[发明专利]基于流式计算的电压暂降并行实时模式识别方法

权利要求书

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。