根據(jù)信息處理流程，大數(shù)據(jù)在智能電網(wǎng)中的應(yīng)用可以分為數(shù)據(jù)采集、數(shù)據(jù)清理、數(shù)據(jù)存儲(chǔ)及處理、數(shù)據(jù)分析、數(shù)據(jù)解讀和數(shù)據(jù)應(yīng)用6個(gè)環(huán)節(jié)，其關(guān)鍵技術(shù)包括數(shù)據(jù)集成技術(shù)、數(shù)據(jù)存儲(chǔ)技術(shù)、數(shù)據(jù)處理技術(shù)和數(shù)據(jù)分析技術(shù)。
1、數(shù)據(jù)集成技術(shù)
智能電網(wǎng)大數(shù)據(jù)具有分散性、多樣性和復(fù)雜性等特征，這些特征給大數(shù)據(jù)處理帶來(lái)極大的挑戰(zhàn)。要想處理智能電網(wǎng)大數(shù)據(jù)，首先就需要對(duì)眾多數(shù)據(jù)源的數(shù)據(jù)進(jìn)行集成，通過(guò)數(shù)據(jù)抽取、轉(zhuǎn)換、剔除、修正等處理，建立正確、完整、一致、完備、有效的智能電網(wǎng)大數(shù)據(jù)。目前通常采用的數(shù)據(jù)集成模型包括數(shù)據(jù)聯(lián)邦、基于中間件模型和數(shù)據(jù)倉(cāng)庫(kù)等。
etl是企業(yè)數(shù)據(jù)集成的主要解決方案。etl指extract、transform、load，即抽取、轉(zhuǎn)換、加載。數(shù)據(jù)抽取是從源數(shù)據(jù)源系統(tǒng)抽取目的數(shù)據(jù)源系統(tǒng)需要的數(shù)據(jù)；數(shù)據(jù)轉(zhuǎn)換是將從源數(shù)據(jù)源獲取的數(shù)據(jù)按照業(yè)務(wù)需求，轉(zhuǎn)換成目的數(shù)據(jù)源要求的形式，并對(duì)錯(cuò)誤、不一致的數(shù)據(jù)進(jìn)行清洗和加工；數(shù)據(jù)加載是將轉(zhuǎn)換后的數(shù)據(jù)加載到目的數(shù)據(jù)源。etl過(guò)程中的主要環(huán)節(jié)就是數(shù)據(jù)抽取、數(shù)據(jù)轉(zhuǎn)換和加工、數(shù)據(jù)加載。為了實(shí)現(xiàn)這些功能，各個(gè)etl工具一般會(huì)進(jìn)行一些功能上的擴(kuò)充，例如工作流、調(diào)度引擎、規(guī)則引擎、腳本支持、統(tǒng)計(jì)信息等。
數(shù)據(jù)集成是智能電網(wǎng)大數(shù)據(jù)應(yīng)用的關(guān)鍵環(huán)節(jié)。智能電網(wǎng)大數(shù)據(jù)集成涉及眾多各類(lèi)型的應(yīng)用系統(tǒng)，這些系統(tǒng)類(lèi)型和特征復(fù)雜，在實(shí)時(shí)性要求、數(shù)據(jù)規(guī)模、數(shù)據(jù)類(lèi)型等方面存在較大的差異，在智能電網(wǎng)大數(shù)據(jù)集成中需要綜合考慮各種因素，在集成技術(shù)上單一技術(shù)可能很難實(shí)現(xiàn)，需要結(jié)合多種技術(shù)來(lái)實(shí)現(xiàn)智能電網(wǎng)大數(shù)據(jù)的集成。
2、數(shù)據(jù)存儲(chǔ)技術(shù)
在智能電網(wǎng)大數(shù)據(jù)中，絕大多數(shù)數(shù)據(jù)為結(jié)構(gòu)化數(shù)據(jù)，同時(shí)也存在文本、圖像、音頻、視頻等非結(jié)構(gòu)化或半結(jié)構(gòu)化數(shù)據(jù)。對(duì)非結(jié)構(gòu)化數(shù)據(jù)可采用分布式文件系統(tǒng)進(jìn)行存儲(chǔ)，對(duì)結(jié)構(gòu)松散無(wú)模式的半結(jié)構(gòu)化數(shù)據(jù)可采用分布式數(shù)據(jù)庫(kù)，對(duì)海量的結(jié)構(gòu)化數(shù)據(jù)可采用傳統(tǒng)關(guān)系型數(shù)據(jù)庫(kù)系統(tǒng)或分布式并行數(shù)據(jù)庫(kù)。
2.1 分布式文件系統(tǒng)
分布式文件系統(tǒng)適合存儲(chǔ)海量的非結(jié)構(gòu)化數(shù)據(jù)，將數(shù)據(jù)存儲(chǔ)在物理上分散的多個(gè)存儲(chǔ)節(jié)點(diǎn)上，對(duì)這些節(jié)點(diǎn)的資源進(jìn)行統(tǒng)一管理和分配，并向用戶(hù)提供文件系統(tǒng)訪(fǎng)問(wèn)接口，主要解決本地文件系統(tǒng)在文件大小、文件數(shù)量、打開(kāi)文件數(shù)等方面的限制問(wèn)題。
hadoop是大數(shù)據(jù)的一個(gè)解決方案，可以實(shí)現(xiàn)大數(shù)據(jù)的存儲(chǔ)、分析和管理。hdfs （hadoop distributed file system）是一個(gè)分布式文件系統(tǒng)，它是開(kāi)源項(xiàng)目hadoop的家族成員。hdfs將大規(guī)模數(shù)據(jù)分割為大小為64兆字節(jié)的數(shù)據(jù)塊，存儲(chǔ)在多個(gè)數(shù)據(jù)節(jié)點(diǎn)組成的分布式集群中，當(dāng)數(shù)據(jù)規(guī)模增加時(shí)，只需要在集群中增加更多的數(shù)據(jù)節(jié)點(diǎn)，具有很強(qiáng)的可擴(kuò)展性；同時(shí)每個(gè)數(shù)據(jù)塊會(huì)在不同的節(jié)點(diǎn)中存儲(chǔ)多個(gè)副本，具有高容錯(cuò)性；由于數(shù)據(jù)是分布存儲(chǔ)的，具有高吞吐量的數(shù)據(jù)訪(fǎng)問(wèn)能力。
2.2 分布式數(shù)據(jù)庫(kù)
大數(shù)據(jù)環(huán)境下對(duì)數(shù)據(jù)的存儲(chǔ)、管理、查詢(xún)和分析需要采用新的技術(shù)，傳統(tǒng)的數(shù)據(jù)庫(kù)在數(shù)據(jù)存儲(chǔ)規(guī)模、吞吐量、以及數(shù)據(jù)類(lèi)型和支撐應(yīng)用等存在瓶頸。分布式數(shù)據(jù)庫(kù)由于具有很好的擴(kuò)展性和協(xié)同性，在大規(guī)模數(shù)據(jù)存儲(chǔ)和管理中得到廣泛的應(yīng)用。目前主要有鍵值存儲(chǔ)系統(tǒng)、文檔數(shù)據(jù)庫(kù)、圖數(shù)據(jù)庫(kù)等。
hbase是一個(gè)高可靠性、高性能、面向列、可伸縮的分布式存儲(chǔ)系統(tǒng)，它不同于一般的有模式的關(guān)系型數(shù)據(jù)庫(kù)，hbase存儲(chǔ)的數(shù)據(jù)表是無(wú)模式的，特別適合結(jié)構(gòu)復(fù)雜多樣的半結(jié)構(gòu)化數(shù)據(jù)存儲(chǔ)。hbase利用hdfs作為其文件存儲(chǔ)系統(tǒng)，可利用map-reduce技術(shù)來(lái)處理hbase中的海量數(shù)據(jù)。
2.3 關(guān)系型數(shù)據(jù)庫(kù)系統(tǒng)
智能電網(wǎng)中很大一部分?jǐn)?shù)據(jù)是結(jié)構(gòu)化數(shù)據(jù)，針對(duì)一些數(shù)據(jù)和業(yè)務(wù)應(yīng)用，傳統(tǒng)關(guān)系型數(shù)據(jù)庫(kù)可能更適合，因此在大數(shù)據(jù)環(huán)境下，傳統(tǒng)關(guān)系型數(shù)據(jù)庫(kù)也具有一定的應(yīng)用?；趥鹘y(tǒng)數(shù)據(jù)庫(kù)如oracle等構(gòu)建數(shù)據(jù)倉(cāng)庫(kù)，開(kāi)展智能電網(wǎng)業(yè)務(wù)的分析挖掘。
智能電網(wǎng)大數(shù)據(jù)結(jié)構(gòu)復(fù)雜、種類(lèi)繁多，其數(shù)據(jù)存儲(chǔ)需要根據(jù)數(shù)據(jù)的特點(diǎn)選用適合的數(shù)據(jù)存儲(chǔ)方式。數(shù)據(jù)管理也是智能電網(wǎng)大數(shù)據(jù)的重要功能，從整體上對(duì)存儲(chǔ)在不同系統(tǒng)上的數(shù)據(jù)進(jìn)行統(tǒng)一管理，并提供數(shù)據(jù)索引和查詢(xún)功能。綜合以上分析，數(shù)據(jù)存儲(chǔ)對(duì)比見(jiàn)表1。
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。
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。
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?；谒鼘?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。
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。綜合以上分析，數(shù)據(jù)處理方式對(duì)比見(jiàn)表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。