基于深度学习的电力设备智能运行方式研究

在电力系统中对用户行为数据的分析过程存在主观性强的问题,且在复杂电网环境下难以做出准确的判断。对此,文中提出一种基于改进K-means聚类算法和深度学习相结合的分析算法。在改进K-means聚类算法的基础上构造出用户行为数据分析模型,实现了对行为数据的自适应学习。通过HRF-TCN预测模型筛选出用户行为数据的关键特征,降低数据维度后利用时间卷积网络进行预测,并将预测结果传递给电力系统中的设备,使其智能化地调整运行方式。基于公开用电数据集对算法进行的可行性验证结果表明,所提算法能够对用户的行为数据进行准确分析,数据分类效果指标DBI、SC分别为0.826 4和0.440 1,预测指标Ac和F1分别为96.8%、0.967 8,与同类算法相比,其分类效果更好、精度更高。

浅谈电网信息安全设备联动关键技术的应用

近年来,关于网络安全问题的案件越来越多,很多时候比较简单且单一的网络防御设施对这些攻击毫无抵抗之力,这就要求需要更高等且更多数量的设备联动工作来抵御这些恶意攻击。在电网工作中,其所面对的网络安全问题主要是设备过于单一,机组之间没有关联性,对潜在的网络攻击没有很好地预防功能。针对这类问题,本文将提出一种设备联动相关的模型,这项模型的原理是由不同种类的防火墙和电网信息安全防护设备相互联动工作并传递信息,可以对整个电网信息的安全事件进行实时分析,达到一种主动防御的效果。