1、能源大数据能否成功，取决于业务价值。

很多IT部门热衷于搞大数据，以为掌控了数据就掌握了未来的入口。其实能源大数据真正要发挥价值，需要有清晰而明确的业务判断，而这种判断又会对大数据应用产生指导意义。比如电网资产数据，现在提的是电网资产全生命周期管理，也就是对资产的台账信息、资产的运行信息、资产的状态信息、资产的维护信息进行全过程的跟踪和集成。但是这里却没有回答一个问题：为何要做电网资产全生命周期管理？其实背后的逻辑是电网资产的高效运营，这里的价值点在于一方面可以提高资产运维水平，降低资产故障率，这个价值是资产数据价值的外部性体现，即减少电网故障停电损失，特别是给用户带来的停电损失。另一方面资产全生命周期管理的价值在于可以从预置性维护升级到预测性维护，即根据资产的运行实时状态，提前判断资产是否需要维护，需要什么级别的维护，这样就能避免设备突然故障，也能避免按计划检修中不必要的检修过程，降低备品备件的使用，这最终体现在财务报表上运行成本的降低。

2、没有统一模型支撑的数据是没有跨专业的价值的

能源大数据的应用，目前更多的集中在专业应用领域，比如资产大数据，更多的支撑资产运行管理部门的业务应用，提升运行维护水平，实际上资产大数据还能和其他数据整合，为电网调度、生产计划、停电计划、客户优质服务等多个专业提供价值。目前要做到这点，很多公司采用的是数据交换接口的方式，就是你要什么数据，我转换成你要的格式，以各种方式传输给你，这是很笨的做法，真正领先的是采用IEC61850/61970/61968的统一数据模型，也就是能源大数据已经按照标准的格式定义和存储好，并且按照标准的格式通过数据总线进行交互，这样避免了大量数据转换和私有交换的过程，一套数据模型能支撑所有的高级应用。不过国内目前真正按照IEC/DLT标准去构建，并且整合各类应用的能源大数据系统，可谓凤毛麟角。

3、能源大数据的应用是个不断迭代的过程。

能源大数据不是我们一般想象的那样，把一堆数据往一个数据中心一存，然后找一波人挖掘出有价值的东西。能源大数据的应用是个不断迭代精化，循环上升的过程。还是以资产管理为例，一开始是静态数据（台账、维护数据）加少量的动态数据（运行数据、状态数据）就能挖掘出一些应用价值，支持计划性维护或者初级的预测性维护，随着维护水平的提升，需要更多的数据支撑，这时可能需要部署更多的传感器，按照更高的采样精度进行采集传输，形成新的分析模型，这样又提升了运维的效率。技术应用就这样不断的上升，带来的是对软件、硬件、通信的不断提升，这是一个动态的过程。

4能源大数据是个很长的产业链

能源大数据的产业链，包含的传感器、采集装置、通信（子站通信、主站通信）、前置处理、规约解析、生熟数据转换、基础数据建模、数据抽象、数据维护、专业数据分析、数据展现、数据集成等多个环节，而且面向不同领域会有不同的大数据专业。就像同样一袋面粉，到了面包房能生产各种面包，到了拉面店能做各种拉面，但是别指望磨面粉的把这些事都干了，所以那些搞个云平台号称要做XX大数据的IT公司，其实是比较外行的说法，真正具有专业性数据分析，往往需要在这个领域积累无数的运行和设备经验，很多甚至是设备厂家的不传之秘，比如同样一台变压器的油色谱曲线，可能只有制造商或者非常专业的运行人员才能分析出可能存在的故障和缺陷，以及可能出现的时间，这些经验知识，目前很可能还存在专家的脑子里，如何是它变成真正的运行分析专家库，那还需要很长的路要走。结语能源大数据，看上去挺火，但真正做到实处，还有很多基础性的扎实工作。