基于多模态大数据的国家安全风险态势感知模型构建

[研究目的]为强化国家安全情报能力,推动风险监测预警能力提升,构建基于多模态大数据的国家安全风险态势感知模型。[研究方法]该文对国家安全风险态势感知进行阐释,并分析多模态大数据驱动下的国家安全风险态势感知运作逻辑;在此基础上,构建态势感知模型并解析其内涵。[研究结论]该模型集国家安全风险态势察觉、态势理解、态势预测及态势投射为一体,其构建可为强化国家安全风险监测预警能力提供参考,为服务国家治理体系和能力现代化建设提供支撑。

基于图神经网络和强化学习的电网风险态势感知

在新型电力系统中,考虑高比例新能源接入的强波动性和电网输变电线路的随机故障,需要准确且快速的电网风险态势感知。基于图神经网络易于处理电网拓扑结构的优势,引入了强化学习自适应学习的特点,提出了基于强化学习的图神经网络算法(GNN-RL),以达到智能体能够自主、动态选择合适的风险指标的目标,从而提高新型电力系统的风险态势感知能力。最后,将所提的GNN-RL算法与其他人工智能算法对同一电网进行风险分析并对比,GNN-RL算法能够有效选择不同的风险指标,提高了风险态势感知的效率,推动全智能化在新型电力系统风险态势感知中的应用。

基于数据密度与Transformer-IkNN的掺烧机组烟风系统风险态势感知模型

生物质掺烧可减少煤电机组的碳排放,促进“双碳”目标实现,但易引发烟风系统相关设备的运行风险。为此,借助数据密度提出了基于Transformer与信息融合的风险态势感知模型。首先,基于数据密度,识别海量历史数据的典型状态;其次,借助Transfomer模型机制,预测未来时刻的运行特征;再次,融合近邻点信息,判别并预警风险态势;最后,运用实际数据进行算例分析。结果表明:掺烧机组烟风系统可识别为低负荷和高负荷2类典型运行状态;所提Transformer模型在掺烧机组烟风系统的未来特征预测中优于其他模型;近邻信息融合可以有效判别掺烧机组烟风系统的风险状态。因此,该模型可有效感知掺烧机组烟风系统的风险态势,确保其运行可靠性。