沈弘 张涌新 张云 徐诗甜 方正 贾科

摘 要：对用用电大数据进行用电类型估计算法不足这一问题，设计了基于模糊均值（FCM）抽样划分聚类的方案。通过高斯平滑预处理消除测量数据中的波动和噪声；再改进FCM模型，使之适用于用电类型的估计；最后，基于抽样划分和均值更新的思想，提高改进模型的运行性能，以运用于用电大数据的处理。模型检验和算例对比实验，证明了该方案具有速度快，准确率高的特点，适合运用于相关用电大数据处理上。

关键词：FCM聚类；用电数据分类；抽样；大数据；高斯平滑

0 引言

随着我国智能电网建设加快，电网运行和管理会产生数量巨大且结构各异的数据，即电力大数据。对这些数据的处理，是值得研究的课题。目前对电力大数据的处理技术主要是分布式计算、内存计算、流处理技术，如文献[1]，就从数据存储上，提出了提高处理电力大数据的方案及实现，而文献[2]则给出了实时处理电力状态检测领域大数据的方法。但现有电力数据分析系统，还是难以较好地满足数据量大、处理速度快、数据类型多、价值大、精确性高这五项要求，尤其在提升数据处理算法上。

通过改进用于电力大数据处理的数据挖掘经典算法，使其时间复杂度、空间复杂度减少，是从数据处理方面解决该问题的新思路。本文以电力大数据中用户用电类型估计为对象，提出了一套能适用于大数据环境的解决方案：首先，为减少数据噪声和波动提出高斯平滑预处理，提高数据的精确度。……