電力大數據應用的判斷原則

張沛，和怡，張大海，孫藝新，程嘉許

(1.北京交通大學電氣工程學院，北京市 100044；2.國網能源研究院，北京市 102209)

電力大數據應用的判斷原則

張沛1，和怡1，張大海1，孫藝新2，程嘉許2

(1.北京交通大學電氣工程學院，北京市 100044；2.國網能源研究院，北京市 102209)

電網每時每刻都在產生著類型繁多、體量巨大的數據，有效處理并發揮數據的最大價值，是電力信息化建設的主要目的之一。在電力行業，大數據應用已經得到國內外專家學者的廣泛關注，但整體來看目前仍然處于初期的嘗試階段，明確何為電力大數據應用具有重要的意義。文章在綜述電力大數據國內外應用研究的基礎上，闡述了電力大數據的概念，進而結合具體應用場景從技術和價值2個方面提出了判斷電力大數據應用的具體準則，為大數據在電力行業中的應用提供有益參考。數據即資產，電力大數據必將為電力工業乃至經濟社會的發展提供重要的技術支撐。

電力大數據；應用分析；判斷原則

0 引 言

隨著智能變電站系統、現場移動檢修系統、測控一體化系統、地理信息系統(geographic information system，GIS)、智能表計等項目與信息技術(information technology，IT)行業的嫁接，電力行業積累了大量的數據資源[1]，其數據體量已經躍遷至PB級，傳統的數據分析技術與運營方式已經不再適合電網的發展，大數據技術的不斷成熟正在引發著電力行業技術的變革。目前，國家電網公司已經在北京、上海、陜西建立了3個大數據中心，這3個大數據中心覆蓋了我國北方、南方以及西部內陸地區，初步實現了企業級數據資源整合及共享，為電力信息化的長足發展奠定了基礎。

麥肯錫(McKinsey)在《大數據：下一個創新、競爭和生產的前言》中定義大數據是“無法在一定時間內用傳統數據庫軟件工具對其內容進行抓取、管理和處理的數據集合”[2]；高德納(Gartner)認為，大數據是“需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力的海量、高增長率和多樣化的信息資產”[3]。奧里利(O’Reilly)認為，大數據是指超出傳統數據庫系統處理能力的數據，該數據規模大、流轉快，不適合現有數據庫架構，需要采取新的處理方式才能從中獲取價值。中國電機工程學會電氣信息化專業委員會發布了《中國電力大數據發展白皮書》[4]，指出重塑電力核心價值和轉變電力發展方式是中國電力大數據的兩條核心主線。

國內外大量學者和機構開展了有關電力大數據方面的研究和應用。文獻[5]給出了電力大數據平臺總體架構，并探討了符合電力企業發展需求的關鍵技術的選擇原則。文獻[6]闡述了智能電網大數據的理論技術、工程應用現狀以及智能電網大數據研究框架和技術發展路線建議。負荷預測方面，文獻[7]提出了電力用戶側大數據分析平臺，并在此平臺上設計了基于Hadoop的電力用戶側大數據并行負荷預測原型系統，利用并行化后的隨機森林算法進行負荷并行預測實驗。數據融合方面，文獻[8]提出了包含智能電網數據模型(smart grid data model，SGDM)的完整數據倉庫架構，并開展了包含數據源接入、統一數據模型建立與調優、統計分析、可視化等環節在內的配用電大數據實踐。輸變電設備狀態監測方面，文獻[9]基于Hadoop平臺的輸變電設備狀態監測大數據優化和并行分析的方法，應用MapReduce并行編程模型，實現了多數據源并行連接查詢算法和多通道數據融合并行特征提取計算。電力數據分析平臺方面，文獻[10]提出了一套基于云計算的電力大數據分析平臺，面向電力大數據特征，設計了多維索引、結構化查詢語言(structured query language，SQL)自動翻譯工具和支持數據更新的混合存儲模型3項性能提升技術，實現對傳統電力數據分析系統的升級優化。供電安全方面，文獻[11]探討了重要用戶安全大數據存儲處理技術和分析診斷技術，并采用聚類分析的方法對其供電安全潛在風險進行分析。電力系統仿真方面，文獻[12]以電力大數據技術的基本支撐為前提，著重探討了電網仿真數據的特征，以及大數據技術與電網仿真計算相結合時可適用的問題和研究重點。高級量測體系方面，文獻[13]提出了智能電表量測數據(advanced metering infrastructure，AMI)的數據分析方法及其應用前景。

總的來看，國內外專家學者在電力大數據應用方面已經開展了很多研究工作，奠定了一定的基礎，但是大多數文獻[14-18]是對電力大數據應用概括性研究，對電力大數據的應用準則并沒有進行清晰的描述。電力大數據的應用工作仍然處于探索起步階段，電力公司對大數據應用的相關理論、關鍵技術、價值方面理解不足，在一定程度上制約了電力大數據應用的發展。基于此，本文首先闡述電力大數據的概念，進而結合具體案例從技術和價值2個方面提出判斷電力大數據應用的準則，為大數據技術在電網中的應用提供有益的參考。

1 電力大數據概念

從數據角度來看，電力大數據是指通過傳感器、智能設備、視頻監控設備、音頻通信設備、移動終端等各種信息獲取渠道收集到的，海量的及結構化、半結構化、非結構化的且相互間存在關聯關系的業務數據集合。

國際數據公司(International Data Corporation，IDC)從4個特征來定義電力大數據，“4V”分別是指體量(volume)大、類型(variety)多、速度(velocity)快和價值(value)密度低[19-20]，應用此框架描繪電力大數據的特征。

(1)體量(volume)大。電力大數據的來源主要包括3個部分：電網運行和設備檢測數據、電力企業營銷數據和電力企業管理數據。隨著電力企業信息化快速建設和智能電力系統的全面建成，電力數據的增長速度將遠遠超出電力企業的預期。

(2)類型(variety)多。電力大數據包含多種類型的數據，涉及結構化數據、半結構化數據和非結構化數據。結構化數據指行數據，存儲在數據庫里，可以用二維表結構來邏輯表達實現的數據。非結構化數據是指不方便用數據庫二維邏輯來進行展示的數據，例如音頻和視頻數據。半結構化數據介于結構化數據與非結構化數據之間，例如樹、圖。從智能電網的使用過程來看，非結構化的數據往往會占有更大的比重[21]。

(3)速度(velocity)快。速度快主要是對電力數據處理速度方面的描述，高效、快速的處理速度可以使整個過程的效率大大提升。以“1 s”為目標的實時處理是電力大數據的重要特征，即在s級時間范圍內給出分析結果，超出這個時間，數據就失去了價值。

(4)價值(value)密度低。價值密度低是指雖然電力大數據的價值巨大，但是基于傳統的技術和方法，在實際應用中經常出現數據泛濫而知識信息匱乏的窘境，即其價值密度遠遠低于傳統關系型數據庫中的已有數據。如何通過強大的機器算法從海量數據中快速選出有用的知識，是大數據時代亟待解決的難題之一。

從技術角度來看，電力大數據是針對電力多源異構海量復雜數據，以分布式存儲、云計算、可視化等各類技術為支撐，利用統計分析及人工智能等方法進行分析處理，以實現電力數據價值的相關理論、技術、方法及應用的總稱。電力大數據涵蓋了數據從存儲、管理、處理、分析到最后提供業務趨勢預測、數據價值挖掘服務的全過程，以及這一系列過程中所使用的各項技術和理念。

大數據是一門科學和一種方法論，是一種全新的科學理論和哲學方法，是數據量和復雜程度發展到某個階段的產物，是對傳統的數據分析技術的繼承、提升以及革命性的創新。

2 電力大數據應用的判斷準則

大數據技術在電網中的應用，突破了傳統技術的瓶頸，帶來了巨大的技術變革。同時，大數據也在提升企業的價值方面發揮巨大的作用。下面將從技術和價值2個層面闡述大數據在電力行業應用的判斷準則。

2.1 從技術層面判斷電力大數據應用的準則

電力大數據應用的技術準則可歸結為2點：(1)處理數據規模大，數據處理時效性高的問題；(2)解決數據類型多樣，彌補傳統技術手段對半結構化數據、非結構化數據以及空間矢量數據等其他數據格式處理能力的不足。

(1)數據規模大，數據處理時效性高。判斷某應用是否屬于電力大數據應用應看此應用是否處理大規模海量數據，解決傳統的技術手段無法在業務規定的時間內經濟地處理大規模數據的問題。

例如，隨著電網規模的日益擴大以及信息化水平的不斷提高，數據規模也日漸擴大。國家電網公司營銷的用電信息采集系統中的智能電表數量到2015年已達到3億塊，用電采集數據達到PB級。如此數量級的數據將對現今電網的數據存儲和管理提出嚴峻的挑戰。

隨著營銷業務的不斷深化導致計算資源趨于緊張。對用電采集業務的不斷深化，以及營銷企業資源計劃(enterprise resource planning，ERP)、電能質量監測系統等相關業務提出更多、更精細的業務需求，導致其計算分析任務日趨復雜。現有用電信息采集系統在規定時間內完成海量數據的存儲、計算分析處理等任務時出現較嚴重的性能瓶頸。目前采集系統的后臺計算任務安排在凌晨01:00—07:00進行，部分復雜任務需要3 h以上才能運行完成，計算分析的資源時間安排已很緊張。

針對以上問題，利用分布式存儲技術，實現對海量用戶用電信息的采集和存儲，通過分布式緩存、多級索引、批量計算技術，提升數據的查詢效率和計算性能，提升用電信息入庫和計算的性能，滿足對終端用戶的全覆蓋、全采集要求。這類應用屬于電力大數據應用。

(2)數據結構復雜類型多樣，彌補傳統技術手段對半結構化數據、非結構化數據以及空間矢量數據等其他數據格式處理能力的不足。判斷某應用是否屬于電力大數據的應用應看此應用是否對多樣化的數據結構進行處理。若同時處理半結構化數據、非結構化數據以及空間矢量數據等多種數據格式，這類應用屬于大數據應用。

隨著電網公司智能電網的建設和經營管理提升，產生了大量的視頻、客服音頻等非結構化數據，日志、表計等半結構化數據，以及地理空間的矢量數據等多種類型的數據。電網公司需要增強對上述多種類型數據的處理能力，彌補傳統技術手段對半結構化數據、非結構化數據以及空間矢量數據等其他數據格式處理能力的不足，挖掘數據潛在價值。

近年來，國家電網公司累計接入了11 352座變電站、524條輸電線路，共計變電站20.9萬個、輸電線路1 179個攝像頭，每月產生視頻數據約為110 TB，運用視頻分析和分布式流計算等大數據技術對視頻數據進行實時分析，能實現危險區域周界越線報警、安防區域入侵檢測、可疑遺留物的檢測、值班人員脫崗離崗及人員徘徊檢測、是否正確佩戴安全帽等一系列安全監測，提高對變電站安全的監管能力。同時，利用大數據技術能對儀表讀數、判斷設備運行指示燈狀態、判斷翻牌器狀態、判斷開關觸頭分合閘到位狀態以及壓板投退狀態等，從而實現遠程巡檢，降低運檢的成本，提高運維的效率。圖1為變電站視頻分析危險區域周界越線報警示意圖。

圖1 電力大數據應用——變電站視頻分析Fig.1 Power big data application scenario—substation video analysis

目前變電設備和線路設備定期巡檢普遍使用的紅外設備為便攜式和手持式非制冷行焦平面成像儀，拍攝形成的紅外圖片需要進行人工識別處理。現有軟件需要單張導入紅外圖片，只能顯示圖片中的高溫點，不能自動識別故障。隨著無人值守變電站的推廣，巡檢人員需要拍攝大量紅外照片，如使用人工識別，工作量巨大。采用大數據的分布式文件存儲技術，能有效地存儲海量的紅外成像圖片數據，利用圖像處理技術對紅外圖片自動進行識別，根據帶電設備紅外診斷技術應用準則，及時準確發現、定位發熱故障，提高故障識別率，提高供電可靠性、減少人工識別紅外圖像維護工作量。圖2為電力設備紅外圖像。

圖2 電力大數據應用——電力設備紅外圖像處理Fig.2 Power big data application scenario—infrared image processing of power equipment

2.2 從價值層面判斷電力大數據應用的準則

價值層面可以從4個方面判斷電力大數據應用的準則：(1)判斷此應用是否能實現部門間的業務數據共享，促進業務融合；(2)判斷此應用是否可以實現對現有業務模式的創新；(3)判斷是否能夠綜合利用外部數據，提升公司業務的能力；(4)判斷是否能量化企業決策，提升決策能力和決策效率。

(1)實現部門間的業務數據共享，促進業務融合。判斷某應用是否屬于電力大數據應用，應當關注此應用是否滿足各電力業務部門間的業務數據共享，促進各部門業務融合。

例如在供應商設備評價方面，目前通常采用經驗法并結合設備的質量、使用年限、供應商信譽度、供應商經營狀況等來安排采購方案，但此管理方法易造成對設備及供應商的掌握情況不夠準確，使資金利用效率降低。針對此問題，可以利用數據關聯分析技術，建立生產管理系統中的設備缺陷信息與物資供應商采購記錄的關聯關系，研究公司設備需求與設備使用年限、檢修次數、運行狀態以及供應商等信息間存在的規律。構建供應商評價模型，計算設備供貨合格率等指標，實現對供應商產品質量問題的跟蹤和閉環管控，完善供應商績效評價機制，為公司選擇更加優質的供應商提供依據，減少因設備缺陷帶來的經濟損失。圖3為大數據在設備缺陷及其供應商評價分析中的應用示意圖。

圖3 電力大數據應用——供應商評價分析Fig.3 Power big data application scenario—supplier evaluation analysis

(2)創新現有業務模式。判斷某應用是否屬于電力大數據的應用應看此應用是否能夠突破傳統的電力公司業務模式，公司運營水平是否得到提升。

例如在用戶能耗分析方面，電力用戶在用電時，因為設備配置和使用不當會導致電能損耗過大或電能利用率低的情況，該情況不僅造成電力資源的浪費，而且易形成用電安全的潛在風險。同時大部分企業也沒有對電能進行精益管理，比如計量、監測制度不健全，管理不到位，職責不明確等。隨著用電信息采集系統的建設與應用，電表每日產生大量各類用電相關信息，利用這些信息，并將用電信息結合氣象資料、企業生產等數據進行相關的挖掘，進行用戶能耗分析及用電方案優化，給用戶用電建議、引導用戶合理優化用電行為。這樣不僅可以極大保障客戶經濟利益，提升客戶服務的滿意度，同時電網公司通過為用戶提供增值服務開辟創新業務領域，增加收入。圖4為大數據在用戶能耗分析及用電方案優化中的應用示意圖。

(3)綜合利用外部數據，提升公司業務的能力。判斷某應用是否屬于電力大數據應用，應當關注此應用是否有效利用了除電網公司內部數據之外的數據，綜合考慮多方面因素。

如在中長期負荷預測方面，傳統的方法主要存在相關因素考慮不夠全面、模型建立不夠準確的缺點。負荷預測的數據源不僅應包括用戶類型、用戶檔案等來自于用電信息采集系統和營銷業務系統的數據源，還應當涵蓋當地行政規劃、經濟增長、地理信息、人口數量、氣候類型、政府政策等方面的外部數據。這些外部數據分別存放在不同的機構部門中。利用數據挖掘技術和分布式計算技術，構建一個綜合的負荷影響因素分析模型，并考慮到影響因素的不確定性，進行模型誤差分析，識別出產業負荷主要影響因素及模型誤差來源，綜合利用外部數據，提升負荷預測精度，提高變電站布局的合理性，使電網發展適時地滿足社會經濟發展的需要。圖5為電力大數據在中長期負荷預測的應用示意圖。

圖4 電力大數據應用——用戶能耗分析及用電方案優化Fig.4 Power big data application scenario —energy consumption analysis and optimization

圖5 電力大數據應用——中長期負荷預測Fig.5 Power big data application scenario —medium and long term load forecasting

(4)量化企業決策，提升決策能力和決策效率。判斷某應用是否屬于電力大數據應用，應當關注此應用是否能夠使企業決策從定性到定量轉變，電力公司決策能力和效率得到提升。

電網公司關注可靠性、經濟性和客戶滿意度等多個方面。由于各個戰略重點之間存在關聯關系，例如，可靠性提升需要投資，投資會影響電網公司的經濟指標。可靠性的改變又會影響客戶滿意度。三者之間既存在促進關系又存在制約關系。目前電網公司經營決策的制定還存在于定性分析方面。量化分析它們之間的關系對電網公司的經營具有重要的指導價值。利用數據的分析挖掘技術，構建戰略目標間的關系，形成指標關聯方式與關聯強度視圖。

規劃、基建、運檢、調度和營銷每個業務部門采取的措施都會對可靠性、經濟性和客戶滿意度產生影響。大數據技術能夠量化各項措施對可靠性、經濟性和客戶滿意度的影響。采用最優解求解方法，確定優化的方案，確保公司戰略指標的實現。圖6為電力大數據在經營決策方面的應用示意圖。

圖6 電力大數據應用——戰略指標優化制定Fig.6 Power big data application scenario — strategic index optimization to support decision making

3 結 論

本文從技術和價值2個層面闡述了大數據在電力行業應用的準則。

技術方面，電力大數據應用應當至少滿足以下2個條件的任意一條：(1)處理數據規模大，數據處理時效性高；(2)數據類型多樣，彌補傳統技術手段對半結構化數據、非結構化數據以及空間矢量數據等其他數據格式處理能力的不足。

價值方面，電力大數據應用應當至少滿足以下4條準則中的任意一條：(1)電力大數據應用能夠實現部門間的業務數據共享，促進業務融合；(2)創新現有的業務模式；(3)合理利用外部數據，提升公司業務能力；(4)量化企業決策，提升決策能力和效率。

電力大數據應用雖處在前期研究階段，但已展示出數據中所蘊藏的巨大能量。數據即資產，電力大數據是電力企業的重要資產。電力企業、生產廠商、研究機構需要通力協作，探索如何科學合理地釋放數據能量，以推動傳統電力工業的升級，適應未來經濟社會的發展需要。

[1]陸如，范宏，周獻遠．基于大數據技術的配電網搶修駐點優化方法[J]．供用電，2015，32(8)：31-36． LU Ru, FAN Hong, ZHOU Xianyuan. Optimization method of repair the stagnation point distribution based on big data analysis method[J]. Distribution & Utilization, 2015, 32(8): 31-36.

[2]MANYIKA J, CHUI M, BROWN B. Big data: the next frontier for innovation, competition and productivity[R]. Las Vegas: The McKinsey Global Institute, 2011.

[3]KNUTH D E．Top ten strategic technology trend for 2012[EB/OL]．(2011-11-05)[2017-01-17]．http://www.gartner.com.

[4]中國電機工程學會信息化專委會. 中國電力大數據發展白皮書[M]. 北京：中國電力出版社，2013：1-22.

[5]彭小圣, 鄧迪元, 程時杰, 等．面向智能電網應用的電力大數據關鍵技術[J]. 中國電機工程學報，2015, 35(3): 503-511. PENG Xiaosheng, DENG Diyuan, CHENG Shijie, et al. Key technologies of electric power big data and its application prospects in smart grid [J]. Proceedings of the CSEE, 2015, 35(3): 503-511.

[6]張東霞, 苗新, 劉麗平, 等．智能電網大數據技術發展研究[J]．中國電機工程學報, 2015, 35(1)：2-12． ZHANG Dongxia, MIAO Xin, LIU Liping, et al. Research on development strategy for smart grid big data[J]. Proceedings of the CSEE, 2015, 35(1)：2-12.

[7]王德文，孫志偉．電力用戶側大數據分析與并行負荷預測[J]．中國電機工程學報，2015, 35(3): 527-537. WANG Dewen, SUN Zhiwei. Big data analysis and parallel load forecasting of electric power user side[J]. Proceedings of the CSEE，2015, 35(3)：527-537.

[8]韓笑，狄方春，劉廣一，等．應用智能電網統一數據模型的大數據應用架構及其實踐[J]．電網技術，2016，40(10)：3206-3212. HAN Xiao, DI Fangchun, LIU Guangyi, et al. A big data application structure based on smart grid data model and its practice[J]. Power System Technology，2016，40(10)：3206-3212.

[9]宋亞奇，周國亮，朱永利，等．云平臺下輸變電設備狀態監測大數據存儲優化與并行處理[J]．中國電機工程學報，2015，35(2)：255-267. SONG Yaqi, ZHOU Guoliang，ZHU Yongli，et al. Storage optimization and parallel processing of condition monitoring big data of transmission and transforming equipment based on cloud platform [J]．Proceedings of the CSEE，2015，35(2)：255-267.

[10]吳凱峰，劉萬濤，李彥虎，等．基于云計算的電力大數據分析技術與應用[J]．中國電力，2015，48(2)：111-116. WU Kaifeng, LIU Wantao, LI Yanhu, et al. Cloud-computing based power big data analysis technology and its application[J]. Electric Power，2015，48(2)：111-116.

[11]丁堅勇，周凱，田世明，等．基于大數據技術的重要用戶供電安全分析[J]．電網技術，2016，40(8)：2491-2495． DING Jianyong，ZHOU Kai，TIAN Shiming, et al. Big data technology based important user power supply security analysis[J]. Power System Technology，2016，40(8)：2491-2495.

[12]黃彥浩，于之虹，謝昶，等．電力大數據技術與電力系統仿真計算結合問題研究[J]．中國電機工程學報，2015，35(1)：13-22． HUANG Yanhao, YU Zhihong, XIE Chang, et al. Study on the application of electric power big data technology in power system simulation[J]. Proceedings of the CSEE，2015，35(1)：13-22.

[13]ALAHAKOON D, YU X. Advanced analytics for harnessing the power of smart meter big data[C]//2013 IEEE International Workshop on Intelligent Energy Systems (IWIES). Vienna, Austria: IEEE, 2013: 40-45.

[14]SAGIROGLU S, SINANC D. Big data: A review[C]// 2013 International Conference on Collaboration Technologies and Systems (CTS). San Diego, CA, USA: IEEE, 2013: 42-47.

[15]DENG L, ZHOU C. Protype framework of smart city base on big data and smart grid[C]// 2015 International Conference on Computer Science and Mechanical Automation (CSMA). Hangzhou, China: IEEE, 2015: 102-107.

[16]AMAN S, CHELMIS C, PRASANNA V. Addressing data veracity in big data applications[C]//2014 IEEE International Conference on Big Data. Washington, DC, USA: IEEE, 2014: 1-3.

[17]王欽，蔣懷光, 文福拴，等．智能電網中大數據的概念、技術與挑戰[J]．電力建設，2016，37(12)：1-10． WANG Qin, JIANG Huaiguang，WEN Fushuan，et al. Concept，technology and challengs of big data in smart grids[J]. Electric Power Construction，2016，27(12)：1-10.

[18]高峰，劉廣一，SAUNDERS Chris，等．智能電網大數據的分析與應用[J]．電力建設，2015, 36(10): 11-19. GAO Feng，LIU Guangyi，SAUNDERS Chris, et al. Applications of smart grid big data analtics[J]．Electric Power Construction，2015，36(10): 11-19.

[19]苗新，張東霞，孫德棟．在配電網中應用大數據的機遇與挑戰[J]．電網技術，2015，39(11)：3122-3127． MIAO Xin，ZHANG Dongxia，SUN Dedong．The opportunity and challenge of big data’s application in power distribution networks[J]．Power System Technology，2015，39(11)：3122-3127.

[20]李國杰，程學旗．大數據研究:未來科技及經濟社會發展的重大戰略領域——大數據的研究現狀與科學思考[J]．中國科學院院刊，2012，27(6)：647-657． LI Guojie，CHENG Xueqi．Research status and scientific thinking of big data[J]．Bulletin of Chinese Academy of Sciences，2012，27(6)：647-657.

[21]宋亞奇，周國亮，朱永利．智能電網大數據處理技術現狀與挑戰[J]．電網技術，2013，37(4)：927-935． SONG Yaqi，ZHOU Guoliang，ZHU Yongli．Present status and challenges of big data processing in smart grid[J]．Power System Technology，2013，37(4)：927-935．

(編輯 景賀峰)

Judgment Rules of Big Data Application in Power Industry

ZHANG Pei1，HE Yi1，ZHANG Dahai1，SUN Yixin2，CHENG Jiaxu2

(1. School of Electrical Engineering，Beijing Jiaotong University, Beijing 100044, China;2. State Grid Energy Research Institute, Beijing 102209, China)

The power grid is producing a large amount of data with various types. It is of great significance to effectively deal with and develop the maximum value of the data, which is one of the main purposes of electric power information construction. In the power industry, big data applications has aroused the attention of domestic and overseas experts and scholars. However, the application of power big data is still in its infancy. It is necessary to identify what is the application of power big data. This paper reviews the applications of the power big data at home and abroad, on this basis, illustrates the concept of the power big data. And then combined with specific application scenarios, this paper introduces the judgment rule of power big data from the aspects of technology and value, which can provide a useful guidance for the application of power big data in electric power industry. Data is asset, so power big data will certainly provide an important technical support for the development of the power industry and economic society.

power big data; application analysis; judgment rules

國家電網公司科技項目(基于全業務數據中心的公司資產管理協同分析與決策關鍵技術研究)

TM 73

A

1000-7229(2017)05-0085-06

10.3969/j.issn.1000-7229.2017.05.011

2017-02-23

張沛(1972)，男，博士，教授，主要研究方向為電力系統調度運行、電力系統規劃、電力信息化；

和怡(1992)，女，碩士研究生，主要研究方向為電力系統穩定與控制、電力信息化；

張大海(1973)，男，博士，副教授，本文通信作者，主要研究方向為電力系統監控、繼電保護與電能質量；

孫藝新(1983)，男，博士，高級工程師，長期從事能源大數據戰略規劃與咨詢研究工作；

程嘉許(1982)，男，博士，高級工程師，長期從事電網企業資產管理研究與咨詢工作。