多源異構的智能配用電數據存儲處理技術

葛磊蛟 王守相 王 堯 郭乃網

（1.天津大學電氣與自動化工程學院 天津 300072 2.河北工業大學電氣工程學院 天津 300055 3.國網上海市電力公司 上海 200122）

0 引言

隨著智能電網建設的推進，智能配用電的快速建模、仿真等高級應用技術[1]以及云計算、互聯網技術等在電力系統中得到了越來越多的應用。這些新興技術的應用需要大量基礎的輸入數據，與傳統的配電網潮流計算、短路計算等穩態分析相比，數據形式從一個時間斷面變成一段時間（一天、一月、一年乃至多年）的整體數據或者辦公文檔、文本、圖片、視頻、音頻等非結構化數據，現有的結構化數據已無法滿足其實際運算需求。同時，智能配用電采集的數據不僅采集頻率大幅增強，而且采集類型呈多樣化。一方面，常規的配電管理系統、地理信息系統（Geographic Information System,GIS）、配電 SCADA系統、用電信息采集系統、95598等配用電相關的系統采集運行配用電管理、計量計費等結構化數據，使得網省公司年數據量達到TB級，甚至 PB級，從存儲的經濟性角度考慮需要應用大數據存儲管理技術；另一方面，電力客戶的文本信息、視頻數據、圖片數據等非結構化數據，能夠更加客觀清晰地表達用戶信息，是大數據技術分析的重要基礎數據，如果依然按照配用電相關的各個應用系統分別采集-傳輸-集中存儲的方式，將使數據冗余大、重復存儲多、系統資源利用率低等問題更加突出，并且主流關系型數據庫一般不支持非結構數據的存儲。

近年來，國內外針對非結構化數據的管理已開展了很多研究。文獻[2]提出通過元數據管理、統一數據接口、異構存儲以及數據的高可用性與一致性等數據標準化流程，設計一種異構存儲設施的選擇機制，完成了非結構化數據統一存儲管理平臺的構建。文獻[3]從非結構化數據的特征提取方法、分布式索引方法和局部索引的分片策略三方面介紹了非結構化數據的分布式分析和索引方法。

國內外學者針對大數據技術以及相關算法在電力系統和相關行業中的應用也開展了一些相關研究。文獻[4]提出一種基于云計算技術的電力大數據屬性預處理簡約方法。文獻[5]提出一種面向大電網多級調度管理一體化的融合型搜索引擎設計方法，實現了分布式環境下的異構數據資源整合。文獻[6]在智能調度系統方面提出了一種基于云架構的無損集壓縮新方法。文獻[7]提出利用 Hadoop云平臺的改進方案，解決了智能電網海量數據存儲中節點狀態信息缺失、系統負載不均、存儲效率下降等諸多瓶頸問題，提升了計算機存儲性能。文獻[8]提出利用 Hadoop云平臺對人類的購物、醫療、日常交談和視頻分享等方面信息進行大數據分析，并提出一種復合回話的新方法，提高了大數據分析的速度。

當前國內外對云計算技術[9-14]、Hadoop[15-18]以及智能電網的大數據應用方面都有研究[19-27]，但是對作為大數據分析基礎的多源異構配用電數據的存儲處理技術方面涉及不多。本文針對智能配用電數據具有海量、結構化與非結構化混雜、多源異構等特點，從資源層、存儲層和查詢層三方面闡述了基于 Hadoop技術的智能配用電數據存儲處理技術框架設計方案，為配用電大數據的應用奠定了良好的基礎。

1 多源異構的智能配用電數據

在國家實施區域能耗總量控制的背景下，智能配用電成為電力行業中實現電網資源優化配置、電能合理利用、節能降耗和能效提升的重要手段。由于智能配用電涉及政府、企業、商業用戶與居民用戶等眾多市場參與主體，含有量大面廣的電力設備和應用系統，為了支撐這些設備和系統的正常運行，保障相關電力業務的開展，必然涉及對多途徑、多類型的輸入、輸出海量數據的處理[28-33]。

智能配用電涉及的海量數據根據其所屬用戶性質，主要分為電網企業、電力用戶、政府及第三方機構三個方面分別對應的電網數據、用戶數據和社會數據。這些數據一般以信息集成化平臺的方式呈現，如圖1所示。其中，電網企業數據主要包括配電自動化、GIS、SCADA、用電信息采集系統、客戶營銷服務系統、用戶用能管理系統以及95598等各個業務部室所需的電網數據；電力用戶數據主要包括分布式電源 EMS、微電網 MG-EMS、家庭HEMS、樓宇BEMS、企業EMS等用戶數據；政府及第三方機構數據主要包括氣象監測系統、能耗監管系統、智慧城市監控系統、能源公共服務平臺等社會數據。

圖1 智能配用電數據組成Fig.1 Data components of smart power distribution and utilization

智能配用電各參與主體由于所聚焦的業務重心和關注重點不完全一致而存在信息異構，不僅包括硬件異構，即國-網-省-市-縣多級電網企業分布式配置的大型服務器、單片機、普通 PC等不同層次、品牌、性能配置混雜的硬件資源；也包括軟件異構，主要有Linux、Windows等不同操作系統，Oracle、SQL Service、MySQL等不同數據庫以及多參與主體根據業務所需所設計的應用平臺[34,35]。智能配用電在數據異構方面呈現如下特點。

（1）設計風格異構。作為智能配用電建設與運營的電網企業一般從售電、電網安全和經濟等角度，重點關注電網的計費計量（累計有功電量、累計無功電量、功率因數等）、客戶的用能習慣分析（負荷總量、電網總用電量等）、配電網的調度管理（電壓、電流、頻率等）、電能服務質量（用戶總量、滿意度等）等方面的數據；作為電能供應服務使用者的電力用戶從經濟性、舒適性出發，重點關心當前的能源消耗量（日、月、年用電量等）、成本（月電費、年電費等）等數據；作為監管和服務部門的政府及第三方機構則從全社會能耗分布、能源和氣候關系等方面，聚焦于能耗總量（總電量、總用水量、總用油量等）、節能減排（標煤總量、CO2總排放量等）等數據。于是，不同主體根據自身業務需求出發，設計了不同結構的數據庫、表、字段。若同一數據在電力企業、電力用戶、政府及第三方機構之間進行數據對接，需要大量的數據轉換和解析工作。

（2）存儲方式異構。智能配用電涉及的電網企業、電力用戶、政府及第三方結構等多方主體均各自具有多個應用系統。在單一主體內部的多個應用系統之間不僅所選擇的數據存儲軟、硬件平臺不同，而且數據重復采集和存儲，即使近年來數據總線技術、共享內存技術等得到較好的應用，但是數據的冗余依然較大；在主體與主體之間的數據存儲由于涉及數據隱私、組織管理、經濟能力等諸多方面，所選用的存儲形式有直接附加存儲、網絡附加存儲、存儲域網絡等多種形式，存在較大的兼容性方面的實際問題。

（3）結構化與非結構化共存。智能配電網相關的傳統業務涉及狀態估計、潮流計算、短路計算等穩態分析，主要由結構化數據支撐。隨著分布式電源、微電網、電動汽車接入智能配電網以及電網與用戶的雙向互動化、區域負荷預測、第三方機構的客戶在線認證、客戶日志信息分析等高級應用業務分析的發展，智能配用電的基礎分析數據包含了越來越多的文本、視頻、聲音等非結構化數據。這形成了結構化和非結構化數據共存的情形。

智能配用電數據具有海量、數據更新速度極快、分布地域廣泛等特點。當前非結構化數據管理技術、大數據存儲和分析技術均處于研究階段，數據挖掘分析技術手段還不夠完善、大數據快速分析算法還不夠成熟。而當前硬盤、磁盤陣列等IT信息存儲物理設備在緩存容量、硬盤容量和處理器速度以及性價比、異構兼容性等方面也正處在發展之中。因此，構建一種快速有效的智能配用電數據存儲管理解決方案是十分必要的。

2 多源異構的智能配用電數據存儲技術框架

智能配用電數據一方面具有用戶種類復雜、點多面廣、類型多樣、海量、難以快速發現有價值信息和規律性等特點，另一方面具有很多內在的規律，符合大數據的信息特征，具備很大的挖掘空間。如果能夠合理利用有效的大數據分析工具對用戶的日志信息（視頻、音頻、文本等）、用電習慣、用能特性進行分析，對區域范圍內的能源需求進行有效預測和預判，可為未來營銷業務的拓展提供新思路和新途徑。

為此，將結構化和非結構化混合組成的智能配用電數據按照資源、存儲和查詢等三個層級設計對其進行管理，如圖2所示。其中，資源層主要實現智能配用電大數據計算資源的虛擬化、標準化和負載均衡；存儲層實現大數據的快速存儲管理；查詢層實現海量數據的快速檢索。下面將逐一進行詳細闡述。

圖2 智能配用電數據存儲技術架構Fig.2 Architecture of data storage technology of smart power distribution and utilization

3 資源層

智能配用電數據存儲技術的資源層是技術平臺的基礎，該層選用 Hadoop集群技術，結合電力系統的資源特性和負載均衡優化策略，完成存儲資源管理。其工作原理是：首先，基于分布式的主從式技術將智能配用電中的服務器、PC、移動終端和瘦終端等硬件資源虛擬化，在這些硬件平臺上構建Master/Slave集群的邏輯結構，為Hadoop分布式平臺的搭建提供支撐；其次，通過 Hadoop技術中的HDFS（hadoop distributed file system）和 MapReduce完成智能配用電數據存儲調度和管理；最后，通過資源層的優化調度方法，實現電力系統智能配用電的IT資源高效利用，如圖3所示。

圖3 智能配用電數據存儲資源層框架Fig.3 Research layer architecture of data storage technology of smart power distribution and utilization

3.1 Hadoop技術

Hadoop是目前百度、新浪、Amazon、Facebook、淘寶等國際國內大型 IT企業最為廣泛應用的開源云計算軟件平臺之一；由 Common、HDFS和MapReduc三部分構成，支持在大量廉價異構的IT硬件設備組成的計算機集群上運行大型數據庫應用程序的開源分布式 Maser/Slave計算框架。其中，Common的發展經歷了兩個階段，第一階段是Hadoop 0.20及以前版本，主要包含 HDFS、MapReduce和其他項目的所有公共內容；第二階段是從0.21版本開始，由于 HDFS和 MapReduce全部成為獨立項目，則HDFS和MapReduce以外的所有公共內容均為Hadoop Common。

1）HDFS

HDFS是一個針對 PB級大數據存儲和管理的分布式文件系統，類似Google的GFS（google file system），能夠管理結構化和非結構化數據，采用典型的Master/Slave結構，其 Master/Slave調度管理分別對應NameNode/DataNodes進程。

其工作方式為運行于Master節點的Namenode進程對智能配用電 IT資源虛擬化后的元數據（FSImage信息和 EditLog信息）進行管理；運行于Slave節點上的DataNodes進程，將智能配用電的任意一個大文件按照缺省的64M 數據塊進行分割，并存儲在分區分層的多個不同數據Slave節點上。

2）MapReduce

MapReduce是一種大規模 PB級別的典型Master/Slave數據處理計算模型，其Master/Slave分別對應 JobTracker/TaskTrackers進程，且每一個JobTacker和TaskTrackers進程均含有Map和Reduceh函數。

其工作原理是 Map函數負責將智能配用電數據打散，Reduce函數負責將數據合并，即由用戶定義的Map函數負責將數據打散從而形成一個對，以及映射成有若干相同Key值的中間對；然后，由用戶定義的Reduce函數負責將所有這些中間的有著相同Key值的Values進行合并。

3.2 資源層的負載均衡優化調度策略

在充分利用網省公司現有的配電自動化主站、GIS主站、用電信息采集系統主站等數據中心軟硬件IT資源前提條件下，以現有的配電自動化主站平臺構建智能配用電的大數據資源層的主節點，由于企業內外網的關系，分別配置企業內網Master節點和外網Master節點，且均配置有互為備用的冗余熱備用節點；其中，內網Master節點負責內網的資源調度管理，外網Master節點負責外網的資源調度管理；其他網省公司應用平臺均作為從節點，并將空閑的辦公、區/市/縣配用電相關的前置子系統以及電網企業外網的政府與第三方機構、電力用戶等的IT資源，也作為資源層的從節點，利用電力業務所構建的光纖、以太網、無線GPRS網、微功率230MHz無線等網絡作為連接紐帶，與用戶、第三機構進行友好互聯互通，從而組成一個多源異構的智能配用電大數據中心集群。

為有效提升集群的計算層每一臺設備運行性能，進行靜態和動態相結合的負載均衡優化調度策略，如圖4所示。電網企業內網，由內網Master節點負責調度管理，采用靜態負載均衡優化調度策略，即帶權重的輪循算法。圖4中，小圓圈內的數字代表每一個 Slave節點所占的缺省權重系數，依次循環利用內網的IT資源；在電網企業外部網，由外網Master節點負責調度管理，采用動態負載均衡優化調度策略，即最快響應速度算法。圖4中，小橢圓內的數字代表每一個Slave節點所缺省的響應時間，根據時間的長短，依次利用外網的IT資源。

圖4 智能配用電數據存儲資源層負載均衡優化調度策略Fig.4 Optimization scheduling strategy for resource layer of data storage technology of smart power distribution and utilization

4 存儲層

智能配用電數據存儲技術的存儲層是實現數據存儲輸入的標準化和分布式存儲，主要由數據預處理和 NoSQL兩部分構成。其中，數據預處理主要負責將結構化和非結構化數據的元數據統一為標準化XML格式，為數據的存儲和檢索提供基礎條件；NoSQL則是對數據進行實際的分布式存儲。

4.1 數據預處理

智能配用電的數據有以下幾個特點：①視頻、音頻、文本等非結構化數據格式不同，存儲空間范圍和元數據的內存劃分尺度不同；②相同數據格式的結構化數據，不同用戶的數據容量大小和屬性不同；③不同數據格式和不同數據屬性組成混合文件屬性。如此多樣性的數據，給數據存儲、分析和檢索均帶來諸多不便，因此進行數據預處理使所有的基礎數據成為標準化系統可識別數據是存儲設計的第一步。

多源異構的智能配用電數據預處理策略是：結構化數據由于異構性相對簡單，預處理主要包括數據變換和數據歸一化兩部分；而非結構化數據預處理主要包括數據的清洗、選樣、變換和歸一化四部分，最終實現將結構化和非結構化數據的元數據以XML（extensible markup language）格式存入實際數據所在的Slave節點中，從而完成數據預處理工作。預處理過程如圖5所示，其中，XML是一種用于標記電子文件使其具有結構化的標記語言，用來標記數據、定義數據類型，提供統一的方法來描述和交換獨立于應用程序或供應商的結構化數據；XML非常適合萬維網傳輸，易于通過HTTP協議傳輸，并支持標準的DOM、SAX、XSLT、Xpath等 API接口[36,37]。

智能配用電數據通過數據預處理后，結構化和非結構化數據的元數據形成統一標準 XML格式，為數據處理提供了基礎。然后利用基于 Hadoop平臺通過 NoSQL技術對智能配用電數據進行實際分布式存儲。

4.2 數據快速存儲優化策略

智能配用電數據存儲技術的存儲層經過數據預處理后，實現了元數據全部以 XML格式存儲于實際數據所在的Slave節點中，故其實際數據在NoSQL上分配的存儲策略為：①數據主節點依據內外網原則，進行冗余熱備用；②電網企業內、外網的數據完全隔離存儲，即電網企業內部數據僅僅存儲于電網內部的IT資源，外網數據存儲在相應的單位IT資源中；③將配電自動化、GIS、SCADA、用電信息采集系統、客戶營銷服務系統、用戶用能管理系統以及95598等內網數據按照業務部室屬性進行分類，即電網內部數據分為低壓配電、用電、營銷、客服等，分別進行數據的分類存儲，電網企業外部數據依據政府、第三方機構、電力用戶等不同對象分別進行分類存儲；④最小路徑分配存儲策略，即以 NoSQL中主節點為出發點，先從元數據中查詢所屬類別的對應 XML數據表，然后從元數據XML表中分配足夠的存儲空間給原始數據，若同類元數據 XML表中剩余存儲空間不足時，以相鄰最近為原則以續存方式給原始數據分配所缺額的存儲空間，最后依據XML存儲分配信息尋找距離Slave節點路徑最近的對應空閑 IT資源進行優先分配存儲，如圖6所示。

圖6 數據快速存儲優化策略Fig.6 Fast storage optimization strategy for data

5 查詢層

智能配用電數據存儲技術的查詢層主要實現智能配用電數據的快速數據檢索。數據檢索是指將經過選擇、整理和評價的數據存入某些存儲設備載體或者管理系統中后，根據用戶需要或者設定的關鍵字從某些數據集合中檢索所需數據的過程或技術。

含有結構化和非結構化數據類型的智能配用電數據，其主要查詢原則是：①類型不同，采用的查詢策略不同；②針對傳統的結構化數據，一般采用傳統的關鍵字、條件等檢索方法；③針對非結構化數據，按照文本、圖像、音頻和視頻等不同數據類型分別進行檢索，如圖7所示。

圖7 智能配用電大數據檢索技術Fig.7 Data retrieval of big data for smart power distribution and utilization

數據檢索并行策略如圖8所示。智能配用電數據存儲技術的查詢層，進行分層分區并行策略，即：①當數據查詢時，先在Master主節點上，依據用戶的檢索需求，從節點對所有的Slave依次進行多進程的XML半結構化數據并行Top-k檢索，從Slave從節點中找到所查詢數據的映射信息；②在 Slave節點上，依據用戶檢索到的XML節點存儲映射信息，先確定所檢索數據所屬的分類區域（電網企業內部數據區、電網企業外部數據區、電網內部數據的中低壓配電數據/用電/營銷/客服數據區、電網外部數據的政府/第三方機構/電力用戶數據區），然后確定所查詢數據的類型；③依據所確定的分區和數據類型，在 Slave節點上運行 Top-k方法查詢數據的實際映射地址，并結合第一步從節點所檢索到的數據所屬分區，快速定位原始數據的確定位置。

6 結論

多源異構的智能配用電的海量數據面臨存儲維護難的技術問題，本文在存儲處理方面，按照計算層、存儲層和查詢層的思路在一定程度上解決了海量智能配用電信息數據的存儲和管理問題。但是由于智能配用電數據關系企業的用能特點和居民用戶的生活習慣，涉及一定的個人隱私或者商業機密，如何進行數據的安全性保護和網絡共享以及如何合理挖掘利用這些大數據，是下一步的研究重點。同時，本設計方案從先進理念上對智能配用電數據中心的大數據存儲進行了前期框架設計，其效果需在其具體實施過程中進行驗證及必要改進。

圖8 數據檢索并行策略Fig.8 Parallel strategy for data retrieval

[1] 王守相,王成山.現代配電系統分析[M].2版.北京:高等教育出版社,2014.

[2] 何穎鵬.非結構化數據統一存儲平臺的設計與實現[D].杭州:浙江大學,2013.

[3] 余斌.海量非結構化數據分布式分析與檢索[D].杭州:浙江大學,2012.

[4] 曲朝陽,陳帥,楊帆,等.基于云計算技術的電力大數據預處理屬性簡約方法[J].電力系統自動化,2014,38(8):67-71.

Qu Zhaoyang,Chen Shuai,Yang Fan,et al.An attribute reducing method for electric power big data preprocessing based on cloud computing technology[J].Automation of Electric Power Systems,2014,38(8):67-71.

[5] 丁杰,朱力鵬,胡斌,等.面向多級調度管理的融合型搜索引擎[J].電力系統自動化,2014,38(3):150-154.

Ding Jie,Zhu Lipeng,Hu Bin,et al.A fusion-type search engine for multilevel scheduling management[J].Automation of Electric Power Systems,2014,38(3):150-154.

[6] 屈志堅,郭亮,陳秋琳,等.Hadoop 云構架的智能調度無損集群壓縮技術[J].電力系統自動化,2013,37(18):93-98.

Qu Zhijian,Guo Liang,Chen Qiulin,et al.Intelligent dispatching lossless cluster compression technology based on Hadoop cloud framework[J].Automation of Electric Power Systems,2013,37(18):93-98.

[7] 劉道新,胡航海,張健,等.大數據全生命周期中關鍵問題研究及應用[J].中國電機工程學報,2015,35(1):23-28.

Liu Daoxin,Hu Hanghai,Zhang Jian,et al.Research on key issues of big data lifecycle and its application[J].Proceeding of the CSEE,2015,35(1):23-28.

[8] He G,Ren S Y,Yu D C,et al.Analysis of enterprise user behavior on hadoop[C]//6th International Conference on Intelligent Human-Machine Systems and Cybernetics,Hangzhou,2014:230-233.

[9] 屈志堅,郭亮,劉明光,等.智能配電網量測信息變斷面柔性壓縮新算法[J].中國電機工程學報,2013,33(19):191-199.

Qu Zhijian,Guo Liang,Liu Mingguang,et al.New variable section flexible compression algorithm for measurement information in intelligent distribution network[J].Proceeding of the CSEE,2013,33(19):191-199.

[10] 王德文.基于云計算的電力數據中心基礎架構及其關鍵技術[J].電力系統自動化,2012,36(11):67-71,107.

Wang Dewen.Basic framework and key technology for a new generation of data center in electric power corporation based on cloud computation[J].Automation of Electric Power Systems,2012,36(11):67-71,107.

[11] 高濤.基于云計算的配電自動化系統設計[J].電氣技術,2014,15(7):103-105.

Gao Tao.Design of distribution automation system based on cloud computing[J].Electrical Technique,2014,15(7):103-105.

[12] 王守相,張衛濤,葛磊蛟.智能配電網統一模型云與應用服務技術系統[J].電力自動化設備,2015,35(2):49-54.

Wang Shouxiang,Zhang Weitao,Ge Leijiao.Unified model cloud and application service system for smart distribution network[J].Electric Power Automation Equipment,2015,35(2):49-54.

[13] 王保義,趙碩,張少敏.基于云計算和極限學習機的分布式電力負荷預測算法[J].電網技術,2014,38(2):526-531.

Wang Baoyi,Zhao Shuo,Zhang Shaomin.A distributed load forecasting algorithm based on cloud computing and extreme learning machine[J].Power System Technology,2014,38(2):526-531.

[14] 宋亞奇,周國亮,朱永利,等.云平臺下輸變電設備狀態監測大數據存儲優化與并行處理[J].中國電機工程學報,2015,35(2):255-266.

Song Yaqi,Zhou Guoliang,Zhu Yongli,et al.Storage optimization and parallel processing of condition monitoring big data of transmission and transforming equipment based on cloud platform[J].Proceedings of the CSEE,2015,35(2):255-266.

[15] 曲朝陽,朱莉,張士林.基于Hadoop的廣域測量系統數據處理[J].電力系統自動化,2013,37(4):92-97.

Qu Zhaoyang,Zhu Li,Zhang Shilin.Data processing of Hadoop based wide area measurement system[J].Automation of Electric Power Systems,2013,37(4):92-97.

[16] Anam A,Jamil A.Hadoop architecture and its issues[C]//International Conference on Computational Science and Computational Intelligence,Las Vegas,NV,2014:288-291.

[17] Sadasivam G S,Dharini S.A novel parallel hybrid PSO-GA using MapReduce to schedule jobs in Hadoop data grids[C]//Second World Congress on Nature and Biologically Inspired Computing,Fukuoka,2010:377-382.

[18] 宋亞奇,周國亮,朱永利.智能電網大數據處理技術現狀與挑戰[J].電網技術,2013,37(4):927-935.Song Yaqi,Zhou Guoliang,Zhu Yongli.Present status and challenges of big data processing in smart grid[J].Power System Technology,2013,37(4):927-935.

[19] 趙騰,張焰,張東霞.智能配電網大數據應用技術與前景分析[J].電網技術,2014,38(12):3305-3312.

Zhao Teng,Zhang Yan,Zhang Dongxia.Application technology of big data in smart distribution grid and its prospect analysis[J].Power System Technology,2014,38(12):3305-3312.

[20] 劉巍,黃曌,李鵬,等.面向智能配電網的大數據統一支持平臺體系與架構[J].電工技術學報,2014,29(增1):486-491.

Liu Wei,Huang Zhao,Li Peng,et al.Summary about system and framework of unified supporting platform of big data for smart distribution grid[J].Transactions of China Electrotechnical Society,2014,29(S1):486-491.

[21] 周國亮,朱永利,王桂蘭,等.實時大數據處理技術在狀態監測領域中的應用[J].電工技術學報,2014,29(增1):432-437.

Zhou Guoliang,Zhu Yongli,Wang Guilan,et al.Real-time big data processing technology application in the field of state monitoring[J].Transactions of China Electrotechnical Society,2014,29(S1):432-437

[22] 韓璞,袁世通.基于大數據和雙量子粒子群算法的多變量系統辨識[J].中國電機工程學報,2014,34(32):5779-5787.

Han Pu,Yuan Shitong.Multivariable system identification based on double quantum particle swarm optimization and big data[J].Proceedings of the CSEE,2014,34(32):5779-5787.

[23] Labrinidis A,Jagadish H V.Challenges and opportunities with big data[J].Proceedings of the VLDB Endowment,2012,5(12):2032-2033.

[24] Kamalpreet S,Ravinder K.Hadoop:addressing challenges of big data[C]//IEEE International Advance Computing Conference,Gurgaon,2014:686-689.

[25] 劉伯穎,李志剛,黃曉勤,等.復雜系統的可靠性優化分配方法及應用[J].電工技術學報,2014,29(增1):497-501.

Liu Boying,Li Zhigang,Huang Xiaoqin,et al.Reliabiliy optimal allocation methods and application of complex systems[J].Transactions of China Electrotechnical Society,2014,29(S1):497-501.

[26] 熊小伏,陳星田,翁世杰.支持大數據分析的發電廠變電站全息錄波方法[J].電力系統保護與控制,2015,43(22):17-22.

Xiong Xiaofu,Chen Xingtian,Weng Shijie.A holographic record method supporting big data analysis for power plant and substation[J].Power System Protection and Control,2015,43(22):17-22.

[27] 楊永標,周立秋,丁孝華,等.智能配用電園區技術集成方案[J].電力系統自動化,2012,36(10):74-78.

Yang Yongbiao,Zhou Liqiu,Ding Xiaohua,et al.Technology integration scheme of smart power distribution and utilization park[J].Automation of Electric Power Systems,2012,36(10):74-78.

[28] 楊凱,余高旺,宋勇輝,等.智能變電站冗余數據處理方案的研究與應用[J].電力系統保護與控制,2015,43(12):150-154.

Yang Kai,Yu Gaowang,Song Yonghui,et al.Research and application of redundant data processing scheme for smart substation[J].Power System Protection and Control,2015,43(12):150-154.

[29] 唐志軍,鄒貴彬,高厚磊,等.含分布式電源的智能配電網保護控制方案[J].電力系統保護與控制,2014,42(8):9-14.

Tang Zhijun,Zou Guibin,Gao Houlei,et al.Protection and control scheme for smart distribution grid with distribution resource[J].Power System Protection and Control,2014,42(8):9-14.

[30] Li W,Lang B.A tetrahedral data model for unstructured data management[J].Science China Information Sciences,2010,53(8):1497-1510.

[31] Amin A,Farshad K,Reza A.A preliminary study of incorporating GPUs in the Hadoop framework[C]//The 16th CSI International Symposium on Computer Architecture and Digital Systems,Shiraz,Fars,2012:178-185.

[32] Jungkyu H,Masakuni I,Hiroyuki M.A Hadoop performance model for multi-rack clusters[C]//5th International Conference on Computer Science and Information Technology,Amman,2013:265-274.

[33] Muhammad A,Muhammad A U,Samreen A,et al.Framework for analysis of power system operation in smart cities[J].Wireless Pers Commun,2014,76(3):399-408.

[34] Yu Y X,Zeng Y,Liu H,et al.Challenges and R&D opportunities of smart distribution grids in China[J].Science China:Technological Sciences,2014,57(8):1588-1593.

[35] Elias B,Claude F,Makan P,et al.Communication security for smart grid distribution networks[J].IEEE Communication Magazine,2013,51(1):42-49.

[36] Bharadwaj R S,Gerald T H.Sensitivity based pricing and optimal storage utilization in distribution systems[J].IEEE Transactions on Power Delivery,2013,28(2):1073-1082.

[37] 歐陽柳波,李學勇,楊貫中,等.基于近似匹配模型的XML元數據檢索[J].計算機應用,2005,25(4):820-823,826.

Ouyang Liubo,Li Xueyong,Yang Guanzhong,et al.XML metadata retrieval based on approximately matching model[J].Computer Application,2005,25(4):820-823,826.