电力系统大数据平台的数据分析与研究
电力系统大数据分析方法与技术
电力系统大数据分析方法与技术近年来，随着电力行业的不断发展，大数据分析技术的应用也在迅速普及。
无论是电力生产、输配电、设备维修还是能源管理，都需要大量的数据记录和处理。
电力系统大数据分析方法及技术，“大数据+智能化”是未来电力行业的发展趋向。
一、大数据的意义传统的电力数据处理方法中，主要依靠人工收集，由于数据量庞大，我们难免会忽略一些重要信息。
而大数据的应用，则可以帮助我们彻底改变传统处理方式的缺陷。
大数据可以帮助我们从海量数据中获取有用信息，从而优化电力系统的运营，提高效率，提升安全性和可靠性。
二、电力系统大数据分析的方法在电力系统大数据分析过程中，我们主要采取以下几种方法：1.数据挖掘数据挖掘可以帮助我们找到数据中潜在的模式、异常和规律，从而发现未知的知识，并指导我们制定系统优化计划，改进电力系统的安全性和可靠性。
2.人工智能算法人工智能算法旨在利用计算机学习能力，来对大量的数据进行解析，并提供出我们所需要的答案。
它可以通过分析数据来预测未来的电力系统可能出现的问题，同时可以给出相应的解决方案。
3.数据可视化技术数据可视化是将数据转化为图形或图表的过程，它可以帮助我们快速了解数据的模式和特征。
在电力系统大数据分析中，数据可视化技术可以帮助我们直观地了解电力系统中各个变量之间的关系，从而更好地发现数据中的潜在问题。
三、电力系统大数据分析的技术电力系统大数据分析需要结合多种技术手段，才能更好地实现精准的数据处理与信息提取。
以下列举几种常见的电力系统大数据分析技术：1.数据清洗技术在处理数据前，我们通常需要对数据进行清洗，以去除冗余、无效或错误的数据。
清洗后的数据可以提高我们的分析准确性。
2.特征工程技术特征工程指对数据集进行转换，以从原数据中提取出特征数据。
它可以帮助我们更好地发现数据之间的关系，提高预测的准确性。
3.机器学习技术机器学习技术是通过计算机学习能力，提取数据中的模式和规律。
通过对数据的训练和学习，可以自动学习、识别和理解数据。
大数据分析在电力系统监控与优化中的应用研究
大数据分析在电力系统监控与优化中的应用研究随着电力系统规模的不断扩大和复杂性的增加，电力系统监控与优化的重要性也日益凸显。
传统的电力系统监控方法已经无法满足大规模电网的实时需求，而大数据分析技术的引入为电力系统监控与优化带来了新的解决方案。
本文将就大数据分析在电力系统监控与优化中的应用研究进行探讨。
一、大数据分析在电力系统监控中的应用在电力系统监控中，大数据分析可用于实时监测电力系统运行状态、故障诊断和预测、负荷预测以及电力市场分析等方面。
首先，大数据分析可通过对电力系统中各种传感器、测量设备以及其他监测数据的实时采集和处理，实现对电力系统运行状态的实时监测。
通过对接入大数据平台的数据进行分析，系统可以对电力系统中各个节点的电压、电流、频率等参数进行实时监测，并及时发现异常情况。
这使得电力系统运维人员能够实时掌握电力系统运行状态，提前发现和预防电网故障的发生。
其次，大数据分析在电力系统故障诊断和预测方面也具有巨大潜力。
通过对历史数据的深度学习和模式识别，大数据分析可以根据电力系统的运行特征，预测潜在的故障风险，并及时采取相应的措施进行修复。
此外，大数据分析还可以根据历史故障数据进行故障诊断，识别出电力系统中可能出现的故障类型，并给出相应的解决方案。
这大大提高了电力系统的故障处理效率和可靠性。
此外，大数据分析在电力负荷预测方面也具有不可忽视的作用。
通过对历史用电数据的分析和建模，大数据分析可以准确地预测未来一段时间内的电力负荷变化趋势，并为电力系统的调度和运营提供科学依据。
特别是当电力系统面临季节性负荷波动和突发事件时，大数据分析的应用可以更加准确地进行负荷预测，为电力系统的调度决策提供依据。
最后，在电力市场分析方面，大数据分析也发挥着重要作用。
电力市场的供需关系和价格波动直接影响电力系统的运行效率和经济效益。
通过对大量市场数据的采集和分析，大数据分析可以提供准确的电力市场供需预测，并为电力系统的运营决策提供可靠依据。
电力系统中的大数据分析在设备故障诊断中的应用研究
电力系统中的大数据分析在设备故障诊断中的应用研究随着信息技术的迅速发展，大数据分析在各个领域都得到广泛应用。
在电力系统中，大数据分析也起到重要作用，并且在设备故障诊断方面展现出巨大的潜力。
本文将从电力系统的大数据分析入手，探讨其在设备故障诊断中的应用研究。
第一部分：电力系统中的大数据分析电力系统是一个庞大的复杂系统，包括发电、输电、变电等多个环节。
各个环节涉及到众多的设备，如发电机、变压器、开关设备等。
这些设备在运行过程中可能会出现各种故障，导致电力系统的稳定性和可靠性下降。
为了提高电力系统的性能和可靠性，大数据分析技术应运而生。
大数据分析通过收集、存储和分析电力系统中的大量数据，提取出有价值的信息和规律。
通过对电力系统中的数据进行深入分析，可以发现设备故障的潜在问题，从而提前进行预防和维修，减少系统故障对供电的影响。
第二部分：大数据分析在设备故障诊断中的应用2.1 数据采集与存储在进行大数据分析之前，首先需要进行数据采集和存储。
电力系统中的数据主要包括实时测量数据、监控数据和历史故障数据等。
这些数据可以通过传感器、监测设备和监控系统等方式进行采集，并进行存储。
数据采集和存储的过程需要保证数据的准确性和完整性，以及数据的安全性和可靠性。
2.2 数据预处理与清洗由于电力系统中的数据量庞大且复杂，其中可能包含大量的噪声和异常数据。
因此，在进行数据分析之前，需要对原始数据进行预处理和清洗。
预处理和清洗的过程包括数据去重、数据补全、数据插值、异常值检测和纠正等。
通过预处理和清洗，可以提高数据的质量和可靠性，为后续的故障诊断提供准确的数据基础。
2.3 特征提取与选择在进行故障诊断之前，需要对数据进行特征提取和选择。
特征是指数据中具有区分性和代表性的属性或指标。
通过对数据进行特征提取，可以从中提取出与故障相关的特征指标。
特征选择则是从提取的特征中选择出最具有代表性和区分性的特征。
特征提取与选择的目的是为了减少数据维度，并提高故障诊断的准确性和效率。
电力系统大数据分析技术的研究与应用
电力系统大数据分析技术的研究与应用近年来，随着信息技术的快速发展，大数据分析技术逐渐应用到各个领域，其中电力系统也不例外。
电力系统是一个复杂的系统，王国平院士曾经说过：“电力系统是人类发明的最复杂的系统之一。
”而由于其重要性，准确地分析电力系统的运行状态和电力负荷变化，对于保障国家经济运行、社会安定以及人民群众生产生活有着深远的影响。
因此，电力系统大数据分析技术的研究与应用具有重要的现实意义和战略意义。
一、电力系统大数据分析技术的研究1、电力系统大数据的来源电力系统的大数据来源主要包括以下几类：第一类是传统的原始数据，包括电压、电流、功率等数据；第二类是用户数据，例如电量、电费计量等；第三类是辅助数据，包括天气、环境等数据；第四类是其他相关数据，例如降雨量、气温等。
2、电力系统大数据的特点电力系统大数据的特点主要包括以下几点：第一，数据量庞大、多样化；第二，数据来源广泛、涉及范围广；第三，数据具有时效性和实时性；第四，数据质量与数据的处理方法十分重要。
3、电力系统大数据的分析方法电力系统大数据的分析方法主要包括四类：第一类是数据挖掘方法，包括决策树分析、聚类分析等；第二类是机器学习方法，包括神经网络、支持向量机等；第三类是多维分析方法，例如主成分分析、因子分析等；第四类是传统统计学方法，例如数据可视化等。
二、电力系统大数据分析技术的应用1、负荷预测负荷预测是电力系统大数据分析技术的主要应用之一。
通过对历史负荷数据进行分析和挖掘，可以得出负荷变化的规律和趋势，准确预测未来的负荷变化趋势以实现优化调度。
2、输电线路故障检测输电线路故障是电力系统发生故障的主要原因之一，可以通过电力系统大数据的分析来进行检测和防止。
通过对输电线路的姿态、电压、电流等数据的分析，可以早期发现线路故障，保障电力运行的稳定性。
3、电力设备健康状况跟踪电力设备的健康状况是电力系统运行稳定的基础。
大数据分析技术可以通过对设备运行数据的分析、挖掘和监控，准确地判断设备的健康状态，实现设备的优化维护，确保电力系统的稳定运行。
电力系统大数据分析方法研究
电力系统大数据分析方法研究随着社会的快速发展，电力系统已成为现代社会中不可或缺的要素之一，而大数据技术的应用也正在逐步渗透到电力系统中。
如今，电力系统正适应着从传统的工业化时代向数字化时代的过渡，而大数据分析作为数字化时代的先锋，正在引领电力系统的转型升级。
在电力系统中，大数据分析有着广泛的应用，例如预测能源需求、诊断故障、提高能源效率等等。
本文将探讨电力系统大数据分析的方法。
1. 数据的获取和整理数据的获取和整理是电力系统大数据分析的基础，只有获得准确、充足、高质量的数据才能进行有效的分析。
在电力系统中，可以通过传感器、智能仪表、计量仪表等设备来获取数据。
然后，需要将获取的数据进行整理和清洗，排除脏数据、重复数据、不完整数据等问题。
数据量庞大、复杂度高是电力系统大数据分析的一大难点，需要下载和运用各种数据处理工具和算法，包括数据缩减、特征提取、数据聚类和分类等方法。
2. 数据挖掘数据挖掘是电力系统大数据分析中的重要领域，通过数据挖掘可以挖掘出在数据中潜藏的模式和规律。
传统的数据挖掘技术主要是基于统计学方法，如线性回归、决策树、朴素贝叶斯等方法。
不过，这些方法经常会产生大量误差，并且只能适用于一些特定的场合。
因此，目前电力系统大数据分析中更广泛使用的是机器学习方法，包括神经网络、支持向量机、随机森林、深度学习等，这些算法能够适应更加复杂和变化多端的数据模型，并且能够产生更为准确的结果。
3. 数据可视化数据可视化可以将分析结果进行直观的呈现，可以更容易地观察数据分布、趋势和规律，并且可以更好地进行分析和预测。
电力系统大数据分析的可视化手段主要包括绘制散点图、折线图、饼图、热力图等图表。
此外，数据可视化技术还可以通过三维可视化、地理信息系统等手段将数据进行更灵活的展示。
4. 应用案例电力系统大数据分析已经在实际应用中得到了验证。
以预测能源需求为例，一些国家在电力系统中采用了高度智能化的大数据分析技术来预测未来的能源需求。
电力行业的大数据分析研究
电力行业的大数据分析研究一、引言电力行业是国民经济的基础，也是关系到国家能源安全和民生福祉的重要行业。
近年来，随着信息技术的发展和应用，电力行业的数据规模不断增大，数据多元化、复杂化，如何进行大数据分析已经成为了电力行业进行信息化建设的重要议题，也是提高运营效率、降低生产成本和优化服务的必由之路。
本文将重点探讨电力行业的大数据分析研究。
二、电力行业大数据分析的现状（一）数据来源电力行业数据的来源主要有三个方面：供电企业内部数据、外部数据和第三方数据。
供电企业内部数据主要来自于其所拥有的电网设备和系统，包括供电电网、变电站、配电网、终端设备等。
外部数据主要是指供电企业所在的行业协会、政府部门等所提供的数据，包括行业统计数据、天气数据、价格数据等。
第三方数据主要是指各种社交媒体数据、门户网站数据等。
（二）数据管理电力企业要进行大数据分析，需要对数据进行管理。
数据管理包括数据收集、数据清洗、数据整合、数据存储、数据分析等一系列工作。
数据收集是指将数据从各个数据源中获取并导入到电力企业的数据仓库中。
数据清洗是指对数据进行筛选、过滤、去重、格式化等一系列工作，目的是确保数据的质量。
数据整合是指将多个数据源的数据整合成同一个数据源，并统一数据格式和数据命名方式。
数据存储是对数据仓库进行存储和管理，最常用的存储方式是关系型数据库和非关系型数据库。
数据分析是对数据进行实时或批处理，从中发现有价值的信息。
（三）数据分析电力行业的大数据分析主要有三个方面：预测分析、分类分析和关联分析。
预测分析主要是利用历史数据和趋势数据来预测未来的发展趋势。
分类分析主要是对数据进行分类，比如对客户进行分类，可以让企业更好地制定服务策略；对生产设备进行分类，可以提高设备故障率的预测准确度。
关联分析主要是对数据进行关联性分析，比如分析用电量与气温、湿度、光照等天气因素之间的关系，可以更好地掌握电力用量数据的变化趋势和预测用电负荷，为电力调度提供支持。
电力系统大数据分析与应用
电力系统大数据分析与应用一、电力系统大数据的概念随着信息技术的发展，电力系统也在向数字化、智能化方向快速发展。
电力系统中产生的大量数据不断增加，如何充分利用这些数据已经成为电力系统发展的重要方向之一。
电力系统大数据，指的是电力系统中来自各种设备、传感器、监测等信息来源，经过处理和分析后得到的大数据资源。
电力系统大数据具有海量、复杂、异构、不确定等特点。
二、电力系统大数据分析的意义电力系统大数据分析可以用于实现电力系统的智能化管理，包括设备监测、运行状态分析、故障预测等方面。
通过对数据的挖掘和分析，能够帮助运营人员更好地了解电力系统的运行状况，及时发现问题并处理，提高电力系统的可靠性和稳定性。
三、电力系统大数据分析的方法和工具电力系统大数据分析涉及到数据收集、数据预处理、数据分析等不同阶段。
在数据采集和处理环节，需要借助传感器、仪表等设备进行数据采集，使用数据清洗、处理技术将原始数据转换为可用数据；在分析阶段，需要运用数据挖掘、机器学习等技术对数据进行分析和建模，从而得出相应预测结果。
针对具体应用场景，电力系统大数据分析使用的工具和算法也各有不同。
例如，在传输和配电系统的故障预测场景下，可用神经网络算法进行分析；在变电站设备状态分析场景下，常用马尔可夫模型、支持向量机等算法。
四、电力系统大数据应用案例在实际应用中，电力系统大数据分析已经取得了很多成功的案例。
以国电南瑞集团为例，其应用电力系统大数据，实现了电厂各个环节的数据监测，包括发电机组、汽轮机、锅炉、电站水配等。
经过数据建模和分析，可以实时监测设备的运行状态和健康状况，及时发现并处理问题。
此外，还可以根据历史数据和运行情况，对未来设备状态进行预测和模拟，为设备维修和维护提供决策支持。
五、电力系统大数据分析的挑战和展望在电力系统大数据分析应用中，仍然存在着数据质量不高、数据来源、数据缺失等问题。
针对这些挑战，需要进一步完善数据采集和处理环节，以提高数据质量和数据可信度。
电力系统大数据分析及优化
电力系统大数据分析及优化电力系统是现代社会中不可或缺的基础设施，它的稳定性和安全性对于社会的正常运转至关重要。
随着计算机技术的飞速发展，电力系统大数据分析及优化成为了当下热门的话题之一。
本文将从以下几个方面探讨电力系统大数据分析及优化的相关内容。
一、电力系统大数据的来源电力系统涉及到的数据非常庞大，包括供电企业的基础数据、设备数据、供能数据、负荷数据、市场数据等等。
这些数据来源复杂，既包括数字化设备采集的自动化数据，也包括传统的纸质监测数据。
随着智能化技术的普及，智能传感器和智能电表等设备的应用使得大量自动采集的数字化数据得以实时传输到数据平台中。
这些数据的获取和处理对于电力系统的可靠性和稳定性有着重要的影响。
二、电力系统大数据分析的意义电力系统大数据的分析与挖掘可以帮助企业和行业精准决策，并推动电力系统的智能化建设。
通过基于大数据的分析和建模，可以实现对供电质量、电力市场、电力维护等方面进行更精准的预测和决策，从而优化电力系统的运行效率。
同时，对于电力系统的故障监测和预警也是非常重要的，电力系统大数据的分析可以为企业提供更早的故障预测和预警信息，保障电力系统的安全稳定运行。
三、电力系统大数据分析的应用电力系统大数据的分析应用包括但不限于以下几个方面：1. 可靠性分析：对电力系统的设备和供能质量进行分析，以提高电力系统的运行可靠性。
2. 负荷预测和优化：基于负荷历史数据和天气预测数据实现精准的负荷预测，以优化电力系统的供应计划。
3. 故障检测和提醒：通过对设备故障历史数据进行分析，实现设备的故障检测和提醒，提高电力系统的运行效率。
4. 电力质量分析：对电力系统的供能、负荷、设备等数据进行分析，实现对电力质量的监测和提高。
5. 市场分析：通过对电力市场数据的分析，为电力市场决策和供需平衡提供数据支持。
四、电力系统大数据优化电力系统大数据的优化包括两个方面：一是系统运行优化，二是运行管理优化。
系统运行优化：电力系统的运行优化包括负荷预测和优化、备用服务优化、调度计划的优化等方面。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
电力系统大数据平台的数据分析与研究
发表时间：2017-11-03T15:46:05.833Z 来源：《电力设备》2017年第18期作者：王英楠代东旭宋楠
[导读] 摘要：经过近年的发展，数据挖掘已经形成了很成熟的理论，应用也渗透到各个领域。
在最近多年来，随着计算机技术和网络技术的飞速发展，人们面临的数据量呈现指数增长，传统数据采集的方法和技术面临巨大困难，如何将来自于大量原始数据的重要内容从中挖掘出来，已经成为一个亟待解决的重要课题。
在电力行业，随着电力业务体系应用智能化、自动化技术的深入和普及，电力数据的数据分析、测试、仿真等应用需求与时俱增，数据挖掘技术
（国网辽宁省电力有限公司本溪供电公司辽宁本溪 117000）
摘要：经过近年的发展，数据挖掘已经形成了很成熟的理论，应用也渗透到各个领域。
在最近多年来，随着计算机技术和网络技术的飞速发展，人们面临的数据量呈现指数增长，传统数据采集的方法和技术面临巨大困难，如何将来自于大量原始数据的重要内容从中挖掘出来，已经成为一个亟待解决的重要课题。
在电力行业，随着电力业务体系应用智能化、自动化技术的深入和普及，电力数据的数据分析、测试、仿真等应用需求与时俱增，数据挖掘技术与大数据分析的结合已成为电力系统高效发展、稳定运行的有效智能保障。
关键字：信息大数据平台；数据分析
1、电力系统数据分析现状
近年来，全球能源市场发展迅速，全球电网规模日益增大，数据量也呈现爆发式增长。
于此同时，大数据技术也随之悄然发展，并进入了技术成熟的阶段。
与之相伴的深度机器学习甚至人工智能相关技术都得到了长足发展，整个大数据技术呈现蒸蒸日上的形式，并落地生根到了各行各业，电力行业也不例外。
随着大数据技术在电力行业得到应用，电力大数据的概念被提出，并开始被电力行业相关从业人员及科研人员开始研究。
随着智能电网的不断建成，电力系统的数据种类、数据量、数据复杂度都在爆发式增长，电力系统的数据存储管理已然面临具体挑战，对电力系统的数据的价值挖掘就更有大量技术研究工作有待开展。
目前的电力系统运行数据主要集中于各变电站、电网地放调度和电网省调中心中，其中电网省调中心存储的数据种类和数量都最多，并且能够通过访问地放调度数据，从而实现电网内部共享电力系统数据。
但目前的电网省调中心内部的监控运行系统，仅实现自身业务需求就以达到其性能瓶颈，对电力系统运行产生的数据一般只作存储记录和简单的统计工作，并不再对数据进行更深入的价值挖掘。
目前，如果电力系统的工作人员想对电力系统数据进行数据计算和分析，往往只能通过将数据导出至离线存储，再进行分析和计算。
2、电力系统信息大数据平台研究意义
随着我国制造业的快速发展，电力网络发展迅猛、规模庞大，大量电力系统运行设备所处地理环境分布广泛、环境恶劣，由此引发的各类故障、事故已严重威胁着电网、电力信息网络的安全运行。
根据大数据监测数据，对电力系统的区域性状况进行分析评估，充分挖掘监测数据的潜在规律，是电力系统安全防范的重要手段。
通过现代电力大数据技术，对监测数据进行科学有效的分析，可以为变电站及线路的清洗策略及新站点和线路选址提供科学的方案参考，从而提升电力系统安全运行能力，降低系统运行人力、物力、财力成本，为电力系统运行环境评估提供可靠的分析评估。
伴随着大数据技术的发展，大数据分析计算平台也被提出和研发，不同于传统的计算统计分析软件，大数据分析计算平台支持更多种类的数据输入、更复杂的数据分析算法，从而跳出传统的数据计算分析软件的局限，提供更强大的数据计算分析能力。
3、总体结构：
在架构设计上，平台采用松耦合架构设计，以元数据驱动各模块进行数据的处理。
满足海量多源异构数据的批量采集，实现数据批量离线存储和处理、内存计算等需求，采用体系化分布式并行处理框架，实现数据的高效和流程化处理。
平台实现多层架构松耦合：数据源层、数据采集层、存储与处理层、应用层。
平台分多个子系统并实现模块化，内部各层各模块间实现标准化的接口和集成模式，与外部系统集成在安全可控状态下采用开放式的集成接口。
分布式电力大数据分析计算平台总体功能模块可分为两个部分，分布式数据存储管理及计算模块和系统业务逻辑功能实现模块，模块也可以物理地分为平台前端模块和平台后端服务模块。
在后端模块中，包含了业务计算核心模块和业务支持模块及数据存储及访问管理模块。
在前端模块中，主要包括平台业务支持基础模块、计算核心业务模块和电力大数据定制分析计算支持模块。
在传统的电力监测数据分析中，需要处理的数据量很有限，而且这些数据是通过随机采样得到的，并不是全体数据或是较为完整的数据。
因此为了能够准确发掘出数据中隐含的信息，需要通过一整套严格的数学计算输出结果。
这包括了数据的统计归纳，样本分析，建立理论模型，多次验证等一系列步骤，需要时间很长，资源也很多。
但在电力设备状态监测数据急速增长的当下，传统的数据处理方式显然难以应对。
新时代的智能电力系统需要一种高效、快速的数据分析系统，为电力设备的可靠经济运行提供参考。
相关性分析是一种快速、简单的数据分析方法。
这种方法能够用较为简单的算法，在海量的数据中发掘出它们之间的相关关系。
相关性分析不仅计算环节简练，而且它的分析是基于数据驱动的，不会受到已有概念、模型的束缚，更容易发现新的信息。
4、信息大数据平台的关键技术
基于以上对面向大数据的电力设备状态监测、架构的分析，提出典型的大数据信息聚合方式的大数据分析系统。
该应用系统包括了数据的采集、传输、转化、存储、聚合、发布，是一个完整的电力监测釆集、分析、发布式的大数据分析体系。
现有的电力设备状态监测系统都是釆用设备的某一类信息来进行设备状态估计的，但在电力大数据时代，数据采集节点数量和种类都在快速的增加，状态监测系统的底层会连续不断上传多源、异构、巨量的数据。
如果还是依照传统的状态监测系统的数据处理方法，不但会使处理速度的大幅降低，还会导致设备状态判断的错误。
因此按数据的不同类别将状态监测量分成电气量、状态量、过程量三类，分类釆集是很有必要的。
三类传感器釆集三类数据首先在低层次的数据节点实现对原始数据的分类、预处理和数据级的数据融合。
经过预处理的三类数据和数据级聚合得到的信息通过数据传输网络，将初步处理的数据上传到通信控制器，完成数据的规约转化、介质转化、简单的特征提取和数据存储。
通信控制器再通过以太网等方式，将数据上传到信息聚合大数据平台，实现信息级的聚合和决策级的聚合。
5、结语：
智能电网及大数据技术的发展，本文提出了一种分布式电力大数据计算分析平台，旨在为新的电力系统数据中心提供一套完整的功能
强大的，集数据存储、数据安全访问管理、数据计算与分析功能于一体的软件系统平台，以全面满足新电力系统数据中心的所有数据相关存储及计算分析需求。
通过分析大数据和电力大数据发展的现状，介绍了电力大数据的主要特点和关键技术。
以目前电力设备状态监测遇到的困境为着手点，详细阐述了大数据在状态监测中的应用思路。
确定了以“预测”为首要目标，以相关性分析和信息聚合为主要方法的大数据分析，弱化数据监测精度，重视数据分析速度的电力设备状态监测方法。
针对目前电力设备状态监测的海量、多样的数据处理的问题展开研究，在多元信息聚合基本架构的基础上，提出了面向大数据的电力设备状态监测多维信息聚合方法架构。
各类原始数据首先经过数据预处理，完成数据清洗、数据变换和数据压缩。
预处理后的数据经过数据级的聚合，完成简单的二维关联，提取特征明显的特征量，并将它们保存在数据库中。
经过低级聚合以后的数据，在下一步中完成多维度的高级关联聚合，并结合信息辅助系统，提取深层次的特征向量。
在最终的决策级聚合中，通过对高级聚合以后的数据分类和识别，主要完成对设备的状态划分和状态评估，根据需求，给出决策。
根据电力设备状态监测数据多源、异构的特点，建立基于电力设备多种状态量的多维支持向量，通过对历史数据进行提炼，形成一个可以不断生长的电力设备状态支持向量集，通过对状态监测数据与支持向量集之间的相关性分析，实现对电力设备运行状态的评估与决策，取得了良好的效果。
参考文献：
[1]胡炎，董名垂，韩英铎．电力工业信息安全思考．电力系统自动化，2002：1～4
[2] 宋亚奇，周国亮，朱永利智能电网大数据处理技术现状与挑战电网技术：927-935
[3]冯剑红，谢汶．电力信息安全体系结构研究及安全策略．四川电力技术，2006，29（3）：59～62。