随着智能电网建设的不断发展,现代电力系统的规模日趋庞大,各采集系统获取的电力数据具有数据量大、类型多样、资源融合程度低等特点。如何对海量电力数据挖掘分析并实现电力数据可视化对于电力系统安全稳定运行具有重要意义。计算机技术在电力系统的成熟应用,可实现以图形图像资源容纳具有大信息量的电力数据,为电力大数据可视化提供了理论支撑。为此,本文以电力大数据为研究对象,在Hadoop平台下对电力大数据进行异常用电行为检测和用电负荷预测,实现了电力大数据可视化。本文主要完成了以下工作。1.结合电力数据的海量多源特点,对电力大数据可视化进行了需求分析,设计了基于Hadoop的电力大数据可视化整体架构,并对涉及到的关键技术进行了简单的阐述。2.提出一种用户日常用电行为异常检测方法,通过对用电数据进行特征方案提取,结合重大犯罪行为的用电特征规律,分析异常用电行为特征,根据预警判决条件确定异常用电用户。利用Hadoop平台中的MapReduce进行并行化计算,并将计算结果与地理信息相结合,实现基于地理信息的异常用电行为可视化。3.提出一种基于FCM的小波神经网络用电负荷预测方法,通过FCM聚类方法对电力用户进行个性化分类,利用小波神经网络对分类后的数据进行负荷预测,并在分布式平台上并行化实现,最终将负荷预测的并行化计算结果可视化。对比常用的负荷数据时序预测方法,本方法在预测准确率上有明显提升。最后,通过搭建Hadoop大数据实验平台,对本文所提异常用电行为检测和用电负荷预测方法的实验结果进行Echarts可视化展示,并对大数据集群性能进行测试分析。实验结果表明,所研究基于Hadoop的电力大数据可视化能够满足实际应用需求。