基于大数据特征分析的智能电网关键技术研究

智能电网是我国电网建设的必然趋势,是能源产业变革的具体体现,是经济社会发展的必要要求。文章在大数据特征分析的框架下,重点探究了智能感知、通信与控制、智能决策等智能电网的关键技术。基于大数据特征分析的智能电网关键技术可应用于电网状态监测与评估、负载预测与优化、故障检测与诊断等,这些应用将助力电力系统更智能、高效运行,为中国能源转型提供可行方案。

基于数据特征分析的污染源监测数据异常值识别方法研究

为避免在污染源监测时因为存在一些异常值影响数据可靠性,本次研究设计了一种基于数据特征分析的污染源监测数据异常值识别方法。先对污染源监测数据进行去噪处理,通过关联度分析方法对去噪处理后的数据实施数据特征分析,完成异常值中失效值的识别。然后基于LSTM网络构建离群异常值识别模型,实现污染源监测数据中离群异常值的识别。最后通过实验证明设计方法的先进性,该方法能够实现污染源监测数据异常值识别,模型拟合程度最高可达0.98,对于失效值与离群异常值的识别精度均较高。

地震数据特征分析技术及其应用

地震数据特征分析(GDC) 技术是一种在地震采集过程中用于监视数据质量的方法。文中具体介绍了GDC技术在LYNX三维中的应用,结果表明,GDC技术对地震数据采集质量进行实时监控,既保证了生产效率和采集质量,又降低了成本。

基于评定参数的气候试验数据分析与数据库设计

围绕大型气候实验室和飞机的系统类型多带来的数据量大、耦合程度高、关联性强等问题,研究基于评定要素的多源气候试验数据特征分析与数据库设计方法。本文通过分析气候实验室环境特征、飞机气候试验历史数据和运行机理,析出了能够表征极端环境下飞机环境适应性的典型评定参数,研究了气候实验室数据、飞机环境响应数据和数据网络架构,进而实现多维、多源、海量气候环境试验数据的解耦,随后依据气候环境试验数据特征分析了时序数据、非时序数据和小子样试验数据的预处理分析算法,剔除异常值得到高质量的气候试验数据。并且利用高效精简的气候试验数据构建了气候环境试验数据库架构,形成了基于元数据的全海量试验数据抽取-存储-检索一体化方法,可实现气候环境试验数据的快速访问和高效分析,支撑气候环境试验的高效实施。

基于数据特征提取的风电功率预测误差估计方法

估计风电功率预测误差对电力系统的调度与控制、安全与防御等方面具有重要意义。从风电历史数据和日前预测数据特征提取的角度,研究了日前风电功率预测误差的估计方法。首先,提取并分析影响风电功率预测误差的主要因素,包括风电出力波动程度、风电功率幅值、预测方法等,并通过数据统计分析其相关性。然后,结合风电历史运行数据,采用多元线性回归方法建立风电功率预测误差的估计模型。最后,基于比利时电力运营商Elia公开的风电场实际运行数据,进行了仿真算例分析。所述方法也在中国西北部某省调度系统上应用于备用需求分析,并实现了试运行。

基于遥测数据频域特征的气象卫星故障诊断方法

卫星故障是极轨气象卫星业务系统面临的主要问题之一,星上故障具有发现难度大,排查时间长,影响严重等特点。目前对卫星的主要监视手段为通过对卫星下传的遥测数据进行分析,分析方法主要为阈值法,该方法目前具有一定局限性,对很多异常无法快速准确地捕获。提出一种基于遥测频域特征分析的气象卫星故障快速诊断方法,该方法能够对阈值法难以诊断的波动性遥测波道实现快速诊断。首先对关键遥测波道进行频域特征分析,提取关键信息,确立需要分析的特征,建立基本的诊断方法。其次根据气象卫星轨道特性及业务监视需求,提出了遥测序列长度N的选取方法。在理论的基础上,先仿真了几种典型故障,并应用该方法对故障加以捕获。最后,将该方法用于分析历史一次某卫星星上故障分析,分析结果表明,所述方法能够对气象卫星星上故障实现快速捕获。

卷积神经网络中批量规范化层的使用对地震数据去噪的影响分析

深度学习算法已广泛应用于地震数据处理分析领域,并在地震数据去噪等方面取得了较好的应用效果.目前业界关注重点在于各种不同深度学习算法和相关的网络结构形式,以及不同标签数据对算法效果的影响,较少关注数据集本身的差异对深度学习算法的应用效果影响.本文以卷积神经网络(Convolutional Neural Network,CNN)算法中批量规范化层(Batch Normalization)对地震数据去噪的影响分析为例,通过理论公式和应用效果的对比分析,提出了基于地震数据特征分析下的批量规范化层的使用建议.批量规范化层的使用依赖于数据集的统计分布特征,只有当训练集的归一化能量分布集中在能量较强的区域,批量规范化层的使用才会提升网络的效果.但通常情况下,在地震数据去噪的应用中,不建议使用批量规范化层.这些特征为深度学习算法在地震数据去噪应用中的网络结构设计提供了有价值的参考.

基于SpringBoot的域名信息系统设计与实现

基于SpringBoot的域名信息系统采用B/S架构进行设计开发。系统前端利用Thymeleaf技术与Vue框架实现人机交互界面设计,使用Echarts技术实现数据可视化。系统后端使用Shiro进行用户权限管理、使用Tuple2进行域名信息解析、使用WhoisClient包进行域名信息查询等处理。系统通过提供域名购买、域名转移、域名信息查询、数据特征分析等服务,满足普通用户的客制化需求。同时,也为管理员用户提供订单管理、用户管理、数据接口操作等管理功能。

重磁数据网格化时减少失真以及提高效率的技术研究(英文)

本文以地球物理观测数据网格化过程中插值点位的合理设置为研究对象,提出了一种基于离散数据分布特征分析的网格化参数合理提取方法技术。该方法通过对原始数据作走向、疏密等特征分析,从分析结果中提取合理的网格化参数,通过理论模型分析表明使用该参数能够显著减少数据失真。同时针对传统网格化软件中存在的一些不足之处,我们利用人机交互以及多线程并行技术,提出了若干减少失真以及提高效率的技术措施。在此基础上,我们开发实现了一个实用化的直观图形交互方式的网格化软件。最后给出了一个吉林某地磁异常的网格化实例,通过不同网格化结果的对比分析证明了该方法技术在减少重磁数据网格化时的数据失真、提高网格化效果方面的优越性。

基于OPC UA的烟叶成品下线管理系统分析与设计

从烟叶的收购到生产出成品,要经过五大工序。由于生产链条长、生产分散、信息多源异构等问题,造成生产线上下游信息脱节和不透明。在烟叶成品下线环节,指标数据存储于实时监控系统、业务数据存储于生产管理系统,无法做到实时、有效的数据交互。因此,提出在监控系统和生产系统之间搭接桥梁———对象链接与嵌入的过程控制统一架构(OPC UA)客户端,以获取、过滤实时有效数据。未建立OPC UA时,成品下线业务由人工干预,需手动打印成品下线标签且无法全面填补业务数据,劳时费力、工作繁重。建立OPC UA后,可实时从监控系统中获取下线时间、成品烟箱重量等业务数据传递到生产系统,从而实现烟叶数据特征分析、数据过滤、标签打印等业务,为烟叶成品下线环节提供实时、精准、全面的数据支持。通过对某烟草企业复烤业务的深入研究,构建成品下线管理系统。该成果可为中间件技术的技术落地、分布式方向上的工控系统提供借鉴和参考。

国产高分卫星数据在地质灾害调查中的应用

本文通过分析国产高分卫星数据特征,论述了常用的地质灾害信息提取方法,并利用面向对象的方法进行遥感地质灾害信息提取,对国产高分卫星数据在遥感地质灾害调查中的应用进行了研究。

典型区域"取供用排"社会水循环数据关联分析与对策研究

"取供用排"协同监管应用作为智慧水务1.0的重要组成部分,是实现"取供用排"数据贯通和业务协同的智能化手段.开展"取供用排"协同监管应用系统建设前,为确保应用建设科学合理,需明确台账建立、数据贯通、业务协同及监督管理等方面实施路径.本研究是以探索数据贯通实施路径为目标,以海淀山后地区为试点区域,在汇聚典型区域"取供用排"各环节信息基础上,基于关联算法,分析典型区域"取供用排"全过程的数据特征,并提出对策,为推进"取供用排"协同监管应用建设提供推广借鉴经验.

基于多列深度神经网络的电力负荷预测模型

为了研究新型电力负荷预测方法,设计了一种基于多列深度神经网络的电力负荷预测模型。在离散数据模式下,使用差值法初步治理,通过小波变换提取其时域特征,傅里叶变换提取其频域特征。对负荷形成的时域、频域特征共8组数据进行多列深度神经网络分析,在此基础上进行一次多列神经网络分析,得到最终的叠加三角函数回归方程。通过仿真分析表明,与多项式曲线估计法和深度迭代模糊矩阵法相比,实现了预测数据质量的显著提升。模型适用于电力负荷预测任务。

基于VMD的中国出口集装箱运价指数分析与组合预测

基于分解-重构-分项预测-集成思想,通过优选分解方法、优化重构方法、优选预测方法及合理选择集成方法等途径,构建了基于变分模态分解(VMD)的组合预测模型,对中国出口集装箱运价指数(CCFI)进行了预测,分析了CCFI波动特性及经济内涵.首先,选用VMD将运价指数序列分解为多个模态分量;其次,采用C值优化的FCM算法将模态分量重构为高、中、低频和趋势项,通过波动特性分析挖掘了重构项蕴含的短期市场不均衡因素、季节因素、重大事件及市场供需等经济内涵;再次,构建了基于数据特征分析的预测模型优选方法,进行了重构项预测;最后,将重构项预测值相加集成,分析了预测效果.实证结果表明,构建的组合模型预测效果优于BPNN、SVM、ARIMA等单一模型、EMD组合模型及未优化的VMD组合模型,较好地体现了CCFI外在波动特征与内在经济意义.

基于二次分解和模型选择策略的港口集装箱吞吐量组合预测

准确预测港口集装箱吞吐量对于政府部门规划港口建设,港口和航运企业合理调配资源具有重要意义。已往研究往往采用单一分解方法来处理序列中的复杂特征,存在数据特征提取不完全以及预测模型选择比较盲目的问题,极大地影响了组合模型的预测效果。为此,本文引入二次分解和基于数据特征的模型选择策略,通过建立组合预测框架对港口集装箱吞吐量进行预测。首先,根据原始序列的整体特征选择一种分解方法对其进行初步分解,得到若干分量。然后,分析各分量的平稳性、季节性及复杂性等数据特征,据此选择合适的计量经济学模型进行预测或采用完全自适应噪声集合经验模态分解(CEEMDAN)方法对分量进行二次分解。接着,引入长程相关性特征,根据二次分解后子序列的平稳性、复杂性、长程相关性等再选择合适的预测模型。最后,将所有分量的预测结果集成从而得到最终的预测值。以月度预测为例,本文选取上海港和天津港集装箱吞吐量数据作为样本开展实证研究。实证结果表明,本文所提出的组合预测框架与基准模型相比具有更高的预测精度,是一种比较有前景的港口集装箱吞吐量预测工具,可以为相关政府部门、港口及航运企业提供决策参考。