基于文獻計量的電力大數據研究熱點分析

林正根，孫 禔，安風霞，傅靜雯，俞 穎

（1.國家能源集團科學技術研究院有限公司，江蘇 南京 210023；2.國網湖北省電力有限公司電力科學研究院，湖北 武漢 430077）

0 引言

電力大數據是國家大數據戰略重要組成部分，是能源領域和宏觀經濟的“晴雨表”，是大數據理念、技術、方法在電力行業的實踐產出，貫穿能源生產、用能的各方面和全過程。2015 年9 月國務院發布的《促進大數據發展行動綱要》指出，大數據作為數據的一種集合，是發現新知識、創造新價值、提升新能力的新一代信息技術和服務業態。《電力發展“十三五”規劃（2016-2020 年）》中，國家也明確要求用好以大數據為代表的新技術。電力大數據支持數字經濟發展、服務國家發展戰略，是打造當前電力企業新增長點、建設能源互聯網、助力工業互聯網發展的關鍵元素。

電力大數據具有如下特點：數據體量大、覆蓋范圍廣，社會經濟持續發展催生的如發電數據、電網運行數據、用戶用電數據等海量數據，來源豐富、成分復雜；數據類型多、價值密度低，貫穿電力系統“發輸變配用調”各個環節，結構和規模不斷變化，非結構化數據占比增大；時效性強、價值高，電力行業自動化、信息化水平逐步提高，數據采集、傳輸、應用相關設施逐漸智能化。低時延、高頻、高復雜度電力數據經過抽取、轉換、清洗、挖掘，最終轉化為適配需求的服務。基于電力大數據特點和服務價值的相關研究意義重大。眾多學者從不同的角度對電力大數據進行了研究，如薛禹圣等［1］強調將大數據思維作為生產要素，指出大數據思維與大能源思維融合方向；彭小圣［2］等搭建了具備通用性能的電力大數據平臺總體架構，并從集成管理技術、數據分析技術、數據處理技術、數據展現技術4個方面進行了深入探討；曲朝陽等［3］介紹了基于云計算技術的電力大數據預處理屬性約簡方法。

電力大數據的研究在不同文獻中各有側重，但目前結合文獻計量分析和挖掘的相關研究仍然相對較少，因此本文采用文獻計量的方式，統計電力大數據相關文獻近11年的整體發表情況并加以分析，以理清電力大數據的研究側重和研究熱點，并梳理其采集應用特點、研究重點、應用領域、目前存在的問題與對策，具有一定的參考意義。

1 材料與方法

1.1 文獻數據采集

基于數據庫引文信息對我國電力大數據研究熱點進行分析。文獻選擇如下：以數據庫檢索式文摘=“電力”（精確）+“大數據”（精確），時間跨為2010 年-2021年，文章來源類別為北大中文核心。共檢索得到文獻題錄499 條，去除宣傳、賀信、新書推薦等不包含作者的文獻題錄，可得文獻題錄492條。

1.2 數據分析方法

數據處理：結合數據庫的分析報告功能統計文獻年發表量，所有篩選文獻條以refworks 格式導出為純文本格式，導入軟件分析。采用CiteSpace，v.6.1.R2軟件［4］對前述492條文獻題錄進行數據挖掘與分析。繪制發文作者合作網絡圖譜時，網絡節點為作者，其余采用默認選項；關鍵詞聚類圖譜繪制選擇關鍵詞作為網絡節點，其余采用默認選項或單獨設置。

2 數據挖掘

2.1 論文發表趨勢

由圖1 可以看出，我國電力大數據領域的期刊文獻呈現先平緩后上升，之后表現平穩共3 個階段。

圖1 電力大數據2010年-2021年發文量情況Fig.1 Statics of published papers of large power data from 2001 to 2021

第一階段（2010 年-2012 年），這一階段國內關于電力大數據的研究較少，尚處于起步階段。最早的一篇文獻是河南電力調度中心的付紅軍等人于2010 年發表在《電力設備自動化》期刊上的《電網運行方式綜合管理系統設計與應用》，文中總結了電網運行方式綜合管理系統的特點，設計了該系統的工作流程和系統架構，對電網的大量數據進行了系統化處理，代表電力大數據的相關研究已經處于開展狀態。

第二階段（2013 年-2017 年），這一階段關于電力大數據的期刊文獻快速增長。從2013 年的6 篇，快速增長到2017 年74 篇。以中國電機工程學會信息化專委會2013 年3 月發布的《中國電力大數據發展白皮書（2013 年）》為標志，電力領域大數據的相關研究呈爆發性增長態勢。該階段文獻研究以“數據采集”、“數據流”、“數據質量”“數據中心”、“數據管理”、“數據挖掘”、“應用場景”、“預測”、“模型””、“算法”、“云計算”、“能源互聯網”等為主題詞或關鍵詞。

第三階段（2018 年-2021 年），這一階段關于電力大數據的期刊文獻發表基本呈平穩狀態，年均發文72篇。此階段主要圍繞“圖計算”、“機器學習”、“深度學習”、“模型融合”、“智能電網”、“數據云平臺”、“能源大數據”、“一體化計算”、“廣域分布代理”、“集合覆蓋模型”、“結構化數據”、“混合計算”、“區塊鏈”、“精準預測”、“可視化”等主題詞或關鍵詞進行研究。這一階段的研究具有兩個特征：一是大數據在電力領域的研究廣度擴大、深度加強；二是在電力細分領域的研究具有更強專業性和針對性。

總體來看，從2010年-2021年，電力產業發展伴隨著科學技術的不斷進步而表現出明顯的技術特征，學術研究經歷了起步、快速增長、平穩3 個階段，基本代表了電力領域大數據的研究和發展趨勢。

2.2 發文作者合作網絡

電力大數據發文作者合作網絡知識圖譜如圖2所示。圖2 中，作者名字越大代表其在2010 年-2021 年間發文參與合作越多，節點連線顯示作者間的合作情況。高合作作者從高到低排名依次為：曲朝陽（東北電力大學，9 篇）、文福栓（浙江大學，7 篇）、朱永利（華北電力大學，7 篇）、李剛（華北電力大學，6 篇）、宋亞奇（華北電力大學，6 篇）、艾芊（上海交通大學，6 篇）等。合作作者大都隸屬于大學等學術機構，對電力大數據領域的態勢關注度高、學術產出比較明顯。以上述6名學者為節點，代表網絡合作中堅力量，鏈接了各研究團隊，學術聯系比較緊密。

圖2 發文作者合作網絡知識圖譜Fig.2 Authors’cooperative network knowledge map

2.3 發文機構合作網絡

研究結構是針對某些特定研究領域不斷發展的重要載體，對促進學術交流、成果共享、資源互補等起著重要的導向作用［5］。電力大數據的學術研究發文機構合作圖譜如圖3所示，可以看出，華北電力大學和中國電力科學研究院在電力大數據研究領域的重要程度最大，對相關研究的引領作用最明顯；大學和以國家電網有限公司以及南瑞集團、中國南方電網為代表的企業機構有著比較緊密的學術聯系。

圖3 發文機構合作網絡知識圖譜Fig.3 Cooperative network knowledge map of published papers’institutions

2.4 關鍵詞聚類

關鍵詞聚類有助于顯示電力大數據的研究熱點。聚類編號越小，代表聚類的規模越大。本文對學術文獻題錄的關鍵詞聚類結果如圖4 所示。可以看出，關鍵詞聚類排名前8個類依次為：0號大數據、1號智能電網、2號數據挖掘、3號云計算、4號故障診斷、5號人工智能、6 號電力系統、7 號神經網絡。這幾個類基本涵蓋了電力大數據的使用主體、應用方向、數據處理及分析方法。聚類結果中，S 值越接近1，表明網絡的同質性越高，當S值大于0.7時，聚類結果具有高信度，本文中的S值為1。Q值大于0.3時表明聚類的社團結構顯著，本文中的Q值為0.885 2。

圖4 關鍵詞聚類知識圖譜Fig.4 Knowledge map of key word clustering

2.5 關鍵詞突現

文獻關鍵詞是對研究目的、對象、方法的高度凝練和概括，而突現關鍵詞則能夠體現研究領域特定時期的主要研究主題，代表該詞在短時間內激增，變成熱點并被學術界所關注，可以理解為“百度指數”［6］，本文的具體結果見表1。可以看出，人工智能、神經網絡、機器學習在2019 年-2021 年一直保持熱度，由于突現具有延續性，所以這3 個突現關鍵詞在未來幾年有繼續成為前沿研究熱點的可能。表1中關鍵詞凸現結果基本與論文發表趨勢章節中所分析的主題詞和關鍵詞相符合。

表1 電力大數據2010年-2021年突現關鍵詞Table 1 Keywords emergence of power big data from 2001 to 2021

3 分析與討論

綜上所述，針對電力大數據研究，在概念形成、提出、研究、應用等各個方面都有學者、大學、研究機構、企業的參與和貢獻。從文獻發表年度變化趨勢、主題詞呈現、關鍵詞聚類和關鍵詞突現，可以看出電力大數據的內涵和外延一直在不斷豐富、擴大，相關研究在不同時間、不同層面貫穿了電力數據產生、處理和應用全流程，具體如圖5所示。

圖5 電力大數據采集分析應用框架簡圖Fig.5 Acquisition, analysis and application framework of power big data

3.1 電力大數據采集應用流程特點

1）數據產生層主要是電力大數據的采集融合和存儲管理。電力大數據通過硬件和軟件被采集之后需要高效存儲。目前，傳統的結構化數據多由圖5 中的內部數據源提供，通常借助感知設備采集并集成，采用MySQL、Oracle、MongoDB 等數據庫存儲；以圖片、視頻為代表的半結構化數據、用戶評價反饋為代表的非結構化數據，大多來源于外部數據源（見圖5），相比結構化數據具有更高的復合增長率，這些數據常被NoSQL型分布式數據庫（如BigTable、Dynamo）、HDFS 分布式文件系統存儲［7］。結構化數據在電力產業發展初期［8］通常采用以集中式架構為主的實時數據庫存儲，但隨著半結構化數據、非結構化數據的快速膨脹，可擴展性和穩定性較強的分布式架構以及目前比較流行的云存儲多被使用。眾多主體對電力大數據的采集和存儲方式不盡相同，且由于部署時間和管理理念的不同，表現出數據采集管理手段不協調、精準高效監視辦法缺少、基礎數據質量不統一、運維需求跟不上等問題［9］。

2）數據處理層主要是數據分析與挖掘，具有兩個特點：一是數據處理架構種類多。電力大數據處理架構包括Hadoop 分布式系統架構、Openflow 系統架構、阿里云、GAIA 分布式數據管理平臺、分布式Redis 等，這些架構部署在不同電力主體中，總體上滿足了企業的發展需求，但也面臨著遷移困難、技術難度大、學習成本高等問題［10-11］。二是數據處理方法多樣。各種算法如分類算法、關聯分析、聚類算法、神經網絡、融合算法和集成模型的使用，提高了數據處理的準確度和效率，適配了業務需求，但這些算法強烈依賴于數據類型和平臺架構，在計算開銷、時效性、抗干擾能力等方面存在不等數量的缺陷，普適、可遷移的機器學習技術、核心層的數據調度算法等基于更先進理念、算法的大規模部署和應用需要持續推進［12］。

3）在數據應用層，有兩大主要服務方向。

一是社會治理與經濟運行方向。典型的社會治理應用實例，如全社會用電量數據關聯影響國家宏觀經濟及政策調控，工業和居民用電需求變化標志國民經濟總體態勢［13］，產業用電數據互饋區域規劃調整，電力設施和電網智能化動態平衡電力供需、支持城市管理，大數據可視化助力防災減災［14］、安全風險監管等。

二是電力行業、企業運行與管理方向。在發電側，傳統的煤電、氣電行業可以根據社會用電量和電網負荷需求，實時、高效、靈活調整機組負荷，充分發揮“穩定器”作用，而多元化新能源和可再生能源占比增大且將逐步成為主體電源，聯動大數據助力協調配置資源、提升電網容量組成，促進清潔能源消納［15］；在輸電環節，發現并減少電力損耗節點、分析評估系統暫態穩定性、輸電設備狀態［16］；在配電環節定位配電網故障［17］、管理配電網負荷、識別故障類型；在變電環節智能巡檢變電設備、輔助變電運維和檢修［18］；在調度側挖掘用電需求增長點、均衡負載。“輸配變調”各環節高效運行，優化電力網絡網架、提升電力系統的整體經濟性。在用戶側，分析規劃用電行為，獲得最佳體驗、最優增值服務并促使電力供應主體改進服務模式，定制個性化體驗。在運營服務側，分場、多維度建立用戶畫像，描述用電偏好，改善組織營銷，協助用戶智能用電，推動綠色生活，實現供電和用電雙贏［19］。

3.2 電力大數據重點應用領域

1）大氣治污

大氣污染防控領域，“電力大數據+環保監管”模式在支持保障精準、科學、依法治污方面具有顯著優勢，其“監控”功能在源頭上診斷發現企業環保治理設施運行狀態、判斷企業是否按照大氣污染防治應急預案執行限停產措施，其“預防”功能在數據挖掘的基礎上輔助政府部門精準、科學地制定應對氣候變化長期預案，實時規劃、調整與大氣環境相關的產業輪動政策［20-21］。

2）電力環保

在火電環保治理領域，通過大數據深層挖掘火電環保治理設施的運行數據，結合人工智能和機器學習等技術，進一步優化物耗、能耗、故障診斷、智能問答等應用側發展方向。此外，基于大數據的知識圖譜問答系統，以及綜合了數據采集、處理、檢測、預警和優化功能的火電廠環保島系統，可以幫助電廠運行人員做出事前決策，提升發電企業的智慧化運行水平。在新能源應用消納領域，風電并網運營、光伏發電規劃，潮汐、地熱能等多能互補的微電網構建，電力大數據也將發揮逐漸重要作用并凸顯其環保屬性［22］。

3）負荷預測

基于大數據的電力負荷預測技術，對供電方、輸配變中間網絡、終端用戶的作用都十分重要，是電力供需平衡的保證［23］。社會電力資源量的需求受到氣候變化、社會環境變化、產業變動等因素的影響而時刻處于變化中，客觀上也對促進了負荷預測的電力全產業鏈覆蓋。高準確度的負荷預測支撐供電方合理安排調度、降低成本。輸配變中間網絡通過大數據對企業供電能力預測、終端用戶耗電需求的高效預測，進而有效平抑電網波動、提升電能質量、提高系統效率，并延伸服務終端用戶合理分配峰谷用電負荷、穩定安全用電，提升用電滿意度。產業和居民用電終端自身耗電負荷預測反饋上游環節，既滿足自身用電需求也促進電力產業鏈的健康發展。

4）能源互聯網

能源互聯網借助統一的能源數據平臺，以多能融合突破孤立系統的邊界，用開放的框架聯接能源的產生、傳輸、儲存、消費等節點，集成多源能源數據和技術服務，通過信息和通訊技術管理和控制能源［24］，實現電力系統的縱橫整合與協同，擴大資源優化配置空間。由國家電網有限公司于2015 年初提出、“互聯網+”與大數據融合創新的典型代表—“全球能源互聯網”，對多元數據（如燃氣、熱力、發電廠、電網等的數據）和經濟、氣候等數據進行快速整合分析，著力提升能源供應效率、實現互聯網與可再生能源的融合和全球能源互享［25］。受《關于推進電力源網荷儲一體化和多能互補發展的指導意見》等相關制度鼓勵和當前國際國內能源領域清潔、低碳發展的影響，大規模部署、應用的風光儲、風光水（儲）、風光火（儲）等一體化多能互補項目，客觀上正在并將極大促進、豐富能源互聯網的發展內容［26-27］。

3.3 電力大數據存在問題與對策

1）電力行業知識系統建設不完善，系統之間和企業之間數據共享不充分［28］。首先，電力大數據在應用端主要是以電力相關企業為主，構建的知識系統多偏向于業務方向，融合基于外部數據源的知識系統存在困難，且大多企業數據管理、研發技術能力相對薄弱。其次，電力行業信息系統來源于不同的主體，各主體的知識系統開發時間、操作平臺、系統模型、數據格式不完全相同，依據的標準、管理體制也不盡相同，相互的生產、調度在數據交換、共享上存在困難。

2）電力行業大數據資源存在安全風險，保障體系需要完善。一方面是有數據泄露風險，相關主體要警惕電力大數據開發、分析、應用過程中的數據投毒、深度偽造等威脅，以及過度采集、隱私泄露和濫用等風險，在采用隱私保護計算、數據加密技術、私有云等技術手段之外，還要在制度因應上做出規劃，如針對云共享數據建立完善的隱私感知公共審計機制等措施。另一方面電力大數據容易成為網絡攻擊目標。規模龐大、實時不間斷的電力數據在采集和傳輸的過程中，控制失效、中間環節被人為篡改或虛假數據注入、泄露都會產生巨大的負面影響。不法分子對電力數據的竊取、攻擊、惡意傳播也會沖擊電力系統穩定、引發安全事故，因此要建立防范外部不安全行為的防御機制和應對措施，準備必要時積極防御策略。

3）針對上述問題，可采用的對策為：一是加強電力行業知識系統、電力數據共享中心建設、統一電力行業數據標準和非電行業數據接入標準，跟進并完善相關法律規制；二是對數據采集、傳輸、存儲、處理和應用建立全流程安全監管措施，構建安全策略、模式和環境，細化完善安全保障體系，提升數據相關方的安全防護意識和風險應對能力。

4 結語

本文數據庫檢查的關于電力大數據的部分相關文獻信息，借助文獻計量手段，研究了電力大數據在學術領域近11年的研究情況，構建了電力大數據應用流程框架簡圖，簡述了電力大數據的來源、處理架構和算法、應用場景，討論了相關的重點應用領域和面臨的問題，對電力大數據的研究分析有一定的參考價值。

1）電力大數據在文獻學術領域的研究從2013 年開始顯著增長，廣大學者和大學、電力企業均在電力大數據的學術和應用領域有深度的參與和合作。

2）電力大數據在未來將以人工智能、神經網絡、機器學習為重點研究方向，并服務大氣治污、電力環保、負荷預測、能源互聯網等重點業務領域。

3）電力大數據在電力生產和電能使用的各環節仍需繼續加強研究、合作共享，并需要注重數據安全治理。