針對(duì)傳統(tǒng)電力調(diào)度數(shù)據(jù)自動(dòng)備份系統(tǒng)缺少對(duì)電力數(shù)據(jù)的調(diào)度處理,導(dǎo)致其方法存在穩(wěn)定性較差等問(wèn)題,提出基于深度學(xué)習(xí)的電力調(diào)度數(shù)據(jù)自動(dòng)備份系統(tǒng)。電力系統(tǒng)調(diào)度模塊利用深度學(xué)習(xí)網(wǎng)絡(luò),構(gòu)建不良數(shù)據(jù)辨識(shí)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(xué)習(xí)理論,對(duì)電力調(diào)度數(shù)據(jù)進(jìn)行統(tǒng)一備份、恢復(fù)和備份介質(zhì)管理。實(shí)驗(yàn)結(jié)果表明,文中設(shè)計(jì)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(qiáng),可以證明該系統(tǒng)的實(shí)際應(yīng)用效果更好。 

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

【文章頁(yè)數(shù)】：5 頁(yè)

【部分圖文】：

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

式中：λ表示電力調(diào)度因子；P表示不良運(yùn)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(xué)習(xí)部分所需的電力系統(tǒng)運(yùn)行數(shù)據(jù)和調(diào)度標(biāo)準(zhǔn)經(jīng)驗(yàn)由實(shí)時(shí)運(yùn)行部分提供，其輸出結(jié)果為實(shí)施運(yùn)行部分（即電力調(diào)度實(shí)施）提供決策參考。電力系統(tǒng)調(diào)度模塊的智能學(xué)習(xí)部分采用深度學(xué)習(xí)網(wǎng)絡(luò)識(shí)別不良運(yùn)行數(shù)據(jù)，不良數(shù)據(jù)辨識(shí)模型如圖3所示，模型中包含訓(xùn)練和識(shí)別兩個(gè)環(huán)節(jié)[10]。訓(xùn)練環(huán)節(jié)依照電力系統(tǒng)歷史調(diào)度數(shù)據(jù)進(jìn)行學(xué)習(xí)，構(gòu)建待辨識(shí)數(shù)據(jù)與設(shè)定類型間的數(shù)學(xué)關(guān)系。識(shí)別環(huán)節(jié)處理待辨識(shí)數(shù)據(jù)后將其導(dǎo)入訓(xùn)練后的模型內(nèi)，同模型參數(shù)進(jìn)行對(duì)比，依照提前設(shè)置的相似度閾值進(jìn)行不良運(yùn)行數(shù)據(jù)辨識(shí)。

電力系統(tǒng)調(diào)度模塊的智能學(xué)習(xí)部分采用深度學(xué)習(xí)網(wǎng)絡(luò)識(shí)別不良運(yùn)行數(shù)據(jù)，不良數(shù)據(jù)辨識(shí)模型如圖3所示，模型中包含訓(xùn)練和識(shí)別兩個(gè)環(huán)節(jié)[10]。訓(xùn)練環(huán)節(jié)依照電力系統(tǒng)歷史調(diào)度數(shù)據(jù)進(jìn)行學(xué)習(xí)，構(gòu)建待辨識(shí)數(shù)據(jù)與設(shè)定類型間的數(shù)學(xué)關(guān)系。識(shí)別環(huán)節(jié)處理待辨識(shí)數(shù)據(jù)后將其導(dǎo)入訓(xùn)練后的模型內(nèi)，同模型參數(shù)進(jìn)行對(duì)比，依照提前設(shè)置的相似度閾值進(jìn)行不良運(yùn)行數(shù)據(jù)辨識(shí)。深度學(xué)習(xí)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(yùn)行數(shù)據(jù)辨識(shí)在本質(zhì)上可理解為分類問(wèn)題，因此以Softmax分類器作為深度學(xué)習(xí)網(wǎng)絡(luò)決策層，最后輸出不良電力運(yùn)行數(shù)據(jù)，實(shí)現(xiàn)電力系統(tǒng)的調(diào)度處理。

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的智能教學(xué)系統(tǒng)的設(shè)計(jì)與研究[J]. 陳晉音,王楨,陳勁聿,陳治清,鄭海斌.  計(jì)算機(jī)科學(xué). 2019(S1)
[2]電網(wǎng)綜合數(shù)據(jù)質(zhì)量評(píng)價(jià)系統(tǒng)及其軟件實(shí)現(xiàn)[J]. 荀挺,王祥浩,胡文斌,柏楊.  電測(cè)與儀表. 2019(04)
[3]基于模型預(yù)測(cè)控制的微電網(wǎng)多時(shí)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(dòng)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(yàn)證[J]. 茆美琴,張劍,張榴晨,徐海波.  電力系統(tǒng)自動(dòng)化. 2016(17)
[5]基于虛構(gòu)誘騙陷阱的電力調(diào)度系統(tǒng)針對(duì)性攻擊主動(dòng)安全防護(hù)[J]. 李志強(qiáng),蘇盛,曾祥君,王冬青,何飛躍.  電力系統(tǒng)自動(dòng)化. 2016(17)
[6]基于拓?fù)浞謪^(qū)的變電站調(diào)度風(fēng)險(xiǎn)評(píng)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(dòng)化學(xué)報(bào). 2016(08)
[7]基于深度學(xué)習(xí)理論的軸承狀態(tài)識(shí)別研究[J]. 郭亮,高宏力,張一文,黃海鳳.  振動(dòng)與沖擊. 2016(12)
[8]一種電力設(shè)備狀態(tài)監(jiān)測(cè)大數(shù)據(jù)的分布式聯(lián)機(jī)分析處理方法[J]. 王德文,周青.  中國(guó)電機(jī)工程學(xué)報(bào). 2016(19)
[9]基于深度學(xué)習(xí)特征的稀疏表示的人臉識(shí)別方法[J]. 馬曉,張番棟,封舉富.  智能系統(tǒng)學(xué)報(bào). 2016(03)
[10]基于Copula理論的光伏功率高比例異常數(shù)據(jù)機(jī)器識(shí)別算法[J]. 龔鶯飛,魯宗相,喬穎,王強(qiáng),曹欣.  電力系統(tǒng)自動(dòng)化. 2016(09)



本文編號(hào)：3227499