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(jì)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(qiáng)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(fù)雜化，為了保證電能的供需正常，節(jié)省能源消耗，對(duì)用戶的用電行為進(jìn)行分析和預(yù)測(cè)將是堅(jiān)強(qiáng)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(yù)測(cè)系統(tǒng)是電力生產(chǎn)調(diào)度精細(xì)化的重要工具，其研究和建設(shè)對(duì)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(duì)

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(diǎn)，指出電力用戶側(cè)的大數(shù)據(jù)在數(shù)據(jù)存儲(chǔ)、可用性、處理等方面面臨的挑戰(zhàn)。結(jié)合云計(jì)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(tái)，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(jì)算模型MapReduce與內(nèi)存并行化計(jì)算框架Spark對(duì)電力用戶側(cè)的大數(shù)據(jù)進(jìn)行分析。提出基于隨機(jī)森林算法的并行負(fù)荷預(yù)測(cè)方法，將隨機(jī)森林算法進(jìn)行并行化，對(duì)歷史負(fù)荷、溫度、風(fēng)速等數(shù)據(jù)進(jìn)行并行化分析，縮短負(fù)荷

3、預(yù)測(cè)時(shí)間和提高隨機(jī)森林算法對(duì)大數(shù)據(jù)的處理能力。采用不同大小的數(shù)據(jù)集對(duì)并行化隨機(jī)森林算法進(jìn)行負(fù)荷預(yù)測(cè)實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明并行化隨機(jī)森林算法的預(yù)測(cè)精度明顯高于決策樹的預(yù)測(cè)精度，且在不同數(shù)據(jù)集上預(yù)測(cè)精度普遍高于決策樹的預(yù)測(cè)精度，能夠較好的對(duì)大數(shù)據(jù)進(jìn)行分析處理。
　　其次針對(duì)用戶數(shù)據(jù)迅猛增長(zhǎng)，傳統(tǒng)的數(shù)據(jù)處理對(duì)海量數(shù)據(jù)表現(xiàn)出不足，引入并行內(nèi)存計(jì)算，利用大數(shù)據(jù)智能處理技術(shù)對(duì)海量的電力用戶進(jìn)行聚類分析。將 Canopy算法與K-means算法相結(jié)

4、合，彌補(bǔ)了K-means算法的不足，并利用并行內(nèi)存計(jì)算框架Spark進(jìn)行算法實(shí)現(xiàn)，使傳統(tǒng)的K-means算法能夠更好的對(duì)海量數(shù)據(jù)進(jìn)行聚類分析。利用內(nèi)存計(jì)算改進(jìn)的K-means算法對(duì)電力用戶的智能用電數(shù)據(jù)進(jìn)行聚類實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明對(duì)電力用戶進(jìn)行分類的準(zhǔn)確率達(dá)到90.7％。并將其算法與傳統(tǒng)的 K-means算法和基于MapReduce并行計(jì)算框架的K-means算法進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明基于內(nèi)存計(jì)算改進(jìn)的K-means算法在時(shí)間和速度上