大數據技術在電力行業的應用研究

伯運鶴

摘 要：電力大數據具有規模大、種類多、生成速度快、價值巨大但密度低的特點，具有重要的研究意義和實際價值。重點介紹了電力大數據特點、數據來源和核心技術。將電力大數據應用歸納為六個關鍵環節--發電、輸電、變電、配電、用電和調度，分別介紹了電力大數據在六個環節的具體應用。最后從數據質量、數據融合、硬件設備和隱私安全四個方面，指出電力大數據當前面臨的挑戰。

關鍵詞：大數據；電力信息化；數據科學

1 概述

隨著數字化和信息化建設的迅猛增長，信息量也呈現出了爆炸性的增長態勢。截至2012年，人類每日能夠產生的數據量就已達到2.5EB（1018 byte）[1]，而且數據規模還將持續增長。麥肯錫（McKinsey）2011年發布的《大數據：創新、競爭和生產力的下一個新領域》的報告顯示，大數據正在成為從工業經濟向知識經濟轉變的重要特征，已經成為新時代最關鍵的產品形態和生產要素。目前，“大數據”的概念已經滲透到社會的各行各業，電力工業作為國家的基礎性能源設施，同樣概莫能外。

對于電力行業而言，來自企業生產的數據（如發電量、溫度、壓力等），來自電力企業的運營數據（如交易電價、用電客戶等），來自電力企業管理數據（如一體化平臺、ERP等），這三方面的數據共同構成了“電力大數據”。“電力大數據”涉及電力系統的各個環節，綜合了電力企業的產、運、銷及運營和管理數據，為提升企業的競爭力和生產效率、深化企業層次、強化企業管理提供了強有力技術手段[2-5]。

2 電力大數據概述

電力行業的信息時代正處于關鍵轉折點，以往單一、變化平緩的數據類型將逐漸被復雜及異構數據取代。這就要求電力企業需要有更高的對數據處理、挖掘、管理及互操作的能力。

2.1 電力大數據的特征

2011年，國際數據公司（IDC）將大數據的特點總結成四個“V”，即體量大（Volume）、類型多（Variety）和速度快（Velocity）和價值高但密度低（Value）[6]，電力大數據同樣具有以上特點。此外，《中國電力大數據發展白皮書》中指出電力大數據同時具有“3E”特征，即能量（Energy）、交互（Exchange）和共情（Empathy）[3]。電力大數據與其它行業數據相比，有著更為廣義的范疇。因此，如何用高效的方法將電力大數據進行分析和處理，使用科學的技術手段以挖掘出數據潛在的巨大價值是十分必要的。

2.2 電力大數據的來源

如前文所述，電力大數據的來源主要有三個方面，即電力企業的生產數據、運營數據和管理數據。

（1）電力企業的生產數據。此類數據是電力大數據的產生源頭，主要包括實時生產數據和設備生命周期數據兩類。這些數據往往由發電側產生，用故障檢測、恢復電網運行及發電設備的檢查和維修等方面。

（2）電力企業的運營數據。此類數據包含了用戶側的相關信息，如客戶名稱、電費計價、客戶用電特點，并提供給相關部門，用以對客戶行為進行分析決策，挖掘數據中存在的隱藏信息，構建針對營銷的系統性算法模型數據庫，用以改善服務模式，提高服務質量，滿足不斷發展的營銷需求。

（3）電力企業的管理數據。對于電力企業來說，如果能充分利用來自電網的數據，通過軟件對這些數據進行有效的分析和管理，將有助于提高企業管理水平，降低運營成本，提高企業的工作效率，保證決策的正確性。對于用戶來說，可以享受到由電力大數據產生的增值業務所帶來的實惠，得到更高質量的服務。這就體現出了電力大數據“以人為本”的核心價值。

2.3 電力大數據的核心技術

根據業界對大數據的研究，歸納出電力大數據的關鍵技術，包括數據集成管理技術、數據分析技術、數據處理技術和數據可視化技術。

（1）數據集成管理技術

電力大數據中的數據集成管理技術，是對不同數據源、不同數據形式、不同特征的大數據進行收集、整理，經過數據轉換、加載后得到新的數據源，之后對得到的新的數據源進行管理，統一對外提供服務。這一技術可以為電力企業創造出許多新的服務項目和應用功能。數據集成管理技術主要包含數據融合和數據集成技術、數據庫管理技術以及萃取-轉換置-加載技術（ETC）。圖1給出了數據集成和管理技術的原理過程。

（2）數據分析技術

電力大數據中的數據分析技術包括機器學習技術、相關分析技術和數據挖掘技術，通過數據分析，就能夠將有用的信息從浩瀚的大數據中提取出來。其中，機器學習技術是人工智能的核心，它是利用經驗來改善計算機系統自身的性能。該技術已被廣泛應用于電力系統的不同領域，如電力系統暫態穩定評估、電力設備的狀態監測等。相關分析技術可以識別數據間的相關或因果關系，而被廣泛應用于電力系統的投資決策和電力負荷預測等方面。數據挖掘技術是當前數據庫和人工智能領域研究的熱點課題，用以解決復雜數據結構、多種類型、海量數據的有效分析處理問題，提高數據的質量和可信度，在電力大數據中，數據挖掘主要用于企業決策和用電行為預測等。

（3）數據處理技術

大電力數據的數據處理技術主要有分布式計算技術，內存計算技術和分布式數據流處理技術。其中，分布式計算技術是利用網絡將電力系統中的計算機連接起來，以組成一臺虛擬的超級計算機，完成大規模數據的存儲和計算。內存處理技術將收集到的電力大數據存儲在內存中，并直接在內存中對海量數據的計算和分析，大大地提高了計算速度。分布式數據流處理技術由于具有良好的伸縮性、開放性和實時性，在對電力系統動態數據的實時處理中有著不可替代的地位。

（4）可視化技術

可視化技術借助圖形化手段，將各種信息以更容易理解的方式呈現出來，為運行和管理人員提供直觀、準確的信息，同時該技術對發現大數據中新的信息起到至關重要的作用。可視化的目的是發現信息、洞察數據和做出決策。電力大數據中的可視化技術主要包括三個方面，即三維可視化、歷史信息可視化和地理信息可視化。可視化技術已被廣泛應用于電力系統狀態實時監測控制、調度、規劃和分析，大大提高了電力系統的自動化水平。

3 大數據技術在電力行業中的應用

大數據時代對電力行業發展帶來新的發展機遇。大數據戰略的踐行，將對電力系統的各個環節（發電、輸電、變電、配電、用電、調度）的生產和管理水平起到極大的改善作用，同時還能為電力企業提供更為強大的信息技術支撐。

3.1 發電環節

盡管最近幾年我國新能源發電比重有所提高，但我國目前及以后相當長的時間內仍將以火力發電為主，能源結構較為單一；火力發電煤耗率、廠用電率也高于世界用電水平，大力加強火電廠降耗節能已經刻不容緩，可持續發展思想仍需加強。

利用大數據、云計算等先進信息方法與系統，積極探索火電深度、快速變負荷控制理論與技術，可以充分發揮火電在多源互補和規模化新能源電力系統消納中的作用，以增強火電機組深度、快速變負荷能力，提高火力發電在新能源電力系統中的彈性運行水平。

大數據在發電環節的應用，如利用數據挖掘技術和數據倉庫技術應用于發電廠特定設備的狀態檢修，取得了較好的效果。采用模糊集理論和相關函數結合的大數據分析方法，可以預測出不同邊界和運行工況下的機組供電煤耗率，對火電機組的節能發電具有參考意義。

3.2 輸電環節

輸電線路是電力系統的重要組成部分，其作用是分配和輸送由電廠產生的電能。輸電線路的安全穩定運行是經濟快速發展的有力保障。但由于我國地理環境和自然環境等方面的原因，輸電線路現面臨諸多安全隱患。

結合線路、氣象、地理、運行等數據，利用數據挖掘技術，建立運維大數據綜合分析系統，能夠實現故障分析、防災研究和狀態評價，能為設備的管理運行和維護提供可靠的技術支持。

大數據在輸電環節的應用，有學者提出了一種基于大數據分析的輸變電設備狀態數據的異常快速檢測方法，很好地實現了設備異常的實時檢測。利用軟件處理和數據挖掘技術得到了落雷區域的雷電分布特征，對輸電走廊的防雷工作具有一定的指導作用。

3.3 變電環節

變電運行承擔著對電網進行管理和調度的作用，因此變電設備的可靠性是電網供電可靠性的重要環節。目前，檢修管理模式單一、一次裝備智能化程度不足、變電自動化系統信息共享程度不高是當前變電環節面臨的主要問題。

針對上述存在的問題，學者提出應用數據儲存和處理技術實現變電設備的狀態監測。同時，通過引入數據挖掘技術，建立了基于遠程的變電站智能數據挖掘系統，對實際的生產產生了切實的幫助。

3.4 配電環節

配電是配電企業將輸電網的高壓電利用變電設備，使其轉變成用戶所需電力產品類型并輸送給用戶的過程。我國目前對于智能化、信息化的配電網的建設已經全面展開，但智能化和信息化的程度仍需進一步加強。與傳統配電網相比，智能配電網可以實現能量流的雙向流動和信息的全面集成，同時還能夠支持互動業務流程，從全局的角度進行決策的優化。

大數據技術可以為配電環節提供全面的技術支撐：可以更好的掌握用電負荷變化規律，提高對于負荷要求的預測準確程度；可以更好地指導設備的狀態檢修，排除現場的安全隱患，提高事故的響應程度；可以對新能源發電進行統一有效管理，提高電網運行水平的全面提升。此外，大數據在智能配電網能量優化、運行狀態、不良數據變識負荷預測等方面對于配電網具有巨大的經濟效益和社會效益。

3.5 用電環節

在電力系統的用電環節，我國用電信息采集、營銷用電管理的信息化系統建設已初見成效，來自需求側的數據的數量和種類也已頗具規模，這就為大數據在用電側的研究開展奠定了良好的數據基礎。

電力大數據在面向需求側的國外典型應用實例：如美國利用可視化數據技術，已設計和開發出洛杉磯地區的電力地圖，為管理者提供了直觀有效的負荷需求依據，進而準確地進行能源投資；法國電力公司通過安裝數萬臺智能儀表用以獲取客戶的用電信息，開發出基于大數據的用電采集應用系統。歐美其他一些國家同樣有類似舉措。國內學者在此領域的研究，如基于數據挖掘技術，對上海的電力大客戶建立了客戶細分模型，進而對該地區提供更加豐滿和完善的營銷策略。利用海量數據，結合數據挖掘技術，同樣對上海居民用戶進行了用電特征分析，并提出“冬夏敏感”指數、行業“加班”指數等概念，進一步指導用戶個性化智能用電。將數據挖掘技術應用于反竊電系統中，為用電側的電量管理提供了技術保障。

3.6 調度環節

調度環節通過對信息進行獲取、傳輸和處理，實現對一次電力系統運行的監視、分析和控制，確保電能能夠安全流通，實現經濟效益的最大化。因此，調度環節被稱為是智能電網的“神經中樞”。

隨著大容量風光儲等新能源廣泛接入，利用電網調度運行過程中涉及到海量數據，建設以數據驅動的智能調度體系，實現電網運行數據向知識的轉化，提高電網高度的經濟性、安全性，是智能調度發展的必然趨勢。大數據在多時間尺度的負荷特性參數在線辨識、互動負荷大范圍的廣域優化調度、級聯式停電模式等方面也同樣具有巨大的潛在應用價值。

4 電力大數據面臨的挑戰

大數據技術為電力行業帶來機遇的同時也帶來許多挑戰。

4.1 數據質量的挑戰

數據質量的好壞直接影響到數據分析處理結果的準確性、實時性。由于當前對數據的管控力度不足，導致很多歷史數據無法收集，部分數據仍需手動輸入，電力數據完整性、準確性一致性、和顆粒度亟待提高。

4.2 數據融合的挑戰

多數據融合后所獲得的價值遠大于數據個體價值的總和，但就如何實現電力大數據的集成化還存在很多問題：系統在初期建設時缺乏統一規劃，導致數據模式不統一、冗余數據量大等問題，行業存在較為嚴重的數據壁壘。

4.3 硬件設施承載力的挑戰

當前電力行業的信息數量呈現爆炸性增長態勢，數據規模越來越大，對數據存儲的顆粒程度、存儲時間以及對信息的處理速度和準確度、數據可視化、網絡傳輸能力等要求越來越高。這就需要對現有的系統架構和硬件設備進行升級改造，以滿足日益增長的電力大數據的業務需求。

4.4 在隱私、安全方面的挑戰

數據隱私主要包括兩個方面：一是用電用戶個人的隱私，如用電習慣、地理信息等；二是即使得到用戶的許可，一些數據在傳輸和存放的過程中，仍存在被泄露的危險，特別是在防護體系尚未健全的地區。為保障廣大用戶的權益，這就對電力行業的信息安全工作提出了更高的要求。

5 結束語

電力大數據作為新興技術，雖然處在前期研究階段，但就其蘊藏的巨大能量，應值得人們的廣泛關注。筆者認為，只有將傳統的電力企業信息管理工作思路轉變為以大數據為中心的現代化、信息化理念，充分利用大數據技術，努力打造全新的商業模式和工作模式，才能促進電力行業轉型升級，進而推動社會和經濟的快速發展。因此，如何利用大數據以更好地服務電力行業發展和廣大電力用戶，實現其“以人以本”的根本價值，將成為今后很長一段時間的重要研究課題。

參考文獻

[1]IBM.What is big data[DB/OL]. http：//www.ibm.com/software/data/bigdata，2012.

[2]Manyika J，Chui M，Brown B，et al.Big data： the next frontier for innovation， competition and productivity[R]. US：McKinsey Global Institute Report，2011.

[3]中國電機工程學會信息化專業委員會.中國電力大數據發展白皮書[M].北京：中國電力出版社，2013.

[4]趙云山，劉煥煥.大數據技術在電力行業的應用研究[J].電信科學，2014，30（1）：57-62.

[5]孫柏林.“大數據”技術及其在電力行業中的應用[J].電氣時代，2013（8）：18-23.

[6]楊華飛，李棟華，程明.電力大數據關鍵技術及建設思路的分析和研究[J].電力信息與通訊技術，2015，13（1）：7-10.