數據是泛（fàn）在電力物聯網建設的最基礎元素，其“四層”架構——感知層、網絡層（céng）、平台層、應用（yòng）層之間的有機關聯是（shì）以數據流動為紐帶實現的，通過對電力行業內外部數據（jù）的整（zhěng）合，最終形成泛在電力物聯網落地閉（bì）環（huán）。

同時，泛在電力物聯（lián）網建設涉及（jí）數據的分類眾多，從方便實操的角度來看，應重點在數據收集環節摒棄“數據端”思維，在（zài）數據管理環節打破數據“孤島”，在（zài）數據應（yīng）用環節克服“3B”（BelowSurface、Broken、BadQuality，即隱匿性（xìng）、碎片性、低（dī）質性）特征，建立以用戶為中心（xīn）的泛在電力物聯網統一（yī）數據環境。

摒棄“數據端”思維  明確數據采集應用目的

在物聯網建設及工業大數據的應用實踐中（zhōng），人們習慣於從“數（shù）據端”去思考問題，即不對數據進行優先級排序，而是僅基（jī）於傳感體（tǐ）係實現（xiàn）數據的被動收集，由此，海（hǎi）量數據導致了管理“混（hún）亂”及分析的“低效率”。當然，目（mù）前尚無法對支撐（chēng）泛在電力物聯（lián）網建設的基礎數據進行“細致且精確”的分類，但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“粗略且準確”的劃分，即數據收集梳理必須做到（dào）“以用戶為中心”，這體現在兩個方麵：

一是采取“更好適應能源（yuán）革（gé）命”的數據獲（huò）取原則。重點圍繞（rào）能源供需兩側的“不確定性”開展數據采集工作，其中供應側主要聚焦刻（kè）畫新能源“間（jiān）歇性（xìng）、隨機性（xìng）”特征的出力（lì）數據；需求（qiú）側主要聚焦（jiāo）用能客戶的精準需求數據（jù）、電動（dòng）汽車等新型用能習慣數據、綜合能源（yuán）服務數據等。

二是采取“更好滿足人們對美好生活（huó）向往”的（de）數據獲取原（yuán）則。從生產側來看，在行業加總數據（jù）的基礎上，需進一步加強對企業個體生產行為（wéi）的刻畫，尤其是在（zài）產業“新舊動能轉換（huàn）”過程中，準確描述新（xīn）動能產業的用能用電特征（zhēng）；從消費側來看，需要基（jī）於智能（néng）電表、智（zhì）能家居的（de）深度應（yīng）用，獲取家庭用電設備各時段的負載信息，感知、預測人的價值獲取（qǔ）意願和行為。

打破數據“孤（gū）島”  提升泛在（zài）電力物聯網的成長性（xìng）

作為泛在（zài）電力物（wù）聯網的主（zhǔ）體推進單位，國（guó）家電網有限（xiàn）公司通過SG186/SG-ERP工程和（hé）基（jī）本多級數據傳輸網（wǎng）建（jiàn）設，具備了“係統級”數據基礎雛形。

以電力大數據應用為例，隨著電力信息化的推進，以及智能變電站、智（zhì）能電表、實時監測（cè）係統、現場移動檢修（xiū）係統、測控一體化係統和一（yī）大批服務（wù）於電網各專業的信息管理係統的建設、應用，數據規模、種（zhǒng）類將快（kuài）速增長。

電力大數據主要包括電網運行及設備監測數據、電力企業營銷數據、電力企業管理數（shù）據及（jí）來源於電網外部的公共服務數據、氣象數（shù）據（jù）、電動汽車充（chōng）換電數據等。通過進一步梳理可以發現，這些數據分別由不同單位/部門管理，具有分散放置、分布管理的特性，數（shù）據（jù）管理的專業壁壘凸顯，數據未（wèi）能有效貫通，人工錄（lù）入問題普遍存在（zài），數據質量也有待提高，尤其（qí）是對外部數據的獲取整合能力有待進一步提（tí）高。

因此（cǐ），需（xū）要建立數據中（zhōng）台，盡可能采集全生命周期的信息數據，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（jiàn）立（lì）互聯互通的（de）數（shù）據環境。隻有解決泛（fàn）在電力物聯網（wǎng）數據接口的標（biāo）準化問題，才能使（shǐ）所有上層建築的功能層在同一個數據框（kuàng）架下運行，從而（ér）更（gèng）好（hǎo）地發揮（huī）梅特卡夫定律，有利於降低新功能開發及部署成本，為係（xì）統動態拓展提供良好的（de）成長性（xìng）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錯性（xìng）之間的矛盾（dùn）是（shì）電力大數據分（fèn）析所要解決的主（zhǔ）要矛盾。

在電力數據（jù）的采集傳輸過程中，遠程終端（duān）單元采集、電表采集等多個環節均會對數據（jù）質量產生影響，具體表現為數據不刷新、數據跳變（biàn）、數據錯誤（wù）、報表出錯等；在數據集成過程中，存在著多數據源的異構問題、數據（jù）缺失及重複記錄問題；目前（qián）還存在一些人工錄入的數據，這些數據受製於（yú）人工成本，時間間隔長且監測目標（biāo）有限，會存在錄入有誤的問題。此外，當涉及（jí）到內外部數據交互應用（yòng）時，由於缺少對外（wài）部數據的感（gǎn）知收集及關聯（lián）性（xìng）分析將導（dǎo）致數據價值難以有（yǒu）效發揮。

以電力（lì）需求預測為例，當前學界及政（zhèng）策（cè）界在預測短期電力消費時（shí），往往（wǎng）沿用中（zhōng）長期電力需求預測思路，將（jiāng）GDP增長、產業結構調整等（děng）長期因素考慮進來，缺少對中頻或（huò）高頻（pín）經濟數（shù）據的挖掘及其與電（diàn）力消費數據的關聯分析，同時，也忽視了短（duǎn）期內對電力消費影響巨大的“小概率”事件，如極端（duān）天氣等。這導致當前（qián）對年（nián）度電力需求的預測精度較低，調（diào）整頻率較為頻繁，進而（ér）對能源電力（lì）規（guī）劃的指導作用微（wēi）乎其微。

因此，需要分析基於微觀主（zhǔ）體的（de）高頻經濟（jì）生產及能源電力消費特征的關聯關（guān）係，不斷提升（shēng）電力需求的預測精度，如將反映（yìng）行業生產（chǎn）周期的工業生產資料PPI數據引入分析（xī）模型，可以大幅提高預測的準（zhǔn）確度和結果的穩健性。