智能电网的核心技术与应用是电力能量流与信息通信技术的深度结合。随着信息技术高速发展,建设成本大幅降低,导致电网公司数据库内的电力基础数据爆炸性增长,这些数据蕴含着巨大价值,目前,国内外均通过大数据挖掘技术开展了不同程度的智能配用电领域数据研究,期望为建设经济、可靠的智能电网提供支撑。基于配用电大数据的用电行业分类和用电量需求预测建模分析,主要是通过挖掘与分析地区电力客户的用电模式掌控用电群体构成及其用电特性,识别影响用电量的关键因素,对不同行业的用电量进行预测,从而实现客户的精细化管理,提供优质的用电服务。对用电行业进行准确分类是实现客户用电模式识别的重要基础。但是由于对各种影响因素的敏感度不同,导致业务范围相同的企业用电模式也可能不同,所以传统的行业分类方法不能有效地区分不同的用电模式。第二章中通过大数据挖掘方式对东莞地2008年至2015年的各行业用电量数据进行分析,筛选出用电量占比较高30个用电行业,然后采取K均值方法进行聚类分析,依据两个标准对关键用电行业进行选择:第一,该类行业的用电量在全社会总用电量中所占的比例较大;第二,该类行业的用电量波动对全社会总用电量波动的影响较大。最后得到用电量占比最高的10个主要行业,这些行业的用电量达到全社会用电量的80%左右。第三章中通过分类别分尺度寻找预测精度较高、拟合优度较高的预测模型。在对比预测模型的拟合、预测结果的基础上进行筛选,发现不同模型对不同时间段的预测效果,例如受季节性波动影响比较明显的数据不能在灰色系统模型上进行拟合;而样本总量不足和较差质量的数据会导致神经网络模型不能达到满意的精度,所以在进行行业用电量月数据的预算时采用Box-Jenkins模型(ARIMA)就比较合适,而对于年度用电数据或经济类型数据中误差和波动点往往不是行业用电本身的特性造成的,所以对年度数据的预测使用灰色系统模型误差较小。最后尝试了加入相关经济变量,通过将经济变量代入模型可以看出随着与用电相关的经济变量的逐渐加入,预测精度可以得到显著提高。