目前,新能源技术革命方兴未艾,电网的智能化成了各方关注的热点,如何通过智能电网实现智能、经济、优化和节能的调度,如何在开放的电力信息网络保障信息安全成了研究的重点。由于电网的日益庞大,随之而来的是大数据的管理,信息提取以及数据挖掘。本文主要从智能电网的特点入手,针对富士通研究所提供的电网数据,对智能电网问题展开研究。本文从以下四个方面对智能电网数据进行研究：(1)智能电网数据分类模型的设计；(2)利用关联规则挖掘分析电网数据各个因素之间存在的关系；(3)根据历史数据对智能电网进行短期预测；(4)对集团内部进行供电优化。具体工作如下：智能电网高维时间序列监控从本质看是分类问题,因此对分类准确率和分类实时性要求较高,传统的分类模型由于其内部机制没有针对实时性进行设计,所以很难应用到此问题中。本文中本文提出一种基于增量式学习的智能电网实时分类模型。首先利用滑动窗口将动态数据划分成静态数据块,并且每个数据块中包含m条记录。本文将此数据集大体上分为两个部分,即训练集和测试集。训练集由w=m*n个样本组成,剩下的数据集为测试集。需要注意的是,由于本文所使用的电网数据没有标签,本文只能使用k-means算法给出标签。智能电网数据包含多个属性,尽管各个属性从表面看是独立的,但由于存在于电网大背景中,因此各个属性之间必然存在潜在的关系。本文首先采用离散的方法将智能电网数据中各维数据离散化,并且根据实际经验评估降水量、风向、风速、日照时间和气温对电力负载影响大小,最终给出以上五种影响因素的权重,从而对未来的多因素负荷预测打下基础。由于电网供电受到供求关系、天气状况、发电水平等因素的影响,传统预测方法往往使用人工经验或者是基于规则进行预测,预测效果不如人意。本项目使用基于学习的预测方法,将电网中历史数据进行有效利用,通过对历史数据的学习,提取出关键知识,构成预测模型。模型可以有效的预测短期电力负载情况,并根据时段进行描述,通过实验可以看到与真实数据相比,预测数据可以很好的拟合真实数据。集团内部供电方案优化需要考虑多个因素,因此优化的过程实际上就是多个因素兼顾的过程,使得优化方案既能满足实际需要,又能有效的利用电能。本文所使用的方法是首先将可能的优化方案形成一个方案空间,进而使用迭代方法,从空间中过滤掉不满足要求的方案,最终剩下的唯一方案作为最优化方案输出。此方法充分考虑到各个因素的影响,因此只要过滤条件设置得当,所输出的方案必然为最优。另外本文利用模拟退火算法,建立数学模型,即在有限的时间内,尽可能高速有效的得到每个公司应该被分配的工作时间长度。