針對傳統(tǒng)電力調(diào)度數(shù)據(jù)自動備份系統(tǒng)缺少對電力數(shù)據(jù)的調(diào)度處理,導致其方法存在穩(wěn)定性較差等問題,提出基于深度學習的電力調(diào)度數(shù)據(jù)自動備份系統(tǒng)。電力系統(tǒng)調(diào)度模塊利用深度學習網(wǎng)絡(luò),構(gòu)建不良數(shù)據(jù)辨識模型,排除電力系統(tǒng)中的不良數(shù)據(jù),并生成電力調(diào)度數(shù)據(jù);電力調(diào)度數(shù)據(jù)備份模塊采用在線數(shù)據(jù)備份模式,并結(jié)合深度學習理論,對電力調(diào)度數(shù)據(jù)進行統(tǒng)一備份、恢復和備份介質(zhì)管理。實驗結(jié)果表明,文中設(shè)計系統(tǒng)能夠滿足電力調(diào)度數(shù)據(jù)備份的要求,且系統(tǒng)穩(wěn)定性較強,可以證明該系統(tǒng)的實際應用效果更好。 

【文章來源】：現(xiàn)代電子技術(shù). 2020,43(20)北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

電力調(diào)度數(shù)據(jù)自動備份系統(tǒng)結(jié)構(gòu)設(shè)計

式中：λ表示電力調(diào)度因子；P表示不良運行數(shù)據(jù)；xk和yk表示電力數(shù)據(jù)的兩種類別屬性。智能學習部分所需的電力系統(tǒng)運行數(shù)據(jù)和調(diào)度標準經(jīng)驗由實時運行部分提供，其輸出結(jié)果為實施運行部分（即電力調(diào)度實施）提供決策參考。電力系統(tǒng)調(diào)度模塊的智能學習部分采用深度學習網(wǎng)絡(luò)識別不良運行數(shù)據(jù)，不良數(shù)據(jù)辨識模型如圖3所示，模型中包含訓練和識別兩個環(huán)節(jié)[10]。訓練環(huán)節(jié)依照電力系統(tǒng)歷史調(diào)度數(shù)據(jù)進行學習，構(gòu)建待辨識數(shù)據(jù)與設(shè)定類型間的數(shù)學關(guān)系。識別環(huán)節(jié)處理待辨識數(shù)據(jù)后將其導入訓練后的模型內(nèi)，同模型參數(shù)進行對比，依照提前設(shè)置的相似度閾值進行不良運行數(shù)據(jù)辨識。

電力系統(tǒng)調(diào)度模塊的智能學習部分采用深度學習網(wǎng)絡(luò)識別不良運行數(shù)據(jù)，不良數(shù)據(jù)辨識模型如圖3所示，模型中包含訓練和識別兩個環(huán)節(jié)[10]。訓練環(huán)節(jié)依照電力系統(tǒng)歷史調(diào)度數(shù)據(jù)進行學習，構(gòu)建待辨識數(shù)據(jù)與設(shè)定類型間的數(shù)學關(guān)系。識別環(huán)節(jié)處理待辨識數(shù)據(jù)后將其導入訓練后的模型內(nèi)，同模型參數(shù)進行對比，依照提前設(shè)置的相似度閾值進行不良運行數(shù)據(jù)辨識。深度學習網(wǎng)絡(luò)型由輸入層、前饋層、判決層組成[11]。輸入層和前饋層的主要作用分別為接收變換處理后的電力調(diào)度樣本數(shù)據(jù)和仿真人類神經(jīng)網(wǎng)絡(luò)深層次加工處理電力調(diào)度樣本數(shù)據(jù)。電力運行數(shù)據(jù)辨識在本質(zhì)上可理解為分類問題，因此以Softmax分類器作為深度學習網(wǎng)絡(luò)決策層，最后輸出不良電力運行數(shù)據(jù)，實現(xiàn)電力系統(tǒng)的調(diào)度處理。

【參考文獻】：
期刊論文
[1]基于深度學習的智能教學系統(tǒng)的設(shè)計與研究[J]. 陳晉音,王楨,陳勁聿,陳治清,鄭海斌.  計算機科學. 2019(S1)
[2]電網(wǎng)綜合數(shù)據(jù)質(zhì)量評價系統(tǒng)及其軟件實現(xiàn)[J]. 荀挺,王祥浩,胡文斌,柏楊.  電測與儀表. 2019(04)
[3]基于模型預測控制的微電網(wǎng)多時間尺度協(xié)調(diào)優(yōu)化調(diào)度[J]. 肖浩,裴瑋,孔力.  電力系統(tǒng)自動化. 2016(18)
[4]基于IEC 61850的微網(wǎng)能量管理系統(tǒng)數(shù)據(jù)通信模型及其驗證[J]. 茆美琴,張劍,張榴晨,徐海波.  電力系統(tǒng)自動化. 2016(17)
[5]基于虛構(gòu)誘騙陷阱的電力調(diào)度系統(tǒng)針對性攻擊主動安全防護[J]. 李志強,蘇盛,曾祥君,王冬青,何飛躍.  電力系統(tǒng)自動化. 2016(17)
[6]基于拓撲分區(qū)的變電站調(diào)度風險評估方法[J]. 梁偉,郭凌旭,范廣民,曾沅,盧東旭.  電力系統(tǒng)及其自動化學報. 2016(08)
[7]基于深度學習理論的軸承狀態(tài)識別研究[J]. 郭亮,高宏力,張一文,黃海鳳.  振動與沖擊. 2016(12)
[8]一種電力設(shè)備狀態(tài)監(jiān)測大數(shù)據(jù)的分布式聯(lián)機分析處理方法[J]. 王德文,周青.  中國電機工程學報. 2016(19)
[9]基于深度學習特征的稀疏表示的人臉識別方法[J]. 馬曉,張番棟,封舉富.  智能系統(tǒng)學報. 2016(03)
[10]基于Copula理論的光伏功率高比例異常數(shù)據(jù)機器識別算法[J]. 龔鶯飛,魯宗相,喬穎,王強,曹欣.  電力系統(tǒng)自動化. 2016(09)



本文編號：3227499