大數(shù)據(jù)環(huán)境下用電行為分析的研究.pdf

1、隨著通信網(wǎng)絡(luò)、傳感器技術(shù)、智能計算等技術(shù)的發(fā)展，智能電網(wǎng)也得到了飛速的發(fā)展。在智能電網(wǎng)的大環(huán)境下，功能越來越強大的智能終端也得到了廣泛的使用，用戶的用電行為也變得復雜化，為了保證電能的供需正常，節(jié)省能源消耗，對用戶的用電行為進行分析和預測將是堅強智能電網(wǎng)建設(shè)的關(guān)鍵步驟之一。用戶用電行為分析與預測系統(tǒng)是電力生產(chǎn)調(diào)度精細化的重要工具，其研究和建設(shè)對節(jié)省能源，提升智能電網(wǎng)的智能化具有重大意義。
　　本文首先分析電力用戶大數(shù)據(jù)的來源，針對

2、電力用戶側(cè)大數(shù)據(jù)的數(shù)據(jù)量大、種類繁多與速度快等特點，指出電力用戶側(cè)的大數(shù)據(jù)在數(shù)據(jù)存儲、可用性、處理等方面面臨的挑戰(zhàn)。結(jié)合云計算技術(shù)提出一種電力用戶側(cè)大數(shù)據(jù)分析處理平臺，將智能電表、SCADA系統(tǒng)和各種傳感器中采集的數(shù)據(jù)整合，并利用并行化計算模型MapReduce與內(nèi)存并行化計算框架Spark對電力用戶側(cè)的大數(shù)據(jù)進行分析。提出基于隨機森林算法的并行負荷預測方法，將隨機森林算法進行并行化，對歷史負荷、溫度、風速等數(shù)據(jù)進行并行化分析，縮短負荷

3、預測時間和提高隨機森林算法對大數(shù)據(jù)的處理能力。采用不同大小的數(shù)據(jù)集對并行化隨機森林算法進行負荷預測實驗，實驗結(jié)果表明并行化隨機森林算法的預測精度明顯高于決策樹的預測精度，且在不同數(shù)據(jù)集上預測精度普遍高于決策樹的預測精度，能夠較好的對大數(shù)據(jù)進行分析處理。
　　其次針對用戶數(shù)據(jù)迅猛增長，傳統(tǒng)的數(shù)據(jù)處理對海量數(shù)據(jù)表現(xiàn)出不足，引入并行內(nèi)存計算，利用大數(shù)據(jù)智能處理技術(shù)對海量的電力用戶進行聚類分析。將 Canopy算法與K-means算法相結(jié)

4、合，彌補了K-means算法的不足，并利用并行內(nèi)存計算框架Spark進行算法實現(xiàn)，使傳統(tǒng)的K-means算法能夠更好的對海量數(shù)據(jù)進行聚類分析。利用內(nèi)存計算改進的K-means算法對電力用戶的智能用電數(shù)據(jù)進行聚類實驗，實驗結(jié)果表明對電力用戶進行分類的準確率達到90.7％。并將其算法與傳統(tǒng)的 K-means算法和基于MapReduce并行計算框架的K-means算法進行對比實驗，實驗結(jié)果表明基于內(nèi)存計算改進的K-means算法在時間和速度上