大数据技术在电力行业的应用研究

伯运鹤

摘 要：电力大数据具有规模大、种类多、生成速度快、价值巨大但密度低的特点，具有重要的研究意义和实际价值。重点介绍了电力大数据特点、数据来源和核心技術。将电力大数据应用归纳为六个关键环节--发电、输电、变电、配电、用电和调度，分别介绍了电力大数据在六个环节的具体应用。最后从数据质量、数据融合、硬件设备和隐私安全四个方面，指出电力大数据当前面临的挑战。

关键词：大数据；电力信息化；数据科学

1 概述

随着数字化和信息化建设的迅猛增长，信息量也呈现出了爆炸性的增长态势。截至2012年，人类每日能够产生的数据量就已达到2.5EB（1018 byte）[1]，而且数据规模还将持续增长。麦肯锡（McKinsey）2011年发布的《大数据：创新、竞争和生产力的下一个新领域》的报告显示，大数据正在成为从工业经济向知识经济转变的重要特征，已经成为新时代最关键的产品形态和生产要素。目前，“大数据”的概念已经渗透到社会的各行各业，电力工业作为国家的基础性能源设施，同样概莫能外。

对于电力行业而言，来自企业生产的数据（如发电量、温度、压力等），来自电力企业的运营数据（如交易电价、用电客户等），来自电力企业管理数据（如一体化平台、ERP等），这三方面的数据共同构成了“电力大数据”。“电力大数据”涉及电力系统的各个环节，综合了电力企业的产、运、销及运营和管理数据，为提升企业的竞争力和生产效率、深化企业层次、强化企业管理提供了强有力技术手段[2-5]。

2 电力大数据概述

电力行业的信息时代正处于关键转折点，以往单一、变化平缓的数据类型将逐渐被复杂及异构数据取代。这就要求电力企业需要有更高的对数据处理、挖掘、管理及互操作的能力。

2.1 电力大数据的特征

2011年，国际数据公司（IDC）将大数据的特点总结成四个“V”，即体量大（Volume）、类型多（Variety）和速度快（Velocity）和价值高但密度低（Value）[6]，电力大数据同样具有以上特点。此外，《中国电力大数据发展白皮书》中指出电力大数据同时具有“3E”特征，即能量（Energy）、交互（Exchange）和共情（Empathy）[3]。电力大数据与其它行业数据相比，有着更为广义的范畴。因此，如何用高效的方法将电力大数据进行分析和处理，使用科学的技术手段以挖掘出数据潜在的巨大价值是十分必要的。

2.2 电力大数据的来源

如前文所述，电力大数据的来源主要有三个方面，即电力企业的生产数据、运营数据和管理数据。

（1）电力企业的生产数据。此类数据是电力大数据的产生源头，主要包括实时生产数据和设备生命周期数据两类。这些数据往往由发电侧产生，用故障检测、恢复电网运行及发电设备的检查和维修等方面。

（2）电力企业的运营数据。此类数据包含了用户侧的相关信息，如客户名称、电费计价、客户用电特点，并提供给相关部门，用以对客户行为进行分析决策，挖掘数据中存在的隐藏信息，构建针对营销的系统性算法模型数据库，用以改善服务模式，提高服务质量，满足不断发展的营销需求。

（3）电力企业的管理数据。对于电力企业来说，如果能充分利用来自电网的数据，通过软件对这些数据进行有效的分析和管理，将有助于提高企业管理水平，降低运营成本，提高企业的工作效率，保证决策的正确性。对于用户来说，可以享受到由电力大数据产生的增值业务所带来的实惠，得到更高质量的服务。这就体现出了电力大数据“以人为本”的核心价值。

2.3 电力大数据的核心技术

根据业界对大数据的研究，归纳出电力大数据的关键技术，包括数据集成管理技术、数据分析技术、数据处理技术和数据可视化技术。

（1）数据集成管理技术

电力大数据中的数据集成管理技术，是对不同数据源、不同数据形式、不同特征的大数据进行收集、整理，经过数据转换、加载后得到新的数据源，之后对得到的新的数据源进行管理，统一对外提供服务。这一技术可以为电力企业创造出许多新的服务项目和应用功能。数据集成管理技术主要包含数据融合和数据集成技术、数据库管理技术以及萃取-转换置-加载技术（ETC）。图1给出了数据集成和管理技术的原理过程。

（2）数据分析技术

电力大数据中的数据分析技术包括机器学习技术、相关分析技术和数据挖掘技术，通过数据分析，就能够将有用的信息从浩瀚的大数据中提取出来。其中，机器学习技术是人工智能的核心，它是利用经验来改善计算机系统自身的性能。该技术已被广泛应用于电力系统的不同领域，如电力系统暂态稳定评估、电力设备的状态监测等。相关分析技术可以识别数据间的相关或因果关系，而被广泛应用于电力系统的投资决策和电力负荷预测等方面。数据挖掘技术是当前数据库和人工智能领域研究的热点课题，用以解决复杂数据结构、多种类型、海量数据的有效分析处理问题，提高数据的质量和可信度，在电力大数据中，数据挖掘主要用于企业决策和用电行为预测等。

（3）数据处理技术

大电力数据的数据处理技术主要有分布式计算技术，内存计算技术和分布式数据流处理技术。其中，分布式计算技术是利用网络将电力系统中的计算机连接起来，以组成一台虚拟的超级计算机，完成大规模数据的存储和计算。内存处理技术将收集到的电力大数据存储在内存中，并直接在内存中对海量数据的计算和分析，大大地提高了计算速度。分布式数据流处理技术由于具有良好的伸缩性、开放性和实时性，在对电力系统动态数据的实时处理中有着不可替代的地位。

（4）可视化技术

可视化技术借助图形化手段，将各种信息以更容易理解的方式呈现出来，为运行和管理人员提供直观、准确的信息，同时该技术对发现大数据中新的信息起到至关重要的作用。可视化的目的是发现信息、洞察数据和做出决策。电力大数据中的可视化技术主要包括三个方面，即三维可视化、历史信息可视化和地理信息可视化。可视化技术已被广泛应用于电力系统状态实时监测控制、调度、规划和分析，大大提高了电力系统的自动化水平。

3 大数据技术在电力行业中的应用

大数据时代对电力行业发展带来新的发展机遇。大数据战略的践行，将对电力系统的各个环节（发电、输电、变电、配电、用电、调度）的生产和管理水平起到极大的改善作用，同時还能为电力企业提供更为强大的信息技术支撑。

3.1 发电环节

尽管最近几年我国新能源发电比重有所提高，但我国目前及以后相当长的时间内仍将以火力发电为主，能源结构较为单一；火力发电煤耗率、厂用电率也高于世界用电水平，大力加强火电厂降耗节能已经刻不容缓，可持续发展思想仍需加强。

利用大数据、云计算等先进信息方法与系统，积极探索火电深度、快速变负荷控制理论与技术，可以充分发挥火电在多源互补和规模化新能源电力系统消纳中的作用，以增强火电机组深度、快速变负荷能力，提高火力发电在新能源电力系统中的弹性运行水平。

大数据在发电环节的应用，如利用数据挖掘技术和数据仓库技术应用于发电厂特定设备的状态检修，取得了较好的效果。采用模糊集理论和相关函数结合的大数据分析方法，可以预测出不同边界和运行工况下的机组供电煤耗率，对火电机组的节能发电具有参考意义。

3.2 输电环节

输电线路是电力系统的重要组成部分，其作用是分配和输送由电厂产生的电能。输电线路的安全稳定运行是经济快速发展的有力保障。但由于我国地理环境和自然环境等方面的原因，输电线路现面临诸多安全隐患。

结合线路、气象、地理、运行等数据，利用数据挖掘技术，建立运维大数据综合分析系统，能够实现故障分析、防灾研究和状态评价，能为设备的管理运行和维护提供可靠的技术支持。

大数据在输电环节的应用，有学者提出了一种基于大数据分析的输变电设备状态数据的异常快速检测方法，很好地实现了设备异常的实时检测。利用软件处理和数据挖掘技术得到了落雷区域的雷电分布特征，对输电走廊的防雷工作具有一定的指导作用。

3.3 变电环节

变电运行承担着对电网进行管理和调度的作用，因此变电设备的可靠性是电网供电可靠性的重要环节。目前，检修管理模式单一、一次装备智能化程度不足、变电自动化系统信息共享程度不高是当前变电环节面临的主要问题。

针对上述存在的问题，学者提出应用数据储存和处理技术实现变电设备的状态监测。同时，通过引入数据挖掘技术，建立了基于远程的变电站智能数据挖掘系统，对实际的生产产生了切实的帮助。

3.4 配电环节

配电是配电企业将输电网的高压电利用变电设备，使其转变成用户所需电力产品类型并输送给用户的过程。我国目前对于智能化、信息化的配电网的建设已经全面展开，但智能化和信息化的程度仍需进一步加强。与传统配电网相比，智能配电网可以实现能量流的双向流动和信息的全面集成，同时还能够支持互动业务流程，从全局的角度进行决策的优化。

大数据技术可以为配电环节提供全面的技术支撑：可以更好的掌握用电负荷变化规律，提高对于负荷要求的预测准确程度；可以更好地指导设备的状态检修，排除现场的安全隐患，提高事故的响应程度；可以对新能源发电进行统一有效管理，提高电网运行水平的全面提升。此外，大数据在智能配电网能量优化、运行状态、不良数据变识负荷预测等方面对于配电网具有巨大的经济效益和社会效益。

3.5 用电环节

在电力系统的用电环节，我国用电信息采集、营销用电管理的信息化系统建设已初见成效，来自需求侧的数据的数量和种类也已颇具规模，这就为大数据在用电侧的研究开展奠定了良好的数据基础。

电力大数据在面向需求侧的国外典型应用实例：如美国利用可视化数据技术，已设计和开发出洛杉矶地区的电力地图，为管理者提供了直观有效的负荷需求依据，进而准确地进行能源投资；法国电力公司通过安装数万台智能仪表用以获取客户的用电信息，开发出基于大数据的用电采集应用系统。欧美其他一些国家同样有类似举措。国内学者在此领域的研究，如基于数据挖掘技术，对上海的电力大客户建立了客户细分模型，进而对该地区提供更加丰满和完善的营销策略。利用海量数据，结合数据挖掘技术，同样对上海居民用户进行了用电特征分析，并提出“冬夏敏感”指数、行业“加班”指数等概念，进一步指导用户个性化智能用电。将数据挖掘技术应用于反窃电系统中，为用电侧的电量管理提供了技术保障。

3.6 调度环节

调度环节通过对信息进行获取、传输和处理，实现对一次电力系统运行的监视、分析和控制，确保电能能够安全流通，实现经济效益的最大化。因此，调度环节被称为是智能电网的“神经中枢”。

随着大容量风光储等新能源广泛接入，利用电网调度运行过程中涉及到海量数据，建设以数据驱动的智能调度体系，实现电网运行数据向知识的转化，提高电网高度的经济性、安全性，是智能调度发展的必然趋势。大数据在多时间尺度的负荷特性参数在线辨识、互动负荷大范围的广域优化调度、级联式停电模式等方面也同样具有巨大的潜在应用价值。

4 电力大数据面临的挑战

大数据技术为电力行业带来机遇的同时也带来许多挑战。

4.1 数据质量的挑战

数据质量的好坏直接影响到数据分析处理结果的准确性、实时性。由于当前对数据的管控力度不足，导致很多历史数据无法收集，部分数据仍需手动输入，电力数据完整性、准确性一致性、和颗粒度亟待提高。

4.2 数据融合的挑战

多数据融合后所获得的价值远大于数据个体价值的总和，但就如何实现电力大数据的集成化还存在很多问题：系统在初期建设时缺乏统一规划，导致数据模式不统一、冗余数据量大等问题，行业存在较为严重的数据壁垒。

4.3 硬件设施承载力的挑战

当前电力行业的信息数量呈现爆炸性增长态势，数据规模越来越大，对数据存储的颗粒程度、存储时间以及对信息的处理速度和准确度、数据可视化、网络传输能力等要求越来越高。这就需要对现有的系统架构和硬件设备进行升级改造，以满足日益增长的电力大数据的业务需求。

4.4 在隐私、安全方面的挑战

数据隐私主要包括两个方面：一是用电用户个人的隐私，如用电习惯、地理信息等；二是即使得到用户的许可，一些数据在传输和存放的过程中，仍存在被泄露的危险，特别是在防护体系尚未健全的地区。为保障广大用户的权益，这就对电力行业的信息安全工作提出了更高的要求。

5 结束语

电力大数据作为新兴技术，虽然处在前期研究阶段，但就其蕴藏的巨大能量，应值得人们的广泛关注。笔者认为，只有将传统的电力企业信息管理工作思路转变为以大数据为中心的现代化、信息化理念，充分利用大数据技术，努力打造全新的商业模式和工作模式，才能促进电力行业转型升级，进而推动社会和经济的快速发展。因此，如何利用大数据以更好地服务电力行业发展和广大电力用户，实现其“以人以本”的根本价值，将成为今后很长一段时间的重要研究课题。

参考文献

[1]IBM.What is big data[DB/OL]. http：//www.ibm.com/software/data/bigdata，2012.

[2]Manyika J，Chui M，Brown B，et al.Big data： the next frontier for innovation， competition and productivity[R]. US：McKinsey Global Institute Report，2011.

[3]中国电机工程学会信息化专业委员会.中国电力大数据发展白皮书[M].北京：中国电力出版社，2013.

[4]赵云山，刘焕焕.大数据技术在电力行业的应用研究[J].电信科学，2014，30（1）：57-62.

[5]孙柏林.“大数据”技术及其在电力行业中的应用[J].电气时代，2013（8）：18-23.

[6]杨华飞，李栋华，程明.电力大数据关键技术及建设思路的分析和研究[J].电力信息与通讯技术，2015，13（1）：7-10.