简介:摘要气体绝缘电器(GasInsulatedSwitchgear,GIS)的局部放电(PartialDischarge,PD)模式识别问题中,传统方法多为专家依据经验设计特征,具有一定的盲目性。深度学习可以自动挖掘数据的特征表示,但是需要大规模训练数据。密集连接网络(DenselyConnectedConvolutionalNetworks,DenseNet)的特征复用可以充分利用网络低、中、高层的特征信息,同时有效减少冗余特征,更符合本文小规模数据应用。因此,针对超高频信号的模式识别问题,本文提出将超高频信号数据转化为局部放电灰度图,利用密集连接网络自适应抽取放电灰度图的特征进行局部放电模式识别的方法。实验结果表明,本文方法比传统方法和AlexNet具有更高的准确性。
简介:摘要在信息技术时代,电力系统信息网络在企业经营管理中的重要性不断凸显。为此,电力系统纷纷加大了网络技术应用力度。不过,信息网络具有两面性,它在给企业管理带来便利的同时,自身也具有一定风险,如非法恶意操作、外部网攻击等,都有可能危及电力系统的正常运转。这就要求电力企业在运用信息网络的同时,还要做好信息网络安全管理。只有这样,才能为电力网络系统提供安全保障,提高电力系统的经济效益。随着电力系统网络规模的不断扩大,需要采用信息化管理方法进行电力信息系统构建,实现电力网络的智能化配置和供电。在电力信息系统中,用电信息数据以大数据信息流的形式进行信息化存储和传输,需要对电力信息系统的网络数据进行实时流量监控识别,提高对电力信息系统的智能化管理水平,确保电力信息系统的稳定运行。研究电力信息系统的网络数据流量监控方法,在电力信息系统的优化构造和电网信息的优化调度方面具有重要意义,相关的流量监控和预测算法具有可行性的结论研究受到人们的极大关注。
简介:摘要计算机监控系统是电力系统的重要组成部分,其对于电力系统的安全可靠运行具有比较重要的作用,但是现阶段,电力企业在发展的过程中,其计算机监控系统会由于多种原因出现运行不畅的问题,而无法安装安全防护软件,甚至不能升级其中相关操作系统,这也是多数发电企业电力监控系统运行的过程中都存在的安全隐患问题。按照网络安全分区的相关原则,电力监控系统安全区的系统和其他系统之间是不具有联系的,但是如果出现U盘带入病毒等不良情况,就会导致不设防的系统处于比较危险的状态中,使得发电厂或者电网等都处于比较危险的状态,这就需要相关电力系统工作人员不断完善网络安全防护工作,促使电力系统运行能够具有较高的安全性和可靠性。