[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

说明书

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。

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。