CN118504991B 一种电力保障区域的停电处理方法、装置、设备及介质 (国网浙江省电力有限公司杭州供电公司)_第1页
CN118504991B 一种电力保障区域的停电处理方法、装置、设备及介质 (国网浙江省电力有限公司杭州供电公司)_第2页
CN118504991B 一种电力保障区域的停电处理方法、装置、设备及介质 (国网浙江省电力有限公司杭州供电公司)_第3页
CN118504991B 一种电力保障区域的停电处理方法、装置、设备及介质 (国网浙江省电力有限公司杭州供电公司)_第4页
CN118504991B 一种电力保障区域的停电处理方法、装置、设备及介质 (国网浙江省电力有限公司杭州供电公司)_第5页
已阅读5页,还剩38页未读 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

US2018059186A1,2018.03.01一种电力保障区域的停电处理方法、装置、本发明公开了一种电力保障区域的停电处高精度时间同步方法在停电发生的瞬间进行时建与评估结果相匹配的由安全预警终端执行的2根据高精度时间同步方法在停电发生的瞬间进行时间标记,并采集基于卷积神经网络的深度学习算法,对所述历史运行数据进行特征提取和表示学习,将处理后的所述深度特征向量输入到多层感知器MLP网络中进行训练,得到异常识别建立基于图数据库的历史经验数据库,获取存储系统运行过程中通过图匹配算法在所述历史经验数据库中检索相似或关联的异常方案;建立停电风险评估模型,采用贝叶斯网络或马尔可夫决策过采用数据挖掘和机器学习算法对所述停电风险评估指标进行处理,以根据所述停电风险评估模型,采用贝叶斯网络推理算法,对所述获取所述电力系统的当前运行数据,将所述当前运行数据输3根据所述高精度时间同步方法获取同步时间戳,对采集的停电事件采用地理信息系统技术,将所述停电事件数据与电网拓扑结构进行采用等距离划分法对所述停电风险评估模型输出的停电风险评估结果进行处采集模块,用于根据高精度时间同步方法在停电发生提取模块,用于基于卷积神经网络的深度学习算法,对所述历史运行取和表示学习,通过卷积层和池化层自动学习所述历史运行数据中的局部模式和全局模将处理后的所述深度特征向量输入到多层感知器MLP网络中进行训练,得到异常识别建立基于图数据库的历史经验数据库,获取存储系统运行过程中通过图匹配算法在所述历史经验数据库中检索相似或关联的异常4采用数据挖掘和机器学习算法对所述停电风险评估指标进行处理,以根据所述停电风险评估模型,采用贝叶斯网络推理算法,对所述输出模块,用于获取所述电力系统的当前运行数据,将所述当前运现如权利要求1_4中任一所述的电力保障区域处理器执行时实现如权利要求1_4任意一项所述的电力保障区域的停5[0002]电力停电处理中,时间尺度的精度与停电风险判断准确性之间存在着技术矛[0005]为了解决上述技术问题,本发明实施例提供了一种电力保障区域的停电处理方6[0015]将处理后的所述深度特征向量输入到多层感知器MLP网络中进行训练,得到异常[0024]采用等距离划分法对所述停电风险评估模型输出的停电7所述计算机程序时实现如上所述的电力保障区域的停8图1示出为本发明其中一种实施例中的提供的电力保障区域的停电处理方法的流程示意9[0053]示例性的,为了实现高性能的数据采集,可以选用具有8个同步采样通道的PCI_[0054]将采集的数据通过工业以太网上传至数据中心,以太网交换机采用千兆光纤端组成,每个节点配置32G内存和1TBSSD硬盘,采用机架式服务器,通过10Gbps网络互联。[0059]本发明将时间同步技术与停电检测相结合,通过高速电[0060]针对记录的停电时间数据,运用时间序列分析和异常检测算法等大数据分析技[0061]通过机器学习算法(如LSTM神经网络结合历史停电事件数据和相关影响因素,块,通过接收GPS卫星广播的PPS(PulsePerSecond)信号,实现与UTC(Coordinated电事件发生,触发时间标记模块生成停电时刻标签,标签格式为"YYYY_MM_DDHH:mm:ss.SSS",精确到毫秒。停电时间标签通过MQTT协议发布到Kafka消息队列,再通Connect组件同步写入本地SSD硬盘和远程MySQL数据库,通过Raft协议实现多个存储节点[0074]在量化评估关键参数的不确定性分析中,首先对参数的分布类型和范围进行估据进行特征提取和表示学习,通过卷积层和池化层自动学习数据中的局部模式和全局模[0080]针对海量的时序数据和复杂的异常模式识别任务,采用分布式计算框架,如ApacheSpark和TensorFlow分布式版,将数据处理和模型训练任务分布到多个计算节点上并行执行,充分利用集群的计算资源,提高数据处理和模型训练的效率。通过Spark的RDD优化数据在节点间的传输和计算任务的负载均衡,最小化任务执行的时延和资源消耗。采[0090]将处理后的所述深度特征向量输入到多层感知器MLP网络中进行训练,得到异常行人工复核和判断。运维人员可以通过可视化工具查看异常模式的详细信息和上下文数个无标签样本和1千个有标签样本的历史数据集,其中正常样本和异常样本的比例为9:1。为0.0001,求解最优状态值函数和决策策略。在自适应动态调整阶段,采用粒子群优化[0121]采用等距离划分法对所述停电风险评估模型输出的停电其他通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现成可编程门阵列(Field_ProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器[0143]所述存储器22可用于存储所述计算机程序和/或模块,所述处理器21通过运行或实现所述电力保障区域的停电处理的各种功能。所述存储器22可主要包括存储程序区和存储器,例如硬盘、内存、插接式硬盘,智能存储卡(SmartMedi

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论