0 引言

数据分析在各个行业中都占据着重要的地位，高效有用的数据分析可以推动相关行业的高速发展。随着社会科学技术的进步，大数据被广泛运用于互联网中，并且成效可观，使大数据得到社会广泛关注。学者从不同角度对大数据的定义提出了不同的看法。麦肯锡认为，大数据是指其大小超出了典型数据库软件的采集、存储、管理和分析等能力的数据集；李国杰提出，大数据是指无法在可容忍的时间内用传统IT技术、软硬件工具和数学分析方法，对其进行感知、获取、管理、处理和分析的数据集合；赵国栋提出，大数据是在多样的或者大量的数据中，迅速获取信息的能力。综合上述观点，可以认为大数据是通过数据的比较、聚类、分类等方法来研究数据从时间、量度、价值等各个方面的潜在关联。

由于从不同的研究视角出发，学者对大数据的定义各有不同，因此，人们对大数据特征的认识也有所差异。总体而言，大数据以“4V”为主要特点：数据量大(volume)、数据种类多(variety)、数据价值高(value)、处理数据速度快(velocity)。虽然具有海量数据，但是有用数据的密度较低。也就是说，真实有效的数据所占比例很小。而大数据处理需要从大量数据中进行筛选，得到包含有效数据的部分，然后分析数据之间的内部联系及数据的变化规律等，由有效数据分析得到更多的预测数据，对于这些数据采用如神经网络等高效算法进行数据挖掘，从而得出数据的本质和演变特征。

随着能源危机的爆发和环境污染的加剧，人们致力于积极开发清洁可再生能源，改变能源的消费结构。将互联网与不同领域相结合，可以创造出全新的模式。李克强总理在2015年的政府工作报告中提出“互联网+”计划，展开了互联网与各领域交互的新型服务模式。在此背景下，能源互联网应运而生。全球能源互联网是以特高压为骨干通道，主要输送清洁能源，在全球互联的智能电网。能源互联网借鉴互联网分层方式，自下而上地构建能源的整体架构，利用分布式网络的思想，通过加入其它开放的能源单元的形式，实现与各种能源的互联、交流、分享、应用，同时也方便能源状态及数据的更新。能源互联网是多能源互联互通的网络，数据来源广泛，种类众多，信息量极大，因此构成大数据系统。通过大数据挖掘、机器学习和预测技术来支撑能源互联网的运营，提高能源互联网的运行效率，降低能耗。

能源互联网具有许多不同的特征:①能源互联网具有广泛的关联性，通过电网传输实现能源广泛关联，将能源联系到每家每户；②能源互联网具有对等性，即能源互联网中能源的使用者也可以是能源的生产者；③能源互联网具有信息广泛性，能源互联网数据来源广泛，种类众多，信息量极大；④能源互联网具有绿色低碳特征，通过对清洁能源的传输，促进了可再生能源的利用，实现能源的持续发展。

将传统能源数据变为能源大数据，需要考虑在时间及空间上进行拓展，将不同地区数据的变化进行记录，除了利用传统方法对数据进行分析以外，直接通过能源互联网获取各地区在不同时间的数据，然后对能源大数据进行分析，挖掘数据之间的内在联系，找到不同能源间的关联，分析能源未来趋势，选择能源发展目标，提高清洁可再生能源利用率，完成信息通信与能源的数字化、智能化和一体化，使能源向清洁绿色可持续方向发展。

作业过程主要以ArcGIS软件为平台，通过导入数据、数据转换、背光面轮廓高度及阴影的叠加，从而完成不合规范建筑物的查询、输出[4]。具体作业流程，如图1。

1 大数据与能源互联网

1.1 能源互联网与大数据的关系

由于数据的复杂性及相关性，以及能源互联网中的数据受外来因素影响较大，因此仅仅使用物理模型找出数据的关系仍然不够。需要充分利用数据的相关性特点，在物理模型的基础上，加入统计学的观点，分析关联性。在利用矩阵分析时，可将多方面的因素及历史、预测等情况考虑在内，利用矩阵的多维特点，结合数学分析的知识，对数据进行分析。

能源互联网的发展离不开大数据思维，能源互联网必须与大数据思想进行紧密结合，才能实现可持续发展。能源互联网以电力为关键环节，将能源转化为电力进行传输使用。运用大数据思维，将各种能源数据从简单的处理对象变成预测数据的提供者。在能源互联网中运用大数据，使电力大数据成为能源互联网中数据互联、使用、共享的基础。然后通过电网在能源互联网中获取各地区能源信息，对其进行收集、运输、传播和存储，利用大数据模型及思维对数据进一步挖掘，找出能源之间的联系、特征与发展，由此推进能源的互联，促进其实现可持续发展。

最刺激的要数九十八米处的“VR高空过山车”。据说这是由荷兰人设计的，还打破了过山车吉尼斯世界纪录呢！我和爸爸戴上VR眼镜，才出发不久，耳边就响起了此起彼伏的尖叫声，随着过山车快速的移动，爸爸吓得脸色煞白。而玩惯过山车的我，则镇定自若，一边享受飞翔的感觉一边欣赏美景。不一会儿，到了目的地，爸爸拍拍胸口，说：“终于到了！差一点儿心脏病要被吓出来了。”我冲着妈妈挥手，做出了胜利的手势。

大数据可为能源和能源互联网的发展带来多方面益处。首先，大数据可为能源的生产和消费制定规划并找到发展方向，利用神经网络、人工智能、机器学习等算法找到数据中深层次的关联，然后通过分析可以找到未来能源更高效利用的方法，使能源消费总量减少，提高能源利用率；其次，利用大数据对能源互联网中的数据进行分析，可以促进能源贸易，提高经济收入，制定能源的决策情况。能源互联网为各国能源的发展都带来了机遇，通过对不同地区能源的使用情况及对本国能源拥有量进行数据分析，制定经济政策，促进能源贸易的发展；对于本国来说，结合能源在地区间的使用情况，对各地区的能源价格进行调整，使能源配置更为合理；第三，基于大数据的能源互联网能够促进不同领域的信息实现共享，在传统能源模式中各部门数据是分散的，数据的搜集相对来说比较困难，但是在能源互联网中建立的巨大的数据库可以对不同部门的数据进行统一管理，不同部门之间数据分析在数据提取这一方面也就更加便捷。

2) 自装置开车以来，黑水角阀阀座及阀芯被冲刷磨损，角阀筒体侧上部多次因冲刷发生泄漏，严重制约着装置的稳定运行，气化炉停车检修期间发现阀座局部冲刷严重，阀芯表面硬质材料磨损严重。分析原因后，确定为阀门CV值过大，开度变小，黑水流经角阀处形成偏流，从而导致闪蒸，角阀阀座出现局部磨损，内件磨损腐蚀，引起黑水偏喷现象。

大数据在为能源互联网带来好处的同时，也存在着风险。首先，数据泄露问题不容小觑，网络安全与隐私保护的重要性不言而喻；其次，数据量过于庞大，在数据的存储、运输方面，技术还有所欠缺。例如海量数据库的建立、信息冗余的消除、高效处理的算法等都是亟待解决的技术难题；第三，能源互联网是一个全新的模式，其与大数据的紧密结合产生了新的管理问题，传统管理模式难以管理如此庞大且专业性强的系统，有效的管理需有多学科交叉意识以及综合知识。因此，大数据在能源互联网领域中的问题亟待完善。

1.2 利用大数据分析能源互联网

大数据思维是将通过电网收集的现象、信息、数据进行数字化处理，综合运用统计学、人工智能、数据挖掘、数学建模等思维，多角度多方面地对信息进行处理，更高效地挖掘多维数据关联，找出其中更为深刻紧密的新型关系，并尽可能合理有效地提供预测，给出能源未来的使用安排。在能源互联网中需要通过电网对能源概况、能源设备等数据进行监测与分析，此过程中必然需要进行数据的采集、处理、统计、挖掘。因此可以将利用大数据对能源互联网进行分析的过程划分为以下4个步骤:①采集大数据；②大数据预处理；③大数据分析；④大数据挖掘。

1.2.1 采集大数据

长期以来，中等职业教育一直被视为“差生教育”，大多招收高考、中考落榜生或中学没有毕业的学生。以我州招生状况相对较好的伊宁卫生学校为例，从2013年起即开始实施“无线招生”，学生只要持有初中以上毕业证书就可入学。即使如此，中职学校仍然存在生源不足问题。很多学生在进入中等职业学校后彻底放弃学习，只为混张文凭，招生难、生源质量差已成为制约我州中等职业教育发展的重大因素。

在搜集数据时，首先考虑到数据的获取渠道，即大数据的来源方式。根据产生消费的过程，可以将能源数据分为能源生产数据、能源运输数据、能源消耗数据，根据能源的消耗情况分为可再生资源和不可再生资源，可通过不同的分类方式进行采集；其次，根据数据划分的类型，从不同环节进行获取。例如不可再生能源的生产数据可以通过开采的量进行统计，可再生能源的生产数据可以通过每台设备每日的生产量进行搜集；第三，再利用大数据采集的标识、传感等专业方法获取。其中，标识技术包括RFID、条形码、生物识别等，传感技术则是利用传感器，可以用来测量电量等。而且大数据中的数据应该不断更新和完善，因为能源发展迅速，能源的关系需要性能完善的数据集获得。

离散数据的收集较为方便快捷，可是由于时间等方面的连续性，连续数据在能源互联网中占据重要部分。在能源的获取中需要借助嵌入式，DSP等技术在时域频域上进行数据采样，即完成A/D转换，在采集过程中需要考虑带宽和存储空间的影响，尽量选择在本地完成转换。完成数据分析后还要注意使用D/A转换将其转化为连续量，再完成数据预测等方面的分析。

然后将是非数字量的信息收集。例如与语义相关的信息的采集，需要采用有效的编码方式，利用人工智能等方法对信息进行处理，完成信息的采集。

生物多样性保护效益包括人工湿地生态修复工程自身的生物多样性保护效益和对整个河道的生物多样性保护效益。人工湿地生态修复工程自身的生物多样性保护效益通过湿地生态修复面积、修复区新增物种数、生物多样性指数等指标，利用数理统计法或打分法进行定量或半定量评估。本项目实施后对河道的生物多样性保护效益评估包括对河道水生植物、鱼类栖息地、水鸟栖息地保护等进行定性或半定量的评估。

2.1.1 大数据处理平台

1.2.2 大数据预处理

能源互联网中的大数据具有以下特征：①能源互联网大数据量庞大，从不同渠道搜集到的数据包含了很多信息；②能源互联网数据结构复杂，种类繁多，包括语音、图像等多种类型数据；③能源互联网大数据的有效信息密度较低，其数据量庞大；④能源互联网中的大数据时效性强，更新迅速，需要快速、及时地进行处理。

信息可分为语义信息、语法信息、语用信息。在深度挖掘之前的数据统计分析只是针对数据进行分析，但是仅仅掌握数据之间存在的关联是远远不够的。数据代表的含义在对数据分析中承担着重要作用。在能源的使用中，需要通过各种能源的含义对能源进行划分、规划、预测，例如只有在确定能源属于不可再生能源还是可再生能源后，才能决定该种能源未来发展目标。在深度挖掘中可以运用图像处理、计算机视觉、人机交互等技术直观地展现数据之间的联系。同时也要注意对语言的挖掘，而针对语义的分析除了利用人工智能以外，还需要人为参与，对结果进行过滤解读，转化为语义上能够理解的形式。

1.2.3 大数据的统计分析

大数据的统计分析是能源互联网大数据分析中的核心过程。能源的收集、传输、使用需在短时间内完成，对于算法要求极高，需要高效的信息处理能力。在数据计算分析中，要考虑不同种数据的排列方式，使用的模型对于不同类型的数据是否具有可移植性，结果的鲁棒性能否充分体现，尽可能使用可视化展示，使结果清晰明了。因此，需要建立合适的数学模型对其数据进行分析。

加强党委职能部门的统一归口协调管理职能。省委组织部统一管理省委机构编制委员会办公室、统一管理公务员工作，省委宣传部统一管理新闻出版和电影工作，省委统战部统一领导民族工作、统一管理侨务工作等。从政治上、思想上、组织上加强党对各方面工作的领导，真正做到定位准确、分工合理、增强合力。

免疫组化半定量:光学显微镜下组织细胞膜或细胞浆中有棕黄色颗粒沉积为阳性细胞。每张切片随机选取10个高倍(×400)视野，按照每张切片的阳性细胞的比例以及着色的深浅进行半定量的分析。阳性细胞着色比例A：<5%，0 分；5%～25%，1 分；26%～50%，2 分；>50%，3 分；着色强度B：无着色或背景染色，0 分；浅棕黄色，1 分；棕黄色，2 分；棕褐色，3 分。积分=A×B，积分0 分记(﹣)；积分1～3 分记(+)；积分4～6 分记(++)；积分7～9 分记(+++)，两位病理科专职人员检测结果的平均值作为最终结果记录。

能源互联网是将电力系统与通信系统相结合，涵盖各种能源的巨大且复杂的系统，其本身就是一个大数据库。能源在生产、运输、存储、使用过程中产生大量的数据，对人们生活、气候、经济、政治、军事等方面都有极大的影响。这些数据共同作用、共同影响，形成能源互联网中的大数据。

按照能源数据的处理过程可以把统计技术简要分为以下几类：能源演变过程分析，例如可以采用时间序列模型来分析；能源差异分析，例如可以采用聚类分析选取合适指标然后利用对比图分析；能源预测分析，可以采用灰色预测分析；能源目标选取，可采取TOPSIS模型对具体问题进行优化分析选取目标。大数据分析方法众多，遗传算法、神经网络算法、回归分析、数据挖掘算法等。在模型的建立中也要进行调整优化，使模型在分析问题时更具有针对性。最后，通过灵敏度检测，可以更好地验证模型的正确性。

北极海冰的消融会对中高纬度地区的气候产生更大的影响，极端天气出现的频率会增加，尤其是严寒天气可能会增多。近期的研究还表明，我国冬春季易出现的雾霾天气，也与北极海冰消融有一定的关系。北极海冰消融会影响大气环流，导致中高纬度部分地区冬春季的风速减弱，污染物不容易扩散，进而加重雾霾天气。

1.2.4 大数据深度挖掘

因此，需要对数据进行预处理。首先，数据的收集中必然包括数据的缺失与重复，有两种处理遗漏、重复数据的方法，第一种是删除数据，第二种是恢复数据，具体的删除和恢复数据的方法应根据该种数据类型含义和其他数据关联而定。对数据进行降噪处理，一般通过平滑处理取出数据高频部分。接着，对数据进行滤波处理和简单拟合，以便确定数据分析统计应该采用的方法。如果采取恢复数据方式，可用内插方式补全数据。由于数据处理具有时效性，需要及时对数据库进行更新，对失效数据及时删除，避免其占据大量空间，在预处理中采用简单的拟合，选择出后面适宜使用的算法，提高信息处理速率。

2 大数据技术在能源互联网中的应用

2.1 在能源互联网中的整体应用

大数据处理平台可以划分为云计算平台、分布/并行计算、流数据处理、内存计算和数据可视化计算。云计算是根据自己的需求利用互联网实现随时随地访问共享资源的一种计算模式，具有可伸缩性，利用有限的计算能力最大程度地获取数据资源，是能源互联网的基本性能支撑。大数据挖掘量非常之大，仅靠己有的计算机无法满足需求，需要多台计算机并行执行，必须用分布/并行计算。在能源数据处理中数据源源不断地产生，传统的数据处理不能满足需求，由此利用流数据处理，在存储时只需要存储部分数据或不存已用数据，这样方便数据更新处理。内存计算与流处理共同使用，计算CPU内存，有利于数据的存储更新和利用计算机有限的空间处理巨大的数据。利用数字图像处理等技术将数据可视化，有助于能源数据的理解与表达，对于数据的整体感知意义重大。

由两名研究者独立无交叉通过阅读文献题目、摘要及全文对文献进行筛选，对符合纳入标准的文献按照资料提取表格提取数据，并给予质量评价。若遇到分歧两名研究者交叉核对后再入组评价，或由第三方研究者再次进行核对。

大数据在能源互联网中的应用主要分为两个方面：大数据处理平台与大数据分析算法。

2.1.2 大数据分析算法

大数据分析算法可以划分为分布式数据挖掘、深度学习法、神经网络等算法。能源大数据一般采用分布式思想。例如关联分析法用于分析变量之间存在的关系，此方法利于找出能源之间的相关关系和关联程度，聚类分析法能够找出数据中占据重要地位的数据，减少数据分析时间，分类算法用于分类，具有明确的目标性，在巨量数据的情况下，分类方法应该也采用分布式；深度学习法是人工神经网络的拓展提升，深度学习法是根据数据原本的层次一步步地抽象基本元素，获得高层次的特征，在能源互联网中即能分析能源的原本含义，抽象出能源深层含义，找到能源之间的特征；神经网络法在基于大数据的能源互联网中应该采用超大规模能源互联网，其可达百万的数量级使数据能够得到充分利用，它可以模拟生物脑，利用人类的思考方式，进行分辨和决策，在数据量越来越大的情况下使结果更为精准。大数据分析算法在普通算法中加入了很多对于海量数据存储运算的考虑，使数据分析更为精确有效。

2.2 大数据在能源互联网中的具体应用

2.2.1 对能源进行规划

利用大数据可以对能源的使用进行规划，对能源未来发展方向进行决策，对能源的使用过程进行优化。例如风能发电，风能发电站的选址必须要考虑天气、风能、人口、地理位置等的影响，基于大数据理论对不同地区这些不同因素进行实时分析以后，得出风能的可能生产量以及该地未来风能的发展，从而综合比较，选择出合适的风能发电站。例如，可再生能源污染少但是其产生具有一定的随机性，所以需要考虑能源的存储问题，而能源的存储需要综合考虑该能源的使用情况以及能源的经济效益，需要进行大数据分析，得出相关数据的特点及内在关联，确定该用何种方式进行存储以及存储量为多少时利益达到最优。

2.2.2 对能源进行管理

能源的管理需要从总量、能源类型及能源在生产、运输、存储、消耗等方面进行考虑。因此，可以把能源的管理进行分类，分为整体和局部两个方面。整体即是能源数据在宏观上的变化，将能源数据结合经济等多个方面进行分析，得出数据之间的抽象关系，然后利用可视化将其具体表现，从而得出对于能源发展的整体把握。利用机器学习等算法对数据进行多维分析，然后用聚类分析等算法得出各能源数据的内在联系，进行不同能源的具体分析，从而实现能源的优化管理和分配。在进行能源管理时需要考虑能源未来趋势，即能源预测。例如，风能发电时，结合天气以及对天气的预测情况，风速和风速的预测情况等，利用大数据分析，得出未来风能转化为电能的效率，预测出未来风能发电量。

2.2.3 实现能源交易

用户作为能源互联网的使用端，连接在能源互联网中，能够实现对于用户能源的数据监测，运用数据处理和分析得出用户使用的整体情况。生产者作为能源互联网的产生端，其能源产生的量能够被实时监测，运用数据处理可以得出产量的时空分布情况。了解使用、生产双方情况后，可利用相关性实现能源的平衡使用。能源在传输过程中通过监测站得到能源的传输情况，有利于能源的定价。另外，能源互联网的实现促进能源缴费网络化，即通过网络进行缴费，更为方便快捷。促进了能源有效利用与发展。

3 结论

能源互联网是能源生产、传输、消耗的巨大系统，也可以看作是一个数据结构极为复杂的大数据系统。在能源互联网中通过大数据采集、大数据预处理、大数据统计分析、大数据深度挖掘，结合大数据的处理方法如超大规模神经网络对数据进行深入处理，获取能源信息，促进能源发展。大数据在能源互联网中运用于电力方面，已取得不少成效，在未来能源互联网中将被更多更深入地使用，但面临很多困难，需要多方合作与支持，推进大数据的发展，使能源向清洁有效利用的方向更好地发展，取得更大的突破。

参考文献

1 涂新莉，刘波，林伟伟.大数据研究综述[J].计算机应用研究，2014，31(6):1612-1616.

2 李国杰，程学旗.大数据研究:未来科技及经济社会发展的重大战略领域——大数据研究现状与科学思考[J].中国科学院院刊，2012,27(6):647-657.

3 赵国栋，易欢欢，糜万军，等.大数据时代的历史机遇[M].北京：清华大学出版社，2013.

4 刘世成，张东霞，朱朝阳，等.能源互联网中大数据技术思考[J].电力系统自动化，2016,40(8):14-21.

5 刘振亚.全球能源互联网[M].北京：中国电力出版社，2015.

6 曹军威，孟坤，王继业，等.能源互联网与能源路由器[J].中国科学:信息科学，2014,44(6):714-727.

7 马钊，周孝信，尚宇炜，等.能源互联网概念，关键技术及发展模式摸索[J].电网技术，2015,39(11):3014-3022.

8 田世明，栾文鹏，张冬霞，等.能源互联网技术形态与关键技术[J].中国电机工程学报，2015,35(14):3482-3494.

9 董朝阳，赵俊华，文福栓，等.从智能电网到能源互联网：基本概念与研究框架[J].电力系统自动化，2014,38(15):1-11.

10 张宏宇，印永华，申洪，等.基于概率测度变换的风速时间序列建模方法[J].电力系统自动化，2013,37(2):7-10.

11 唐东明.聚类分析及其应用研究[D].成都：电子科技大学，2010.

12 曾波.灰色预测建模技术研究[D].南京：南京航天航空大学，2012.

13 林海明，杜子芳.主成分分析综合评价应该注意的问题[J].统计研究，2013(8):5-31.

14 刘耀轩，林旭涵，孙海洋.遗传算法的研究与改进[J].电子世界，2017(8):12-13.

15 田景文，高美娟.人工神经网络算法研究及应用[M].北京：北京理工大学出版社，2006.

16 刘大有，陈慧灵，齐红，等.时空数据挖掘研究进展[J].计算机研究与发展，2013,50(2):225-239.

17 黄彦浩，于之虹，谢昶.等.电力大数据技术与电力系统仿真计算结合问题研究[J].中国电机工程学报，2015,35(1):13-22.