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
1.1大数据分析平台
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。
1.2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，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：
.png)
1.3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。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
2.1电力负荷预测
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。
2.2并行处理
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
3.1大数据的整合工作
大数据的整合工作无疑是对电力用户侧大数据发展的巨大挑战。随着传感器网络在我国电网中的广泛应用，智能电表以及物联网技术在不断飞速发展，导致了大数据的模式千差万别，而且每个单位的数据口径也大不相同，这对于大数据的加工整合来说是极其困难的。要针对大数据海量的数据。创造出一个较为有效的模型来进行大数据的规范表达工作，基于该模型实现大数据的融合问题，对于我国电力用户侧大数据的发展也是非常有利的。电力用户侧的大数据也需要具备它自身的可用性。因为数据的采集方法是多种多样的，所以每个通信通道的质量也是大不相同的。对于大数据可用性来说，不仅要对接收数据的质量进行处理，同时也要提高对数据的管控能力。大数据的整合工作，是一个较为完整的数据分析过程，可以使信息社会发展更加良好。
3.2数据的存储和分析
我国已经实现了上亿用户的用电信息的采集工作，这就使电力数据形成了较为大规模的高级两侧体系，而且在我国多个省市区投资运行了电动汽车换电站以及充电桩等设施，这些数据的存储要求也是非常高的，其存储时间以及存储数据以爆发式的增长，也对我国的数据库提出了更高的要求。针对这些较为复杂的数据，许多传统关系型的数据库以及文件存储格式已不能进行较为精准的存储工作以及分析工作，因此，应该寻找更加完善的分析模式，来对这些数据进行存储和分析。
四、结束语
综上所述，在社会大发展的背景下，电网建设逐渐趋向智能化已经成为了顺应社会潮流的必然趋势，电力用户侧大数据的构成也就逐步构成，着无疑是增加了数据分析和预测的难度；近年来各种计算机网络技术在数据搜集、分析和预测中渗透，对电力行业的发展起着至关重要的作用，那么随机森林算法作为现代科技下的产物在电力用户侧大数据中的应用也就显得格外重要了。
参考文献：
[1]艾顺龙，孟建兵，袁亮.开展深部开采关键技术研究[N].中国电力报，2017-10-21（008）.
[2]张农，李希勇，郑西贵，等.深部煤炭资源开采现状与技术挑战[C]/全国煤矿千米深井开采技术.北京：中国煤炭工业协会，2017：22.
[3]虎维岳.深部煤炭开采地质安全保障技术现状与研究方向[J].煤炭科学技术，2018（8）：1-5.