“NMT界乔布斯”许越先生推荐创新平台 中关村NMT产业联盟推介成员单位创新产品 “生物安全，人人有责” 推出背景： 在国际竞争白热化，战争形态多样化的今天，生物安全已成为国家安全的重要组成部分，为积极应对这一挑战，2019年10月，生物安全法草案于首次提请十三届全国人大常委会第十四次会议审议。本次新冠肺炎疫情的爆发，让各界更加意识到，生物安全对于确保国家安全、保障社会稳定、人民群众生命安全和身体健康的重要性。 国家安全就是国家竞争，归根结底又是科技实力的竞争！因此，作为中国的高新技术企业，中关村NMT联盟的会员单位，旭月（北京）科技有限公司利用20多年的技术积累，以NMT：非损伤微测技术为底层核心技术，迅速推出了与国家生物安全相关多种检验，监测仪器设备，以及适用于多个学科及领域的研发平台： 《NMT生物安全创新平台》特制系列产品！   应对挑战： 1）NMT对细胞的分子/离子流速的检测，能够为基因表达的调控机制，提供直接的数据。 2）为基因表达在组织层面上提供了研究手段和数据。 分类及用途： 1）《基因表达NMT检测仪》（型号：NMT-GET-100） 基于底层核心NMT技术，以及成熟的技术解决方案，让科研人员可以马上投入相关科研创新工作。   2）《基因表达NMT检测仪》（型号：NMT-GET-200） 基于底层核心NMT技术，结合自身科研兴趣，以及其它相关技术参数，在我方技术人员协助下形成技术解决方案，让科研人员建立更具独有创新特色的实验平台。   《基因表达NMT检测仪》（型号：NMT-GET-100） 应对挑战： 1）NMT对细胞的分子/离子流速的检测，能够为基因表达的调控机制，提供直接的数据。 2）为基因表达在组织层面上提供了研究手段和数据。 用途： 基于底层核心NMT技术，以及成熟的技术解决方案，让科研人员可以马上投入相关科研创新工作。   参数： 1.基本功能： 1.1针对基因表达检测设计 1.2活体、原位、非损伤检测 1.3可检测指标：H+、K+、Na+、NH4+、Ca2+、Mg2+、Cl-、O2、H2O2 2.性能： 2.1自动化操作 2.2长时间实时和动态监测 2.3无需标记 2.4立体3D流速检测 3.软件： 3.1imFluxes智能软件，可直接检测、输出离子分子的浓度与流速 《基因表达NMT检测仪》（型号：NMT-GET-200） 应对挑战： 1）NMT对细胞的分子/离子流速的检测，能够为基因表达的调控机制，提供直接的数据。 2）为基因表达在组织层面上提供了研究手段和数据。 用途： 基于底层核心NMT技术，结合自身科研兴趣，以及其它相关技术参数，在我方技术人员协助下形成技术解决方案，让科研人员建立更具独有创新特色的实验平台。   参数： 1.基本功能： 1.1针对基因表达检测和相关研发设计 1.2活体、原位、非损伤检测 1.3可检测指标：H+、K+、Na+、NH4+、Ca2+、Mg2+、Cl-、O2、H2O2 1.4可实时监测和记录检测时的环境参数：温度、湿度、大气压、海拔、经纬度 1.5配备新指标拓展功能 2.性能： 2.1自动化操作 2.2长时间实时和动态监测 2.3无需标记 2.4立体3D流速检测 3.软件： 3.1imFluxes智能软件，可直接检测、输出离子分子的浓度与流速，以及检测时的环境参数

       非损伤微测技术（Non-invasive Micro-test Technology，NMT）源于美国MBL实验室（54位诺贝尔奖得主的摇篮），由神经学家Lionel F. Jaffe（美国扬格公司创始人之一）于1974年发明，2001年，美国扬格公司正式推出现代NMT。NMT是一种研究活体材料的底层核心技术，研究人员基于NMT能够建立自己独有的Me-Only 研究平台，从而获得极具创新的研究成果。         NMT可在不接触、不损伤样品的情况下，检测分子/离子进出生物活体的流速（流动速率和方向），可测样品种类繁多，小到菌、单细胞、液泡，大到组织、器官、整体都可检测。基于NMT商业化的设备统称为非损伤微测系统。         扬格/旭月的非损伤微测系统包含BIO系列、CONFLUX系列（共聚焦/荧光NMT）、NMT100系列、NMT200系列、NMT100S系列、NMT200S系列、NMT150系列、NMT活体工作站系列、NMT Physiolyzer®系列等，已发展至第七代自动化智能产品。扬格/旭月的NMT系统全部采用从美国扬格（旭月北京）研发中心自主研发的imFluxes智能操作软件，将十余年的NMT应用大数据与设备实现完美结合，并且在产品一体化、自动化、智能化、扩展升级等诸多方面都有大幅提升。         扬格/旭月已取得基于NMT的数十项专利及软件著作权，拥有完善的专利保护体系，所有产品全部通过中关村NMT联盟认证和ISO9001质量体系认证。扬格/旭月所销售的NMT专用耗材，已通过中关村NMT联盟认证，所有耗材是扬格/旭月研发中心结合十余年的经验、摸索并自主研发生产的。NMT专用耗材较传统的通用型耗材保质期更长，性能更稳定、可靠，所有对外销售的耗材全部经过严格的生产、检验流程。         扬格/旭月的NMT研究平台已经帮助国内外科研单位取得近百项各类专利，以及包含Nature、Cell在内的500多篇论文。同时，已销往欧洲的瑞士苏黎世大学（拥有包括爱因斯坦在内10余位诺贝尔奖得主），以及中国科学院、中国林科院、中国农科院、农业部下属的众多科研院所与高校，以及北大、上海交大等知名高校。 名称：NMT Physiolyzer®（NMT活体生理检测仪） 版本：第七代 品牌：YOUNGER 产地：美国 已获得认证： 中关村NMT联盟认证 ISO9001国际质量体系认证 简介：NMT Physiolyzer®（NMT活体生理检测仪）是美国扬格公司的第七代自动化NMT设备，可自动灌充LIX、直接检测、输出离子/分子的流速及浓度、数据云绘图。该设备为开放式平台，同时配备个性化模块，科研人员可根据自身科研需求，自由选配检测指标（标配2种指标，其他指标可自由升级），可选配指标包括IAA、O2、H2O2、Ca2+、H+、K+、Na+、Pb2+、Cu2+、Cd2+、Cl-、NH4+、NO3-、Mg2+、膜电势，其他未来新研发功能及指标，可通过模块进行扩展升级。        NMT Physiolyzer®（NMT活体生理检测仪）美国原装进口系统由美国扬格公司在美国本土生产、组装、调试完成，整机进口到中国，该产品已通过ISO9001质量体系认证，提供1年免费保修，售后服务由美国扬格公司在中国的永久战略合作伙伴旭月公司统一提供。 个性化功能匹配 标配两种指标（可选指标：IAA、O2、H2O2、Ca2+、H+、K+、Na+、Cd2+、Cl-、NH4+、NO3-、Mg2+），其余指标可升级（包括新研发指标Pb2+、Cu2+和膜电势） 预留双指标检测升级端口，升级后可单独检测一种离子或分子，也可同时检测两种离子或一种离子与一种分子的浓度和流速，用于离子/分子相关性研究及更前沿的科研探索。 活体、原位、非损伤测量 对整体或分离后的样品不造成损伤，获取正常生理状态下信息。 无需标记 预先知道测定的指标，无需用放射性、化学或药理学等标记方法，安全且环保。 不用提取样品 可直接检测，不需要研磨等传统的提取方法。 实时、动态检测 动态实时地（最短在5秒左右）检测和获取数据。 长时间持续监测 可进行长达10个小时以上的实时和动态监测。 可测样品种类繁多 整体、器官、组织、细胞都可以检测（理论值：5μm-10cm均可）。 自动化操作 X、Y、Z方向自动/手动操控传感器移动。 数据采集方式 X、Y、Z三维数据分别采集。 预留三维矢量流速数据升级端口，可升级在样品外进行X、Y、Z三维数据同时采集，获得矢量流速数据，清晰阐明样品及流速的空间相互关系，用于更前沿的研究。 美国原装进口系统 型号 功能 可升级功能 NMT300-YG 1.标配指标：IAA、O2、H2O2、Ca2+、H+、K+、Cd2+、Cl-、NH4+、NO3-、Mg2+、Pb2+、Cu2+(标配任选2种指标，可任意升级）。 2.操作方式：三维自动。 3.检测样品尺寸：可检测5μm-10cm样品。 4.数据：1D/3D。可直接检测、输出流速和浓度数据。 5.检测方式：单传感器检测 6.异常报警：有 7.流速云数据处理与绘图：有 1.可升级指标：可升级除标配指标外其余指标，包括最新研发指标膜电势。 2.可扩展：未来新研发指标可扩展升级。 3.可升级检测方式：单/双传感器检测可选。 NMT400-YG 1.标配指标：IAA、O2、H2O2、Ca2+、H+、K+、Cd2+、Cl-、NH4+、NO3-、Mg2+、Pb2+、Cu2+(标配任选2种指标，可任意升级）。 2.操作方式：三维自动。 3.检测样品尺寸：可检测大于5cm样品。 4.数据：1D/3D。可直接检测、输出流速和浓度数据。 5.检测方式：单传感器检测 6.异常报警：有 7.流速云数据处理与绘图：有 1.可升级指标：可升级除标配指标外其余指标，包括最新研发指标膜电势。 2.可扩展：未来新研发指标可扩展升级。 3.可升级检测方式：单/双传感器检测可选。

  非损伤微测技术（Non-invasive Micro-test Technology，NMT）源于美国MBL实验室（54位诺贝尔奖得主的摇篮），由神经学家Lionel F. Jaffe（美国扬格公司创始人之一）于1974年发明，2001年，美国扬格公司正式推出现代NMT。NMT是一种研究活体材料的底层核心技术，研究人员基于NMT能够建立自己独有的Me-Only 研究平台，从而获得极具创新的研究成果。   NMT可在不接触、不损伤样品的情况下，检测分子/离子进出生物活体的流速（流动速率和方向），可测样品种类繁多，小到菌、单细胞、液泡，大到组织、器官、整体都可检测。基于NMT商业化的设备统称为非损伤微测系统。   扬格/旭月的非损伤微测系统包含BIO系列、CONFLUX系列（共聚焦/荧光NMT）、NMT100系列、NMT200系列、NMT100S系列、NMT200S系列、NMT150系列、NMT活体工作站系列、NMT Physiolyzer®系列等，已发展至第七代自动化智能产品。扬格/旭月的NMT系统全部采用从美国扬格（旭月北京）研发中心自主研发的imFluxes智能操作软件，将十余年的NMT应用大数据与设备实现完美结合，并且在产品一体化、自动化、智能化、扩展升级等诸多方面都有大幅提升。   扬格/旭月已取得基于NMT的数十项专利及软件著作权，拥有完善的专利保护体系，所有产品全部通过中关村NMT联盟认证和ISO9001质量体系认证。扬格/旭月所销售的NMT专用耗材，已通过中关村NMT联盟认证，所有耗材是扬格/旭月研发中心结合十余年的经验、摸索并自主研发生产的。NMT专用耗材较传统的通用型耗材保质期更长，性能更稳定、可靠，所有对外销售的耗材全部经过严格的生产、检验流程。   扬格/旭月的NMT研究平台已经帮助国内外科研单位取得近百项各类专利，以及包含Nature、Cell在内的500多篇论文。同时，已销往欧洲的瑞士苏黎世大学（拥有包括爱因斯坦在内10余位诺贝尔奖得主），以及中国科学院、中国林科院、中国农科院、农业部下属的众多科研院所与高校，以及北大、上海交大等知名高校。 名称：NMT Physiolyzer®（NMT活体生理检测仪） 版本：第七代 品牌：YOUNGER 产地：美国 已获得认证： 中关村NMT联盟认证 ISO9001国际质量体系认证 简介：NMT Physiolyzer®（NMT活体生理检测仪）是美国扬格公司的第七代自动化NMT设备，可自动灌充LIX、直接检测、输出离子/分子的流速及浓度、数据云绘图。该设备为开放式平台，同时配备个性化模块，科研人员可根据自身科研需求，自由选配检测指标（标配2种指标，其他指标可自由升级），可选配指标包括IAA、O2、H2O2、Ca2+、H+、K+、Na+、Pb2+、Cu2+、Cd2+、Cl-、NH4+、NO3-、Mg2+、膜电势，其他未来新研发功能及指标，可通过模块进行扩展升级。   NMT Physiolyzer®（NMT活体生理检测仪）美国原装进口系统由美国扬格公司在美国本土生产、组装、调试完成，整机进口到中国，该产品已通过ISO9001质量体系认证，提供1年免费保修，售后服务由美国扬格公司在中国的永久战略合作伙伴旭月公司统一提供。 个性化功能匹配 标配两种指标（可选指标：IAA、O2、H2O2、Ca2+、H+、K+、Na+、Cd2+、Cl-、NH4+、NO3-、Mg2+），其余指标可升级（包括新研发指标Pb2+、Cu2+和膜电势） 预留双指标检测升级端口，升级后可单独检测一种离子或分子，也可同时检测两种离子或一种离子与一种分子的浓度和流速，用于离子/分子相关性研究及更前沿的科研探索。 活体、原位、非损伤测量 对整体或分离后的样品不造成损伤，获取正常生理状态下信息。 无需标记 预先知道测定的指标，无需用放射性、化学或药理学等标记方法，安全且环保。 不用提取样品 可直接检测，不需要研磨等传统的提取方法。 实时、动态检测 动态实时地（最短在5秒左右）检测和获取数据。 长时间持续监测 可进行长达10个小时以上的实时和动态监测。 可测样品种类繁多 整体、器官、组织、细胞都可以检测（理论值：5μm-10cm均可）。 自动化操作 X、Y、Z方向自动/手动操控传感器移动。 数据采集方式 X、Y、Z三维数据分别采集。 预留三维矢量流速数据升级端口，可升级在样品外进行X、Y、Z三维数据同时采集，获得矢量流速数据，清晰阐明样品及流速的空间相互关系，用于更前沿的研究。 美国原装进口系统 型号 功能 可升级功能 NMT300-YG 1.标配指标：IAA、O2、H2O2、Ca2+、H+、K+、Cd2+、Cl-、NH4+、NO3-、Mg2+、Pb2+、Cu2+(标配任选2种指标，可任意升级）。 2.操作方式：三维自动。 3.检测样品尺寸：可检测5μm-10cm样品。 4.数据：1D/3D。可直接检测、输出流速和浓度数据。 5.检测方式：单传感器检测 6.异常报警：有 7.流速云数据处理与绘图：有 1.可升级指标：可升级除标配指标外其余指标，包括最新研发指标膜电势。 2.可扩展：未来新研发指标可扩展升级。 3.可升级检测方式：单/双传感器检测可选。 NMT400-YG 1.标配指标：IAA、O2、H2O2、Ca2+、H+、K+、Cd2+、Cl-、NH4+、NO3-、Mg2+、Pb2+、Cu2+(标配任选2种指标，可任意升级）。 2.操作方式：三维自动。 3.检测样品尺寸：可检测大于5cm样品。 4.数据：1D/3D。可直接检测、输出流速和浓度数据。 5.检测方式：单传感器检测 6.异常报警：有 7.流速云数据处理与绘图：有 1.可升级指标：可升级除标配指标外其余指标，包括最新研发指标膜电势。 2.可扩展：未来新研发指标可扩展升级。 3.可升级检测方式：单/双传感器检测可选。

《大数据交易应当重视和研究的几个问题》指出，为了保证交易数据来源的正当性和交易主体的合法性，为了有效克服大数据交易中的问题和风险，对于数据这种新型特殊财产的权属、开发利用及流转的特殊规律应当抓紧研究，相关制度建设要及时跟进。该报告建议从两方面入手：一是从私法角度明确数据的财产性质及其权属分配规则。在充分保护人格权和商业秘密的基础上，将数据产权按价值贡献在被采集者、采集者以及数据加工者等相关主体之间进行合理分配。二是从公法角度明确关于数据采集、加工，大数据产品的开发、流转等的监管规范。要明确数据的采集和利用不得违背公认的社会道德和善良风俗；在不损害相关主体的合法权益和公共利益的前提下，推动政府数据公开共享；禁止有可能威胁国家安全的跨境数据流动。

清华大学地球系统科学系阳坤教授课题组在《科学数据》（Scientific Data）上发表题为“The first high-resolution meteorological forcing dataset for land process studies over China”的研究成果，发布了过去十年间阳坤团队开发的一套服务于陆面、水文、生态等地表过程模型的中国高时空分辨率气象数据集。该数据采用严格的数据质量控制，统一的站点数据、卫星数据和再分析数据的融合方法，避免了不同学者对同一研究区域气象数据的重复处理。近地面气象数据是地表模型的主要驱动。自2004年美国国家航空航天局（NASA）发布全球陆面数据同化（GLDAS）气象数据以来，北美、欧洲等区域高分辨率气象驱动数据集也不断涌现。阳坤教授团队自2008年起利用中国气象局数据共享的契机，开始了中国区域高分辨率气象驱动数据集的开发，建立了气象数据的预处理系统和融合系统，完成了首套相对稳定可靠的长时间序列数据产品。该数据集覆盖了中国陆地区域，时间跨度为40年（1979-2018），空间分辨率0.1度，时间分辨率3小时，包括了近地面气温、气压、比湿、全风速、向下短波辐射通量、向下长波辐射通量、降水率等 7 个变量。基于独立站点数据的评估表明，该数据集较国际上广泛使用的 GLDAS 数据集具有更高精度。目前，该中国区域高分辨率气象驱动数据集已发布在国家青藏高原科学数据中心，可免费获取。原文链接：https://www.nature.com/articles/s41597-020-0369-y数据网址：https://doi.org/10.11888/AtmosphericPhysics.tpe.249369.file

日前，国防科技大学系统工程学院大数据与复杂网络研究团队同四川大学、电子科技大学一起，组建新冠病毒大数据交叉学科研究平台，助力新型流行病研究和防控，给多个省份和国家有关部委等提供了8份数据分析报告和决策建议报告，为防控和战胜疫情贡献出了科学智慧。国防科技大学系统工程学院大数据与复杂网络研究团队基于新冠病毒大数据交叉学科研究平台，利用海量多源异构大数据，结合疫情发生发展规律，对人群流动及传播风险进行了综合建模和分析，为政府决策提供了参考依据。特别是团队通过分析春运期间人口流动大数据，建立起疾病传播模型，测算出了疫情扩散蔓延阶段武汉市向全国各地区的输出人口状况和新冠病毒感染的风险指数。还有许多研究人员尝试通过客运数据，研判各个地区及城市的感染风险。也有学者采用“百度迁移”所提供的人口流动数据，通过春运期间从武汉流向全国各省市的人口规模(不包含港澳台数据)和全国感染病毒人数的可视化分布，直观解读两者间的联系。同时加以推断，武汉封城之后，二次传染所造成的病毒传播将日趋占主导地位，传播程度和各省市的人口密度以及管控措施等密切相关。

这项研究收集了2020年1月1日至1月28日期间，中南医院收治的138名新冠肺炎病例数据，其中40名（29%）医护人员和17名（12.3%）住院病人受到院内交叉感染。受感染的医护人员中，31人在普通病房工作，7人在急诊部门，2人在重症监护室。 武汉中南医院的这项单中心病例分析成果，清楚阐释了新冠肺炎的临床特征和治疗经验，为抗“疫”阻击战取得进一步胜利打下坚实基础。同时，研究证明“超级传播者”存在的可能性和病毒不可小觑的侵袭力，全员警戒一刻不容松懈，尤其要求一线的医护战士得到最严格的防护武装。

火灾事故调查是是一项技术性、政策性、规范性、法律性和时效性都很强的工作。由于火灾现场的千差万别，火灾调查这一专业执法工作所涉及的知识面特别广泛，在现场勘查过程中遇到的专业问题又相互交织在一起，加之建筑新材料、新工艺、新技术、新产品的不断涌现，使得火灾现场典型痕迹的发现和识别显得尤为重要。本课题选题从消防部队实际需求出发，以实际火灾现场中的痕迹为主要研究对象，收集提炼玻璃和混凝土等常见材料在火场高温条件下的痕迹特征，以解读痕迹形成的过程和规律，为火灾调查工作的开展提供有力支撑。

本项目研发了一套完整的现场数据采集服务支撑技术，提供了数据采集集成服务的商业运营新模式。针对工业互联网建设过程中普遍存在的现场数据采集需求，整合了综合感知、AI智能处理、网络安全传输、数据质量管理和标准化输出等多个环节，把经过质量分析和标准化处理后的实时数据，作为产品对接到工业互联网应用平台的数据池，供后续数据处理和应用分析。整套技术包括4大模块：1）智能网关：基于具有AI能力CPU的智能网关，完成对多种传感信息的有效采集，并安全传输给数据前置云服务器；重点研究基于小目标的AI图像分类算法。2）AI模型管理系统：实现对智能网关中视觉AI感知中的模型计算和管理，该系统可以统一部署也可以部署的用户指定的内网服务器中。3）数据管理和标准化处理：数据有效性管理、数据质量评估、数据标准化和数据安全机制。4）智能运维：开发一套基于移动APP的智能运维系统，为运维人员提供有效帮助，提高效率、降低成本、保证系统运行质量和数据的有效性。 如图所示，项目完成了对于现场数据的传感、传输、管理、输出和设备运维等一系列工程实现。应用范围: 1、智能网关： 开发基于具有AI能力CPU的智能网关，完成对多种传感信息的有效采集，并安全传输给数据前置服务器。 综合接入能力： 包括有线传感器和特定的无线传感器、与现有系统的对接 有效感知能力： 实现基于图像的AI视觉感知能力，重点研究基于小目标的图像分类算法 安全传输能力： 提供4G、5G、NB-IOT的上行传输模块化替换 提供安全的加密手段，保证数据安全 现场调试配置能力： 具有现场WiFi调试功能，方便安装和运维人员现场配置和检测 软件和通信标准版本现场升级 2、AI模型管理系统 需要实现对智能网关中视觉AI感知中的模型计算和管理，该系统可以统一部署也可以部署的用户指定的内网服务器中。 样本管理能力 原始样本管理、样本实例库分类和管理、检测样本管理等 模型计算和管理 算力管理：对算力的统筹，外部算力的对接等 算法管理：自主开发算法的管理和调动，外部算法的调用和对接 模型管理：包括模型的功能属性和已经应用的情况的统计分析 设备管理 设备的AI模型配置能力、AI推演过程的监控、AI推演结果的跟踪采集和分析 3、数据管理和标准化处理 数据有效性管理 监测数据是否按时上传、上传数据是否符合要求、是否为非法数据 告警输出：把告警信息进行分类，并推送给相关的运维系统 数据质量评估 按照标准对现场采集数据进行多维度的质量分析，为后续数据应用提供参考依据 数据标准化 格式标准化：完善采集时间、地点、单位等属性， 输出标准化：按照标准协议与工业互联网平台数据池进行对接 数据安全 区域性部署：可以应用户要求部署在其内网 并行部署：可以通过并行部署，网关上联多个服务器，确保用户的可靠性需求 数据回滚能力：可以应工业互联网平台要求对数据进行一定期限内的回滚，保证数据在一定时间段内不丢失 4、智能运维 开发一套基于移动APP的智能运维系统，为运维人员提供有效帮助，提供效率、降低人员成本、保证系统运行质量和数据的有效性。 运维人员管理 对运维人员的信息、定位、工作状况管理 巡检任务管理 对部署的硬件和相关工作环境定期巡查的任务制定、下发、执行过程和结果的记录和管理 临时故障处理 对系统自动告警和现场突发状况的应急处理能力，包括人员调配、处理流程提示和建议、相关情况处置参考案例、后续统计追踪等。网关核心板实物照片

随着电网数据规模越来越大，所蕴含的价值也越来越多。清华大学信研院研发了基于机器学习方法的能源互联网能量管理系统，主要功能为对电网的稳定性进行预测和可视化。系 统分为训练部分和预测部分。训练部分通过历史数据进行机器学习，建立一个电压稳定性的 分类器。分类器训练完成后，再对新增的未知数据进行预测。训练部分主要分为特征提取、 类别标记、特征压缩、分类器类型选择。预测部分主要分为分类器数据启动阶段和预测输出 阶段。本系统提出利用机器学习方法对电网电压稳定性进行预测，进一步综合多个节点给出 电网态势感知的评估结果。在训练每一个节点分类器的时候，本系统将特征选取的时段和预 测时间节点拉开，形成一种延时的预测方法，本发明对复杂系统有着更好的还原效果。2 应用说明本系统实施电压稳定性预测的具体步骤为:步骤 1:通过部署在关键测点的同步相角测量单元 PMU 采集电网实时数据，所述 实时数据包含电网中每个关键测点的电压 U、 有功 P、无功 Q、电流 I;分别计算 U 的衍 生量 dU/dt，Q 的衍生量 dQ/dt，电压的变化 量比上无功的变化量的衍生量 dU/dQ，用这 些衍生量作为特征，来表征量的时间变化速 率;步骤 2:对步骤 1 中提取的特征进行数 据降维与压缩;根据特定时刻电压 U 是否恢 复到标准值的 0.8 倍来区分每组样本组是否 稳定，用 0 标记稳定，用 1 标记不稳定;步骤 3:选择分类器，建立一个电压稳 定性的分类器;步骤 4:训练分类器;当分类器训练完 成后，将训练好的参数储存起来;步骤 5:进入预测部分的数据启动阶段， 填充特征矩阵，没有输出;步骤 6:把多个节点的特征按照顺序排列，形成特征矩阵;特征矩阵填充完成后， 根据分类器给出的预测结果;特征时段向前滑动，最初的特征被抛弃，新特征补充在队尾， 分类器持续给出预测结果;步骤 7:每隔一定时间间隔 ，要把新收集来的数据与以前的数据一起，重新回到步骤 4 训练分类器，更新参数。在具体系统搭建过程中，我们充分利用现有机器学习平台。其中 Hadoop 的文件管理系统 HDFS 负责数据存储;Spark 负责模型训练;Storm 负责在线预测;Kafka 负责在 Storm 和Hadoop 之间传递更新后的模型参数。