【摘要】：隨著時代的發(fā)展,現(xiàn)代化的辦公和企業(yè)自動化運作都離不開信息系統(tǒng),信息系統(tǒng)對一個企業(yè)來說變得至關重要。不僅僅是對于互聯(lián)網企業(yè),傳統(tǒng)企業(yè)也在盡可能地把傳統(tǒng)業(yè)務都轉移到信息化的平臺上去。信息化平臺的高度自動化的運作,極大地加快了傳統(tǒng)企業(yè)的傳統(tǒng)業(yè)務運作,同時也節(jié)約了很多人力成本。大量業(yè)務被轉移到信息化平臺上,那么維護信息系統(tǒng)的穩(wěn)定就是一個至關重要的課題。高可用性是度量系統(tǒng)穩(wěn)定性的一個重要指標,它代表著系統(tǒng)能夠正常運轉的時間比例。而隨著電網企業(yè)體系的不斷增大,內部的信息系統(tǒng)的復雜程度也在隨著逐步增大,越復雜的系統(tǒng),各組件之間可能產生的故障就越多,這也就給維護整個系統(tǒng)的可用性帶來了巨大的挑戰(zhàn)。而要維護可用性,首先要能夠準確地計算可用性,所以電網公司迫切地需要一個能對整個系統(tǒng)的可用性進行準確評估的模型。本文對于可用性評估模型分為兩個部分,一部分是單一組件的可用性評估。針對單一組件的可用性評估,本文創(chuàng)新地提出了一種基于誤差逆?zhèn)鞑ド窠浘W絡的故障率估計算法,通過對歷史故障數據的學習,可以得出單一組件的故障率函數對單一組件實時的運行狀態(tài)以及連續(xù)運行時間之間的關系。相比于傳統(tǒng)算法只能得到故障率函數對于運行時間的關系,本文提出的故障率函數不僅僅可以得到故障率函數對于運行時間的關系,而且引入了實時運行時的各種參數。對于未標定故障率樣本的標定,創(chuàng)新地提出了通過其時間序列的故障率標定方法。在訓練誤差逆?zhèn)鞑ド窠浘W絡的過程中,引入了動量法進行學習率的動態(tài)修正,結合了模擬退火的方法實現(xiàn)了算法過擬合的避免。實驗證明,由于引入了更多的學習變量,獲取的故障率函數在測試集上的擬合程度相比于傳統(tǒng)的故障率函數精度更高。另一部分是基于系統(tǒng)網絡結構的可用性評估。針對系統(tǒng)網絡可用性評估,本文創(chuàng)新地提出了一種集合不相交最小路徑集以及蒙特卡羅模擬的系統(tǒng)可用性評估算法。論文對于一個復雜的系統(tǒng)網絡使用生成搜索樹的算法遍歷整個路徑,得出起始點和最終點的最小路集,然后提出了一種不相交最小路集算法,將相交的路集分解稱為不相交的路集,使得他們的之間的概率獨立,然后結合了蒙特卡羅模擬算法,基于分解后的不相交路集,計算整個網絡的可用性。實驗證明,使用結合不相交最小路集以及蒙特卡羅模擬的系統(tǒng)可用性評估算法,相比于傳統(tǒng)的基于馬爾科夫轉移矩陣的網絡可用性算法,本方法的速度較高,并且不受網絡的結構限制,適用范圍高。
【圖文】：

研究背景及意義電網智能化是現(xiàn)在電網企業(yè)的發(fā)展方向，信息化技術正以前所未有的深度和網企業(yè)的傳統(tǒng)業(yè)務，辦公管理等高速融合，信息系統(tǒng)已經成為電網企業(yè)至關重神經”，在其背后維護整個電網企業(yè)的正常運轉。美國、歐洲、我國都相繼提智能電網的發(fā)展計劃。2001 年，EPRI(美國電力研究協(xié)會) 開始了名為“Intel電網) 研究；2003 年美國總統(tǒng)小布什提出要求美國能源部 (DOE) 著力發(fā)展電，隨后 DOE 發(fā)布“Grid 2030”計劃；2009 年美國總統(tǒng)奧巴馬已經將發(fā)展智能為美國國家戰(zhàn)略。與此同時，歐洲也于 2005 年成立“智能電網歐洲技術論壇遠期計劃并發(fā)表相關研究議程與報告。我國華東電網于 2007 年規(guī)劃了 2000 年的智能電網發(fā)展三步走計劃；2009 年國家電網公布了“智能電網計劃”；2電網公司發(fā)布“智能電網戰(zhàn)略與規(guī)劃”。由此可見，發(fā)展智能電網全世界電網同發(fā)展方向，而信息系統(tǒng)作為其“中樞神經”，，維護智能電網信息系統(tǒng)的可用關重要。

長度可以成為故障時間間隔 TTF(time to failure), 那么就可以用這個故障時間計這個狀態(tài)下的 MTTF(mean time to failure), 然后通過 MTTF 和故障率之間的出當前狀態(tài)下的故障率。于是就能將計算出來的故障率標定為訓練集的輸出，有監(jiān)督的學習，輸入到誤差逆?zhèn)鞑ド窠浘W絡中去。從而獲得相關參數以及故障對于故障率的關系。2 系統(tǒng)整體的高可用評估模型的優(yōu)化本文的另一個主要研究內容是對于系統(tǒng)整體的高可用評估模型的優(yōu)化。由前面差逆?zhèn)鞑ド窠浘W絡建立的單一組件的高可用模型，我們可以得到每個單一組障率函數。但是不同組件之間的邏輯關鍵非常復雜，網絡復雜程度是由系統(tǒng)來智能電網信息系統(tǒng)的涉及面非常之廣，從最低級別的變電站，到區(qū)電力所、市省公司、最后匯總到整個電網總公司，其網絡程度的復雜度非常高，那么對于的網絡，同時還要滿足實時監(jiān)測的要求，那么就需要提供一種高效的系統(tǒng)可用型，綜合每個單一組件的故障率函數，模擬出整個智能電網信息系統(tǒng)的使用計算出系統(tǒng)的可用性。
【學位授予單位】：上海交通大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TP181;TM76

【相似文獻】

相關期刊論文 前10條

1 ;降低機器學習門檻的六大工具[J];電腦知識與技術(經驗技巧);2019年10期

2 胡思潤;楊曉旭;宋靖華;;基于機器學習的城市生成方法研究[J];智能建筑與智慧城市;2019年11期

3 李兵;林文釗;羅崢尹;;基于機器學習的智慧農業(yè)決策系統(tǒng)設計與實現(xiàn)[J];信息與電腦(理論版);2018年24期

4 舒娜;劉波;林偉偉;李鵬飛;;分布式機器學習平臺與算法綜述[J];計算機科學;2019年03期

5 劉傳會;汪小亞;郭增輝;;機器學習在反洗錢領域的應用與發(fā)展[J];清華金融評論;2019年04期

6 孟雨;;機器學習讓計算機更智能[J];計算機與網絡;2019年14期

7 高華川;;機器學習在經濟學中的應用[J];納稅;2019年24期

8 李陽;;機器學習在網絡空間安全研究中的應用分析[J];電腦知識與技術;2019年24期

9 朱輝;;機器學習在企業(yè)級場景中的實踐與探討[J];中國建設信息化;2018年03期

10 彭傳意;;機器學習——我們該如何與機器競爭[J];數字通信世界;2018年01期

相關會議論文 前10條

1 王玨;;歸納機器學習[A];2001年中國智能自動化會議論文集（上冊）[C];2001年

2 王衍魯;張利會;張淑潔;石潔茹;王鵬;;大學新生學校適應的個體與環(huán)境因素探究:基于機器學習的考察[A];第二十屆全國心理學學術會議--心理學與國民心理健康摘要集[C];2017年

3 張長水;;大數據機器學習[A];2015年中國自動化大會摘要集[C];2015年

4 何琳;侯漢清;;基于標引經驗和機器學習相結合的多層自動分類[A];2005年中國索引學會年會暨學術研討會論文集[C];2005年

5 李剛;郭崇慧;林鴻飛;楊志豪;唐煥文;;基于詞典法和機器學習法相結合的蛋白質名識別[A];大連理工大學生物醫(yī)學工程學術論文集（第2卷）[C];2005年

6 徐禮勝;李乃民;王寬全;張冬雨;耿斌;姜曉睿;陳超海;羅貴存;;機器學習在中醫(yī)計算機診斷識別系統(tǒng)中的應用思考[A];第一屆全國中西醫(yī)結合診斷學術會議論文選集[C];2006年

7 吳滄浦;;智能系統(tǒng)與機器學習的新領域[A];西部大開發(fā) 科教先行與可持續(xù)發(fā)展——中國科協(xié)2000年學術年會文集[C];2000年

8 蔡健平;林世平;;基于機器學習的詞語和句子極性分析[A];第三屆全國信息檢索與內容安全學術會議論文集[C];2007年

9 ;基于機器學習的大數據防詐騙能力研究與應用[A];2018中國信息通信大會論文摘要集[C];2018年

10 ;基于機器學習的影響感知無線根因問題快速定位研究[A];2018中國信息通信大會論文摘要集[C];2018年

相關重要報紙文章 前10條

1 CIO.com資深作家 Clint Boulton 編譯 Charles;領先一步:機器學習的10個成功案例[N];計算機世界;2018年

2 Bob Violino 編譯 Charles;盲目冒進:機器學習的5個失敗案例[N];計算機世界;2018年

3 本報駐波士頓記者 侯麗;深入挖掘機器學習潛力[N];中國社會科學報;2019年

4 王方 編譯;菌自何方 機器學習早知道[N];中國科學報;2019年

5 Matt Asay 編譯 Monkey King;為什么機器學習沒有捷徑可循？[N];計算機世界;2019年

6 本報記者 操秀英;當量子計算遇到機器學習會碰撞出什么火花？[N];科技日報;2019年

7 彭博企業(yè)數據業(yè)務全球負責人 Gerard Francis;金融數據質量決定機器學習時代的投資回報[N];計算機世界;2019年

8 Isaac Sacolick 編譯 Charles;關于機器學習的5個要點[N];計算機世界;2019年

9 記者 張夢然;全新算法助機器學習抵抗干擾[N];科技日報;2019年

10 惠贊瑾;《科學向左，科幻向右》：機器學習即將成為現(xiàn)實[N];中國會計報;2019年

相關博士學位論文 前10條

1 殷曦;基于機器學習及統(tǒng)計計算模型的膜蛋白結構預測[D];上海交通大學;2017年

2 楊靜;蛋白質殘基相互作用預測及其在結構建模中的應用研究[D];上海交通大學;2018年

3 王磊;基于機器學習的藥物—靶標相互作用預測研究[D];中國礦業(yè)大學;2018年

4 張慶;鈣鈦礦型功能材料的基因組工程研究[D];上海大學;2018年

5 管月;醫(yī)學腫瘤影像分類算法研究及其在肝癌上的應用[D];南京大學;2018年

6 郝小可;基于機器學習的影像遺傳學分析及其應用研究[D];南京航空航天大學;2017年

7 施建明;基于機器學習的產品剩余壽命預測方法研究[D];中國科學院大學(中國科學院遙感與數字地球研究所);2018年

8 陳再毅;機器學習中的一階優(yōu)化算法收斂性研究[D];中國科學技術大學;2018年

9 陸海進;Zr合金熱動力學研究及機器學習[D];上海大學;2018年

10 戴望州;一階邏輯領域知識與機器學習的結合研究[D];南京大學;2019年

相關碩士學位論文 前10條

1 孟圣然;基于機器學習的機械產品結構建模技術研究[D];杭州電子科技大學;2019年

2 華琪;基于機器學習的智能建筑行為建模與預測方法研究[D];上海交通大學;2017年

3 楊浩;基于機器學習的白帶菌類光學圖像識別算法研究[D];電子科技大學;2019年

4 王維;心音診斷信息自動識別方法研究[D];電子科技大學;2019年

5 徐安;基于機器學習的慢性疾病預測關鍵技術研究[D];電子科技大學;2019年

6 宋同峰;基于機器學習的腎病輔助診斷系統(tǒng)的研究[D];青島科技大學;2019年

7 王婧;基于核機器學習的阿爾茲海默病早期診斷算法研究[D];曲阜師范大學;2019年

8 馬小鳳;機器學習在學生通過率預測中的應用研究[D];西南大學;2019年

9 黃雨迪;基于機器學習的MIMO系統(tǒng)收發(fā)機設計理論與方法[D];電子科技大學;2019年

10 應豪;基于機器學習的光纖信道均衡技術研究[D];電子科技大學;2019年

本文編號：2668292