دانلود ترجمه مقاله معماری کلان داده ها برای شبکه های هوشمند

1. مقدمه 2. کلان داده ها، نظریه ماتریس تصادفی، و فرآیند پردازش داده 3. معماری کلان داده ها برای شبکه های هوشمند و مزایای آنها 4. پنج مطالعه موردی 5. نتیجه گیری

چکیده – ابزارهای تحلیل مبتنی بر مدل، که بر اساس مفروضات و ساده سازی ها بنا نهاده شده اند، برای کنترل شبکه هوشمند با داده های مشخص شده با حجم، سرعت، تنوع و اعتبار، مشکل هستند. این مقاله، با استفاده از نظریه ماتریس تصادفی (RMT)، ابزارهای داده محور را تشویق به درک شبکه های پیچیده در ابعاد بالاتر می کند؛ و در عین حال، یک معماری را با روش های دقیق تر در این زمینه ارائه می دهد. در دیدگاه الگوریتم، این معماری، تحلیل ابعاد بالا را انجام داده و یافته ها را با پیش بینی های RMT مقایسه می کند تا تشخیص های غیرعادی را انجام دهد. شعاع طیفی متوسط (MSR)، در قالب یک شاخص آماری برای انعکاس همبستگی داده های سیستم در ابعاد مختلف تعریف می گردد. در حالت مدیریتی، یک حالت کار گروهی برای عملکرد شبکه های هوشمند بررسی می گردد. این حالت از طریق محدودیت ها منطقه ای برای شارش های انرژی و شارش های داده ای شکسته می شود و تحلیل کلان داده های پیشرفته را ممکن می سازد. برای یک سیستم تقسیم بندی منطقه ای بزرگ مقیاس خاص با چندین عرضه کننده متصل، هر سایت که در حالت کار گروهی عمل می کند، می تواند MSR منطقه ای را تنها با داده های شبیه سازی شده و اندازه گیری شده مختص خود آن فعال کند. سیستم بزرگ مقیاس متصل در این روش به طور طبیعی از دیدگاه پارامترهای آماری جدا می شود (نه از دیدگاه مدل های مهندسی). علاوه بر این، یک تحلیل تطبیقی از این MSRهای توزیع شده، حتی با داده های خام متفاوت و غیر قابل پیش بینی، یک خط کانتور برای تشخیص رویدادها و مکان یابی منابع تولید می کند. این موضوع نشان می دهد که این معماری با محاسبه بلوکی و تنها با استفاده از دیتابیس های کوچک منطقه ای سازگاری دارد؛ و فراتر از آن، این معماری در قالب رویکردی داده محور، به آگاهی موقعیت سیستم حساسیت داشته و برای سیستم های متصل بزرگ مقیاس واقعی، عملی می باشد. پنج مطالعه موردی و مجسم سازی آنها، اعتبار معماری طراحی شده در زمینه های مختلف سیستم های قدرت را تایید می کنند. به منظور کسب اطلاعات بیشتر در این زمینه و بسط یافته ها، این مقاله، اولین گام در راستای استفاده از تکنولوژی کلان داده ها در شبکه های هوشمند بوده است.

Model-based analysis tools, built on assumptions and simplifications, are difficult to handle smart grids with data characterized by volume, velocity, variety, and veracity (i.e., 4Vs data). This paper, using random matrix theory (RMT), motivates data-driven tools to perceive the complex grids in high-dimension; meanwhile, an architecture with detailed procedures is proposed. In algorithm perspective, the architecture performs a high-dimensional analysis and compares the findings with RMT predictions to conduct anomaly detections. Mean spectral radius (MSR), as a statistical indicator, is defined to reflect the correlations of system data in different dimensions. In management mode perspective, a group-work mode is discussed for smart grids operation. This mode breaks through regional limitations for energy flows and data flows, and makes advanced big data analyses possible. For a specific large-scale zone-dividing system with multiple connected utilities, each site, operating under the group-work mode, is able to work out the regional MSR only with its own measured/simulated data. The large-scale interconnected system, in this way, is naturally decoupled from statistical parameters perspective, rather than from engineering models perspective. Furthermore, a comparative analysis of these distributed MSRs, even with imperceptible different raw data, will produce a contour line to detect the event and locate the source. It demonstrates that the architecture is compatible with the block calculation only using the regional small database; beyond that, this architecture, as a data-driven solution, is sensitive to system situation awareness, and practical for real large-scale interconnected systems. Five case studies and their visualizations validate the designed architecture in various fields of power systems. To our best knowledge, this paper is the first attempt to apply big data technology into smart grids.