电力用户侧大数据分析与并行负荷预测

电力用户侧大数据分析与并行负荷预测
摘要：于电力用户侧大数据实时的采集，传输和存储，还有庞大的历史数据
进行有效而快速的分析。

这些大数据不仅仅包括智能电表收集的用电量，还有各
类传感器按照固定频率采集的温度、天气、湿度、地理信息和风速信息等。

用户
测数据复杂程度增大，数据存储规模将从目前的GB级增长到TB级，甚至PB级，逐步构成了用户侧大数据。

而针对这些数据的分析支撑着智能电网的可靠安全地
运行，对这些数据的分析具有跨时代的意义。

关键词：电力侧大数据分析；并行负荷预测
智能电网是当前全球电力工业关注的热点，而用户作为智能化用电的行为主体，在智能电网需求响应中起着至关重要的作用。

对电网用户侧实时数据的采集、传输和存储，并结合累积的海量多源历史数据进行快速分析能够有效的改善需求
侧管理，对用户侧数据进行管理与处理支撑着智能电网安全、坚强及可靠运行。

一、电力用户侧大数据分析
智能电表的广泛运用于各个领域，各类传感器的普及，智能家电（比如智能
化冰箱，洗衣机灯智能电器的普及）和各类消费模式的改变。

这三个方面是电力
用户侧大数据的主要来源。

智能电表也是得到了全国普及，从往年的智能电表的
覆盖率中看出，智能家电也在普通家庭中得到了普及。

所以结合以上的数据我们
可以看出电力用户侧大数据有以下特点。

2.1数据量大随着电网智能化程度的加深，人们精确和标准化的计算这些数据，这些数据的维度也发生的变化。

人们采集种类的增多，数据量快速增长，历
史的数据再也难以满足复杂数据的分析。

2.2数据结构类型繁多各种结构化数据、半结构化数据和非结构化数据是各
类传感器收集的数据的重要组成部分。

这三个数据结构类型是传感器的典型组成
部分。

2.3速度快电力用户数据指数级的增长，其速度之快令人始料未及。

电力系
统中的高级应用不仅需要对现在搜集的信息进行分析，还需要对海量的历史数据
进行离线分析处理，这些需要往往要求数据平台能够提供并行化的海量历史数据
批处理的能力，并且能够快速传输与存储采集到的新数据。

2.4数据的交互性交互性也是智能电网的又一个特征，通过和用户的交互实
现智能用电，以及和各行业的数据相互的融合，才能更深层次的挖掘分析进行电
力负荷预测。

更深层次的挖掘分析电力负荷预测中最难的一个方面是由于数据的
交互性，这样让数据更庞大、更复杂，对于我们负荷预测增加了难度。

我们要从
这个方面着手才能有所突破。

二、电力用户侧大数据管理面临的挑战
2.1大数据整合。

随着传感器的广泛应用，智能电表和智能家用电器的普及
加上无量网时代的到来，大数据的模式非常繁杂，各个终端的口径“千奇百怪”，加工整合十分困难。

针对现阶段的大数据发展情况，建立一个统一的模型对其进
行表达，进行规范化和科学管理，是现阶段电力电工行业发展的重要方针之一。

2.2大数据的可用性。

目前对于数据的采集方法多种多样，各个终端输出的
数据质量也高低不一，导致数据的质量低劣，而且表现出对于数据的管理及控制
不足等问题。

运用这些数据进行分析是不具有科学性的，对于发展决策的制定也
没有任何参考意义。

此问题对于我国信息社会的建设具有不良影响。

2.3大数据的存储。

传统的大数据存储模式已经不能很好地适应当前爆发式
的大数据传输采集方式。

我国已经构建了大规模的高级量测系统，并且在全国的
建成了多个充电桩的电动汽车充电站。

这些设备传输的信息汇集到传感器终端将
会形成大规模的数据量，这对大数据信息的存储提出了更高的要求。

三、并行负荷预测
3.1电力负荷预测预测常用的方法，主要有决策树、极限学习和遗传算法等。

这几种短期负荷预测常见的方法存在不足。

随着大数据的产生，这几种方法难以
满足大数据统计的需求。

像我们熟悉的云计算技术，在各个领域得到了广泛的应
用，在外面的电力系统也可以用到。

针对智能电网中负荷数据的一些特征，云计算技术，极限学习进行负荷预测，使其具有分布式能力和多Agent思想，提升了负荷预测算法预测准确率和速度。

以上方法取得了相应的研究成果。

3.2并行处理负荷、温度、风速等数据进行并行化分析，人们提出基于随机森林算法的并行负荷预测方法。

利用随机森林算法进行并行化，可以大大地缩短负荷预测时间和提高随机森林算法对大数据的处理能力。

通过数据集群和管理、数据管理和预测分类算法库等功能。

针对大大小小的数据集进行负荷测试试验，并行化随机森林算法进行负荷预测试验。

这种方法也是目前应用于负荷预测用的得比较多的一种方法。

相比传统的计算方法，并行化随机森林算法的预测精度不管是在预测的精度，还是在预测的准确性也得到了明显的提高。

对于庞大的电力用户测数据能够较好的进行了分析处理。

可以结合智能负荷预测方法，较多的智能算法被引入并应用到负荷预测工作当中。

这些智能负荷预测方法发展主要分为两个方面。

一种是新型的数学方法的应用；另一种是从负荷原理上着手。

从原理上改进这些负荷预测。

面对庞大的电力用户数据分析也可以使用云计算来并行负荷预测。

利用互联网知识，利用云端技术对于这些数据进行分析和处理，从而得出对于大数据库数据的分析。

这样相对于传统的计算方法来的更快捷和方便，计算速度很快，数据的准确性也得到了提高。

本文通过分析电力用户侧大数据的特征，提出了并行负荷预测的方法，主要是除了传统的计算方法，也可以结合随机森林算法来预测，利用现代化的云端技术对于这些数据的分析，对历史庞大的数据和现在智能化数据的分析。

这三者并行化处理，可以得到负荷预测，对于我们电力系统的分析起了很大的作用。

我们还要从很多方面来提高这种计算的准确性，以后是我们重点要研究的课题，也许面对将来更巨大的电力用户侧数据还需要更多更好的方法来计算。

参考文献
1.
王继业,季知祥,史梦洁,等.智能配用电大数据需求分析与应用研究[J].中国电机工程学报,2015（08）:1829-1836
[2]李海龙.电力云数据分析平台数据挖掘算法的研究与应用[D].北京：华北
电力大学,2014
[3]沈玉玲,吕燕,陈瑞峰.基于大数据技术的电力用户行为分析及应用现状[J].电气自动化,2016（03）:50-52
[4]丁杰，奚后玮，韩海韵，等．面向智能电网的数据密集型云存储策略[J]．电力系统自动化，2012，36(12)：66-70．DingJie，XiHouwei，HanHaiyun，etal．Asmartgrid-orienteddataplacementstrategyfordata-intensivecloudenvironment[J]．AutomationofElectricPowerSystems，2012，
36(12)：66-70(inChinese)
[5]孟小峰，慈祥．大数据管理：概念、技术与挑战[J]．计算机研究与发展，2013，50(1)：146-169．MengXiaofeng，CiXiang．Bigdatamanagement：concepts，techniques，andchallenges[J]．ComputerResearchandDevelopment，2013，50(1)：146-169(inChinese)．。