基于数据感知融合的电力通信网络智能运维

受到电力通信网络中多因素及其结构复杂性的共同影响,传统运维方法在感知过程中极易受到电压异常信号与变压器异常信号扰动,造成网络全局感知出现偏差,严重影响整体运维效果。为了有效解决多因素造成的感知偏差问题,采用数据感知融合算法对电力通信网络下的电力参量进行感知优化,提升感知精准度,优化运维整体质量的效果。在提出的优化方案中,首先对电力通信网络安全态势感知范围进行确定,然后进行电力通信网络运行下的电压安全态势感知优化,接着基于数据感知融合算法对电力网络变压器安全态势感知参量进行定义,最后完成感知信息的数据感知融合计算。仿真结果表明,数据感知融合算法具备提升运维整体质量、降低运维过程中的感知偏差、提升感知灵敏度与精准度的能力。

多模态马尔科夫决策泛在电力物联网大数据智能挖掘

针对泛在电力物联网结构复杂、数据多样且不确定的问题,提出了一种基于多模态马尔科夫决策的泛在电力物联网大数据智能挖掘方法。该方法构建了一种基于最大熵的马尔科夫决策算法,对电力泛在物联网进行故障诊断和负荷预测,具有标记样本需求量小、置信度高的特点。通过结合电气量信息及开关量信息来提取电网数据特征,从而充分利用多模态数据样本。仿真分析与实验结果表明,相比于传统方法,所提方法能够有效识别出包括信息畸变在内的电网故障,提升电网故障诊断的准确率和电网负荷预测的精度。

基于张量链的电网大数据多模态预测方法

为了优化大数据预测系统的准确率和运算耗时,在张量理论的基础上,提出了一种适用于电网领域的多模态预测方法。通过综合运用张量和马尔科夫理论,设计了一种具有较强适应性的多元多阶马尔科夫模型,以及无假设前提的马尔科夫转移方法。在此基础上,基于张量链理论的短期预测和长期预测算法,提出了具有较低计算复杂度的大数据多模态预测方法。相关仿真验证结果表明,与经典马尔科夫预测方法相比,基于张量链的多模态预测方法具有更高的预测准确率与更少的运算耗时。

深度学习在电力系统异常损耗数据识别中的应用研究

异常损耗是造成电网公司收入损失的主要原因之一,但极其庞大的数据规模给异常数据识别带来了挑战。文中提出了一种新的检测方法,利用混合深度神经网络自我学习特征,识别系统损耗中的异常情况。该方法只需要最小的输入数据和知识范畴,无需手动建立特征库。该方法包括一个长短期记忆网络和一个多层感知器网络。第一个网络分析原始的每日能源损耗历史,第二个网络则整合非时序数据,如合同电量或地理信息。用电网数据对该模型进行了训练和测试。结果表明,所提出的混合神经网络的性能明显优于其他异常数据识别方法,验证了所提出方法的有效性。

基于Hadoop技术的物联网大数据同步存储系统设计

目前研究的物联网大数据同步存储系统,对于海量物联网数据的存储效率低、同步性差,不利于数据安全、稳定且高效的存储,难以满足动态存储需求,为了解决上述问题,基于Hadoop技术设计了一种新的物联网大数据同步存储系统。集合采集单元、处理器、存储器构建硬件平台,完善系统接口设计,合理设计软件程序,进一步提升系统的实际应用性能,并采用加密算法对存储数据进行加密处理,保证数据存储的安全性。实验结果表明,针对海量物联网数据,基于Hadoop技术的物联网大数据同步存储系统能够有效提高数据存储的同步性和存储效率,减少数据存储时延。

基于多周期性MILP模型的新型配电系统拓扑辨识方法

在新兴低成本、非接触式的电流传感器的基础上,提出了基于多周期性混合整数线性优化的拓扑辨识方法。基于支路电流绝对值误差建立了拓扑辨识的混合整数非线性优化(MINLP)模型,采用线性化方法将MINLP模型转化为混合整数线性优化(MILP)模型,并通过多周期性测量数据建立多周期性优化模型,从而减小伪测量误差的影响。此外,证明了支路电流传感器优化配置条件,以确保拓扑辨识的准确性。在IEEE-33节点系统的仿真测试结果表明,所提出的拓扑辨识方法拓扑辨识精度高,随多周期性场景的增加,拓扑辨识精度逐渐增加,且受伪测量误差的影响比受支路电流测量误差更大。

基于XML的分布式异构数据同步系统设计

为解决分布式数据传输丢包率过高的问题,建立更加稳定的异构信息同步共享环境,设计基于XML的分布式异构数据同步系统。借助数据转化模块,制定必要的XML生成与解析语句,利用异构模式提取模块,将分布式信息转存至数据库主机中,完成同步系统硬件执行环境的搭建。在此基础上,定义异构数据的分布型格式,根据已知的异构参数设定标准,建立同步性查询规则,完成系统软件执行环境的搭建,结合相关硬件设备结构,实现基于XML的分布式异构数据同步系统设计与应用。实验结果显示,与FPGA多通道型系统相比,基于XML语言的处理系统在面对传输分布式数据时,明显具备更低的丢包率水平,符合维护稳定性异构信息同步共享环境的实际应用需求。

D2D异构网络节能模式选择和资源分配

为合理分配蜂窝网络的频谱资源,提升蜂窝网络能源效率,降低用户间的干扰,提出一种基于深度强化学习的设备到设备(D2D)异构网络节能模式选择和资源分配方法。构建系统模型并对节能模式选择和资源分配进行优化;将优化问题转化为马尔可夫决策过程(MDP),采用深度确定性策略梯度算法(DDPG)找到最优问题的最优策略,实现最大化长期能效。通过仿真分析与其它4种方法进行性能对比,实验结果表明,所提方法在D2D异构网络中具有更高的能源效率,表现出更好的收敛性,可有效提升系统吞吐量和频谱资源利用率。

基于关联规则算法的数字化电网中台信息云挖掘方法

数字化电网中台信息在挖掘过程中受到信息类别的影响,导致挖掘性能降低,为此提出了基于关联规则算法的数字化电网中台信息云挖掘方法。利用中台信息之间的关联关系,对关联规则算法进行分析,通过提取并分析电网中台信息的异常信息,构建了数字化电网中台信息云挖掘的时间序列模型,结合电网中台信息的采集和储存处理,得到数字化电网中台信息云挖掘的分析处理模型,完成对数字化电网中台信息特征的提取,根据电网中台信息的分类和特征识别,计算出数字化电网中台信息特征间的关联度,基于关联规则算法对数字化电网中台信息的运行数据与历史数据进行分析,完成对数字化电网中台信息云挖掘模型的构建,实现数字化电网中台信息的云挖掘。实验结果表明,所提方法在提高单位时间内中台信息的分配量同时,还可以降低其标准偏差,具有更好的挖掘性能。

适用于分布式能源交易的安全私有区块链框架研究

随着新能源大量接入配网,使得用户既是生产者,又是消费者,为了满足新型电力系统能源交易的安全、可靠、私有隐匿,常采用区块链技术。然而,现有的解决方案缺乏隐私、处理和数据包开销,并且依赖可信第三方(Trusted third party,TTP)来确保交易的安全。为了应对这些挑战,提出了一个安全的私有区块链(Secure private blockchain,SPB)框架,使能源生产者和消费者能够直接协商能源价格,采用了一种基于目标公钥(Public key,PK)的路由算法来减少相关的开销,通过引入原子元事务,SPB消除了对TTP的依赖。SPB包括CTP和ERC,能实现生产者和消费者之间的能源交易,还支持匿名智能电表的身份验证,防止恶意节点链接ERC事务,从而增强用户隐私。定性安全分析证明了SPB对一系列攻击的防御能力。实施结果表明,与现有解决方案相比,SPB能够降低资金成本和处理时间。

分布式资源库多路数据同步传输系统设计

目前设计的分布式资源库多路数据同步传输系统误码率较高,导致很难实现同步传输,因此设计一种新的分布式资源库多路数据同步传输系统,从硬件和软件两方面进行优化。系统硬件设计了多路数据采集模块、分布式资源库传输模块、通道数据通信接口。系统软件部分,通过多路数据全局时钟同步、分布式资源实时传输、分布式资源多路数据可解性传输完成软件工作流程。实验结果表明,设计的分布式资源库多路数据同步传输系统能够有效降低误码率,确保能够实现分布式资源库多路数据的同步传输。

考虑数据完整性的数字化电网中台优化系统

为了有效提高系统信噪比和运行效率,加快信息发送速率,确保系统运行稳定性,设计考虑数据完整性的数字化电网中台优化系统。根据信息自适应控制逻辑,设计自适应优化电路;通过分析数字化电网中台数据,利用隐含攻击路径,找出相同中台数据中的已知漏洞信息;计算数据漏洞的利用率,结合自适应性优化流程,实现数字化电网中台优化。测试结果表明,该系统的信噪比和运行效率较高,中台信息发送速率较快,能够有效确保系统运行稳定性。

非结构化数据特征建模与存储方法研究

为了能够为用户更加直观地提供易理解数据存储查询体验,该文引入时间序列非结构化数据,提出基于时间序列的非结构化数据特征建模及存储方法这一技术思路。以数据特征视角描述时间序列数据,运用此方法成功定义局部、细节数据特征之间的继承、组合具体关系,从而成功复用或定制数据特征类型。提出XML可拓展标记语言,能标记非结构数据不同特征,成功创建非结构化时间序列数据模型,可以表达非结构化时间序列数据,获得包含多个特征信息的子序列结构特征时间序列。依据通用型非结构化数据特征建模,统一定义建模过程,完成关系数据库存储结构设计,能够有效存储时间序列数据以及非结构化数据建模过程中的数据特征描述信息。

基于深度学习的非结构化表格文档数据抽取方法

非结构化表格文档结构性较低,模式多样且数据冗杂,但此类文档里潜藏大量有价值数据,数据高精度抽取对分析数据价值存在增值作用,为此提出基于深度学习的非结构化表格文档数据抽取方法。在数据抽取前,采用基于循环和卷积神经网络的文本分类方法,对非结构化表格文档实施分类,获取所需表格文档,由此缩小后续数据抽取范围,提高抽取效率与精度;在分类后的表格文档中使用基于深度学习的数据自动抽取模型,通过双向循环神经网络编码获取中间语义向量,然后通过注意力模型和单项循环神经网络解密中间语义向量,获取非结构化表格文档数据。实验结果表明,采用所提方法抽取10种非结构化表格文档数据时,均获取显著的抽取效果。

Stackelberg博弈模型的电力系统可靠性网络安全保险策略

为了评估网络风险并且长期规划保险费用,提出了一种基于Stackelberg博弈模型的电力系统可靠性网络安全保险策略。首先引入Stackelberg安全博弈模型,并将该模型作为在每个半马尔可夫过程中跨目标变电站分配防御资源的最佳随机分配机制。然后采用序贯蒙特卡罗模拟方法对潜在网络攻击入侵造成的损失进行了可靠性分析,提出了第三方保险公司的精算保险原则,从而评估网络安全威胁造成的潜在供电中断的影响,并将脆弱性指标纳入长期可靠性评估。最后通过案例结果分析可知提出的保险策略有效地解决了不同电力公司损失的依赖性问题,并且能够有效处理安全投资与保险费节约之间的关系。

基于深度神经网络的电力信息通信组件功能缺陷检测

本文对基于深度神经网络的电力信息通信组件功能缺陷检测。获取检测损失参数,建立anchor功能缺陷检测算法,并构建深度学习的缺陷检测模型,利用DBN深度置信网络实现通信组件功能缺陷的检测。在相同的测试环境下,对传统数据检测组和深度神经网络检测组的检测方法进行对比,得出最终的测试结论:深度神经网络检测法最终获得的池化检测比值,说明它的检测精准度更高,效果更好。

基于数据挖掘的业务系统元数据文档自动更新模型

针对传统业务系统元数据文档自动更新模型存在召回率低、更新耗时长的问题,为保证文件的安全性和可靠性,提高元数据访问性能与文件系统性能,提出基于数据挖掘的业务系统元数据文档自动更新模型。根据业务系统元数据文档存储结构,采用数据挖掘算法建立了元数据文档特征压缩器,得到元数据文档的融合集合,优化设计了业务系统元数据文档存储结构,通过计算元数据文档页面的PageRank值,分析了元数据文档在业务系统中主题与链接之间的相关性,对业务系统元数据文档进行了检索,实现了业务系统元数据文档的自动更新。实验结果表明,所设计的新模型可以提高召回率和元数据文档的自动更新效率。

大数据时代超高压电网运维管理研究

作为电力输送任务的主要方式,高压输电线路对电力系统的安全和稳定运行至关重要。然而,它在实际运行中易受到环境因素的影响,从而发生故障。通过收集和分析大量的电网运行数据,文章建立了电网运行状态数据库以对电网的运行状态进行实时监管和预测,进而优化和改进电网的运维管理。这不仅可以更加准确地预测和评估电网的运行状态,还能够及时发现和解决潜在的问题,提高了电网的运维效率和管理水平。

电力营销客户服务中台数据传输安全自动监测技术

电力营销客户服务中台对网络安全性要求高,常规技术检测数据传输异常信号时,仅将信号频域作为检测依据,忽略了信号时域这一特征,导致监测到的数据传输通信网络攻击行为存在遗漏。提出数据传输安全自动监测技术,并应用到电力营销客户服务中台。分解数据传输通信信号,获得信号主频特征和时域特征,利用频率变化尺度和时域变化尺度,计算通信信号关联系数,判定关联系数小于阈值的通信信号出现异常流量,截取存在异常通信流量信号的时间段,根据时间段内数据传输安全指数、网络攻击行为成功入侵概率两个监测指标,实时监测数据传输安全态势值。部署服务中台主机攻击场景,在网络链路连接节点处注入不同威胁程度的攻击流量,设置对比实验,结果表明,设计技术监测到了所有网络攻击行为,攻击行为监测数量更加全面。

基于改进蚁群算法的电力行业用户满意度评估模型

电力行业用户满意度评估模型在面对多指标的情况下,易陷入局部最优循环,影响评估结果,设计一种基于改进蚁群算法的电力行业用户满意度评估模型。结合电力行业对满意度平衡积分卡维度进行设计,从财务、客户、内部以及发展创新方面详细描述,利用网络层次分析法在多个指标中两两比较挑选,构造权重判断矩阵,完成满意度评估指标体系的建立,在传统蚁群算法的基础上对信息素选择路径的概率计算和信息素的动态更新机制进行改进,避免算法在迭代过程中陷入最优。在模型性能测试中,选择某电力公司的历史数据作为实验数据集,分别使用设计的模型和传统模型进行测试,结果表明:设计模型得到的评估结果与实际情况之间评分误差更小,验证了模型的有效性。