邵志清代表:加快能源互联互通建设 促进电力大数据发展应用

简介:

2017-03-14-06a9b507dd-d9f8-46bd-8028-735

3月11日,全国人大代表、上海市经济和信息化委员会副主任邵志清接受新华网专访,就加快能源互联互通建设,加快可再生能源开发利用,促进电力大数据的发展等问题给出了自己的建议。

实现能源从加工生产到消费端的互联互通

邵志清指出,目前,我国传统能源产能结构性过剩问题突出,由于能源分布不均衡,能源供需分离程度不断加深,国内外能源贸易规模不断扩大,距离也不断拉大,跨省区能源资源配置矛盾凸显,加强能源互联互通是能源发展的必然选择。

以长江经济带为例。邵志清介绍,长江经济带覆盖上海等11省市,人口和生产总值均超过全国的40%,“十三五”期间区域用电量将增长约5400亿千瓦时。这意味着下游地区将需要输入更多的电力等能源资源,而中上游四川、云南等水电资源丰富的地区,由于水电资源的季节性特点,却面临丰水期电量盈余和枯水期供应不足等诸多挑战,需要通过加强互联互通,区域协调互济统筹解决。

邵志清表示,作为我国经济最具活力、开放程度最高、创新能力最强、吸纳外来人口最多的区域之一,长三角城市群也面临同样问题。他介绍,“十三五”期间,这一地区常住人口预计将增加700万,用电需求将增加约2500亿千瓦时。如何建设面向全球、辐射亚太、引领全国的世界级城市群,能源问题不容忽视。

为此,邵志清建议加快建设我国能源互联网,大力发展特高压电网和智能电网,推动我国西南水电、西北部风电和太阳能发电资源大规模开发,实现能源资源优化配置,促进非化石能源消费持续提升和经济社会健康可持续发展,积极服务长三角城市群建设,实现长江经济带协同发展。

加快可再生能源开发利用 推进能源扶贫

近年来,我国可再生能源开发利用取得了显著成绩,水电、风电、光伏应用规模都位居全球首位。但相对于我国巨大的可再生能源储量,当前的开发水平仍然较低,尤其是风、光资源,已开发容量占技术可开发储量的比例不足5%。邵志清指出,进一步加大贫困地区可再生能源开发力度,深入推动能源扶贫,对早日解决贫困问题,消化光伏、风电等装备制造产能,缓解环境污染,均具有重要促进作用。

邵志清在调研中发现,在我国592个国家级贫困县中,西部省份375个,民族八省区232个。而我国水力、太阳能、风能等可再生能源多分布在西部和北部地区,与贫困地区重合度较高。他认为贫困地区能源利用方式落后制约生活水平提高。

“当前,相当一部分贫困地区群众的生活用能粗放落后,仍以薪柴为主,照明、取暖、洗澡等基本生活用能保障困难,严重制约其生活水平的提高。”邵志清分析指出,一方面是当地能源紧缺,另一方面则是优质的太阳能、风能等清洁能源,因为缺乏开发,无法利用,被白白浪费。

邵志清建议,应当根据当地资源特色,发展小规模的分布式清洁能源发电系统或较大规模的集中式电站,让贫困家庭用得起、用得上现代能源服务,在解决他们生活和生产用电问题的同时,出售富裕电量获得额外收益,提高贫困人口生活水平,促进贫困人口稳收增收,推动扶贫开发由“输血”向“造血”转变。

邵志清强调,目前电力体制改革进程正在加快推进,按照现有政策文件,输配电价改革后,东部电网企业在中西部地区投资和运营成本难以纳入东部电网有效资产,无法在当地输配电价中体现,实现这一目标,需要在政策上予以落实解决,真正打通能源扶贫的“血脉”。

促进电力大数据发展 构建能源变革新格局

邵志清表示,面对全球气候变化和环境资源约束带来的发展瓶颈,清洁能源替代和电能替代为重点的新一轮能源变革势在必行。而以大数据、云计算、物联网、移动互联网为代表的信息技术,与智能电网为代表的电力技术高度融合,将构建能源变革新格局,激发经济增长新动力。

邵志清介绍,电力大数据主要包括智能电网运行和设备监测数据、电力企业智慧管理数据、智能电网需求侧新兴业务数据,其是未来能源电力发展的新型生产要素,可以使信息流和业务流贯穿能源生产和消费全过程,提高能源利用效率,加强用户体验感,打破行业发展边界,实现能源资源价值共享。

邵志清指出,目前,国内外电力大数据研究方兴未艾,相关标准规范和产业发展还处于起步阶段。同时,数据质量参差不齐,数据融合存在障碍,用户隐私保护和信息安全面临挑战等问题也使得电力大数据的应用存在不少困难。

邵志清建议,应该尽快形成中国主导的电力大数据技术标准规范和安全法规保障体系,尽快解决电力大数据隐私保护、数据主权归属问题并规定相应的法律责任;加快建设统一的电力大数据基础管理平台,形成平等、共享的创新创业氛围;建立电力大数据的商业生态系统格局,吸引社会资本及不同主体的参与,持续推动能源生产和消费变革,切实提升国家科技创新与可持续发展的能力。



本文出处:畅享网
本文来自云栖社区合作伙伴畅享网,了解相关信息可以关注vsharing.com网站。

相关实践学习
简单用户画像分析
本场景主要介绍基于海量日志数据进行简单用户画像分析为背景,如何通过使用DataWorks完成数据采集 、加工数据、配置数据质量监控和数据可视化展现等任务。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps 
目录
相关文章
|
14天前
|
存储 消息中间件 监控
【Flume】Flume在大数据分析领域的应用
【4月更文挑战第4天】【Flume】Flume在大数据分析领域的应用
|
27天前
|
Cloud Native 数据处理 云计算
探索云原生技术在大数据分析中的应用
随着云计算技术的不断发展,云原生架构作为一种全新的软件开发和部署模式,正逐渐引起企业的广泛关注。本文将探讨云原生技术在大数据分析领域的应用,介绍其优势与挑战,并探讨如何利用云原生技术提升大数据分析的效率和可靠性。
|
1月前
|
存储 消息中间件 大数据
Go语言在大数据处理中的实际应用与案例分析
【2月更文挑战第22天】本文深入探讨了Go语言在大数据处理中的实际应用,通过案例分析展示了Go语言在处理大数据时的优势和实践效果。文章首先介绍了大数据处理的挑战与需求,然后详细分析了Go语言在大数据处理中的适用性和核心技术,最后通过具体案例展示了Go语言在大数据处理中的实际应用。
|
25天前
|
数据采集 分布式计算 大数据
Java语言在大数据处理中的应用
传统的大数据处理往往依赖于庞大的数据中心和高性能的服务器,然而随着大数据时代的到来,Java作为一种强大的编程语言正在被广泛应用于大数据处理领域。本文将探讨Java语言在大数据处理中的优势和应用,以及其在分布式计算、数据处理和系统集成等方面的重要作用。
|
17天前
|
NoSQL 大数据 数据挖掘
现代数据库技术与大数据应用
随着信息时代的到来,数据量呈指数级增长,对数据库技术提出了前所未有的挑战。本文将介绍现代数据库技术在处理大数据应用中的重要性,并探讨了一些流行的数据库解决方案及其在实际应用中的优势。
|
22天前
|
机器学习/深度学习 人工智能 数据可视化
基于Python的数据可视化技术在大数据分析中的应用
传统的大数据分析往往注重数据处理和计算,然而数据可视化作为一种重要的技术手段,在大数据分析中扮演着至关重要的角色。本文将介绍如何利用Python语言中丰富的数据可视化工具,结合大数据分析,实现更直观、高效的数据展示与分析。
|
29天前
|
存储 NoSQL 大数据
新型数据库技术在大数据分析中的应用与优势探究
随着大数据时代的到来,传统数据库技术已经无法满足海量数据处理的需求。本文将探讨新型数据库技术在大数据分析中的应用情况及其所带来的优势,为读者解析数据库领域的最新发展趋势。
|
2月前
|
分布式计算 DataWorks IDE
MaxCompute数据问题之忽略脏数据如何解决
MaxCompute数据包含存储在MaxCompute服务中的表、分区以及其他数据结构;本合集将提供MaxCompute数据的管理和优化指南,以及数据操作中的常见问题和解决策略。
47 0
|
2月前
|
SQL 存储 分布式计算
MaxCompute问题之下载数据如何解决
MaxCompute数据包含存储在MaxCompute服务中的表、分区以及其他数据结构;本合集将提供MaxCompute数据的管理和优化指南,以及数据操作中的常见问题和解决策略。
38 0
|
2月前
|
分布式计算 关系型数据库 MySQL
MaxCompute问题之数据归属分区如何解决
MaxCompute数据包含存储在MaxCompute服务中的表、分区以及其他数据结构;本合集将提供MaxCompute数据的管理和优化指南,以及数据操作中的常见问题和解决策略。
35 0