基于系统动力学的能源大数据生态系统演化发展研究

王俐英， 宋美琴， 董厚琦， 方 程， 曾 鸣

(华北电力大学 经济与管理学院，北京 102206)

0 引 言

能源是国家经济发展的动力源,能源大数据是大数据技术在能源领域的深入应用,也是能源生产、消费与大数据理念的深度融合[1]。能源大数据蕴含巨大的商业价值,如何有效地组织和利用能源大数据,打造一个健康持续发展的能源大数据生态系统,已引起产业界和学术界的高度重视。

目前,有关能源大数据生态系统的研究较少,主要集中于能源大数据中心的功能体系设计和能源大数据应用服务等方面的研究。在功能体系设计方面,文献[2]提出了通过“虚拟化+大数据+云计算”技术为分布式电源用户提供云服务的设想,设计了分布式电源云服务与大数据分析平台的架构体系;文献[3-4]分别构建了适用于电动汽车充放电管理、区域新能源管理和江苏省能源规划研究的大数据服务平台,阐释了平台的数据获取机制、系统架构和基本功能。在应用服务研究方面,文献[5]分析了能源大数据的特征,提出了数据驱动的智慧能源管理模型,并分析了能源大数据在可再生能源管理、资产管理、需求侧管理等方面的应用;文献[6]提出通过收集能源系统中大量的设备状态数据、用能数据、气象数据等,实现能源预测[7]、用户分析[8]、辅助决策[9]等功能。

系统动力学是研究复杂系统工程的一种重要方法,通过分析系统内部各变量间的因果关系,分析系统整体运作的逻辑[10]。目前,系统动力学模型已广泛应用于能源领域的系统演化研究。文献[11]研究了“碳达峰、碳中和”发展背景下,基于系统动力学原理建立了考虑清洁能源发展场景下电动汽车入网对区域碳排放演化的动力学反馈模型。文献[12]建立了车网互动过程的系统动力学分析模型,通过细化电动汽车与电网子模块内部因素间的关系,探讨了电价及出行计划对电动汽车充放电响应的影响规律。文献[13]建立了包括分布式光伏电能共享模块、配电公司收益和输配电价等耦合模块的系统动力学模型,模拟仿真了不同分布式光伏安装率和上网电价下的共享价值变化。文献[14]以提高产业政策效用、促进氢燃料电池汽车产业化为目的,构建了基于系统动力学的氢燃料电池汽车的财政补贴政策优化模型。文献[15]构建了基于系统动力学的电动汽车产业发展趋势演化模型,分析了新能源电动汽车的发展趋势和主要影响因素。

综上,目前国内外学者对于能源大数据生态系统的研究较少,且能源大数据生态系统受经济、技术、社会等多方面影响,其影响因素间的关联关系复杂,因此系统动力学模型可作为能源大数据生态系统的有效分析工具。基于此,本文以能源大数据生态系统为研究对象,首先明确能源大数据生态系统的内涵、提出系统架构,其次,通过构建系统动力学模型,剖析能源大数据生态系统的主要影响因素,最后对于能源大数据生态系统的建设与发展提出对策建议。

1 能源大数据生态系统概述

1.1 能源大数据生态系统内涵

能源大数据是国家大数据战略在能源领域的具体实施,覆盖能源生产、传输、储存和消费全环节,能够实时反映能源系统状态,客观反映经济社会信息。生态系统是一个生命物质与非生命物质的自我调节的复杂开放系统,商业生态系统指的是在经济活动中由经济主体与环境的相互作用关系所构成的延伸系统[16]。因此,能源大数据生态系统是在区域范围内汇聚电力、经济、金融、交通、环境等更多行业数据,按照“平台+生态”的思路由能源大数据相关联产业链各方企业、消费者、市场和政府共同构成,并为政府、企业、居民和园区等不同主体提供能源大数据增值服务的一个商业生态系统,是数字经济在能源行业的新技术、新业态和新模式[17]。

1.2 能源大数据生态系统架构

从商业生态系统和能源大数据产业的视角分析,主体、业务和环境是能源大数据生态系统的三个关键要素,基于此,本文将能源大数据生态系统主要划分为三个圈层,如图1所示。

图1 能源大数据生态系统架构图

(1)第一圈层为核心层。该层主要以能源大数据中心作为核心主体,通过以数据传感计量、物联代理、通信网络为核心的信息侧基础设施,有效汇聚能源生产、传输、配送和使用全环节的数据以及气象、经济、交通、环境等非能源系统数据,并通过数据感知采集、数据传输归集、数据加工处理以及数据整合应用等技术为各类用户提供数据应用服务。具体来说,对政府提供城市宏观经济观测、重点行业景气度分析等能源经济指标分析服务,城市住房空置率分析、商业选址分析等规划辅助分析服务,城市能耗地图、环保预警分析等环保辅助分析服务;对用能企业提供企业用能系统运维托管、用能优化分析等能效优化服务,上下游企业产能分析、企业信用评价等业务分析服务;对居民用户提供能效分析、智慧社区状态观测等居民保障分析服务,治安盲点排查、社区配套设施分析等社会保障分析服务;对能源系统用户提供系统规划服务,系统运行服务,综合能源项目辅助拓展、电能替代业务推广等市场拓展服务[18]。

(2)第二圈层为支持层。该层主要由与能源大数据中心具有互补性服务功能等合作伙伴组成,包括金融服务商、数据服务商、通讯服务商、技术服务商、产业链上下游企业以及高校和科研机构等。能源大数据中心通过与这些企业合作,发挥引流聚合效应,从而催生新的商业模式和主体利益关系。

(3)第三圈层为环境层。社会、政策、经济和技术环境是影响能源大数据生态系统中参与主体及其业务的重要因素。具体来说,在社会层面,随着数字经济的发展,人们对于数据服务的消费认知体系的形成和“双碳目标”驱动下低碳转型发展战略使得各类用户产生了对于能源大数据服务的需求;在政策层面,政府出台了多项有关政策,推动能源与大数据的深度融合,将发展大数据上升至国家战略高度,推动了能源大数据的发展;在经济层面,“十四五”规划纲要草案中提出“十四五”期间会继续加大对数字经济的投入,为能源大数据产业的发展提供了资金支持;在技术层面,能源互联网技术、“大云物移智链”等现代信息技术的发展推动了能源大数据新业态的产生。

1.3 能源大数据生态系统发展主要影响因素

能源大数据产业是一种资金和技术密集型的新兴产业,作为数字经济与能源行业深度融合的新型业务,其发展主要受政策、经济、技术和社会等多维度因素的影响[19]。具体影响因素如表1所示。

表1 主要影响因素

2 系统动力学模型构建

2.1 因果关系图

因果关系图是通过定性分析,描述复杂系统内不同要素之间的结构关系,因此,建立因果关系图是建立系统动力学模型的重要环节,是进一步建立系统存量流量图的必要基础[20]。为了深入研究能源大数据生态系统各要素的因果关联,本文以技术(Technology)、市场(Market)、数据(Data)、资本(Capital)、产品或服务(Product)等因素为核心研究指标,旨在研究上述5种影响因素下的能源大数据生态系统的演进趋势和动态发展。所建立的因果关系图如图2所示。

以上因果回路图中包括技术、市场、数据、资金、业务等5个子系统。各子系统回路分析如下:

(1)技术子系统

图3为能源大数据生态系统技术子系统因果关系图,包括产品驱动和需求/数据驱动的2条主要回路。一方面,“云大物移智链”等新一代信息技术的发展使得数据资源爆发式增长,从而产生了技术升级需求的同时,为能源大数据生态系统的发展提供了技术基础;另一方面,持续迭代的技术资源为能源大数据产品和服务的增加提供基础,通过提高用户体验的满意度扩大能源大数据生态系统的产业规模。

回路1:产业和服务(P)—用户体验—用户数—市场资源(M)—用户数据沉淀—数据资源(D)—技术升级需求—技术资源(T)

回路2:产业和服务(P)—产业增加值—技术研发投入—技术资源(T)

(2)市场子系统

图4为能源大数据生态市场子系统因果关系图,包括5条主要回路。一方面,人们收入与消费力的提升、大数据体验的提升、数字经济的发展产生的消费新趋势、新兴业态的发展带来的能源大数据市场需求以及“双碳”目标的提出带来的更多环保需求等影响因素扩大了能源大数据生态系统市场资源;另一方面,能源大数据生态系统不竭的市场资源为产生更多的用户数据的和丰饶的产品和服务提供了基础。

回路1:产业和服务(P)—用户体验—用户数—市场资源(M)

回路2:能源大数据消费趋势—能源大数据市场长尾效应—市场资源(M)

回路3:能源大数据消费趋势—能源大数据需求—市场资源(M)

回路4:面临新问题(“碳达峰、碳中和”目标)—能源大数据需求—市场资源(M)

回路5:收入与消费力的提升—能源大数据需求—市场资源(M)

(3)数据子系统

图5为能源大数据生态数据子系统因果关系图,包括3条主要回路。一方面,新一代信息技术的发展使得数据资源呈现爆发式增长、不竭的市场资源使得用户数据沉淀量增加、国家和省级层面大数据相关政策制度的制定提升了数据资源的可用性,从而为能源大数据生态系统提供了不竭的数据资源;另一方面,爆发式增长的数据资源推动了能源大数据生态系统丰饶的产业和服务的增加,创造了技术升级的需求,为能源大数据生态系统持续迭代的技术资源提供基础。

回路1:市场资源(M)—用户数据沉淀—数据资源(D)

回路2:技术资源(T)—数据资源的爆发式增长—数据资源(D)

回路3:数据相关法律法规政策—数据资源的可调用性提升—数据资源(D)

(4)资金子系统

图6为能源大数据生态系统资金子系统因果关系图,包括2条主要回路。一方面,能源大数据生态系统丰饶的产业和业务扩大了能源大数据产业规模,数字经济的发展使得政府加大对能源大数据生态系统建设的财政支持力度,从而为能源大数据生态系统的可持续发展提供了资金保障;另一方面,充足的资金资源使得能源大数据生态系统扩大对产业服务等专项业务的投资,从而进一步扩大产业规模的同时提升了用户的体验感。

回路1:产品和服务(P)—用户终身价值—产业增加值—资金资源(C)

回路2:财政投入—资金资源(C)

(5)产品/业务子系统

图7为能源大数据生态系统产品/业务子系统因果关系图,包括4条主要回路。一方面,能源大数据生态系统不竭的市场资源、持续迭代的技术资源、有保障的资金资源和爆发式增长的数据资源为丰饶的产业和服务提供了市场、技术、资金和数据层面的全面支撑;另一方面,能源大数据生态系统丰饶的产业和服务推动了产业规模的进一步增加和用户体验的进一步提升。

图7 产品/业务子系统因果回路图

回路1:用户体验—用户数—市场资源(C)—产品和服务(P)

回路2:市场资源(C)—用户数据沉淀—数据资源(D)—产品和服务(P)

回路3:数据资源(D)—技术升级需求—技术资源(T)—产品和服务(P)

回路4:资金资源(C)—产品和服务(P)

2.2 存量流量图

基于前文所建立的系统因果关系图,建立能源大数据生态系统的存量流量图。系统存量流量图是运用系统动力学进行动态演化分析定量分析的基础,为重点突出本文所提影响因素,因果关系图中的非重点关注要素不在系统存量流量图中体现[21]。

为更好地量化分析能源大数据生态系统的演化趋势和关键影响因素,本研究以能源大数据产业规模表征能源大数据生态系统的资金资源,以能源大数据产品和业务规模表征其产品/业务资源。表征各子系统之间关系的主要方程设置如下:

能源大数据市场资源=能源大数据市场长尾效应+IFTHENELSE(能源大数据用户数量>=0.5×总人口,0.8,0.5)×能源大数据需求因子,Dmnl;

能源大数据市场长尾效应=SMOOTH(能源大数据消费趋势影响因子,2)×TIMESTEP,Dmnl;

能源大数据需求因子=收入水平与消费力影响因子×环境影响因子×能源大数据消费趋势影响因子,Dmnl;

技术资源=技术研发投入/能源大数据产业规模×技术升级需求,Dmnl;

技术升级需求=EXP(数据资源)/5,Dmnl;

技术研发投入=技术投入因子×能源大数据产业规模,亿元;

数据质量=技术资源×数据相关法律法规政策投入因子,Dmnl;

数据资源=INTEG(用户数据沉淀,25),万条;

新增用户=0.04×总人口×(1+用户体验)/TIMESTEP,万人/Year;

用户体验=0.807 5/(1+310.696×EXP(-21.662 7×能源大数据产品和业务规模)),Dmnl;

用户数据沉淀=数据汇聚×(1+数据增长率+数据质量+能源大数据市场资源)/TIMESTEP,万条/Year;

能源大数据产业规模=INTEG(产业增加值,100),亿元;

能源大数据产品和业务规模=(0.5×技术资源+0.3×能源大数据市场资源)+0.2×财政投入/亿元,Dmnl;

能源大数据市场资源=能源大数据市场长尾效应+IFTHENELSE(能源大数据用户数量>=0.5×总人口,0.8,0.5)×能源大数据需求因子,Dmnl;

能源大数据市场长尾效应=SMOOTH(能源大数据消费趋势影响因子,2)×TIMESTEP,Dmnl;

能源大数据用户数量=INTEG(新增用户,100),万人;

能源大数据需求因子=收入水平与消费力影响因子×环境影响因子×能源大数据消费趋势影响因子,Dmnl;

财政投入=IFTHENELSE(财政投入因子<财政投入目标,GDP×财政投入因子,GDP×财政投入目标),亿元;

产业增加值=用户终身价值×能源大数据用户数量×能源大数据产品和业务规模/TIMESTEP,亿元/Year;

GDP增加值=产业增加值/对GDP增加值的贡献度,亿元/Year;

GDP=INTEG(GDP增加值,9224),Units:亿元。

3 结果分析

3.1 模型有效性检验

基于所建立能源大数据生态系统的系统动力学模型,对模型进行检验,判断模型的正确性,以保证模型的正常运行,为之后的仿真模拟做好准备。由于研究对象较为复杂,在建模过程中系统内部变量间的定量关系中包含较多的参数,虽然部分参数是通过历史相关数据测算得出,但仍有一些参数的设定含有主观因素,可能会影响系统运行结果的准确性。因而,本文通过历史数据进行模拟,对模型有效性进行检验。

根据构建的系统流图及其方程,以年为时间单位,利用Vensim PLE对2010—2030年能源大数据生态系统发展过程进行仿真。以2010—2018年天津市GDP历史数据作为模型的检验数据,数据来源于天津市统计局等。

为验证所构建模型的可靠性和有效性,将系统的仿真结果与真实数据进行对比。通过计算GDP实际值与仿真值之间的相对误差来表征模型偏差,分析所构建模型的可信度,结果如表2和图9所示。

表2 GDP模拟值与实际值以及相对误差

表3 场景设置

通过以上图表可以看出,基于所提系统动力学模型得到的GDP模拟值与实际值的偏差均在5%以内,所建立的模型通过了有效性检验。

3.2 影响因素分析

利用所构建的系统动力学模型,基于天津市数据,对能源大数据生态系统在2010—2030年的发展趋势进行仿真。为分析不同因素对能源大数据能源大数据生态系统演化发展的动态影响,选取能市场资源、技术资源、数据资源、产品/业务规模和产业规模作为能源大数据生态系统发展的绩效指标,通过调整财政投入因子、消费趋势影响因子、技术升级需求、技术投入因子、环境影响因子和法律法规政策投入因子等因素的变化,观察未来10年能源大数据生态系统在参数发生变化时的发展演化趋势。通过分析结果,提出相应的管理对策,以促进能源大数据能源大数据生态系统的可持续发展。仿真结果如图10～14所示。

图10 能源大数据市场资源仿真图

从图10可以看出,消费趋势影响因子变化对能源大数据生态系统市场资源的影响最大。能源大数据市场资源增长曲线为“S”型,消费趋势影响因子主要通过改变能源大数据长尾效应以及能源大数据需求因子的大小去影响能源大数据市场资源,并且随着时间的推移,由于能源大数据用户数量的增长速度先增加后缓慢减少,能源大数据市场资源将趋于饱和。

从图11可以看出,由于技术升级需求和技术研发投入对于技术资源的影响最直接,技术升级需求变化和技术投入因子变化对于能源大数据生态系统技术资源的影响最大,其次是消费趋势影响因子变化,最后是财政投入因子变化、环境因素变化和法律法规政策投入因子变化的影响。能源大数据生态系统是一个技术密集型新兴产业,技术资源的规模对于能源大数据生态系统的发展至关重要。而能源大数据技术的发展一方面受技术研发投入大小的影响,另一方面受技术升级需求的影响,因此,当技术研发投入因子和技术升级需求提高时,能源大数据生态系统技术资源将会显著增加,且其增长曲线呈指数增长型。

图11 能源大数据技术资源仿真图

从图12可以看出,消费趋势影响因子对能源大数据生态系统数据资源的影响最大,其次是数据相关法律法规政策的投入。其主要原因是数据资源的规模是由用户数据沉淀累积的,而用户数据沉淀受市场资源、数据增长率和数据质量的影响,最终能源大数据生态系统数据资源的增长曲线呈现指数增长型,数据规模随着时间的推移不断增加,其增长速度逐年加快。一方面,消费趋势影响因子通过影响市场资源的大小对用户数据沉淀产生影响,市场资源规模提高时,用户侧可沉淀的数据将会增加;另一方面,数据相关法律法规政策的投入主要通过影响数据质量影响用户数据沉淀量,进而增加数据资源的规模。

图12 能源大数据数据资源仿真图

从图13可以看出,消费趋势影响因子对能源大数据生态系统业务规模的影响最大,其次是技术研发投入因子和技术升级需求,最后是数据相关法律法规政策和环境影响因子。其中,消费趋势影响因子通过影响市场资源去影响能源大数据业务规模,技术研发投入因子和技术升级需求则通过影响技术资源规模去影响能源大数据业务规模,数据相关法律法规政策通过影响数据资源规模去影响能源大数据业务规模,而环境影响因子也通过影响能源大数据需求因子,间接对市场资源规模产生影响,最终影响能源大数据业务规模,但其变化对于市场资源的影响程度远小于消费趋势影响因子。因此,消费趋势、技术研发投入和技术升级需求是影响能源大数据生态系统业务规模的关键因素。

图13 能源大数据产品/业务规模仿真图

从图14可以看出,与能源大数据生态系统业务规模相似,消费趋势影响因子对能源大数据生态系统产业规模的影响最大,其次是技术研发投入因子和技术升级需求,最后是数据相关法律法规政策和环境影响因子。主要原因在于能源大数据生态系统产业规模是其产业增加值逐年累计得到的,其规模大小除了受用户终身价值大小的直接影响以外,还受业务规模、市场资源、技术资源和数据资源的直接和间接的影响。因此,作为衡量能源大数据生态系统是否可持续发展的主要因素,能源大数据产业规模主要受消费趋势、技术升级需求和技术研发投入因子,其增长曲线为指数型,直到2030年,增长速度越来越快。

图14 能源大数据产业规模仿真图

3.3 仿真结果分析

(1)能源大数据市场资源、数据资源、技术资源、业务规模和产业规模在未来都将保持增长趋势,其中,市场资源和业务规模的增长曲线呈现“S”型,数据资源、技术资源和产业规模的增长曲线呈现指数型。随着数字经济以及大数据产业政策的影响,能源大数据的消费趋势先提高后减弱,由此导致能源大数据长尾效应和能源大数据需求的增长速度由快到慢,使得能源大数据市场资源和业务规模处于一直增长的趋势,但其增长速度会越来越降低,最终达到一个市场资源和业务规模饱和的状态。能源大数据技术资源、数据资源和产业规模互相影响,技术的进步使得数据增长速度加快、数据质量提高,导致数据资源的增速提高,且更大规模的数据资源要求更先进的数据处理技术,且随着能源大数据产业规模的增长,对技术资源的投入也将增加,因此,数据资源和产业规模都对技术资源产生正向影响,是导致技术资源呈现指数增长的根本因素。与此同时,产业规模和数据资源是持续增长的因素,当技术资源的增加反过来会使得数据资源和产业规模进一步的增加时,产业规模和数据资源的增长也呈现出指数形式。

(2)在众多因素中,影响能源大数据生态系统发展的最关键因素为消费趋势影响因子,其次为技术研发投入因子和技术升级需求,最后为财政投入因子、环境影响因子和法律法规政策投入因子。消费趋势影响因子对能源大数据市场资源、数据资源、业务规模和产业规模的影响最大,技术升级需求和技术研发投入对于技术资源的影响最大,而技术资源的提升将间接影响能源大数据业务规模和产业规模。由此可知,对于整个能源大数据生态系统来说,消费趋势是影响整个生态系统最根本的影响因素。因此,为保证能源大数据生态系统的可持续发展,未来应重点关注推动能源领域新模式、新业态的蓬勃兴起,丰富能源大数据各项增值服务,满足不同主体的业务需求,设计更为合理的商业模式和盈利模式,从而推动能源大数据消费趋势的增长,进而保障能源大数据生态系统的可持续发展。

4 结 论

本文首先对能源大数据生态系统的内涵、架构和主要影响因素进行了分析,其次构建了因果关系模型和系统存量流量模型,最后利用Vensim PLE软件对能源大数据生态系统发展趋势进行仿真,确定影响能源大数据生态系统发展的关键因素,主要包括消费趋势影响因子、技术研发投入因子、技术升级需求、财政投入因子、环境影响因子和法律法规政策投入因子等。

为促进能源大数据生态系统的快速发展和可持续发展,为政府、企业和个人用户提供更加成熟的数据增值服务,未来应针对能源大数据的具体业务和应用场景进行分析,并探索能源大数据增值服务业务的可行商业模式,从而促进能源大数据生态系统的健康可持续发展。