它在各厂商的实时数据库产品中格外突出。分布式体系架构使得它能支持更多的测点容量，达到更高的性能。跨平台特性使它的应用领域更广泛，使用更安全高效。

4.结语

大数据与电力企业 篇4

在我国现今社会的发展阶段, 社会经济、科学信息技术水平以及文化水平都取得了显著的进步和提升。随着大数据管理系统的应用以及相关管理技术水平的不断进步, 我国社会社会主义市场经济环境的竞争局势也越来越激烈。在这种社会前提背景的影响下, 我国电力企业也开始尝试和探索更多有效的企业营销管理模式。有关大数据背景下电力企业营销管理创新探索的相关内容, 具体论述如下。

1 大数据时代的基本概念

大数据时代的到来, 是在现今社会经济、文化以及科学信息技术不断完善和发展的必然趋势。所谓大数据时代就是在现今社会的发展阶段, 在我国科学信息技术水平不断进步的带动和影响下而产生的一种新型的数字化信息管理技术。

在当今社会时期, 大数据被越来越多的应用到电力、水力以及一系列我们日常生活之中各种类型企业的管理和运营过程之中。通过大数据管理技术在相关企业以及用人单位相关工作环节中的应用, 大大提高了相关企业和单位对有关数据信息的高速度、专业化处理的工作质量和效率。大数据信息管理技术在电力企业营销管理工作环节中的应用也将大大提高我国电力行业整体工作的服务质量和水平[1]。

2 大数据背景下电力企业营销管理创新的探索

2.1 实现电力生产故障维修的大数据管理, 提高工作效率

大数据信息处理技术是在我国高科技信息化技术水平不断发展以及社会经济、文化水平不断进步和发展的带动下所产生的必然产物。将大数据信息化管理技术应用在我国现今社会发展阶段中电力企业营销管理相关工作环节之中, 能够更有效的促进我国电力行业生产抢修技术的不断发展和革新。在我国电力企业的生产和营销管理的过程之中, 有效连接用户和供电企业之间的配电网络, 一直以来都因其极其容易出现供电连接故障, 而成为我国电力企业以及用人单位供电抢修管理工作环节中的重点内容[2]。

但由于我国在对于供电企业与相关用户之间的配电网连接方面的抢修技术还处在并将长期处在不断学习和探索的初期阶段, 在传统的配电网设施的抢修过程之中, 相关工作人员需要不断克服周边环境以及时间因素的限制, 严重阻碍了配电网维修管理技术水平的进步和提升。大数据高科技信息化处理技术在我国电力企业生产故障维修过程之中的有效应用, 让相关配电网的工作流程以及逐级上报的信息都得到了科学、系统的处理, 在大幅度提高相关工作人员的工作效率的同时, 也最大限度的减少了在故障维修管理工作过程中容易出现的失误现象。

2.2 设置大数据电费周期, 减少电费回收风险

在我国电力企业传统的营销管理的发展进程之中, 有关电费回收费相关方面的工作环节一直是电力部门有关工作人员的工作重点, 也是众多电力企业相关工作环节中的工作难点。有关电力企业电费回收的实际情况的好坏, 是能够直接影响一个电力企业发展前景以及是否能够正常运营的主要因素之一。一旦出现大量的用户赊欠电费而导致电费回收不足的现象, 相关电力企业以及供电单位在开设和运营上都会遇到巨大的困难和危机。

在我国现今社会的发展阶段, 随着社会经济、文化以及科学信息技术水平的不断进步和发展, 我国全国范围内的电力企业以及相关供电单位越来越多的将大数据信息化科技应用到企业内部的营销管理工作过程之中, 利用高科技的信息处理手段创新式的提出对存在电费回收风险的用户设立电费清缴的担保周期。通过各种渠道将有关电费拖欠相关方面的法律法规知识以及因不能及时配合相关电力企业以及供电单位的电费回收工作将会产生的不良后果清楚真切的传播给对应的供电用户。在有效扩大电力相关法律法规的宣传和影响范围的同时, 最大限度的改善我国社会现今发展阶段之中普遍存在的电费回收的风险。提高相关企业和供电单位的营销管理水平[3]。

随着我国社会经济、文化以及科学信息技术水平的不断进步和发展, 我国的综合国力也在不断提升, 我国社会主义市场经济环境中的竞争趋势日益激烈。面对大数据时代的社会环境, 我国电力企业只有不断改革和创新自身的营销管理方式, 才能保证在激烈的市场经济竞争之中占有一席之地, 获得长足稳定的发展。

3 结论

总而言之, 在大数据信息化管理技术水平不断提升的时代背景的影响和带动下, 我国电力企业想要在激烈的社会主义市场经济的竞争环境中占有一席之地, 取得长足稳定的发展, 就必须改革创新, 建立健全更加科学合理的营销管理方式。大数据背景下电力企业营销管理创新探索是我国电力企业在新的社会发展阶段能够不断发展进步的重要前提保障, 也是时代发展进步的必然要求。

摘要：随着我国现今社会经济、文化以及科学信息技术水平的不断进步和发展, 高科技互联网信息技术水平不断提高, 在大数据信息化管理的社会背景下, 我国电力企业的营销管理方式也被提出了更高水平的要求。相关电力企业单位的工作人员在大数据背景下, 对于电力企业营销管理方式的发展和探索工作逐渐成为备受社会各界人士广泛关注的重点话题。

关键词：大数据,电力企业,营销管理

参考文献

[1]肖雅.智能电网背景下的电力营销管理新举措[J].经营管理者, 2016, 07:259.

[2]赵武成.浅议供电企业的营销管理方法[J].现代商业, 2013, 31:69.

大数据与电力企业 篇5

[摘要] 21世纪企业乃至国民都进入大数据时代 ，势必导致现代经济运行方式产生深刻变化 ，并对传统的经济管理理论提出严峻挑战。从微观分析 ，企业的组织状态将从强制有序到协同自序 ；从宏观来看 ，政府对经济的干预必将从集中化指令性管理转向以信息网络架构为基础的弹性调控 ，从而使宏观经济调控与微观经济运行有机地连接起来。

[关键词]大数据；宏观经济； 微观企业行为

[DOI] 10.13939/j.cnki.zgsc.2015.08.088

大数据一词越来越多的被人们提及，它代表着海量数据和信息爆炸时代的来临。数据的不断扩大加量，对企业的未来的发展产生了深远影响，随着时间的推移，这种影响对企业的发展将会带来许多问题与隐患。但机会常常伴随危机而出现，当为了发展而解决出现的问题时，人们已经不由得接受了大数据时代发起的挑战，这将对企业将来的发展提供更加敏锐的洞察力与无限的发展潜力。

1 大数据时代现代企业的发展现状

1.1 大数据的应用

我们处在变化迅速的大数据时代，多数企业已经开始选择在营销、创新、风险预测、供应链管理、客户服务等多个方面进行技术上的引用。大数据平台是一个开放的平台，所有的个人或者企业，都可以自由的加入，既能分享到大数据的成果，也能为平台注入更多新鲜的数据。信息时代，数据经常能够决定企业的选择。

在科学数据的分析下，能帮助企业摆脱传统经营模式的束缚，在产品的竞争力与市场的洞察力上有着跨越式的进步。因为它的高端新兴技术、广阔应用前景和庞大产业空间，成为颇具竞争力的“信息生产力”，也成了越来越多企业高度关注并积极布局的战略制高点。

1.2 企业发展现状

随着经济体制改革的进一步发展，企业行为也成为人们日益关注的问题，企业行为是指追求一定目标的企业的社会活动，它的目的在于创造价值、追求利润。在外部环境的变化中采取有归的反应，它直接表现了企业面临的社会经济关系与企业内部结构。

在一个拥有有效信息就是创造价值的经济背景下，大数据以其数量巨大、类型复发、结构众多的特点而越来越被人们所认可，它的核心是挖掘发现数据蕴含的信息，并非物质上的创造提高，因此，针对不同领域，它的应用模式也是不同的。

互联网的发展与应用为大数据的发展提供了良好的平台和有效的动力，信息消费引领了拉动消耗的新一轮热潮，提高运营效率，传统产业也开始更好更快的朝着合适的方向转型。我们相信，在宏观经济的统筹规划下，通过因地制宜的发展策略，各行各业的踊跃参与，企业未来发展前景十分可观。

2 大数据背景下宏观经济对微观企业行为的影响

2.1 大数据时代与宏观经济

在最近一次的金融危机之后，我国的经济呈现不退反进的态势，在世界经济的发展中表现的极为抢眼，也因此而发现了一些问题，相对突出的是国内生产总值的增长幅度无法与税收收入的增速相平衡，总是呈现较慢的趋势。因此国家有关部门应尽早的发展起公共数据共享平台，为经济发展提供科学管理手段和有效的政策分析渠道。

在2014年5月公布了一份宏观经济数据，统计显示，包括国民消费价格指数在内的宏观经济正面临一场变革，这场变革是大数据时代来临的必然，我国宏观经济从此将走向一个新的时代。

2.2 宏观经济下企业的进展空间

宏观经济主要指的是一个国家经济发展的战略阶段和发展水平，经济制度与市场体系、收入水平、财政预算、贸易与国际收支状况等。宏观经济政策的推出与实行往往对企业微观行为有着重大影响。

例如基准利率的上升会增加企业融资成本，降低企业融资和投资。而因为政策的影响所以企业改变或者取消某些经营行为，进而对企业的经营成果产生影响，使得产出减少经济利益下降。企业在运行发展过程中受到微观企业行为的作用与宏观经济政策的影响，二者的互动影响了企业的财务研究与经营成果的发展。

由此可见宏观经济政策与微观企业行为是相互影响相互依存的，所以对它们的分析是不可以分开进行的。就二者的相关性研究者要将它们放在一起讨论，制定政策时考虑到企业面临的各种问题与突发状况，要有全面的考量，制定出一套科学、合理、有效的理论依据。

2.3 宏观经济对微观企业行为的影响

首先，二者之间的关系紧密依存，宏观经济政策为了达到国家要求的目标采取一定的措施与行为干涉微观企业行为，国家是宏观政策的主体，是有目的有主观性的活动，强制制定来达到干预或者影响经济活动的目标。

无论是自由放任的政策，凯恩斯主义或者货币主义，西方国家采取了许多政策主张，但最终难以达到理想效果，许多财务问题、社会问题层出不断，长期困扰着西方国家政府，许多政策的实施与进行时常处于一个很尴尬的境地。

如何提高宏观经济政策的实施效果，如何使微观企业行为配合宏观经济政策的进行，是各国经济管理实践都要考虑解决的普遍性问题。

3 企业微观行为与大数据时代宏观经济的联接

3.1 企业的发展

在经济全球化的趋势下，企业所处行业的宏观经济环境影响着企业的生存发展，不同行业对企业自身的优点与经营需要要求不同，分析的数据与内容因此会有偏差，但一般从政治、经济、社会和技术这四类对企业发展影响重大的外部环境分析开始。

举个例子，政府对企业最直接的影响是可以对进入市场、竞争利润一些市场经济变量进行全面的干预，例如销售类企业，有关部门在销售行业制定的规定与限制对销量与生产的计划制订产生极大影响。

3.2 企业的应对

我们可以发现，我国政府对电子政务与信息化两方面十分重视，投入也很大，对信息网络、硬件软件设施的运用都提供了对大数据发展十分有利的条件。大数据时代为了不让宏观经济与微观企业行为发生冲突，建立良好的协调平台是十分重要的。

首先，要成立数据管理组织，并且不单一特定于一个部门，时刻对外面发布的宏观经济数据的有效性做出各方面的判断，在确保无误时公布结果。

其次，通过对法律的制定减少大数据下宏观经济与微观企业行为的冲突。与国际技术接轨，选择更加先进的技术为了更好的发展经济。

再次，用技术渠道，把微观行为数据与宏观数据汇总，进行分析审核，将显示无效或者不理想的数据控制在宏观数据完成范围之外。

就此之上，要处理好效率与公平的关系。我国市场是社会主义模式，它主要体现了公平的思想，这种思想也受设计者所喜爱，对同样具有社会主义主张的人具有重要意义。

通过制定一系列制度规定实现效率与公平的和谐关系，主张平等而非狭义上的单一平均，而是广义上的均衡，这是分配制度。而在市场上，社会主义主张的效率与公平是实现机会面前人人平等，并非是结果意义上的平等。当前的首要任务是发展生产力，这是提高效益的有效渠道。在利益流入一定的情况下，更多地兼顾公平可能就会损失效益，所以，要将效益放在首位，尤其是初次分配中重视效益，再次分配中重视公平，这样，就会大大减少出现收入差距拉大的问题。

我们在推动经济体制的改革时，记得要有相应的政治文化改革作为保障，当代社会将民主政治作为发展经济自由不可缺少的条件之一，像罗默就将南斯拉夫的“工人自治”模式失败的原因归结为国家领导人不愿意允许企业自治和鼓励竞争，施韦卡特在论述他的“经济民主的市场社会主义”模式时，就提前设定了保证公民自由的法治国家，这样一个条件。当前中国经济体制改革进入到深水区，改革的阻力越来越大，仅靠经济改革成果的说服效果不够，所以需要有相应政治体制配套改革。

最后也要提高宏观经济政策的实施效率，研究发现，如果国家实行紧缩性货币政策，企业会减少投资量，准备在经济紧张时有应对之策。这种情况的出现与货币政策的不稳定实施的效率低有很大关系。宏观经济政策对微观企业行为的影响扩展的很多方面，更具企业发展的现状与前景，企业会对自身的财务与会计做出反应经济政策变动。

此外，宏观经济政策变动还会对折现率与资产定价产生直接影响，而他们将影响企业的筹资与投资，给企业的经营发展带来不确定性。

总而言之，宏观经济政策与微观企业行为都属于一种变量，宏观经济政策在大数据影响下作用微观企业行为，企业行为随着宏观经济政策的变化而发生变化，微观企业行为的变化又使得宏观经济政策进行一定的调整，二者共同推进我国经济的发展。

相关研究者在实际工作中要不断借鉴先进的研究经营和成果，重视大数据、宏观经济政策与微观企业行为的关系问题，通过对他们之间种种联系的研究，总结其对企业生存发展的影响，促进研究领域的拓展。

参考文献：

[1]艾桂江，李昕.大数据时代我国宏观经济数据的冲突与协调[J].河北经贸大学学报， 2014（5）.

[2]姜国华，饶品贵.宏观经济政策与微观企业行为[J].会计研究，2011（3）.

[3]黄轶.浅论宏观经济政策与微观企业行为的关系[J].商情，2012 （46）.

[4]饶品贵，石孟卿，陈冬华，姜国华.宏观经济政策与微观企业行为互动关系研究——首届“宏观经济政策与微观企业行为”学术研讨会综述[J].经济研究，2013（2）.

[5]大数据究竟是什么？一篇文章让你认识并读懂大数据[EB/OL].（2013-11-4）[2014-1-12].http：//www.199it.com/archives/167397.html.

[6]大数据引领产业变革[EB/OL].[2013-3-27]. http：//tech.ccidnet.com/art/32963/20130327/4825483_1.html.

[7]张永军. 中国宏观经济形势与政策建议[J].中国市场，2014（2）.

电力大数据面临的机遇与挑战 篇6

互联网、移动计算、物联网等技术的快速发展和广泛应用,促使每天产生大量的数据[1]。这些数据记录、反映人们日常的生活行为、经济社会发展状态,数据已经渗透到经济社会的各个方面和每个环节,已经成为一项重要资源[2]。

大数据率先在互联网、电信、金融等行业出现,随着大数据价值的深入发掘,其作用和价值得到企业和社会的认可,各国政府也陆续启动了国家层面的大数据研究工作。

2012年3月,美国政府启动“大数据研究与发展计划”,标志着美国将大数据研究上升到国家意志。一个国家拥有数据的规模和运用数据的能力将成为综合国力的重要组成部分,对数据的占有和控制也将成为国家间和企业间新的争夺焦点[3]。

“十二五”期间,我国的能源需要支撑经济平稳较快增长,支撑城镇化建设,满足全面建设小康社会的需要。电力作为主要的二次能源,其高效利用、优化配置和便捷服务,对节能减排、资源节约型和环境友好型社会建设意义重大。电力大数据与电力流动相生相伴,为电力资源优化配置、能源效率水平提升、优质服务和辅助社会管理提供坚实的数据基础和提升空间,电力流与大数据流协调互动,将呈现出崭新的电力工业生态模式。

1 电力大数据的特征

电力大数据在电力生产和使用过程中产生,数据来源涉及电力生产和电能使用的发电、输电、变电、配电、用电和调度各个环节。

电力大数据具有大数据普遍的特征[4],概括为5个V(Volume,Variety,Velocity,Veracity,Value)。(1)数量大。智能电网和企业信息化系统建设,物联网在电网、电厂中的大量应用,电力行业在设备状态、生产调度、资源利用、客户服务等领域将产生海量的数据,这些数据量很快从PB增长到EB(1 EB=1 000 PB),增长速度越来越快、数据量极大;(2)数据类型多。传统的电力生产主要以结构化数据为主,涉及各类电量的测量、流程的记录和资产的管理等,近几年视频、音频、文本等非结构化数据迅速增长,其数量很快超过结构化数据,逐渐成为电力大数据的主要组成部分,研究非结构化数据的处理与分析、提取有价值的信息十分迫切;(3)处理速度快。电力生产需要发电和用电及时平衡,需要对电力调度、设备检修等生产数据实时处理。随着行业管理水平不断提升,客户服务、人财物资源管理、建设运行、企业营销等方面都需要对数据快速处理,满足企业日常经营需要;(4)数据准确性高。电力行业以电力安全生产和满足社会需要为目标,在企业层面,电力数据的准确性涉及到电力生产、计量计费、电力营销必须准确无误,在国家经济方面,电力的发展要与经济发展相适宜,其设备规模、运行方式、厂站分布等数据都要求准确反映社会发展需要和趋势;(5)价值高。电力大数据不仅反映行业内部规律特征,指导电力生产和企业经营管理,还反映经济社会发展状况,其内涵的深入挖掘对于宏观经济分析、辅助社会管理、社会节能减排、商业活动评估和家庭节能等都有积极的意义。

电力大数据蕴藏着巨大的商业价值和社会价值,挖掘电力大数据的价值面临巨大机遇。智能电网基于数据和能源的同步传输,促进能源与信息技术的深度融合,逐渐形成以能源、数据为运行体系支撑下的坚强可靠、清洁环保、友好互动的能源管理网络。电力大数据在经济、能源、民生等方面展现出巨大的综合价值,从生活、生产及运行等各领域全面支撑智慧城市建设。从能源管理角度讲,数据就是能源。通过延伸到家庭、楼宇、企业的广泛覆盖的数据采集网络和深度的电力大数据挖掘,实现智能用电管理,使用户实时掌握用电性能、在线互动能耗数据、实时响应电价,实现能源梯次循环及高效利用,大幅提升能效管理水平,为节能改造提供依据,为政府政策制定、节能减排管理、宏观经济运行等提供智能决策,为城市经济的绿色发展提供坚实保障。

电力大数据应用前景广阔,也面临巨大挑战。

1)数据质量的挑战。高质量的数据是电力大数据应用的基础。数据准确性、完整性不高,将影响决策分析的质量,甚至产生错误的决策建议。

2)多数据融合的挑战。多数据融合是电力大数据应用的关键。长期以专业信息系统为主的信息化建设,导致电力生产各专业数据彼此独立,形成信息孤岛。为破除信息孤岛的数据壁垒,需要融合发电、输电、变电、配电、用电、调度等多专业数据,挖掘电力大数据服务于发电企业、电力用户和经济社会发展的价值。

3)数据可视化信息传递的挑战。电力大数据可视化是数据价值传递的有效方式,电力大数据中蕴藏着电力生产和服务经济社会发展的规律和特征,一般较抽象,难以发现。大数据可视分析将易于大数据规律的发现,展示海量数据中的特征和规律,便于数据价值的传递与知识的分享。

4)大数据存储与处理的挑战。电力大数据对数据存储与计算能力需求巨大。电力大数据对多个数据源的结构化和非结构化数据进行分析处理,需要存储海量的数据,并提供快速的计算能力。分布式数据存储和计算是解决电力大数据存储和计算的有效途径。

2 电力大数据关键技术

2.1 多数据融合

数据融合是一个多级、多层面的数据处理过程,主要完成对来自多个信息源的数据进行自动检测、关联、相关、估计及组合等处理。

电力大数据在行业内部主要涉及电力生产和电力服务各环节数据的融合,实现跨单位、跨部门、跨业务数据分析与共享。数据融合要处理各类数据源数据的抽取、关联,如涉及多个专业的电力资产全寿命周期管理、营销和配电协调管理等都需要不同来源数据的融合,从而逐渐形成以数据为中心的企业信息化管理系统,转变传统的以业务系统为中心的信息化建设思路,促进数据资源共享,发挥数据大的价值。

2.2 数据分析挖掘

电力大数据分析挖掘主要面向结构化数据和非结构化数据,解决复杂数据结构、多种类型、海量数据的有效处理问题。结构化数据的统计分析、特征提取和挖掘比较成熟,视频、音频和文本等非结构化数据是研究的热点。

视频和图像方面主要开展人脸识别、人体识别、物体识别、指纹识别、虹膜识别,以及基于内容的多媒体检索等研究;音频方面主要开展自然语言处理、声音识别、感情计算等;文本方面主要开展自然语言理解、主题思想提取、自动摘要等。非结构化数据的处理方法主要以模式识别、机器学习、统计分析等为主。

在结构化和非结构化数据处理过程中都会用到统计分析、数据挖掘、关联分析、机器学习、建模仿真等算法。大数据时代使得训练和统计样本数量迅速增加,为算法模型改进提供了很大空间,甚至引起新算法的产生。

2.3 数据可视化

数据可视化借助图形描述数据中的复杂信息。良好的数据可视化设计既要有艺术设计,也要能优雅地展示数据的细节,并能够展现对数据的洞察和新的理解[5]。

电力大数据可视化满足电力生产与企业经营、对外交流合作2个方面的需要。电力生产与企业经营方面,数据可视化能够全面、及时地反映电力生产、企业经营的各类数据的状态,满足运行管理工作需要,当特殊状态或设备报警等情况发生时,能够及时、醒目地通知运行和管理人员。对外交流合作方面,电力数据的可视化主要反映电力发展的全局情况,反映社会用电情况和经济活动规律,体现电力发展支撑经济社会的作用和价值。

2.4 大数据存储与处理技术

大数据存储与处理技术主要解决电力大数据实时处理和批量处理。内存计算技术和Hadoop技术的融合是解决电力大数据存储和处理的一个有效办法。

内存计算技术将全部数据放入内存进行计算,是提高单机计算速度的有效办法,是对传统数据处理方式的一种加速。随着内存价格的不断下降,内存计算已经具备物质基础,在一定程度上解决了海量数据的实时处理问题。如将电力企业近10年所有的财务、营销、市场等各方面的数据一次性地保存在内存里,并在此基础上进行数据分析。从应用的角度看,内存计算技术是把现在交易型的数据库和分析型的数据库合并为一个内存数据库,同时应对这2种应用。内存计算可以提高传统信息系统的处理速度,在文献[6]中,对SAPH HANA内存计算进行了测试,可以提高计算速度几十到上百倍。

内存计算主要解决大数据的实时处理问题,而分布式计算则主要解决更大规模数据的分布式存储与处理问题。分布式计算典型的例子是Google文件系统(Google File System,GFS),该系统基于大量Linux操作系统的PC服务器构成的集群系统。文献[7]介绍了Google的GFS系统,随后Yahoo开发了该系统的开源版本Hadoop,Hadoop集群系统具备低廉的硬件成本、开源的软件体系、较强的灵活性、允许用户修改代码等特点,同时能支持海量数据存储和计算任务。Hive是一个基于Hadoop的数据仓库平台,转化为相应的Map Reduce程序在Hadoop上执行。通过Hive,开发人员可以方便地进行数据抽象、转换、加载(Extract-Transform-Load,ETL)开发。

目前,Facebook、e Bay、Last.fm、百度、腾讯、淘宝、阿里巴巴等公司都采用Hadoop作为大数据处理技术平台,其中Facebook有2个主要集群存储日志、源数据,并用于机器学习和分析,其规模达到了1 100台和300台机器,存储空间达到12 PB和3 PB。内存计算和分布式计算的有机结合是兼顾电力大数据海量处理和实时处理的理想选择。

3 电力大数据的应用

电力大数据的价值在于挖掘数据之间的关系和规律,满足企业电力生产、经营管理和电力服务在提高质量、效益、效率方面的需要,促进电力资源的优化配置和高效服务。

在企业内部,电力生产的各环节数据融合、发掘,有利于发现电力生产的薄弱环节和寻找改进措施。开展电网发展规划、电厂运行管理、企业运营监测分析,通过大数据的分析指导企业的日常管理和经营决策。例如:在电力生产领域开展电力实时线损计算,利用智能电表采集的海量能量数据,实时计算分区、分压、分线、分台区等不同范围的线路损耗,为电网调度、交易和检修提供支撑,便于经济、可靠地安排电网运行方式,提高电力资源配置能力。在用电服务领域,开展用电互动服务,实时反馈购电、用电信息,对用电能效进行综合评价和提出节能建议,对剩余电量进行友情提示,促进一些电力消费转移到价格便宜的峰谷时段,减少高峰用电,延迟新建电力设施的需求,这将全面变革电力消费和使用模式,促进能源节约与优化利用。

在电力企业外部,电力大数据更多地反映电力发展支撑经济发展需要以及服务经济社会情况。作为一种时效性、准确性较高的数据,电力数据被广泛应用于分析经济发展水平、经济走势、产业分布状况及政策实施效果等科学问题,为政策制定和宏观经济决策调整提供有力支持[8]。文献[9]通过分析用电量与第一、第二、第三产业之间的关系,研究经济增长与产业结构的变化特点,并对未来几年的电力需求情况进行了预测。

电力大数据与互联网数据、天气数据、经济数据、交通数据、电动汽车数据等社会数据融合,一方面促进智慧城市的建设,为用户提供便捷的电力服务;另一方面为政策制定、公共事业管理以及商业经营提供有益帮助。

4 结语

电力大数据作为一种新兴的技术和理念,虽处在发展的初级阶段,但展示出了数据中蕴藏的巨大能量。以数据为中心的信息化理念将变革传统的信息化工作思路,促进信息化与工业化深度融合,给电力行业带来全新的工作方式和商业模式,在智能电网建设、智慧城市建设中发挥更大的作用。大数据技术的广泛应用必将促进电力行业转型升级,促进能源节约和高效利用,对服务经济社会发展、示范“电力先行”有积极意义。

参考文献

[1]McKinsey Global Institute.Big data:the next frontier for innovation,competition,and productivity[R].2011.

[2]World Economic Forum.Big data,big impact:new possibilities for international development[R].2012.

[3]李国杰.大数据研究的科学价值[J].中国计算机学会通讯,2012(9):8–15.LI Guo-jie.Scientific value of big data research[J].Communica-tions of CCF,2012(9):8–15.

[4]王继业.大数据与电力企业[J].电力信息化,2012,10(8):7.WANG Ji-ye.Big data and electric power enterprise[J].Electric Power Information Technology,2012,10(8):7.

[5]JULIE S,NOAH I.数据可视化之美[M].祝洪凯,李妹芳,译.北京:机械工业出版社,2011.

[6]潘明惠.内存计算技术验证项目与应用研究[J].电力信息化,2012,10(10):29–34.PAN Ming-hui.Research on memory computing technology and its applications[J].Electric Power Information Technology,2012,10(10):29–34.

[7]SANJAY G,HOWARD G,SHUN-TAK L.The google file system[C]//In SOSP’03:Proceedings of the Nineteenth ACM Symposium on Operating Systems Principles,2003.

[8]魏礼舜,潘若愚,丁帅.区域用电量分析和预测决策支持系统[J].合肥工业大学学报(自然科学版),2011(12):1836–1840.WEI Li-shun,PAN Ruo-yu,DING Shuai.A novel decision support system for analyzing and forcasting regional power consumption[J].Journal of Hefei University of Technology(Natural Science),2011(12):1836–1840.

大数据与电力企业 篇7

当前,电网业务数据大致可分为生产数据(如发电量、电压稳定性等数据)、运营数据(如交易电价、售电量、用电客户等数据)和管理数据(如ERP、一体化平台、协同办公等数据)[1]。随着电网企业信息化建设的不断推进,电网企业数据量、数据类型、来源等都有了巨大变化,数据量以几何级爆炸式速度增长,同时数据类型越来越复杂、多样。利用大数据的概念和技术,深度分析利用电网企业大容量、类型繁多的数据,能够获取大量的数据附加价值,为电网企业在大数据背景下的发展、管理、规划提供有效支撑。鉴于此,本文通过收集分析电力大数据的业务特点,研究当前业界最新的大数据开发技术,完成电力大数据基础体系架构的研究以及应用主题的梳理和规范;开展电力大数据关键技术框架和应用规范性研究,构建适用于电力行业的大数据平台核心技术架构,统一电力大数据标准体系;并结合国家电网公司各信息化系统的业务特点和实际需求,探索各种大数据技术路线所适用的业务场景,深入研究电力大数据关键技术,保障大数据技术在电网企业有效落地。

目前,随着国家电网公司业务的发展,一级部署业务系统范围不断扩大,智能电表的应用逐渐普及,信息化管理手段、技术需要不断革新,亟需通过对大数据关键技术的研究、验证和示范应用来促进公司一体化、专业化、扁平化、集约化管理水平,构建新型电网企业运营体系,增强价值创造力和核心竞争力。

以《国家电网公司大数据应用建议》为指导, 遵从SG-ERP总体架构,根据国家电网公司相关研发单位已有的技术基础和产业发展需要,结合“三集五大”核心业务需求,本文从存储、计算、分析、挖掘、集成、应用等方面开展大数据基础体系框架研究和应用主题分析,选取典型应用场景进行成果验证,逐步构建以高性能存储和计算、业务趋势预测、数据价值挖掘为主的大数据服务体系,对巩固和融合公司大数据研究资源,形成大数据研发产业链,进一步提升国家电网公司信息化新技术的综合服务能力,深化推进电力大数据发展,有力支撑智能电网及“三集五大”体系建设具有重要意义。

本文根据相关文献[2,3,4,5]的研究成果,围绕国家电网公司大数据应用及管理所面临的问题与挑战, 结合大数据业务特点,研究电力大数据基础体系架构[6],明确应用主题的梳理及规范,设计面向电力行业的大数据平台核心技术架构,统一电力大数据标准体系[7],深入研究电力大数据关键技术,为在电力行业中应用、推广大数据技术提供了积极有效的推进和支撑作用。

1 大数据概述

1.1 定义与特征

大数据 (Big Data),又称为巨量资料,指的是所涉及的资料量规模巨大到无法通过目前的主流软件工具,在合理时间内达到掘取、管理、处理并整理成可帮助企业经营者决策的信息[8]。在大数据应用中,一般不采用随机分析法(即抽样调查会降低结果的准确度),而是采用对所有数据进行分析的方法。

大数据具有4个方面的特征,表征为4个“V” (Volume,Variety,Velocity,Value)。

1)Volume:数据量由TB级转变为PB级 (1PB=1024TB),数据量巨大。

2)Variety:数据类型多样化,包括各种业务系统中的日志、视频、图片等多种类型数据。

3)Velocity:大数据应用数据处理速度快,需在秒级时间范围内给出分析结果,这和传统的数据挖掘技术有着本质的不同。

4)Value:价值密度低,但商业价值高,大数据中充斥着大量的无关数据,可用的数据可能只占其中很小的部分。

1.2 大数据技术

大数据技术是指从各种类型的数据中快速获得有价值信息的技术。大数据领域已经涌现出了大量的新技术,成为大数据采集、辨析、抽取、分析、挖掘、存储、处理、呈现与应用的有效手段。大数据关键技术一般包括大数据采集技术、大数据预处理技术、大数据存储及管理技术、大数据分析及挖 掘技术、大数据展现与应用技术等。

1)大数据采集技术。在大数据采集技术中, 大数据智能感知层主要包括数据传感体系、网络通信体系、传感适配体系、智能识别体系及软硬件资源接入系统,可实现对结构化、半结构化、非结构化的海量数据的智能识别、定位、跟踪、接入、传输、信号转换、监控、初步处理和管理等。

2)大数据预处理技术。大数据预处理技术主要完成对已接收数据的辨析、抽取、清洗等操作。由于采集的大数据具有多样化的特征,数据结构和类型可能多样而复杂,通过抽取,可以对这些复杂的数据进行转化处理,将复杂的、不便处理的数据转化为单一的、便于处理的结构类型,以便能够对数据进行快速分析处理。同时,由于大数据具有价值密度低的特性,在大量的数据中,并不全是有价值的数据,同时充斥着大量的无关数据,可用的或者用户所关心的数据可能只占其中很小的部分,因此需要通过清洗对数据进行甄别过滤,从而提取出可用的或者用户所关心的数据。

3)大数据存储及管理技术。在大数据存储与管理中,需要用存储器把采集到的数据存储起来, 建立相应的数据库,并进行管理和调用。需重点解决复杂的结构化、半结构化和非结构化大数据的管理与处理难题。

4)大数据分析及挖掘技术。开发数据网络挖掘技术、特异群组挖掘技术、图挖掘技术等新型数据挖掘技术,研究基于对象的数据连接、相似性连接等大数据融合技术,突破用户兴趣分析、网络行为分析、情感语义分析等面向领域的大数据挖掘技术,结合人工智能、数据库、机器语言和统计分析等知识与技术,改进现有数据挖掘技术及算法。

5) 大数据展现与应用技术。通过大数据分析及挖掘,将隐藏于海量数据中的可用的或者用户关心的信息和知识挖掘出来进行展现,并应用于日常的社会经济活动中,从而提高社会各个领域、各个层面的运转效率,大大提升整个社会经济的集约化程度。

2 电力大数据基础体系框架的研究方法

2.1 现状及发展趋势研究

从技术、产品、应用3个维度对业界大数据研发情况进行梳理,提炼不同层面的研发方向及要点,依据梳理及提炼的调研要点,对业界大数据的技术、产品、案例进行深入分析,结合业界大数据技术的实际成果,进行深入分析和研讨,对各家厂商分别编写调研分析报告,形成《业界大数据技术现状与发展趋势调研汇总表》以及《大数据技术现状与发展趋势调研分析报告》。

2.2 应用现状、方式与需求

从软硬件基础环境、应用、业务、数据现状和技术现状5个维度对国家电网公司内“三集五大”体系中大数据的应用情况、应用方式及业务需求进行调研,综合现阶段调研取得的主要成果,对各业务需求调研分析的整体情况进行汇总,并将应用分析结果和示范建设内容写入《国家电网公司大数据应用研究报告》。

2.3 制定大数据发展规划

总结提炼出契合国家电网公司的大数据概念和技术研究方向,确定公司大数据总体目标与原则, 明确大数据技术研究和业务应用方向,确定大数据研究的主要任务和典型应用场景,确定公司大数据应用分析及大数据总体架构与技术路线,并统筹制定大数据工作开展的相关保障措施。

2.4 大数据基础框架与演进路线

1)技术筛选:结合电力大数据的定义和内涵, 选取大数据所包含的详细技术。

2)分层技术研究:从管理层、计算层和应用层梳理电力大数据涉及的关键技术以及各种技术之间的关系。

3)基础框架提出:对业界大数据技术路线进行比对,结合业务系统数据现状和需求,分析并提出电力大数据基础体系框架。

2.5 大数据管理规范

在国家电网公司层面形成电力大数据统筹管理机制和规章规范制度,保障公司各业务部门及省(市)电力公司在进行电力大数据建设时,满足国家电网公司大数据相关政策、总体规划及基本要求,保证电力大数据建设的高效管控与有序开展; 建立公司级跨部门协调、决策机制,公司各部门统筹协调,统一组织内部科研产业单位、省(市)电力公司开展电力大数据的研究、建设和推广。

2.6 大数据相关应用标准

通过梳理国内外大数据相关标准,深入分析公司信息通信、智能电网和“三集五大”已有的相关标准,并结合电力大数据技术研究、产品研发、试点建设,总结凝练形成大数据标准规范,覆盖数据计算、数据存储、数据安全、数据挖掘等层面。

2.7 大数据建设与应用规范化模式

综合分析公司业务对大数据应用需求的成熟度和紧迫度,拟定未来大数据应用的主要业务领域。研究并分析业界大数据应用建设的成功经验,结合公司大数据建设情况,对技术研究、组件研发、标准制定、应用验证等进行全局统筹把控,制定电力大数据建设的模式,同时开展各业务典型场景的应用规范化研究工作,实现电力大数据对各业务场景应用流程的全程把控,从而对电力大数据的广泛应用提供指导依据。

3 结语

大数据与电力企业 篇8

以往的业扩供电方案的编制依据主要依靠相关专业人员的专业知识以及工作经验，这样业扩供电方案的好坏便将受限于技术人员的水平，考虑到影响供电方案的因素的多元化，光靠人力分析势必有诸多局限。随着近些年大数据技术的发展，使得通过海量数据挖掘获取其潜在的知识更加容易实现[3]。现通过分析用户信息数据、供电设施信息数据以及城市地形、地貌和城市道路规划要求等信息，综合考虑，选取最佳的供电方案，在满足客户安全可靠的供电情况下，尽量控制供电的成本，达到节约电力资源的目的。

1 供电方案编制考虑因数

1.1 用电客户信息因数

供电方案编制的好坏最终是取决于用户对使用情况体验的反馈，因此在制定供电方案的时候要充分考虑用户信息数据，根据用户信息制定合理适用的供电方案，主要考虑的用户信息有：用电容量、用电性质、用电时间、用电负荷重要程度等因素[4]。这些因数直接决定了供电电源和电压等级的选取。根据《国家电网公司业扩供电方案编制导则》，特级重要电力客户应具备三路及以上电源供电条件，其中的两路电源应来自两个不同的变电站，当任何两路电源发生故障时，第三路电源能保证独立正常供电。一级重要电力客户应采用双电源供电，二级重要电力客户应采用双电源或双回路供电。临时性重要电力客户按照用电负荷重要性，在条件允许情况下，可以通过临时架线等方式满足双电源或多电源供电要求。对普通电力客户可采用单电源供电。

1.2 电力设备信息因数

电力设备的位置情况及状态信息直接影响到供电方案的编制，通过调用国网GIS和PMS的电力设备信息数据，可以直观的在地图上展现出电力设备的位置及状态信息。主要考虑的电力设备信息有：开关柜、地下管网、电源点等。在进行新的供电方案编制时，充分利用原有开关柜和地下管网，可以大大节约供电成本。

1.3 城市地理信息因数

城市地形、地貌和城市道路规划要求等信息对供电方案的优化具有重要的作用，以往的方案编制对这方面的考虑较少，从而导致方案实施后才发现方案制定忽略了一些重要信息。例如，低洼处在雨季容易积水，若事先未考虑此因数对电缆的敷设做高密度防水措施，则会影响到电缆的使用寿命，严重的将会影响用电安全，事后补救便将提高供电成本以及造成人力、财力的浪费。

2 大数据平台分析决策

要综合考虑影响供电方案编制的诸多因数，通过传统的分析决策方式难以实现，大数据技术的出现正好弥补了这一缺陷。依靠大数据技术，建立算法分析模型，便可通过对海量历史数据的分析，挖掘其潜在的经验知识，也可对海量的现实数据分析，探究其存在的共性特征。结合历史经验和现存的共性特征将有助于实现最佳供电方案的编制。。

2.1 建立大数据分析库

通过Hadoop平台实现海量分布式数据库的搭建，将供电方案编制需考虑到的用电客户信息、电力设备信息、城市地理信息等数据通过HDFS存储到分布式数据库中，在数据计算时，通过MapReduce实现海量数据的分布式计算。

2.2 算法分析模型搭建

使用聚类分析算法实现对海量历史用户信息数据的分析，从而获取用户对供电可靠性的需求，结合用户新报装申请的数据，综合分析其合理性，制定既能保证用户实际需求又能充分节约资源的方案。

通过对最新的电力设备信息数据的分析，在供电方案制定的过程中，充分考虑现有资源的可利用情况，例如附近存在开关柜和地下管网可用的情况下，利用这些现有资源便可以大大节约供电成本。

通过对城市地理信息与供电方案制定的关联分析，分析地势、道路等因数对供电方案编制影响的程度，从而在供电方案编制的过程中，依据因数的支持度（支持度是对关联规则重要性的衡量）[5]，作为其在优化供电方案时所占的比重。

3 结语

大数据技术的出现，弥补了一般分析无法解决的并发问题，同时使得对海量数据的分析更加的便捷，通过建立大数据分析平台，综合考虑影响供电方案编制的各方面因数，通过数据分析结合历史经验和现存共性，寻找出最佳的供电方案，在满足用电客户的需求同时，实现了资源的整合节约和供电规划的可持续发展。

参考文献

[1]王中华.资阳电力公司业扩报装系统的研究[D].重庆市:重庆大学,2007:1-7.

[2]胡开君.电力营销中存在的问题及对策[J].科学与财富,2014(12):431-431.

[3]余方兴.浅谈计算机数据挖掘[J].计算机光盘软件与应用,2013(14):298-300.

[4]秦光洁.关于高压客户供电方案编制的探研[J].大科技,2014(6):52-53.

大数据与电力企业 篇9

电力通信网络是国家电网公司除电网外的实体网络, 是国家电网公司在发展过程中的重要组成部分, 是国家电网公司安全生产的保障, 也是各类电力调度生态和信息管理业务的主要载体, 只有做好电力通信设备检修工作, 才能有效地促进电力行业快速发展, 保证电力设备的使用安全。

1 大数据下的电力通信概述

1.1 网络拓扑结构分析

随着社会不断的发展, 大数据的时代已经到来, 大数据被人们称作为一种巨量的资料信息, 需要全新的处理模式才能保证数据信息处理过程中具有较强的决策力、观察力和流程优化能力, 同时还可以在一定程度上增加数据信息的资产[1]。将大数据融入到电力通信设备检修工作中, 可以有效的提高检修工作的质量与效率。现阶段, 我国电力通信网络比较常见的网络组成方式主要有SDH网络, 该系统在使用过程中主要以星型、链型、环型的形式出现, 并以电力通信传送网网络的形式进行操作, 如图一所示。使用大数据将其中的数据进行优化处理, 只有这样才能将电力通道传输系统进行统一管理, 从而促进电力行业快速发展。但是在实际应用过程中, 常常会限制一些电力网路规模的建设, 要想改变这一现状就需要采用混合的电力通信网络以组成的方式进行。对于电力通信网络来说, 可以根据网络的主要形式将其制作成对应的双纤环网构架, 从而提高电力通信设备的安全性与可靠性。

1.2 业务在通信网中的承载关系

大数据在分析电力通信设备影响业务自动分析平台时, 常常将业务在通信网中的承载关系进行划分, 主要包括了以下几点: (1) 底层承载平面:如图1所示.使用专业的MSTP传输系统, 将网络进行传输与重组; (2) 业务网络平面:主要包括了相关数据网络、调度数据网络、行政交网络等部分。其中的数据网络主要包括了电力通信网络, 通过数据网络将其中的数据信息进行传递[2]。不同网络系统所承载的网络业务都可以进行实时交换, 提高数据的转换的准确性; (3) 业务平面:该业务主要包括了语音业务、行政电话业务、数据调度业务等部分组成。并通过大数据将其中的业务数据进行分析, 只有这样才能保证业务数据信息可以正常传递下去。

2 大数据下的电力通信SDH传送网络保护机制

2.1 SDH网络中的设备保护

要想通过大数据对电力通信设备的影响业务自动化进行分析, 就需要使用SDJ网络设备保护系统, 根据电力通信的现状为其制定有效的保护机制。在一般情况下, 保护机制会在一些单独的网元设备中进行运行, 并对网元设备中的电源盘、主控板卡、支路板进行保护, 从而保证电力通信设备可以正常运行下去[3]。

2.2 SDH网络中的线路保护

SDH网络在对电力通信进行保护时, 常常会以多元化的形式进行, 只有这样才能保证电力通信设备可以正常进行传输工作。SDH网络下的相关线路主要由子网连接、复用段保护而形成的。其中的子网连接保护可以将其在各个网络通讯中进行应用, 保证数据传输的稳定性。使用该网络还有这、传输数据较快, 随意换转等作用;而复合段保护与子网连接的差距较大, 主要体现在对电力通信终端口级的保护, 保护设备可以正常运行, 完成现对应的工作[4]。但是在使用过程中不适合将在电力通信通道中进行应用。同时还可以使用1+1的形式进行复合段的保护。

3 大数据下的电力通信设备检修影响业务分析系统实现

要想使用大数据对电力通信设备检修影响业务平台分析系统实现, 就需要做到以下几点: (1) 检修分析对象, 了解分析对象, 并将电力通信中的主板卡、网元、光缆纤芯、光缆段进行定期检修, 只有这样才能保证电力通信设备的使用安全; (2) 做好电力通信分析工作, 并将其进行定期检修做好检修工作的记录, 总结其中的数据信息, 使用大数据对数据这些数据进行分析, 找出电力通信设备中所在的问题; (3) 分析步骤, 在使用大数据对电力通信设备数据进行检修时, 要对业务、板卡、线路板、支路板进行检测, 并了解其中所承载的业务数据。在检查过程中, 如果要对板卡进行检查的话就需要将原有的业务状态进行终端。如果的交叉版、时钟版的话就需要找出其中的网元承载业务。如果是一些备用卡板的话就需要将业务进行停止使用, 将其中的相关线路进行日常检查, 只有这样才能保证电力通信设备的使用安全。

4 总结

电力通信业务的主要核心内容与电力通信网络的运行稳定性有着非常重要的关系, 同时也是保障人们用电安全的关键之一。随着社会不断的发展, 我国电力网络规模不断扩大, 这在一定程度上提高了电力运营的难度, 对电力通信业务的需求也越来越高。因此, 大数据融入到电力通信业务中去才能满足现代化社会的需求, 并做好网络电力通信业务, 从而促进电力企业快速发展, 提高社会经济效益。

参考文献

[1]张春平, 唐云善, 施健.电力通信设备检修影响业务分析的研究及应用[J].电力系统通信, 2012 (06) :23-26.

[2]杨志敏, 吴斌, 舒然.基于大数据处理技术的电力通信网检修工作分析方法[A].中国电机工程学会电力信息化专业委员会、国家电网公司信息通信分公司.2015电力行业信息化年会论文集[C].中国电机工程学会电力信息化专业委员会、国家电网公司信息通信分公司:2015:1.

[3]徐春婕.铁路大型客运站管理系统及关键技术研究[D].中国铁道科学研究院, 2014.

大数据与电力企业 篇10

为了适应能源互联网发展趋势及日益复杂的运行环境,针对以电网为核心的能源互联网这一复杂网络属性,有效融合信息物理系统理念、多源信息采集,并在大数据相关技术支撑下开展适用于大型能源互联网的分析、控制及大数据应用模式研究,以便增强能源互联网多源信息采集的深度挖掘和广泛利用,为能源互联网提供更强的分析与表达能力,更精确地全面感知复杂能源网络的运行态势,并为更高效的实时优化控制打下基础,从而全面提升能源互联网智能化水平,助推能源互联网核心业务创新和价值创造。

与会专家共进行了以下9个专题的报告:①薛禹胜(国网南瑞集团):关于因果分析与统计分析深度融合的探索;②王继业(中国电力科学研究院):大数据在电网领域的探索与实践;③张剑云(国家电网调度控制中心):特高压交直流电网安全形势与需求—大电网安全综合防御体系设计;④李柏青(中国电力科学研究院):信息驱动的能源互联网全景安全防御概念及架构;⑤穆钢(东北电力大学):基于数据的电力系统运行特征分析初探;⑥毕天姝(华北电力大学):复杂电网动态相量监测技术与系统实时状态感知;⑦郭庆来(清华大学):信息能量系统综合安全评估与运行知识发现;⑧邱才明(上海交通大学):高维统计分析及其电网大数据—随机矩阵理论框架;⑨吕金虎(中国科学研究院):复杂网络的控制与识别及其在智能电网中的应用。