Traduit de Afrikaans vers Français - www.onlinedoctranslator.

com

Examens des énergies renouvelables et durables 79 (2017) 1099–1107

Listes de contenus disponibles surScienceDirect

Examens énergétiques renouvelables et durables

page d'accueil Journal:www.elsevier.com/locate/rser

Problèmes de données volumineuses dans les réseaux intelligents - Un examen

Chunming Tuun,b, Xi Heun,b,⁎, Zhikang Shuaiun,b, Fei Jiangun,b

unCollège de génie électrique et de l'information, Université du Hunan, Changsha 401182, Chine
bCentre national de recherche sur les technologies de conversion et de contrôle de l'énergie électrique, Université du Hunan, Changsha 410082, Chine

ARTICLEINFO ABSTRAIT

Mots clés: Il existe des impératifs économiques et environnementaux pour la transition du réseau électrique obsolète actuel vers un réseau
Big Data intelligent intégré à des capteurs qui surveille la stabilité du système, intègre l'énergie distribuée et planifie la consommation d'énergie
Grille intelligente
pour les utilisateurs domestiques. Surtout avec la prolifération des appareils de mesure intelligents, la croissance exponentielle des
Applications d'analyse de données
données permet cette transition et apporte de nouveaux outils pour le développement de différentes applications dans le système
volumineuses Plate-forme cloud
électrique. Dans ce contexte, cet article présente un aperçu holistique de l'état de l'art de la technologie des mégadonnées dans
Exploration de données
l'intégration des réseaux intelligents. Tout d'abord, les caractéristiques du réseau intelligent et la multisource de données énergétiques
sont discutées. Ensuite, cet article récapitule de manière exhaustive les applications exploitées par le big data dans le smart grid, qui
contient également de toutes nouvelles applications avec les dernières technologies du big data. En outre, certaines plates-formes et
techniques d'extraction de connaissances courantes sont examinées pour promouvoir les informations sur les mégadonnées. Enfin, les
défis et les opportunités sont également soulignés dans ce document.

1. Introduction dans le réseau électrique depuis plusieurs décennies. En raison du taux

Les mégadonnées attirent de plus en plus l'attention et sont considérées
comme le « pétrole » intellectuel qui favorise le développement socio-économique
moderne. Pour les sciences de l'information, les mégadonnées sont généralement
définies comme un ensemble de données énorme et complexe, difficile à stocker,
traiter et analyser pour les outils traditionnels.[1]. En termes d'énergie, un
changement révolutionnaire est que le réseau électrique unidirectionnel
traditionnel a été progressivement remplacé par le réseau intelligent (SG),
également appelé «réseau électrique de nouvelle génération». Il existe plusieurs
projets pilotes de SG, tels que le projet ENEL Telegestore en Italie, qui est
considéré comme la première tentative de construction de SG sur le terrain.[2].
Par la suite, plusieurs autres projets SG ont été mis en œuvre, dont le projet Hydro
One au Canada[3], le projet InovGrid au Portugal[4]et le projet Modellstadt
Mannheim (Moma) en Allemagne[5]. Par rapport au réseau conventionnel, les
avantages du SG sont multiples, tels que la fonctionnalité d'auto-guérison et de
récupération, une meilleure intégration avec les énergies renouvelables, la
connaissance de la situation et la stabilité transitoire, etc., grâce au déploiement
de compteurs intelligents et à l'analyse de données volumineuses , c'est-à-dire
l'exploration de données ou l'apprentissage automatique[6].
1.1. Sources de données énergétiques dans les réseaux intelligents
Les mégadonnées du réseau intelligent sont générées à partir de diverses sources.
Système analogique de contrôle de surveillance et d'acquisition de données (SCADA), qui
avec un échantillon par taux d'échantillonnage de 2 à 4 s, a été mis en œuvre
d'échantillonnage limité, il est impossible d'observer la stabilité transitoire et
l'oscillation du système électrique. En conséquence, les unités de mesure de
phaseur (PMU), qui ont une vitesse de balayage beaucoup plus rapide (30 à 60
échantillons par seconde), sont capables de produire des amplitudes de tension /
courant horodatées directes ainsi que les angles de phase[7.8]. Fin 2015, le
nombre total de PMU installés avait atteint plus de 1380 accordés par l'American
Recovery and Reinvestment Act (ARRA), couvrant près de 100% du système de
transmission américain. En Chine, State Grid et Southern Grid avaient installé 1717
PMU fin 2013[9,10]. En plus du PMU, la lecture avancée des compteurs (AMR) avec
des intervalles de lecture de 15 minutes a également été déployée pour remplacer
les compteurs traditionnels à lecture mensuelle. En conséquence, pour chaque
compteur, il lit 96 données par jour et effectue 2880 données par mois, ce qui
signifie que 2880 fois les données du kWh ont été augmentées uniquement dans
le domaine de la mesure de puissance. La prolifération des PMU, AMR et autres
dispositifs de mesure avancés tels que les dispositifs électroniques intelligents
(IED), les enregistreurs numériques de défauts (DFR), les enregistreurs de
séquence d'événements (SER), etc.[123,124], ont apporté un énorme volume de
données dans le système d'alimentation pour le stockage, la conservation,
l'extraction, le partage et la visualisation. Comme indiqué dans[11], le nombre
d'installations mondiales de compteurs intelligents triplera, passant de 10,3
millions en 2011 à 29,9 millions d'ici la fin de 2017. Il montre que 100 PMU avec 20
mesures génèrent plus de 100 Go de données par jour à un taux
d'échantillonnage de 60 Hz.[12].

⁎Auteur correspondant à : Collège d'ingénierie électrique et de l'information, Université du Hunan, Changsha 401182, Chine.
Adresse e-mail:pour toujoursau@163.com (X. Il).

http://dx.doi.org/10.1016/j.rser.2017.05.134
Reçu le 11 juillet 2016 ; Reçu sous une forme révisée le 20 mars 2017 ; Accepté le 19 mai 2017
1364-0321 / © 2017 Elsevier Ltd. Tous les droits sont réservés.
C.Tu et al.
1.2. Bénéficie de l'analyse de données volumineuses dans le réseau intelligent
On sait que les mégadonnées ont apporté de nombreux avantages tangibles aux
services publics et aux utilisateurs d'électricité, qui peuvent être systématiquement
conclus comme suit :
1)Augmentation de la stabilité et de la fiabilité du système :La sécurité est toujours
placée en premier lieu dans la priorité du réseau électrique et peut englober
deux aspects majeurs : la stabilité et la fiabilité, qui peuvent être subdivisées
en certains sous-aspects tels que la détection des oscillations, la stabilité de la
tension, la détection et la restauration des événements. , détection et
restauration de l'îlotage, analyse post-événement, etc.[131]. Bon nombre des
problèmes ci-dessus ont été étudiés et utilisés depuis des décennies. Il
convient de souligner qu'avec l'émergence des mégadonnées et de la
technologie avancée d'analyse des données, il est possible d'explorer de
nouvelles capacités ou d'améliorer les méthodes de surveillance et de
détection obsolètes. Par exemple, comme indiqué dans[13], une oscillation
dans un parc éolien a été détectée par PMU mais non observable par SCADA, il
s'agit d'un avantage typique de l'analyse de données volumineuses dans la
sécurité du réseau intelligent.
2)Augmentation de l'utilisation et de l'efficacité des actifs :Dans la pratique, l'analyse des
données volumineuses peut augmenter l'utilisation et l'efficacité des actifs,
notamment en améliorant la compréhension des caractéristiques de fonctionnement
et des limites physiques des actifs, en validant et en calibrant mieux les modèles et
en intégrant mieux les ressources renouvelables aux outils de données
volumineuses. Par exemple, dans[14], les auteurs utilisent les tensions mesurées par
les compteurs intelligents et Geo-Données du système d'information (SIG) pour
effectuer une analyse de fatigue du transformateur, qui avertit les opérateurs de
réviser ou de changer le transformateur à l'avance. En outre, de nombreux travaux
ont également été menés pour étudier l'utilisation des mégadonnées pour la
validation et l'étalonnage des modèles dans[15–19].
3)Meilleure expérience et satisfaction client :Récemment, des progrès significatifs ont été
réalisés pour le déploiement de compteurs intelligents dans les maisons, les bureaux
ou d'autres locaux dans le monde entier[20,21]. Le déploiement de masse facilite la
facturation, la détection des fraudes, l'avertissement des pannes, les systèmes de
tarification intelligents en temps réel, la réponse à la demande et l'utilisation efficace
de l'énergie. Cependant, toutes les applications ci-dessus nécessitent un taux
d'échantillonnage élevé par mètres et une analyse de données avancée, ainsi que les
technologies de communication de l'information.
1.3. Principaux apports
Jusqu'à présent, le réseau intelligent et les mégadonnées sont généralement
signalés séparément[22–25]etCatalogue [26,27] [125,126]. Cependant, l'analyse des
mégadonnées dans les réseaux intelligents est rarement rapportée. A notre
connaissance, K Zhou et al. passé en revue la gestion intelligente de l'énergie basée sur
les mégadonnées[28], qui illustre principalement l'architecture et les outils industriels de
gestion de l'énergie appliquée. BA Schuelke-Leech et al. passé en revue les opportunités
du big data dans les services publics d'électricité[29]. Cependant, ces travaux ne peuvent
pas être étendus aux réseaux intelligents. Hu et Vasilakos ont présenté un examen
complet de l'application des mégadonnées dans la taxonomie et la sécurité de l'énergie
[30]. Afin d'obtenir la pleine utilisation des mégadonnées dans les réseaux intelligents,
cet article présente un examen holistique des problèmes de mégadonnées dans les
réseaux intelligents.
En général, les contributions de cet article sont multiples et peuvent être
résumées comme suit :
• Il fournit une première enquête complète couvrant à la fois les réseaux intelligents et
l'analyse des mégadonnées énergétiques. À notre connaissance, il s'agit de la première
tentative d'examiner systématiquement les problèmes de mégadonnées dans les réseaux
intelligents.
• Il souligne certaines des dernières applications ou méthodes dans le système d'alimentation
renforcées par la technologie des mégadonnées. Par exemple, l'approche basée sur la base
de données pour la détection et la classification des défauts dans les micro-réseaux, qui se
traduit par une bien meilleure performance que l'approche conventionnelle basée sur un
modèle[31]; l'estimation basée sur la mesure de
1100
Examens des énergies renouvelables et durables 79 (2017) 1099–1107
État du système Connaissance de la situation
Télémétrie R/T Niveau 3
Niveau 1 Niveau 2
Perception Compréhension Projection
Des modèles
Topologie / État
Action Décision
FIGUE. 1.WASA dans le processus décisionnel[33].
la matrice jacobienne de flux de puissance qui s'est avérée plus efficace pour
déduire les informations pertinentes sur la topologie du système en temps
quasi réel[32].
• Les applications basées sur les données mises en œuvre par les services publics et les méthodes
pratiques d'analyse des données utilisées dans le monde entier ont été répertoriées dans cet article.
Le reste de cet article est organisé comme suit : DansSection 2, les
applications grand public renforcées par les mégadonnées ont été discutées. Dans
Section 3, les plateformes de big data et les méthodes de data mining sont
présentées et comparées. Nous discutons de certaines orientations et défis de
recherche futurs dansSection 4.Article 5est consacré aux conclusions.
2. Applications Big Data dans les réseaux intelligents
2.1. Conscience de la situation à grande échelle
Le concept de « conscience de la situation » (SA) apparaît pour la première fois dans
l'industrie aéronautique.FIGUE. 1montre le flux de processus de SA dans un système
général. On peut voir qu'un processus complet de SA comporte trois étapes, c'est-à-dire
la perception, la compréhension et la projection. La première étape consiste à percevoir
les données hétérogènes qui peuvent provenir du système SCADA conventionnel ou des
IED et PMU nouvellement installés. La deuxième étape consiste à comprendre ce que les
données perçues signifient par rapport à l'oscillation ou à l'instabilité du système. Cette
étape est en réalité très gourmande en ressources et nécessite une bonne connaissance
de l'extraction d'informations. La projection de la dernière étape signifie la
compréhension du comportement futur du système à travers les deux étapes ci-dessus.
Grâce à une projection constante et appropriée, les opérateurs de la salle de contrôle ont
suffisamment de temps pour réagir aux événements, ce qui contribue à la prévention des
catastrophes en cascade.
Dans le scénario réel de l'application de connaissance de la situation à
grande échelle, deux problèmes doivent être résolus : la limitation des PMU
installées et la latence apportée par les algorithmes de prise de décision.
En raison du coût élevé et des facteurs compliqués de déploiement des PMU dans le
réseau, le nombre de capteurs synchrophaseurs est limité et doit être placé de manière
optimale. De nombreuses méthodes de placement optimal de PMU (OPP) sont soulevées,
telles que la programmation en nombres entiers mixtes[34], OPP basé sur un modèle[35]
, bus à injection zéro pour réduire davantage[36], algorithme générique[37], etc.[38–40].
Sodhi et al.[41]a proposé un cadre OPP amélioré utilisant cinq applications, à savoir,
l'amélioration de l'estimation de l'état, l'évaluation de la stabilité tension/angulaire, la
surveillance des oscillations de la ligne d'interconnexion et la disponibilité de
l'infrastructure de communication, pour évaluer les sites PMU potentiels.
Pour un défaut transitoire, le temps de réaction est normalement inférieur à 100 ms
avec lequel les dispositifs de protection automatiques agissent sans décision humaine ;
tandis que pour la stabilité à long terme, les opérateurs de la salle de contrôle ont
suffisamment de temps pour apprendre la situation par des simulations ou des
expériences. Cependant, pour la situation entre ces deux scénarios, l'opérateur
C.Tu et al.
Événement de tension
Chute/creux de tension
Houle de tension
Interruption de tension
Sous-tension
Surtension
FIGUE. 2.Classification hiérarchique des événements.
décision dans un délai relativement court est essentielle. Malgré le fait que l'intelligence
artificielle (IA) de traitement par lots pourrait aider le processus de prise de décision, la
latence subie par les calculs mathématiques est intolérable. L'arbre de décision semble
prometteur pour traiter un processus de données modéré, tandis que l'extraction de
vapeur est adaptée au processus de Big Data pour la prise de décision. Un arbre de
décision construit à partir d'un flux de données utilisant la borne de Hoeffding a été
proposé par Domingos et Hulten[42]. Un classificateur d'arbre principal et un
classificateur basé sur un cache qui peut gérer des flux de données à grande vitesse sont
utilisés pour faciliter la prise de décision intelligente. Les techniques d'exploration de flux
ne nécessitent aucune information de modèle, mais permettent d'obtenir une SA en ligne
avec une précision, un temps de traitement et des ressources de calcul raisonnables. [43–
45].
Il existe quelques exemples d'application WASA. Le système situationnel SMDA
(ver5.0) a été utilisé pour la surveillance étendue et la détection d'événements à
Hydro-Québec[46]. NYISO a utilisé les données en temps réel et hors ligne pour
afficher les informations sur le tableau de bord qui alerte les opérateurs des
anomalies, y compris les chutes de tension, les oscillations transitoires, les
déclenchements de ligne[7]. Peppanen et al.[47]développé une estimation de l'état
du système de distribution (DSSE) et un système de connaissance de la situation
pour surveiller le système de distribution du campus de Georgia Tech et déployé
l'interface utilisateur graphique 3D pour améliorer la connaissance de la situation.
Les données collectées par Oklahoma Gas & Electric via les PMU pour mener
WASA dans l'Oklahoma et l'ouest de l'Arkansas[9].
2.2. Estimation de l'état
Depuis l'introduction initiale et les travaux pionniers de Schweppe et Wildes
Catalogue [48] [127,128], l'estimation de l'état du système électrique (PSSE) est devenue
un élément essentiel de l'automatisation du système électrique. Le problème
d'estimation d'état conventionnel est résolu de manière itérative grâce aux mesures non
linéaires par le système SCADA. C'est assez inefficace et les mauvaises données sont
intolérables. Motivés par l'avènement du big data et du smart grid, de nouveaux
algorithmes et techniques ont été créés et déployés. Une méthode d'estimation linéaire
découplée utilisant les données de séquence temporelle mesurées par les PMU est
proposée dans[129], qui découple le problème en deux petits problèmes indépendants
pour accélérer le processus d'estimation. Une méthode d'estimation d'état robuste basée
sur PMU (PRSEM)[49]qui adapte la fonction d'attribution de poids pour éliminer les
données perturbées indésirables est développée afin d'augmenter la robustesse de
l'algorithme. En fait, il existe deux problèmes majeurs dans la conduite du PSSE, l'un est
le mauvais filtrage des données et l'autre est la réduction de la dimensionnalité des
données volumineuses.
Dans le domaine réel, il existe de nombreuses causes de « mauvaises
données » (BD), telles que la panne des appareils de mesure et les interférences
électromagnétiques. Les techniques de pointe pour la détection de BD peuvent être
classées en deux catégories : pré-estimation et post-estimation[50].
Examens des énergies renouvelables et durables 79 (2017) 1099–1107
Événement de grille
Ange des phases
Événement de fréquence
Événement
Sous-fréquence Oscillation régulière
Surfréquence Transitoire
Oscillation
L'approche de pré-estimation utilise le test des résidus normalisés et réestime
l'état, auquel cas le BD fait partie du processus itératif. Cependant, la post-
estimation BD est plus fiable, plus rapide et non itérative par rapport à la pré-
estimation BD, ce qui la rend adaptée à la détection de mauvaises données dans
les applications PSSE.
La réduction de la dimensionnalité des mégadonnées dans les réseaux intelligents est
essentielle pour l'estimation de l'état. L'analyse en composantes principales (ACP) est l'une des
méthodes les plus utilisées pour la réduction de dimension pour ses bonnes performances dans
la préservation des données d'origine, ainsi que sa fonction de calcul rapide.[51].
Il existe plusieurs projets SE mis en œuvre aux États-Unis[52]. ATC a effectué une
validation de haut niveau de son modèle d'estimateur d'état à l'aide des données d'angle
de tension PMU. Duke Energy a utilisé les données énergétiques pour améliorer
l'estimation de l'état, la précision du modèle de système et le temps requis pour l'analyse
post-événement. ISO-NE a mené une démonstration de faisabilité d'une estimation d'état
basée sur les données pour le réseau 345 kV et évalué un estimateur d'état hybride
PMU / SCADA.
2.3. Classification et détection des événements
Les perturbations dans le système électrique impliquent de nombreux types, tels que les défauts, les
déclenchements de ligne, les délestages, les pertes de production, les oscillations, etc. La détection
d'événement conventionnelle est une analyse post-événement basée sur un modèle/topologie. Dans le
réseau intelligent, la grande quantité de données et d'informations rend possible l'utilisation d'une
approche basée sur les données pour la classification et la détection d'événements en temps réel.
La classification / catégorisation des événements est la préparation de la détection et
de la localisation des événements.FIGUE. 2montre une approche hiérarchique pour la
classification des événements perturbateurs. Par exemple, l'événement « Chute/creux de
tension » signifie une baisse de tension de plus de 10 % (jusqu'à 30 %) ou de la tension
nominale pendant plus de 8 millisecondes (jusqu'à 1 min). Il s'agit de la spécification
fonctionnelle d'un certain événement perturbateur et tous les événements de tension et
de fréquence peuvent être classés en oscillatoires ou non oscillatoires. Cependant, il
convient de noter que cette catégorisation hiérarchique ne prend en compte que les
événements les plus fréquents dans le système électrique. Une méthode complète de
regroupement non supervisé (approche hiérarchique, de partitionnement et basée sur la
densité) est proposée pour classer 2226 perturbations stockées dans la Public Service
Company of New Mexico (PNM) de 2007 à 2010[53]. Chen et al.[54]proposer un
algorithme de classification des événements basé sur un nuage de points (SPEC) pour
effectuer la classification. Les points dispersés à l'extérieur du sous-espace central
indiquent une perturbation et la forme topologique décide des types d'événements.
La norme PMU actuelle IEEE C37.118 ne définit pas les événements transitoires ou
dynamiques qui sont vitaux pour la stabilité du système électrique[55.56]. L'approche
d'analyse des fluctuations sans tendance convient à la détection d'événements
dynamiques utilisant une grande quantité de données énergétiques. Un algorithme
raffiné d'analyse de fluctuation sans tendance parallèle (PDFA) est proposé pour
1101
C.Tu et al.
détection avec architecture parallèle MapReduce[57]. Les réseaux de neurones et la
logique floue sont exploités pour la détection d'événements transitoires dans un réseau
intelligent en raison de sa force de connexion inter-neurones et de ses poids synaptiques.
L'apprentissage supervisé et l'apprentissage non supervisé sont deux façons de conduire
des réseaux de neurones. Un schéma combiné supervisé / non supervisé est proposé et
s'est avéré plus efficace et capable que l'une ou l'autre approche unique[58]. Pour la
reconnaissance et la détection d'événements multiples, les perturbations successives
peuvent être éclipsées et négligées. La conception de démixage d'événements et
l'algorithme de démixage d'événements clairsemés non négatifs (NSEU) se sont avérés
être un moyen efficace pour la séparation et la détection d'événements perturbateurs
multiples[59].
L'algorithme d'exploration de données transparent Decision Tree (DT) avec un
modèle de boîte noire basé sur la forêt de Radom (RF) est proposé pour détecter et
classer les défauts dans le micro-réseau. Un grand ensemble de données de 3860
échantillons est établi pour former le DT et se traduit par une précision de détection des
défauts de 97% par rapport à 56% par la méthode de relais de surintensité existante[31].
Il existe neuf projets liés à la détection, à la gestion et à la restauration d'événements
dans le cadre de l'ARRA[7]. Le Western Electric Coordinating Council (WECC) a utilisé un
algorithme de corrélation exploité par le Big Data pour la détection d'événements et
l'aide à la décision. L'ATC utilise les données PMU pour vérifier le fonctionnement des
dispositifs de protection, en déterminant si les défauts sont correctement éliminés et si
les trois phases s'ouvrent en même temps.
2.4. Autres applications
2.4.1. Validation et étalonnage des modèles de centrales électriques
La validation et l'étalonnage des modèles de centrales électriques ont longtemps
laissé perplexes les services publics et les exploitants. La performance n'a pu être réalisée
que par des tests par étapes et nécessite la fermeture des usines, ce qui coûte aux
services publics environ 15 000 à 35 000 dollars à chaque fois.
[15]. Exploitée par les grandes données de mesure mesurées par les PMU, les IED et les
FDR, une nouvelle approche basée sur les données a été développée pour vérifier les
modèles de centrales électriques. L'enregistrement des perturbations mesurées pourrait
être utilisé pour comparer avec les simulations, complétant ainsi le test de base pour
ajuster les modèles.
2.4.2. Prévision de charge à court terme
Des méthodes de prévision de charge à court terme basées sur des mégadonnées
ont été proposées ces dernières années[60–62]. La technique de base de cette méthode
consiste à classer les modèles de charge à l'aide d'une analyse d'association et de
regroupement basée sur les données de comptage intelligent en plus des données de
charge historiques et des données ambiantes, telles que les données de température,
d'humidité et de précipitations. En raison de l'afflux de modèles de prévision de charge,
les "métriques abstraites" conventionnelles, telles que l'erreur absolue moyenne (MAE) et
l'erreur quadratique moyenne (RMSE), ne sont pas suffisamment précises pour évaluer
les erreurs résiduelles entre les valeurs prédites et les valeurs réelles. . Avec les données
granulaires spatiales et temporelles fines, des techniques plus sophistiquées telles que
l'apprentissage par arbre de régression[63]et réseaux de neurones artificiels[64]peut être
utilisé pour résoudre ce problème d'évaluation.
2.4.3. Vérification du réseau de distribution
En raison de la faible précision des données d'entrée SIG, il est important de
vérifier régulièrement la connectivité du réseau. L'analyse des mégadonnées aide
à vérifier la topologie du réseau de distribution dans le réseau intelligent, en
particulier pour les départs souterrains qui sont difficiles à vérifier[16.64]. Il s'agit
d'un cas d'utilisation typique d'un algorithme statistique de corrélation exploité
par le Big Data puissant. Applications similaires, y compris la modélisation
secondaire[14.65], identification du transformateur[66], et vol d'électricité[130]
sont développés sur la base du même algorithme.
2.4.4. Réponse à la demande axée sur les mégadonnées
La gestion de la réponse à la demande est un moyen efficace de réduire la charge de
charge pendant les heures de pointe, mais les approches conventionnelles consistent à
couper les charges prédéterminées, ce qui entraîne une rigidité. Dans
[67], 66 434 179 données de profil de charge par 24 h, qui sont collectées par plus
de 200 000 compteurs intelligents de Pacific Gas and Electric Company (PG &
1102
Examens des énergies renouvelables et durables 79 (2017) 1099–1107
E), est utilisé pour mener la cible client pour la réponse à la demande (DR).
Pour résoudre le problème du sac à dos stochastique (SKP) pour une
sélection optimale des clients, les algorithmes heuristique et gourmand sont
appliqués.
2.4.5. Estimation des paramètres pour le système de distribution
En règle générale, l'estimation automatique des paramètres (PE) ne convient
qu'au système de transmission autre que le système d'alimentation de distribution
en raison de sa topologie radiale complexe et du manque de mesures. Cependant,
avec les implémentations massives de capteurs dans les réseaux intelligents, de
nouvelles méthodes d'estimation des paramètres du système de distribution du
réseau secondaire sont proposées. Les mégadonnées de l'infrastructure de
mesure avancée (AMI) et d'autres capteurs offrent la possibilité au système
secondaire de réaliser l'étalonnage des impédances de ligne. Par exemple,
Peppanen et al. utilisé les données collectées par AMI et certaines mesures PV
pour améliorer la précision de l'étalonnage des paramètres du circuit secondaire
de distribution du campus Georgia Tech[68].
2.4.6. Sécurité et protection du système
La cyberattaque est considérée comme l'une des plus grandes menaces dans le système de
réseau intelligent en raison de l'interconnexion et de l'interopérabilité des composants et des
réseaux. Le système de détection d'intrusion (IDS) en tant que contre-mesure est
traditionnellement un système basé sur l'hôte à forte intensité de connaissances, il a donc ses
limites en termes d'évolutivité et de flexibilité. Il peut être judicieux de prendre en compte
plusieurs sources de données pour créer un IDS hybride basé sur des spécifications pour une
surveillance et une protection complètes du système.[69]. Par rapport à la cryptographie
conventionnelle dans la communauté de la cybersécurité, les couplages cyber-physiques en
temps réel et serrés font la différence dans le concept de sécurité du réseau intelligent. Dans[30],
il est souligné que le réseau intelligent est vulnérable aux cyberattaques en raison de la
caractéristique d'ouverture et d'autonomie. Bien que de nombreuses solutions de sécurité aient
été conçues pour les réseaux intelligents, la plupart d'entre elles ne sont pas basées sur le Big
Data. Actuellement, il existe trois réalisations typiques de la sécurité et de la confidentialité des
mégadonnées : (i) les systèmes cryptographiques orientés mégadonnées, (ii) la détection
d'anomalies orientées mégadonnées et (iii) les applications intelligentes orientées mégadonnées.
Bien sûr, il existe d'autres applications apportées ou améliorées par l'analyse de
données volumineuses, telles que la détection d'îlotage[70], détection d'oscillations
[71], surveillance en temps réel de l'angle du rotor[72], et coll.Tableau 1répertorie certaines
applications pratiques mises en œuvre grâce au big data dans le réseau intelligent dans le monde
entier.
Techniques utilisées pour l'analyse des mégadonnées dans les réseaux intelligents
3.1. Les plateformes d'analyse du big data
Afin de réaliser les fonctionnalités illustrées ci-dessus, il est essentiel de trouver une
plate-forme ou un modèle approprié qui s'adapte à ces applications de manière efficace
et efficiente. Le stockage et l'informatique en nuage, une technologie nouvellement
apparue, attirent beaucoup d'attention et gagnent une énorme popularité en raison de
ses avantages à bien des égards. Chang et al.[79]ont comparé le big data cloud et non
cloud en termes de stockage de données, et le résultat montre que sur une base cloud, le
temps d'exécution réel est inférieur, tandis que la cohérence et l'efficacité sont
supérieures par rapport à la base non cloud.
FIGUE. 3décrit un modèle omniprésent de modèle de nuage de données pour le
réseau intelligent. Les données hétérogènes sont mesurées par des capteurs, puis
transmises aux sous-centres du nuage de données via une interface de programmation
d'application (API) et un réseau de transmission. Toutes les données stockées dans le
cloud peuvent être interrogées par les acteurs légitimes (par exemple, les opérateurs de
salle de contrôle, les fournisseurs de services tiers) pour des applications spécifiques. Les
mérites de ce schéma sont multiples, tels que le partage des coûts, l'interopérabilité et
l'extensibilité, la haute efficacité du calcul parallèle, la gestion distribuée, ainsi qu'une
tolérance élevée aux pannes et la sécurité des données.
En fait, de nombreuses plates-formes cloud industrielles ont été utilisées pour le big
data des réseaux intelligents. Microsoft Azure est une plate-forme flexible et
interopérable hébergeant des applications basées sur le cloud et effectuant également le
traitement des données[80]. Holm[81], une énergie domestique privée
C.Tu et al. Examens des énergies renouvelables et durables 79 (2017) 1099–1107

Tableau 1
Applications de réseau intelligent renforcées par le Big Data.

Applications Nom du logiciel Développeur La description Réfs

Système de connaissance de la situation FNET/GridEye Yilu Liu (Chef) Une variété d'applications ont été développées, y compris la détection d'événements en temps réel et [73,74,93]
l'estimation de l'emplacement, la détection d'oscillations, etc.
Conscience de la situation à grande échelle SMDA (ver5.0) Hydro-Québec Collecte les données de phaseur étendues en temps réel et surveille les oscillations [46.75]
inter-zones, couvrant environ 25 % de la sous-station 735 kV.
Détection d'événement et alarme e-terra3.0 Alstom Présenter et visualiser les perturbations et accéder aux informations de diagnostic [76]
La gestion pertinentes
Validation des modèles de centrales CERTIFICATIONS BPA & CERTIFICATIONS Les ingénieurs de BPA calibrent le modèle Columbia Generating Station (CGS) sans mettre les [15]
générateurs hors ligne
Détection des oscillations et Plateforme GRID-3P Pouvoir électrique Les oscillations ne sont pas observables à l'aide de la technologie SCADA mais sont observées par des données [7]
Atténuation Grouper PMU granulaires fines.
Intégration des ressources renouvelables DEMS Siemens Un système basé sur les données pour surveiller, gérer et intégrer la production distribuée [77]
et l'énergie renouvelable dans le système d'alimentation en vrac
Stabilité transitoire et intrusion WARMAP5000 Technologie NARI Combinez les données de surveillance en temps réel et les données simulées pour le contrôle de la stabilité transitoire [78]
Détection sur une vaste zone et la prévention des cyberattaques

3ème partie Secteur / Sphère. Hadoop est considéré comme l'implémentation la plus
Salle de contrôle VPP prometteuse en raison de son évolutivité, de sa tolérance aux pannes et de ses
Un service
Opérateur Agrégateur techniques de restauration automatique des pannes. Développé pour la première
Fournisseur
fois par Doug Cutting et Mike Cafarella en 2005[88], il est largement utilisé par les
grands géants de la technologie tels que Google, Yahoo, Facebook, YouTube, IBM
Détaillant Utilisateur final
et Microsoft.FIGUE. 4 décrit l'architecture du framework Hadoop MapReduce. Il y a
deux parties principales dans ce framework : MapReduce et Hadoop Distributed
API + réseau de transmission File System (HDFS).
MapReduce, initialement développé par Google en 2004, est le modèle de
programmation le plus répandu pour le traitement de données à grande échelle. Il
a plusieurs implémentations telles que Hadoop, Mars, Phoenix, Dryad et Sector/
Sphere. Hadoop est considéré comme l'implémentation la plus prometteuse en
raison de son évolutivité, de sa tolérance aux pannes et de ses techniques de
restauration automatique des pannes. Développé pour la première fois par Doug
Cutting et Mike Cafarella en 2005[88], il est largement utilisé par les grands géants
de la technologie tels que Google, Yahoo, Facebook, YouTube, IBM et Microsoft.
FIGUE. 4 décrit l'architecture du framework Hadoop MapReduce. Il y a deux parties
principales dans ce framework : MapReduce et Hadoop Distributed File System
(HDFS).
En raison de la caractéristique unique des mégadonnées énergétiques, la
API + réseau de transmission plate-forme issue de la science de l'information doit être modifiée et utilisée dans
le système électrique. Dans[89], Zhang et al. a proposé un nouveau MapReduce
incrémentiel et l'a nommé comme i2MapReduce pour effectuer un traitement
incrémentiel au niveau de la paire clé-valeur et pour prendre en charge un calcul
itératif plus sophistiqué dans le système d'alimentation. Dans[90], Xing et al. a
FIGUE. 3.Architecture cloud pour le big data du réseau intelligent.
proposé une plate-forme Petuum pour l'apprentissage automatique à large
spectre. L'efficacité de ce cadre à usage général a également été vérifiée dans
outil de gestion, est la première application de cette catégorie basée sur la l'expérience en comparant avec MapReduce.
plateforme cloud Azure. Google Power Plus[82], une application de suivi de la
consommation d'énergie des ménages s'appuie également sur la plateforme
cloud Google APP Engine. InterPSS[82], abréviation de An Internet Technology- Maître trimer

based Open-source Power System Simulation, vise à développer une plate-forme

tâche tâche
de simulation basée sur des données cloud pour les nouvelles applications dans le
traqueur traqueur
réseau intelligent. Dans[83], Smart-Frame, un cadre de gestion des informations
volumineuses basé sur le cloud computing conçu pour les réseaux intelligents, est
proposé. Le cadre se compose de trois niveaux hiérarchiques : le niveau supérieur,
le niveau régional et le niveau de l'utilisateur final. Ce cadre est utilisé dans un CarteRéduire
travail

traqueur
prototype sur Eucalyptus, qui est une plate-forme populaire basée sur le cloud couche

computing open source. D'autres plateformes ou modules de cloud computing

sont étudiés ou ont été appliqués notamment MapReduce, Chord, Dynamo, HDFS
Nom
couche
Zookeeper, Chubby, etc.[84–87]. nœud
Dans la partie suivante, les deux plates-formes les plus fréquemment utilisées dans les
réseaux intelligents de nos jours seront abordées.
Les données Les données

nœud nœud
3.1.1. Plateforme Hadoop MapReduce
MapReduce, initialement développé par Google en 2004, est le modèle de cluster multi-nœuds
programmation le plus répandu pour le traitement de données à grande échelle. Il
a plusieurs implémentations telles que Hadoop, Mars, Phoenix, Dryad et FIGUE. 4.Architecture de Hadoop MapReduce.

1103
C.Tu et al.
Tableau 2
Algorithmes d'analyse de données appliqués pour les applications en smart grid.
Algorithmes
Analyse en composantes principales (ACP)
Réseaux de neurones artificiels (ANN), K-means, Fuzzy c-means, eXtended Classifier System pour le clustering
(XCSc)
ANN, décomposition en mode empirique, filtre de Kalman étendu, apprentissage extrême avec noyau, décision
Arbre
Théorie des matrices aléatoires de l'apprentissage
relationnel statistique (SRL)
Réseaux de neurones profonds, apprentissage multi-vues, factorisation matricielle
Exposants de Lyapunov
Processus de lecture, arbre de décision
d'analyse de sensibilité (DT) et forêt de Radom
(RF) Régression quantile additive
K-means Clustering et analyse en composantes principales
3.1.2. Étincelle apache
Il existe principalement trois façons d'aborder le traitement du Big Data, c'est-
à-dire par lots, par flux et par itération. Dans[91], il est souligné que Hadoop Map-
Reduce convient à l'analyse de données empiriques et statiques, mais ne convient
pas à l'analyse de données en temps réel et de flux. Comparé à Hadoop, Apache
Spark est capable de traiter des données en ligne et en streaming. Apache Spark
est un framework open source pour le calcul du Big Data, initialement développé à
l'AMPLab de Berkeley, Université de Californie. Spark exécute des programmes
jusqu'à 100 fois plus vite que Hadoop MapReduce en mémoire, ou 10 fois plus vite
sur disque[92].
Le framework Spark alimente une pile de bibliothèques, y compris le langage
de requête structuré (SQL) et les cadres de données, MLlib pour l'apprentissage
automatique, GraphX et le streaming Spark. Le réseau nord-américain de
surveillance de la fréquence du réseau électrique (FNET / GridEye)[93], qui est
dirigé par Yilu Liu, est un exemple typique de la mise en œuvre d'étincelles dans
un réseau intelligent. Ce système déploie 150 enregistreurs de perturbations de
fréquence aux États-Unis et environ 50 dans le monde, dont l'architecture
comprend l'openPDC pour les applications en temps réel, le cluster d'analyse
distribuée pour les applications en temps quasi réel et Apache Spark pour
l'analyse post-événement et statistique. . Grâce aux données à haut débit et
largement surveillées et à la plate-forme d'analyse de données distribuées,
certains événements du système électrique, tels que le délestage du générateur
de la centrale électrique James A. Fitzpatrick lors de l'ouragan Sandy de 2012[93],
peut être détecté rapidement.
3.2. Analyse de données pour le big data énergétique
Collecter les données seules est inutile, ce sont les informations extraites du grand
ensemble de données qui comptent. L'exploration de données qui identifie des idées et des
modèles dans les données est considérée comme l'une des techniques les plus utiles pour
l'extraction de connaissances. L'exploration de données n'est pas nouvelle dans le système
électrique, mais la technique utilisée au cours des dernières décennies est principalement basée
sur des statistiques de bases de données SQL ou même de feuilles de calcul. Dans le contexte du
réseau intelligent, il est vraiment exigeant de nouveaux algorithmes et outils efficients et
efficaces pour faire face à un afflux important de données.
Les méthodes initiales d'exploration de données sont assez primitives, telles que les
connaissances statiques et les méthodes d'exploration à source unique[94]. Ils ne
conviennent pas au scénario de réseau intelligent qui englobe des données massives
hétérogènes et en flux. Un mécanisme de fouille multi-sources et des méthodes de fouille
dynamique de données sont proposés pour résoudre ce problème. Une approche
d'analyse des modèles locaux a été proposée pour la première fois par Wu et al.[95],
jetant les bases d'un mécanisme d'exploration multi-sources et ouvrant la voie à la
méthode diviser pour mieux régner sur le territoire de l'exploration de données.
L'approche centralisée conventionnelle pour le traitement et l'analyse des données est
inefficace, exigeante en ressources et coûteuse. Une méthode alternative est le calcul
distribué et il a été appliqué dans de nombreux domaines tels que l'analyse
géographique, climatique et environnementale, le projet du génome humain, le projet
Dark Energy Survey (DES), etc.[96]. Il est bien établi que l'analyse de données distribuée
est une bonne option pour les
1104
Examens des énergies renouvelables et durables 79 (2017) 1099–1107
Applications Réfs
Réduction dimensionnelle [51,102,103]
Classification de charge [104–107]
Prévision de charge à court terme (STLF) [108–111]
Graphiques de connaissances [112,113]
Détections d'anomalies [114,115]
Surveillance de l'angle du rotor de [33,116,117]
fusion de données inter-domaines [72]
Validation du modèle d'unité de production Détection et [18 118]
classification des défauts Estimation des données des compteurs [31]
intelligents individuels Estimation Sites solaires invisibles Production [100]
d'électricité [98,99]
exploration d'ensembles de données dans un réseau intelligent. Il existe déjà certaines littératures qui se
penchent sur cette méthode de traitement des données de pointe[93,97].
Avec l'augmentation drastique de la capacité de calcul et la baisse du coût du
matériel, de nouvelles méthodes d'extraction d'informations ont été proposées et
développées. L'apprentissage automatique en fait partie. Il existe neuf algorithmes
d'apprentissage automatique les plus fréquemment utilisés, notamment les k-moyennes,
les machines à vecteurs de support linéaires (LSVM), la régression logistique (LR), la
régression linéaire pondérée localement (LWLR), l'analyse discriminante gaussienne
(GDA), le réseau de neurones à rétropropagation ( BPNN), la maximisation des attentes
(EM), Bayes naïf (NB) et l'analyse des variables indépendantes (IVA). Chacun des
algorithmes a sa propre caractéristique et peut être utilisé dans différents scénarios.
Dans[98,99], une méthode qui combine le regroupement hybride k-means avec l'analyse
en composantes principales, a été utilisée pour effectuer la réduction de la dimension
des données et la cartographie d'estimation afin d'estimer la production d'électricité des
sites solaires invisibles. En outre, les données de 405 sites PV à travers la Californie ont
été utilisées pour prouver le concept[99]. Dans[100], les auteurs ont proposé une
régression quantile additive pour effectuer la prévision probabiliste pour le comptage
intelligent désagrégé. Il est basé sur 3639 compteurs domestiques installés par la
Commission de régulation de l'énergie (CER) en Irlande, qui est également une nouvelle
tentative d'estimation des données de compteurs intelligents individuels autres que les
prévisions de charge agrégées traditionnelles.
Les modèles d'apprentissage superficiel (par exemple k-means, LSVM, LR) se sont
avérés utiles en termes d'optimisation de problèmes simples bien contraints. Cependant,
pour des cas d'application compliqués, comme un problème de langage naturel, cela
donne des résultats loin d'être satisfaisants. Au lieu de cela, une approche raffinée et
beaucoup plus compliquée est proposée, c'est-à-dire l'apprentissage en profondeur[101].
Outre l'apprentissage superficiel, l'apprentissage en profondeur exploite plusieurs
couches de la structure hiérarchique et peut être divisé en apprentissage en profondeur
supervisé et en apprentissage en profondeur non supervisé.Tableau 2 énumère quelques
algorithmes proposés ou implémentés dans la pratique appliqués pour les applications
dans les réseaux intelligents.
4. Défis et perspectives d'avenir
Le concept de mégadonnées n'est pas nouveau, il peut être utilisé pour créer de la
transparence, révéler des demandes et remplacer la prise de décision manuelle, etc.
Cependant, la technologie Big Data appliquée au système électrique en est actuellement
à ses balbutiements et il reste encore un long chemin à parcourir. Nous soulignons
certains défis qui nous attendent en termes de technologie de big data de réseau
intelligent.
(1)Intégration et stockage de données multisources.L'analyse de données traditionnelle
traite généralement des données d'un seul domaine, il est essentiel de trouver une
méthode de fusion pour un ensemble de données multisource, qui a différentes
modalités, formats et représentations. En termes de stockage de données
volumineuses, bien que certains systèmes tels que le système de fichiers distribué
Hadoop (HDFS) semblent réalisables, ils doivent encore être adaptés et modifiés
afin de s'adapter aux gros réseaux électriques.
C.Tu et al.
Les données.
(2)Technologie de traitement des données en temps réel.Pour certaines applications
urgentes telles que la détection de défauts et la détection d'oscillations transitoires,
l'échelle de temps de réaction est de quelques millisecondes. Bien que le système
cloud soit capable de fournir un service de calcul rapide, la congestion du réseau,
l'algorithme compliqué, combiné à la quantité massive de données entraînent
toujours une latence. La base de données basée sur la mémoire semble être un
moyen réalisable de résoudre ce problème, et la base de données basée sur la
mémoire HANA développée par SAP a été utilisée pour traiter des données
massives de kilowattmètres afin de mieux répartir le flux d'énergie.[119].
(3)Compression des données.La technique de compression des données est
indispensable dans le système de surveillance de zone étendue (WAMS). Il doit avoir
ses propres caractéristiques pour répondre aux exigences de haute fidélité. En
outre, afin de détecter la perturbation transitoire tout en obtenant un taux de
compression élevé (CR), certaines méthodes de compression spéciales sont
également nécessaires.
(4)Technologie de visualisation de données volumineuses.Les graphiques et diagrammes
visualisés peuvent présenter aux opérateurs des changements granulaires et
explicites de la tension et de la fréquence. Cependant, trouver et représenter
efficacement les corrélations ou les tendances entre les données multi-sources est
un défi de taille. D'autres défis résident dans les algorithmes de visualisation,
l'extraction et la présentation d'informations et la technologie de synthèse d'images
[120].
(5)Confidentialité et sécurité des données.Le système SCADA hérité coexistera avec les
nouveaux systèmes AMI et informatiques dans un avenir prévisible. La prévention
des cyberattaques n'est pas prise en compte dans la conception du système SCADA.
Les systèmes hérités et l'interopérabilité via les API exposent la grille à des scènes
dangereuses, telles que l'usurpation de métadonnées, l'emballage et les attaques
de phishing[121]. Côté client, les compteurs intelligents toujours plus nombreux
pour la consommation d'énergie des ménages génèrent toujours plus
d'informations individuelles[122]. Comme les données sont partagées entre
différentes entités, la fuite de données privées pourrait être un désastre et
entraîner des problèmes en cascade.
5. Conclusion
La technologie des mégadonnées est considérée comme le facteur majeur de la
construction d'un réseau intelligent. Dans cet article, les enjeux du big data du smart grid
ont été passés en revue sous les aspects suivants : les sources de big data énergétiques ;
les avantages des approches basées sur les données dans les réseaux intelligents ; les
applications théoriques et pratiques mises en œuvre grâce au big data ; et les plates-
formes et techniques actuelles d'analyse des mégadonnées.
Dans le réseau intelligent, les derniers compteurs intelligents déployés,
tels que les PMU, AMR, DFR, etc., et les anciens appareils de terrain du
réseau électrique constituent ensemble le scénario Big Data pour les
services publics. En fait, cette forme de construction apporte non seulement
de multiples avantages, mais implique également de nombreux défis. Dans
cet article, la théorie et les applications pratiques mises en œuvre dans le
réseau électrique, qui sont renforcées par l'analyse de données
volumineuses, ont été discutées en profondeur. Il convient de souligner que
certaines des applications discutées sont nouvelles et efficaces par rapport
aux approches conventionnelles non axées sur les données. De plus, étant
donné que les plates-formes et les méthodes d'analyse des mégadonnées
proviennent à l'origine de l'information / de l'informatique et doivent être
révisées et adaptées, elles sont également couvertes dans cet article. En
outre,
Références
[1]Chen HH, Chen S, Lan Y. Atteindre un avantage concurrentiel durable dans l'industrie des réseaux
intelligents en Chine en utilisant des intermédiaires d'innovation ouverte appropriés. Renouveler
Sustain Energy Rev 2016 ; 62 : 1083–91.
[2] Botte B, Cannatelli V, Rogai S. Le projet de telegestore dans le système de comptage
d'Enel [C]. In : Actes de la conférence et exposition internationale sur la distribution
d'électricité. IET ; 2005. p. 1–4.
[3] Laboratoire national des technologies énergétiques pour le Département américain de l'énergie, moderne
1105
Examens des énergies renouvelables et durables 79 (2017) 1099–1107
avantages du réseau, livre blanc ; 2007.
[4] Inovgrid. [En ligne]; 2010. Disponible :〈http://www.inovcity.pt/en/pages/inovgrid. aspx〉.
[5] Maman. [En ligne]; 2012. Disponible :〈http://www.modellstadt-mannheim.de〉.
[6]Farhangi H. La voie du réseau intelligent. Power Energy Mag IEEE
2010 ; 8 (1) : 18–28.
[7] DOE. Avancement de la technologie des synchrophaseurs dans les projets ARRA ;
2016. 〈https://www.smartgrid.gov/recovery_act/program_publications.html〉.
[8] Yang B, Yamazaki J. Applications de grille renforcées par l'analyse de données volumineuses - Le PMU est-il un
problème de données volumineuses ? Dans : Actes de la 12ème conférence internationale 2015 sur le marché
européen de l'énergie (EEM). IEEE ; 2015. p.1–4.
[9] DOE. Résumé du domaine d'activité de l'Initiative nord-américaine sur les synchrophaseurs (INASPI);
2015.〈https://www.naspi.org/documents〉.
[dix]Yuan J, Shen J, Pan L, et al. Réseaux intelligents en Chine. Renouveler Sustain Energy Rév
2014 ; 37 (3) : 896–906.
[11]Alahakoon D, Yu X. Intelligence des données des compteurs d'électricité intelligents pour les futurs systèmes
énergétiques : une enquête. IEEE Trans Ind Inf 2016 : 12 (1) 425–36.
[12] Klump R, Agarwal P, Tate JE, Khurana H, Compression sans perte de mesures de phaseur
synchronisées. Dans Actes de l'assemblée générale de la société de l'électricité et de
l'énergie de l'IEEE. Minneapolis, MN, États-Unis ; Juil. 2010. p. 1–7.
[13] Groupe d'énergie électrique. Détection et atténuation des oscillations des parcs éoliens.〈https://
www.smartgrid.gov/recovery_act/project_information.html〉.
[14]TA courte. Mesure avancée pour l'identification de phase, l'identification de transformateur
et la modélisation secondaire. IEEE Trans Smart Grid 2013 ; 4 (2) : 651–8.
[15]Overholt P, Kosterev D, Eto J, et al. Améliorer la fiabilité grâce à de meilleurs modèles : utiliser les données du
synchrophaseur pour valider les modèles de centrales électriques. Énergie électrique IEEE
Mag 2014 ; 12 (3) : 44–51.
[16]Luan W, Peng J, Maras M, et al. Analyse des données des compteurs intelligents pour la vérification de la
connectivité du réseau de distribution. IEEE Trans Smart Grid 2015 ; 6 (4), [1–1].
[17] Berrisford AJ. L'histoire de deux transformateurs : un algorithme pour estimer les paramètres
électriques secondaires de la distribution à l'aide des données des compteurs intelligents. Génie
électrique et informatique (CCECE). Dans : Actes de la 26e conférence canadienne annuelle de l'IEEE
2013. IEEE ; 2013. p. 1–6.
[18]Hajnoroozi AA, Aminifar F, Ayoubzadeh H. Validation et étalonnage du modèle d'unité
génératrice par des mesures de synchrophaseurs. IEEE Trans Smart Grid 2015 ; 6 (1) : 441–
9.
[19] Bolognani S, Bof N, Michelotti D. et al. Identification de la topologie du réseau de
distribution d'énergie via l'analyse de corrélation de tension. Dans : Actes de la
conférence IEEE sur la décision et le contrôle ; 2013. p. 1659–64.
[20]Erlinghagen S, Lichtensteiger B, Markard J. Normes de communication des compteurs intelligents en
Europe - une comparaison. Renouveler Sustain Energy Rev 2015 ; 43 : 1249–62.
[21]Zhou K, Yang S. Comprendre le comportement de consommation d'énergie des ménages : la
contribution de l'analyse des mégadonnées énergétiques. Renouveler Sustain Energy Rev
2016 ; 56 : 810–9.
[22]Tuballa ML, Abundo ML. Un bilan du développement des technologies Smart Grid.
Renouveler Sustain Energy Rev 2016 ; 59 : 710–25.
[23]Haider HT, Voir OH, Elmenreich W. Un examen de la réponse à la demande résidentielle du réseau
intelligent. Renouveler Sustain Energy Rev 2016 ; 59 : 166–78.
[24]Moretti M, Djomo SN, Azadi H, et al. Une revue systématique des impacts environnementaux et
économiques des réseaux intelligents. Renouveler Sustain Energy Rev 2017 : 68.
[25]Ali SM, Jawad M, Khan B, et al. Modèle architectural et contrôle du réseau intelligent à grande
échelle : une enquête. Renouveler Sustain Energy Rev 2016 ; 64 : 311–28.
[26]Manyika J, Chui M, Brown B, et al. Big data : la prochaine frontière pour l'innovation, la
concurrence et la productivité. Analytique 2011.
[27]Naimi AI, DJ de Westreich. Big data : une révolution qui transformera notre façon de vivre, de
travailler et de penser. Am J Epidemiol 2014; 17 (9): 181–3.
[28]Zhou K, Fu C, Yang S. Gestion intelligente de l'énergie basée sur les mégadonnées : des mégadonnées
aux grandes idées. Renouveler Sustain Energy Rev 2016 ; 56 : 215–25.
[29]Schuelke-Leech BA, Barry B, Muratori M, et al. Problèmes et opportunités liés au Big Data pour les
services publics d'électricité. Renouveler Sustain Energy Rév 2015 ; 52 (2) : 937–47.
[30]Hu J, Vasilakos A. Analyse et sécurité des mégadonnées énergétiques : défis et
opportunités. IEEE Trans Smart Grid 2016 ; 7 (5) : 2423–36, [2016, 7 (5) : 1-1].
[31]Mishra DP, Samantaray SR, Joos G. Un schéma de protection intelligent combiné basé sur les
ondelettes et l'exploration de données pour le micro-réseau. IEEE Trans Smart Grid
2016 ; 7 (5) : 2295–304.
[32]Chen YC, Wang J, Dominguez-Garcia AD, et al. Estimation basée sur la mesure de la matrice
jacobienne du flux de puissance. IEEE Trans Smart Grid 2016 ; 7 (5) : 2507–15.
[33] Endsley MR, Connors ES. Conscience de la situation : état de l'art [C]. Dans : Actes de
l'assemblée générale de la société de puissance et d'énergie de l'IEEE - conversion et
livraison de l'énergie électrique au siècle. IEEE ; 2008. p. 1–4.
[34]Aminifar F, Fotuhi-Firuzabad M, Shahidehpour, et al. Un placement probabiliste de PMU à plusieurs
étages dans les systèmes d'alimentation électrique. IEEE Trans Power Deliv
2011 ; 26 (2) : 841–9.
[35]Gopakumar P, Chandra G, Reddy M, et al. Placement optimal des PMU pour la mise en œuvre du
réseau intelligent dans le réseau électrique indien - une étude de cas. Front Energy 2013 ; 7 (3) :
358–72.
[36] Xu B, Abur A. Analyse d'observabilité et placement des mesures pour les systèmes avec
PMU. Dans: Actes de la conférence et de l'exposition sur les systèmes d'alimentation
IEEE PES. Plein. 2 ; Octobre 2004. p. 943–6.
[37]Milosevic B, Begovic M. Algorithme génétique de tri non dominé pour un placement
optimal des mesures de phaseur. IEEE Trans Power Syst 2003 ; 18 (1) : 69–75.
[38] Programme de synchrophaseur d'interconnexion de l'Ouest ; juin 2014〈https://www.
smartgrid.gov/project/western〉.
[39]Huang J, Wu N, Ruschmann M. Placement limité par la disponibilité des données des PMU et des
liaisons de communication dans un système électrique. IEEE Syst J 2014 ; 8 (2) : 483–92.
[40]Li Q, Cui T, Weng Y, Negi R, et al. Une approche information-théorique du PMU
C.Tu et al.
placement dans les systèmes d'alimentation électrique. IEEE Trans Smart Grid 2013 ; 4 (1) 446–56.
[41]Sodhi R, Srivastava SC, Singh SN. Approche décisionnelle multicritères pour un placement
optimal en plusieurs étapes des unités de mesure de phaseur. IET Gener Transm
Distrib 2011 ; 5 (2) : 181–90.
[42] Domingos P, Hulten G. Exploitation des flux de données à haut débit. Dans : Actes de la sixième
conférence internationale ACM SIGKDD sur la découverte de connaissances et l'exploration de
données. 2000. p. 71–80.
[43]Dahal N, Abuomar O, King R, et al. Traitement de flux d'événements pour une meilleure connaissance
de la situation dans le réseau intelligent. Expert Syst Appl 2015; 42 (20): 6853–63.
[44]Ma S, Fang S, Yuan D, et al. La conception d'un système de sécurité électrique dans une maison
intelligente basée sur l'exploration de données de flux. Adv Data Min Appl 2014 : 716–24.
[45] Omitaomu OA. Une approche de carte de contrôle pour représenter et extraire des flux de données avec une
similarité basée sur la forme ; 2014.
[46] Basu C, Agrawal A, Hazra J. et al. Comprendre les événements pour une connaissance de la situation à
grande échelle. Dans : Actes de la conférence sur les technologies innovantes des réseaux
intelligents. IEEE ; 2014. p. 1–5.
[47]Peppanen J, Reno MJ, Thakkar M, et al. Exploitation des données AMI pour l'étalonnage du modèle
de système de distribution et la connaissance de la situation. IEEE Trans Smart Grid 2015 ; 6 (4) :
2050–9.
[48]Schweppe FC, Wildes J. Estimation de l'état statique du système électrique, partie I : modèle
exact. IEEE Trans Power Appl Syst. 1970; PAS-89 (1): 120–5.
[49]Zhao J, Zhang G, Das K, et al. Surveillance en temps réel du système électrique à l'aide d'une méthode
d'estimation d'état robuste basée sur PMU. IEEE Trans Smart Grid 2015 ; 7 (1) : 1.
[50] Pignati M, Zanni L, Sarri S. et al. Un processus de filtrage de pré-estimation des mauvaises données pour les
estimateurs d'état des systèmes électriques linéaires utilisant des PMU. Dans : Actes de la conférence sur le
calcul des systèmes électriques ; 2014. p. 1–8.
[51]Xie L, Chen Y, Kumar PR. Réduction de la dimensionnalité des données synchrophaseurs pour la détection
précoce des événements : analyse linéarisée. Système d'alimentation IEEE Trans
2014 ; 29 (6) : 2784–94.
[52] DOE. Renseignements sur le projet; 2016.〈https://www.smartgrid.gov/recovery_act/
project_information.html〉.
[53]Dahal OP, Brahma SM, Cao H. Regroupement complet d'événements de perturbation
enregistrés par des unités de mesure de phaseur. IEEE Trans Power Deliv
2014 ; 29 (3) : 1390–7.
[54] Chen Y, Xie L, Kumar PR. Classification des événements du système électrique via la réduction de la
dimensionnalité des données de synchrophaseur. Dans : Actes de l'atelier IEEE, réseau de
capteurs et traitement du signal multicanal ; 2014. p. 57–60.
[55] Norme IEEE C37.118.1™ -2011. Norme IEEE pour les mesures de synchrophaseurs pour les systèmes
électriques ; 2011. p. 1–61.
[56] Norme IEEE C37.118.2™ -2011. Norme IEEE pour les mesures de synchrophaseurs pour les systèmes
électriques ; 2011. p. 1–53.
[57] Khan M, Li M, Ashton P. et al. Big data analytics sur les mesures PMU. Dans : Actes de la
conférence internationale sur les systèmes flous et la découverte des connaissances ;
2014.
[58] Kezunovic M, Xie L, Grijalva S. Le rôle des mégadonnées dans l'amélioration du fonctionnement et de
la protection du système électrique. Dans : Actes de la dynamique et du contrôle du système
électrique de masse - IX optimisation, sécurité et contrôle du réseau électrique émergent (IREP),
symposium IREP 2013 ; 2013. p. 1–9.
[59]Meier R, Cotilla-Sanchez E, Mccamish B, et al. Gestion et analyse des données du système électrique
à l'aide des données du synchrophaseur. Technologie Sustain IEEE 2014 : 225–31.
[60]Khan AR, Mahmood A, Safdar A, et al. Prévision de charge, tarification dynamique et DSM dans les
réseaux intelligents : un bilan. Renouveler Sustain Energy Rev 2016 ; 54 : 1311–22.
[61]Selakov A, CvijetinovićD, MilovićL, et al. Méthode hybride PSO – SVM pour la prévision de charge à
court terme pendant les périodes avec des variations de température importantes dans la ville de
Burbank. Appl Soft Comput 2014 ; 16 (3) : 80–8.
[62]Deihimi A, Orang O, Showkati H. Prévision de la charge électrique et de la température à court terme
à l'aide de réseaux d'état d'écho d'ondelettes avec reconstruction neuronale. Énergie 2013 : 57 (3) :
382–401.
[63] Zhu L, Wu QH, Li MS. et coll. Prise en charge de la prévision de l'énergie éolienne à court terme basée
sur la régression vectorielle avec filtrage des faux voisins. Dans : Actes de la conférence
internationale sur la recherche et les applications des énergies renouvelables. IEEE ; 2013. p. 740–4.
[64]Rocio Cogollo M, Velasquez JD. Avancées méthodologiques dans les réseaux de neurones
artificiels pour la prévision de séries temporelles. IEEE Lat Am Trans 2014 ; 12 (4) : 764–71.
[65]Huang SC, Lu CN, Lo YL. Évaluation de la synergie des données AMI et SCADA pour la
modélisation des départs de distribution. IEEE Trans Smart Grid 2015 ; 6 (4), [1–1].
[66] Berrisford A J. Une histoire de deux transformateurs : un algorithme pour estimer les paramètres électriques
secondaires de distribution à l'aide de données de compteurs intelligents ; 2013. p. 1–6.
[67]Kwac J, Rajagopal R. Ciblage des clients basé sur les données pour la réponse à la
demande. IEEE Trans Smart Grid, IEEE Trans Smart Grid 2016; 7 (5): 2199–207.
[68]Peppanen J, Reno MJ, Broderick RJ, et al. Étalonnage du modèle de système de distribution
avec les mégadonnées des onduleurs AMI et PV. IEEE Trans Smart Grid
2016 ; 7 (5) : 2497–506.
[69]Pan S, Morris T, Adhikari U. Développement d'un système de détection d'intrusion hybride utilisant l'exploration
de données pour les systèmes électriques. IEEE Trans Smart Grid 2015 ; 6 (6) : 134–43.
[70]Bayrak G, Kabalci E. Mise en œuvre d'une nouvelle méthode de détection d'îlotage à distance pour les
centrales hybrides éoliennes et solaires. Renouveler Sustain Energy Rev 2016 ; 58 : 1–15.
[71]Li C, Higuma K, Watanabe M, et al. Surveillance et estimation du mode d'oscillation de
puissance interzone Basé sur l'application de CampusWAMS. Turk J Agric - Food Sci
Technol 2008 ; 3 (1).
[72]Dasgupta S, Paramasivam M, Vaidya U, et al. Approche sans modèle basée sur PMU pour la
surveillance en temps réel de l'angle du rotor. IEEE Trans Power Syst 2015 ; 30 (5) : 2818–9.
[73]Liu Y, Zhan L, Zhang Y, et al. Développement d'un système de mesure étendu au niveau de la
distribution : un exemple FNET / GridEye. IEEE Trans Power Deliv 2015 : 31 (2), [1–1].
[74] Chai J, Liu Y, Guo J. et al. Analyse de données de mesure à grande échelle à l'aide de FNET /
GridEye : une revue [C]. Dans : Actes du calcul des systèmes électriques
1106
Examens des énergies renouvelables et durables 79 (2017) 1099–1107
conférence; 2016. p. 1–6.
[75] Kamwa J, Béland G, Trudel. et coll. Surveillance et contrôle étendus à hydroquébec : passé,
présent et futur. Dans : Actes de l'assemblée générale de la société d'ingénierie
électrique ; 2006.
[76] e-terraphasorpoint 3.0.〈http://www.alstom.com/Global/Grid/Resources/
Documents/Automation/NMS/e-terraphasorpoint%203.0.pdf〉.
[77] Siemens.〈http://www.engerati.com/resources/efficient-network-
integrationrenewable-energy-resources-distribution-level〉 ;2015.
[78] NARI.〈http://www.naritech.cn/html/jie166.shtm〉 ;2015.
[79]Chang V, Wills G. Un modèle pour comparer le stockage cloud et non cloud du Big Data.
Future Gener Comput Syst 2016 ; 57 : 56–76.
[80] Singh M, Ali A. Big data analytics with Microsoft HDInsight in 24h, Sams Teach
Yourself: Big Data, Hadoop, and Microsoft Azure for better business intelligence;
2016.
[81] Rusitschka S, Eger K, Gerdes C. Nuage de données de réseau intelligent : un modèle d'utilisation de
l'informatique en nuage dans le domaine du réseau intelligent. Dans : Actes de la conférence internationale
IEEE sur les communications des réseaux intelligents ; 2010. p. 483–8.
[82] Birman KP, Ganesh L, Renesse RV. et coll. Exécution d'un logiciel de contrôle de réseau intelligent sur
des architectures de cloud computing. Dans : Actes de l'atelier sur les besoins informatiques pour
le réseau électrique de prochaine génération ; 2012.
[83]Baek J, Vu QH, Liu JK, et al. Un cadre sécurisé basé sur le cloud computing pour la gestion
des informations Big Data du réseau intelligent. IEEE TransCloud Comput 2015 ; 3 (2) :
233–44.
[84]Simmhan Y, Prasanna V, Aman S, et al. Plate-forme logicielle basée sur le cloud pour l'analyse de données
volumineuses dans les réseaux intelligents. Comput Sci Eng 2013 ; 15 (4) : 38–47.
[85]Khan Mukhtaj. Modélisation des performances Hadoop et optimisation des tâches pour l'analyse de données
volumineuses. Londres : Université Brunel ; 2015.
[86]Markovic DS, Zivkovic D, Branovic I, et al. Réseau électrique intelligent et cloud computing.
Renouveler Sustain Energy Rev 2013 ; 24 (1) : 566–77.
[87]Fang B, Yin X, Tan Y, et al. Les contributions des technologies cloud au réseau intelligent.
Renouveler Sustain Energy Rev 2016 ; 59 : 1326–31.
[88] Apache Hadoop.〈http://hadoop.apache.org/〉 ;2016.
[89]Zhang Y, Chen S, Wang Q, et al. je2MapReduce : MapReduce incrémental pour
l'exploration de données volumineuses. IEEE Trans Knowl Data Eng 2015; 27 (7): 1.
[90] Xing EP, Ho Q, Dai W. et al. Petuum : une nouvelle plateforme de machine learning
distribué sur le big data. Dans : Actes de la conférence internationale ACM SIGKDD sur
la découverte de connaissances et l'exploration de données. ACM ; 2015. p. 1–1.
[91] Shyam R, Bharathi GHB, Sachin KS, et al. Apache a lancé une plate-forme d'analyse de données
volumineuses pour les réseaux intelligents. 21; 2015. p. 171–8.
[92] Apache Étincelle.〈http://spark.apache.org/〉 ;2016.
[93]Zhou D, Guo J, Zhang Y, et al. Plate-forme d'analyse de données distribuée pour les systèmes de
mesure de synchrophaseurs à grande échelle. IEEE Trans Smart Grid
2016 ; 7 (5) : 2397–405.
[94] Li D. L'apprentissage automatique a aidé la prise de décision et le contrôle stochastique adaptatif dans un réseau
intelligent interactif hiérarchique. Mémoires et thèses - travaux de fin d'études ; 2014.
[95]Wu X, Zhu X, Wu GQ, et al. Exploration de données avec le Big Data. IEEE Trans Knowl Data
Eng 2014 ; 26 (1) : 97–107.
[96]Al-Jarrah OY, Yoo PD, Muhaidat S, et al. Apprentissage automatique efficace pour les mégadonnées :
un examen. Big Data Res 2015 ; 2 (3) : 87–93.
[97]Khazaei J, Fan L, Jiang W, et al. Analyse Prony distribuée pour les données PMU du monde
réel. Electr Power Syst Res 2016 ; 133 : 113–20.
[98]Shaker H, Zareipour H, Wood D. Une approche basée sur les données pour estimer la production
d'électricité des sites solaires invisibles. IEEE Trans Smart Grid 2016 ; 7 (5) : 2466–76.
[99]Shaker H, Zareipour H, Wood D. Estimation de la production d'électricité de sites solaires invisibles à
l'aide de données accessibles au public. IEEE Trans Smart Grid 2016 ; 7 (5) : 2456–65.
[100]Taieb SB, Huser R, Hyndman RJ, et al. Prévision de l'incertitude dans les données des compteurs
intelligents d'électricité en renforçant la régression quantile additive. IEEE Trans Smart Grid 2016 ;
7 (5) : 2448–55.
[101]Green RC, Wang L, Alam M. Applications et tendances du calcul haute performance pour les systèmes
d'alimentation électrique : focus sur le réseau intelligent. IEEE Trans Smart Grid 2013 ; 4 (2) : 922–3.
[102]Partridge M, Calvo RA. Réduction rapide de la dimensionnalité et PCA simple. Intell Data Anal
1998 ; 2 (1–4) : 203–14.
[103] Poekaew P, Champrasert P. Adaptive-PCA : une agrégation de données basée sur les événements
utilisant l'analyse en composantes principales pour les WSN. Dans : Actes de la conférence
internationale sur les capteurs intelligents et leur application. IEEE ; 2015.
[104] Nuchprayoon S. Classification de la charge électrique à l'aide de l'algorithme de clustering
K-means. Dans : Actes de la conférence internationale de Brunei sur l'ingénierie et la
technologie. IET ; 2014. p. 1–5.
[105]Yang H, Zhang J, Qiu J, et al. Une approche pratique de tarification de la réponse à la demande du
réseau intelligent basée sur la classification de la charge. IEEE Trans Smart Grid 2016, [1–1].
[106] Mu FL, Li HY. Classification de la charge de puissance basée sur le regroupement spectral de la
double échelle. Dans : Actes de la conférence internationale IEEE sur la science du contrôle et
l'ingénierie des systèmes. IEEE ; 2014.
[107] Ye M, Liu Y, Xiong W. et al. Recherche de stabilité de tension du réseau de réception basée
sur un modèle de charge de classification en temps réel. Dans : Actes de la conférence
internationale IEEE sur la mécatronique et l'automatisation ; 2014. p. 1866-70.
[108]Che JX, Wang JZ. Prévision de charge à court terme à l'aide d'un modèle de combinaison de régression
de vecteur de support basé sur le noyau. Appl Energy 2014 ; 132 (11) : 602–9.
[109]Liu N, Tang Q, Zhang J, et al. Un modèle de prévision hybride avec optimisation des
paramètres pour la prévision de charge à court terme des micro-réseaux. Appl Energy
2014 ; 129 : 336–45.
[110] Rahman S. Formation et analyse d'un algorithme de prévision de charge à court terme
basé sur des règles. Dans : Actes de l'IEEE (Institute of Electrical and Electronics
Engineers), (États-Unis). 78 : 5 (5) ; 2015. p. 805–16.
[111]Hernández L, Baladrón C, Aguiar JM, et al. Réseaux de neurones artificiels à court terme
C.Tu et al.
prévision de la charge à terme dans l'environnement des micro-réseaux. Énergie 2014 ; 75 (C) : 252–64.
[112]Nickel M, Murphy K, Tresp V, et al. Un examen de l'apprentissage automatique relationnel pour les graphes de
connaissances. Procédure IEEE 2015 : 104 (1) : 11–33.
[113] Drumond LR, Diaz-Aviles E, Schmidt-Thieme L. et al. Optimisation des modèles de
factorisation multi-relationnels pour plusieurs relations cibles. Dans : Actes de la
conférence internationale ACM ; 2014. p. 191–200.
[114]Schweppe F, Wildes J. Estimation de l'état statique du système électrique, partie I, II, III. IEEE
Trans Power Appl Syst. 1970; PAS-89 (1): 120–35.
[115]Xu X, He X, Ai Q, et al. Une méthode d'analyse de corrélation pour les systèmes électriques basée sur
la théorie des matrices aléatoires. IEEE Trans Smart Grid 2015.
[116]Yang Q. Fusion de données inter-domaines. Ordinateur 2016 : 49 (4), [18–18].
[117]Diou C, Stephanopoulos G, Panagiotopoulos P, et al. Détection de concepts à grande échelle dans des données
multimédias à l'aide de petits ensembles d'apprentissage et fusion de concepts interdomaines.
IEEE Trans Circuits Syst Video Technol 2011 ; 20 (12) : 1808–21.
[118]Tsai CC, Chang-Chien LR, Chen IJ, et al. Considérations pratiques pour calibrer les
paramètres du modèle de générateur à l'aide de mesures de phaseur. IEEE Trans Smart
Grid 2016 : 1–11.
[119]Hana S. SAP AG, base de données en mémoire, appareil informatique. Vertpress; 2012.
[120]Kennedy, Stephen James MCP. MCP Massachusetts Institute of TechnologyTransformer
les mégadonnées en connaissances : techniques expérimentales de visualisation
dynamique. Massachusetts Institute of Technology; 2012.
[121] Cuzzocrea A. Vie privée et sécurité des mégadonnées : défis actuels et futurs
1107
Examens des énergies renouvelables et durables 79 (2017) 1099–1107
perspectives de recherche. Dans : Actes de l'atelier international sur la confidentialité et la
sécurité des mégadonnées. ACM ; 2014. p. 45–7.
[122] Bertino E. Big data - sécurité et confidentialité. In : Actes du congrès
international IEEE sur le big data. IEEE ; 2015.
[123]Depuru SSSR, Wang L, Devabhaktuni V. Compteurs intelligents pour le réseau électrique : défis,
problèmes, avantages et statut. Renouveler Sustain Energy Rev 2011 ; 15 (6) : 2736–42.
[124]Kabalci Y. Une enquête sur les compteurs intelligents et la communication du réseau intelligent. Renouveler
Sustain Energy Rev 2016 ; 57 : 302–18.
[125]Hashem IAT, Yaqoob I, Anuar NB, et al. L'essor du « big data » sur le cloud computing :
bilan et enjeux de recherche ouverts. Inf Syst 2015 ; 47 (47) : 98–115.
[126]Jagadish HV, Gehrke J, Labrinidis A, et al. Le big data et ses défis techniques.
Commun Acm 2014 ; 57 (7) : 86–94.
[127]Schweppe FC, Rome DB. Estimation de l'état statique du système électrique, partie II : modèle
approximatif. IEEE Trans Power Appl Syst 1970; PAS-89 (1): 125–30.
[128]Schweppe FC. Estimation de l'état statique du système électrique, partie III : mise en
œuvre. IEEE Trans Power Appl Syst 1970; PAS-89 (1): 130–5.
[129]Gol M, Abur A. Un estimateur d'état découplé rapide pour les systèmes mesurés par les
PMU. IEEE Trans Power Syst 2015 ; 30 (5) : 2766–71.
[130]Jokar P, Arianpoo N, Leung VCM. Détection de vol d'électricité dans AMI en utilisant les
habitudes de consommation des clients. IEEE Trans Smart Grid 2016 ; 7 (1) : 216–26.
[131]Shuai Z, Sun Y, Shen Z, et al. Stabilité des micro-réseaux : classification et examen.
Renouveler Sustain Energy Rev 2016 ; 58 : 167–79.