Resumen

El rápido despliegue de unidades de medición de fasores (PMU) en los sistemas eléctricos de todo el mundo está dando lugar a retos de Big Data. Ahora se necesitan nuevas técnicas informáticas de alto rendimiento para procesar un volumen cada vez mayor de datos procedentes de las PMU. En este sentido, el marco Hadoop, una implementación de código abierto del modelo informático MapReduce, está ganando impulso para el análisis de Big Data en aplicaciones de redes inteligentes. Sin embargo, Hadoop tiene más de 190 parámetros de configuración, que pueden tener un impacto significativo en el rendimiento del marco Hadoop. Este artículo presenta un algoritmo EPDFA (Enhanced Parallel Detrended Fluctuation Analysis) para el análisis escalable de grandes volúmenes de datos de PMU. El novedoso algoritmo EPDFA se basa en una plataforma Hadoop mejorada cuyos parámetros de configuración se optimizan mediante Programación de Expresión Génica. Los resultados experimentales muestran que el EPDFA es 29 veces más rápido que el DFA secuencial en el procesamiento de datos de PMU y 1,87 veces más rápido que un DFA paralelo, que utiliza los parámetros de configuración de Hadoop por defecto.

• Materias:Álgebra Análisis Matemático Ingeniería Matemática aplicada Lógica matemática
• Subjects:Algebra Mathematical Analysis Engineering Applied Mathematics Mathematical logic
• Palabras claves:Despliegue rápido; Unidades de Medición de Fasores; PMU; retos de Big Data; marco Hadoop; parámetros de configuración.
• Keywords:Rapid deployment; Phasor Measurement Units; PMUs; Big Data challenges; Hadoop framework; configuration parameters