近年来,着智能感知以及无线通讯技术的发展、智能电网的建设规模不断扩大,积累了大电力相关数据。利用数据挖掘、模式识别等方法从这些海历史数据中挖掘并解析出能耗变化规律,建立准确可的能耗测方法体系,将为电力资源调度提供科学的决策依据。然而,受到节假日、季节效应、气候等外因素的影响,能耗数据呈现出复杂的线性特征。此外,数据规模大、维度以及时效性强等特点,极大的提升了数据解析度,为基于数据动方法的能耗测带来了极大的挑战。基于上述内容,本文以电力能耗数据作为研究对象,基于云计算平台,用聚类分析、深度学习以及时序列分析方法展开了短期以及中期能耗测方法的系统化研究。并通过云的Data V实现电力能耗数据的可视化管理,主要研究内容与创新点包括:1.对短期电力能耗数据的特点,先提出一种基于改进型迭代自组织（ISODATA）的聚类算法,将用户用电行为进行聚分析,再将同类样本数据作为输入,建立基于支持向机回归（SVR）的能耗测模型,并利用布谷算法（CS）对核函数参数进行优化,再结合云计算平台中Map Reduce进行并行化计算。数值仿真结果表明,将聚类分析后得到的各类样本合用来建模可获得更佳的能耗测结果,同时低了计算时。2.对中期电力能耗数据的特点,建立一种基于改进型短期记忆神经网络（LSTM）与Prophet的电力能耗测模型。先利用卷积神经网络（CNN）对历史能耗数据进行特征提取,将提取的特征作为输入建立基于LSTM的能耗测模型。由于中期能耗数据天气、节假日等因素影响,利用Prophet算法建立历史能耗数据的层次模型。最后,将得到的两组测值加权处理,得到最终测值。数值仿真证明与单一模型相比,组合模型在提测精度的同时具有较的通用型。3.对传统单机数据处理平台不足以处理海数据的,搭建云计算平台,利用现有的能耗测方法对数据进行并行化计算,以减少算法运行时。然后结合海数据多源的特点,对电力大数据可视化进行工作流程安排,通过Data V对本文所提及的两种能耗测方法的实现结果进行可视化展示。实结果证明,所研究的基于云计算平台的电力大数据可视化,可以为提能源消费的效率及可性提供决策支持。