电力用户侧大数据分析与并行负荷预测张杰思 .pdfVIP

电力用户侧大数据分析与并行负荷预测张杰思

发布时间：2021-05-19T11:51:28.827Z来源：《基层建设》2020年第31期作者：张杰思李兆宇

[导读]摘要：随着我国经济和人口的不断增长，对我国电力用户大数据的来源以及电力用户侧大数据的数据量和种类特点进行相关研究发

现，电力用户侧的大数据存储存在着很大的问题，可用性和处理方面也面临着诸多挑战。

国网北京市电力公司北京市100000

摘要：随着我国经济和人口的不断增长，对我国电力用户大数据的来源以及电力用户侧大数据的数据量和种类特点进行相关研究发

现，电力用户侧的大数据存储存在着很大的问题，可用性和处理方面也面临着诸多挑战。其云计算机技术制作出一种可以进行大数据分析

的平台，并且利用各种传感器将电力用户侧大数据进行分析，提出了许多较为有效的计算方法，并且将这些计算方法并行化，来对我国电

力用户大数据侧进行较为准确的分析工作。

关键词：电力用户侧；大数据分析；负荷预测

一、电力用户侧大数据分析

大数据分析平台1.1

大数据分析平台的基本构架主要包括应用层、私有云计算层以及数据管理层三个部分。应用层主要包含了决策系统、报表系统、营销

系统以及负荷预测等多方面的内容；私有云计算主要是进行并行化计算和内存并行化计算，包含包含了数据仓库、存储数据库等内容；管

理层主要是与与计算技术进行有效的结合，利用先进的系统建立数据管理平台，例如Hadoop平台的搭建可以采用HDFS、HBase与Hive三者

的结合建立数据存储系统，从而更好的进行并行化计算分析，保证电力用户侧大数据分析的有效性。

数据1.2管理层

数据管理层最主要的任务就是对数据进行采集和整合，主要包括智能电表、SCADA系统以及各种传感器中进行数据的采集，上述提到

这些数据具有一定的复杂性，整合具有一定的难度，需要利用更为先进的技术进行处理。例如数据分析平台采用了sqoop工具对这些复杂的

数据进行抽离整合工作，作为的抽离整合就是将各个独立所产生的数据利用sqoop这一开源工具导入到Hive与HBase中，也就是数据传递，

然后对列存储数据库进行有效的操作。具体情况见图1：

私1.3有云计算层和应用层

私有云计算主要是对大数据进行储存和计算分析，应用层主要是利用云计算的储存和分析能力为企业各部门的提供良好的决策和指

导。上述提到大数据的储存问题主要是储存数据库和储存格式处于落后的情况，私有云计算可以利用Hadoop工具将大数据储存到分布式文

件系统HDFS中，并且利用先进的工具和系统对储存的数据进行严格的管理，在很大程度上保证信息存储的完整性，例如某市一电力公司利

用云计算搭建了电力数据中心，并且通过映射的方式形成数据空间点集，最大可能的保证了大数据的储存。

二、并行负荷预测

电力负荷预测2.1

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。

并行处理2.2

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。

三、电力用户侧大数据的发展

大数据