多源异构的智能配用电数据存储处理技术

葛磊蛟 王守相 王 尧 郭乃网

（1.天津大学电气与自动化工程学院 天津 300072 2.河北工业大学电气工程学院 天津 300055 3.国网上海市电力公司 上海 200122）

0 引言

随着智能电网建设的推进，智能配用电的快速建模、仿真等高级应用技术[1]以及云计算、互联网技术等在电力系统中得到了越来越多的应用。这些新兴技术的应用需要大量基础的输入数据，与传统的配电网潮流计算、短路计算等稳态分析相比，数据形式从一个时间断面变成一段时间（一天、一月、一年乃至多年）的整体数据或者办公文档、文本、图片、视频、音频等非结构化数据，现有的结构化数据已无法满足其实际运算需求。同时，智能配用电采集的数据不仅采集频率大幅增强，而且采集类型呈多样化。一方面，常规的配电管理系统、地理信息系统（Geographic Information System,GIS）、配电 SCADA系统、用电信息采集系统、95598等配用电相关的系统采集运行配用电管理、计量计费等结构化数据，使得网省公司年数据量达到TB级，甚至 PB级，从存储的经济性角度考虑需要应用大数据存储管理技术；另一方面，电力客户的文本信息、视频数据、图片数据等非结构化数据，能够更加客观清晰地表达用户信息，是大数据技术分析的重要基础数据，如果依然按照配用电相关的各个应用系统分别采集-传输-集中存储的方式，将使数据冗余大、重复存储多、系统资源利用率低等问题更加突出，并且主流关系型数据库一般不支持非结构数据的存储。

近年来，国内外针对非结构化数据的管理已开展了很多研究。文献[2]提出通过元数据管理、统一数据接口、异构存储以及数据的高可用性与一致性等数据标准化流程，设计一种异构存储设施的选择机制，完成了非结构化数据统一存储管理平台的构建。文献[3]从非结构化数据的特征提取方法、分布式索引方法和局部索引的分片策略三方面介绍了非结构化数据的分布式分析和索引方法。

国内外学者针对大数据技术以及相关算法在电力系统和相关行业中的应用也开展了一些相关研究。文献[4]提出一种基于云计算技术的电力大数据属性预处理简约方法。文献[5]提出一种面向大电网多级调度管理一体化的融合型搜索引擎设计方法，实现了分布式环境下的异构数据资源整合。文献[6]在智能调度系统方面提出了一种基于云架构的无损集压缩新方法。文献[7]提出利用 Hadoop云平台的改进方案，解决了智能电网海量数据存储中节点状态信息缺失、系统负载不均、存储效率下降等诸多瓶颈问题，提升了计算机存储性能。文献[8]提出利用 Hadoop云平台对人类的购物、医疗、日常交谈和视频分享等方面信息进行大数据分析，并提出一种复合回话的新方法，提高了大数据分析的速度。

当前国内外对云计算技术[9-14]、Hadoop[15-18]以及智能电网的大数据应用方面都有研究[19-27]，但是对作为大数据分析基础的多源异构配用电数据的存储处理技术方面涉及不多。本文针对智能配用电数据具有海量、结构化与非结构化混杂、多源异构等特点，从资源层、存储层和查询层三方面阐述了基于 Hadoop技术的智能配用电数据存储处理技术框架设计方案，为配用电大数据的应用奠定了良好的基础。

1 多源异构的智能配用电数据

在国家实施区域能耗总量控制的背景下，智能配用电成为电力行业中实现电网资源优化配置、电能合理利用、节能降耗和能效提升的重要手段。由于智能配用电涉及政府、企业、商业用户与居民用户等众多市场参与主体，含有量大面广的电力设备和应用系统，为了支撑这些设备和系统的正常运行，保障相关电力业务的开展，必然涉及对多途径、多类型的输入、输出海量数据的处理[28-33]。

智能配用电涉及的海量数据根据其所属用户性质，主要分为电网企业、电力用户、政府及第三方机构三个方面分别对应的电网数据、用户数据和社会数据。这些数据一般以信息集成化平台的方式呈现，如图1所示。其中，电网企业数据主要包括配电自动化、GIS、SCADA、用电信息采集系统、客户营销服务系统、用户用能管理系统以及95598等各个业务部室所需的电网数据；电力用户数据主要包括分布式电源 EMS、微电网 MG-EMS、家庭HEMS、楼宇BEMS、企业EMS等用户数据；政府及第三方机构数据主要包括气象监测系统、能耗监管系统、智慧城市监控系统、能源公共服务平台等社会数据。

图1 智能配用电数据组成Fig.1 Data components of smart power distribution and utilization

智能配用电各参与主体由于所聚焦的业务重心和关注重点不完全一致而存在信息异构，不仅包括硬件异构，即国-网-省-市-县多级电网企业分布式配置的大型服务器、单片机、普通 PC等不同层次、品牌、性能配置混杂的硬件资源；也包括软件异构，主要有Linux、Windows等不同操作系统，Oracle、SQL Service、MySQL等不同数据库以及多参与主体根据业务所需所设计的应用平台[34,35]。智能配用电在数据异构方面呈现如下特点。

（1）设计风格异构。作为智能配用电建设与运营的电网企业一般从售电、电网安全和经济等角度，重点关注电网的计费计量（累计有功电量、累计无功电量、功率因数等）、客户的用能习惯分析（负荷总量、电网总用电量等）、配电网的调度管理（电压、电流、频率等）、电能服务质量（用户总量、满意度等）等方面的数据；作为电能供应服务使用者的电力用户从经济性、舒适性出发，重点关心当前的能源消耗量（日、月、年用电量等）、成本（月电费、年电费等）等数据；作为监管和服务部门的政府及第三方机构则从全社会能耗分布、能源和气候关系等方面，聚焦于能耗总量（总电量、总用水量、总用油量等）、节能减排（标煤总量、CO2总排放量等）等数据。于是，不同主体根据自身业务需求出发，设计了不同结构的数据库、表、字段。若同一数据在电力企业、电力用户、政府及第三方机构之间进行数据对接，需要大量的数据转换和解析工作。

（2）存储方式异构。智能配用电涉及的电网企业、电力用户、政府及第三方结构等多方主体均各自具有多个应用系统。在单一主体内部的多个应用系统之间不仅所选择的数据存储软、硬件平台不同，而且数据重复采集和存储，即使近年来数据总线技术、共享内存技术等得到较好的应用，但是数据的冗余依然较大；在主体与主体之间的数据存储由于涉及数据隐私、组织管理、经济能力等诸多方面，所选用的存储形式有直接附加存储、网络附加存储、存储域网络等多种形式，存在较大的兼容性方面的实际问题。

（3）结构化与非结构化共存。智能配电网相关的传统业务涉及状态估计、潮流计算、短路计算等稳态分析，主要由结构化数据支撑。随着分布式电源、微电网、电动汽车接入智能配电网以及电网与用户的双向互动化、区域负荷预测、第三方机构的客户在线认证、客户日志信息分析等高级应用业务分析的发展，智能配用电的基础分析数据包含了越来越多的文本、视频、声音等非结构化数据。这形成了结构化和非结构化数据共存的情形。

智能配用电数据具有海量、数据更新速度极快、分布地域广泛等特点。当前非结构化数据管理技术、大数据存储和分析技术均处于研究阶段，数据挖掘分析技术手段还不够完善、大数据快速分析算法还不够成熟。而当前硬盘、磁盘阵列等IT信息存储物理设备在缓存容量、硬盘容量和处理器速度以及性价比、异构兼容性等方面也正处在发展之中。因此，构建一种快速有效的智能配用电数据存储管理解决方案是十分必要的。

2 多源异构的智能配用电数据存储技术框架

智能配用电数据一方面具有用户种类复杂、点多面广、类型多样、海量、难以快速发现有价值信息和规律性等特点，另一方面具有很多内在的规律，符合大数据的信息特征，具备很大的挖掘空间。如果能够合理利用有效的大数据分析工具对用户的日志信息（视频、音频、文本等）、用电习惯、用能特性进行分析，对区域范围内的能源需求进行有效预测和预判，可为未来营销业务的拓展提供新思路和新途径。

为此，将结构化和非结构化混合组成的智能配用电数据按照资源、存储和查询等三个层级设计对其进行管理，如图2所示。其中，资源层主要实现智能配用电大数据计算资源的虚拟化、标准化和负载均衡；存储层实现大数据的快速存储管理；查询层实现海量数据的快速检索。下面将逐一进行详细阐述。

图2 智能配用电数据存储技术架构Fig.2 Architecture of data storage technology of smart power distribution and utilization

3 资源层

智能配用电数据存储技术的资源层是技术平台的基础，该层选用 Hadoop集群技术，结合电力系统的资源特性和负载均衡优化策略，完成存储资源管理。其工作原理是：首先，基于分布式的主从式技术将智能配用电中的服务器、PC、移动终端和瘦终端等硬件资源虚拟化，在这些硬件平台上构建Master/Slave集群的逻辑结构，为Hadoop分布式平台的搭建提供支撑；其次，通过 Hadoop技术中的HDFS（hadoop distributed file system）和 MapReduce完成智能配用电数据存储调度和管理；最后，通过资源层的优化调度方法，实现电力系统智能配用电的IT资源高效利用，如图3所示。

图3 智能配用电数据存储资源层框架Fig.3 Research layer architecture of data storage technology of smart power distribution and utilization

3.1 Hadoop技术

Hadoop是目前百度、新浪、Amazon、Facebook、淘宝等国际国内大型 IT企业最为广泛应用的开源云计算软件平台之一；由 Common、HDFS和MapReduc三部分构成，支持在大量廉价异构的IT硬件设备组成的计算机集群上运行大型数据库应用程序的开源分布式 Maser/Slave计算框架。其中，Common的发展经历了两个阶段，第一阶段是Hadoop 0.20及以前版本，主要包含 HDFS、MapReduce和其他项目的所有公共内容；第二阶段是从0.21版本开始，由于 HDFS和 MapReduce全部成为独立项目，则HDFS和MapReduce以外的所有公共内容均为Hadoop Common。

1）HDFS

HDFS是一个针对 PB级大数据存储和管理的分布式文件系统，类似Google的GFS（google file system），能够管理结构化和非结构化数据，采用典型的Master/Slave结构，其 Master/Slave调度管理分别对应NameNode/DataNodes进程。

其工作方式为运行于Master节点的Namenode进程对智能配用电 IT资源虚拟化后的元数据（FSImage信息和 EditLog信息）进行管理；运行于Slave节点上的DataNodes进程，将智能配用电的任意一个大文件按照缺省的64M 数据块进行分割，并存储在分区分层的多个不同数据Slave节点上。

2）MapReduce

MapReduce是一种大规模 PB级别的典型Master/Slave数据处理计算模型，其Master/Slave分别对应 JobTracker/TaskTrackers进程，且每一个JobTacker和TaskTrackers进程均含有Map和Reduceh函数。

其工作原理是 Map函数负责将智能配用电数据打散，Reduce函数负责将数据合并，即由用户定义的Map函数负责将数据打散从而形成一个对，以及映射成有若干相同Key值的中间对；然后，由用户定义的Reduce函数负责将所有这些中间的有着相同Key值的Values进行合并。

3.2 资源层的负载均衡优化调度策略

在充分利用网省公司现有的配电自动化主站、GIS主站、用电信息采集系统主站等数据中心软硬件IT资源前提条件下，以现有的配电自动化主站平台构建智能配用电的大数据资源层的主节点，由于企业内外网的关系，分别配置企业内网Master节点和外网Master节点，且均配置有互为备用的冗余热备用节点；其中，内网Master节点负责内网的资源调度管理，外网Master节点负责外网的资源调度管理；其他网省公司应用平台均作为从节点，并将空闲的办公、区/市/县配用电相关的前置子系统以及电网企业外网的政府与第三方机构、电力用户等的IT资源，也作为资源层的从节点，利用电力业务所构建的光纤、以太网、无线GPRS网、微功率230MHz无线等网络作为连接纽带，与用户、第三机构进行友好互联互通，从而组成一个多源异构的智能配用电大数据中心集群。

为有效提升集群的计算层每一台设备运行性能，进行静态和动态相结合的负载均衡优化调度策略，如图4所示。电网企业内网，由内网Master节点负责调度管理，采用静态负载均衡优化调度策略，即带权重的轮循算法。图4中，小圆圈内的数字代表每一个 Slave节点所占的缺省权重系数，依次循环利用内网的IT资源；在电网企业外部网，由外网Master节点负责调度管理，采用动态负载均衡优化调度策略，即最快响应速度算法。图4中，小椭圆内的数字代表每一个Slave节点所缺省的响应时间，根据时间的长短，依次利用外网的IT资源。

图4 智能配用电数据存储资源层负载均衡优化调度策略Fig.4 Optimization scheduling strategy for resource layer of data storage technology of smart power distribution and utilization

4 存储层

智能配用电数据存储技术的存储层是实现数据存储输入的标准化和分布式存储，主要由数据预处理和 NoSQL两部分构成。其中，数据预处理主要负责将结构化和非结构化数据的元数据统一为标准化XML格式，为数据的存储和检索提供基础条件；NoSQL则是对数据进行实际的分布式存储。

4.1 数据预处理

智能配用电的数据有以下几个特点：①视频、音频、文本等非结构化数据格式不同，存储空间范围和元数据的内存划分尺度不同；②相同数据格式的结构化数据，不同用户的数据容量大小和属性不同；③不同数据格式和不同数据属性组成混合文件属性。如此多样性的数据，给数据存储、分析和检索均带来诸多不便，因此进行数据预处理使所有的基础数据成为标准化系统可识别数据是存储设计的第一步。

多源异构的智能配用电数据预处理策略是：结构化数据由于异构性相对简单，预处理主要包括数据变换和数据归一化两部分；而非结构化数据预处理主要包括数据的清洗、选样、变换和归一化四部分，最终实现将结构化和非结构化数据的元数据以XML（extensible markup language）格式存入实际数据所在的Slave节点中，从而完成数据预处理工作。预处理过程如图5所示，其中，XML是一种用于标记电子文件使其具有结构化的标记语言，用来标记数据、定义数据类型，提供统一的方法来描述和交换独立于应用程序或供应商的结构化数据；XML非常适合万维网传输，易于通过HTTP协议传输，并支持标准的DOM、SAX、XSLT、Xpath等 API接口[36,37]。

智能配用电数据通过数据预处理后，结构化和非结构化数据的元数据形成统一标准 XML格式，为数据处理提供了基础。然后利用基于 Hadoop平台通过 NoSQL技术对智能配用电数据进行实际分布式存储。

4.2 数据快速存储优化策略

智能配用电数据存储技术的存储层经过数据预处理后，实现了元数据全部以 XML格式存储于实际数据所在的Slave节点中，故其实际数据在NoSQL上分配的存储策略为：①数据主节点依据内外网原则，进行冗余热备用；②电网企业内、外网的数据完全隔离存储，即电网企业内部数据仅仅存储于电网内部的IT资源，外网数据存储在相应的单位IT资源中；③将配电自动化、GIS、SCADA、用电信息采集系统、客户营销服务系统、用户用能管理系统以及95598等内网数据按照业务部室属性进行分类，即电网内部数据分为低压配电、用电、营销、客服等，分别进行数据的分类存储，电网企业外部数据依据政府、第三方机构、电力用户等不同对象分别进行分类存储；④最小路径分配存储策略，即以 NoSQL中主节点为出发点，先从元数据中查询所属类别的对应 XML数据表，然后从元数据XML表中分配足够的存储空间给原始数据，若同类元数据 XML表中剩余存储空间不足时，以相邻最近为原则以续存方式给原始数据分配所缺额的存储空间，最后依据XML存储分配信息寻找距离Slave节点路径最近的对应空闲 IT资源进行优先分配存储，如图6所示。

图6 数据快速存储优化策略Fig.6 Fast storage optimization strategy for data

5 查询层

智能配用电数据存储技术的查询层主要实现智能配用电数据的快速数据检索。数据检索是指将经过选择、整理和评价的数据存入某些存储设备载体或者管理系统中后，根据用户需要或者设定的关键字从某些数据集合中检索所需数据的过程或技术。

含有结构化和非结构化数据类型的智能配用电数据，其主要查询原则是：①类型不同，采用的查询策略不同；②针对传统的结构化数据，一般采用传统的关键字、条件等检索方法；③针对非结构化数据，按照文本、图像、音频和视频等不同数据类型分别进行检索，如图7所示。

图7 智能配用电大数据检索技术Fig.7 Data retrieval of big data for smart power distribution and utilization

数据检索并行策略如图8所示。智能配用电数据存储技术的查询层，进行分层分区并行策略，即：①当数据查询时，先在Master主节点上，依据用户的检索需求，从节点对所有的Slave依次进行多进程的XML半结构化数据并行Top-k检索，从Slave从节点中找到所查询数据的映射信息；②在 Slave节点上，依据用户检索到的XML节点存储映射信息，先确定所检索数据所属的分类区域（电网企业内部数据区、电网企业外部数据区、电网内部数据的中低压配电数据/用电/营销/客服数据区、电网外部数据的政府/第三方机构/电力用户数据区），然后确定所查询数据的类型；③依据所确定的分区和数据类型，在 Slave节点上运行 Top-k方法查询数据的实际映射地址，并结合第一步从节点所检索到的数据所属分区，快速定位原始数据的确定位置。

6 结论

多源异构的智能配用电的海量数据面临存储维护难的技术问题，本文在存储处理方面，按照计算层、存储层和查询层的思路在一定程度上解决了海量智能配用电信息数据的存储和管理问题。但是由于智能配用电数据关系企业的用能特点和居民用户的生活习惯，涉及一定的个人隐私或者商业机密，如何进行数据的安全性保护和网络共享以及如何合理挖掘利用这些大数据，是下一步的研究重点。同时，本设计方案从先进理念上对智能配用电数据中心的大数据存储进行了前期框架设计，其效果需在其具体实施过程中进行验证及必要改进。

图8 数据检索并行策略Fig.8 Parallel strategy for data retrieval

[1] 王守相,王成山.现代配电系统分析[M].2版.北京:高等教育出版社,2014.

[2] 何颖鹏.非结构化数据统一存储平台的设计与实现[D].杭州:浙江大学,2013.

[3] 余斌.海量非结构化数据分布式分析与检索[D].杭州:浙江大学,2012.

[4] 曲朝阳,陈帅,杨帆,等.基于云计算技术的电力大数据预处理属性简约方法[J].电力系统自动化,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,朱力鹏,胡斌,等.面向多级调度管理的融合型搜索引擎[J].电力系统自动化,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] 屈志坚,郭亮,陈秋琳,等.Hadoop 云构架的智能调度无损集群压缩技术[J].电力系统自动化,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] 刘道新,胡航海,张健,等.大数据全生命周期中关键问题研究及应用[J].中国电机工程学报,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] 屈志坚,郭亮,刘明光,等.智能配电网量测信息变断面柔性压缩新算法[J].中国电机工程学报,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.基于云计算的电力数据中心基础架构及其关键技术[J].电力系统自动化,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] 高涛.基于云计算的配电自动化系统设计[J].电气技术,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,张卫涛,葛磊蛟.智能配电网统一模型云与应用服务技术系统[J].电力自动化设备,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] 王保义,赵硕,张少敏.基于云计算和极限学习机的分布式电力负荷预测算法[J].电网技术,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] 宋亚奇,周国亮,朱永利,等.云平台下输变电设备状态监测大数据存储优化与并行处理[J].中国电机工程学报,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] 曲朝阳,朱莉,张士林.基于Hadoop的广域测量系统数据处理[J].电力系统自动化,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] 宋亚奇,周国亮,朱永利.智能电网大数据处理技术现状与挑战[J].电网技术,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] 赵腾,张焰,张东霞.智能配电网大数据应用技术与前景分析[J].电网技术,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] 刘巍,黄曌,李鹏,等.面向智能配电网的大数据统一支持平台体系与架构[J].电工技术学报,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] 周国亮,朱永利,王桂兰,等.实时大数据处理技术在状态监测领域中的应用[J].电工技术学报,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] 韩璞,袁世通.基于大数据和双量子粒子群算法的多变量系统辨识[J].中国电机工程学报,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] 刘伯颖,李志刚,黄晓勤,等.复杂系统的可靠性优化分配方法及应用[J].电工技术学报,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,陈星田,翁世杰.支持大数据分析的发电厂变电站全息录波方法[J].电力系统保护与控制,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] 杨永标,周立秋,丁孝华,等.智能配用电园区技术集成方案[J].电力系统自动化,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] 杨凯,余高旺,宋勇辉,等.智能变电站冗余数据处理方案的研究与应用[J].电力系统保护与控制,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] 唐志军,邹贵彬,高厚磊,等.含分布式电源的智能配电网保护控制方案[J].电力系统保护与控制,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] 欧阳柳波,李学勇,杨贯中,等.基于近似匹配模型的XML元数据检索[J].计算机应用,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.