基于ICEEMDAN-DCN-Transformer的短期电力负荷预测

针对传统负荷预测方法易受复杂环境因素影响的问题,提出了基于ICEEMDAN-DCN-Transformer的短期电力负荷组合预测模型,该模型将电力负荷数据通过ICEEMDAN方法分解为若干个IMF和一个Res函数,考虑复杂环境因素的影响,将分解后各分量与环境特征并行输入到DCN-Transformer中进行预测,并将各组预测数据线性相加得到完整的预测结果。以泉州市电力负荷历史数据为基础进行实验,建立4种单一预测模型和3种组合预测模型作为对比模型,对该地10 d、240 h的电力负荷序列加以预测。结果表明,相较于传统算法,所提算法可以显著提高负荷预测的精度并有效降低误差评价指标值,为电力系统的安全运行和规划制定提供理论依据。

面向SD-DCN的OpenFlow分组转发能效联合优化模型

在软件定义网络(software-defined networking,SDN)中,OpenFlow交换机通常采用三态内容可寻址存储器(ternary content addressable memory,TCAM)存储流表,以支持快速通配查找.然而,TCAM采用并行查找方式,查找能耗高,因此有必要为OpenFlow交换机选择合适的TCAM容量,以平衡分组转发时延和能耗.针对软件定义数据中心网络(software-defined data center network,SD-DCN)这一典型应用场景,利用多优先级M/G/1排队模型刻画OpenFlow交换机的分组处理过程,进而建立OpenFlow分组转发时延模型.同时,基于网络流分布特性,建立TCAM流表命中率模型,以求解OpenFlow分组转发时延与TCAM容量的关系式.在此基础上,结合TCAM查找能耗,建立OpenFlow分组转发能效联合优化模型,并设计优化算法求解TCAM最优容量.实验结果表明:所提时延模型比现有模型更能准确刻画OpenFlow分组转发时延.同时,利用优化算法求解不同参数配置下的TCAM最优容量,为SD-DCN实际部署提供参考依据.

DCN模型的最优赋权方式研究

针对DCN(Deep Cross Network)模型,分别采用3种边权赋予方式导出加权DCN模型的节点强度公式,并分析点权分布规律,最后得到最优赋权方式,发现其点权分布以及点权与节点度之间都满足幂律关系,并且可以改变参数α的值来调节点权大小,从而更好地模拟实际网络。

基于卷积神经网络的火灾识别算法

针对传统图像处理和浅层机器学习的火灾识别中准确率不太高、特征难以提取等问题,提出一种基于卷积神经网络的火灾识别算法。首先将图片数据集转化为快速HSI色彩格式,增加图片视觉特性,便于深度学习提取火焰特征;然后采用Inception_Resnet_V2卷积神经网络结合可变形卷积网络(DCN)对数据集进行训练提取特征,提高卷积神经网络对目标几何变化的适应和建模能力;最后使用支持向量机(SVM)分批次训练提取到的特征来进行分类。实验结果表明,与传统图像处理和其他深度学习识别算法相比,所提算法准确率高、泛化能力强、漏报率低,对测试集识别准确率达99.04%,取得很好的火灾识别效果。

长途传输网综合网管系统建设探讨

主要介绍长途传输网综合网管系统建设的功能模型和系统体系结构,并对系统建设中的网管接口、DCN带宽进行了分析。