基于大數(shù)據(jù)的電能質(zhì)量監(jiān)測分析系統(tǒng)設計與實現(xiàn)

郭曉乾 武守曉 王承棟

摘 要：為解決傳統(tǒng)電能質(zhì)量監(jiān)測系統(tǒng)數(shù)據(jù)接入可靠性不高，海量數(shù)據(jù)存儲和統(tǒng)計分析能力不足的缺點，采用類數(shù)據(jù)庫的事務處理機制設計數(shù)據(jù)調(diào)度采集過程，搭建基于Cloudera大數(shù)據(jù)平臺的電能質(zhì)量監(jiān)測分析系統(tǒng)，對數(shù)據(jù)進行分布式存儲、計算分析，實現(xiàn)對TB級電能質(zhì)量數(shù)據(jù)的監(jiān)測點指標與運行狀態(tài)統(tǒng)計，以及對暫態(tài)事件的統(tǒng)計聚合分析等功能。實驗證明該系統(tǒng)可靠、海量數(shù)據(jù)統(tǒng)計處理能力強，提高了數(shù)據(jù)存儲可拓展性，為供電方提供了解決海量電能質(zhì)量數(shù)據(jù)存儲與分析的有效方案。

關(guān)鍵詞：電能質(zhì)量監(jiān)測;體系結(jié)構(gòu);數(shù)據(jù)接入;大數(shù)據(jù)平臺

DOI：10. 11907/rjdk. 192530 開放科學（資源服務）標識碼（OSID）：

中圖分類號：TP319文獻標識碼：A 文章編號：1672-7800（2020）008-0182-04

Abstract： In order to overcome the shortcomings of the traditional power quality monitoring system， such as low data access reliability and insufficient mass data storage and statistical analysis capabilities， a database-like transaction processing mechanism is used to design the data scheduling and collection process， and a power quality monitoring analysis based on the Cloudera big data platform. The system performs distributed storage， calculation and analysis of data to realize the monitoring point indicators and operating status statistics of TB-level power quality data， as well as statistical aggregation analysis of transient events. Experiments show that the system is reliable and has strong statistical processing ability of massive data， which improves the expandability of data storage， and provides an effective solution for power suppliers to store and analyze massive power quality data.

Key Words： architecture; data access; big data platform; transient events

0 引言

隨著工業(yè)級電子設備的廣泛應用，精密制造業(yè)對電能質(zhì)量要求越來越高，各項電能質(zhì)量指標是衡量電能質(zhì)量高低的重要參考維度。隨著電能需求增長，電能監(jiān)測裝置得到廣泛普及，采集到的電能質(zhì)量監(jiān)測數(shù)據(jù)[1]也呈現(xiàn)幾何式增長，其中電力部門最為關(guān)心的是電能質(zhì)量指標監(jiān)測數(shù)據(jù)以及暫態(tài)監(jiān)測數(shù)據(jù)。文獻[2]對數(shù)據(jù)存儲技術(shù)展開分析，但未提出數(shù)據(jù)可靠性傳輸方法。本文將數(shù)據(jù)傳輸分為多個階段，采用類事務處理方式，保證數(shù)據(jù)傳輸可靠性。傳統(tǒng)的電能質(zhì)量數(shù)據(jù)存儲方式是使用昂貴的商用服務器，通過關(guān)系型數(shù)據(jù)庫進行存儲，成本昂貴且可拓展性差，維護成本高[3]。之前的處理方法為各個網(wǎng)省單獨建立數(shù)據(jù)處理中心，規(guī)模小，架構(gòu)分散。不同廠家間的系統(tǒng)信息難以交互，無法集中管理，容易形成信息孤島[4-5]。為應對傳統(tǒng)電網(wǎng)信息化處理數(shù)據(jù)能力的不足，本文運用大數(shù)據(jù)技術(shù)，提出建立分布式數(shù)據(jù)存儲[6]和計算方案，構(gòu)建智能化的電能質(zhì)量信息管控平臺[7-10]，對全網(wǎng)省電能質(zhì)量數(shù)據(jù)進行集中式整體分析。

1 總體架構(gòu)

電能質(zhì)量監(jiān)測分析系統(tǒng)從下往上由源數(shù)據(jù)層、數(shù)據(jù)采集層、數(shù)據(jù)存儲層、數(shù)據(jù)處理層、數(shù)據(jù)計算層、數(shù)據(jù)訪問層構(gòu)成。源數(shù)據(jù)層主要包括監(jiān)測點終端監(jiān)測數(shù)據(jù)，數(shù)據(jù)采集層包括實時數(shù)據(jù)和離線數(shù)據(jù)，存儲層中間件主要用到大數(shù)據(jù)平臺的分布式存儲數(shù)據(jù)庫HBASE和分布式文件系統(tǒng)HDFS。基于大數(shù)據(jù)平臺Cloudera進行數(shù)據(jù)存儲和數(shù)據(jù)統(tǒng)計分析工作，通過對數(shù)據(jù)采集接入，提供關(guān)系型、非關(guān)系型數(shù)據(jù)庫、實時推送數(shù)據(jù)等多源頭數(shù)據(jù)整合。通過構(gòu)建關(guān)系型、非關(guān)系型數(shù)據(jù)庫、分布式文件系統(tǒng)，支撐海量異構(gòu)數(shù)據(jù)存儲需求。利用大數(shù)據(jù)流計算、批量計算、內(nèi)存計算技術(shù)，提供多時間尺度的數(shù)據(jù)計算處理能力。利用機器學習等人工智能技術(shù)，對海量數(shù)據(jù)進行分析挖掘及預測，最終將計算結(jié)果存儲到關(guān)系型數(shù)據(jù)庫中，方便查詢和展示。傳感器設備采集到各項指標數(shù)據(jù)后存儲在終端服務器，總部數(shù)據(jù)采集服務器從終端拉取歷史數(shù)據(jù)到本地數(shù)據(jù)采集服務器，然后通過調(diào)度程序根據(jù)文件種類直接存入大數(shù)據(jù)存儲平臺的列式存儲數(shù)據(jù)庫HBASE或分布式文件存儲系統(tǒng)HDFS中，再通過統(tǒng)計程序?qū)⒋髷?shù)據(jù)平臺中的數(shù)據(jù)進行分布式計算，將計算結(jié)果存入關(guān)系型數(shù)據(jù)庫MySQL中，前臺Web應用服務器從MySQL獲取數(shù)據(jù)進行可視化展示。

圖1為系統(tǒng)架構(gòu)，體現(xiàn)模塊之間的關(guān)系。系統(tǒng)通過調(diào)用終端歷史數(shù)據(jù)上報接口獲得歷史數(shù)據(jù)，將這些數(shù)據(jù)存儲到Cloudera大數(shù)據(jù)平臺;系統(tǒng)指標與運行狀態(tài)分析模塊和暫態(tài)事件分析模塊從大數(shù)據(jù)平臺[11]得到數(shù)據(jù)，再從關(guān)系數(shù)據(jù)庫中得到基礎數(shù)據(jù)和其它輔助數(shù)據(jù)，進行統(tǒng)計計算，將計算結(jié)果通過接口傳遞到關(guān)系數(shù)據(jù)庫或直接發(fā)送給前臺應用程序，前臺程序讀取關(guān)系數(shù)據(jù)庫中的數(shù)據(jù)進行數(shù)據(jù)展示。

2 數(shù)據(jù)結(jié)構(gòu)設計

首先估算一下數(shù)據(jù)量：每個監(jiān)測點有實時數(shù)據(jù)（3s采集一次）和歷史數(shù)據(jù)（1分鐘采集一次），每條數(shù)據(jù)所占空間約為80Byte，每次采集2 550個指標。以采集一次為例，約10 427個監(jiān)測點，一分鐘一次采集數(shù)據(jù)量約2G，一個小時采集120G，一天2.8T，一年的數(shù)據(jù)量就有1 026T（PB級）。

電能質(zhì)量分析的核心數(shù)據(jù)為監(jiān)測點的量測數(shù)據(jù)，任一實例可表示為四元組：監(jiān)測點、量測指標、量測發(fā)生時間、量測值。其中監(jiān)測點編碼規(guī)范編碼為復合結(jié)構(gòu)，由省公司編碼、地市編碼、區(qū)別碼構(gòu)成，長度共10個字符。其中省公司編碼由2字符構(gòu)成，地市編碼由2字符構(gòu)成，區(qū)別碼由6字符構(gòu)成。量測指標編碼比較復雜，如圖2所示。

每項都是對應一個四位編碼，前面4個唯一確定一個量測指標。

3 業(yè)務功能模塊

3.1 數(shù)據(jù)采集調(diào)度可靠性設計

由于各個終端歷史數(shù)據(jù)的產(chǎn)生頻率和規(guī)模都不一樣，為防止出現(xiàn)處理熱點，影響整個系統(tǒng)穩(wěn)定運行，需提供基于任務監(jiān)控的自適應數(shù)據(jù)匯集調(diào)度策略，數(shù)據(jù)分布式處理[12-14]和任務調(diào)度技術(shù)[15-16]可用于電能質(zhì)量監(jiān)測分析系統(tǒng)的數(shù)據(jù)分析與挖掘。

總部數(shù)據(jù)拉取與入庫程序主要由調(diào)度器和數(shù)據(jù)匯集程序[17]兩部分構(gòu)成，調(diào)度器主要負責分類調(diào)度各終端電能質(zhì)量數(shù)據(jù)資源，提供一種半動態(tài)的調(diào)度策略以實現(xiàn)負載均衡，降低網(wǎng)絡并發(fā)傳輸開銷，提升數(shù)據(jù)傳輸可靠性與正確性。調(diào)度器為每個終端建立獨立的調(diào)度任務，并將調(diào)度任務持久化到數(shù)據(jù)庫中，這樣即使調(diào)度器崩潰（可以通過雙機熱備大幅減少這種可能性），重啟調(diào)度器后仍然可以從數(shù)據(jù)庫中獲取調(diào)度信息，重新生成調(diào)度任務。

數(shù)據(jù)匯集程序包括多個階段，如連接終端、拉取數(shù)據(jù)、解包數(shù)據(jù)、數(shù)據(jù)入庫等過程。數(shù)據(jù)匯集程序通過多級日志記錄數(shù)據(jù)匯集過程，并采用類數(shù)據(jù)庫的事務處理機制，將終端數(shù)據(jù)文件移動到已發(fā)送目錄即完結(jié)整個事務。如果事務處理過程中因為某種原因?qū)е聰?shù)據(jù)未能入庫，則在下一階段調(diào)度器仍然會重新發(fā)起數(shù)據(jù)的入庫請求。該機制同樣保證數(shù)據(jù)匯集程序即使崩潰，重啟后仍然可從調(diào)度器得到數(shù)據(jù)匯集請求，從而達到提升可靠性目的。

系統(tǒng)提供數(shù)據(jù)預覽功能，用戶可隨機指定某個指標、某個日時段或某個監(jiān)測點作為查詢條件，快速預覽入庫的數(shù)據(jù)，并與源端數(shù)據(jù)進行對比，通過抽樣測試驗證正確性。

3.2 大數(shù)據(jù)平臺設計

大數(shù)據(jù)接入方案從下往上由源數(shù)據(jù)層、數(shù)據(jù)采集層、數(shù)據(jù)處理層、數(shù)據(jù)存儲層、數(shù)據(jù)計算層、數(shù)據(jù)訪問層構(gòu)成。結(jié)合電力系統(tǒng)自身特點，完成大數(shù)據(jù)平臺選型。其中數(shù)據(jù)采集層包括歷史數(shù)據(jù)采集，存儲層中間件主要應用分布式存儲數(shù)據(jù)庫HBase[18]和分布式文件系統(tǒng)HDFS。

Hadoop是Apache的一個頂級開源項目，是一個分布式大數(shù)據(jù)平臺，其核心由Hadoop分布式文件系統(tǒng)（HDFS）和計算框架MapReduce組成，具有高可靠性、高擴展性、高效性和高容錯性等優(yōu)點。大數(shù)據(jù)集群由多臺服務器組成，其中主節(jié)點Master上部署HDFS NameNode，HBase，MasterResourceManager，ZooKeeper Server服務，從節(jié)點上部署HDFS DataNode，HBase RegionServer，Spark Getway，Yarn NodeManager服務。主節(jié)點上部署Cloudera Manangerment Service，包括Alert Publisher，Event Server，Host Monitor，Reports Manager，Reports Manager，Service Monitor。

大數(shù)據(jù)平臺啟用Kerberos安全認證，使得集群中的節(jié)點可信任。Kerberos可將認證的密鑰在集群部署時事先放到可靠的節(jié)點上。集群運行時，集群內(nèi)的節(jié)點使用密鑰得到認證，認證通過后的節(jié)點才能提供服務。企圖冒充的節(jié)點由于事先沒有得到密鑰信息，無法與集群內(nèi)部的節(jié)點通信，這樣就防止了惡意使用或篡改Hadoop集群問題，確保Hadoop集群的可靠性、安全性[19]。

大數(shù)據(jù)平臺監(jiān)控頁面可見大數(shù)據(jù)平臺所有服務狀態(tài)，單擊左側(cè)豎形欄可以看到詳細監(jiān)控信息，包括對集群主機狀態(tài)監(jiān)控以及各項服務，包括分布式面向列的數(shù)據(jù)庫HBase，分布式文件系統(tǒng)HDFS，專為大規(guī)模數(shù)據(jù)處理而設計的快速通用的計算引擎Spark，大數(shù)據(jù)資源管理系統(tǒng)YARN，分布式協(xié)調(diào)Zookeeper服務。

3.3 指標與運行狀態(tài)分析模塊

針對總部電能質(zhì)量監(jiān)測系統(tǒng)缺失、各省公司電能質(zhì)量監(jiān)測系統(tǒng)發(fā)展不均衡且可用性較差的問題，本系統(tǒng)通過梳理和規(guī)范電網(wǎng)電能質(zhì)量監(jiān)測分析模塊的功能需求，推動總部電能質(zhì)量監(jiān)測分析模塊建設，完善各省公司電能質(zhì)量監(jiān)測模塊升級工作，并針對各省公司開展監(jiān)測點在線率、數(shù)據(jù)完整率等運行指標考核，最終為各省公司提供架構(gòu)清晰、功能明確規(guī)范的諧波專業(yè)管理信息化工具。

為驗證系統(tǒng)對海量數(shù)據(jù)的存儲和統(tǒng)計分析能力，特選取1T量測數(shù)據(jù)，在大數(shù)據(jù)平臺對量測數(shù)據(jù)進行統(tǒng)計計算。①穩(wěn)態(tài)指標統(tǒng)計：統(tǒng)計每日具有完整臺賬信息（特指具有變電站信息）的監(jiān)測點指標的最大值、最小值、均值，結(jié)果保存到HBASE數(shù)據(jù)庫及MySQL數(shù)據(jù)庫中;②指標合格率統(tǒng)計：統(tǒng)計每天每個監(jiān)測點的電壓偏差、頻率偏差、長時間閃變等指標的超限時間與統(tǒng)計時間，包括電壓超限時間、電壓統(tǒng)計時間、頻率超限時間、頻率統(tǒng)計時間、長時間閃變超限時間、長時間閃變統(tǒng)計時間;③指標超標統(tǒng)計：統(tǒng)計每個監(jiān)測點每天的5項指標超標情況，包括電壓總電能質(zhì)量畸變率超標、負序電壓不平衡度超標、電能質(zhì)量電壓含有率超標、間電能質(zhì)量電壓含有率超標、電能質(zhì)量電流含量超標。

通過監(jiān)測點在線率、完整率、準確率的計算，得到監(jiān)測系統(tǒng)運行狀態(tài)統(tǒng)計。獲取監(jiān)測點臺賬信息和某時間段內(nèi)的監(jiān)測數(shù)據(jù)后，通過比對得到監(jiān)測點在線情況、數(shù)據(jù)指標上傳量、數(shù)據(jù)正確性情況，得到臺賬中在運行監(jiān)測點情況、應該上傳的數(shù)據(jù)量，通過比率計算以及按區(qū)域、按時間聚合計算方法得到計算結(jié)果。

3.4 暫態(tài)事件聚合分析

隨著特高壓直流輸電的發(fā)展和負荷構(gòu)成及特性的變化，暫態(tài)事件嚴重威脅系統(tǒng)的安全穩(wěn)定運行，為達到對暫態(tài)事件即測、即辨、即控目的，對暫態(tài)事件開展研究。暫態(tài)事件有電壓暫降、電壓暫升、短時中斷3類，每類事件都有3個指標，分別是暫態(tài)時間起始時刻、暫態(tài)事件持續(xù)時間、暫態(tài)時間殘余電壓即特征幅值。每個監(jiān)測點的暫態(tài)指標數(shù)據(jù)存在不同特征幅值、不同持續(xù)時間下的暫態(tài)事件發(fā)生次數(shù)。以暫降事件為例進行有效識別，進行如下聚合：

對1分鐘內(nèi)發(fā)生的數(shù)次電壓暫降歸并為一次進行統(tǒng)計，其中殘余電壓取1分鐘內(nèi)數(shù)次電壓暫降的最小殘余電壓，持續(xù)時間取1分鐘內(nèi)最小殘余電壓所在的那次電壓暫降持續(xù)時間。首先完成單個監(jiān)測點ABC三相暫降聚合，然后對單個監(jiān)測點1分鐘內(nèi)多次暫降事件進行聚合。

（1）ABC三相暫降聚合算法。首先從單個監(jiān)測點的電壓暫態(tài)事件列表中提取、篩選出同一時間記錄到的A、B、C各相電壓暫降事件;然后對A、B、C各相電壓在暫降事件中的殘余電壓進行排序，找到記錄最小殘余電壓的暫降事件的相別、幅值以及相應的持續(xù)時間。通過以上步驟，將3次電壓暫降事件合并為1次電壓暫態(tài)事件。

（2）1分鐘內(nèi)多次暫降事件的聚合算法。1分鐘起始統(tǒng)計時間：每日從0：00開始統(tǒng)計，當日24：00結(jié)束。按照時間先后順序自動完成1日內(nèi)同一監(jiān)測點的多個暫降事件排序，以當日記錄到的第一次暫降事件發(fā)生起始時刻為統(tǒng)計起點，完成1分鐘內(nèi)多次暫降事件聚合后的時間排序，然后開始第2次1分鐘暫降事件聚合，以此類推。

電壓暫降幅值和持續(xù)時間聚合：完成1分鐘時間段截取之后，對1分鐘內(nèi)多次暫降事件的殘余電壓進行排序，找到最小殘余電壓的暫降事件信息，則1分鐘內(nèi)多次暫降事件聚合后的電壓暫降幅值為1分鐘內(nèi)暫降事件中的最小殘余電壓，持續(xù)時間即為1分鐘內(nèi)最小殘余電壓的持續(xù)時間。

通過選擇省份、地市、變電站、監(jiān)測點，可以查詢出短時中斷、電壓暫降、電壓暫升、頻率、電壓、諧波的日數(shù)據(jù)、月數(shù)據(jù)、年數(shù)據(jù)。短時中斷、電壓暫降、電壓暫升可根據(jù)特征賦值和持續(xù)時間進行分類，并進行事件次數(shù)分類匯總。

4 系統(tǒng)實現(xiàn)

4.1 全網(wǎng)概覽

全網(wǎng)概覽界面中，用戶可選擇時間維度（日、月、年），點擊監(jiān)測點類型、電壓等級、指標名稱等查詢指定范圍內(nèi)信息，顯示ITIC曲線和SEMI曲線。通過點擊圖例（正常、超標、離線）在地圖上顯示選中狀態(tài)的變電站信息，并可通過雙擊地圖向下鉆取得到相應省份中各市的情況，展示效果如圖3所示。

4.2 指標詳情

指標詳情界面主要通過時間趨勢圖、電壓等級分布和省公司分布統(tǒng)計指標數(shù)據(jù)，展示監(jiān)測點頻率合格率、電壓合格率、閃變合格率、總諧波電壓畸變率、諧波電壓含有率、諧波電流含量、間諧波電壓含有率、負序電壓不平衡度、短時中斷、電壓暫降、電壓暫升等指標。針對全網(wǎng)、省公司、地市公司的監(jiān)測點統(tǒng)計穩(wěn)態(tài)指標合格率、超標情況、暫態(tài)事件發(fā)生次數(shù)、暫態(tài)指標統(tǒng)計情況和在線時間趨勢進行展示。點擊穩(wěn)態(tài)指標超標情況統(tǒng)計菜單進入穩(wěn)態(tài)指標超標情況頁面，展示省公司、地市公司和監(jiān)測點統(tǒng)計穩(wěn)態(tài)指標超標情況，如圖4所示。

也可按日和按月選擇時間段，選擇指標類型，統(tǒng)計該指標類型數(shù)據(jù)。單擊省公司統(tǒng)計圖表柱狀圖，彈出省公司該指標的日或月數(shù)據(jù)趨勢圖。

4.3 暫態(tài)統(tǒng)計

暫態(tài)事件根據(jù)事件次數(shù)規(guī)則、持續(xù)時間規(guī)則、事件類型規(guī)則、暫態(tài)事件特征幅值不合理規(guī)則、暫降和暫升事件的特征幅值規(guī)則，通過時間進行統(tǒng)計，支持數(shù)據(jù)查詢和導出報表功能，展示如圖5所示。

5 結(jié)語

本文設計并實現(xiàn)了基于大數(shù)據(jù)平臺的海量電能質(zhì)量數(shù)據(jù)存儲和統(tǒng)計分析，詳細分析了電能質(zhì)量監(jiān)測分析系統(tǒng)體系結(jié)構(gòu)，對各個模塊的功能進行了詳細介紹，深入挖掘電網(wǎng)部門內(nèi)在需求。電能質(zhì)量監(jiān)測分析系統(tǒng)對網(wǎng)絡傳輸性能、數(shù)據(jù)存儲性能及數(shù)據(jù)分析處理性能都有較高的要求，未來研究將圍繞上述要求展開。

參考文獻：

[1] 王德文，宋亞奇，朱永利. 基于云計算的智能電網(wǎng)信息平臺[J]. 電力系統(tǒng)自動化，2010，34（22）：7-12.

[2] 耿俊成，張小斐，郭志民，等. 電力通信網(wǎng)大數(shù)據(jù)應用場景開發(fā)及試點應用[J]. 電力大數(shù)據(jù)，2019，22（2）：88-92.

[3] 方迪，尹穎. ?貴陽供電局電能質(zhì)量在線監(jiān)測系統(tǒng)維護與管理實踐[J]. 電子世界，2014（17）：48-49.

[4] 許中，陳雁，李絲媛. 廣州電網(wǎng)電能質(zhì)量在線監(jiān)測系統(tǒng)及其高級應用[J]. 供用電，2012，29（4）：68-71.

[5] 張明. 縣級電能質(zhì)量監(jiān)測系統(tǒng)數(shù)據(jù)存儲與解析研究[D]. 武漢：華中科技大學，2015.

[6] 陳殿偉. 基于Hadoop的虛擬篩選海量數(shù)據(jù)存儲及結(jié)果處理的設計和實現(xiàn)[D]. 蘭州：蘭州大學，2012.

[7] 張華贏，朱正國，姚森敬，等. 基于大數(shù)據(jù)分析的暫態(tài)電能質(zhì)量綜合評估方法[J]. 南方電網(wǎng)技術(shù)，2015，9（6）：80-86.

[8] 張逸，林焱，吳丹岳. 電能質(zhì)量監(jiān)測系統(tǒng)研究現(xiàn)狀及發(fā)展趨勢[J]. 電力系統(tǒng)保護與控制，2015，43（2）：138-147.

[9] 肖雄，劉治. ?基于負荷管理終端的電能質(zhì)量監(jiān)測研究與分析[J]. 廣東電力，2016，29（2）：85-89.

[10] WANG L X，MU J Q，JU H F. Research and application of power quality online monitoring system[J]. Electric Power Information and Communication Technology，2015，13（2）：132-136.

[11] 中國電機工程學會電力信息化專業(yè)委員會. 中國電力大數(shù)據(jù)發(fā)展白皮書[M]. 北京：中國電力出版社，2013：1-23.

[12] BARAN M E， WU F F. Network reconfiguration in distribution systems for loss reduction and load balancing justice System[J]. IEEE Transactions on Power Delivery，1988，13 （3） ：79-385.

[13] OMRAN N G，F(xiàn)ILIZADEH S. Location-based forecasting of vehicular charging load on the distribution system[J]. ?IEEE Transactions on Smart Grid ，2014， 5（2）：632-641.

[14] 付華崢. 分布式大數(shù)據(jù)采集關(guān)鍵技術(shù)研究與實現(xiàn)[D]. 重慶：重慶大學，2011.

[15] GALIVEETI H R， GOSWAMI A K， DEV N B. Choudhury impact of plug-in electric vehicles and distributed generation on reliability of distribution systems[J]. Engineering Science and Technology ， 2018， 21 （1）：50-59.

[16] ZHANG M. Research on data storage and data parsing in analysis power quality monitoring system of county[D]. Wuhan： Huazhong University of Science and Technology，2015.

[17] 林炳花. ?大數(shù)據(jù)技術(shù)在電力通信網(wǎng)的研究與應用[J]. 電力大數(shù)據(jù)，2018，21（5）：31-35.

[18] APACHE. The apache software foundation[EB/OL]. http：//www.apache.org/.

[19] NEUMANBC.Kerberos：anauthenticationservicefor computer networks[J]. ?IEEE Communications Magazine，2002，32（9）：33-38.

（責任編輯：杜能鋼）