這個問題我會從大數據在電力行業的應用趨勢，以及具體應用場景兩個方面來回答。1、 電力系統瞬態平衡的特點決定了其的數據基礎      首先我們要看電力系統是怎么運行的，電力系統通過發電環節將煤炭、水力、風能轉化為電能，通過輸電環節將大批量電能通過組網遠距離輸送到負荷中心，最后通過配電環節將大批量電能分散到每一個用戶。而在這一過程中有個重要特點就是瞬態平衡。也就是說無論打開一盞電燈，還是一百萬戶同時開關空調或者電解鋁工廠等高耗能企業啟停相應設備，都會對電網的電壓和頻率帶來極其輕微或者巨大的變化。而電網調度會持續且實時監視這些變化，并向發電廠下達指令，指示其發相應的電來平衡用電造成的影響。      電力系統瞬態平衡的特點意味著整個網絡處于時時變化的動態平衡過程，這就決定了成熟的現代電力系統為滿足用戶負荷的變化就要持續監視和實時調控，這種高頻次的監控要求導致了電力行業對數據采集和自動化控制有著極高的要求。90年代后，電力系統進入高速發展階段，關于電網自動調度、電廠自動控制的技術逐漸普及，形成了大規模的數據網絡。      在數據采集方面，一個典型的2x660MW的火力發電廠一般測點數量可以達到5萬個左右（近年來新建的電廠很多接近10萬點），而一個傳統的海上石油鉆井平臺一般測點數量不到1萬點，離散制造的自動化生產線則更少。在數據存儲方面，電力行業多年前就已廣泛采用時序數據庫進行數據管理，具有大量的歷史數據可供分析。在控制方面，無論是電網的調度、電網變電站線路開關還是各類型的發電廠，早已實現了高度的自動化。可以說電力行業是數據基礎更好的行業之一。因此，國內眾多信息化、互聯網廠商在開展工業互聯網業務的時候都會選擇電力行業作為起始。

2、大數據分析為電力行業帶來新的可能      數據基礎只意味著能做這件事，但要不要做，還要取決于大數據是否能為電力行業創造價值？電力系統雖然擁有大量生產相關的歷史數據基礎，但是這些歷史數據此前大多用于故障事后分析或者是各種年度、季度統計，處于自動化水平高，數字化水平偏低的狀態，并未創造出很多價值。隨著這幾年大數據分析，特別是人工智能技術的發展，這些數據的價值被重新定義了。總體體現在兩個方面。      2.1數據互聯互通驅動新的模式變革      首先從商業模式方面來講，更大的變化就是逐步深化的電力市場化交易。前幾年的電力市場化交易以大客戶直供的年度購銷合同為主，對于電力系統并未產生太大沖擊，而現在逐步推廣的電力實時競價上網，使得整個電力交易系統越來越像股票與期貨市場的結合，市場管理方要監管各家，各家也要有各自的“同花順、大智慧”之類的交易支撐系統。可以說是模式推動數據技術的落地，也可以說是數據技術使得這種模式創新成為可能。再比如無論是電網還是發電企業，其自身運行管理經驗豐富，但是缺乏對于設備本身的理解，因此可以將設備的實時數據傳到設備生產廠家，由其算法或專家進行分析，再為電網和發電這樣的運營企業提供支持。從管理模式方面來說，傳統發電集團采用投資型管理模式，集團管戰略布局，區域分公司管當地開拓，三級單位電廠進行生產。但是到三級單位后，其技術能力必然有限，如果將三級單位的一部分職能收攏到區域公司，實現人力資源和技術資源的集中應用，將大大降低企業的管理成本，也有助于提升管理效能。這部分的內容一方面要依靠區域公司可以掌握各廠的數據，另一方面由于涉及多個機組的集中管控，生產運營專家們也需要相應的決策支持來更好的工作。

此外，數據互驅動的模式變革也發生在儲能等領域，在未來可能會對整個電力或能源供應格局帶來變化。前文說到電力系統的瞬態平衡，電能是實時根據用多少發多少的原則來運作。但是現在風電、太陽能等清潔能源被大量使用，而風電和光伏的間歇性大大增加了電網的調度難度和儲能的需求。電能存儲的成本很高，抽水蓄能、壓縮空氣等也都有自己的局限性。隨著電動汽車的大量普及，每一輛車就是一個行走的50kWh電池，是不是能與車主形成合同，租用其電池呢？當然這種租用首先涉及大量分散的可移動的結點，對充電樁除了傳統的電池控制外還增加了網絡協調的要求，同時還要考慮車主的用車需求，形成動態合同，這都需要大數據技術的支持。同理，數據中心的UPS電源等也可作為儲能租用的對象。再比如，隨著光伏、風電機組制造成本的逐步降低，分布式發電在農網和商業領域有了更多的應用。我們可以設想，一個區域內裝有數千塊分布式光伏板，總裝機容量達到幾十兆瓦，幾千個節點都參與電力市場交易的交易成本和電網公司的服務成本都太高，如果能將這幾千個節點整合成一個網絡，并整體進行負荷預測等管理，就相當于是形成了一個虛擬的大型發電廠，而這一虛擬電廠的運營方也是要依靠大數據技術進行管理。技術與模式是相輔相成的，大數據技術近年來的發展已經為電力行業的很多變革提供了可能，相信隨著大數據和人工智能的持續進步，以及相關項目的落地實踐，會催生出更多的創新商業與管理模式，同時伴生著大量的大數據技術應用機會。2.2 數據訓練人工智能進一步優化生產系統      除了模式創新，在電力生產的過程中大數據也有著很高的應用價值。電力行業經歷百年發展，眾多科學家和工程師終其一生研究的電力生產過程中的一些問題，如什么樣的結構能降低變壓器溫升、什么新材料能延長開關壽命、汽輪機葉片設計提高效率、鍋爐在低負荷穩定燃燒等，大多是通過試驗或觀察，總結出規律形成各種各樣的機理仿真模型。而在電力行業的生產運行中，會應用這些機理模式，對運行控制過程進行實時優化以提升單位效率，或者應用這些機理模型對設備狀態進行分析。如今，機理模型的研究已經日趨成熟，要想運用這些知識進一步提升電力系統的生產效能，要么是要投巨資進行大規模硬件層面的技術改造，要么是有些問題分析方法可以解決，但是工程上根本無法得到準確數據來源，單純機理模型的應用逐步陷入投資回報平衡點的瓶頸。

人工智能技術的發展，為電力生產優化打開了一扇新的窗戶。大數據為很多問題提供了新的解決方法，把大數據分析的數理模型和傳統機理模型相結合也可以進一步提升各類優化的效能和診斷的準確性。總體上可以劃分成兩類：

1）提升運行效能，傳統電力生產中有很多位置難以布置傳感器，或現有傳感器技術無法滿足要求。例如光滑的高溫高壓管道內壁、高溫且結灰嚴重的燃煤鍋爐內部、高速旋轉的汽輪機、燃氣輪機內部等。通過外部參數等效，并回歸得到其關聯關系，我們可以得到虛擬的測點，補齊實際難以布置傳感器位置的數據缺失。前面說到風電光伏的間歇性為電網調度帶來的困難，而我們可以通過趨勢預測以及對短期、中期的天氣預報分析，得出相對準確的間歇性能源出力預測，為電網提前制定調度計劃提供支持。風力發電機從出廠，到現場安裝，其自動對風系統都會出現偏差，而給每臺風機都安裝測風儀成本上又不合理，通過對測風塔風向和風機實際出力的關聯分析，可以得到偏航修正角度。火電廠每個班組的單位燃料消耗有差異，與不同班組間經驗水平有關，通過博弈網絡，可以對更優操作運行參數進行尋優。

2）降低維護成本，對于電網企業而言，由于停電檢修窗口少，設備大多處于欠修狀態，易造成突發事故損失；對于發電企業而言，設備實際使用狀態可能尚未達到需要“保養”的條件，但是根據統一的定期檢修計劃進行檢修，設備往往處于過修狀態，零部件及人力維護成本高。應用大數據技術對發電廠實時數據進行檢測，早期發現故障指征，可以做到按需巡視。進一步而言，通過模式識別與傳統專家系統的結合，可實現故障的預測性自診斷，提前獲知將要發生的故障類型，提前進行相應準備。最后，就可以根據故障可能帶來的危害、影響范圍、可能發生時段等，自動給出檢修維護建議。從而實現電廠自主運行、自主監測、在需要人進行實際的檢修維護操作時，會自主將相應的檢修維護要求發給相應的專業檢修服務機構。整個電力系統的可靠性不再是依靠經驗制定的檢修周期來保證，而是基于設備的實時狀態以及對設備未來狀態的科學預測，提升了電力系統的可靠性，同時避免了過修、欠修，降低了相關檢修成本和人力成本。

3、 電力大數據的發展前景與面臨的問題，從兩化融合、互聯網+、智能制造到人工智能戰略、工業互聯網行動計劃，在戰略層面，人工智能技術是與芯片技術等同樣重要的戰略競爭力之一。在產業層面，阿里云是國內最早開始產業云計算的廠商之一，騰訊戰略轉變為產業互聯網，京東近期也試點了燃燒優化的AI項目，更不要說太極、東華等早已深耕產業的信息化企業，當然還有西門子這樣的老牌電力行業參與者。一時間電力行業大數據及智能化應用成了熱點中的熱點。 現在國內電力行業的智能化水平在單項應用上目前處于領先水平，很多情況下一些新的大數據分析應用，都是根據國內客戶需求，在國內開發，然后再輻射至歐美，或者是一些歐美的先進算法剛剛走出實驗室，國內就已經將其轉化為產品投入實際應用。但在整體應用方面就不盡如人意，在觀念上，以往電力行業重應用，輕架構，追求單個應用產生的價值與象征意義，缺乏對于整體的規劃以及多應用協同方面的考慮，應用與實際生產管理間的關系也難以理順；在實際操作層面，實時數據基礎豐富，但經驗性非結構化數據質量遠不及西方發達。未來必然會走向一條用大數據分析技術和AI，對歷史數據總結，形成替代經驗模型之路，替代經驗模型即可指導自身優化，又避免了數據直接交易的敏感性，這種替代模型將成為工業數字化資產中的核心。目前電力行業大數據應用或者說智能化整體還處于初級階段，電力運營方對這方面的投資正慢慢由傳統科研類項目向實際生產項目試點轉型，各相關企業實際上數據歸集的水平仍然不高，這都意味著電力行業大數據建設將是個長期的事情，同時由于電力產業高度集中在國有資本，必然會依照國有資本的規劃與風險控制原則，是一個循序漸進的過程。 總體而言，大數據也好、人工智能也好、工業互聯網也好，在電力行業的應用，具有廣闊的前景，而且得到了充分的支撐與重視，但是目前其所處的階段，仍然是需要各方的大量投入，且是一項長期的戰略性工作。