面向电力大数据分布式云存储的性能研究与优化分析

江苏瑞中数据股份有限公司 汤朝波

面对当前电力大数据在分布式云储存方面存在的问题，本文致力于解决这一问题，构建了分布式云储存的系统模型，并运用匹配滤波器的检验方法对电力大数据的特征进行预先处理，从而构建了数据聚集树，有效的减少了云存储的冗余状况，实现了电力大数据分布式云存储的性能优化。

1 云储存的概念

云储存是一种新兴网络存储技术，是在云计算的基础上延伸与发展出来的。大量数据的管理、存储成为云计算系统的运算、处理核心时，云计算系统为实现其良好的性能，就需要配置很多存储设备，这样就产生了云存储系统，即云存储系统在本质上是一个以数据的存储、管理为核心的云计算系统。云储存可以通过应用软件，使网络中不同类型的、大量的存储设备进行协同工作，并使这些不同类型的存储设备共同向外提供业务访问功能及数据存储功能，云储存之所以能实现这些作用，主要是通过分布式的文件系统、网络技术和集群应用等功能。云储存是一种将资源、信息放置到云上，供人随时、随地的通过任何一个连接网络的装置，进行浏览、获取、储存信息的一种新兴服务。

2 电力大数据

2.1 大数据

当下，大数据在电力行业中还没有得到一个统一的、明确的定义，大数据是拥有价值密度低、处理速度快、数据类型多、数据体量大这四大特点的数据集合，这一含义是目前行业中基本达成的共识。之后相关研究报告对这种数据集合做出了进一步的补充，即这种数据集合的内容不能在一定的时间里通过使用传统的数据库软件进行抓取、处理和管理。

2.2 电力大数据

近十几年以来，我国电力行业的信息化获得了快速地发展，以云储存与物联网为代表的IT技术被广泛运用于电力行业的方方面面，电力数据资源也得到了迅速地增长，并朝着多源、异构与PB级数据规模快速发展。电力大数据是在电力工业的能源变革与技术更新过程中的必然过程，但电力大数据并不仅仅局限于技术范畴之中，其涉及到电力系统在处于大数据时代背景下的技术路线、管理体制及发展理念等方面的变革，是在大数据时代背景下智能化的电力系统价值形态的提升。

3 构建系统模型及其数据特征分析

本文通过进行仿真实验，对构建的大数据调度分布式云储存的系统模型的性能进行检验，展示了算法在电力大数据分布式云储存方面的优越性能。

3.1 构建系统模型

为了使电力大数据调度控制功能得到全面、整体的提高，需要对电力系统进行分布式云储存设计，构建电力调度云储存分布式模型。电力调度系统模型是用G=（V,E）即连通无向图进行表示，系统模型中的所有节点都有一个一样的输送半径，无线传感器节点网络的边（u，v）属于E。在电力调度系统模型中，设置A包含于V，B包含于V，A交B等于φ，每一个调度传输集Si（i是不包括0的自然数）应该满足下面的条件，Si交Sj等于φ，ULI=1Si等于V减去{sink}的差。

传统方法所使用的是混合建立域间链接的方法，解决角色映射冲突与权限隐蔽提升的问题。而本文中所采用的是联合特征下的信息增益提取的方式，本文引入了云存储管理β，β是（0，0.5）的子集。在这个限定的范围之内，采集数据集合，形成电力大数据调度生成阶段，实现信息融合。当R是A的子集、X是U的子集这一条件成立的情况之下，电力大数据调度信息状态的函数表达公式是：h（t）=Σiai（t）ejθδ（t-i Ts）。在此公式之中，t是调度的响应时间，ai是电力大数据信息系统中调度的个数。然后，再按照电力通信理论的中频分复用，可以得到电力大数据的行为与频率的关系，用多普勒公式可以表现为：yb=yow/zcosφ。在此公式中，z表示传输功率，yo表示电力调度通信的载波频率（基站发射端），yb表示发射频率的变化量（通信接收端）。

图1 决策树算法C4.5云存储系统数据特征建模

3.2 特征分析

在构建上述系统模型的基础之上，运用匹配滤波器的检验方法对电力大数据的特征进行预先处理,从而构建了数据聚集树（如图1）并运用决策树算法C4.5构建了云存储系统数据特征建模。

在本文的设置中，决策树中的映射值{no,yes}代表的是云存储系统冗余数据的跟踪属性值{0,1}，在决策树算法C4.5之下，冗余数据的主特征聚类特征参考值有164个种类，提取出来的有19个种类，利用算法对数据特征进行压缩与降维，从而得到了调度时间减弱的函数公式：当1≤k＜n时，f(k)等于f(k-1)-1/n；当k=n时，f(k)等于1。由这个函数公式可以得到云储存主特征的有效行为概率公式是：DNI,J(tn+1)=[DNI,J(tn+1)+f(n)DNI,J()]÷2。在在此计算公式中，tn时刻与tn+1时刻的差距是一个更新的周期。在这种条件下，调度系统就成了一个非线性的、多层节点的映射器，可以将调度系统的重组规律公式是：u（t）等于e（t）加上TD[de（t）/dt]再加上（1/T1）ζ10e（t）dt的和再乘以Kp，在这个公式之中，e代表的是调度系数，Kp代表的是调度通信效率。

运用匹配滤波器的检验方法对电力大数据的特征进行预先处理，可以得出滤波器函数公式，Hb（Z）等于(sinθ2+1)/cosθ2与G（z）与cosθ1（k）cosθ2z-1/sinθ2z-2+(sinθ2+1)z-1sinθ1(k)+1的乘积。其中，G（z）等于（1-sinθ2）/2与（1-z-2）/sinθ2z-2+(sinθ2+1)z-1sinθ1(k)+1的乘积。在这个公式之中，y（k）代表的是匹配滤波器的输出，x（k）代表的是观测序列，观测序列是由背景噪音与信号构成的。

在此基础上，本文提出了以宽频数据特征为基础的大数据分布式云储存的算法，并通过宽频数据特征压缩进行信息融合降维，从而实现资源调度，提高电力调度的效益。

4 结语

本文在构建大数据调度分布式云储存系统模型的基础上，利用决策树算法C4.5分析云存储系统数据特征。实验表明，通过对本文中的云存储系统模型进行信息融合降维，可以有效地减少数据冗余问题，提高电力系统的调度效益。