大数据助力可持续能源消费

    大数据技术的出现，让研究者能剖析能源消费中那些曾经不为人知的特点，它让能源可持续变得愈发可能。

    随着数据传输和处理、数据挖掘和机器学习等分析工具的发展，大数据成为今年最显赫的领域和最炙热的话题。广告如何有针对性的投放、如何在大量信息交互中挖掘出恐怖分子的计划和如何提供个性化的搜索服务等，这些曾经难以攻克的技术难题，都被大数据时代令人惊叹的新技术一一化解。

    作为支撑人类社会正常运营的能源消费，在为人类创造出有史以来最繁荣的时代的同时，也在过去百年中带来了沉重的污染问题，更是全球气候变化最主要的肇因之一。大数据技术的出现，为解决这一问题提供了另一种思路和技术手段。

    大数据技术的出现，使人类构建可持续能源消费框架的愿望更易实现。需要指出的是，大数据技术的出现，让研究者能剖析能源消费中那些曾经不为人知的特点。然而，如何利用全新的信息设计相应的管理工具，仍需其他研究的支撑。

    笔者将从电力消费和智能交通两方面，介绍利用大数据技术发觉能源消费中新信息的前沿技术。并探讨如何结合其他学科工具，研发新型的可持续能源消费管理技术。需要指出的是，许多相关问题的研究前沿仍充满了争议，并无定论。

    长期以来，电力系统的能效管理都聚焦于如何提高发电企业的效率和工业企业的用电效率，而鲜有讨论和实践居民用电能效管理技术。这很大程度上是因为居民用电分散程度高，致使监控居民用电行为的成本高。在缺乏居民用电行为信息的情况下，除了推进阶梯电价、分时电价等总体控制政策外，很难设计针对居民不同用电行为的管理手段。然而，随着大数据技术的成熟，这一情况发生了革命性的改变。

    在大数据技术尚不成熟时，人们对电力消费行为的认识很粗浅。只能从整体消费曲线猜测个体消费行为。人们发现，在不同国家、不同时期，总体电力消费都呈现双峰曲线的特点：在早晨和傍晚分别出现两个用电高峰，期间穿插着两个用电低谷。

    所以长期以来，研究者都假设大量的消费者行为都具有两高一低的特点：清早，绝大多数家庭起床后打开电灯等电器，在家中盥洗并准备早餐，形成第一个用电高峰；傍晚回家后，准备晚餐和使用电器处理其他家务，形成第二个用电高峰。这看上去是一个非常合理的用电行为模式假设。然而，通过大数据技术展示在研究者面前的，却并非这样的图景。

    由于大数据量传输和储存技术的进步，使在居民家中安装智能电表的成本大幅下降。这一在美国加利佛尼亚州部分地区试点安装的技术，已经为研究者提供了庞大的数据库。通过对这一数据进行数据挖掘，研究者们惊奇的发现，人们用电的行为迥异。虽然个体用电行为仍可聚类为若干类型，然而绝非是此前研究者所猜想的“以双峰用电曲线为主”的模式。

    事实上，具有双峰曲线特征的个体用电，仅占一成左右；而其他种类的消费行为则千奇百怪，许多用电者的行为甚至随机性很大。但有趣的是，这些特点各异的消费行为聚合在一起，形成了广泛存在于各个电力市场的双峰型电力消费曲线。

    理清不同消费者的消费形态，让我们看到了通过价格杠杆和机制设计进行消费侧管理的可能。毫无疑问，不同的消费形态，会因其不确定性的高低和消费发生时的发电资源稀缺程度不同，造成不同的发电成本。

    例如，即便消耗相同的电量，一个极为规律、用电峰值和谷值差距不大的消费者，其所造成的发电成本负担会小于一个用电行为随机性大，用电波动幅度大的消费者。然而，目前的零售机制并没有根据消费形态的不同，区分出不同的价格。这就造成不同发电成本负担的消费者支付了相同的价格。这样无疑会造成巨大的无效率，更是不公平的。因此，不管什么样的消费侧管理，如果不能有效的区隔不同消费形态的消费者，都可能造成节能效果有限。因此，我们需要设计一系列机制，通过市场机制，鼓励高效节能电力消费模式，抑制造成浪费的消费模式。

    根据大数据技术获得的信息，许多关于上述机制设计的讨论已经展开。笔者在参加2013年IEEE电力系统年会时，看到了不少相关的研究。这其中既包括了套餐式电价合同设计等以经济学为理论基础的软技术开发；也包括了结合物联网和优化控制技术，以运筹学为基础的相关硬技术的研究。我国应适时开展和推进相关研究和试点。

    大数据技术的进步，同样能支撑有效降低交通能源消耗技术的研发。在交通能源消耗问题上，最困扰研究者的就是由于拥堵、寻找停车位等造成的无效率能源浪费。这些造成无效率的现象大多是由于人们缺乏信息造成的。同样也是因为缺乏信息，使得长期存在的智能交通调度等管理手段难以实现。

    然而随着智能手机的普及，许多驾驶员使用手机装载的定位系统确定行车路线。和传统的定位系统不同，这些通过智能手机定位的信息都传递和保存在大数据库中。这些海量数据不仅能像传统的交通信息一样让人们了解某一个时段一条路上的车流量，还能明晰的标示出这条路上每个时段的每一辆车从何处来、往何处去，并记录每辆车的停车情况。同时，现有技术也能够支撑信息的反馈，即可以向车辆驾驶者和乘客发布拥堵预警、拥堵状况和停车场分布和占用情况等信息。

    对于以通勤为主的城市交通而言，这些信息的交互显得极为重要。在缺乏这些信息时，人们是根据过往经验进行选择，这使得人们面临的随机性风险很大。而有了这些信息后，人们能更准确的获取信息优化自己的出行选择。人们由于对交通流量程度的估计错误，或绕远路、或不得不忍受拥堵，而这都会造成大量的能源浪费。通过机器学习等技术，能够根据历史出行信息预测出车每个出行者的出行路径；这就使拥堵发生的概率和发生在哪个时段等信息提前传递给出行者。再配合现在已经被广泛使用的路径优化技术，可以实现交通流量智能调度或半调度的梦想。从管理类软技术而言，由于这些信息的可获取性和真实性大大提高，针对不同时段、不同路段设定并征收有差别的拥堵费等管理手段也成为可能。

（编辑：ASP站长网）