基于电力光纤到户的网络切片资源管理方案

为解决电力光纤到户项目中网络管控不灵活、业务种类繁多且QoS复杂等问题,提出了基于电力光纤到户的网络切片资源管理方案和基于网络切片感知的多业务融合动态资源分配算法。仿真结果表明,所提方案能够有效实现不同切片的QoS保障,并显著提升网络资源利用率。     

面向多层次、多指标的光网络规划与评估方法

首先深入分析了影响业务可靠性的关键指标,并建立了面向可靠性和建设成本的网络规划模型,然后设计了自适应免疫算法以求解网络规划方案。进而,建立了面向多层次、多指标的网络规划方案评估模型,并使用神经网络算法获得指标权重,实现对网络规划方案的全面、有效评估。通过仿真可知,提出的面向多层次、多指标的光网络规划与评估方法能够提高光缆资源利用率和站点成环率、降低网络建设成本以及保障网络可靠性,有助于提高运维人员的工作效率和运维水平。     

基于多级模糊熵权的计算机网络系统集成风险评估

网络系统集成不仅涉及技术方面, 更涉及到组织的架构, 管理, 人的因素等, 所以集成的过程中存在巨大的风险. 鉴于此, 通过分析网络系统集成风险特征, 建立了网络系统集成的风险指标体系, 并用用熵权法确定各个风险指标的权重. 文章以北京某电力企业的网络系统集成项目为案例, 详细介绍了基于多级模糊综合评判方的风险评估模型, 并根据项目的风险等级在团队建设方面提出了合理建议, 为项目的顺利完成提供参考.     

基于传感技术与Zigbee的变电站设备温度在线监测系统

设计了一套基于无线温度传感技术与Zigbee无线自组网通信技术的变电站设备温度实时在线监测系统。对系统的硬件软件分别进行了设计,并提出了一种新的变电站电流致热型设备温度缺陷智能分析的方法。系统解决了变电站温度数据采集实时性差,设备、人工成本高以及临时数据采集、应急状态下的数据传输、布线困难以及无信号覆盖下的数据采集与传输的问题,并提高了设备热缺陷报警的准确性,使变电站运行更加安全可靠。     

灾备中心运维体系设计与实现

国家电网公司于2011年完成集中式、两地三中心架构的灾备中心建设,实现数据级灾备功能,即对公司各类数据的异地实时保护,当生产中心发生灾难后,被保护数据能按要求恢复使用。信息系统灾难恢复能力从无到有,提升了公司防灾抗灾与应急响应水平。随着数据级灾备系统的投运,灾备中心的管理工作内容需从建设管理向运维管理过渡。文章通过分析国家电网公司灾备中心建设现状,从灾备中心运维组织架构、运维管理制度体系、安全管理制度体系、支撑运维技术体系4个方面介绍了集中式信息系统灾备中心运维体系设计与实现。     

基于SDN构建高性能、易扩展的电力通信网

目前电力通信网所采用的是以主机为核心的传统网络组建方式,该模式在运营中表现出的设备投资大、管理成本高、升级难度大等问题,使其越来越难以满足电力系统信息化发展与创新的需要。在分析电力通信网承载业务特点的基础上,结合当前互联网发展趋势提出了一种基于软件定义网络（SDN）的新型电力通信网络架构,该架构具备的高性能、高可靠性、易扩展等特性,同时还可以便捷、低成本地实现网络管理、扩展升级以及新业务研发与部署。     

新型信息化系统建设下的敏捷开发模式

当今社会,敏捷逐渐成为业界的主流开发模式,越来越多的组织成功实现了敏捷转型,在研发效率提升和客户价值等方面成绩斐然.敏捷已经从传统纯研发领域,向前延伸到了业务敏捷,向后扩展实现了DevOps开发运维一体化.为快速响应和满足用户需求,缩短系统建设周期,避免因业务变化导致的开发工作浪费,保证产品交付质量,公司决定研发敏捷转...     

改进决策树在电网超短期负荷预测中的应用

由于天气属性变化以及其他因素影响,使得负荷预测结果与实际结果相差较大。为此,运用决策树挖掘准确信息,提出电网超短期负荷预测新方法。选取历史负荷数据,去重并填补缺失部分;综合考虑待测日气象属性、电力属性以及其他影响负荷变化因素,结合处理后的历史负荷数据对未来短期内的负荷完成初预测;引入专家系统,修正测试结果;在对电网超短期负荷预测方法可行性进行分析后,使终预测结果具有更高精度。通过实例应用证明了所提方法预测误差小且预测稳定,为电网企业快速发展提供了坚实的理论基础。     

基于任务和角色的工作流权限控制研究与实现

结合国家电网ERP工作流项目的实际情况,分析了几种常见的访问控制模型在工作流权限控制中的不足,以及基于任务和角色的访问控制模型在实现权限动态管理方面的优势。并以项目模块工程付款流程为例,阐述了SAP客户化工作流的开发过程,以及基于任务和角色的访问控制在ERP工作流中的具体应用,最后介绍了本项目中工作流待办的展现方式。实践证明基于任务和角色的访问控制能够有效地实现权限的动态管理,较好地满足ERP工作流权限控制的需要。     

基于深度学习的电网短期负荷预测方法研究

深度模型通过学习一种深层非线性网络结构以实现复杂函数逼近,具有很强的自适应感知能力。本文为了提高电力负荷预测精度,提出一种基于栈式自编码神经网络的深度学习预测方法。该方法结合自编码器和逻辑回归分类器构建一个多输入单输出预测模型,并将重构后的历史负荷、气象信息等数据输入到预测模型中,用栈式自编码器逐层学习并提取深层特征,最后在网络顶层连接逻辑回归模型进行短期负荷预测。实例分析表明,所提预测模型能够有效刻画日负荷变化规律,泛化能力较强,其预测精度达到96.2%,比支持向量回归和模糊神经网络两种浅层学习模型更高。