基于深度学习的电力调度数据自动备份系统设计

发布时间：2021-06-13 12:24

　　针对传统电力调度数据自动备份系统缺少对电力数据的调度处理,导致其方法存在稳定性较差等问题,提出基于深度学习的电力调度数据自动备份系统。电力系统调度模块利用深度学习网络,构建不良数据辨识模型,排除电力系统中的不良数据,并生成电力调度数据;电力调度数据备份模块采用在线数据备份模式,并结合深度学习理论,对电力调度数据进行统一备份、恢复和备份介质管理。实验结果表明,文中设计系统能够满足电力调度数据备份的要求,且系统稳定性较强,可以证明该系统的实际应用效果更好。 

【文章来源】：现代电子技术. 2020,43(20)北大核心

【文章页数】：5 页

【部分图文】：

电力调度数据自动备份系统结构设计

式中：λ表示电力调度因子；P表示不良运行数据；xk和yk表示电力数据的两种类别属性。智能学习部分所需的电力系统运行数据和调度标准经验由实时运行部分提供，其输出结果为实施运行部分（即电力调度实施）提供决策参考。电力系统调度模块的智能学习部分采用深度学习网络识别不良运行数据，不良数据辨识模型如图3所示，模型中包含训练和识别两个环节[10]。训练环节依照电力系统历史调度数据进行学习，构建待辨识数据与设定类型间的数学关系。识别环节处理待辨识数据后将其导入训练后的模型内，同模型参数进行对比，依照提前设置的相似度阈值进行不良运行数据辨识。

电力系统调度模块的智能学习部分采用深度学习网络识别不良运行数据，不良数据辨识模型如图3所示，模型中包含训练和识别两个环节[10]。训练环节依照电力系统历史调度数据进行学习，构建待辨识数据与设定类型间的数学关系。识别环节处理待辨识数据后将其导入训练后的模型内，同模型参数进行对比，依照提前设置的相似度阈值进行不良运行数据辨识。深度学习网络型由输入层、前馈层、判决层组成[11]。输入层和前馈层的主要作用分别为接收变换处理后的电力调度样本数据和仿真人类神经网络深层次加工处理电力调度样本数据。电力运行数据辨识在本质上可理解为分类问题，因此以Softmax分类器作为深度学习网络决策层，最后输出不良电力运行数据，实现电力系统的调度处理。

【参考文献】：
期刊论文
[1]基于深度学习的智能教学系统的设计与研究[J]. 陈晋音,王桢,陈劲聿,陈治清,郑海斌.  计算机科学. 2019(S1)
[2]电网综合数据质量评价系统及其软件实现[J]. 荀挺,王祥浩,胡文斌,柏杨.  电测与仪表. 2019(04)
[3]基于模型预测控制的微电网多时间尺度协调优化调度[J]. 肖浩,裴玮,孔力.  电力系统自动化. 2016(18)
[4]基于IEC 61850的微网能量管理系统数据通信模型及其验证[J]. 茆美琴,张剑,张榴晨,徐海波.  电力系统自动化. 2016(17)
[5]基于虚构诱骗陷阱的电力调度系统针对性攻击主动安全防护[J]. 李志强,苏盛,曾祥君,王冬青,何飞跃.  电力系统自动化. 2016(17)
[6]基于拓扑分区的变电站调度风险评估方法[J]. 梁伟,郭凌旭,范广民,曾沅,卢东旭.  电力系统及其自动化学报. 2016(08)
[7]基于深度学习理论的轴承状态识别研究[J]. 郭亮,高宏力,张一文,黄海凤.  振动与冲击. 2016(12)
[8]一种电力设备状态监测大数据的分布式联机分析处理方法[J]. 王德文,周青.  中国电机工程学报. 2016(19)
[9]基于深度学习特征的稀疏表示的人脸识别方法[J]. 马晓,张番栋,封举富.  智能系统学报. 2016(03)
[10]基于Copula理论的光伏功率高比例异常数据机器识别算法[J]. 龚莺飞,鲁宗相,乔颖,王强,曹欣.  电力系统自动化. 2016(09)



本文编号：3227499