基于風(fēng)電場SCADA系統(tǒng)的云平臺(tái)設(shè)計(jì)

梁濤 李燕超 許琰 楊改文

摘要：為充分利用風(fēng)電場集控中心采集爆炸式增長的海量數(shù)據(jù)，解決風(fēng)電場SCADA系統(tǒng)數(shù)據(jù)存儲(chǔ)和處理能力不足的問題，設(shè)計(jì)基于SCADA系統(tǒng)的云計(jì)算平臺(tái)，實(shí)現(xiàn)數(shù)據(jù)的高效分布式存儲(chǔ)以及處理。傳統(tǒng)LS-SVM適用于小樣本數(shù)據(jù)，對風(fēng)電場海量數(shù)據(jù)的處理比較乏力，針對此問題，采用MapReduce云計(jì)算平臺(tái)實(shí)現(xiàn)算法并行化，并用遺傳算法對其進(jìn)行參數(shù)尋優(yōu)。最后利用某實(shí)際風(fēng)電場SCADA系統(tǒng)的歷史數(shù)據(jù)，實(shí)現(xiàn)短期風(fēng)功率預(yù)測功能。在數(shù)據(jù)不斷增加的情況下，采用MapReduce云計(jì)算平臺(tái)實(shí)現(xiàn)LS-SVM算法并行化訓(xùn)練比單機(jī)LS-SVM訓(xùn)練縮短的時(shí)間十分顯著，可增強(qiáng)SCADA系統(tǒng)的實(shí)時(shí)性;當(dāng)數(shù)據(jù)增加到1.2 GB時(shí)，時(shí)間縮短一半，而準(zhǔn)確度相差0.1%。

關(guān)鍵詞：SCADA;云計(jì)算LS-SVM;并行;風(fēng)功率預(yù)測;遺傳算法

中圖分類號：TP277 文獻(xiàn)標(biāo)志碼：A 文章編號：1674-5124（2019）10-0114-06

收稿日期：2018-08-31;收到修改稿日期：2018-10-09

基金項(xiàng)目：河北省科技計(jì)劃項(xiàng)目（16214510D）

作者簡介：梁濤（1975-），男，河北石家莊市人，教授，研究方向?yàn)轱L(fēng)力發(fā)電、大數(shù)據(jù)、人工智能、自動(dòng)控制。

0 引言

隨著風(fēng)電場數(shù)據(jù)爆炸式的增長，傳統(tǒng)的風(fēng)電場SCADA系統(tǒng)數(shù)據(jù)存儲(chǔ)和串行處理能力不足的問題日益凸顯，如何高效處理復(fù)雜且異構(gòu)的風(fēng)電大數(shù)據(jù)，挖掘隱藏在風(fēng)電大數(shù)據(jù)背后的價(jià)值，是傳統(tǒng)的風(fēng)電場SCADA系統(tǒng)面臨的巨大挑戰(zhàn)。在數(shù)字信息化時(shí)代的推動(dòng)下，云計(jì)算技術(shù)應(yīng)運(yùn)而生，為風(fēng)電大數(shù)據(jù)的處理帶來了曙光。文獻(xiàn)[1]設(shè)計(jì)了一個(gè)基于云平臺(tái)大數(shù)據(jù)的風(fēng)電集中控制系統(tǒng)，實(shí)現(xiàn)了實(shí)時(shí)數(shù)據(jù)的采集和上傳，但沒有做進(jìn)一步的數(shù)據(jù)挖掘。Lee等[2]提出一種基于SVM的檢測模型來尋找T型整流器開路故障的位置。SVM可以用來解決兩類（正?；虍惓＃┖投囝悊栴}。Zhang等[3]提出了一種基于光伏發(fā)電數(shù)據(jù)和部分氣象數(shù)據(jù)預(yù)測天氣類型的新方法，通過數(shù)據(jù)分析推導(dǎo)出天氣類型。Rahulamathavan等[4]指出SVM在許多實(shí)際應(yīng)用中具有強(qiáng)大的數(shù)學(xué)基礎(chǔ)和高度的可靠性。然而，傳統(tǒng)的SVM模型有著高時(shí)間成本消耗。

近幾年來，Hadoop分布式云計(jì)算平臺(tái)不斷發(fā)展，傳統(tǒng)算法的性能問題可以通過用多個(gè)計(jì)算節(jié)點(diǎn)進(jìn)行并行計(jì)算來解決。楊博等[5]在大數(shù)據(jù)環(huán)境下對支持向量機(jī)進(jìn)行并行化，指出了支持向量機(jī)的理論研究方向與背景，并沒有實(shí)際的驗(yàn)證。陳珍等[6]提出了一種基于MapReduce的SVM（MR-SVM）態(tài)勢評估方法，實(shí)驗(yàn)結(jié)果表明并行化后的SVM更適用于大數(shù)據(jù)態(tài)勢評估，但是并沒有對SVM參數(shù)進(jìn)行尋優(yōu)。Zhang PeiYun等[7]提出了一種基于支持向量機(jī)（SVM）的SVM-Grid系統(tǒng)參數(shù)搜索方法在線檢測模型，并提出了預(yù)測云故障和更新故障樣本數(shù)據(jù)庫的策略，以優(yōu)化模型并提高其性能。本文將風(fēng)電場集中控制中心與云計(jì)算平臺(tái)相結(jié)合，解決傳統(tǒng)風(fēng)電場SCADA系統(tǒng)數(shù)據(jù)存儲(chǔ)成本昂貴、數(shù)據(jù)處理能力不足等缺點(diǎn)，同時(shí)完成風(fēng)電場SCADA系統(tǒng)大數(shù)據(jù)的回歸，以及優(yōu)化短期風(fēng)功率預(yù)測功能，并驗(yàn)證并行化LS-SVM的優(yōu)越性。

1 系統(tǒng)整體結(jié)構(gòu)

此系統(tǒng)結(jié)構(gòu)圖如圖1所示。如圖所示，該架構(gòu)分為3個(gè)部分：每個(gè)風(fēng)電場側(cè)，中央控制中心側(cè)和云計(jì)算平臺(tái)側(cè)。它們相互之間通過電力調(diào)度專網(wǎng)來進(jìn)行通信。

風(fēng)電場側(cè)的設(shè)計(jì)應(yīng)做到采集不同廠家不同設(shè)備設(shè)施的信息數(shù)據(jù)，同時(shí)能夠進(jìn)行各種通信協(xié)議的自由轉(zhuǎn)換，為集控中心的統(tǒng)一監(jiān)控、統(tǒng)一調(diào)度和分析評測奠定基礎(chǔ)。

風(fēng)電場側(cè)包括以下功能：

1）風(fēng)機(jī)實(shí)時(shí)運(yùn)行數(shù)據(jù)采集與控制（安全Ⅰ區(qū)）;

2）升壓站實(shí)時(shí)運(yùn)行數(shù)據(jù)采集與控制（安全Ⅰ區(qū)）;

3）功率控制系統(tǒng)（AGC/AVC）數(shù)據(jù)采集與控制（安全Ⅰ區(qū)）：

4）風(fēng)功率（wind power）預(yù)測系統(tǒng)數(shù)據(jù)采集（安全Ⅱ區(qū)區(qū)）;

5）保護(hù)及故障信息子站數(shù)據(jù)采集（安全Ⅱ區(qū)區(qū)）;

6）電能量計(jì)量信息采集（安全Ⅱ區(qū)區(qū)）。

集控中心主站能夠讀取各個(gè)風(fēng)電場風(fēng)機(jī)監(jiān)控系統(tǒng)、電站綜合自動(dòng)化系統(tǒng)、功率預(yù)測系統(tǒng)、風(fēng)機(jī)振動(dòng)監(jiān)視系統(tǒng)等系統(tǒng)所有數(shù)據(jù)、畫面、圖形。工作人員可以在集中監(jiān)控和調(diào)度集中控制中心內(nèi)所有風(fēng)電場的設(shè)備和設(shè)施。

在安全Ⅰ、Ⅱ區(qū)區(qū)主要實(shí)現(xiàn)的監(jiān)控功能：

I）狀態(tài)監(jiān)測功能;

2）可定制數(shù)據(jù)展現(xiàn)功能;

3）生產(chǎn)運(yùn)行及設(shè)備故障實(shí)時(shí)報(bào)警功能;

4）統(tǒng)計(jì)分析與專家診斷功能;

5）關(guān)鍵儀表盤功能：顯示相關(guān)指標(biāo)，如發(fā)電、風(fēng)機(jī)故障、風(fēng)機(jī)可利用率。

在安全Ⅲ區(qū)區(qū)主要實(shí)現(xiàn)的各關(guān)鍵指標(biāo)圖表功能：

1）生產(chǎn)運(yùn)行類指標(biāo)：有效風(fēng)速小時(shí)、平均空氣密度、發(fā)電量、并網(wǎng)電量、等效利用小時(shí)數(shù)、輸電線路損耗率、風(fēng)機(jī)計(jì)劃停電系數(shù)、運(yùn)行系數(shù)、計(jì)劃外風(fēng)機(jī)中斷因子、暴露率等;

2）可利用率性能類指標(biāo)：風(fēng)機(jī)設(shè)備可用性、風(fēng)電場可用性、機(jī)組運(yùn)行和維護(hù)成本、故障報(bào)警日志可用性、運(yùn)行時(shí)可用性、風(fēng)能利用率等;

3）故障統(tǒng)計(jì)類指標(biāo)：平均拆卸間隔時(shí)間、設(shè)備故障停機(jī)率、致命故障、主變壓器故障率、風(fēng)機(jī)維修總時(shí)間、無功調(diào)節(jié)設(shè)備故障率、平均故障間隔時(shí)間、故障發(fā)電損失量、平均無故障間隔時(shí)間、平均修復(fù)時(shí)間等任務(wù)時(shí)間。

本文設(shè)計(jì)的云計(jì)算平臺(tái)可以在廉價(jià)的計(jì)算機(jī)集群上存儲(chǔ)和處理PB級數(shù)據(jù)，處理后的數(shù)據(jù)結(jié)果傳給集中控制中心，以便于集中控值中心的工作人員做出決策。

2 云計(jì)算平臺(tái)

基于以上架構(gòu)，在Ⅲ區(qū)搭建云平臺(tái)，內(nèi)部結(jié)構(gòu)如圖2所示。搭建云平臺(tái)需要兩個(gè)主要部分：ONE套的云基礎(chǔ)設(shè)備;2）底層的數(shù)據(jù)采集。云計(jì)算平臺(tái)是一個(gè)大數(shù)據(jù)處理平臺(tái)，采用Hadoop+MapReduce的分布式數(shù)據(jù)處理技術(shù)[4，8]。與傳統(tǒng)的數(shù)據(jù)處理方式相比，該平臺(tái)基于靈活多變的開源框架，根據(jù)需要隨時(shí)改變組件，且支持水平擴(kuò)展，具有互聯(lián)網(wǎng)屬性、更加開放安全等明顯優(yōu)勢。

2.1 分布式文件系統(tǒng)（HDFS）

HDFS為Hadoop云計(jì)算平臺(tái)提供了一個(gè)可靠、安全、高可用的分布式文件系統(tǒng)，是分布式計(jì)算的基礎(chǔ)。HDFS以流數(shù)據(jù)訪問模式存儲(chǔ)非常大的文件，并不需要在昂貴且高可靠的硬件上運(yùn)行。HDFS采用主從架構(gòu)，以管理節(jié)點(diǎn)-工作節(jié)點(diǎn)模式運(yùn)行，即NameNode（管理節(jié)點(diǎn)）和多個(gè)DataNode（工作節(jié)點(diǎn)）。NameNode管理文件系統(tǒng)的命名空間，它維護(hù)文件系統(tǒng)樹以及整個(gè)樹中的所有文件和目錄，此信息將作為兩個(gè)文件永久保存在本地磁盤L。DataNode是文件系統(tǒng)的工作節(jié)點(diǎn)，它們定期將它們存儲(chǔ)的塊列表發(fā)送到NameNode。

在圖3中，客戶端必須經(jīng)過NameNode的確認(rèn)才能訪問文件系統(tǒng)，在已獲得相關(guān)信息情況下，才能夠?qū)φ麄€(gè)文件系統(tǒng)進(jìn)行讀寫，可以說NameNode是整個(gè)文件系統(tǒng)的人口。

2.2 分布式計(jì)算框架（MapReduce）

MapReduce由Java開發(fā)，是一個(gè)用于處理大量數(shù)據(jù)的分布式并行編程模型。它將數(shù)據(jù)的計(jì)算過程劃為mapper（）函數(shù)和reduce（）函數(shù)實(shí)現(xiàn)。每個(gè)階段都將鍵值對作為輸入和輸出。第一階段（Map階段）：將輸入的數(shù)據(jù)平均劃分成大小相等的切片，并將每個(gè)切片分解成鍵值對的形式作為正式輸入，執(zhí)行mapper（）函數(shù)生成中間結(jié)果;然后按照k2的值排序，將具有相同k2值的相應(yīng)的v2值組合在一起以形成新列

第二階段（Reduce階段）：對Map任務(wù)的輸出整合排序，將輸出到Hadoop的HDFS上。

2.3 云計(jì)算平臺(tái)數(shù)據(jù)處理

云計(jì)算平臺(tái)的核心是數(shù)據(jù)處理，Hado即是與云計(jì)算平臺(tái)最契合的分布式并行的運(yùn)行架構(gòu)，支持各種數(shù)據(jù)算法[9]。風(fēng)電場云計(jì)算平臺(tái)是以風(fēng)電大數(shù)據(jù)為輸入，按照算法給定的規(guī)則進(jìn)行處理，并輸出對應(yīng)的結(jié)果。

本文采用支持向量機(jī)（SVM），可以實(shí)現(xiàn)風(fēng)電場SCADA系統(tǒng)大數(shù)據(jù)的回歸分析，根據(jù)預(yù)測模型的預(yù)測值，既可以對風(fēng)機(jī)未來一段時(shí)間內(nèi)運(yùn)行趨勢進(jìn)行預(yù)測，還可以基于實(shí)際值和預(yù)測值的偏差，來預(yù)測故障的發(fā)生。

核函數(shù)是支持向量機(jī)和關(guān)鍵組成模塊的核心，可以有效地解決系統(tǒng)非線性問題，解決維數(shù)災(zāi)難。由Hilbert-Schmidt理論得知，只要某個(gè)對稱函數(shù)滿足Mercer條件都可以被定義為核函數(shù)。建立回歸模型時(shí)核函數(shù)有很多種，模型選擇不同的核函數(shù)會(huì)對結(jié)果的精度以及泛化性產(chǎn)生不同影響。例如：徑向基函數(shù)：

徑向基核函數(shù)的表達(dá)式如下

其構(gòu)造的SVM的判別函數(shù)表達(dá)式如下

除此之外，核函數(shù)還有Sigmoid函數(shù)、小波核函數(shù)、線性核函數(shù)等等。在這些函數(shù)中，徑向基核函數(shù)的結(jié)構(gòu)簡單，泛化能力好適用于解析復(fù)雜模型的高度非線性關(guān)系，基于此，本文采用徑向基核函數(shù)。

3 基于遺傳算法的LS-SVM核函數(shù)參數(shù)的選擇

最小二乘支持向量機(jī)（LS-SVM）是一種特殊的核函數(shù)學(xué)習(xí)機(jī)，遵循結(jié)構(gòu)風(fēng)險(xiǎn)最小化（SRM）原則。該算法不僅可以簡化求解過程，而且可以提高求解收斂速度[10]。本文核函數(shù)選擇徑向基函數(shù)，LS-SVM主要有兩個(gè)參數(shù)，一個(gè)是懲罰因子，另一個(gè)是徑向基函數(shù)參數(shù)，這兩個(gè)參數(shù)直接影響到支持向量機(jī)的訓(xùn)練結(jié)果。

遺傳算法是基于達(dá)爾文生物進(jìn)化論的自然選擇和遺傳學(xué)機(jī)理提出的一種尋求最優(yōu)解的算法[11]。其主要過程是將解決問題的解（稱為“染色體”）進(jìn)行編碼，常見個(gè)體的編碼方式有兩種，它們分別是二進(jìn)制編碼和實(shí)數(shù)編碼，其基本就是把解空間映射到染色體空間。隨后在這些解空間中產(chǎn)生合理的初始種群，根據(jù)適應(yīng)度函數(shù)以及遺傳中的選擇、交叉和變異的操作對個(gè)體進(jìn)行選擇。保留適應(yīng)度值高的個(gè)體。這樣新產(chǎn)生的后代之中保留了上一代優(yōu)點(diǎn)，且又有了上一代沒有的優(yōu)點(diǎn)，多次迭代，直至得到最優(yōu)解。

3.1 基于MapReduce并行LS-SVM算法

訓(xùn)練集被分成子集并分發(fā)到每個(gè)節(jié)點(diǎn)用于訓(xùn)練以獲得相應(yīng)的子支持向量。第一階段（Map階段）：將每個(gè)計(jì)算節(jié)點(diǎn)的子訓(xùn)練集合與全局支持向量進(jìn)行合并，然后通過遺傳算法訓(xùn)練和測試統(tǒng)一的數(shù)據(jù)集，以選取最優(yōu)參數(shù)與懲罰因子。第二階段（Reduce階段）：每個(gè)計(jì)算節(jié)點(diǎn)使用由第一階段獲得的參數(shù)對（C，gama）來訓(xùn)練數(shù)據(jù)集以獲得每個(gè)節(jié)點(diǎn)子支持向量。然后合并每個(gè)節(jié)點(diǎn)的新子支持向量與全局支持向量，以產(chǎn)生新的全局支持向量。當(dāng)全局支持向量滿足多次迭代后的條件時(shí)，循環(huán)結(jié)束，表示已獲得最優(yōu)的回歸函數(shù)，具體流程如圖4所示。其中，S表示全局支持的變量，S1表示每個(gè)節(jié)點(diǎn)中訓(xùn)練數(shù)據(jù)集的子集。

4 實(shí)驗(yàn)及結(jié)果分析

為驗(yàn)證本文提出的并行LS-SVM算法的性能，本文在Hadoop 2.0平臺(tái)下對風(fēng)電場數(shù)據(jù)集處理效果進(jìn)行了測試。

在某風(fēng)電場集控中心搭建的Hadoop 2.0云計(jì)算平臺(tái)由7臺(tái)華為的服務(wù)器組成，是由1個(gè)主節(jié)點(diǎn)和6個(gè)從節(jié)點(diǎn)組成的主從結(jié)構(gòu)。每個(gè)節(jié)點(diǎn)服務(wù)器的標(biāo)準(zhǔn)配置是Intel（R）Xeon（R）CPU E5-2630 v4@2.20GHz 2.19GHz（2處理器），32GB，網(wǎng)絡(luò)速率為100Mb/s。本文選擇的Linux版本為CentOS 6.5，Hadoop版本為Hadoop 2.0。

實(shí)驗(yàn)搭建的Hadoop 2.0云計(jì)算平臺(tái)如圖5所示，主節(jié)點(diǎn)用于完全分布式系統(tǒng)元數(shù)據(jù)的管理與調(diào)度任務(wù)，從節(jié)點(diǎn)用于完全分布式系統(tǒng)的數(shù)據(jù)存儲(chǔ)和計(jì)算。

選取經(jīng)過清洗之后的風(fēng)電場SCADA系統(tǒng)歷史數(shù)據(jù)庫中的風(fēng)速、有功功率和轉(zhuǎn)子轉(zhuǎn)速，通過LS-SVM回歸算法的設(shè)計(jì)，建立風(fēng)電場SCADA大數(shù)據(jù)的回歸預(yù)測模型，落實(shí)短期風(fēng)力預(yù)測功能。風(fēng)電場SCADA大數(shù)據(jù)的回歸結(jié)果如圖6和圖7所示。

如圖可知，藍(lán)色點(diǎn)分別表示風(fēng)電機(jī)組實(shí)際運(yùn)行的風(fēng)速一有功功率和風(fēng)速一轉(zhuǎn)子轉(zhuǎn)速的散點(diǎn)圖，紅色曲線表示經(jīng)LS-SVM回歸算法處理獲得散點(diǎn)圖擬合曲線，實(shí)現(xiàn)了云計(jì)算平臺(tái)中風(fēng)電場SCADA大數(shù)據(jù)回歸預(yù)測模型的建立。通過擬合的曲線，不僅可以預(yù)測未來一段時(shí)間內(nèi)風(fēng)力發(fā)電機(jī)組的運(yùn)行情況，而且若某一時(shí)刻有功功率和轉(zhuǎn)子轉(zhuǎn)速的實(shí)際運(yùn)行值與擬合曲線的值有較大偏差，說明此時(shí)風(fēng)力發(fā)電機(jī)組可能發(fā)生了故障，需要值班人員進(jìn)行預(yù)檢修等。這為機(jī)組維護(hù)人員提供了技術(shù)支持，保證了風(fēng)電場正常安全的運(yùn)行。

基于上述風(fēng)速一有功功率的回歸預(yù)測模型，進(jìn)行短期風(fēng)力預(yù)測，得到實(shí)際運(yùn)行風(fēng)電場3d的有功功率預(yù)測結(jié)果，如圖8所示。

由預(yù)測曲線可知，預(yù)測值和實(shí)際值相差不大，表明數(shù)據(jù)清洗之后的回歸預(yù)測模型可以實(shí)現(xiàn)短期風(fēng)功率的預(yù)測。

1）時(shí)效性

為了進(jìn)一步驗(yàn)證該平臺(tái)的優(yōu)越性，本文使用建立的6個(gè)有效節(jié)點(diǎn)，在不斷增加數(shù)據(jù)集的情況下，比較了MapReduce并行改進(jìn)前后的LS-SVM算法的時(shí)效性，如圖9所示。

由圖可知，LS-SVM算法MapReduce化并行改進(jìn)前后在不同數(shù)據(jù)集上的運(yùn)算時(shí)間是不同的，在數(shù)據(jù)量比較小的情況下運(yùn)算時(shí)間差距不大，但是隨著數(shù)據(jù)量的增加MapReduce并行化改進(jìn)的算法明顯縮短了運(yùn)算時(shí)間，并且隨著數(shù)據(jù)集的越來越多，MapReduce并行化改進(jìn)LS-SVM算法在回歸分析的時(shí)效性方面變得越來越有優(yōu)勢。

2）正確率

正確率（accuracy）表達(dá)式如下式所示：

accuracy=（TP+TN）/（P+N）（3）

正確率測試的目的是比較LS-SVM算法MapReduce化并行改進(jìn)前后回歸結(jié)果的精確度，選用風(fēng)電場SCADA系統(tǒng)歷史數(shù)據(jù)庫100MB、200MB、500MB和1GB數(shù)據(jù)作為測試數(shù)據(jù)集，回歸結(jié)果的正確率對比如圖10所示。

通過上圖回歸結(jié)果可以看出，隨著測試數(shù)據(jù)量的增加，LS-SVM算法的回歸的正確率都逐步上升，說明了數(shù)據(jù)量越大，容錯(cuò)能力越強(qiáng)。雖然MapReduce化并行改進(jìn)后LS-SVM算法與LS-SVM算法相比回歸正確率變化不大，但是MapReduce化并行改進(jìn)后LS-SVM算法的時(shí)效性增強(qiáng)，相同時(shí)間下可以運(yùn)算更多的數(shù)據(jù)，間接提高了回歸結(jié)果的正確率。

5 結(jié)束語

本文設(shè)計(jì)了一個(gè)基于風(fēng)電場SCADA系統(tǒng)的云計(jì)算平臺(tái)，實(shí)現(xiàn)數(shù)據(jù)的高效存儲(chǔ)，利用云計(jì)算平臺(tái)的架構(gòu)實(shí)現(xiàn)了短期風(fēng)功率預(yù)測功能。利用MapReduce結(jié)構(gòu)實(shí)現(xiàn)了算法的并行化，通過設(shè)計(jì)主要的Map函數(shù)和Reduce函數(shù)，并結(jié)合遺傳算法，在保證正確率的前提下，顯著地縮短了算法的訓(xùn)練時(shí)間。

參考文獻(xiàn)

[1]叢智慧.基于云平臺(tái)大數(shù)據(jù)技術(shù)的風(fēng)電集控系統(tǒng)的設(shè)計(jì)與應(yīng)用[J].內(nèi)蒙古科技與經(jīng)濟(jì)，2016（19）：61-63.

[2]LEE J S，LEE K B.An open-switch fault detection methodand tolerance controls based on SVM in a grid-connected T-type rectifier with unity power factor[J].IEEE Trans.Ind.Electron.，2014，61（12）：7092-7104.

[3]ZHANG W Y，ZHANG H G，LIU J H，et al.Weatherprediction with multiclass support vector machines in the faultdetection of photovoltaic system[J].IEEE/CAA J.Autom.Sinica，2017，4（3）：520-525.

[4]RAHULAMATHAVAN Y，PHAN R C W，VELURU S，et al.Privacy-preserving multi-class support vector machine foroutsourcing the data classification in cloud[J].IEEETrans.Dependable Secure Comput，2014，11（5）：467-479.

[5]楊博，黃斌.大數(shù)據(jù)環(huán)境下的支持向量機(jī)算法研究[J].信息化建設(shè)，2016（3）：349.

[6]陳珍，夏靖波，楊娟，等.基于MapReduce的支持向量機(jī)態(tài)勢評估算法[J].計(jì)算機(jī)應(yīng)用，2016，36（1）：133-137.

[7]ZHSANG P Y，SHU S，ZHOU M C.An online fault detectionmodel and strategies based on SVM-grid in clouds[J].IEEE/CAA Journal of Automatica Sinica，2018，5（2）：445-456.

[8]崔紅艷，曹建芳，史昊.一種基于MapReduce的并行PSO-BP神經(jīng)網(wǎng)絡(luò)算法[J].科技通報(bào)，2017，33（4）：110-115.

[9]羅賢縉，岳黎明，甄成剛.風(fēng)電場數(shù)據(jù)中心Hadoop云平臺(tái)作業(yè)調(diào)度算法研究[J].計(jì)算機(jī)工程與應(yīng)用，2015，51（15）：266-270.

[10]馬躍峰，梁循，周小平.一種基于全局代表點(diǎn)的快速最小二乘支持向量機(jī)稀疏化算法[J].自動(dòng)化學(xué)報(bào)，2017，43（1）：132-141.

[11]HONG Y Y，CHEN Y Y.Placement of power qualitymonitors using enhanced genetic algorithm and wavelettransform[J].IET Generation，Transmission&Distribution，2011，5（4）：461-466.

（編輯：劉楊）