1. 法国电力公司EDF：
背景：
目前全法已经安装3500万智能电表，电表产生的数据量将在5-10年内达到PB级。智能电表采集的主要是个体家庭的用电负荷数据。以每个电表每10分钟抄表一次计算，3500万智能电表每年产生1.8万亿次抄表记录和600TB压缩前数据；每天产生5亿次抄表记录，和大约2TB的抄表数据。这些电表数据，结合气象数据、用电合同信息及电网数据，构成了法国电力公司的大数据。
：
以智能电表采集数据为例，这些数据具有以下特点：
1. 数据具有时间序列特性
2. 数据来源具有分布式特性，并且需要在不同尺度上进行处理
3. 某些应用需要对数据进行实时处理
业务需求：
智能电表产生的用电数据与电网运行数据结合起来处理，可以实现多种高级应用，如：
1. 实现电网调度等高级应用（电网状态监测，电网自动愈合）
2. 用电需求侧管理，实现实时电价
3. 实现电网的可再生能源的接入
4. 电网调度等的局部优化
具体措施：
针对这些海量数据特性及其处理需求，法国电力公司的研发部门成立了BigData项目组，借助大数据技术研究海量数据的处理架构。利用大数据实现用电负荷的精细化测量，降低信息决策系统与运行操作系统之间的延迟。其短期目标是：
将分布式智能技术集成于原有业务系统，包括具有数据处理功能的智能路由器、分布式数据库、分布式数据处理以及分布式复杂事件实时处理技术。这些分布式技术同时需要支持控制中心的统一集中式控制。
效果：
目前，法国电力公司以用户用电负荷曲线的海量存储和处理为突破口，利用大数据技术，形成能够支撑在规定延迟内的复杂、并行处理能力。其中数据接入的接入形式有两种：批处理或数据流；数据的预处理包括：时间同步，异常数据检测及修正，以及改变数据表达形式等；数据处理包括按区域的指标计算，账单模拟，商业智能BI等。
法国电力公司的大数据存储架构如图：
基于此架构，构建了分布式数据发生器CourboGen系统，用于生成用户用电负荷曲线及其关联数据。其性能可达到每模块每秒钟处理6万抄表记录。生成的数据以数据流形式输出。
在可再生能源接入电网以及预测用户用电趋势等方面，法国电力公司也在做一定研究。主要是考虑可再生能源的不稳定性，通过数据挖掘，对地区网络作优化。
1. 法国电力公司EDF：
背景：
目前全法已经安装3500万智能电表，电表产生的数据量将在5-10年内达到PB级。智能电表采集的主要是个体家庭的用电负荷数据。以每个电表每10分钟抄表一次计算，3500万智能电表每年产生1.8万亿次抄表记录和600TB压缩前数据；每天产生5亿次抄表记录，和大约2TB的抄表数据。这些电表数据，结合气象数据、用电合同信息及电网数据，构成了法国电力公司的大数据。
：
以智能电表采集数据为例，这些数据具有以下特点：
1. 数据具有时间序列特性
2. 数据来源具有分布式特性，并且需要在不同尺度上进行处理
3. 某些应用需要对数据进行实时处理
业务需求：
智能电表产生的用电数据与电网运行数据结合起来处理，可以实现多种高级应用，如：
1. 实现电网调度等高级应用（电网状态监测，电网自动愈合）
2. 用电需求侧管理，实现实时电价
3. 实现电网的可再生能源的接入
4. 电网调度等的局部优化
具体措施：
针对这些海量数据特性及其处理需求，法国电力公司的研发部门成立了BigData项目组，借助大数据技术研究海量数据的处理架构。利用大数据实现用电负荷的精细化测量，降低信息决策系统与运行操作系统之间的延迟。其短期目标是：
将分布式智能技术集成于原有业务系统，包括具有数据处理功能的智能路由器、分布式数据库、分布式数据处理以及分布式复杂事件实时处理技术。这些分布式技术同时需要支持控制中心的统一集中式控制。
效果：
目前，法国电力公司以用户用电负荷曲线的海量存储和处理为突破口，利用大数据技术，形成能够支撑在规定延迟内的复杂、并行处理能力。其中数据接入的接入形式有两种：批处理或数据流；数据的预处理包括：时间同步，异常数据检测及修正，以及改变数据表达形式等；数据处理包括按区域的指标计算，账单模拟，商业智能BI等。
法国电力公司的大数据存储架构如图：
基于此架构，构建了分布式数据发生器CourboGen系统，用于生成用户用电负荷曲线及其关联数据。其性能可达到每模块每秒钟处理6万抄表记录。生成的数据以数据流形式输出。
在可再生能源接入电网以及预测用户用电趋势等方面，法国电力公司也在做一定研究。主要是考虑可再生能源的不稳定性，通过数据挖掘，对地区网络作优化。