大数据在电力行业的应用前景有哪些？

这个问题我会从大数据在电力行业的应用趋势，以及具体应用场景两个方面来回答。1、 电力系统瞬态平衡的特点决定了其的数据基础      首先我们要看电力系统是怎么运行的，电力系统通过发电环节将煤炭、水力、风能转化为电能，通过输电环节将大批量电能通过组网远距离输送到负荷中心，最后通过配电环节将大批量电能分散到每一个用户。而在这一过程中有个重要特点就是瞬态平衡。也就是说无论打开一盏电灯，还是一百万户同时开关空调或者电解铝工厂等高耗能企业启停相应设备，都会对电网的电压和频率带来极其轻微或者巨大的变化。而电网调度会持续且实时监视这些变化，并向发电厂下达指令，指示其发相应的电来平衡用电造成的影响。      电力系统瞬态平衡的特点意味着整个网络处于时时变化的动态平衡过程，这就决定了成熟的现代电力系统为满足用户负荷的变化就要持续监视和实时调控，这种高频次的监控要求导致了电力行业对数据采集和自动化控制有着极高的要求。90年代后，电力系统进入高速发展阶段，关于电网自动调度、电厂自动控制的技术逐渐普及，形成了大规模的数据网络。      在数据采集方面，一个典型的2x660MW的火力发电厂一般测点数量可以达到5万个左右（近年来新建的电厂很多接近10万点），而一个传统的海上石油钻井平台一般测点数量不到1万点，离散制造的自动化生产线则更少。在数据存储方面，电力行业多年前就已广泛采用时序数据库进行数据管理，具有大量的历史数据可供分析。在控制方面，无论是电网的调度、电网变电站线路开关还是各类型的发电厂，早已实现了高度的自动化。可以说电力行业是数据基础更好的行业之一。因此，国内众多信息化、互联网厂商在开展工业互联网业务的时候都会选择电力行业作为起始。

2、大数据分析为电力行业带来新的可能      数据基础只意味着能做这件事，但要不要做，还要取决于大数据是否能为电力行业创造价值？电力系统虽然拥有大量生产相关的历史数据基础，但是这些历史数据此前大多用于故障事后分析或者是各种年度、季度统计，处于自动化水平高，数字化水平偏低的状态，并未创造出很多价值。随着这几年大数据分析，特别是人工智能技术的发展，这些数据的价值被重新定义了。总体体现在两个方面。      2.1数据互联互通驱动新的模式变革      首先从商业模式方面来讲，更大的变化就是逐步深化的电力市场化交易。前几年的电力市场化交易以大客户直供的年度购销合同为主，对于电力系统并未产生太大冲击，而现在逐步推广的电力实时竞价上网，使得整个电力交易系统越来越像股票与期货市场的结合，市场管理方要监管各家，各家也要有各自的“同花顺、大智慧”之类的交易支撑系统。可以说是模式推动数据技术的落地，也可以说是数据技术使得这种模式创新成为可能。再比如无论是电网还是发电企业，其自身运行管理经验丰富，但是缺乏对于设备本身的理解，因此可以将设备的实时数据传到设备生产厂家，由其算法或专家进行分析，再为电网和发电这样的运营企业提供支持。从管理模式方面来说，传统发电集团采用投资型管理模式，集团管战略布局，区域分公司管当地开拓，三级单位电厂进行生产。但是到三级单位后，其技术能力必然有限，如果将三级单位的一部分职能收拢到区域公司，实现人力资源和技术资源的集中应用，将大大降低企业的管理成本，也有助于提升管理效能。这部分的内容一方面要依靠区域公司可以掌握各厂的数据，另一方面由于涉及多个机组的集中管控，生产运营专家们也需要相应的决策支持来更好的工作。

此外，数据互驱动的模式变革也发生在储能等领域，在未来可能会对整个电力或能源供应格局带来变化。前文说到电力系统的瞬态平衡，电能是实时根据用多少发多少的原则来运作。但是现在风电、太阳能等清洁能源被大量使用，而风电和光伏的间歇性大大增加了电网的调度难度和储能的需求。电能存储的成本很高，抽水蓄能、压缩空气等也都有自己的局限性。随着电动汽车的大量普及，每一辆车就是一个行走的50kWh电池，是不是能与车主形成合同，租用其电池呢？当然这种租用首先涉及大量分散的可移动的结点，对充电桩除了传统的电池控制外还增加了网络协调的要求，同时还要考虑车主的用车需求，形成动态合同，这都需要大数据技术的支持。同理，数据中心的UPS电源等也可作为储能租用的对象。再比如，随着光伏、风电机组制造成本的逐步降低，分布式发电在农网和商业领域有了更多的应用。我们可以设想，一个区域内装有数千块分布式光伏板，总装机容量达到几十兆瓦，几千个节点都参与电力市场交易的交易成本和电网公司的服务成本都太高，如果能将这几千个节点整合成一个网络，并整体进行负荷预测等管理，就相当于是形成了一个虚拟的大型发电厂，而这一虚拟电厂的运营方也是要依靠大数据技术进行管理。技术与模式是相辅相成的，大数据技术近年来的发展已经为电力行业的很多变革提供了可能，相信随着大数据和人工智能的持续进步，以及相关项目的落地实践，会催生出更多的创新商业与管理模式，同时伴生着大量的大数据技术应用机会。2.2 数据训练人工智能进一步优化生产系统      除了模式创新，在电力生产的过程中大数据也有着很高的应用价值。电力行业经历百年发展，众多科学家和工程师终其一生研究的电力生产过程中的一些问题，如什么样的结构能降低变压器温升、什么新材料能延长开关寿命、汽轮机叶片设计提高效率、锅炉在低负荷稳定燃烧等，大多是通过试验或观察，总结出规律形成各种各样的机理仿真模型。而在电力行业的生产运行中，会应用这些机理模式，对运行控制过程进行实时优化以提升单位效率，或者应用这些机理模型对设备状态进行分析。如今，机理模型的研究已经日趋成熟，要想运用这些知识进一步提升电力系统的生产效能，要么是要投巨资进行大规模硬件层面的技术改造，要么是有些问题分析方法可以解决，但是工程上根本无法得到准确数据来源，单纯机理模型的应用逐步陷入投资回报平衡点的瓶颈。

人工智能技术的发展，为电力生产优化打开了一扇新的窗户。大数据为很多问题提供了新的解决方法，把大数据分析的数理模型和传统机理模型相结合也可以进一步提升各类优化的效能和诊断的准确性。总体上可以划分成两类：

1）提升运行效能，传统电力生产中有很多位置难以布置传感器，或现有传感器技术无法满足要求。例如光滑的高温高压管道内壁、高温且结灰严重的燃煤锅炉内部、高速旋转的汽轮机、燃气轮机内部等。通过外部参数等效，并回归得到其关联关系，我们可以得到虚拟的测点，补齐实际难以布置传感器位置的数据缺失。前面说到风电光伏的间歇性为电网调度带来的困难，而我们可以通过趋势预测以及对短期、中期的天气预报分析，得出相对准确的间歇性能源出力预测，为电网提前制定调度计划提供支持。风力发电机从出厂，到现场安装，其自动对风系统都会出现偏差，而给每台风机都安装测风仪成本上又不合理，通过对测风塔风向和风机实际出力的关联分析，可以得到偏航修正角度。火电厂每个班组的单位燃料消耗有差异，与不同班组间经验水平有关，通过博弈网络，可以对更优操作运行参数进行寻优。

2）降低维护成本，对于电网企业而言，由于停电检修窗口少，设备大多处于欠修状态，易造成突发事故损失；对于发电企业而言，设备实际使用状态可能尚未达到需要“保养”的条件，但是根据统一的定期检修计划进行检修，设备往往处于过修状态，零部件及人力维护成本高。应用大数据技术对发电厂实时数据进行检测，早期发现故障指征，可以做到按需巡视。进一步而言，通过模式识别与传统专家系统的结合，可实现故障的预测性自诊断，提前获知将要发生的故障类型，提前进行相应准备。最后，就可以根据故障可能带来的危害、影响范围、可能发生时段等，自动给出检修维护建议。从而实现电厂自主运行、自主监测、在需要人进行实际的检修维护操作时，会自主将相应的检修维护要求发给相应的专业检修服务机构。整个电力系统的可靠性不再是依靠经验制定的检修周期来保证，而是基于设备的实时状态以及对设备未来状态的科学预测，提升了电力系统的可靠性，同时避免了过修、欠修，降低了相关检修成本和人力成本。

3、 电力大数据的发展前景与面临的问题，从两化融合、互联网+、智能制造到人工智能战略、工业互联网行动计划，在战略层面，人工智能技术是与芯片技术等同样重要的战略竞争力之一。在产业层面，阿里云是国内最早开始产业云计算的厂商之一，腾讯战略转变为产业互联网，京东近期也试点了燃烧优化的AI项目，更不要说太极、东华等早已深耕产业的信息化企业，当然还有西门子这样的老牌电力行业参与者。一时间电力行业大数据及智能化应用成了热点中的热点。 现在国内电力行业的智能化水平在单项应用上目前处于领先水平，很多情况下一些新的大数据分析应用，都是根据国内客户需求，在国内开发，然后再辐射至欧美，或者是一些欧美的先进算法刚刚走出实验室，国内就已经将其转化为产品投入实际应用。但在整体应用方面就不尽如人意，在观念上，以往电力行业重应用，轻架构，追求单个应用产生的价值与象征意义，缺乏对于整体的规划以及多应用协同方面的考虑，应用与实际生产管理间的关系也难以理顺；在实际操作层面，实时数据基础丰富，但经验性非结构化数据质量远不及西方发达。未来必然会走向一条用大数据分析技术和AI，对历史数据总结，形成替代经验模型之路，替代经验模型即可指导自身优化，又避免了数据直接交易的敏感性，这种替代模型将成为工业数字化资产中的核心。目前电力行业大数据应用或者说智能化整体还处于初级阶段，电力运营方对这方面的投资正慢慢由传统科研类项目向实际生产项目试点转型，各相关企业实际上数据归集的水平仍然不高，这都意味着电力行业大数据建设将是个长期的事情，同时由于电力产业高度集中在国有资本，必然会依照国有资本的规划与风险控制原则，是一个循序渐进的过程。 总体而言，大数据也好、人工智能也好、工业互联网也好，在电力行业的应用，具有广阔的前景，而且得到了充分的支撑与重视，但是目前其所处的阶段，仍然是需要各方的大量投入，且是一项长期的战略性工作。