配电网中的大数据技术应用包括配电网中的噪声数据识别、配电网规划、负荷预测、故障诊断、智能配电等等,因此有效的将大数据技术运用在配电网运行中,既能满足用户的用电需求又能节约电能。根据电网公司采集的历史数据,本文主要研究配电网环境下的噪声数据识别、用电行为分析以及负荷预测等方面。通过查阅资料可知,单纯运用一项大数据技术很难达到良好的效果,传统的k-means聚类需要事先确定聚类个数,且随机选择初始聚类中心,本文提出了基于相关关系的k-means聚类;在用电行为分析方面,传统的聚类和分类方法在识别窃电用户上效果不佳,很难对用户用电行为做准确的划分,本文提出了基于k-means和DBSCAN的互补分析方法。本文研究的详细内容有以下几点:首先,本文采用基于相关关系的k-means聚类,能有效的将相关性高的数据分到一个聚类簇中,并通过聚类指标验证了提出算法的有效性,将处理后的数据集采用决策树的方法进行第二阶段的噪声数据识别,采用AUC验证了分类的准确率,将识别出的噪声数据剔除之后采用基于距离分布权重的KNN替补方法替换噪声数据。其次,本文采用基于k-means和DBSCAN的互补方法做用电行为分析,传统的k-means算法即使数据相关性不高,也会将所有的数据归入到聚类中,所以很难识别离群数据,本文将DBSCAN算法与k-means相结合,能够根据用电行为划分数据簇,从而合理的分配电能。最后,本文结合聚类算法,采用Elman神经网络进行负荷预测,采用平滑函数和聚类的方法清洗数据,并通过RMSE及相关指标验证了本文提出方法的有效性。