CN109255189A - 基于流式计算的电压暂降并行实时模式识别方法 - Google Patents
基于流式计算的电压暂降并行实时模式识别方法 Download PDFInfo
- Publication number
- CN109255189A CN109255189A CN201811078852.7A CN201811078852A CN109255189A CN 109255189 A CN109255189 A CN 109255189A CN 201811078852 A CN201811078852 A CN 201811078852A CN 109255189 A CN109255189 A CN 109255189A
- Authority
- CN
- China
- Prior art keywords
- data
- time
- parallel
- real
- voltage dip
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012544 monitoring process Methods 0.000 claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000013135 deep learning Methods 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims description 6
- 238000003909 pattern recognition Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000011144 upstream manufacturing Methods 0.000 claims description 3
- 238000007476 Maximum Likelihood Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 claims description 2
- 230000003340 mental effect Effects 0.000 claims description 2
- 238000011056 performance test Methods 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims 1
- 230000001052 transient effect Effects 0.000 description 5
- 230000005611 electricity Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 150000001875 compounds Chemical class 0.000 description 3
- 230000006698 induction Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Water Supply & Treatment (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于流式计算的电压暂降并行实时模式识别方法，属于电能质量分析技术领域。该方法采用基于Storm的云计算平台，利用logstash和Kafka消息中间件，在流计算拓扑实例和拓扑并行编程模型上，引入storm中的并行快速滑动时间窗口算法满足不同监测点数据的时间颗粒度，并将训练好的深度学习判别模型模型融入不同时间窗格中，在规定时间窗口内对监测数据进行暂降源类型判断。本发明使电压暂降的监测数据可以直接通过Storm云计算平台，在多台计算机上通过分布式内存并行计算，避免了单个计算机内存容量小的限制，从而实现大规模监测点海量数据并行实时计算处理，云平台的容错性也提升了暂降计算结果的可靠性。
Description
技术领域
本发明涉及一种基于流式计算的电压暂降并行实时模式识别方法，属于电能质量分析技术领域。
背景技术
电能质量对电网安全稳定运行和用户优质可靠用电至关重要。电能质量问题给电力用户造成的经济损失越来越大，对电网安全运行的威胁日益严重。随着计算机应用技术、自动化控制技术和大功率电力电子技术的迅速发展,用电负荷已进入电压敏感时代；智能电网中新能源发电、直流输电技术的推广, 使得电力电子技术在电力系统“源”、“网”、“荷”的应用日益广泛,电网具备了显著的电力电子化特征。导致系统侧和用户侧均受到劣质电能的严重影响。其中，最为突出的是暂态电压扰动(包括暂降、暂升和短时中断)，其在所有电能质量扰动中所占比重及造成损失均最大。
在复杂电网环境下，造成暂态电压扰动的因素增多；扰动在源-荷之间、网-荷之间、荷-荷之间传播与叠加，扰动之间的关联性增大。针对复杂的暂态电压扰动事件，局限于单一监测点的扰动识别，不能全面解释复杂扰动的完整过程和综合信息，须面向区域电网，选择特定监测点集群，基于同一时间截面，进行多监测点并行的扰动识别和综合分析，才能形成准确的判断。暂态电压扰动识别的目标是基于幅值、持续时间和相位跳变等基本要素，实现扰动源、扰动分类和传播路径的分析及判定，从而为扰动治理提供辅助决策支持。电能作为一个特殊的产品，它的生产和消费是瞬间同时完成的，因此，扰动事件及时发现、尽早处理，才能将损失降到最低。现有的电能质量监测系统虽然可以实现实时监测，但存在局限性：1）只能完成基于扰动监测数据的基本要素实时计算，无法实现实时模式识别；2）局限于单一监测点的实时监测，没有实现基于区域电网的多个监测点实时关联分析；3）现有监测系统大多通过前置机定时上传监测数据到主站数据库来支持离线方式的扰动模式识别。采用离线定时处理方式，只能实现事后分析处理，与实际生产需求脱节，扰动识别结果在辅助决策的实时性方面失去意义。局限于单一监测点的扰动识别不能全面准确解释复杂扰动的完整过程及综合信息和离线分析无法满足辅助决策实时性要求是暂态电压扰动模式识别面临的挑战。
大数据流式计算为应对上述挑战提供了解决途径。大数据处理技术分批量计算和流式计算两类。批量计算按先存储，后计算方式，适用于大规模数据的分布式存储和离线处理。Hadoop平台属于批量计算框架，先将数据分布存至计算机集群节点，再以数据切片方式并行批量处理节点数据。由于进行数据库的存取操作，因此，无法满足数据即时到达即时处理的实时性需求。流式计算作为新兴的计算模式，采用全内存计算，可以满足即时处理的要求。流式计算同样采用计算机集群节点模式，通过分布式内存并行计算，避免了单个计算机内存容量小的限制，从而实现大规模监测点海量数据并行实时计算处理。
Storm云计算平台是一个分布式、高容错的实时流式计算框架，利用计算机集群的方式，实现分布式高速运算和存储。它通过流计算编程模式，支持编写和运行分布式应用程序，实现大规模数据的计算处理。
Storm的编程模型可以抽象为一种拓扑（Topology），不同业务需求定义不同的拓扑。拓扑中的组件有喷嘴（Spout）和螺栓（Bolt），元组（tuple）是拓扑的最小单位，是组成数据流的基本单元。喷嘴负责从某个队列中不断读取数据元素并装配为元组发送给下游螺栓，形成数据流。螺栓完成对具体业务的逻辑实现，是处理数据的核心模块。喷嘴和螺栓之间是订阅关系。喷嘴和螺栓之间源源不断传递的元组被抽象为流（Stream），在传递元组时可以制定不同的分组策略。在拓扑中分组策略可以指定数据流的流向，实现业务逻辑的灵活制定，在实验中利用滑动窗口算法和深度置信网络对电压暂降模式识别即时输出结果，形成最终计算结果。
本发明基于Storm 1.1.1版本的云计算平台，通过滑动窗口算法和深度置信网络，实现电压暂降模式识别在集群上并行的分布式计算处理，大大提高了计算效率，满足电压暂降实时分析的要求。
发明内容
本发明的目的在于，针对局限于单一监测点的扰动识别不能全面准确解释复杂扰动的完整过程及综合信息和离线分析无法满足辅助决策实时性要求的问题，提供一种新型的基于流式计算的电压暂降并行实时模式识别方法。
本发明采用基于Storm的云计算平台，利用logstash和Kafka消息中间件，在流计算拓扑实例和拓扑并行编程模型上，引入storm中的并行快速滑动时间窗口算法满足不同监测点数据的时间颗粒度，并将训练好的深度学习判别模型模型融入不同时间窗格中，在规定时间窗口内对监测数据的进行暂降源类型判断，从而实现大规模监测点海量数据并行实时计算处理，云平台的容错性也提升了暂降计算结果的可靠性。
该方法包括以下步骤：
步骤1：利用logstash软件实现数据实时收集、分析、处理，并将接收到监测点的数据流进行转发到Kafka集群中；
步骤2：Kafka把上游logstash传输过来的海量监测点数据暂存起来并交给拓扑。拓扑中组件包括：数据读取喷嘴、预处理螺栓、滑动窗口螺栓、模型螺栓、统计螺栓和存储螺栓；
步骤3：利用并行滑动时间窗口算法提高模式识别效率，体现实时性。滑动窗口算法是在时间滑动窗口的基础上设计的一种算法。随着时间的流逝以及新流元素的到达，滑动窗口分别向前滑动，从而使窗口中的流元素不断发生变化。流数据处理目的就是实时处理最新到达的数据，对监测数据的实时处理是一个连续计算的过程，其实质可以分解为短小的批处理作业；
步骤4：通过拓扑中融入的深度置信网络进行电压暂降源识别。深度置信网络是一个受限玻尔兹曼机序列，它是具有若干隐藏层的生成模型，顶部两层之间的连接是无向的，所有其他层之间的连接是有向的。通过最大似然学习的方法完成特征提取对于大多数RBM模型来说都是可以实现的，每一个RBM的隐藏层连接到下一个RBM的可视输入层。深层神经网络的每一层都可以学习到在原始输入数据中捕获的高阶关联特征。DBNs采用分层训练机制，每一层的RBM网络数学模型通过能量函数建立；
步骤5：将拓扑中的结果统计并输出；
步骤6：对搭建的框架进行性能测试，性能测试包括吞吐量测试和延迟性测试。
本发明的有益效果：本发明提供一种基于Storm流计算平台电压暂降模式识别的计算方法。该方法面向区域电网，选择特定监测点集群，利用滑动窗口算法通过深度置信网络对电压暂降进行多监测点并行实时的扰动识别和综合分析，形成准确的判断，为暂降治理提供辅助决策支持。电能作为一个特殊的产品，它的生产和消费是瞬间同时完成的，因此，扰动事件及时发现、尽早处理，才能将损失降到最低。本发明并行处理能力达到ms级的平均处理延迟，将电能质量分析评估从离线方式的事后分析前移到事中分析，同时为事前预警提供了技术基础，大大提高了电压暂降模式识别的时效性，对提高电网的运行水平和经济效益具有重要意义。
附图说明
图1是本发明流程图。
图2是本发明流程并行滑动窗口模型图。
图3是本发明并行滑动窗口拓扑图。
图4是本发明并行滑动窗口拓扑实现代码图。
图5和图6是本发明实验结果图。
具体实施方式
下面结合附图，对流式计算的电压暂降并行实时模式识别方法及其实施例作详细说明。
图1是本发明流程图。如图1所示，一种基于Storm流计算平台的电压暂降数据并行计算方法，该方法步骤为：
步骤1：利用logstash软件实现数据实时收集、分析、处理，并将接收到监测点的数据流进行转发到Kafka集群中；
步骤2：Kafka把上游logstash传输过来的海量监测点数据暂存起来并交给拓扑；
步骤3：利用并行滑动时间窗口算法提高模式识别效率，体现实时性；
步骤4：通过拓扑中融入的深度置信网络进行电压暂降源识别；
步骤5：将拓扑中的结果统计并输出；
步骤6：对搭建的框架进行性能测试。
图2是本发明并行滑动窗口模型图。基本窗口是滑动窗口结构中的基本单元。连续多个基本窗口构成滑动窗口。滑动窗口的大小反映出处理能力。滑动距离则表示基本窗口在滑动窗口移动的距离，通常情况下，窗口滑动距离与基本窗口的时间区间大小一致。每一个基本窗口对应一个监测点，整个滑动窗口体现出覆盖监测点规模，在基本窗口时间区间到达的数据将被统一批量处理。基本窗口设置为1秒，滑动窗口设置有n个基本窗口，每个基本窗口对应1个监测点计算单元，整个滑动窗口覆盖n个监测点。电能质量监测系统的多个监测点的实时监测数据以数据流方式不断地通过窗口，n个计算单元并行进行识别分析计算，每1秒钟，可以输出最近n秒中n个监测点电压暂降的识别结果。
图3是本发明并行滑动窗口拓扑图。首先构造数据读取喷嘴（KafkaSpout）接收从Kafka集群中来的监测数据，并将数据流以直接分组的方式发送给预处理螺栓，实现数据类型转换和格式化处理；预处理螺栓（PretreatBolt）接着以字段分组的方式将监测数据发送给滑动窗口螺栓（SlidingWindowBolt）；滑动窗口螺栓再以直接分组的方式将同一监测点的数据发送给模型螺栓，并将模型螺栓分类、预测的结果以随机分组打乱的方式发送到统计螺栓；最后再将结果存储到数据库中。
具体实现时，为了使每一个时间基本窗口对应一个监测点，数据流从预处理螺栓至滑动窗口螺栓必须是按字段Id分组，即同一监测点的数据由唯一一个滑动窗口螺栓处理，而滑动窗口螺栓的个数表示覆盖监测点规模。为了实现业务逻辑的灵活制定。模型螺栓可以采用多个深度学习模型，进行实时的分类、预测和判别。
图4是本发明并行滑动窗口拓扑实现代码图，具体实现分解为以下步骤：
步骤1：创建拓扑构造器 TopologyBuilder 对象；
步骤2：设置zookeeper集群的ip地址；
步骤3：设置spoutConfig里面的参数包括：zookeeper集群，Kafka建立的topic名称，zookeeper的根目录和自定义id值；
步骤4：构建数据读取喷嘴、预处理螺栓和滑动窗口螺栓，其执行器的并发度均为1；
步骤5：构建模型螺栓，其执行器的并发度为n；
步骤6：构建统计螺栓和存储螺栓，其执行器的并发度分别为Y和1。
通过构建以上拓扑实现每1秒钟发送一个数据，滑动窗口模型的滑动距离为1秒，滑动窗口大小为n秒，则滑动窗口分为n个时间基本窗口。各个时间基本窗口是独立并行处理，统计螺栓可以根据电网中业务的对时间敏感性的要求设置并发度Y，最终实现每1秒统计最近n秒监测数据。
[实施例1]
首先本实施例监测点数据1s发送一条，滑动窗口大小设置为60，60个监测点同时发送数据。统计螺栓执行器并发度设置为10。源数据是通过改变仿真系统模型中线路负荷大小、故障发生位置、故障起止时刻、变压器及感应电动机容量等参数，获得短路故障引起的多级电压暂降、单相接地与大型感应电动机启动的复合、单相接地与变压器投切的复合和大型感应电动机启动与变压器投切的复合三种电压暂降源的信号。电压暂降源的信号各300组样本数据，每组样本数据的采样点625个，每类取225组样本为训练数据，训练深度置信网络，剩余的75组样本作为测试数据，进行模型测试。最后得到稳定的深度学习判别模型融入模型螺栓中，这个深度学习判别模型有着较高的准确率。
然后，设计的并行滑动窗口模型融入模型螺栓。
其次，将仿真的数据做打乱处理作为输入，观察工作进程和所有组件的任务数为1和5，设置拓扑组件的并发度分别为1，1，60，60，10，1时的吞吐量。分析在单机环境下和在集群环境下的吞吐量，吞吐量是指单位时间处理数据的规模。不断增加数据量，记录处理完成所需时间。
再次，在Storm集群节点、拓扑的进程数、各个组件任务数一定条件下，考虑增加模型螺栓的并发度，研究模型螺栓的并发度对集群处理的延迟影响。时间处理延迟定义是从监测点产生数据到其完全处理的时间，可以通过编写程序计算任务执行的处理延迟。本实验以3个节点为例，工作进程和所有组件的任务数设置为1和5，模型螺栓的并发度分别设置为15，30，60，即拓扑组件的并发度分别为2，1，60，15，10，1、2，1，60，30，10，1和2，1，60，60，10，1 分别统计三次拓扑任务只能执行时数据处理延迟情况。
最后结果如图5，模型螺栓并发度设置15时，数据处理延迟越来越大，这是因为喷嘴不断产生新数据，模型螺栓无法及时处理掉数据，导致数据积累量越来越多，处理延迟也呈上涨趋势。模型螺栓并发度设置30和60延迟性如图6所示，当模型螺栓并发度设为30时，绝大部分的处理延迟都稳定在88.5ms左右，表明喷嘴螺栓产生的数据可以及时的得到处理。当模型螺栓并发度设为60时，数据处理延迟都稳定在32.5ms左右。平均处理延时降低了63.3%，分析认为实验的主要延迟性影响是在数据接入层kafka接入storm数据中转产生的。偶尔有一些处理延迟较大，分析认为是因为拓扑任务调度引起的喷嘴线程在某一刻获取了较多数据，从而发送了较多的数据，而后端的处理能力较强，可以很快将这些数据处理完毕，数据没有产生堆积，但是数据处理延迟有所增长，数据处理能力达到13万条左右。
本发明提供了一种基于Storm流计算平台的电压暂降数据并行计算方法，本发明使电压暂降的相关数据可以直接通过Storm云计算平台，在多台计算机上并行地计算，真正实现了多台物理计算机计算能力的迭加，该方法可以利用并行滑动窗口算法通过深度置信网络对电压暂降进行并行实时识别；从而大大提高了计算效率，云平台的容错性也为暂降计算结果提供了可靠性保障。
Claims (6)
1.一种基于流式计算的电压暂降并行实时模式识别方法，其特征在于，采用基于Storm的云计算平台，利用logstash和Kafka消息中间件，在流计算拓扑实例和拓扑并行编程模型上，引入storm中的并行快速滑动时间窗口算法满足不同监测点数据的时间颗粒度，并将训练好的深度学习判别模型模型融入不同时间窗格中，在规定时间窗口内对监测数据的进行暂降源类型判断，该方法步骤为：
步骤1：利用logstash软件实现数据实时收集、分析、处理，并将接收到监测点的数据流进行转发到Kafka集群中；
步骤2：Kafka把上游logstash传输过来的海量监测点数据暂存起来并交给拓扑；
步骤3：利用并行滑动时间窗口算法提高模式识别效率，体现实时性；
步骤4：并行滑动时间窗口算法中融入的深度置信网络进行电压暂降源识别；
步骤5：将拓扑中的结果统计并输出；
步骤6：对搭建的框架进行性能测试。
2.根据权利要求1所述的基于流式计算的电压暂降并行实时模式识别方法，其特征在于，所述数据处理包括数据类型转换、数据过滤、字段添加，修改功能。
3.根据权利要求1所述的基于流式计算的电压暂降并行实时模式识别方法，其特征在于，所述拓扑中组件包括：数据读取喷嘴、预处理螺栓、滑动窗口螺栓、模型螺栓、统计螺栓和存储螺栓。
4.根据权利要求1所述的基于流式计算的电压暂降并行实时模式识别方法，其特征在于，所述并行滑动窗口算法是在时间滑动窗口的基础上设计的一种算法；随着时间的流逝以及新流元素的到达，滑动窗口分别向前滑动，从而使窗口中的流元素不断发生变化，流数据处理目的就是实时处理最新到达的数据，对监测数据的实时处理是一个连续计算的过程，其实质可以分解为短小的批处理作业。
5.根据权利要求1所述的基于流式计算的电压暂降并行实时模式识别方法，其特征在于，所述深度置信网络是一个受限玻尔兹曼机序列，它是具有若干隐藏层的生成模型，顶部两层之间的连接是无向的，所有其他层之间的连接是有向的，通过最大似然学习的方法完成特征提取对于大多数RBM模型来说都是可以实现的，每一个RBM的隐藏层连接到下一个RBM的可视输入层，深层神经网络的每一层都可以学习到在原始输入数据中捕获的高阶关联特征，DBNs采用分层训练机制，每一层的RBM网络数学模型通过能量函数建立。
6.根据权利要求1所述的基于流式计算的电压暂降并行实时模式识别方法，其特征在于，所述性能测试包括吞吐量测试和延迟性测试。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811078852.7A CN109255189A (zh) | 2018-09-17 | 2018-09-17 | 基于流式计算的电压暂降并行实时模式识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811078852.7A CN109255189A (zh) | 2018-09-17 | 2018-09-17 | 基于流式计算的电压暂降并行实时模式识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109255189A true CN109255189A (zh) | 2019-01-22 |
Family
ID=65046883
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811078852.7A Pending CN109255189A (zh) | 2018-09-17 | 2018-09-17 | 基于流式计算的电压暂降并行实时模式识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109255189A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110689272A (zh) * | 2019-10-09 | 2020-01-14 | 华北电力大学 | 一种基于流式计算的敏感设备耐受特性实时在线评估方法 |
| CN110971687A (zh) * | 2019-11-29 | 2020-04-07 | 浙江邦盛科技有限公司 | 一种轨道交通流数据处理方法 |
| CN112395773A (zh) * | 2020-12-01 | 2021-02-23 | 福州大学 | 一种提高电网电压暂降仿真效率的并行仿真方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101738551A (zh) * | 2009-12-15 | 2010-06-16 | 西南交通大学 | 基于联网的暂态电能质量扰动智能分析方法 |
| US20130191052A1 (en) * | 2012-01-23 | 2013-07-25 | Steven J. Fernandez | Real-time simulation of power grid disruption |
| CN103413252A (zh) * | 2013-08-22 | 2013-11-27 | 华北电力大学 | 基于多Agent的电压暂降实时分析系统及其分析方法 |
| US20160239010A1 (en) * | 2015-02-12 | 2016-08-18 | The Mitre Corporation | Devices and systems for distributed power-grid monitoring |
| CN107769197A (zh) * | 2017-11-14 | 2018-03-06 | 国网江苏省电力公司电力科学研究院 | 一种基于电网设备拓扑的电压暂降源定位系统 |
-
2018
- 2018-09-17 CN CN201811078852.7A patent/CN109255189A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101738551A (zh) * | 2009-12-15 | 2010-06-16 | 西南交通大学 | 基于联网的暂态电能质量扰动智能分析方法 |
| US20130191052A1 (en) * | 2012-01-23 | 2013-07-25 | Steven J. Fernandez | Real-time simulation of power grid disruption |
| CN103413252A (zh) * | 2013-08-22 | 2013-11-27 | 华北电力大学 | 基于多Agent的电压暂降实时分析系统及其分析方法 |
| US20160239010A1 (en) * | 2015-02-12 | 2016-08-18 | The Mitre Corporation | Devices and systems for distributed power-grid monitoring |
| CN107769197A (zh) * | 2017-11-14 | 2018-03-06 | 国网江苏省电力公司电力科学研究院 | 一种基于电网设备拓扑的电压暂降源定位系统 |
Non-Patent Citations (2)
| Title |
|---|
| 屈志坚等: "面向智能调度监测的流计算并行滑动窗口技术", 《电网技术》 * |
| 马建等: "基于受限玻尔兹曼机的电能质量复合扰动识别", 《南昌大学学报(理科版)》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110689272A (zh) * | 2019-10-09 | 2020-01-14 | 华北电力大学 | 一种基于流式计算的敏感设备耐受特性实时在线评估方法 |
| CN110971687A (zh) * | 2019-11-29 | 2020-04-07 | 浙江邦盛科技有限公司 | 一种轨道交通流数据处理方法 |
| CN112395773A (zh) * | 2020-12-01 | 2021-02-23 | 福州大学 | 一种提高电网电压暂降仿真效率的并行仿真方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110209716A (zh) | 智能物联网水务大数据处理方法和系统 | |
| CN107330056B (zh) | 基于大数据云计算平台的风电场scada系统及其运行方法 | |
| CN109255189A (zh) | 基于流式计算的电压暂降并行实时模式识别方法 | |
| CN103197983B (zh) | 基于概率图模型的服务组件可靠性在线时间序列预测方法 | |
| Liu et al. | Real-time complex event processing and analytics for smart grid | |
| CN109299160B (zh) | 一种基于监控大数据挖掘的电力cps安全性分析方法 | |
| Hong et al. | Towards accurate and efficient classification of power system contingencies and cyber-attacks using recurrent neural networks | |
| Jiang et al. | Real-time intelligent elevator monitoring and diagnosis: Case studies and solutions with applications using artificial intelligence | |
| CN110689272A (zh) | 一种基于流式计算的敏感设备耐受特性实时在线评估方法 | |
| Zhan et al. | A Two-Stage transient stability prediction method using convolutional residual memory network and gated recurrent unit | |
| Chen et al. | Regional wind-photovoltaic combined power generation forecasting based on a novel multi-task learning framework and TPA-LSTM | |
| Zi-hao et al. | A thermal energy usage prediction method for electric thermal storage heaters based on deep learning | |
| Shao et al. | Self-aware trajectory prediction for safe autonomous driving | |
| Wang et al. | A fast load-shedding algorithm for power system based on artificial neural network | |
| Xiao et al. | TS-DP: An Efficient Data Processing Algorithm for Distribution Digital Twin Grid for Industry 5.0 | |
| Liu et al. | Social implications of cyber-physical systems in electrical load forecasting | |
| CN108009686B (zh) | 一种光伏发电功率预测方法、装置及系统 | |
| Guan et al. | Enhancing security and resilience of bulk power systems via multisource big data learning | |
| CN114595952A (zh) | 基于注意力网络改进卷积神经网络的窃电行为检测方法 | |
| US20230039273A1 (en) | Event prediction | |
| Li et al. | Applications of LSTM model for aeroengine forecasting | |
| Deng et al. | Daily Water Demand Prediction Driven by Multi-source Data | |
| Simonov et al. | Big Data application: analyzing real-time electric meter data | |
| Wang | RFID data cleaning method in heterogeneous space based on linear probabilistic motion state model | |
| Dahal | Synchrophasor data mining for situational awareness in power systems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190122 |
|
| WD01 | Invention patent application deemed withdrawn after publication |