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

本文涉及的产品
云原生大数据计算服务MaxCompute,500CU*H 100GB 3个月
云原生大数据计算服务 MaxCompute,5000CU*H 100GB 3个月
简介:


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
基于MaxCompute的热门话题分析
本实验围绕社交用户发布的文章做了详尽的分析,通过分析能得到用户群体年龄分布,性别分布,地理位置分布,以及热门话题的热度。
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
|
2月前
|
SQL 存储 分布式计算
ODPS技术架构深度剖析与实战指南——从零开始掌握阿里巴巴大数据处理平台的核心要义与应用技巧
【10月更文挑战第9天】ODPS是阿里巴巴推出的大数据处理平台,支持海量数据的存储与计算,适用于数据仓库、数据挖掘等场景。其核心组件涵盖数据存储、计算引擎、任务调度、资源管理和用户界面,确保数据处理的稳定、安全与高效。通过创建项目、上传数据、编写SQL或MapReduce程序,用户可轻松完成复杂的数据处理任务。示例展示了如何使用ODPS SQL查询每个用户的最早登录时间。
151 1
|
18天前
|
机器学习/深度学习 人工智能 运维
智能化运维:AI与大数据在IT运维中的应用探索####
本文旨在探讨人工智能(AI)与大数据分析技术如何革新传统IT运维模式,提升运维效率与服务质量。通过具体案例分析,揭示AI算法在故障预测、异常检测及自动化修复等方面的实际应用成效,同时阐述大数据如何助力实现精准运维管理,降低运营成本,提升用户体验。文章还将简要讨论实施智能化运维面临的挑战与未来发展趋势,为IT管理者提供决策参考。 ####
|
1月前
|
机器学习/深度学习 存储 大数据
云计算与大数据技术的融合应用
云计算与大数据技术的融合应用
|
2月前
|
存储 分布式计算 druid
大数据-149 Apache Druid 基本介绍 技术特点 应用场景
大数据-149 Apache Druid 基本介绍 技术特点 应用场景
69 1
大数据-149 Apache Druid 基本介绍 技术特点 应用场景
ly~
|
2月前
|
供应链 搜索推荐 安全
大数据模型的应用
大数据模型在多个领域均有广泛应用。在金融领域,它可用于风险评估与预测、智能营销及反欺诈检测,助力金融机构做出更加精准的决策;在医疗领域,大数据模型能够协助疾病诊断与预测、优化医疗资源管理和加速药物研发;在交通领域,该技术有助于交通流量预测、智能交通管理和物流管理,从而提升整体交通效率;电商领域则借助大数据模型实现商品推荐、库存管理和价格优化,增强用户体验与企业效益;此外,在能源和制造业中,大数据模型的应用范围涵盖从需求预测到设备故障预测等多个方面,全面推动了行业的智能化转型与升级。
ly~
182 2
|
2月前
|
存储 机器学习/深度学习 分布式计算
大数据技术——解锁数据的力量,引领未来趋势
【10月更文挑战第5天】大数据技术——解锁数据的力量,引领未来趋势
|
1月前
|
存储 分布式计算 数据挖掘
数据架构 ODPS 是什么?
数据架构 ODPS 是什么?
289 7
|
1月前
|
存储 分布式计算 大数据
大数据 优化数据读取
【11月更文挑战第4天】
44 2
|
1月前
|
数据采集 监控 数据管理
数据治理之道:大数据平台的搭建与数据质量管理
【10月更文挑战第26天】随着信息技术的发展,数据成为企业核心资源。本文探讨大数据平台的搭建与数据质量管理,包括选择合适架构、数据处理与分析能力、数据质量标准与监控机制、数据清洗与校验及元数据管理,为企业数据治理提供参考。
86 1
|
25天前
|
机器学习/深度学习 存储 大数据
在大数据时代,高维数据处理成为难题,主成分分析(PCA)作为一种有效的数据降维技术,通过线性变换将数据投影到新的坐标系
在大数据时代,高维数据处理成为难题,主成分分析(PCA)作为一种有效的数据降维技术,通过线性变换将数据投影到新的坐标系,保留最大方差信息,实现数据压缩、去噪及可视化。本文详解PCA原理、步骤及其Python实现,探讨其在图像压缩、特征提取等领域的应用,并指出使用时的注意事项,旨在帮助读者掌握这一强大工具。
62 4
下一篇
DataWorks