基于深度学习的数字电网通信数据分流方法

随着智能电网的快速发展,海量多源异构通信数据的实时处理成为急需解决的问题。基于此,提出一种基于深度学习的数字电网通信数据分流方法,采用卷积神经网络(Convolutional Neural Network,CNN)和长短期记忆(Long Short-Term Memory,LSTM)混合模型自动提取数据的时空特征,实现高效准确的分类和优化传输。通过深入分析电网通信数据流特点,设计包括数据预处理、模型训练、分流决策的完整数据分流方案。实验结果表明,该方法在分类准确率、实时性能以及泛化能力上均优于传统方法。

基于边缘计算的数字电网通信数据分流方法

常规数字电网通信数据分流方法在分流时易发生数据丢失,分流精准度低的现象,提出基于边缘计算的数字电网通信数据分流方法。基于边缘计算来制定数据分流单元的结构,分析边缘技术的原理。通过引入数字电网所覆盖的范围C和用户接入网络数据单元密度p确定数字电网用户相遇形式,在特殊情况下需在SAGLA算法中考虑到订阅用户与发布用户相对位置关系。在确定用户相互相遇模式后,为保证在数字电网通信数据分流时数据完好未发生数据丢失等情况,构建数字电网通信数据分流模型,最后建立初始化函数实现数据精准分流。为验证基于边缘计算的数字电网通信数据分流方法具有优势,将基于边缘计算的数字电网通信数据分流方法与其他两种方法进行对比,结果证明基于边缘计算的数字电网通信数据分流方法更具有优势。