京公网安备 11010802034615号
经营许可证编号:京B2-20210330
能源电力行业应主动适应和引领大数据变革
所谓引入大数据,是指建立面向大数据的生产与组织管理模式,这是每个行业的必然趋势。能源电力行业的信息化发展水平较高,有资本密集优势,是大数据应用的先行部门,应当主动适应和引领大数据变革。”中国人民大学环境政策与环境规划研究所副所长傅毅明在近日举办的企业协创平台建设与行业知识大数据应用研讨会上对记者表示。
大数据可在电改中“一展身手”
“大数据作为重要的生产要素,是能源电力行业发展转型的重要支撑。”傅毅明在接受记者采访时表示,一方面大数据能促进能源电力行业管理变革,提高能源资源配置效率,比如能耗(电力)在线监控系统的建设对于节能减排具有重要贡献。
另一方面是可以提高国民经济的监控能力,将能源电力系统的运行作为反映国民经济运行安全与效率的晴雨表。
据了解,电网的业务数据大致分为三类:一是像发电量、电压稳定性等方面的电力企业生产数据;二是像交易电价、售电量等方面的电力企业运营数据;三是如一体化平台、协同办公等电力企业管理数据。业界认为,如果能充分利用这些基于电网实际的数据,对其进行深入分析,便可以提供大量的高附加值服务。
记者在采访中发现,多位专家有着相似的想法,即当前我国已开启新一轮的电改,一系列配套文件正在逐步出台,然而这些政策是否有利于智能电网的发展,在政策的试行阶段开展分析和检验,大数据是非常有效的手段。
据中国电力企业联合会科技开发服务中心相关负责人透露,目前,中电联正在积极落实电改“9号文”及配套措施的要求,研究建立电力行业信用信息应用大数据中心,采集电力企业信息(含售电企业),同时进行动态管理,从不同维度采集数据,这就需要从不同方面加强数据交换和共享,实现政府、行业、企业协作,实现电力企业信用信息及时公示,将其逐步纳入全国统一信用大数据中心。
“我们提出要形成覆盖全行业及其上下游信用链的征信系统,建立守信激励和失信惩戒机制,进一步提高电力行业诚信意识和信用水平,通过建设与全国统一的征信系统对接的电力行业信用管理与服务平台,为行业和社会监督、信用评价与信用采信提供便捷的途径。”这位负责人说。
能源电力的“大数据问题”仍待突破
无疑,大数据为能源电力的发展带来了新机遇。但专家提醒,要想顺利搭上“大数据”这班列车,业界至少还需要跨过几道门槛。
中电联相关负责人认为,目前社会各界获取电力相关信息的方式主要有国家发展改革委、国家统计局、国家能源局等部委网站、门户网站、主流纸媒、各类论坛会议以及相关咨询研究机构等,尚缺乏一个全面、权威的支撑科学决策的电力行业大数据中心。中电联有必要联合相关互联网企业协同建立电力行业大数据中心。
同方知网产业集团能源事业部总经理闵艳丽告诉记者,从电力企业知识管理的角度来讲,以往以文献信息为主的知识主要来源于数据库资源、互联网情报资源以及企业内部档案资源,但这些知识从数据量的角度来讲,尚达不到大数据拍字节量级。但这并不意味着电力企业无法开展大数据知识管理。
据科学家估算,人类大脑容量预计在1.25太字节。这意味着,一个拥有800名员工的企业,其隐性知识存有量就能达到1拍字节(1024太字节),即“大数据”量级。另外,从数据挖掘与揭示的角度来讲,大数据在电力行业信息服务领域的应用还包括挖掘文献背后的概念语义关系。据闵艳丽介绍,以往查询“智能电网”,通过网络一站式检索,能够找到大量与之相关的学术文献,更深一步的信息服务仅仅是按作者、机构、基金、来源、时间等对文献进行排序。如果运用大数据可视化技术,我们可以从更多维度来深度揭示文献背后的隐性关系,比如通过发文量统计与揭示,找到最近3年“智能电网”的总体研究趋势,再比如通过关键词在上述文献中的出现次数,可分析出近3年的研究热点。
关于大数据应用方面,傅毅明说:“能源电力作为企业重要的成本支出项,是企业管理的重要内容。由于大数据的基础投入较大,在大中型工业企业的应用较好,中小企业的应用方面相对薄弱。比如建筑用能方面,大型公共建筑应用较多,一般公共建筑和居民建筑应用较少,主要原因是单个大数据平台的基础建设成本较高,可以通过建立大数据公共服务平台的方式降低成本,提高服务水平。交通用能方面,大量货运企业都是‘小、散、乱’的组织形态,大数据应用和节能减排方面的能力不足,需要重点关注。”有关能源电力行业应如何与大数据更好地结合发展的问题,傅毅明认为,一是要强化能源电力行业内部的大数据资源建设,培育专业的大数据服务商,发挥能源电力行业在“互联网+”和大数据应用的先行引领作用。二是要加强能源电力行业大数据资源与国民经济其他行业大数据资源的交换共享,打造能源经济运行大数据监控平台,为各级政府、行业部门、企业和公众等服务。另外,本着顶层设计与试点示范相结合的原则,还需要有一个路线图和组织分工网络。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16