基于云平臺下的并行VMD算法

賈亞飛， 蘭志堃， 王凌霄， 李國超， 朱永利

(1.河北省電力有限公司雄安新區(qū)供電公司，河北 雄安新區(qū) 071800； 2.河北省電力有限公司保定供電公司，河北 保定 071000； 3.華北電力大學(xué) 控制與計算機工程學(xué)院，河北 保定 071003)

0 引 言

2019年1月，國家電網(wǎng)公司正式提出建設(shè)樞紐型、平臺型、共享型企業(yè)，在堅強智能電網(wǎng)基礎(chǔ)上建設(shè)泛在電力物聯(lián)網(wǎng)，共同構(gòu)成能源流、業(yè)務(wù)流、數(shù)據(jù)流“三流合一”的能源互聯(lián)網(wǎng)，這是適應(yīng)內(nèi)外部形勢和挑戰(zhàn)的必然要求[1]。泛在電力物聯(lián)網(wǎng)將電力用戶、電網(wǎng)企業(yè)、發(fā)電企業(yè)、供應(yīng)商及相關(guān)設(shè)備，連接起來，產(chǎn)生共享數(shù)據(jù)，物聯(lián)網(wǎng)是能源互聯(lián)網(wǎng)的基礎(chǔ)。

隨著智能電網(wǎng)建設(shè)的不斷推進(jìn)，智能化電力一次設(shè)備和常規(guī)電力設(shè)備的在線監(jiān)測都得到了較大發(fā)展并成為趨勢，在線監(jiān)測數(shù)據(jù)日益龐大[2，3]。另一方面，在電力行業(yè)發(fā)展的過程中已經(jīng)積累了大量的、有價值的電力設(shè)備狀態(tài)歷史數(shù)據(jù)。這些數(shù)據(jù)對分析電力設(shè)備運行狀態(tài)和電網(wǎng)管理決策提供了數(shù)據(jù)支持，同時這些數(shù)據(jù)也是泛在電力物聯(lián)網(wǎng)的重要組成部分[2]。面對電力系統(tǒng)海量監(jiān)測數(shù)據(jù)、信息與物理系統(tǒng)間的復(fù)雜交互作用，傳統(tǒng)的分析技術(shù)難以滿足智能電網(wǎng)的安全分析與穩(wěn)定控制需求。如何有效分析處理這些海量電力設(shè)備的監(jiān)測數(shù)據(jù)是一個重要的研究方向。

大數(shù)據(jù)技術(shù)是一種可以處理海量數(shù)據(jù)的新的數(shù)據(jù)處理模式。所謂的大數(shù)據(jù)帶給我們的三個顛覆性觀念轉(zhuǎn)變：是全部數(shù)據(jù)，而不是隨機采樣；是大體方向，而不是精確制導(dǎo)；是相關(guān)關(guān)系，而不是因果關(guān)系。大數(shù)據(jù)技術(shù)的戰(zhàn)略意義不在于掌握龐大的數(shù)據(jù)信息，而在于對這些含有意義的數(shù)據(jù)進(jìn)行專業(yè)化處理。電力大數(shù)據(jù)是能源變革中電力工業(yè)技術(shù)革新的必然過程，也是泛在電力物聯(lián)網(wǎng)強有力的支撐。

Apache Storm和Apache Spark云平臺都是Apache旗下的頂級項目之一，都能為廣大用戶提供良好的實時內(nèi)存處理環(huán)境[4]。其中，Storm是一套專門用于流數(shù)據(jù)處理的分布式計算框架，極具可擴展能力和快速容錯能力。Storm在事件處理與增量計算方面表現(xiàn)突出，能夠以實時方式根據(jù)不斷變化的參數(shù)對數(shù)據(jù)流進(jìn)行處理。Spark也專門面向?qū)崟r分布式計算任務(wù)，較Storm而言，Spark是一套更具泛用性的分布式計算平臺，支持SQL查詢、流式計算、圖計算、機器學(xué)習(xí)等多種計算范式。它提供了包括map(映射)和reduce(歸約)在內(nèi)的80多種算子，計算模型較Hadoop的單一MapReduce模型更為豐富和靈活，且能夠兼容HDFS、HBase、Hive等多種數(shù)據(jù)源。與Hadoop中需要頻繁的磁盤I/O不同，Storm和Spark均盡量采用內(nèi)存計算[3]，極大地提高了大數(shù)據(jù)處理速度，滿足了實時場景的需求。Storm主要面向?qū)崟r產(chǎn)生、高并發(fā)的數(shù)據(jù)流，數(shù)據(jù)以元組為單位在事先設(shè)計且鏈接好的管道式的組件中流過并被分析，處理延遲較低，能夠小于1 s。而Spark將已存儲的大量離線數(shù)據(jù)批量加載進(jìn)內(nèi)存后再進(jìn)行并行處理，整體完成時間在數(shù)秒以上到1 min。兩種計算平臺的設(shè)計模式各有特點，適用場景也有所差異，因此配合使用能相得益彰。正因為Storm和Spark具有諸多優(yōu)勢，本文采用這兩個云平臺對電力設(shè)備的監(jiān)測數(shù)據(jù)進(jìn)行處理。

在電網(wǎng)眾多的電力設(shè)備監(jiān)測數(shù)據(jù)中，時序波形信號數(shù)據(jù)的占有量較大，是評估電力設(shè)備狀態(tài)的重要依據(jù)。然而，時序波形信號難以將其直接用于設(shè)備的狀態(tài)診斷，必須經(jīng)過信號處理和特征量提取。已應(yīng)用于電力設(shè)備監(jiān)測數(shù)據(jù)分析的方法包括：FFT(fast Fourier transform)、小波變換和總體經(jīng)驗?zāi)B(tài)分解(EEMD)方法等。 FFT 適合處理平穩(wěn)信號[5，6]，而電氣設(shè)備很多在線監(jiān)測信號(如絕緣放電電流或超高頻信號)屬于非平穩(wěn)信號。雖然小波變換適合分析非平穩(wěn)信號，但在選擇小波基和分解層數(shù)時存在一定的難度，無法實現(xiàn)信號的自適應(yīng)分解[7]，且由于基函數(shù)的長度有限，在對信號進(jìn)行處理時會產(chǎn)生能量泄漏?？傮w經(jīng)驗?zāi)B(tài)分解(EEMD)方法以經(jīng)驗?zāi)B(tài)分解(EMD)方法為內(nèi)核，解決了由間歇性成分(間斷噪聲)導(dǎo)致的模態(tài)混疊問題，但并未解決由脈沖噪聲引起的模態(tài)混疊問題[7，8]。因此，尋找更加有效的分析算法具有重要的現(xiàn)實意義。

變分模態(tài)分解(Variational Mode Decomposition，VMD)是一種完全非遞歸的變分模態(tài)分解方法[8，9]。VMD的整體框架是變分問題，通過交替方向乘子法(Alternate Direction Method of Multipliers，ADMM)迭代搜索變分模型最優(yōu)解，使每個模態(tài)的估計帶寬之和最小，且每個模態(tài)是具有不同中心頻率的有限帶寬[10-13]。VMD具有堅實的理論基礎(chǔ)，有效解決了EMD，EEMD等遞歸式分解方法存在的模態(tài)混疊和相近頻率分量無法正確分離的問題[14]。VMD本質(zhì)是多個自適應(yīng)維納濾波組，具有較好的噪聲魯棒性[9]。正是由于該方法的諸多優(yōu)點，近年來得到廣大學(xué)者的關(guān)注。

為實現(xiàn)VMD算法在云平臺上的應(yīng)用，首先必須對VMD算法在云平臺上實現(xiàn)的可行性進(jìn)行論證。該技術(shù)實現(xiàn)過程中，信號分段邊界的處理和各段分析結(jié)果的合成是關(guān)鍵。為解決上述問題，本文提出一種基于矩形窗分段的VMD分析方法(the VMD algorithm based on rectangular window segmentation，VMD-RWS)對數(shù)據(jù)量較大的局部放電信號進(jìn)行分析，并提出一種基于信號局部平穩(wěn)度的自適應(yīng)分段和外推延拓(the adaptive subsection based on local flatness and extrapolation，ASLF-E)的邊界補償方法，以保證各子段的模態(tài)分量在窗口截斷處連續(xù)。實驗結(jié)果證明該方法適合在云平臺上實現(xiàn)信號的分段處理和合成，論證了VMD算法在云平臺上實現(xiàn)的可行性，為云平臺下VMD算法的應(yīng)用提供了一種切實可行的方案。此外，本文設(shè)計了電力設(shè)備監(jiān)測信號應(yīng)用并行VMD算法分別在Storm和Spark平臺上處理的流程及架構(gòu)，為基于云平臺的并行VMD算法的實現(xiàn)提供了依據(jù)。

1 VMD算法

VMD算法是一種完全非遞歸、準(zhǔn)正交、自適應(yīng)的新的分解方法，其目標(biāo)是將由多分量組成的信號f分解成若干個有限帶寬的模態(tài)分量uk，每個模態(tài)的絕大部分都緊緊圍繞在中心頻率ωk周圍。

VMD算法實質(zhì)就是變分問題的求解，主要包括變分問題的構(gòu)造和求解兩部分。各模態(tài)直接在頻域不斷更新，最后通過Fourier逆變換變換到時域。作為各模態(tài)的功率重心，中心頻率被重新預(yù)估，并以此循環(huán)更新。VMD算法的具體步驟可參見文獻(xiàn)[9，11]，本文僅做簡要介紹。

假設(shè)將原始信號f分解為K個模態(tài)分量uk(t)(k=1, 2, …,K)，每個模態(tài)的估計帶寬之和最小，約束條件為各模態(tài)之和等于輸入信號f，則變分約束問題如下：

(1)

式中：{uk}:={u1,…,uK}為分解得到的K個模態(tài)分量；{ωk}:={ω1,…,ωK}為各模態(tài)分量的中心頻率。

為求解上述約束變分問題，將約束性變分問題變?yōu)榉羌s束性變分問題，引入二次懲罰因子α和拉格朗日懲罰算子λ(t)，構(gòu)成擴展的拉格朗日函數(shù)，如式(2)所示：

(2)

式中：α為二次懲罰因子；λ(t) 為拉格朗日算子。

(3)

利用 Parseval/Plancherel 傅里葉等距變換將式(3)變換到頻域，并求解該二次優(yōu)化問題的解，如式(4)所示：

(4)

同理得到中心頻率的更新方法，如式(5)所示：

(5)

2 并行 VMD 算法

電力設(shè)備的運行狀態(tài)需要進(jìn)行長時間的監(jiān)測，因此得到的監(jiān)測數(shù)據(jù)的數(shù)據(jù)量很大。對于較長的波形信號，直接進(jìn)行處理很困難，可以將其分割成多個子波形段(Epoch)，然后對各Epoch進(jìn)行VMD后再將結(jié)果進(jìn)行合并，這些子段的VMD過程是可并行的。因此，VMD算法存在 Epoch 級并行。

由于VMD算法本身存在邊界效應(yīng)，且不同截斷點對重構(gòu)精度也存在影響，因此，在VMD算法進(jìn)行Epoch 級并行時，原信號分段后分別進(jìn)行VMD再將結(jié)果合并必將在分段處產(chǎn)生誤差。為了解決以上問題，本文提出一種基于信號局部平穩(wěn)度的自適應(yīng)分段和外推延拓(the adaptive subsection based on local flatness and extrapolation，ASLF-E)的邊界補償方法，以保證各子段的模態(tài)分量在窗口截斷處連續(xù)。

2.1 VMD算法的邊界效應(yīng)

由于VMD算法實現(xiàn)過程需要Fourier變換及其反變換，若被分析信號兩端不進(jìn)行處理直接進(jìn)行VMD分解，可能會在邊界處產(chǎn)生較大的誤差，即VMD算法的邊界效應(yīng)。

可采用對信號兩端進(jìn)行延拓的方法來抑制VMD算法的邊界效應(yīng)。常用的延拓方法有補零延拓，周期延拓和鏡像延拓等。其中補零延拓操作簡單，但處理效果較差。周期延拓通常會在邊界處人為地產(chǎn)生一個信號階躍，不能保證延拓信號在邊界處的連續(xù)性，致使數(shù)據(jù)段邊界處的時頻信息誤差較大[15]。鏡像延拓可以保證時域信號在邊界處的連續(xù)性[16]。因此，本文采用鏡像延拓對原信號兩端進(jìn)行補償，以限制原信號兩端的邊界效應(yīng)。

有限長度的放電可以看作是無限長信號被矩形窗截斷所得。圖1為某仿真信號直接采用VMD算法進(jìn)行分解和對信號兩端進(jìn)行鏡像延拓后采用VMD算法進(jìn)行分解得到的模態(tài)分量在邊界處的放大圖。由圖1可知，信號兩端經(jīng)鏡像延拓后進(jìn)行VMD分解得到的模態(tài)分量邊界處與信號原始分量基本吻合，而直接進(jìn)行VMD分解得到的模態(tài)分量邊界處出現(xiàn)較大誤差，說明對信號兩端進(jìn)行鏡像延拓可以有效抑制VMD算法的邊界效應(yīng)。

圖1 VMD算法的邊界效應(yīng)Fig.1 Boundary effect of VMD algorithm

2.2 不同矩形窗截斷點對子段VMD分解模態(tài)重構(gòu)精度的影響

本文采用矩形窗函數(shù)將原始信號截斷成若干個子段數(shù)據(jù)。矩形窗屬于時間變量的零次冪窗，其數(shù)學(xué)表達(dá)式為

(6)

(7)

為了說明VMD算法在窗口截斷處的邊界效應(yīng)以及不同截斷點對模態(tài)分量重構(gòu)精度的影響，本文進(jìn)行了簡單的仿真實驗。構(gòu)造單指數(shù)和雙指數(shù)衰減振蕩函數(shù)來模擬在監(jiān)測數(shù)據(jù)中常見的局部放電信號，數(shù)學(xué)表達(dá)式分別為

s1(t)=A1e-(t-t〗-0)/τsin(2πf1t)

(8)

s2(t)=A2[e-1.3(t-t0)/t-e-2.2(t-t0)/t]sin[2πf2(t-t0)]

(9)

因為放電信號通常具有較高的頻率，為了模擬放電信號特征，采樣頻率為fs=1 GHz；單指數(shù)衰減振蕩函數(shù)s1的幅值為A1=80，頻率為f1=150 MHz；雙指數(shù)衰減振蕩函數(shù)s2的幅值為A2=150，頻率為f2=50 MHz；兩種放電信號均在同一時刻發(fā)生，共取2 000個采樣點。局部放電信號仿真波形如圖2所示。

圖2 局部放電仿真信號Fig.2 Partial discharge simulation signal

分別以第900個和第1 000個點作為矩形窗的截斷點將原放電信號分成兩段。兩種情況下分別對兩個子段數(shù)據(jù)進(jìn)行VMD(K=2)，并將兩子段的各模態(tài)分量直接拼接重構(gòu)，各重構(gòu)模態(tài)分量在截斷處的放大圖如圖3和圖4所示。由圖可知，信號整體分解得到的模態(tài)分量與原信號分量基本吻合；而原信號截斷，各子段模態(tài)分量直接拼接重構(gòu)時，在截斷處不連續(xù)，且在截斷處附近出現(xiàn)較大的誤差。此外，比較圖3和圖4兩種情況可知，以第1 000個點為截斷點時的子段模態(tài)分量直接拼接重構(gòu)的誤差遠(yuǎn)小于以第900個點為截斷點的子段模態(tài)分量直接拼接重構(gòu)的誤差。這是因為第1 000個點兩側(cè)信號值變化較平穩(wěn)，信號值差異較小。由此可知，子段數(shù)據(jù)拼接重構(gòu)時的誤差大小主要取決于截斷點前后信號值差異的大小。截斷點前后信號值越平穩(wěn)，變化越小，拼接重構(gòu)后模態(tài)分量的誤差越小，反之，則越大。

圖3 第900數(shù)據(jù)點作為截斷點時VMD分解的模態(tài)分量Fig.3 Modal components by VMD with 900th data point as cut point

圖4 第1 000數(shù)據(jù)點作為截斷點時VMD分解的模態(tài)分量Fig.4 Modal components by VMD with 1 000th data point as cut point

2.3 基于ASLF-E和VMD-RWS的并行VMD算法

由于矩形窗截斷點前后信號的平穩(wěn)程度會影響子段模態(tài)分量的重構(gòu)精度，為了選擇較平穩(wěn)的點作為窗口截斷點，本文提出了一種基于信號局部平穩(wěn)度的自適應(yīng)數(shù)據(jù)分段方法。

信號局部平穩(wěn)度δi定量描述信號中某個點xi附近信號值變化相對于整體信號的劇烈程度，是一個相對的概念。對于長度為l的信號局部{xi-|l/2|,xi-|l/2|+2,…,xi-1,xi,xi+1,…,xi+|l/2|}，δi如下[18]：

(10)

式中：E為信號總體的均值；l為信號局部的長度(是奇數(shù))；Ei為信號局部均值，如式(11)所示。

(11)

若δi>1，表示信號局部差異大于信號總體差異，以xi作為窗口截斷點時子段數(shù)據(jù)VMD分解的模態(tài)分量進(jìn)行拼接重構(gòu)時會產(chǎn)生較大的誤差；若δi<=1，表示信號局部差異與信號總體差異相比較小，適合作為窗口截斷點。

電力設(shè)備監(jiān)測信號經(jīng)矩形窗截斷得到若干子段數(shù)據(jù)，由于VMD算法存在邊界效應(yīng)，窗口截斷處以及原信號兩端若不進(jìn)行補償，對各子段數(shù)據(jù)直接進(jìn)行VMD分解，并將各子段模態(tài)分量直接進(jìn)行拼接重構(gòu)，會在窗口截斷處和原始信號兩端產(chǎn)生較大的誤差，并在窗口截斷處產(chǎn)生不連續(xù)。

考慮到VMD算法的邊界效應(yīng)和矩形窗函數(shù)的固有缺陷，本文提出基于ASLF-E和VMD-RWS的放電信號分析方法，采用ASLF-E方法對原始放電信號進(jìn)行自適應(yīng)分段和子段數(shù)據(jù)的外推延拓處理，然后對處理后的各子段數(shù)據(jù)分別進(jìn)行VMD分解，最后根據(jù)各子段矩形窗大小對所得子段各模態(tài)分量進(jìn)行裁切，并將各子段模態(tài)分量依次拼接重構(gòu)得到原信號的模態(tài)分量，從而保證在窗口截斷處連續(xù)。

基于ASLF-E的并行VMD算法的具體實現(xiàn)步驟如下：

步驟1：確定原信號截斷矩形窗的個數(shù)l，將原信號等分為l個子段數(shù)據(jù)，初步確定l-1 個窗口截斷點xcut(h)(h=1,2, …,l-1)及其相應(yīng)的下標(biāo)索引xcut_index(h)。

步驟2：依次計算以各截斷點xcut(h)(h=1,2, …,l-1)為中心的信號局部平穩(wěn)度δh，信號局部長度為步驟1中平分子段數(shù)據(jù)長度。若δh<=1，則將該點作為窗口截斷點；否則在該點在所屬平分子段范圍內(nèi)依次向后逐點計算信號局部平穩(wěn)度，直到找到δh<=1 的點，將該點作為窗口截斷點。若該平分子段數(shù)據(jù)內(nèi)各點均不滿足δh<=1，則將該平分子段數(shù)據(jù)中平穩(wěn)度最小的點作為窗口截斷點。記錄相應(yīng)窗口截斷點的下標(biāo)索引和相應(yīng)矩形窗長度。

步驟3：根據(jù)步驟2中得到的窗口截斷點，將原信號分成l個長度不等的子段數(shù)據(jù)。

步驟4：將第一個子段數(shù)據(jù)的左側(cè)和最后一個子段數(shù)據(jù)的右側(cè)分別進(jìn)行鏡像延拓，延拓長度為所屬子段數(shù)據(jù)長度的一半。其余各子段數(shù)據(jù)邊界處采用與該子段相鄰的原數(shù)據(jù)進(jìn)行外推延拓，延拓長度均為所屬子段長度的一半。

為了驗證ASLF-E的邊界補償方法的有效性，分別采用基于ASLF-E和VMD-RWS方法、直接采用VMD-RWS方法以及基于信號局部平穩(wěn)度的自適應(yīng)分段的VMD-RWS方法對圖2所示的仿真放電信號進(jìn)行分析，三種方法截斷矩形窗個數(shù)均為4個，分解層數(shù)為K=2。將由三種方法得到的模態(tài)分量分別與整體分解(信號兩端均進(jìn)行了鏡像延拓)得到的模態(tài)分量進(jìn)行比較，各模態(tài)分量重構(gòu)誤差如圖5所示，三種方法模態(tài)分量重構(gòu)和信號重構(gòu)誤差如表1所示。

圖5 模態(tài)分量重構(gòu)誤差Fig.5 Errors of reconstructed modal components

表1 重構(gòu)模態(tài)分量和重構(gòu)信號的誤差

Tab.1 Errors of reconstructed modal components and reconstructed signals

分析方法模態(tài)分量1模態(tài)分量2重構(gòu)信號VMD-RWS15.509 116.008 16.671 0基于自適應(yīng)分段VMD-RWS3.889 24.921 35.959 9基于ASLF-E和VMD-RWS3.120 63.759 73.349 5

由圖5和表1可以知，采用VMD-RWS方法的模態(tài)分量重構(gòu)誤差遠(yuǎn)大于基于自適應(yīng)分段的VMD-RWS方法的模態(tài)分量重構(gòu)誤差，這是因為基于自適應(yīng)分段的VMD-RWS方法選擇前后信號較平穩(wěn)度的點作為窗口截斷點，因而模態(tài)重構(gòu)誤差相對較小。而基于ASLF-E和VMD-RWS方法的模態(tài)重構(gòu)誤差(尤其在截斷點處)小于基于自適應(yīng)分段的VMD-RWS方法的模態(tài)分量重構(gòu)誤差，這是因為基于ASLF-E和VMD-RWS方法對各子段數(shù)據(jù)兩端進(jìn)行了外推延拓，因而只會在外推后的數(shù)據(jù)信息邊界處產(chǎn)生邊界效應(yīng)，而在原窗口截斷處抑制了邊界效應(yīng)造成的較大誤差。實驗結(jié)果表明，基于ASLF-E和VMD-RWS方法可以有效實現(xiàn)放電信號的分段處理，可抑制原信號兩端和窗口截斷處的邊界效應(yīng)。因此，本文所提方法可以實現(xiàn)在云平臺上進(jìn)行并行分析。

3 基于Storm/Spark云平臺下的并行VMD算法

為了有效處理數(shù)據(jù)量較大的電力監(jiān)測信號，本文提出一種基于Storm/Spark云平臺下的并行VMD算法。

圖6為基于Storm云平臺下的并行VMD算法的處理流程。Spout組件將采集的實時電力設(shè)備監(jiān)測信號采用基于信號局部平穩(wěn)度的自適應(yīng)數(shù)據(jù)分段方法進(jìn)行分段，并對每個子段數(shù)據(jù)進(jìn)行外推延拓處理，之后將各處理后的子段以tuple元組形式發(fā)送給各處理組件(Bolt)進(jìn)行并行VMD分析。各子段的并行分析結(jié)果最終由Bolt組件進(jìn)行無縫合并，得到原始采樣數(shù)據(jù)的VMD處理結(jié)果，然后在此基礎(chǔ)上再進(jìn)行信號分析處理(如特征提取等)。

圖6 基于Storm云平臺下的并行VMD算法Fig.6 Parallel VMD algorithm based on Storm cloud platform

圖7為基于Spark平臺下的并行VMD算法的處理流程。其功能是對HDFS文件系統(tǒng)中歷史電力設(shè)備監(jiān)測信號采用VMD算法進(jìn)行分析，對分解結(jié)果進(jìn)行處理(如特征提取)最終實現(xiàn)信號的分析處理。在Spark平臺上將歷史監(jiān)測信號采用基于信號局部平穩(wěn)度的自適應(yīng)數(shù)據(jù)分段方法進(jìn)行分段，并將各子段分發(fā)到多個節(jié)點上，由各節(jié)點并行對各子段進(jìn)行VMD分析，各子段的并行VMD分析結(jié)果最終無縫合并為原始信號的分析結(jié)果，根據(jù)需要對VMD分析結(jié)果進(jìn)行處理(如特征提取)。

圖7 基于Spark云平臺下的并行VMD算法Fig.7 Parallel VMD algorithm based on Spark cloud platform

上述方法可將較長的電力設(shè)備監(jiān)測信號進(jìn)行分段，并將子信號段分發(fā)到Storm和Spark云平臺上的可用計算節(jié)點上并行執(zhí)行，這對于一個信號的分析處理的耗時縮減雖并不明顯，但在某時刻當(dāng)電網(wǎng)井噴式報警的若干波形信號同時到來時，Storm云平臺能對這些信號生成大量的信號分段處理任務(wù)，并通過任務(wù)調(diào)度策略自動調(diào)度到平臺的各個節(jié)點上。這樣，Storm云平臺對于幾乎同時帶來的諸多波形信號能在極短的時間內(nèi)得到處理，使得后續(xù)的大量電力設(shè)備監(jiān)測信號能得到及時處理。

4 結(jié) 論

在電力設(shè)備監(jiān)測數(shù)據(jù)中很大一部分是時序波形信號數(shù)據(jù)，這些數(shù)據(jù)是用來評估電力設(shè)備運行狀態(tài)的重要依據(jù)。VMD算法是一種完全非遞歸的變分模態(tài)分解方法，適用于對非線性、非平穩(wěn)信號的分析。但VMD算法的計算過程很復(fù)雜、運算量大，屬于計算密集型任務(wù)，當(dāng)面臨大量的波形信號時，處理效率低，因此本文基于Storm/Spark平臺進(jìn)行VMD 算法的并行優(yōu)化研究，結(jié)論如下：

(1)提出了一種基于矩形窗分段的變分模態(tài)分解(Variational Mode Decomposition，VMD)VMD-RWS和基于自適應(yīng)分段和外推延拓(the adaptive subsection based on local flatness and extrapolation，ASLF-E)ASLF-E的信號處理方法進(jìn)行信號分段以及子段數(shù)據(jù)處理，以確保各子段數(shù)據(jù)模態(tài)分量在窗口截斷處連續(xù)，論證了VMD算法在Storm/Spark平臺云平臺上并行分析的可行性。

(2)設(shè)計了基于Storm和Spark平臺的并行VMD算法處理流程及架構(gòu)，為基于云平臺的并行VMD算法的實現(xiàn)提供了依據(jù)。

對于數(shù)據(jù)量較大的電氣設(shè)備監(jiān)測信號，在云平臺下采用基于ASLF-E和VMD-RWS方法可大大縮短信號的處理時間，及時實現(xiàn)電力設(shè)備監(jiān)測信號基于VMD算法的分析處理(如去噪、特征提取、時頻分析等)，這對于信號的分析處理具有重要意義，這也為泛在電力物聯(lián)網(wǎng)提供了有力的技術(shù)支持。