數據是泛在電力物聯網建設的最基礎元素，其“四層”架構——感知層、網絡（luò）層、平台層、應用層之間的有機關聯是以（yǐ）數據流動為紐（niǔ）帶實現的，通過對電力（lì）行業內（nèi）外部數據的整合，最終形成泛在電力物（wù）聯網落地閉（bì）環。

同時，泛在電力物聯網建設涉及數據的（de）分類眾（zhòng）多（duō），從方便實操的角度來看（kàn），應重點在數據收集環（huán）節（jiē）摒棄“數據（jù）端”思維，在數據管（guǎn）理環節打破數據“孤島”，在數（shù）據應用環節克（kè）服“3B”（BelowSurface、Broken、BadQuality，即隱匿性、碎片性、低質性）特征（zhēng），建（jiàn）立（lì）以用戶為中心的（de）泛在電力物聯網統一數據環境（jìng）。

摒棄“數據端”思（sī）維  明確數據采集應用目的

在物聯（lián）網建設及工業大數據的應用實踐中，人們習慣（guàn）於從（cóng）“數據端”去思考問題，即（jí）不對（duì）數據進行（háng）優先級排序，而是僅基於傳（chuán）感體係實現數據的被動收（shōu）集，由此，海量（liàng）數據導（dǎo）致（zhì）了管（guǎn）理“混亂”及（jí）分析的“低效率（lǜ）”。當然，目前尚無法對支撐泛在電力物聯網建設的基礎數據進行“細致且精確”的分類，但（dàn）至少可以從泛在電力物聯網建設的外部（bù）大環境出發（fā），做一個（gè）“粗略且（qiě）準確”的劃分，即數據收集梳理必須做到“以用戶為中心”，這體現在兩個方麵：

一是采取“更（gèng）好適應能源革命”的數據獲取原則。重點圍繞能源供（gòng）需兩側的“不確定性”開展數據采集工作，其中供應側主要聚焦刻畫新能源“間歇性、隨機性（xìng）”特征的出力數（shù）據；需（xū）求側主要聚（jù）焦用能客（kè）戶的精準需求數據（jù）、電動汽車等新（xīn）型（xíng）用能習慣數（shù）據、綜合能源服務（wù）數據等。

二是采（cǎi）取“更（gèng）好滿足人（rén）們對美好生活向往”的數據獲取原則。從生產側來看，在行業加總數據的基（jī）礎上，需進一步加強對企業個體生產行為的刻畫，尤其是在產業“新舊動能轉換”過程中，準確描述新動能產業的用能用電特征；從消費側（cè）來看，需要（yào）基於智能電表、智能家居的深度（dù）應用，獲取家庭用電設備各時（shí）段的負載信息，感知、預測人的價值獲取意願和行為。

打破數據“孤島”  提升泛（fàn）在電（diàn）力物聯網（wǎng）的成長性

作為泛在電力物聯網的主體推進單位（wèi），國家電（diàn）網有限公司通（tōng）過SG186/SG-ERP工程和基本多級數據傳（chuán）輸網建設，具備了“係統級”數據（jù）基礎雛（chú）形。

以電力大數據應用為例，隨著電（diàn）力信息化的推進，以及智能變電站、智能電（diàn）表、實時監測係統、現場移動檢修係統、測控一體化係統和一大批服務於（yú）電網各專業的信息管理係統的建設、應用（yòng），數據規模、種類將快速增長（zhǎng）。

電（diàn）力大數據主要包括電網（wǎng）運行及設備監測數據、電力企業營銷數據、電力企（qǐ）業管理（lǐ）數據及來源（yuán）於電網外部的（de）公共服（fú）務數據、氣象數據、電動汽車充換電（diàn）數（shù）據等。通過進一步（bù）梳理（lǐ）可以發現，這些數（shù）據分別由不（bú）同單位/部門管理，具有分散（sàn）放（fàng）置、分布管理的特（tè）性，數（shù）據管（guǎn）理（lǐ）的專業壁壘凸顯，數據未（wèi）能有效貫（guàn）通，人工（gōng）錄（lù）入問題普（pǔ）遍存（cún）在，數據質量也有（yǒu）待提高，尤其是對外部數據的獲取整（zhěng）合能力有待進一步（bù）提高。

因此，需要建立數據中（zhōng）台，盡可能采集全生命周期（qī）的信息數據，打破過去以設備獨立感知、部門獨立管理的數據“孤島”壁壘，建立（lì）互聯互通的數據環境。隻有解決泛在電力（lì）物聯網數據接（jiē）口的標準化問題，才能使所有上層建築的功能層（céng）在同一個數據框架下運行，從而更（gèng）好地發揮梅特卡夫定律，有利於降低新功能開發及部署成本，為係統（tǒng）動態拓展提供良好的成長性基礎。

克服“3B”特征  提升數據的價值密度

“3B”特性與電網應用低容（róng）錯性之間的矛盾是電力大（dà）數據分析所要解決的主要矛盾。

在電力數據的采集傳輸過程中，遠程（chéng）終（zhōng）端單元采集、電表采集等多個環節均會對數據質量產生影響，具體表現為數據不刷新、數據跳變、數據錯誤、報表出（chū）錯等；在數據集成過程中，存在著多數據（jù）源的異構問題、數據缺失及重複記錄問題；目（mù）前還存在一些（xiē）人（rén）工錄入的數據（jù），這些數據受製於人工成本（běn），時間間隔（gé）長且監測目（mù）標（biāo）有限，會存在錄入（rù）有誤的問（wèn）題。此外，當涉及到內（nèi）外部數（shù）據交互應用時，由於缺少對外部數據的感知收集及關聯性分析將導（dǎo）致數據價值難以（yǐ）有效發揮（huī）。

以電力需求預測為例，當前學界及政策界在預測短期電力消費時，往往沿用中長期電力需求預測思路，將GDP增（zēng）長、產業結構調整等長期因素考慮進來，缺少對中頻或高（gāo）頻經濟數據（jù）的挖掘（jué）及其與電（diàn）力消費（fèi）數據的（de）關聯分析，同時，也忽視了短（duǎn）期內對電力消費影響巨大（dà）的“小概率”事件，如極端天氣等。這導致當前對年度電力需求的預測精度較低，調整頻率較為頻繁，進而對（duì）能源電力規劃（huá）的指導作用（yòng）微乎（hū）其微。

因此，需（xū）要分析基於（yú）微觀主體的高頻經濟生產及（jí）能源電力消費特征的關聯關係，不斷（duàn）提升電力（lì）需求的預測精度，如將反映行業生產周期的工業生產資料PPI數據引入分析模型，可以大幅提高預測的（de）準確度和結果的穩健性。