随着智能配用电网建设的不断深入,采集终端数量的急剧增长以及采集频度的大幅增强,逐步形成多源、海量的智能电网用户侧大数据。传统的数据挖掘方法已经不能适用于电力用户侧大数据,需要研究适用于电力用户侧大数据的数据挖掘分析方法。通过对电网内部用电数据、外部营销数据等多源用户侧大数据进行挖掘,以充分获取数据价值,使业务决策建立在更加科学的依据基础上,提高电网服务水平,降低电网运营成本,实现信息价值增值,具有重要的意义与价值。本文对电力用户侧信息价值增值相关理论进行概述。首先介绍了价值、信息价值以及信息价值增值的相关概念,然后总结梳理了智能配用电信息类型及其特点,最后针对不同类型的信息介绍了 3种信息价值增值典型应用场景;基于电网内部用电数据,针对异常用电检测典型场景应用,提出了一种基于用户分类与高斯核密度局部离群因子算法的异常用电检测方法。首先通过模糊聚类的方法将用户分类;然后,提取每一类用户的用电行为特征量,采用主成分分析法对特征集进行降维;最后,利用高斯核函数改进局部离群因子算法,提出高斯核密度局部离群因子(gaussian kernel density-based local outlier factor,GKLOF)算法,通过理论推导与仿真实验相结合的方式分析了 GKLOF算法的特性。基于电网外部营销数据,以综合售电交易平台为背景,通过挖掘售电交易平台用户的隐性偏好信息,提出了适用于售电交易平台的智能推荐算法。建立了信息价值增值与系统推荐精度关系量化模型,对信息价值增值进行量化分析。实验结果表明,改进算法在平台运营初期数据量较低的情况下仍具有较高的推荐准确率,实现信息价值增值,从而为售电交易平台带来更大收益。