能源行业对大数据技术的需求

以下将从电力大数据的应用前景以及电力大数据面临的挑战两个方面详细介绍电力行业对大数据分析处理技术的迫切需求。

3.3.1.1 能源大数据应用前景

电力系统将产生大量的数据,但是电力行业在进化的过程中面临的问题并不是简单的数据量的问题,而是整个行业面临重塑的机遇和挑战,即如何从海量的数据中识别可用的数据,评估潜在的价值,进而促进整个行业的转型发展。电力大数据分析处理平台可以为电力行业的发展带来巨大的推动作用,主要体现在以下几个方面:

(1)社会和政府部门。电力行业作为国家基础性能源设施,为国民经济发展提供动力支撑,与社会发展和人民生活息息相关,是国民经济健康稳定持续快速发展的重要条件。社会和政府部门可以依据电力大数据的分析处理结果,对社会经济状况进行分析和预测,对相关政策的制定进行效果分析,对风电、光伏、储能设备技术进行性能分析。

(2)面向电力用户服务。电力生产销售的实时性,使得电力行业不得不靠基础设施的过度建设来满足电力供应的冗余性和稳定性。这种过度建设带来的发展方式是机械的,也是不经济的。为了满足电力行业经济性的可持续发展理念,可以通过对电力大数据的分析处理在电力用户方面进行节能改进。对电力大数据的应用方面包括:用户能效分析、客户服务质量分析与优化、业扩报装等营销业务辅助分析、供电服务舆情监测预警分析等。

(3)支持公司运营和发展。针对公司运营和发展,电力大数据的分析处理在以下方面可以起到关键性的指导作用:电力系统暂态稳定性分析和控制、基于电网设备在线监测数据的故障诊断与状态检修、短期/超短期负荷预测、配电网故障定位、防窃电管理、电网设备资产管理、储能技术应用、风电功率预测、城市电网规划等。

(4)电力生产。基于电力大数据的分析处理结果,在发电环节,可以进一步深化推广风电和太阳能等新能源发电功率预测和运行智能控制技术,提升新能源接入和分布式储能的能力,促进大规模风电和光伏等可再生能源的科学合理利用,减少能量损失,优化发电侧运行效率,解决能源利用率低的问题;在输电环节,可以开展分析评估诊断与决策技术研究,实现输电侧态势评估的实时化和智能化,并可以结合外部数据,开展输电侧设施智能防灾研究,实现线路问题元器件的快速恢复,提高输电侧的自愈能力;在变电环节,可以提升变电站的智能化管理水平,通过全网、全区域实时信息共享和分析实现变电侧的实时控制和智能调节,实现变电设备信息和运行维护策略与电力调度的智慧互动;在配电环节,可以实现对用户负荷和用电情况的深入了解,提高对客户用电需求和负荷模式的认知水平,优化配网规划和供电计划,同时可以提高配网监测、保护和控制水平以及事故的响应程度,另外可以优化配网运行管理水平,提升供电可靠率;在用电环节,可以建立面向经营与管理的科学营销决策支持平台,实现市场运营、营销及客户服务、设备全寿命周期管理等各类主题的分析及预测,提高营销服务的综合分析预测能力,并同时实现客户用电管理优化、用能实时分析和预测等高级应用,提供用电增值服务;在调度环节,可以建设以数据驱动的智能调度体系,实现运行信息全景化、数据传输网络化、安全评估动态化、调度决策精细化、运行控制自动化、机网协调最优化,提升调度驾驭电网能力、资源优化配置能力、科学决策管理能力和灵活高效调控能力。

3.3.1.2 能源大数据面临的挑战(www.xing528.com)

能源大数据往往含有噪声,具有动态异构性,是相互关联和不可信的。尽管含有噪声,但大数据往往比小样本数据更有价值,这是因为从频繁模式和相关性得到的一般统计量通常会克服个体的波动,会发现更多可靠的隐藏的模式和知识。另外,互相连接的电力大数据形成大型异构的智能电网,通过智能电网,冗余的信息可以用于弥补数据缺失所带来的损失,可用于交叉核对数据的不一致性,进一步验证数据间的可信关系,并发现数据中隐藏的关系和模型。数据挖掘需要集成的、经过清洗的、可信的、可高效访问的数据,需要描述性查询和挖掘界面,需要可扩展的挖掘算法以及大数据计算环境。与此同时,数据挖掘本身也可以用来提高数据质量和可信度,帮助理解数据的语义,提供智能的查询功能。只有有效地进行大数据分析,大数据的价值才能发挥出来。目前,能源大数据主要面临以下几个问题:

(1)数据量的膨胀。随着数据生成的自动化以及数据生成速度的加快,数据分析需要处理的数据量急剧膨胀。一种处理能源大数据的方法是采样技术,通过采样将数据的规模变小,以便利用现有的技术手段进行数据管理和分析。但是采样技术最大的缺点是会造成信息的缺失,在能源行业中对于要求数据精准度的应用此方法并不适用,因此需要在明细数据上进行分析,随着数据量的急剧增加,如何对TB级的数据进行分析处理面临巨大挑战。

(2)数据质量较低。数据质量、数据管控能力直接影响数据分析的准确性和实时性。目前,能源行业数据在可获取的颗粒程度,数据获取的及时性、完整性、一致性等方面均存在很大欠缺,数据源的唯一性、及时性和准确性亟须提升,行业中企业缺乏完整的数据管控策略、组织以及管控流程。

(3)数据共享程度低。数据共享不畅,数据集成程度不够。大数据技术的本质是从关联复杂的数据中挖掘知识,提升数据价值,单一业务、类型的数据即使体量再大,缺乏共享集成,其价值就会大大降低。目前,能源行业缺乏行业层面的数据模型定义与主数据管理,各单位数据口径不一致。行业中存在较为严重的数据壁垒,业务链条间也尚未实现充分的数据共享,数据重复存储且不一致的现象较为突出。

(4)数据深度分析需求增加。为了从数据中发现知识并加以利用进而指导能源行业的决策,必须对能源大数据进行深入分析,而不是仅仅生成简单的报表。这些复杂的分析必须依赖于复杂的分析模型,很难用SQL来进行表达,这种分析称为深度分析。在能源行业中,不仅需要通过数据了解当前已发生的事情,更需要利用数据对将要发生的事情进行预测,以便在行动上做出一些主动的准备。

(5)自动化、可视化分析需求的出现。能源行业中数据量不断增加,为提高分析效率,分析过程需要按照完全自动化的方式进行。因此,要求计算机能够理解数据在结构上的差异和数据所要表达的语义,然后机械地进行分析。另外,在能源业务中,数据的展现不仅仅是报表的形式,其需要更加形象和生动可视化平台去支持能源行业的决策。自动化和可视化的强烈需求已成为能源行业一个亟待解决的问题。