
以云计算与大数据为代表的信息技术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
机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 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 ...
2025-09-01