经过一周时间的学习，现在将我对于这个领域技术和问题的一些认识进行总结：
概述：智能电厂的总体架构：
右边是对智能电厂的整体体系结构的一个展示，左边则是我们需要做的大数据方向的工作，其实智能电厂就是将大数据的一系列技术应用到传统电厂，当然其中也涉及了物联网技术以及网络通信技术等。从查阅资料的实际情况来看，这确实是一个比较新的领域，国外在scopus中的论文以及IEEE数据库的会议文档谈论最多的是面向智能电厂的故障检测方法，进而延伸到如何从电厂海量数据中挖掘有效数据并且在在合适的方法论的指导下进行故障检测，而最终落脚点在于数据挖掘的算法的性能上的一些提升策略。
电力大数据的集成管理
目前智能电厂中一个愈加普及的概念：SIS(厂级信息监测系统)，其核心为实时数据库系统(RTDB)，包括INSQL、PI等数据库。这些数据库普遍具有周期性存储、实时处理数据、数据压缩算法效率高等特点。
电厂数据仓库的设计必须同时考虑对于非结构化数据和结构化数据的存储，下面是电厂数据概况：
电力大数据的处理
电力大数据处理主要是大数据领域的技术，与电力数据自身特点耦合度比较小，一个合适的处理框架如下：
其中涉及到的技术包括分布式计算、流处理技术以及数据仓库技术。除了计算，由于实时电力数据采样频率较高，数据样本大，所以很有必要预处理去除异常值或者有严重过失误差的样本，数据预处理常见技术为数据调和。
电力大数据的分析
这块是智能电厂最重要的一个领域。由于电厂系统的复杂性，对于每一类设备都要有一套完整的状态监测、故障诊断、检修维护、寿命管理机制，所以目前虽然有很多已经成型的系统，比如SIS系统，集成了这些功能，但是其方法论、算法性能等依然有很多挑战。基本上每一种设备都会有相应的检测方式，比如旋转机械类（汽轮机、轴承），一般会基于传感器给出的振动信号进行频谱分析仪来进行诊断；而锅炉管壁等金属则会基于热应力计算等方法进行诊断；还有基于神经网络对于发电机状态的监测与诊断等等。所以电力数据的分析并不是建立在单一的模型之上的但是其方法论是可以通用的：
(1) 确定故障模式；
（故障模式信息可以从RCM或PMO获得，也可以从设备维护手册获得）；
(2) 确定维护方式；
需要为每一种故障模式都确定相应的维护方式；
(3) 选择变量和相应的检测技术；
每一种故障模式都需要对影响变量进行进行选择学习，形成模型，比如就汽轮机而言，在一篇论文中提到，需要时域变量11个，频域变量13个以及19个其他变量，一共43个变量来描述一个状态点，如果每一个变量都参与形成分类器，那么会减缓分类过程并且降低精确性，所以需要根据变量特性进行选择合适的检测技术：fixed limits and trend analysis 以及 Variable limits两大类。
(4) 进行诊断并给出维护建议；
为了给出故障模式相应的诊断建议需要开发知识库，所谓知识库就是根据不同的算法学习出的最终模型（专家系统），该模型一般由一系列规则构成，例如：
(5) 实现；
在此过程中掌握设备生命周期为检修提供决策；
另外，在电厂中有很多类型相同的设备，比如在一个电厂的两个发电机组中，分别有12台汽轮机的话，他们的系统结构是一模一样的，因此可以将磨煤机进行对象建模，建模信息中包含其属性、规则集(专家系统)、维护措施等，可以使用树形结构进行展示：
电力大数据的展示
数据的展示包括很多技术：空间信息流展示技术、历史流展示技术、3D建模、可视化技术、虚拟现实等。
1. 在数据分析阶段可以生成数据报表；
2. 在故障检测阶段可以进行可视化展示轴承与轴系之间的变化，并且以三维立体形式展示；
3. 最终可以自动给出维护建议表；