随着电力信息化的深化应用,电力信息数据呈现爆炸式增长趋势,电力行业的大数据时代已经到来。传统的在小规模数据量下对客户用电行为进行统计分析,具备一定的指导价值,但在海量数据情况下的应用效果不是很理想。与传统的客户用电行为分析相比,基于大数据的客户用电行为分析更注重对客户用电价值的挖掘,可以实现对海量客户用电行为的定量分析,提高客户行为定位的准确度,为更有效地开展客户服务、提高客户满意度、降低运营风险提供决策参考。本文在研究电力业务的基础上,提出了一种面向削峰填谷的海量电力客户用电行为分析方法,为解决海量电力客户的削峰填谷问题,需要分析电力客户的用电行为特征与主网负荷特征的匹配关系。首先基于EM算法对主网历史1年的日负荷曲线数据进行聚类分析,得到不同时期主网的负荷特征,再分别利用分布式k-means算法对每一时期的海量电力客户的日负荷曲线数据进行聚类分析,得到不同主网特征对应电力客户的负荷特征。对比主网负荷特征曲线与客户负荷特征曲线可以得到电力客户的用电行为类型,如迎峰型(用户负荷特征曲线与主网负荷特征曲线走势相同,应该采取削峰填谷措施)、逆峰型(用户负荷特征曲线与主网负荷特征曲线走势相反,应该鼓励客户保持用电习惯)等,从而建立主网和电力客户群体的削峰填谷匹配模式。最后利用DTW对未来目标日和历史日进行日期匹配,分析未来目标日主网与用电客户的削峰填谷匹配关系,以确定电力客户群体在目标日的削峰填谷模式,进而对不同模式的客户群体采取不同的削峰填谷措施。本文采用福建省电力公司主网和福建全部用电客户2014年1月1日至12月31日的负荷数据,采样间隔为15 min,每条日负荷曲线有96个采样点。按本文提出的用电行为分析方法,首先对2014年福建省电力公司主网的日负荷曲线数据利用EM算法进行聚类分析,本文将主网的日负荷数据划分为3类。针对每一类主网日负荷类别,利用并行k-means聚类算法对该类对应日期的所有客户负荷曲线数据进行聚类分析。本文将3类主网类别对应的电力客户分别划分为4类、3类和5类。通过对电力客户用电行为的分析,得到了客户在不同历史时期的削峰填谷模式。为了得到未来日期电力客户的削峰填谷模式,利用本文提出的日期匹配方法得到未来日期的历史相似日。对福建省电力公司的主网和海量客户的负荷数据分析表明,本文提出的用电行为分析方法能够得到目标日期不同客户群体的削峰填谷模式,并识别需要进行削峰填谷的客户群体。该方法利用聚类分析、并行计算框架实现了对海量客户的用电行为分析,分析结果可以为电网企业开展有序用电、峰谷电价等削峰填谷措施提供有针对性的依据,对提高电网需求侧能效管理水平具有建设性意义。