第35卷第2期
2015年1月20日
中国电机工程学报
Proceedings of the CSEE
、，oI．35 No．2 Jan．20，2015
◎20 1 5 Chin．Soc．for Elec．Eng． 287
DoI：10．13334／j．0258．8013．pcsee．2015．02．004 文章编号：0258—8013(2015)02-0287—07 中图分类号：TM 7l
智能配电网大数据应用需求和场景分析研究
刘科研，盛万兴，张东霞，贾东梨，胡丽娟，何开元
(中国电力科学研究院，北京市海淀区100192)
Big Data Application Requirements and Scenario Analysis in Smart Distribution Network
LIU Keyan，SHENG Wanxing，zHANG Dongxia，JIA Dongli，Hu Lijuan，HE Kaiyuan
(China Electric Power Research InstitIlte，Haidian District，Beijing 1 00 1 92，China)
ABS’I’RACT．1啊ere are a lot of multi—source heterogeneous
da切．in sman dis仃ibmion neMork(SDN)，柚d the scale aIld
characteristics of these data in accordance with me ail诧amres
of the big da饥Firstly’the source and chamcteristics of big
data in distribution ne附ork(DN)were summ撕zed．Then，
loads forecasting of DN，opemtion evaluation and w枷ing in
DN， and power quality monitoring and assessment were
analyzed行om the perspective of SDN印plication scenario．
Bad data identification in multi．source data msion was
investigated from diffbrent application system and different
data stmcture perspectives．In addition，the modeling method
of data association and锄al”ical approach of DN data were
generaIized．The powerfhl computation and analysis condition
can become potential by using big data tecllIlique application in
SDN．The analysis results f_rom big data can pmvide strong
support for plan and safety operati蜘，and me healm leVel of
DN devices caIl be also improVed．
KEY WoRDS：big data；sman distribution ne附ork；scen撕o
analysis；risk w棚ing；operation evaluation
摘要：智能配电网中存在大量异构多源的数据，其中的数据
规模和特点符合大数据的各项特征。首先总结配电网大数据
的来源和特征，然后从智能配电网中的应用场景出发，分别
从配电网负荷预测、运行状态评估与预警、电能质量监测和
评估、基于配电网数据融合的停电优化等方面进行分析。从
不同系统和不同数据结构角度，对多源数据融合中的不良数
据辨识进行重点分析，同时还归纳了配电网大数据关联模型
建模方法和配电网大数据分析手段。通过在配电网中运行大
数据的分析技术，能够为智能配电网开展分析提供强有力的
计算和分析条件，大数据的分析结果可为配电网规划和安全
运行提供数据支撑，也可有效提升配电网各类资产健康
水平。
基金项目：国家电网公司研究项目(PD7l—14一032)。
Project Supported by s眦e Grid Corporation of ChirIa Rese眦h
Pmgram(PD71一14一032)．
关键词：大数据：智能配电网；场景分析；风险预警：运行
评估
0 引言
在信息技术中，大数据是指无法在一定时间
内，用常规的工具软件(如现有数据库管理工具或数
据处理应用1对其内容进行抓取、管理、存储、搜索、
共享、分析和可视化处理的由数量巨大、结构复杂、
类型众多数据构成的大型复杂数据集合【l’2】。大数据
具有4V特点，即高容量(volume)、快速性(Velocity)、
多样性(Variety)和价值密度低(Value)。大数据带来
的挑战在于它的实时处理，而数据本身也从结构性
数据转向了非结构性数据，因此使用关系数据库对
大数据进行处理是非常困难的。
配电网处于电力系统的末端，具有地域分布
广、电网规模大、设备种类多、网络连接多样、运
行方式多变等鲜明特点。随着城镇化建设和用电需
求的增长，配电网一直在不断地改造和扩建，其规
模也不断扩大，国网公司系统内大多数县级以上配
电网的规模都已达到百条馈线以上，一些中、大型
城市的中压馈线已达到或超过千条。
随着配电自动化、用电信息采集等应用系统的
推广应用，对于有千条馈线的大规模配电网，配电
网中会产生指数级增长的海量异构、多态的数据，
数据集合的大小可达到当今信息学界所关注的大
数据级别。此外，大规模配电网还具有其特有的特
征：1)数据采集多，每个采集点采集相对固定类
别的数据，且分布在各个电压等级内；2)不同采
集点的采样尺度不同，数据断面不同；3)数据不
健全，数据采集存在误差和漏传；4)数据分布在
不同的应用系统中。
含有包括光伏发电、风电、燃气轮机等分布式
万方数据
288 中国电机工程学报 -第35卷
电源(distributed generator，DG)的配电网即有源配
电网，分布式电源的不断渗透给大规模配电网传统
的分析与计算带来更大的挑战。分布式电源接入电
网后，向电网调度机构提供的信息至少应当包括：
1)电源并网状态、有功和无功输出、发电量；2)
电源并网点母线电压、频率和注入电力系统的有功
功率、无功功率；3)变压器分接头档位、断路器
和隔离开关状态。因此，分布式电源接入后，在原
已规模很大的配电网数据采集中新增了一组需采
集的数据项，同时也会恶化配电网数据采集的非健
全性和不确定性。
鉴于大数据在电力系统的应用场景越来越多，
有必要对大数据在配电网的应用场景和目标进行
分析与总结，为大数据技术在智能电网中的应用提
供有益的参考。
1 配电网大数据的来源和特征
智能配用电大数据应用具备丰富的数据源，现
在大多数地市拥有多个配电管理系统，包括配电自
动化系统、调度自动化系统、电网气象信息系统、
电能质量监测管理系统、生产管理系统、地理信息
系统、用电信息采集系统、配变负荷监测系统、负
荷控制系统、营销业务管理系统、ERP系统、95598
客服系统、经济社会类数据等数据源，这些数据源
的总体状况如表1所示。
这些数据源涵盖了调度、运检、营销等多个管
理业务，以及绝大部分110kV及以下多电压等级的
电网监控和采集信息。从数据源类型来讲，智能配
用电大数据应用的数据源类型丰富，覆盖配变、配
表l典型配电系统数据源
’I'ab．1 1押ical data source of distribu60n system
电变电站、配电开关站、电表、电能质量等配用电
自动化和信息化数据、用户数据和社会经济等数据。
2配电网典型大数据场景分析
2．1 面向有源配电网规划的负荷预测
随着配电网信息化的快速发展和电力需求影
响因素的逐渐增多，用电预测的大数据特征日益凸
显，传统的用电预测方法已经不再适用。由于智能
预测方法具备良好的非线性拟合能力，因此近年来
用电预测领域出现了大量的研究成果，遗传算法、
粒子群算法、支持向量机和人工神经网络等智能预
测算法开始广泛地应用于用电预测中。传统的用电
负荷预测，受限于较窄的数据采集渠道或较低的数
据集成、存储和处理能力，使得研究人员难以从其
中挖掘出更有价值的信息。通过将体量更大、类型
更多的电力大数据作为分析样本可以实现对电力负
荷的时间分布和空间分布预测，为规划设计、电网
运行调度提供依据，提升决策的准确性和有效性。
2．2配电网运行状态评估与预警
基于大数据技术的配电网运行状态评估与预
警研究内容如图1所示，包括以下方面：
1)对配电网进行安全性评价，如电力系统的
频率、节点电压水平、主变和线路负载率等；
2)对配电网的供电能力进行评价，如容载比、
线路间负荷转移能力等。当供电能力不能满足负荷
需求时，根据负荷重要程度、产生的经济社会效益
以及历史电压负荷情况，进行甩负荷；
基于
大数
据的
配电
网运
行状
态评
估与
预警
图l有源配电网运行状态评估和风险预警
Fig．1 opera60nal status evaluation and risk warning iⅡ
ac6ve distribu廿on network
一一鬣一一圆一面茴鳓一磁一——一
竺烹羔
万方数据
第2期 刘科研等：智能配电网大数据应用需求和场景分析研究 289
3)对配电网可靠性和供电质量进行评价，如
负荷点故障率、系统平均停电频率、系统平均停电
时间、电压合格率、电压波动与闪变、三相不平衡
度、波形畸变率、电压偏移、频率偏差等；
4)对配电网经济性进行评价，如线损率和设
备利用效率等。
通过计算风险指标，判断出所面临风险的类
型；预测从现在起未来一段时间内配电网所面临的
风险情况；根据风险类型辨识结果，生成相应的预
防控制方案，供调度决策人员参考；可以对突发性
的风险和累积性风险进行准确辨识、定位、类型判
断、生成预防控制方案等；依据对多源异构的数据
分析，将风险准确定位到局部，进一步对全网或局
部电网的风险状况进行集中判断、定位以及预防控
制。
2．3有源配电网电能质量监测和评估
随着分布式电源不断地接入配电网，逐步形成
了小、中、大规模的有源配电网。伴随着分布式电
源的功率波动，配电网中的电能质量经受着较大的
冲击。通过收集配电网中的运行数据、负荷数据、
分布式电源运行等数据，能够开展配电网中的电能
质量分析和评估研究，从而得出精细化的配电网网
架和无功源的调节方案等。有源配电网电能质量监
测和评估示意图如图2所示。
图2有源配电网电能质量监测和评估示意图
Fig．2 Schematic diagram of power quaUty monitoring and eVaIua60n in ac廿ve distribuUon ne铆ork
基于大数据的有源配电网电能质量监测和评 电能质量监测系统集通信、测量、分析和管理等诸
估包括以下方面。 多功能于一体，能为电力企业和用户提供供电质量
1)有源配电网电能质量分析与监测。 的基本信息，实现有源配电网电能质量全面、准确、
电网规模的不断扩大以及分布式电源的不断 有效地监测。同时考虑到经济性，有源配电网中监
接入，配电网中运行数据、负荷数据、分布式电源 测终端的最优布点也是亟需解决的问题。
运行等数据逐渐增多，电能质量分析的大数据特征 2)有源配电网电能质量评估。
日益明显，传统电能质量分析方法在电能质量的消 有源配电网电能质量的评估是对有源配电网
噪、特征提取、扰动分类和参数估计等方面难以完 运行水平和电力供应能力的综合评价，是约束、督
全解决问题。面对出现的电能质量问题，近年来产 促电力公司与电力用户共同维护公共电网电能质
生了许多综合分析法【3训。但是，基于传统电能质量 量环境的基础，同时也是实施质量治理与控制的依
分析方法的电能质量监测装置面临性能差、精度 据、检验治理与控制效果的工具【5】。随着分布式电
低、智能化程度低等问题，需研究高性能的电能质 源越来越多的接入配电网，用户对电能质量的要求
量分析方法，开发实时在线的电能质量监测系统。 越来越高，传统的电能质量评估方法面临计算性能
万方数据
290 中国 电机工程学报 第35卷
降低、耗时长、精度低等问题，如何使电能质量的
评估合理、客观、准确是电力企业面临的严峻考验。
而且，大规模的结构化数据和非结构化数据的加
入，将为电能质量评估提供新的研究途径，制定合
理的有源配电网电能质量评估指标，提高电能质量
评估的准确性，深度挖掘电能质量监测系统采集到
的数据信息，揭示由于之前分析成本太高而忽略的
信息，为电力企业以及用户提供诸如网架结构分
析、无功源配置方案合理性分析、敏感负荷安装位
置分析、监测点配置方案等高附加值服务，这些服
务将有利于电网的安全、稳定和经济运行。
3)有源配电网电能质量诊断与治理。
为了满足较高电能质量的要求，及时正确地对
影响电能质量的各种异常运行状态做出诊断，找出
电能质量干扰源，并预防或消除，从而避免故障的
扩大，是有源配电网面临的又一个难题。鉴于分布
式电源可以看作一种向配电馈线注入谐波的非线
性负荷，而分布式电源的投切也会引起电压波动，
分布式电源的接入无疑会在一定程度上加重对电
能质量的扰动。传统的电能质量扰动定位方法都存
在一定的适用环境与限制条件，且仅仅考虑一种定
位方法得出的定位结果可信度往往不高。通过将体
量更大、类型更多的电力大数据作为分析样本，为
电能质量扰动定位提供详细的研究思路，提高电能
质量扰动定位的准确性，寻找出网架结构中的薄弱
环节，制定精细化的配电网网架和无功源调节方案，
改善电能质量，对电网的经济运行具有重要意义。
2．4基于配电网数据融合的停电优化
配电网停电优化是建立在配电网调度自动化
系统、配电自动化系统、用电信息采集系统、配网
设备管理系统、配电设备检修管理系统、电网图形
及地理图形信息和营销管理系统等的基础上，综合
分析配电网运行的实时信息、设备检修信息等，以
找出最终的最优停电方案。计划停电管理根据计划
停电(包括检修和限电等)的要求，进行系统模拟，
以最小的停电范围、最短的停电时间、最小的停电
损失、最小的停电用户来确定停电设备，通过屏幕
显示停电区域，列出停电的用户名单，打印用户停
电通知书等等。采用传统技术在处理时存在计算速
度慢、计算周期长、扩展性差等缺点。为了更加准
确地计算配网停电损失，降低停电影响需要利用多
个业务系统的海量数据进行联合分析和数据挖掘。
基于大数据技术的配电网停电优化包括：
1)停电信息分类，基于调度、营销、配网贯
通的海量数据对停电信息数据进行整理与分类；
2)停电预警，对设备故障可能导致停电进行
预警：
3)配电网停电计划制定，采用大数据技术制
定合理的停电计划，完善配网停电优化分析系统。
3配电网多源数据融合中的不良数据辨识
3．1 不良数据检测与辨识方法
不良数据检测是指判断某次量测采样中是否
存在不良数据。不良数据辨识是指在发现某次量测
采样中存在不良数据后，确定哪个(或哪些)量测是
不良数据。不良数据的处理已经成为一个热门课
题，目前国内外已经提出多种不良数据检测与辨识
的方法，大致分为以下2类：1)传统的不良数据
检测方法包括目标函数极值检测法、加权残差法、
检测法或标准化残差检测法、量测量突变检测法
等。传统的不良数据辨识方法主要有残差搜索法、
非二次准则法、零残差法、估计辨识法等；2)相
对传统的一些新理论和新方法主要有基于数据挖
掘的模糊数学法、神经网络法、聚类分析法、间
隙统计法等。这些方法大多针对传统配电网比较简
单的小规模结构化数据。随着智能配电网规模的不
断扩大、分布式电源的接入以及网络技术在配电
系统中的广泛应用，对于配电网中达到大数据级别
的不良数据的检测与辨识，传统方法很难达到处理
需求。
3．2基于多源数据的不良数据辨识方法
根据配电网大数据多源、多渠道的特点，可基
于不同来源的数据进行互校核，实现不良数据的检
测与辨识，包括电度量和量测量的互校核、不同数
据系统间的互校核方法、不同结构数据的互校核
等，如图3所示。
1)基于电度量与量测量互校核的不良数据检
测方法。
按获得方式分，配电网多源数据可划分为电度
量与量测数据，可采用电度量与量测量互校核辨识
不良数据。如实际计算中，可用同一节点下电度量
和有功量测进行互校核：
pMl=[(pi—l+pf)／2±善]／(3．6×100) (1)
式中：PMf为f时刻该节点的有功电度量；雕l、只
为卜1、f时刻该节点的有功功率；善为准确系数，
由实际量测系统准确度决定。
2)基于不同系统间数据互校核的不良数据检
测方法。
万方数据
第2划 刈}=L研等：错能nCf乜H大数据应用需求和场景分析研究 29l
图3基于多源数据融合的不良数据辨识方法
Fig．3 Identification method of bad data based on multiple
data sOurce merges
配电网多源数据按获得来源分，可分为来自不
同系统的数据，来自不同系统间的数据可以进行互
校核。如可结合配电网管理信息系统、生产管理系
统的信息以及低压台区互联信息，确定配变用电类
型，按照不同行业需量系数和典型日负荷曲线可拟
合出该配变负荷曲线。
3)基于不同结构数据互校核的不良数据检测
方法。
配电网中含有结构化数据、非结构化数据、半
结构化数据，但是不同类型的数据可能包含相同的
信息量，如某一线路的长度可由地理信息系统中的
非结构化图形数据获得，也可从生产管理系统中的
结构化数据获得，通过不同类型的数据进行互校
核，可实现不良数据的辨识。
配电网中不同的数据源为配电网研究对象提
供了多角度、多时间、多维度的数据描述，为了通
过大数据分析充分挖掘有用信息，需要建立数据之
间的关系数学模型。
4配电网大数据关联模型建模
4．1配电网数据特征化
配电网中的研究对象一般使用类进行描述，这
种描述可以通过数据特征化得到，数据特征化是目
标类数据的一般特性或特征的汇总。特征是一个数
据字段，表示数据对象的一个特征16J。不同配电网
研究对象有不同的属性，不同的属性有不同的数据
类型，一个属性的类型由该属性可能具有的值的集
合决定。
4．2配电网数据邻近性模型
数据的相似性和相异性都称为邻近性，配电网
数据邻近性模型具有广泛的应用。例如，同一个负
荷可能在不同的应用系统中有着不同的记录，为了
正确高效地进行数据分析，需要在数据集成时将
多条记录合并为一条记录，因此需要对多条记录
的邻近性进行计算分析。再如，需要定量描述投运
时间对设备性能的影响。同时，邻近性模型还是进
行分类、聚类分析、离群点分析等深入研究的数据
基础。
4．3配电网数据关联模型
关联规则由A酎awal、Imielinski和Swami提出，
是数据中一种简单但很实用的规则【7J。配电网故障、
状态与原因之间存在关联关系，发现故障属性间的
关联特性可以更好地对设备进行故障监测与诊断。
如分析配电网参数和暂态稳定性之间的关联性，判
断发生故障时系统失稳的概率；如分析系统节点电
压变化特性与故障之间的关系，找出系统中最为敏
感的节点；如寻找特定地点谐波电流与其他地点电
压之间的关联度，确定谐波源位置、特征及处理方
法。也可在电力营销和负荷管理中引入关联分析，
以指导供电公司制定合理的营销策略，如在配网规
划中，分析城市用电量与GDP增长率、第二产业
比重、中心性等级、行政级别、气候类型等因素之
间的关联关系。
5配电网大数据分析方法和手段
5．1 配电网数据特征聚类
聚类可用于将数据分割成多个类或子集，在聚
类分析中类的数量是未知的。常见的聚类方法有划
分聚类法、层次聚类法、网格聚类法、基于模型的
聚类法以及智能聚类法等。根据不同聚类方法的适
用范围及配电网大数据的特征，通过研究基于配电
网时空特性的数据聚类方法，能够提出处理配电网
时空特性的数据聚类解决方案。
从配电网调度系统和负荷监测中提取不同区
域、不同类型的用户负荷曲线，进行负荷特性聚类
分析，为电力公司营销和负荷管理提供依据，是近
几年电力系统聚类分析的研究热点【8捌。通过对负荷
曲线的聚类，可以作为负荷预测和电价预测的预处
理过程；通过分析配电网线路和设备故障信息，形
成具有相似变化的曲线簇，可更好地估计和抑制故
障带来的影响。
万方数据
292 中国电机工程学报 第35卷
5．2配电网数据特征分类
分类是通过训练产生的分类函数或分类模型
将数据对象映射到2个或多个给定类别的方
、法110。12|。从机器学习的观点，分类分析是一种有指
导的学习，即其训练样本的分类属性(类标号)的值
是已知的，通过学习过程形成数据对象与类标示间
对应的知识，这类知识也可称为分类规则。
分类通过已训练好的模型或分类规则来预测、
标记未知的数据类。分类方法包括决策树归纳法、
K最近邻法、向量空间模型法、贝叶斯分类法、支
持向量机模糊分类及神经网络法等。在配电网配电
变压器故障识别和诊断中，可以通过贝叶斯分类方
法将变压器故障分类为内部或外部的接地和短路
故障；也可以用神经网络来识别包括高温、低能和
高能状态等故障类型。
5．3配电网大数据快速分析技术路线
数据挖掘技术的选择由相应需要解决的业务
问题来决定。要解决一个业务问题，在一个数据挖
掘的完整流程中，需要同时利用多种数据挖掘方
法。例如在数据预处理阶段，可以通过统计性描述
方法对数据的本质、质量进行探索和分析，利用无
量纲化的模型对数据进行标准化处理，也可以用聚
类分析对临群点进行探索等。基于配电网大数据聚
类与分类技术，研究面向大规模配电网大数据的快
速数据分析与处理技术，茛技术路线如图4所示。
图4配电网时空特性的快速数据处理方法
Fig．4 Fast data processing methods wnh spanal and
temporal characteris“c in mstribu60n system
5．4数据密集型计算手段
目前分布式并行计算技术是数据密集型计算
的主要手段。由于大数据的数据量和分布式的特
点，使得传统的数据管理技术难以胜任这种海量数
据。很多企业开始想方设法把大数据存储起来，不
断地尝试新的大数据存储架构、研究大数据分析方
法技术。目前，在分布式并行计算与存储的很多研
究和应用中，Hadoop的分布式并行处理应用的比
较多，比如互联网网页分析和大数据统计挖掘等。
电力系统的优化分析方法大多是计算任务／数据密
集型的，所以可依靠Hadoop较容易地开展分布式
并行方面的计算和研究。基于Had00p的分布式并
行计算技术在国内电力行业中的应用研究还处于
探索阶段，研究内容主要集中在系统构想、实现思
路和前景展望等方耐13。7|。在国外，基于Hadoop
的分布式并行计算应用目前已用于海量数据的存
储和简单处理，已有实现并运行的实际系纠18。211。
分布式并行计算技术能够为大规模复杂配电
网分析计算提供强大的支撑，并能为供电企业和用
户提供大量的高附加值服务，这些增值服务将有利
于电网安全监测与控制(包括故障预警与处理、供电
与电力调度决策支持和更准确的用电量预测)、客户
用电行为分析与客户细分、电力企业精细化运营管
理、更科学的需求侧管理等。
6结论与展望
随着大数据时代的到来及大数据应用技术的
发展，为充分利用现有电网运行数据和气象环境数
据进行设备故障预测成为可能。
通过集成各分散系统的信息，规范数据类型，
形成丰富的、同质的大数据样本，对不同类型、不
同型号、不同状态的设备进行故障发生可能性预
测，可为电网运检采取针对性的防护措施提供支
撑，为电网安全运行、智能电网自愈提供保障。
电力信息化建设利用大数据技术，在企业数据
共享的平台下获取电力企业生产数据、管理数据、
地形地貌数据、水资源数据等有效数据，能够提炼
准确的、有价值的数据，能够为管理效益、决策能
力提升提供有效帮助。特别是在运行检修基础数据
不断积累的前提下，利用大数据分析技术，能对检
修工作进行有效预测和数据支持，可进一步提升设
备运行管理水平，为运行检修科学决策提供可靠的
数据依据，具有巨大的经济价值和社会效益。
参考文献
【1】Merv Adri柚．Big data：it’s going mains廿e锄and it’s yollr
next opportUmi够[J】．Teradata Magazine，201l，5(1)：3-5．
[2】 M柚yil(a J，Chui M，Bmwn B，et a1．Big data：the next
f渤tier f．or i舯oVation， competition， 锄d productivit)r
【R】．USA：McI【insey GlobalInstimte，2011．
[3】李庚银，罗艳，周明，等．基于数学形态学和网格分形
的电能质量扰动检测及定位叨．中国电机工程学报，
万方数据
第2期 刘科研等：智能配电网大数据应用需求和场景分析研究 293
2006， 26(3)： 25-30．
Li GengyiIl，Luo Y抽，zhou Ming，et a1．Power quality
disturbance detection蛆d Iocation based on mathematical
mo劬ology锄d鲥lle觚tal叨．Proceed岫s of me
CSEE，2006，26(3)：25·30(iIl Chinese)．
[4】文继锋，刘沛．一种电能质量扰动检测的新方法忉．中
国电机工程学报，2002，22(12)：17．20．
WeIl Ji矗mg，Liu Pei．A new method for detection ofpower
quality disturbances【J】．Proceedings ofthe CSEE，2002，
22(12)：17-20(in ChiIlese)．
[5】陶顺，肖湘宁．电力系统电能质量评估体系架构川．电
工技术学报i 2010，25(4)：171．175．
1'ao Sh皿，xiao Xi蛐印ing．In舨s仉lctL鹏ofⅡle power
quality assessment system of power systems
卟T协sactions ofChina Elec仃otechnical soci啊，20lO，
25(4)：17l-175(in Chinese)．
[6】 JiaW萌H锄，Micheli∞K，Jiall P．Data mining：Concepts
锄d tecllIlique【M]．3rd ed．New York：ElseVier，2011．
【7】曲朝阳，王蕾，曲楠，等．智能电网知识处理与可视化
模型方法[M】．北京：科学出版社，2013．
Qu Chaoy柚g，W抽g Lei，Qu N姐，et a1．Knowledge
pmcessiIlg 锄d visual modeling memod in sman
班d【M]．Beijing：Sci蚰ce Press，2013(in Chinese)．
【8】贺仁睦，王卫国，蒋德斌，等．广东电网动态负荷实测
建模及模型有效性研究[J】．中国电机工程学报，2002，
22(3)：78-82．
He Re衄u，W锄g Weiguo， Ji蛆g Debin， et
al!Me鹊ufement based d1旧amjc Ioad modeliIlg姐d model
Validation on Gu如gdong鲥d【J]．Proceed岫s of me
CSEE，2002，22(3)：78_82(ill ChiIlese)．
[9】姚建刚，陈亮，戴习军，等．混沌神经网络负荷建模的
理论研究[J】．中国电机工程学报，2002，22(3)：99．102．
Yao Ji柚g柚g，chen Li锄g，DaiⅪjllIl，et a1．AcadeInic
research of load modeIing wim ch∞tic nemI ne锕ork
[J】．Proceedings of the CSEE，2002，22(3)：99-102(in
Chinesel．
‘
[10】Quinl锄J R．Pro髓吼s for machine l伽ing[M】． S孤
F啪cisco：Mo唱蛐Kau触籼PIlblishe体，1993：23—26．
【1l】Breim锄L，Fri锄如J，Olshen R，et a1．Cl“si6∞tion粕d
regressi∞仃ees【M】．ch印m柚锄d Hal№Rc，1984：
32．35．
[12】Mehta M，A印1wal R，mss锄en J．SLIQ：A f奴scalable
classifier f-0r data miIliIlg【C】，伊roceedings of me 5th
Intemational Confb啪ce on Ex劬ding Databa∞
TechIlology：AdV锄ces in Database Tecllnology．Fr柚ce：
EDBT，1996：67．78．
【13】王德文，宋亚奇，朱永利．基于云计算的智能电网信息
平台[J】．电力系统自动化，2010，34(22)：7一12．
W柚g Dewen，Song Yaqi，Zhu Yongli．hlfonnation
platform of smart 鲥d based on cloud c咖puting
叨．Automation ofElectric Power systems，2010，34(22)：
7．12(in Chinese)．
[14】朱征，顾中坚，吴金龙，等．云计算在电力系统数据灾
备业务中的应用研究叨．电网技术，2012，36(9)：43—50．
zhu zheng，Gu Z110n百i柚，wu Jinlong，et a1．Application
of cloud computing in elec廿ic power system da诅
recove珂卟Power System Tecllllology，2012，36(9)：
43-50(in Chinese)．
[15】沐连顺，崔立忠，安宁．电力系统云计算中心的研究与
实践叨．电网技术，2011，35(6)：170-175．
Mu Li柚shllIl，Cui Lizhong，An Ning．Research锄d
pIactice of cloud computing center fbr power system
[J】．Power System TecllIIology，2011，35(6)：170-175(in
Chinesel．
[16】王广辉，李保卫，胡泽春，等．未来智能电网控制中
心面临的挑战和形态演变【J】．电网技术，20ll，35(8)：
1．5．
W抽g Gu锄ghui，Li Baowei，Hu zechlln，et al-Challenges
and血tllre evoluti∞of con仃ol center under smart面d
env的衄∞t卟Power System毗hnology，2011，35(8)：
l-5(in ChiIlese)．
【17】刘树仁，宋亚奇，朱永利，等．基于Hadoop的智能电
网状态监测数据存储研究【J]．计算机科学，2013，40(1)：
81—84．
Liu Shuren，Song Yaqi，Zhu Y0ngli，et a1．Research on
data storage for smart鲥d condition monitoring using
hadoop【J]．Computer Science，2013，40(1)：8l一84(in
Chinesel．
【18】Rusitschl【a S，Eger K，Gerdes C．sⅡKut鲥d data cloud：
a model for utilizing cloud computing inⅡle smart鲥d
domain【C】／／2010 FiI吼IEEE Intematio∞l C0nfbrence on
Smart Grid Commlmications．GaithersbⅢ苫，IEEE，2010：
483_488．
【19】C“stophe B．TIIe sman鲥d：Hadoop at tlle Te衄essee
V甜ley Authority(TⅥ～)【EB，OL】．(2009-06-01)【2013—02—
01】．htlp：／／www．cloud啪．com／blo酡00嘶／srnam鲥d-ha
doop_te衄essee—valIey·authorit)，-tv“．
[20】熙州asoe S，Igar弱hj Y，Shibayama K，et aI．Ex锄pIes
of：distributed iIlf0瑚ation platfoms constrIlcted by power
utilities iIl Jal煳[C】／／CIGRE 2012．Paris：CIGRE，2012：
1．7．
[2l】Ke曲emPB，LaI【sllIniG，Robbertv柚R．RlulIling sman
鲥d con仃ol software on cloud computing architectIlres
[C】棚％d曲op on Computational Needs for ule Next
Genemtion EIectric Grid． Ithaca： Lawrence Berkeley
National Labomtoq，20l l：1-4．
财
刘科研
收稿日期：2014—10．30。
作者简介：
刘科研(1978)，男，博士，高级工程师，
研究方向为配电网建模仿真与智能分析，
liukeyan(园epri．sgcc．com．cn。
(编辑李泽荣)
万方数据
智能配电网大数据应用需求和场景分析研究
作者： 刘科研， 盛万兴， 张东霞， 贾东梨， 胡丽娟， 何开元， LIU Keyan， SHENG Wanxing， ZHANG
Dongxia， JIA Dongli， HU Lijuan， HE Kaiyuan
作者单位： 中国电力科学研究院,北京市海淀区,100192
刊名：
中国电机工程学报
英文刊名： Proceedings of the CSEE
年，卷(期)： 2015,35(2)
引用本文格式：刘科研.盛万兴.张东霞.贾东梨.胡丽娟.何开元.LIU Lijuan.
HE Kaiyuan 智能配电网大数据应用需求和场景分析研究[期刊论文]-中国电机工程学报 2015(2)
