電力設備監(jiān)測數(shù)據(jù)的流式計算與動態(tài)可視化展示

李莉，朱永利，宋亞奇

(華北電力大學控制與計算機工程學院, 河北省保定市 071003)

電力設備監(jiān)測數(shù)據(jù)的流式計算與動態(tài)可視化展示

李莉，朱永利，宋亞奇

(華北電力大學控制與計算機工程學院, 河北省保定市 071003)

電力設備監(jiān)測數(shù)據(jù)的實時分析和可視化展示是智能電網(wǎng)建設的重要內(nèi)容。以Hadoop為代表的傳統(tǒng)數(shù)據(jù)處理模型不能滿足業(yè)務時延要求。提出基于阿里云流計算(Stream Compute)的電力設備監(jiān)測數(shù)據(jù)流式計算與動態(tài)可視化展示方法，并應用Stream Compute的上下游服務搭建了用于電力設備監(jiān)測數(shù)據(jù)的時頻分析和可視化展示的應用系統(tǒng)。試驗測試表明，所搭建的系統(tǒng)整體的處理延遲被控制在s級，能夠滿足電力設備在線監(jiān)測及實時數(shù)據(jù)展示的性能要求。

在線監(jiān)測; 大數(shù)據(jù); 流計算; 數(shù)據(jù)可視化;阿里云

0 引 言

隨著電網(wǎng)狀態(tài)檢修全面推廣實施，輸變電設備狀態(tài)監(jiān)測系統(tǒng)進入了全面建設階段，諸多先進的傳感器技術也被應用到構建堅強智能電網(wǎng)的實踐中。智能電網(wǎng)中的傳感器數(shù)量龐大、種類繁多，在發(fā)電、輸電、變電、配電和用電領域的廣泛使用產(chǎn)生了以指數(shù)級增長的數(shù)據(jù)，呈現(xiàn)出數(shù)據(jù)量大、生成速度快、價值密度低、處理速度快等特點，迫切需要新的處理技術去應對存儲和計算方面的挑戰(zhàn)。

以Hadoop[1]為代表的傳統(tǒng)大數(shù)據(jù)處理技術使用MapReduce[2]編程框架實現(xiàn)并行計算，主要用于海量數(shù)據(jù)的批量處理。其特點是數(shù)據(jù)規(guī)模大、吞吐量高、實時性差，因此很難滿足電力設備監(jiān)測數(shù)據(jù)的實時展示和在線計算等時效性要求較高的計算任務[3]。

流式計算[4]框架主要用于流式數(shù)據(jù)處理，相對于Hadoop MapReduce和Spark等批量計算框架，具有事件觸發(fā)和響應時間短等特點，事件觸發(fā)和響應時間可達到s級，甚至ms級，主要的應用場景包括實時數(shù)據(jù)倉庫[5]、流式數(shù)據(jù)處理[6-7]、設備在線監(jiān)測[8]、故障診斷[9]、輿情監(jiān)控[10]、智能交通[11-12]、實時報表[13]等場景。流式大數(shù)據(jù)技術在電力行業(yè)中的應用相對較少，研究成果大都是基于開源的Apache Storm和Spark Streaming完成[14-15]。阿里云Stream Compute是阿里云提供的流式計算框架，在包括吞吐量在內(nèi)的若干關鍵性能指標是Apache Storm的6～8倍，數(shù)據(jù)計算延遲優(yōu)化到s級乃至ms級，單個作業(yè)吞吐量可達到百萬條/s，單集群規(guī)模在數(shù)千臺[16]，為實現(xiàn)更低延遲的電力設備監(jiān)測數(shù)據(jù)的流式計算和可視化展示提供了強有力的計算引擎。

本文基于阿里云流計算以及配套的上下游產(chǎn)品(DataHub[17]、物聯(lián)網(wǎng)(internet of things，IOT)套件、關系數(shù)據(jù)庫服務(relation database service，RDS)、DataV[18])構建了從數(shù)據(jù)采集、數(shù)據(jù)處理到數(shù)據(jù)可視化展示的一個完整系統(tǒng)，實現(xiàn)了電力設備監(jiān)測數(shù)據(jù)的實時收集、時頻分析以及動態(tài)可視化數(shù)據(jù)展示。實驗測試表明，整體的處理延遲控制在s級別，可以滿足電力設備在線監(jiān)測及實時數(shù)據(jù)展示的性能要求。

1 流式計算與可視化展示系統(tǒng)架構

不同于傳統(tǒng)的離線數(shù)據(jù)，電力設備監(jiān)測流式數(shù)據(jù)產(chǎn)生自源源不斷的事件流。由多個數(shù)據(jù)源持續(xù)生成數(shù)據(jù)，流數(shù)據(jù)通常也以數(shù)據(jù)記錄的形式發(fā)送。但相較于離線數(shù)據(jù)，流數(shù)據(jù)具有實時、連續(xù)、無界的特征，對于采集、計算、集成的時延要求較高。阿里云流式計算服務部署在分布式集群上，經(jīng)由DataHub高速通道到達的多源監(jiān)測數(shù)據(jù)，進入流計算后，在內(nèi)存中就可以完成數(shù)據(jù)分析，具有延遲時間短的特點，可以在s級甚至ms級完成計算，與以Hadoop MapReduce為代表的批量計算有著本質的差別。基于阿里云Stream Compute技術所設計的電力設備監(jiān)測數(shù)據(jù)流式計算和可視化展示系統(tǒng)框架如圖1所示。

圖1 電力設備監(jiān)測數(shù)據(jù)流式計算和可視化展示系統(tǒng)框架圖Fig.1 Stream computing and visualization of power equipment monitoring data

系統(tǒng)整體架構可以分為3個部分：數(shù)據(jù)采集和交互、實時數(shù)據(jù)處理和數(shù)據(jù)應用。數(shù)據(jù)采集設備嵌入阿里云IOT套件SDK，目前支持主流的MQTT/CCP協(xié)議，可以直接與IOT套件通信。IOT套件用于采集設備終端和云端的雙向通信，可以支撐億級設備長連接，百萬條消息并發(fā)。使用IOT套件規(guī)則引擎，可以配置數(shù)據(jù)實時同步至DataHub。

DataHub服務可以對各種電力設備監(jiān)測所產(chǎn)生的大量流式數(shù)據(jù)進行持續(xù)不斷的采集、存儲和處理。監(jiān)測數(shù)據(jù)進入DataHub之后，便直接由流計算引擎訂閱，監(jiān)測數(shù)據(jù)的實時處理在流計算引擎中完成。流計算產(chǎn)出實時圖表、報警信息、實時統(tǒng)計等各種實時的數(shù)據(jù)處理結果，并可以同步至RDS，用于后期各類實時數(shù)據(jù)消費，包括可視化的實時數(shù)據(jù)展示和實時報表等。此外，流式計算的結果和流數(shù)據(jù)本身也可以再次同步至大數(shù)據(jù)計算引擎，用于支撐后期的歷史數(shù)據(jù)批量計算和分析。

2 基于流計算的電力設備監(jiān)測數(shù)據(jù)實時特征提取

2.1 監(jiān)測數(shù)據(jù)時頻域特征提取

本文的流計算任務主要基于變壓器局部放電特高頻波形數(shù)據(jù)進行實時的時頻分析和特征提取，計算的特征包括：脈沖波形時間重心、頻率重心、等效時寬、等效頻寬、二次等效時寬和二次等效頻寬。

2.1.1 時間重心

設信號的1個脈沖波形時域表達式為s(t)，將|s(t)|2看作時間密度，則基于標準偏差對時域信號進行標準化處理后，信號的時間重心(平均時間)為

tN=∫T0τ[s(τ)]2∫T0[s(t)]2dtdτ

(1)

時間重心可以反映信號時域分布密度的特征及密度集中的位置。

2.1.2 頻率重心

與時域波形相似，設|s(ω)|2表示頻率密度，則經(jīng)過標準化處理后的信號頻率重心(平均頻率)為

ωN=∫0ω[s(ω)]2∫0[s(σ)]2dσdω

(2)

頻率重心可以反映信號頻率分布密度的特征及密度集中的位置。

2.1.3 等效時寬

由時間重心進一步定義等效時寬Wt：

Wt=∫T0(τ-tN)2[s(τ)]2∫T0[s(t)]2dtdτ

(3)

等效時寬表示信號持續(xù)時間，反映了時間重心周圍信號的集中程度。

2.1.4 等效頻寬

由頻率重心定義等效頻寬Wf：

Wf=∫0(ω-ωN)2[s(ω)]2∫0[s(σ)]2dσdω

(4)

等效頻寬表示信號頻譜范圍，反映了頻率重心周圍信號的集中程度。

2.1.5 2次等效時寬和2次等效頻寬

通過引入隨機過程高階統(tǒng)計量，可計算脈沖波形的高維特征量，使波形特征量在數(shù)值上差異更大，更加有利于后續(xù)信號識別，Wkt和Wkf分別為k次等效時寬和k次等效頻寬[19]，其計算公式為：

Wkt=∫T0(τ-tN)2k[s(τ)]2k∫T0[s(t)]2kdtdτWt

(5)

Wkf=∫0(ω-ωN)2k[s(ω)]2k∫0[s(σ)]2kdσdωWf

(6)

當k=2時，Wkt和Wkf分別為2次等效時寬和2次等效頻寬。

2.2 阿里云流式計算服務

阿里云流計算(Alibaba Cloud Stream Compute)是運行在阿里云平臺上的流式大數(shù)據(jù)分析平臺，提供在云上進行流式數(shù)據(jù)實時分析的功能。使用阿里云StreamSQL，可以有效規(guī)避掉底層流式處理邏輯的繁雜重復開發(fā)工作，主要應用于流數(shù)據(jù)分析、實時監(jiān)控、實時報表和實時數(shù)據(jù)倉庫等領域。Stream Compute的典型應用場景及主要的上下游工具組件如圖2所示。

不同于其他開源流計算中間計算框架需要開發(fā)者實現(xiàn)大量的流計算細節(jié)，Stream Compute集成了諸多全鏈路功能，方便進行全鏈路流計算開發(fā)。Stream Compute集成的全鏈路功能包括：(1)流計算引擎。提供標準StreamSQL，支持各類Fail場景的自動恢復；支持故障情況下數(shù)據(jù)處理的準確性；支持多種內(nèi)建的字符串處理、時間和統(tǒng)計等類型函數(shù)。(2)關鍵性能指標超越Storm的6～8倍，數(shù)據(jù)計算延遲優(yōu)化到s級乃至ms級，單個作業(yè)吞吐量可做到百萬條/s，單集群規(guī)模在數(shù)千臺。(3)深度整合包括DataHub、日志服務、RDS、分析型數(shù)據(jù)庫、IOTHub等在內(nèi)的各類數(shù)據(jù)存儲系統(tǒng)，無需額外的數(shù)據(jù)集成工作。

圖2 Stream Compute的典型應用場景及主要的上下游工具組件Fig.2 Typical application scenario and main upstream and downstream tool assembly of Stream Compute

2.3 基于阿里云的實時特征提取的實現(xiàn)

2.3.1 存儲設計

通過IOT套件實時采集的監(jiān)測數(shù)據(jù)暫存在DataHub中。流計算處理產(chǎn)生的結果將存儲在云數(shù)據(jù)庫RDS中。在進行流式處理前，需要首先在阿里云流計算中注冊其存儲信息，才可與這些數(shù)據(jù)源進行互通。

需要在Data Hub中創(chuàng)建項目(Project)和主題(Topic)。Project是DataHub數(shù)據(jù)的基本組織單元，可以包含多個Topic。設計了4個Topic，分別用于暫存原始采樣數(shù)據(jù)和流數(shù)據(jù)統(tǒng)計特征。其邏輯模型和血緣關系如圖3所示。

圖3 存儲邏輯模型和血緣關系設計Fig.3 Storage logic model and related design

在圖3中，a0,a1,a2,…ai, …,an-1代表時域上n個采樣點的波形值；A0,A1,A2, …Ai, …,An-1則代表快速傅里葉變換后n個點的頻譜賦值。

特征提取過程分多步執(zhí)行，分別使用流計算任務實現(xiàn)實時計算。計算中間過程數(shù)據(jù)均使用DataHub的Topic暫存。最終特征計算結果持久化保存至RDS for MySQL數(shù)據(jù)庫。創(chuàng)建表的SQL如圖4所示。

圖4 創(chuàng)建表的SQL描述Fig.4 SQL of create table

2.3.2 流式數(shù)據(jù)處理

流式數(shù)據(jù)處理過程包含4個過程，如下詳述。

(1)注冊DataHub數(shù)據(jù)存儲。數(shù)據(jù)源在使用前必須經(jīng)過流計算中的注冊過程，注冊相當于在流計算平臺中登記相關數(shù)據(jù)源信息，方便后續(xù)的數(shù)據(jù)源使用。

(2)注冊RDS數(shù)據(jù)存儲。當前RDS僅支持MySQL引擎的數(shù)據(jù)庫，其他的數(shù)據(jù)庫引擎暫時不支持。

(3)創(chuàng)建Stream SQL任務。為了完成電力設備監(jiān)測數(shù)據(jù)實時特征提取，創(chuàng)建了4個串行的Stream SQL任務，其依賴關系用工作流有向無環(huán)圖(directed acyclic graph，DAG)描述，如圖5所示。

圖5 實時流計算任務處理流程Fig.5 Processing flow of real time stream computing

Stream Compute的流計算任務主要使用Stream SQL描述，部分功能使用用戶自定義函數(shù)(user define function，UDF)定義，并嵌入到Stream SQL中。快速傅氏變換(fast fourier transformation，F(xiàn)FT)計算的Stream SQL描述如圖6所示。

Stream SQL流計算任務主要包括3個部分：輸入表生成、輸出表生成和數(shù)據(jù)加工過程。Stream Compute并沒有存儲功能，所以這里的輸入和輸出均來自DataHub。數(shù)據(jù)加工中的FFT是UDF，使用Java語言實現(xiàn)。其他流計算過程的代碼結構與圖6類似，這里不再贅述。最后1個流計算任務(計算2次等效時、頻寬)的輸出是RDS FOR MYSQL表，與之前的輸出均不相同。

圖6 FFT計算的Stream SQL描述Fig.6 Stream SQL of FFT computation

(4)上線Stream SQL任務。當完成開發(fā)、調試，經(jīng)過驗證Stream SQL正確無誤之后，可將該任務上線到生產(chǎn)系統(tǒng)中。

2.4 實時可視化展示

數(shù)據(jù)展示使用阿里云數(shù)據(jù)可視化服務(DataV)實現(xiàn)。DavaV提供了多種場景模板和各類報表模板支持。DataV同時支持數(shù)據(jù)庫、應用程序接口、靜態(tài)文件等各類數(shù)據(jù)源的可視化展示。由于本文中流計算的輸出使用了RDS，所以在DataV中使用RDS FOR MYSQL作為數(shù)據(jù)源，與可視化組件綁定，生成動態(tài)、實時的數(shù)據(jù)可視化報表。監(jiān)測數(shù)據(jù)可視化展示效果如圖7所示。

圖7 電力設備監(jiān)測數(shù)據(jù)實時可視化展示大屏Fig.7 Real time visualization of power equipment monitoring data

3 試驗與測試

試驗在阿里云的數(shù)加平臺上完成，使用的服務包括：IOT套件、DataHub、Stream Compute、RDS for MYSQL和DataV。其中，Stream Compute是本次工作的核心功能，申請的硬件配置是10 CU。CU是阿里云流計算中計算單元，1 CU描述了1個流計算作業(yè)最小運行能力，即在限定的CPU、內(nèi)存和輸入/輸出設備 (I/O)情況下對于事件流處理的能力。1個流計算作業(yè)可以指定在1個或者多個 CU上運行。在計算能力上，1 CU的性能處理瓶頸是1 000條數(shù)據(jù)/s。

本文試驗中，使用的是局部放電特高頻波形數(shù)據(jù)，采樣率達到10 GHz，每次采樣時間取2 μs，每次觸發(fā)流計算任務，處理的數(shù)據(jù)規(guī)模為80 KB，含2萬個采樣點。

試驗主要關注流計算的關鍵性能指標包括業(yè)務延遲、計算耗時、數(shù)據(jù)輸入、數(shù)據(jù)輸出、CPU占用、內(nèi)存占用、源表響應時間(response time，RT)和臟數(shù)據(jù)統(tǒng)計等。局部放電數(shù)據(jù)等效時、頻寬流計算任務的性能指標分析如下詳述。

(1)業(yè)務延時。業(yè)務延時等于流計算處理時刻減去流式數(shù)據(jù)業(yè)務時間戳，集中反映當前流計算全鏈路的1個時效情況。業(yè)務延時用來監(jiān)控全鏈路的數(shù)據(jù)處理進度。如果源頭采集數(shù)據(jù)由于故障沒有進入DataHub，業(yè)務延時也會隨之逐漸增大。局部放電數(shù)據(jù)等效時、頻寬流計算業(yè)務延時記錄如圖8所示。當前該流計算任務的業(yè)務延時，包括當前的業(yè)務延時以及歷史的延時曲線。

圖8 業(yè)務延時記錄Fig.8 Service delay record

(2)計算耗時。計算耗時等于1批數(shù)據(jù)從進入流計算過程到最終輸出結果所用的時間，集中反映出當前流計算處理自身的時延，是表征流計算處理能力的一項數(shù)據(jù)指標。一般計算耗時在s級。如果計算耗時大于1 min，可能是由于內(nèi)部處理邏輯過于復雜，需要調優(yōu)。局部放電數(shù)據(jù)等效時、頻寬流計算耗時如圖9所示。

圖9 計算耗時記錄Fig.9 Computation time record

計算耗時頁面會提供當前該流計算任務的計算耗時，包括當前的計算耗時以及歷史的耗時曲線。

(3)數(shù)據(jù)輸入。對流計算任務所有的流式數(shù)據(jù)輸入進行統(tǒng)計，給出數(shù)據(jù)源輸入每s記錄數(shù)(record per second，RPS)，如圖10所示。

圖10 流式數(shù)據(jù)輸入RPSFig.10 RPS of stream data input

(4)數(shù)據(jù)輸出。對該流計算任務所有的數(shù)據(jù)輸出進行統(tǒng)計，給出數(shù)據(jù)源輸出的RPS，如圖11所示。

(5)CPU占用。CPU占用反映的是流計算任務對于CPU資源消耗情況，包括CPU使用率和使用核數(shù)。本試驗中CPU使用核數(shù)為1。CPU使用率如圖12所示。

圖11 流式數(shù)據(jù)輸出RPSFig.11 RPS of stream data output

圖12 CPU占用情況Fig.12 CPU occupancy

(6)內(nèi)存使用率。內(nèi)存使用率反映的是流計算任務對內(nèi)存資源消耗情況，如圖13所示。

圖13 內(nèi)存使用率Fig.13 Memory usage

(7)源表RT。源表RT反映的是流計算讀取1次源數(shù)據(jù)的平均RT時間，如圖14所示。

圖14 源表響應時間Fig.14 Response time of source table

4 結 論

基于阿里云數(shù)據(jù)平臺，以Stream Compute為核心，綜合應用IOT套件、DataHub、RDS和DataV實現(xiàn)了電力設備監(jiān)測數(shù)據(jù)的實時采集、數(shù)據(jù)加工、時頻分析和數(shù)據(jù)可視化展示。通過云監(jiān)控，實時監(jiān)視流計算任務的各項性能參數(shù)，整體計算延時達到s級，可以滿足電力設備在線監(jiān)測、計算和數(shù)據(jù)展示的性能需求。

[1] Tom W. Hadoop權威指南:中文版[M]. 周敏奇，王曉玲，金澈清, 譯. 北京: 清華大學出版社, 2010:51-55.

[2] DEAN J, GHEMAWAT S.MapReduce: simplified data processing on large clusters[C]//6th Conference on Symposium on Opearting Systems Design & Implementation. Berkeley:USENIX Association, 2004:137-150.

[3] AGNEESWARAN V S. Big data analytics beyond hadoop : real-time applications with storm, spark, and more hadoop alte[M]. New Jersey：Pearson Education, 2014：55-70.

[4] 孫大為, 張廣艷, 鄭緯民. 大數(shù)據(jù)流式計算:關鍵技術及系統(tǒng)實例[J].軟件學報, 2014, 25(4):839-862. SUN Dawei, ZHANG Guangyan, ZHENG Weimin. Big data stream computing: Technologies and instances[J]. Journal of Software, 2014, 25(4):839-862.

[5] 林子雨, 林琛, 馮少榮,等. MESHJOIN*:實時數(shù)據(jù)倉庫環(huán)境下的數(shù)據(jù)流更新算法[J]. 計算機科學與探索, 2010, 04(10):927-939. LIN Ziyu, LIN Chen, FENG Shaorong, et al. MESHJOIN*: An algorithm supporting streaming updates in a real-time data warehouse[J]. Journal of Frontiers of Computer Science and Technology, 2010, 4(10):927-939.

[6] SILVA B N, KHAN M, HAN K. Big data analytics embedded smart city architecture for performance enhancement through real-time data processing and decision-making[J/OL].Wireless Communications and Mobile Computing,2017, [2017-01-18].https://doi.org/10.1155/2017/9429676.

[7] 喬通, 趙卓峰, 丁維龍. 面向套牌甄別的流式計算系統(tǒng)[J]. 計算機應用, 2017, 37(1):153-158. QIAO Tong, ZHAO Zhuofeng, DING Weilong. Stream computing system for monitoring copy plate vehicles[J]. Journal of Computer Applications, 2017, 37(1):153-158.

[8] 王德文, 楊力平. 智能電網(wǎng)大數(shù)據(jù)流式處理方法與狀態(tài)監(jiān)測異常檢測[J]. 電力系統(tǒng)自動化, 2016, 40(14):122-128. WANG Dewen, YANG Liping. Stream processing method and condition monitoring anomaly detection for big data in smart grid[J]. Automation of Electric Power Systems, 2016, 40(14): 122-128.

[9] 劉子英, 唐宏建, 肖嘉耀,等. 基于流式計算的Web實時故障診斷分析與設計[J]. 華東交通大學學報, 2014(1):119-123. LIU Ziying, TANG Hongjian, XIAO Jiayao, et al. Analysis and design of web real-time fault diagnosis based on stream computing[J]. Journal of East China Jiaotong University, 2014(1):119-123.

[10] 高歡. 基于流式計算的網(wǎng)絡輿情分析模型研究[J]. 情報學報, 2016, 35(7):723-729. GAO Huan. Research on model of network public opinion analysis based on stream computing[J]. Journal of the China Society for Scientific and Technical Information, 2016, 35(7):723-729.

[11] 張麗巖, 馬健. 流式計算在交通信息實時處理中的應用框架初探[J]. 物流科技, 2014, 37(9):8-9. ZHANG Liyan, MA Jian. A preliminary application framework study of stream computing in traffic information real-time processing[J]. Logistics Sci-Tech, 2014, 37(9):8-9.

[12] 周建寧, 徐曉東, 蔡崗. 流式計算在交通管理中應用研究[J]. 中國公共安全:學術版, 2016(1):70-75. ZHOU Jianning, XU Xiaodong, CAI Gang. Study on the application of steam computing in traffic management[J]. China Public Security， Academy Edition, 2016(1):70-75.

[13] SHRUTHI K, SIDDHARTH P. Easy, real-time big data analysis using storm [EB/OL]. [2012-12-04]. http://www.drdobbs.com/cloud/easy-real-time-big-data-analysis-using-s/240143874?pgno=1.

[14] 張少敏, 孫婕, 王保義. 基于Storm的智能電網(wǎng)廣域測量系統(tǒng)數(shù)據(jù)實時加密[J]. 電力系統(tǒng)自動化, 2016, 40(21):123-127. ZHANG Shaomin, SUN Jie, WANG Baoyi. Storm based real-time data encryption in wide area measurement system of smart grid[J]. Automation of Electric Power Systems, 2016, 40(21):123-127.

[15] 王銘坤, 袁少光, 朱永利,等. 基于Storm的海量數(shù)據(jù)實時聚類[J]. 計算機應用, 2014, 34(11):3078-3081. WANG Mingkun, YUAN Shaoguang, ZHU Yongli, et al. Real-time clustering for massive data using storm[J]. Journal of Computer Applications, 2014, 34(11):3078-3081.

[16] 阿里云. 流計算產(chǎn)品特點[EB/OL]. [2017-02-28]. https://help.aliyun.com/document_detail/49930.html ?spm=5176.doc49929.6.550.DVbqvj.

[17] 阿里云. 阿里云DataHub[EB/OL]. [2016-11-21]. https://data.aliyun.com/product/datahub?spm=a2c0j.117599.588239.11.abJECp.

[18] 阿里云. DataV數(shù)據(jù)可視化[EB/OL]. [2016-09-15]. https://data.aliyun.com/visual/datav?spm=a2c0j.117599.416540.109.abJECp.

[19] 鮑永勝. 局部放電脈沖波形特征提取及分類技術[J]. 中國電機工程學報, 2013, 33(28):168-175. BAO Yongsheng. Partial discharge pulse waveform feature extraction and classification techniques[J]. Proceedings of the CSEE, 2013, 33(28):168-175.

(編輯 郭文瑞)

Stream Computing and Dynamic Visualization for Electric Power Equipment Monitoring Data

LI Li, ZHU Yongli, SONG Yaqi

(School of Control and Computer Engineering, North China Electric Power University, Baoding 071003, Hebei Province, China)

Real-time analysis and visualization of power equipment monitoring data are the important contents of smart grid construction. The traditional data processing model represented by Hadoop cannot meet the requirements of business delay. This paper presents a method of stream computing and dynamic visualization for power equipment monitoring data based on Alibaba Cloud Stream Compute, and uses Stream Compute upstream and downstream service to build an application system for time-frequency analysis and visualization of power equipment monitoring data. The experimental tests show that the overall processing delay of the system is controlled at the second level, which can meet the performance requirements of on-line monitoring and real-time data display.

on-line monitoring; big data; stream computing; data visualization; Alibaba cloud

國家自然科學基金項目(51677072); 中央高校基本科研業(yè)務費專項資金資助項目(2016MS116，2016MS117)

TM 93

A

1000-7229(2017)05-0091-07

10.3969/j.issn.1000-7229.2017.05.012

2016-10-15

李莉(1980)，女，博士研究生，講師，本文通信作者，主要從事輸變電設備狀態(tài)檢測大數(shù)據(jù)分析與信號處理等方面的研究工作；

朱永利(1963)，男，教授，博士生導師，主要從事大數(shù)據(jù)技術在輸變電設備狀態(tài)監(jiān)測數(shù)據(jù)分析中的應用與智能信息處理等方面的研究工作；

宋亞奇(1979)，男，博士，講師，主要從事電力大數(shù)據(jù)與云計算等方面的研究工作。

Project supported by National Natural Science Foundation of China(51677072)