大数据背景下电力需求侧管理的应用策略研究

刘　俊，罗　凡，刘人境，徐　辉，严　杰（.国网甘肃省电力公司，兰州　730050；.西安交通大学管理学院，西安　70049）



大数据背景下电力需求侧管理的应用策略研究

刘俊1，罗凡1，刘人境2，徐辉1，严杰2
（1.国网甘肃省电力公司，兰州730050；2.西安交通大学管理学院，西安710049）

摘要：通过分析我国需求侧管理的发展现状，结合大数据的发展形势，研究了大数据背景下我国电力需求侧管理的发展方向和具体应用策略。研究发现，在新电改和大数据的推动下，我国需求侧管理将从以行政手段为主的有序用电模式向以经济手段为主的需求侧响应模式转变，转变后的需求侧管理包括3方面的内容：基于价格的需求侧响应，主要用于常态化的负荷管理；有序用电，主要用于解决季节性、时段性以及突发情况下的电力供需矛盾；能效管理，主要用于提高终端的用电效率，实施节能减排。最后，针对转型后的需求侧管理内容，提出了大数据背景下电力需求侧管理的具体应用策略，为未来我国开展需求侧管理工作提供参考。

关键词：大数据；电力需求侧管理；有序用电；需求侧响应；能效管理；数据挖掘

20世纪90年代，我国为了应对电力供需矛盾，引入了电力需求侧管理。电力需求侧管理（demand side management，DSM）作为电力管理的一种重要手段，最早起源于美国，近几十年来被广泛应用于世界各国的电力市场，并取得了较好的效果［1］。电力需求侧管理引入我国之后，受到了我国相关部门的高度重视，制定了包括《节约用电管理办法》、《电力需求侧管理办法》、《有序用电管理办法》等在内的一系列措施，极大地推动了电力需求侧管理在我国的发展和应用。尽管电力需求侧管理在我国得到了较好的应用，但仍然存在一些问题，其中我国电力需求侧管理仍然停留在以行政手段为主的初级阶段尤为明显，而有序用电是最直接的表现形式。导致这个问题的原因一方面是电力市场还不健全，各种电价机制不够灵活；另一方面是缺乏用户用电模式分析，因而难以为经济手段的实施提供依据。中发［2015］9号文《关于进一步深化电力体制改革的若干意见》为解决电价问题提供了思路，而如何开展用户用电模式分析成为了目前一个亟待解决的问题。

近年来，信息技术快速发展，各个领域都不可避免的进入到了“大数据时代”［2］，中国电力工业也概莫能外［3］。随着信息化SG186和SG⁃ERP工程建设，电网公司已经建成一体化信息平台，电网业务数据从总量和种类上都已初具规模。其中，在用电环节，以用电信息采集系统和营销业务应用系统为主的信息化系统已经积累了大量的数据资源，尤其是随着智能电能表在电力用户中逐步普及，电网业务数据将在时效性层面进一步丰富和扩展［4］。因此，海量的数据资源已经可以为用户用电模式研究提供帮助，从而推动电力需求侧管理的发展。面向电力需求侧管理的大数据应用，不仅仅是电力需求侧管理在技术上的进步，更是在发展理念、管理体制和技术路线等方面的重大变革，能够为未来智能用电的广泛推广和应用奠定坚实的基础［5］。因此，结合新电改，研究大数据背景下电力需求侧管理的应用策略不仅可以推动电力需求侧管理的发展，还可以推动智能电网的建设，因而具有重要的理论价值和现实意义。

1相关概念

1.1电力需求侧管理概述

电力需求侧管理属于较为常见和通用的概念，国际范围存在其概念的多重表述，尚未形成统一的定义，但其实质上的理念趋于统一［6，7］，即节约电力和电量。因此，国际范围通常将电力需求侧管理的内容概括为负荷管理和能效管理2个方面［8，9］。

自中国引入电力需求侧管理以来，其发展历程大致经历了3个阶段，第一阶段是起步学习阶段，大致在1992—2000年期间，主要是开展大量的电力需求侧管理宣传和培训工作；第二阶段是应用探索阶段，大致是在2000—2005年期间，主要是逐步制定相关政策、加大项目投入等；第三阶段是深化发展阶段，大致是从2005年至今，主要开展电力需求侧管理组织体系建设，开展相关基础性研究，出台电力需求侧管理办法等。近年来，各个省网公司主要围绕有序用电开展电力需求侧管理工作，尤其是在沿海发达地区，有序用电应用更为广泛，是解决电力供需矛盾的主要手段。因此，可以认为，有序用电是具有中国特色的电力需求侧管理形式，这也是国内很多学者认为电力需求侧管理主要内容包括负荷管理、有序用电、能效管理的原因所在［1，10］。

1.2电力大数据概述

“大数据”概念源于20世纪90年代，最初只是对一些在一定时间内无法用传统方法进行抓取、管理和处理的数据的统称［11］。目前，对于大数据，业界虽然有一些共识，但仍未形成一个公认的定义。麦肯锡认为，大数据是指无法在一定时间内用传统数据库软件工具对其内容进行抓取、管理和处理的数据集合［12］；Gartner认为，大数据是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。尽管大数据的定义尚未统一，但是对于大数据的特征，业界已基本达成共识，即大数据具有数据体量大、数据类型多、处理速度快和价值密度低等4个特征［13］。

电力大数据是大数据在电力行业的延伸和拓展。中国电机工程学会2013年发布了《中国电力大数据发展白皮书》，该白皮书并未给出电力大数据的确切定义，但指出电力大数据不仅仅是技术进步，更是涉及整个电力系统在大数据时代下发展理念、管理体制和技术路线等方面的重大变革［14］。毋庸置疑，中国电力工业的大数据时代已经到来了［15］，然而同样面临着大数据时代的通病，即“数据海量，信息缺乏”［16］。虽然电力行业已经产生了海量数据，但大多数仅仅实现了数据存储、查询、统计等最基本层次的功能，尚未深入挖掘出隐藏在海量数据背后潜在的价值［17，18］。因此，加大电力大数据的挖掘与分析是当前电网企业面临的重大挑战。

2大数据背景下我国电力需求侧管理转型分析

电力需求侧管理的本质是改变用户的用电方式和用电行为，分别对应负荷管理和能效管理［19］，因此负荷管理和能效管理都属于电力需求侧管理的范畴，并且是并列关系。由于我国电力需求侧管理的主要任务是解决电力供需矛盾，因此大部分情况下所提及的电力需求侧管理的实质上是指负荷管理，而较少涉及到能效管理。本文研究中，电力需求侧管理转型的本质也是负荷管理的转型，因此本文将重点关注，而能效管理的本质没有发生变化，但是能效管理的作用在未来将进一步放大，本文也将对如何开展大数据背景下的能效管理进行阐述。

2.1电力需求侧管理、负荷管理、有序用电以及需求侧响应的关系分析

2011年我国印发了《有序用电管理办法》，将有序用电定义为：在电力供应不足、突发事件等情况下，通过行政措施、经济手段、技术方法，依法控制部分用电需求，维护供用电秩序平稳的管理工作［20］。有序用电着重关注电力供需矛盾突出的情况下，如何采用以行政手段为主的方式改变用户的用电方式，因此有序用电属于负荷管理范畴，也属于电力需求侧管理范畴。需要指出的是，有序用电是我国根据实际发展需求而提出来的，因而有序用电是具有我国特色的电力需求侧管理形式。

需求侧响应是运用系统可靠性程序或基于市场的价格来影响需求的时间和水平。刘宝华（2005）指出需求侧管理和需求侧响应之间有一定的相关和重叠，但两者侧重点却不同。需求侧响应重在运用市场价格去影响需求的时间和水平，而需求侧管理重在采用市场价格手段以外更为广泛的手段，随着市场机制的不断完善，需求侧管理将向需求侧响应转型。然而，其他学者提出了不同观点，即需求侧管理与需求侧响应不是并列关系而是包含关系，即需求侧响应属于需求侧管理的范畴［19］。卢键明（2010）指出电力需求侧管理在不同市场阶段的表现形式不同。在电力市场化改革的初级阶段，需求侧管理主要以行政手段为主，但随着电力市场改革的不断深化，需求侧管理将更多依靠市场的价格杠杆作用，而最终形式就是电力市场成熟国家中普遍实行的需求侧响应模式［21］。本文赞同第二种观点，因为需求侧管理的定义中已经指出，需求侧管理可以采用行政、经济、技术、宣传等手段，而并不是第一种观点中提出的，需求侧管理重在采用市场价格以外的手段。因此，可以得出需求侧响应属于负荷管理的范畴，同时也属于需求侧管理范畴。

综上所述，本文将需求侧管理、负荷管理、有序用电和需求侧响应的关系归纳为如图1所示，负荷管理属于需求侧管理的范畴，而有序用电和需求侧响应是负荷管理的具体表现形式，因此本质上也都属于需求侧管理的范畴，是电力需求侧管理作用于不同市场化阶段的表现形式。有序用电是我国电力需求侧管理初级阶段的主要表现形式，需求侧响应是我国电力需求侧管理高级阶段的主要表现形式，需求侧响应与有序用电之间存在阶段性、连续性和发展性。同时，有序用电和需求侧响应都会采用需求侧管理中常用的行政手段和经济手段，但是侧重点却不同。有序用电主要以行政手段为主，经济手段为辅，而需求侧响应主要是以经济手段为主，行政手段为辅。

图1需求侧管理、负荷管理、有序用电、需求侧响应的关系

2.2大数据背景下我国电力需求侧管理转型的要点分析

电改9号文为解决目前电力市场不健全问题提供了思路，而大数据为电力用户用电模式分析提供了途径。因此，在新电改和大数据背景下，我国的需求侧管理将从以行政手段为主的有序用电模式向以经济手段为主的需求侧响应模式转型。但是为了应对突发情况，需求侧管理中还需要包括有序用电。因此，结合我国的需求侧管理的发展情况，转型后的需求侧管理包括3个方面的内容：基于价格的需求侧响应、有序用电以及能效管理。基于价格的需求侧响应将作为一种常态化的负荷管理手段，主要采用分时电价、实时电价等经济手段引导用户调整用电方式，从而拉平、拉高负荷。而有序用电作为一种应急的负荷管理手段，在电力尖峰时段或者突发情况下，采用行政手段强制引导用户移峰、避峰、拉闸限电。能效管理的本质没有发生变化，主要作用仍然是提高终端用电效率。

需要注意的是，我国电力尖峰时段的电力供需情况因地区有所差异，在沿海发达地区，如：广州、江苏等地尖峰时段电力供应不足，呈现供不应求的状态，但是在中西部地区，如：甘肃、陕西等，电力相对富余，呈现供过于求的状态。由于我国需求侧管理一直以来都是以有序用电为主要表现形式，因此对于一些电力富余的地区往往忽略了需求侧管理的重要价值。比如：国网甘肃省电力公司虽然制定了有序用电方案，但是几乎没有实施过。然而，在节能减排的新时代下，需求侧管理也将在节能方面扮演重要角色。对于电力富余的地方，开展需求侧管理也可以拉平、拉高负荷，从而实现节能。因此，在新形势下，无论电力供需情况如何，各个地区都需要开展基于价格的需求侧响应、有序用电。然而，不同地区开展需求侧管理相关工作的作用稍有不同，其中的差别如表1所示。在尖峰时段电力供不应求的地区，一方面利用经济手段实施基于价格的需求侧响应，将负荷管理作为常态化的工作开展，将负荷拉平、拉高，节约电力。同时，制定有序用电方案，解决季节性、时段性电力供需矛盾。此外，还需要开展能效管理，减少能源消耗。而在电力供过于求的地区，尽管不会出现季节性、时段性的电力供需矛盾，但是总体负荷也会呈现起伏，也会有波峰和波谷。开展基于价格的需求侧响应也可以拉平、拉高负荷曲线，有利于节约电力，实现节能。同时，制定有序用电方案可以防止突发事件发生而产生的电力供需矛盾。此外，尽管该类型地区电力富余，但是也必须注重节能减排，减少资源的消耗，因此也应该加强能效管理，节约电量。

表1各个地区对应的需求侧管类型和作用

2.3大数据背景下我国电力需求侧管理转型的基本框架构建

通过上文分析可以得出，目前我国需求侧管理的内容包括，负荷管理、有序用电和能效管理，未来我国需求侧管理的内容包括基于价格的需求侧响应、有序用电和能效管理。而推动需求侧管理转型的关键驱动是新电改和大数据分析，基于此，本文构建了大数据背景下需求侧管理转型的基本框架，如图2所示。

图2电力需求侧管理转型的基本框架

基于价格的需求侧响应的主要内容包括基于大数据挖掘用户用电模式、基于成本分摊模型制定峰谷电价、基于峰谷隶属度确定峰谷时段等。有序用电的主要内容包括基于大数据短期负荷预测、基于大数据挖掘有序用电参与用户的可错避峰时段及容量、基于模糊综合评价模型评估用户价值等。能效管理的主要内容包括，基于大数据开展用户节能潜力分析和用户节能水平评估。

开展电力需求侧管理的关键在于大数据分析。大数据分析的基本步骤是，首先进行多源异构数据的集成和预处理，其次是选择适合的算法开展数据分析工作，最后是数据的解释。其中，电力大数据主要来源于电网企业量测数据、电网企业运营数据以及电网企业外部数据；数据分析的方法主要是传统的数据挖掘、机器学习等算法，具体包括分类算法、聚类算法、预测算法以及关联分析算法等，但是在具体应用方面还需要进行一定的改进，从而适应大数据分析的需求。此外，相比于传统的数据分析，大数据分析的核心在于构建云计算平台，实现文件的分布式存储和分布式计算。目前，实践证明Hadoop云计算框架具有良好的通用性和稳定性，而且已经被包括FaceBook、阿里巴巴、中国移动等大公司所采用。

3大数据背景下我国电力需求侧管理的具体应用策略分析

3.1基于大数据的需求侧响应策略分析

由于电网公司在需求侧缺少足够的用电信息，一直以来我国的需求侧管理都偏向以行政手段为主的有序用电，损害了用户的经济性。而需求侧响应是以经济手段为主的电力需求侧管理形式，更加注重用户响应，可以体现电力用户的参与意向和经济性。因为不同电力用户的用电模式不尽相同，因此需求侧响应策略也应该具有差异性。制定需求侧响应策略需要根据用户的用电模式推荐相应的电价，从而方可有效的引导用户参与需求侧响应。因此，大数据背景下，通过深入挖掘用户的负荷特性，可动态掌握用户的用电规律，并制定相适应的电价机制，从而辅助需求侧响应的制定和实施。需要说明的是，基于价格的需求侧响应主要有3种电价机制，分别是分时电价、实时电价和尖峰电价。采用何种电价机制是与当前电力市场的发展阶段密不可分的［23］，考虑到目前我国电力市场仍处于初级阶段，因此本文主要基于峰谷分时电价研究需求侧响应策略。

本文认为大数据背景下实施需求侧响应主要包括3个方面的内容，如图3所示，分别是基于大数据的用户细分、确定峰谷电价以及确定峰谷时段。

基于大数据的用户细分：基于电力用户96个时点的负荷数据，结合对用户用电特性一级用电成本的分析［22］，运用负荷指标动态聚类以及负荷曲线形状模糊聚类相结合的方法，将用户进行合理分类，并对分类结果进行分析以确定不同分时电价的执行范围。

确定峰谷电价：基于第一步得到的用户分类结果，建立以边际成本分摊为基础的峰谷电价定价模型，从而确定不同类型分时电价的峰谷平电价水平。

图3需求侧响应方案制定流程

确定峰谷时段：基于各类用户96时点的负荷数据，采用模糊半梯度隶属度函数，从负荷曲线上各点分别处于峰时段和谷时段的可能性入手，构建一种含有用户对峰谷分时电价响应度分析的模型，并采用聚类模型进行聚类，最终求得最优化的峰谷时段划分结果。

3.2基于大数据的精细化有序用电策略分析

我国的电力负荷特性正在发生巨大变化，各省电网公司在开展电力电量平衡时，频频出现电量能够平衡，而电力缺口难以弥补的现象，因此目前的电网缺电问题已经不是传统的电量性缺电，而是负荷性缺电。然而，一年中的峰值用电时间一般都比较短暂，一般是一年中某些季节的某些天才可能会出现，因而单纯地依靠扩大投资规模、增加装机容量来弥补峰值缺电，必将会由于相关电力设备利用率不足而导致供电成本上升。因此，有效地组织电力用户参与到错峰、避峰、限电拉闸等有序用电工作是在尖峰时段或者突发情况下均衡负荷、消纳电力供需缺口、提高电网运行经济性的关键。传统的有序用电管理较为粗放，对用户的选择存在主观性，有失合理与公正，并且制定用户有序用电的错避峰方式及错避峰量均缺少科学的依据。在大数据背景下，可以充分利用已有的海量数据，结合数据挖掘算法，对用户用电行为进行深度挖掘，从而针对不同类型的电力用户可以提出不同的有序用电方案。

本文认为实施大数据背景下的有序用电工作应包括3个方面的内容，如图4所示，分别是基于大数据的短期负荷预测、基于大数据挖掘用户的可错避峰时段和容量以及评估电力用户的综合价值。

基于大数据的短期负荷预测，短期负荷预测是电力缺口等级判断的依据，是有序用电工作开展的前提，具有重要的指导作用。基于历史负荷数据，采用大数据分析技术分析影响电力负荷的主要因素，构建基于人工智能算法的短期负荷预测模型，提高短期负荷预测的准确性和稳定性。

图4有序用电方案制定流程

基于大数据挖掘用户的可错避峰时段和容量：在类属维度上采用二次聚类确定参与用户的参与时段，即首先采用K⁃means算法，基于平均负荷、负荷率及峰谷比等指标进行粗略聚类，然后基于用户负荷特征曲线采用模糊均值算法进行二次聚类，从而将电力用户进行细分，最后根据用户细分结果识别用户参与错避峰的时段。在时间维度上，基于用户负荷特征曲线，对参与用户分别进行聚类，进而识别出参与用户一年内的不同用电模式，最后根据参与用户的不同用电模式识别用户在具体时段内可参与错避峰的容量。

用户价值综合评估：用户价值综合评估是为了确定参与有序用电用户的优先次序表，主要考虑客户用电价值和客户适用度2个方面，建立模糊综合评价模型。客户用电价值包括客户的社会贡献、客户的用电信用和客户的用电潜力等方面；客户适用度包括客户典型负荷形态相似度和客户意愿度水平等方面。

总的来说，基于大数据的精细化有序用电管理流程是：首先通过短期负荷预测模型对电网负荷进行预测，确定实际的电力缺口；其次，通过数据挖掘确定所有参与用户的可错避峰时段及可错避峰容量；然后，采用用户综合价值评估模型，制定参与用户的优先次序表；最后，基于前3个步骤的结果，编制更为科学和精细化的有序用电方案。

3.3基于大数据的能效管理策略分析

电力需求侧管理中的能效管理是指采用措施引导电力用户采用能够提高能效的技术和设备以提高终端用电效率，从而获得效益。而提高终端用电效率是对用电设备进行节电技术改造，在满足多元化服务的同时，节约用电、减少用电量消耗，具体包括对照明、空调、电冰箱、电动机、变配电等用电设备的技术改进和科学管理，从而达到减少电量的目的。因此，评估电力用户的节能潜力和节能水平就是要发现电力用户的哪些用电设备具有技术改造的潜力以及潜力的大小。

目前，电网中的智能电能表逐步普及，智能电能表以电力用户的总进线为界限，对于用户的总负荷监控和实现有序用电方面发挥了一定作用，但其监测范围未能深入电力用户内部，无法开展与电力设备之间的有效信息互动，更谈不上向用户提供能效分析和合理用电建议，从而制约了能效管理的推进。但是，目前一些智能小区用户家中配备了智能插座。智能插座能够采集到具体用电设备的用电情况，并发送给监控终端，然后在智能监控终端显示，用户可以清楚的了解到自家的用电结构，从而有利于发现哪些设备具有技术改造的潜力。类似于智能插座的智能设备是以后开展能效管理的重要基础。因此，当务之急是大力发展和推广这种设备，从而推动能效管理的发展。

本文认为大数据背景下开展能效分析的原理非常简单，主要包括2个步骤：收集用电设备能耗信息和能耗信息的对比分析。

收集用电设备的能耗信息：通常可以根据不同的需求灵活地设置工作点参数，从而生成不同时段下用电设备的能耗报表和能耗曲线［24］，比如：设备单耗、生产线单耗以及班组单耗等。同时，对于大型设备，收集能耗信息可以采用“一个设备一个电能表”的形式，而对于普通居民的用电设备，可采用智能插座，同时监测多个设备的能耗信息。

能耗信息对比分析：通常需要把具体用电设备的能耗信息进行统计，然后与国际、国内标准进行同期对比、横向对比，纵向对比，并与第三方评估机构提供的行业能效标杆值进行对比，从而确定该设备是否具有节能潜力，以及潜力大小。

4结束语

电力大数据作为一种新兴的技术手段和管理理念，虽处在发展的初级阶段，但已经展示出了巨大能量。因此，研究大数据背景下我国电力需求侧管理的具体应用策略，一方面有利于加快大数据在电力行业中的应用，促进电力行业的转型升级；另一方面可以推动电力需求侧管理的发展，尤其是为未来需求侧响应的具体实施提供路径和指导。因此，电力大数据在电力需求侧管理中的应用策略方面，还有许多问题有待进一步的理论研究和实践探索。

参考文献：

［1］曾鸣.电力需求侧管理［M］.北京：中国电力出版社，2001.

［2］杨楠，黄镜宇，高丽芳.大数据时代对电力行业的影响和发展前景［C］∥电力行业信息化优秀论文集2014——2014年全国电力行业两化融合推进会暨全国电力企业信息化大会获奖论文，2014.

［3］张沛.电力大数据应用现状及前景［J］.电气时代，2014 （12）：14.

［4］段军红，张乃丹，赵博，等.电力大数据基础体系架构与应用研究［J］.电力信息与通信技术，2015（2）：92-95.

［5］王健，宋述停，兰俊美，等.电力需求侧大数据应用模型的建立［J］.电力与能源，2014（3）：283-286.

［6］Gellings C W. The concept of demand⁃side management for electric utilities［J］. Proceedings of the IEEE，1985，73（10）：1 468-1 470.

［7］胡兆光.需求侧管理理论体系初探［J］.电力需求侧管理，2008（3）：8-11.

［8］Strbac G. Demand side management：Benefits and challenges ［J］.Energypolicy，2008，36（12）：4419-4426.

［9］Gellings C W，Chamberlin J H. Demand⁃side management：concepts and methods［M］. Tulsa，OK，USA：Pennwell Book，1987.

［10］王梅霖.电力需求侧管理研究［D］.北京：北京交通大学，2011.

［11］孟小峰，慈祥.大数据管理：概念、技术与挑战［J］.计算机研究与发展，2013（1）：146-169.

［12］McKinsey Global Institute. Big data：the next frontier for innovation，competition，and productivity［R］. America，2011.

［13］World Economic Forum. Big data，big impact：new possibilities for international development［R］. Geneva Switzerland，2012.

［14］中国电力大数据发展白皮书［M］.北京：中国电力出版社，2013

［15］张沛，杨华飞，许元斌.电力大数据及其在电网公司的应用［J］.中国电机工程学报，2014（S1）：85-92.

［16］闫龙川，李雅西，李斌臣，等.电力大数据面临的机遇与挑战［J］.电力信息化，2013（4）：1-4.

［17］陈超，张顺仕，尚守卫，等.大数据背景下电力行业数据应用研究［J］.现代电子技术，2013（24）：8-11，14.

［18］唐瑞伟.电力大数据应用现状及发展前景［C］∥电力行业信息化优秀论文集2014——2014年全国电力行业两化融合推进会暨全国电力企业信息化大会获奖论文，2014：7.

［19］刘宝华，王冬容，曾鸣.从需求侧管理到需求侧响应［J］.电力需求侧管理，2005（5）：10-13.

［20］《有序用电管理办法》［J］.大众用电，2011（6）：17-18.

［21］卢键明.我国电力需求侧响应的模型方法及实施模式研究［D］.北京：华北电力大学，2010.

［22］王雷.基于数据挖掘的电力行业客户细分模型研究［D］.上海：上海交通大学，2007.

［23］曾梦妤.分类用户峰谷电价研究［D］.北京：华北电力大学，2006.

［24］王世超.电力需求侧管理数据采集与处理的研究［D］.秦皇岛：燕山大学，2012.

Study on application strategies of demand⁃side management under big data background

LIU Jun1，LUO Fan1，LIU Ren⁃jing2，XU Hui1，YAN Jie2
（1. Gansu Electric Power Company，Lanzhou 730050，China；2. School of Management，Xi’an Jiaotong University，Xi’an 710049，China）

Abstract：By analyzing the current development situation of demand⁃side management in china，combining with the recent de⁃velopmentof big data，we study the developing direction and specif⁃ic application strategies of demand⁃side management under the big data background. The study found that China's demand⁃side man⁃agement will be transformed by orderly power utilization，which mainly depends on administrative means，to demand response，which mainly depends on economic means. And in the future，the demand⁃side management will consist of three aspects：price⁃based demand response，which main used for the normal load manage⁃ment；orderly power utilization，which mainly used to solvethe con⁃tradiction between supply and demand of electric power caused by season，time or emergency；energy management，which is mainly used to carry out energy conservation. Finally，we put forward spe⁃cific application strategies of big data in future demand⁃side man⁃agement，which will be providing reference and guidance for the further development of demand⁃side management.

Key words：big data；demand⁃side management；orderly power utilization；demand response；energy efficiency management；data mining

中图分类号：TM73；F123.9

文献标志码：A

文章编号：1009-1831（2016）02-0005-06

DOI：10.3969/j.issn.1009-1831.2016.02.002

收稿日期：2015-11-18；修回日期：2016-01-06

基金项目：国网管理咨询项目（大数据背景下电网企业需求侧管理转型及适应“云计算”模式的技术策略研究81270014016H）

作者简介：刘峻（1972），男，甘肃兰州人，硕士，教授级高工，从事电网相关政策研究；罗凡（1974），女，重庆人，高级经济师，从事能效管理、电动汽车和分布式电源管理相关研究；刘人境（1966），男，新疆乌鲁木齐人，教授，博士生导师，主要从事企业管理、电力大数据相关研究；徐辉（1970），男，陕西富平人，高级工程师，主要从事企业管理相关研究；严杰（1990），男，四川遂宁人，博士研究生，主要从事电力大数据挖掘研究。