摘要：随着科技不断进步，电子信息技术得到迅速的发展，尤其是大数据系统发展更为迅速，而且被广泛应用于各领域。电子信息技术应用于电力工程管理方面会极大的提高电力工程管理效率和管理水平，从而保证电力工程项目的正常进行，推进我国的现代化建设。国民经济建设的发展，人民生活水平的提高，居民企业生产生活的进行导致了人们对电量的需求越来越高，电力用户数量以惊人的速度增长着。同时伴随着国家科技水平的提高，一系列新型科技被应用到电力系统运营管理中来，具体有计算机网络技术、自动化控制技术、遥感技术等先进科技，这些先进技术的应用，对于电力系统网络智能化的发展起到了关键的促进作用。
关键词：电力用户侧；大数据；负荷预测；运行分析
引言
随着社会的发展，电力工程建设发展迅速，电力用户不断增加，传统的电力用户管理方法已经不能满足管理效率和管理水平的需要。电子信息技术随着科技的不断进步，也得到了极大的发展，并广泛应用于各领域。电子信息技术应用于电力用户管理方面能够更加快速来对信息处理与加工，并且实施共享。从而极大地提高管理效率和管理水平，并对电力用户的问题进行跟踪性处理，进而保证电力用户的用电质量。随着国民经济的迅速发展，城市化农村城镇化水平的不断提高，对电力工程建设提出了很高的要求，传统的电力网络管理办法已经不能适应新时代的要求，人们对智能化电力网络的需求越来越迫切。
1 电力用户侧大数据管理存在的问题
伴随着电力用户数量的急剧增长，电力用户的各种用电数据越来越庞杂繁复。在这种情况下必须利用当代科技的发展采取一系列先进的电力用户用电数据管理系统。应对电力用户发展趋势电力用户侧大数据分析及并行负荷预测的研究提上了日程。先进技术的发展也使电力网络数据的复杂化大为提升，因此通过自主研发同时加强对国外先进技术的引进来促使我国电力数据分析与预测水平的提高与电力用户侧大数据管理存在的问题的解决显得越来越迫切。
1.1 大数据整合问题
大数据整合存在的问题是由电力系统中的数据传感器造成的。在现在的电力网络中数据的整合一般使用的设备一般是是智能电能表。智能电能表在数据整合方面有自身的缺陷。之所以会造成缺陷是由于在电网智能化环境下，电能表接收的电力数据具有繁杂庞大、差异显著的特点，因此对这些数据的整合是很困难的。
1.2 大数据可用性问题
在现今的电力网络运营系统中，大数据的可用性十分低。大数据的质量以及真实性受到的严重的破坏致使大数据的可用性十分低，电力系统、电力设备智能化的发展，致使电力数据的来源越来越广泛，收集渠道越来越繁杂，在这种情况下大数据的质量就很难得到保证，然而通信渠道智能化、广泛化又是一个不可避免的趋势，因此在渠道来源上一定要加以严格控制，确保通信渠道的质量。电力用户侧大数据分析及并行负荷预测对大数据的质量要求很高。因此质量过低或者失真的大数据应用到电力用户侧大数据分析及并行负荷预测中时会对电力信息的真实性造成严重不良影响。除了上述原因，电力系统数据采集监管不力也是一个重要的原因，对于低劣的大数据监管不力直接造成了电力信息决策科学合理性的缺失。
1.3 大数据储存问题
大数据整合、可用性、存储三方面的问题是并存的。随着电力网络建设的不断发展大数据的存储的技术要求越来越高，然而电力设备的核心，一系列新型的电力设备的引进以及各种电力设备使用量的不断增加，对大数据的存储要求不断提升，传统的大数据储存格式已经不能适应通信网络智能化传感器复杂化条件下对储存格式的要求了。面对大数据储存问题的存在，应该加强对储存格式的创新研发。
1.4 大数据分析技术问题
完成了大数据的整合、大数据可用性的鉴定、以及大数据的储存问题后，接下来面临的是大数据的技术分析问题。
期刊文章分类查询,尽在期刊图书馆显然传统的大数据分析技术已经远远达不到电力用户侧向大数据发展的分析技术要求。传统的分析技术会对电力用户侧大数据分析及并行负荷预测的发展造成严重的阻碍。
2 电力用户侧大数据分析平台构成
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。
数据管理层：数据管理层最主要的任务就是对数据进行采集和整合。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，然后对列存储数据库进行有效的操作。
私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。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。
3 负荷预测
负荷预测是电力系统运行中的重要内容，也是供电系统不得不解决的问题，传统的电力系统负荷预测方法已经不能满足智能化电力网络的负荷预测要求。负荷预测的重要性在于，通过对居民企业生产生活用电量的合理预测，为发电系统提供可靠的数据，指导其生产合理的电量，所以负荷预测是发电系统与用户系统之间的连接枢纽，通过负荷预测可以分析出城乡之间用电需求的差别，从而进行合理的电力分配，实现发电系统发电量与用户系统用电需求相一致的目的。从而为电力企业的长足有效的的发展提供保障，实现绿色协调创新高效的发展模式。
3.1 传统的用电负荷预测方法
传统的用电负荷预测方法有两种，分别是线性回归分析预测法和时间序列预测法，这两种预测方法运用到了统计学与周期性原理在电力系统预测中的应用十分广泛。
3.2 数据挖掘在电力系统负荷预测中的应用
首先要对数据挖掘的概念进行简单的介绍，数据挖掘就是对电力系统数据进行科学合理的归类后然后选取具有不同信息功能的数据加以利用。经过对电力系统数据进行科学合理的分类后会得到各种类型的数据，通过分析不同类型数据之间的内在联系得出其中的一般规律，从而实现了数据的利用。
数据挖掘在电力系统负荷预测中的应用十分广泛。具体包括数据预处理、典型负荷预测模型、负荷模式分析等几方面的应用。数据预处理针对的是电力数据中的劣质信息进行的。对劣质信息进行预处理可以有效的提高电力信息的质量，从而为负荷预测起到了很好的保障作用。除此之外还有就是可以对电力系统负荷出现的不正常现象进行及时的预防。数据预处理是电力系统负荷预测不可避免的关键环节，具有重要意义。
典型负荷预测模型也是数据挖掘在电力系统负荷预测中的重要应用，该模型具有较高的专业性、准确性、高效性，是电力系统负荷预测中不可缺少的内容。相比较于传统的负荷预测方法有不可比拟的优越性。该模型的组成主要包括由气象总局发布的气象数据和负荷数据两部分。
4 总结
随着社会的发展和科学技术水平的不断提升，电力用户侧大数据分析及并行负荷预测在电力工程管理中发挥着越来越重要的作用，提高电力用户侧大数据分析及并行负荷预测在电力工程管理中的应用已成为必然趋势。本文对电力用户侧大数据管理存在的问题进行了全面的介绍涉及到了整合问题、可用性问题、储存问题、分析技术问题等几方面的问题，还介绍了电力用户侧大数据分析平台构成和负荷预测两方面的内容，以期对电力用户侧大数据分析及并行负荷预测研究者有所帮助。
参考文献：
[1]王德文，电力用户侧大数据分析与并行负荷预测[J].中国电机工程学报，2015（3）.
[2]谈学锋，电力需求侧大数据应用模型的构建研究[J].中国科技纵横，2015（12）
论文作者:陆敏佳
论文发表刊物:《电力设备》2017年第21期
论文发表时间:2017/11/30
标签：数据论文; 电力论文; 负荷论文; 大数论文; 用户论文; 电力系统论文; 据分析论文; 《电力设备》2017年第21期论文;