2.3數(shù)據(jù)處理技術(shù)

智能電網(wǎng)大數(shù)據(jù)的應(yīng)用類(lèi)型多，需要根據(jù)不同的業(yè)務(wù)需求采用不同的數(shù)據(jù)處理技術(shù)。根據(jù)大數(shù)據(jù)的數(shù)據(jù)特征和計(jì)算需求，大數(shù)據(jù)處理技術(shù)分流處理、批處理、內(nèi)存計(jì)算、圖計(jì)算等。

2.3.1 流處理

流處理的處理模式將數(shù)據(jù)視為流，源源不斷的數(shù)據(jù)組成了數(shù)據(jù)流，當(dāng)新的數(shù)據(jù)到來(lái)時(shí)就立刻處理并返回所需的結(jié)果。數(shù)據(jù)流本身具有持續(xù)達(dá)到、速度快且規(guī)模巨大等特點(diǎn)，因此通常不會(huì)對(duì)所有的數(shù)據(jù)進(jìn)行永久化存儲(chǔ)，而且數(shù)據(jù)環(huán)境處在不斷的變化之中，系統(tǒng)很難準(zhǔn)確掌握整個(gè)數(shù)據(jù)的全貌。目前廣泛應(yīng)用的流處理系統(tǒng)有Twitter Storm和Yahoo S4。

Storm是分布式實(shí)時(shí)計(jì)算系統(tǒng)，主要用于流數(shù)據(jù)處理，可以簡(jiǎn)單、高效、可靠地處理大量的數(shù)據(jù)流。它能夠處理源源不斷流進(jìn)來(lái)的信息，處理之后將結(jié)果寫(xiě)入到某個(gè)存儲(chǔ)中去。Storm的優(yōu)點(diǎn)是全內(nèi)存計(jì)算，因?yàn)閮?nèi)存尋址速度是硬盤(pán)的百萬(wàn)倍以上，所以Storm的速度較快。Storm彌補(bǔ)了Hadoop批處理所不能滿(mǎn)足的實(shí)時(shí)要求，經(jīng)常用于實(shí)時(shí)分析、在線(xiàn)機(jī)器學(xué)習(xí)、持續(xù)計(jì)算、分布式遠(yuǎn)程調(diào)用和ETL等領(lǐng)域。

2.3.2 批處理

Google公司在2004年提出的Map-Reduce是最具代表性的批處理模式。Map-Reduce是一個(gè)使用簡(jiǎn)易的軟件框架，用于大規(guī)模數(shù)據(jù)集的并行運(yùn)算，主要用來(lái)進(jìn)行大規(guī)模離線(xiàn)數(shù)據(jù)分析。基于它實(shí)現(xiàn)的應(yīng)用程序能夠運(yùn)行在由數(shù)千個(gè)商用機(jī)器組成的大型集群上，并以一種可靠容錯(cuò)的并行處理大規(guī)模數(shù)據(jù)集。Map-Reduce的核心思想是將問(wèn)題分而治之，并把計(jì)算推到數(shù)據(jù)所在的服務(wù)器，有效地避免數(shù)據(jù)傳輸過(guò)程中產(chǎn)生的大量通信開(kāi)銷(xiāo)。

Map-Reduce的優(yōu)點(diǎn)主要有2個(gè)方面：①不僅能用于處理大規(guī)模數(shù)據(jù)，而且能將很多繁瑣的細(xì)節(jié)隱藏起來(lái)，如自動(dòng)并行化、負(fù)荷均衡和災(zāi)備管理等，這將極大簡(jiǎn)化開(kāi)發(fā)工作;②伸縮性非常好，集群能夠方便的擴(kuò)展。而Map-Reduce的不足是其不適應(yīng)實(shí)時(shí)應(yīng)用的需求，只能進(jìn)行大規(guī)模離線(xiàn)數(shù)據(jù)分析。

2.3.3 內(nèi)存計(jì)算

隨著內(nèi)存價(jià)格的不斷下降，服務(wù)器配置的內(nèi)存容量不斷增大，用內(nèi)存計(jì)算來(lái)完成大規(guī)模數(shù)據(jù)處理成為可能。與Hadoop Map-Reduce批處理相比，內(nèi)存計(jì)算能夠提供高性能的大數(shù)據(jù)分析處理能力。內(nèi)存計(jì)算是一種體系結(jié)構(gòu)上的解決方法，它可以和各種不同的計(jì)算模式相結(jié)合，包括批處理、流處理、圖計(jì)算等。比如Spark是分布式內(nèi)存計(jì)算的一個(gè)典型并行計(jì)算框架，Spark基于Map-Reduce算法實(shí)現(xiàn)的分布式計(jì)算，擁有Hadoop Map-Reduce所具有的優(yōu)點(diǎn);但不同于Map-Reduce的是Job中間輸出結(jié)果可以保存在內(nèi)存中，從而不再需要讀寫(xiě)HDFS，因此Spark具有更好的性能，適用于數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí)等需要迭代的Map-Reduce的算法。

智能電網(wǎng)大數(shù)據(jù)應(yīng)用根據(jù)業(yè)務(wù)特點(diǎn)和對(duì)處理響應(yīng)的時(shí)間來(lái)選擇數(shù)據(jù)處理的方式，針對(duì)電網(wǎng)安全在線(xiàn)分析、電網(wǎng)運(yùn)行監(jiān)控等業(yè)務(wù)，數(shù)據(jù)實(shí)時(shí)性要求高、需要作出迅速響應(yīng)，可以采用流處理內(nèi)存計(jì)算;而對(duì)于用戶(hù)用電行為分析等業(yè)務(wù)，實(shí)時(shí)性和響應(yīng)時(shí)間要求低，可以采用批處理方式。

2.4數(shù)據(jù)分析技術(shù)

數(shù)據(jù)分析是智能電網(wǎng)大數(shù)據(jù)處理的核心，由于大數(shù)據(jù)的海量、復(fù)雜多樣、變化快等特性，大數(shù)據(jù)環(huán)境下的傳統(tǒng)小數(shù)據(jù)分析算法很多已不再適用，需要采用新的數(shù)據(jù)分析方法或?qū)ΜF(xiàn)有數(shù)據(jù)分析方法進(jìn)行改進(jìn)。

數(shù)據(jù)挖掘方法主要有分類(lèi)、關(guān)聯(lián)分析、聚類(lèi)、異常檢測(cè)、回歸分析等，其中每一類(lèi)包括眾多的算法。分類(lèi)包括支持向量機(jī)、決策樹(shù)、貝葉斯、神經(jīng)網(wǎng)絡(luò)等技術(shù);關(guān)聯(lián)分析包括Apriori、FP-growth等算法;聚類(lèi)分析分為劃分法、層次法、密度法、圖論法、模型法等，具體算法如k-means 算法、K-MEDOIDS算法、Clara算法、Clarans算法、SOM神經(jīng)網(wǎng)絡(luò)、FCM聚類(lèi)算法等;異常檢測(cè)包括基于統(tǒng)計(jì)、距離、偏差、密度等方法。在智能電網(wǎng)應(yīng)用中需要對(duì)現(xiàn)有的算法進(jìn)行優(yōu)化和并行化改進(jìn)，實(shí)現(xiàn)分布式處理。

機(jī)器學(xué)習(xí)是面向任務(wù)解決的基于經(jīng)驗(yàn)提煉模型實(shí)現(xiàn)最優(yōu)解設(shè)計(jì)的計(jì)算機(jī)程序，通過(guò)經(jīng)驗(yàn)學(xué)習(xí)規(guī)律，一般應(yīng)用在缺少理論模型指導(dǎo)但存在經(jīng)驗(yàn)觀(guān)測(cè)的領(lǐng)域中。機(jī)器學(xué)習(xí)分為歸納學(xué)習(xí)、分析學(xué)習(xí)、類(lèi)比學(xué)習(xí)、遺傳算法、聯(lián)接學(xué)習(xí)、增強(qiáng)學(xué)習(xí)等。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)研究中的一個(gè)新的領(lǐng)域，2006年由Hinton等提出，其目的在于建立模擬人腦進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，目前深度學(xué)習(xí)在語(yǔ)音識(shí)別、圖像識(shí)別、機(jī)器翻譯等領(lǐng)域進(jìn)行了應(yīng)用，并取得了較好的效果。

智能電網(wǎng)大數(shù)據(jù)挖掘主要為結(jié)構(gòu)化數(shù)據(jù)，同時(shí)也存在文本、圖像、音頻、視頻等數(shù)據(jù)，在智能電網(wǎng)大數(shù)據(jù)應(yīng)用中需要針對(duì)具體的業(yè)務(wù)采用合適的數(shù)據(jù)分析方法。

3、智能電網(wǎng)大數(shù)據(jù)平臺(tái)

3.1核心平臺(tái)框架

智能電網(wǎng)大數(shù)據(jù)應(yīng)用需要構(gòu)建在大數(shù)據(jù)平臺(tái)之上，大數(shù)據(jù)平臺(tái)為應(yīng)用提供統(tǒng)一數(shù)據(jù)接入、清洗、存儲(chǔ)、管理、分析計(jì)算等功能。大數(shù)據(jù)核心平臺(tái)由基礎(chǔ)資源、數(shù)據(jù)存儲(chǔ)、數(shù)據(jù)分析與處理、數(shù)據(jù)管理、平臺(tái)服務(wù)和平臺(tái)管控等組成。

基礎(chǔ)資源層主要包括計(jì)算資源池、存儲(chǔ)資源池、網(wǎng)絡(luò)資源池，為虛擬化的資源，能夠?qū)崿F(xiàn)彈性的資源供給和擴(kuò)展。基于存儲(chǔ)資源池實(shí)現(xiàn)大數(shù)據(jù)平臺(tái)的各種數(shù)據(jù)存儲(chǔ)功能，包括分布式文件系統(tǒng)、分布式數(shù)據(jù)庫(kù)、傳統(tǒng)數(shù)據(jù)庫(kù)和數(shù)據(jù)倉(cāng)庫(kù)。數(shù)據(jù)管理實(shí)現(xiàn)大數(shù)據(jù)平臺(tái)的接入管理、數(shù)據(jù)清洗、數(shù)據(jù)統(tǒng)一建模、數(shù)據(jù)檢索、數(shù)據(jù)服務(wù)等功能。數(shù)據(jù)分析與處理是大數(shù)據(jù)平臺(tái)的核心，大數(shù)據(jù)平臺(tái)根據(jù)具體業(yè)務(wù)需求能夠提供批處理、流處理等功能，同時(shí)平臺(tái)能夠提供通用的數(shù)據(jù)分析算法包或工具，包括數(shù)據(jù)挖掘、統(tǒng)計(jì)分析、機(jī)器學(xué)習(xí)等。平臺(tái)管控包括資源調(diào)度、集群管控、安全管控、用戶(hù)管理等，實(shí)現(xiàn)對(duì)平臺(tái)的監(jiān)控、調(diào)度和管理。

3.2應(yīng)用框架

結(jié)合智能電網(wǎng)的應(yīng)用需求，在大數(shù)據(jù)核心平臺(tái)之上構(gòu)建各類(lèi)大數(shù)據(jù)應(yīng)用。面向智能電網(wǎng)大數(shù)據(jù)的應(yīng)用框架見(jiàn)圖4。應(yīng)用整體框架分?jǐn)?shù)據(jù)集成與交互層、大數(shù)據(jù)核心平臺(tái)層、應(yīng)用層。

4、結(jié)語(yǔ)

1)智能電網(wǎng)大數(shù)據(jù)數(shù)據(jù)量大、類(lèi)型多樣、數(shù)據(jù)特征復(fù)雜，同時(shí)業(yè)務(wù)應(yīng)用需求場(chǎng)景多，且存在交叉融合，對(duì)現(xiàn)有數(shù)據(jù)處理方式和平臺(tái)提出了很高的要求，需要采用新的大數(shù)據(jù)處理技術(shù)來(lái)支撐。

2)智能電網(wǎng)大數(shù)據(jù)關(guān)鍵技術(shù)包括數(shù)據(jù)集成、數(shù)據(jù)存儲(chǔ)、數(shù)據(jù)處理、數(shù)據(jù)分析等技術(shù)，需要結(jié)合具體業(yè)務(wù)的特點(diǎn)和需求選擇相應(yīng)的技術(shù)。

3)智能電網(wǎng)大數(shù)據(jù)平臺(tái)需要構(gòu)建統(tǒng)一數(shù)據(jù)模型來(lái)實(shí)現(xiàn)智能電網(wǎng)各類(lèi)數(shù)據(jù)的融合和共享，基于全數(shù)據(jù)進(jìn)行業(yè)務(wù)的開(kāi)發(fā)和應(yīng)用，智能電網(wǎng)大數(shù)據(jù)平臺(tái)具有數(shù)據(jù)共享、應(yīng)用開(kāi)發(fā)和業(yè)務(wù)運(yùn)行3方面功能。

4)隨著智能電網(wǎng)的發(fā)展，數(shù)據(jù)將成為核心資源，大數(shù)據(jù)平臺(tái)將承載智能電網(wǎng)眾多各類(lèi)型應(yīng)用，其基礎(chǔ)作用將越來(lái)越重要。