大数据VS电力的有效碰撞

文 | 本刊记者 邢帆

大数据VS电力的有效碰撞

文 | 本刊记者 邢帆

通讯、计算机、自动化等技术在电网中的广泛深入应用和与传统电力技术的有机融合，极大地提升了电网的智能化水平，随着各种新技术的进一步发展、应用和与物理电网高度集成，“智能电网”应运而生。2016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，智能电网等能源行业与技术的融合颇引人注意。同时，有研究表明，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%。结合近年来电力行业的发展，大数据在电力行业中的应用已成趋势。

大数据让“智能电网”更智能

近几年，“智能电网”已成为电力行业的高频关键词，各电力企业都加快了信息化建设的步伐。国家电网通过“SG186”和“SG-ERP”工程的实施，初步建成了一体化的信息系统，但随着电力业务数据的不断暴增，未来智能电网在信息采集、海量存储、实时监测和智能分析方面会有更高的要求。

智能电网要求覆盖到全部用户，采集全部用电信息，全面控制电费，实时监管线损消耗等，除此之外，电力企业还需要结合客户需求，开发出个性化的电力消费产品和服务产品，这些都离不开数据的支撑。

与其他行业相比，电力行业的数据来源非常广，不仅涉及到电网本身业务运营和经营管理的数据，还涉及到从电压、电流、信号处理等各种传感器采集过来的IOT数据，另外还有大量与分布式电源、居民用户相关的外部数据，若这些数据得不到有效整合，数据质量得不到提升，电力企业信息共享和智能决策等工作的开展将会受到制约，大数据治理作为解决数据问题的关键措施，逐渐成为电力企业关注的焦点。

内蒙古企业一位电力企业负责人表示，在内蒙古，大数据已渗入每一个行业和业务职能领域，企业正在以电力能源为切入点，探索与大数据产业融合发展的可能性。技术专家则表示：“数据的价值不在于数据的大小而在于数据的分析通过对能源行业信息数据的整合、清洗，利用大数据的分析技术，探索出大数据所潜在的价值，为能源企业的经营决策提供更可靠的依据，让智能电网更智能。”

采集、管理与服务的三重奏

电能在目前还没有实现大规模存储。但通过大数据技术，可实现电力系统调度从传统的发电调度到负荷调度的升级。通过分析用电大数据，掌握各种类型用户、各个区域用户的用电特征，并实现根据电网调度需要对部分用电负荷的集中控制，就可以减少电网的各种备用成本，相应地也能降低用户的用电成本。而要实现以上种种愿景，则需要搭建一个平台，可以将大数据分析的众多技术应用于经营决策、科技研发、生产营销等领域，进而使企业从中挖掘出大量数据资源。

而说到电力行业的大数据治理，就不得不先了解SG-CIM（公共信息模型）模型，SG-CIM是电力行业中一个最具影响力的模型，为电力系统的建模和信息交互建立了统一的规范。

SG-CIM模型让电力系统之间的数据交换变得有标准可依，从SG-CIM模型入手开展电力行业的大数据治理建设，成为一条可用途径。按照模型电力行业的大数据治理，可以从采集、管理、服务化三个阶段入手。

自动采集各类数据资产信息。理想情况下，电力企业的数据模型都应该是参考着SG-CIM模型来设计的，但是因为缺少统一的管理工具，电力企业无法知道SG-CIM模型的实际落地情况，也不清楚数据在哪里，数据之前的关系和数据的流向，数据治理无从着手。要想管理好数据，首先需要获取到企业的全部数据信息，实现业务元数据、技术元数据、SG-CIM模型元数据的全面采集和存储，在摸清数据现状的情况下才能有效开展数据资产管理相关建设。

在电力系统数据量成倍增长、数据种类纷繁复杂的情况下，与人工录入数据相比，自动化采集的优势也变得更加突出。要想统一管理所有信息资产，还依靠人工录入的方式肯定是行不通的，企业需要通过相应的数据管理工具，实现对资产信息的自动获取。目前实现自动采集的一种方式是根据不同的数据源，开发出不同的采集适配器，多采用直连的方式来实现不同种类数据的自动化采集，包括自动数据信息采集、自动服务信息采集与自动业务信息采集等。

在实现了业务元数据、技术元数据、SG-CIM模型元数据的全面采集之后，电力企业就能对这些数据资产进行管理了，电力企业在管理企业数据资产的时候，可以从三个方面着手：业务元数据和技术元数据的对应，数据资产的全面梳理、数据质量的管理。

梳理数据信息，对应业务元数据与技术元数据。电力系统通用信息模型SG-CIM涵盖了电力企业所有业务模型，但是如果不建立业务模型与实际物理模型的映射管理，就无法建立业务与技术之间的连接，业务人员很难直接获取和使用数据。

充分释放数据业务价值的前提是让业务人员能够自助找到并获得数据，因此建立业务模型与物理模型之间的连接，让业务人员能够通过业务模型就能直接获取数据，就变得非常重要。目前大部分企业还是依靠人工梳理的方式来对应业务模型与物理模型，需要业务人员来填写各种各样的数据项，增加业务部门负担的同时，也很难保证时效性。自动完成业务模型与物理模型的对应，将能大大减少业务人员的工作量，同时还能提升技术与业务关联的准确度，通过此种方式快速消除业务与技术之间的鸿沟。

数据治理的服务化。单纯对数据进行管理并不是大数据治理的最终目标，大数据治理的本质应该是让业务人员更方便地获取到数据，为其提供技术手段，从而向数据要效益，提升业务能力，达到业务创新。将数据治理服务化，能从三个方面直接提升业务和技术人员的效率，实现业务的创新：提供自助数据查询服务，能够让业务人员和技术人员直接通过业务语义就找到相应的数据；提供自助获取数据服务，形成数据的通道，帮助业务人员直接获取找到的数据；提供自助数据分析服务，让业务系统开发人员能够以业务化的语义分析来分析获得的数据，比如自助设计报表等。

浙江电力的大数据治理就是按照采集、管理、服务化这三个阶段来建设的。通过自动化获得浙江电力所有的元数据，将业务模型与物理模型自动对应，实现了业务模型与物理模型有效管理并严格控制了数据质量，并将数据治理能力服务化。通过大数据治理项目的建设，充分释放了业务人员的潜能，让业务人员能够自动、自助地获取高质量数据的同时还能对数据进行自助分析，大大提升了业务人员的数据分析能力，让智能电网的每一个业务人员都转变成真正的数据分析师。

解决数据质量问题

在电力企业复杂的大数据环境中，数据质量会成为突出的问题，电采数据是否能够准确获得，IOT设备数据是否能够精确回传，各个系统的数据是否都是准确的都会对大数据分析与应用的效果产生影响。

所以，电力企业在大数据采集与数据资产管理之后，还必须要解决数据质量的各种问题。对于电力企业来说，提升数据质量可以遵循以下3个基本原则：

在数据的全生命周期中控制数据质量，尤其是在系统需求分析与设计阶段，要严格控制数据模型，使其满足规范和要求。

梳理数据质量检核规则，并形成业务化的检核规则库，来对电力企业大数据进行数据质量检查。

建立数据质量考核机制，用自动化打分的方法提高各个部门对数据质量的重视程度，推进数据质量问题的解决。

大数据为涵盖能源生产、存储、传输、转换和消费的整个能源链条提供着有效支撑。能源互联网将把能源行业从以能源生产为中心转变为以用户为中心的模式，用户既是能源消费者，又是能源生产者。在能源大数据采集分析诊断技术、智能电网需求响应、分布式能源微网、能效管理、大规模储能等方面都会得到发展。为实现智能电网，未来的电力企业需要打好坚实的数据基础。而大数据治理将在整个大数据平台中起到中枢神经作用，通过大数据治理，将数据资产管理起来，提供一整套大数据服务能力，帮助企业快速发挥大数据中的潜在价值。