
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
R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02CDA 数据分析师:助力企业破解数据需求与数据分析需求难题 在数字化浪潮席卷全球的当下,数据已成为企业核心战略资产。无论是市 ...
2025-09-02Power BI 度量值实战:基于每月收入与税金占比计算累计税金分摊金额 在企业财务分析中,税金分摊是成本核算与利润统计的核心环节 ...
2025-09-01巧用 ALTER TABLE rent ADD INDEX:租房系统数据库性能优化实践 在租房管理系统中,rent表是核心业务表之一,通常存储租赁订单信 ...
2025-09-01CDA 数据分析师:企业数字化转型的核心引擎 —— 从能力落地到价值跃迁 当数字化转型从 “选择题” 变为企业生存的 “必答题”, ...
2025-09-01数据清洗工具全景指南:从入门到进阶的实操路径 在数据驱动决策的链条中,“数据清洗” 是决定后续分析与建模有效性的 “第一道 ...
2025-08-29机器学习中的参数优化:以预测结果为核心的闭环调优路径 在机器学习模型落地中,“参数” 是连接 “数据” 与 “预测结果” 的关 ...
2025-08-29