大数据技术讨论课-大数据在电力系统的应用.pptxVIP

大数据在电力系统的应用

目录1.背景介绍2.电力大数据基础平台3.发展前景4.总结

Part1背景介绍

背景介绍大数据,IT行业的又一次技术变革,对国家经济发展和企业转型带来深远的影响，引领了智慧科技的时代。电力大数据是大数据理念、技术和方法在电力行业的实践，是传感量测技术、信息通信技术、计算机技术、数据分析技术与领域技术的结合。它涉及到发电、输电、变电、配电、用电、调度等各个环节，是跨单位、跨专业、跨业务的数据集合。

Part2电力大数据基础平台

电力大数据基础平台总体架构

数据预处理电力用户分类方法变量选择聚类方法选取距离算法选取用户类数选取

数据预处理过程：清洗、去噪、补缺、转换、合并优点：提高数据质量，使挖掘过程更有效

变量选择过程：主成分分析（通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量）目的：确定分类指标，特征选取（利用AIC准则进行检验（选取AIC值最小的模型））

聚类方法选取由数据类型确定聚类方法基于划分聚类算法：k-means（以k为参数，把n个对象分成k个簇，使簇内具有较高的相似度，而簇间的相似度较低）基于分层聚类算法：凝聚型层次聚类（先将每个对象作为一个簇，然后合并这些原子簇为越来越大的簇，直到所有对象都在一个簇中，或者某个终结条件被满足）基于密度聚类算法：DBSCAN(采用空间索引技术来搜索对象的邻域，从核心对象出发，把所有密度可达的对象组成一个簇)基于神经网络聚类算法：SOM(由外界输入不同的样本到人工的自组织映射网络中，一开始时，输入样本引起输出兴奋细胞的位置各不相同，但自组织后会形成一些细胞群，它们分别代表了输入样本，反映了输入样本的特征)

距离算法选取方法：欧式距离（在m维空间中两个点之间的真实距离）、马氏距离（数据的协方差距离）等（最后需要根据实际数据内涵关联确定）目的：计算出的距离作为簇选择的依据。

用户类数选取方法：根据实际情况确定（居民、大工业、普通工业、非工业等）目的：确定用户类别数量，便于聚类的进行

电力负荷预测目标：根据历史能耗数据、气象数据等信息对短期、甚至中长期的负荷进行预测，便于电力调度、生产规划等环节进行。建模得出负荷预测公式预测输出数据

电力负荷预测建模方法：最小二乘拟合法、回归分析法、时间序列法，专家系统法、基于遗传的灰色神经网络模型、人工神经网络、模糊数学、小波分析等，选择多种进行比较，通过误差分析选择最佳模型。预测方法：线性趋势（二次滑动平均法、二次指数平滑法、二阶自适应系数预测法）、非线性趋势（指数曲线模型、非齐次指数模型、logistic模型）等。输出数据：用户预测用电量建模得出负荷预测公式预测输出数据

故障检测与预警目的：发现电网异常，便于事故快速处理输入：电力数据过程：异常检测算法（通过聚类算法得到异常点）输出：当前状态（正常/异常）

电力大数据-需求侧响应电力电价模型目的：根据用户电能消耗，分时段、区域，结合气象环境及供需情况计算电价。作用：便于实现基于价格的需求侧响应，为市场交易提供依据输入：实时用电数据、实时产电数据、气象数据、地理信息、社会经济数据、区域属性、电价政策等。建模：利用模糊综合评价法得到电价计算公式。输出：电价

电力大数据-需求侧响应用户用电响应模型目的：预测用户对政策、电价等变化的响应，为决策者提供依据。输入：用户数据、气象数据、社会经济数据、地理信息、区域属性、电价政策等。建模：主成分分析（确定影响因素），用户行为建模（支持向量机回归算法）输出：给定条件下用户用电行为预测。

Part3发展前景

结合大数据分析与电力系统模型，可以对电网运行进行诊断、优化和预测，为电网安全、可靠、经济、高效地运行提供保障。云计算、大数据分析等信息新技术必将激活电力大数据中蕴含的价值，也必将释放电力大数据的市场潜力。根据GTMResearch的研究分析，到2020年，全世界电力大数据管理系统市场将达到38亿美元的规模，电力大数据的采集、管理、分析与服务行业将迎来前所未有的发展机遇。发展前景

Part4总结

总结随着电力企业逐渐进入发数据时代，电力大数据的计算和存储也越来越受到关注。通过大数据在电力系统的应用，能有效提高电力企业的能源调度管理能力，更准确、更详细的预测能源的发电能力，提高用电行为分析能力，具有巨大的发展前景。电力大数据作为能源大数据中的重要组成部分，不仅是大数据技术在能源领域的深入应用，也是能源生产、消费及相关技术革命与大数据理念的深度融合，将加速推进能源产业发展及商业模式创新。

Thanks