
大数据是电力行业未来发展核心
在全球新一轮科技革命和产业变革中,以云计算、大数据为代表的信息技术,与智能电网为代表的电力技术高度融合,将构建能源发展的新格局、激发经济增长的新活力、开启社会美好新生活、开启人类文明的新篇章。
今年8月,国务院公布了《"十三五"国家科技创新规划》,规划提到了9大重点工程,包括种业自主创新、煤炭清洁高效利用、智能电网、天地一体化信息网络、大数据、智能制造和机器人、重点新材料研发及应用、京津冀环境综合治理和健康保障。其中多个工程与能源电力相关。
电力大数据是电力行业的重点研究领域。美国电科院早在2012年就启动智能电网数据研究项目,研究在输配电上的大数据应用;美国太平洋燃气电力公司、加拿大的电力公司也基于用户用电数据开展了大数据技术应用研究;美国一家能源及排放管理公司与IBM公司合作开发,2014年发布了针对智能电网的大数据分析系统;2014年4月,Oracle数据库管理系统又提出了智能电网大数据公共数据模型。
法国、德国、英国、加拿大等国外电力公司则通过安装智能电表,对用户用电数据进行实时测量,计算出合理的用电消费计划并推荐给用户。
2013年,中国电机工程学会发布了《电力大数据发展白皮书》,国家科技部2014年下达了3项863项目,支持智能电网大数据研究。自2012年以来,国家电网公司启动了多项智能电网大数据研究项目,如江苏省电力公司于2013年初率先开始建设营销大数据智能分析系统,开展了基于大数据的客户服务新模式应用开发研究;北京市电力公司等也正在积极推进营配数据一体化基础上的智能电网大数据应用研究。
目前,国家电网公司全网入池服务器总数量5000多台,初步实现全网资源池的统一视图和资源基本可控、可调,是国内最大的企业基础设施私有云,节省了大量的服务器采购成本、机房空间和运维成本。
从近年来电力行业信息化发展趋势来看,电力大数据已成为电力行业发展的核心。主要体现在以下几个方面:
第一,云计算、大数据与智能电网都与国家未来的发展战略密切相关。云计算、数据和智能电网的研究都已经被列入国务院2015年发布的《关于积极推进"互联网+"行动的指导意见》。大数据和智能电网还被列入了《"十三五"国家科技创新规划》的9大重大工程项目。
第二,企业私有云和混合云将成为未来云计算的主要发展方向。国网信通产业集团下属中电普华信息技术有限公司在国家"十二五"建设期间,在企业云平台建设方面已经取得丰硕的成果,所开发的"国家电网软硬件资源池"和"云资源管理平台"项目,已经在国家电网总部及27个国家电网省电力公司得到了全面的部署。
第三,电力大数据既是云计算上的主要应用,又为云计算发展提供了新的动力。智能电网提供的电网运行数据和海量用户数据,为电力大数据分析提供了坚实的基础。
第四,全球能源互联网能够让我们跳出地球看地球。如果我们能够把世界上最大的三个电网:美国电网、欧洲电网和中国电网联结起来,就能够实现美国、欧洲和中国三大区域的电力自动调度和削峰填谷,为解决全世界的能源短缺、气候变暖及环境污染等问题打下坚实的基础。
在当前科技飞速发展的时代,以"大云物移"为代表的最新科技正引领国家信息技术的发展方向,并推动全球能源互联网的迅猛发展,成为传统产业升级和新兴产业发展的核心动力。
根据国家"一带一路"发展战略,国家电网公司提出了建设全球能源互联网的宏伟构想。建设网架坚强、广泛互联、高度智能、开放互动的全球能源互联网,需要广泛应用"大云物移"等新技术。
电力大数据能够为电力行业带来效益上的提升。2012年,美国智能电表的运作台数为1.39亿台,2020年将达到3.77亿台。美国德克萨斯州能源公司服务2000万居民,推出了智能电表技术为客户带来现实利益,客户通过现金返还计划获得3000万美金。大数据在智能电网上的应用使美国每年能耗降低10%,每年节省800亿美元新建电厂的费用。
数字化和云化正在改变着我们的工作和生活,也在改变现有的商业模式。数字化与云化转型和成为数字化与云化企业是每个企业的战略选择,而电力行业的数字化与云化转型的目标就是智能电网。
研究表明,电力大数据市场潜力巨大,预计到2019年全球市场空间将达到55亿美元,年复合增长率25%。美国电科院调查显示当前世界仅有不到5%的电力公司已完成大数据基础设施构建,预计5年后将提升至20%~30%。
电力大数据技术立足于电力系统业务服务需求,根植于云计算,以云计算技术为基础。未来,云平台是下一代企业IT构架必不可少的组成部分,是企业发展不可或缺的技术,企业IT云化是企业IT转型的关键。云计算能够整合智能电网系统内部计算处理和存储资源,提高电网处理和交互能力,成为电网强有力的技术支撑。
利用云计算等新技术,也可使信息流和业务流贯穿能源生产、传输、消费全过程,使生产者、消费者平等参与能源交易与创新,持续推动能源生产和消费革命。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29在标签体系的落地链路中,“设计标签逻辑” 只是第一步,真正让标签从 “纸上定义” 变为 “业务可用资产” 的关键,在于标签加 ...
2025-09-29在使用 Excel 数据透视表进行多维度数据汇总时,折叠功能是梳理数据层级的核心工具 —— 通过点击 “+/-” 符号可展开明细数据或 ...
2025-09-28在使用 Pandas 处理 CSV、TSV 等文本文件时,“引号” 是最容易引发格式混乱的 “隐形杀手”—— 比如字段中包含逗号(如 “北京 ...
2025-09-28在 CDA(Certified Data Analyst)数据分析师的技能工具箱中,数据查询语言(尤其是 SQL)是最基础、也最核心的 “武器”。无论 ...
2025-09-28Cox 模型时间依赖性检验:原理、方法与实战应用 在生存分析领域,Cox 比例风险模型(Cox Proportional Hazards Model)是分析 “ ...
2025-09-26检测因子类型的影响程度大小:评估标准、实战案例与管控策略 在检测分析领域(如环境监测、食品质量检测、工业产品合规性测试) ...
2025-09-26CDA 数据分析师:以数据库为基石,筑牢数据驱动的 “源头防线” 在数据驱动业务的链条中,“数据从哪里来” 是 CDA(Certified D ...
2025-09-26线性相关点分布的四种基本类型:特征、识别与实战应用 在数据分析与统计学中,“线性相关” 是描述两个数值变量间关联趋势的核心 ...
2025-09-25深度神经网络神经元个数确定指南:从原理到实战的科学路径 在深度神经网络(DNN)的设计中,“神经元个数” 是决定模型性能的关 ...
2025-09-25