基于DBN和K-means聚类的配变重过载预警方法

针对配电变压器台区容量配置不合理、重过载现象频繁发生等带来的小样本精确预测问题,提出了一种新的配电变压器重过载预警方法。首先建立满足大数据样本学习要求的扩充样本池;采集配电变压器负荷数据、社会发展统计数据、气象数据等,选取造成重过载的输入特征变量,聚合形成精选的特征数据样本;进而构建重过载预警深度信念网络学习模型,通过分析重过载配变发展态势,短、中期预测预警,选取年负荷曲线进行K-means聚类分析,形成重过载预警清单,实现配电变压器安全隐患的预判。可解决配电变压器采样系统投运时间短训练样本数据不充足问题,实现对重过载配电变压器的风险防范和容量的优化调整。通过算例验证了模型预测的有效性。     

物联网计算机网络安全及其远程控制技术

<正>随着我国信息技术的不断发展，我国的物联网技术也得到了极大程度地完善，在远程控制以及网络安全等各个方面都有着不可或缺的重要影响。因此我国物联网行业需要能够意识这两部分的重要性，按照相应的规章要求来进行严格操作，从而保证工作质量水平。本文针对于物联网计算机网络安全及远程控制技术进行下文的论述。在20世纪90年代，由于互联网技术的诞生以及应用，极大程度地改善了人类社会的生产模式以及生活方式，而作为基于互联网技术而得以发展的物联网技术，     

基于互信息和LSTM的用户负荷短期预测

相对于系统级负荷,用户负荷具有基数小、波动性与随机性更强的特点,加大了用户负荷预测的难度。文章借助互信息与深度学习理论,提出了一种基于最大相关最小冗余(max-relevance and min-redundancy, mRMR)和长短期记忆网络(long-short term memory networks, LSTM)的用户负荷短期预测模型。首先,采用mRMR算法对特征变量进行排序并选取合适的输入变量集合,mRMR既可以保证输入变量与目标值间互信息值最大,又使得变量间冗余性最小。接着,对选取的输入变量集合建立LSTM预测模型,LSTM能较好处理和预测延迟较长的时间序列,且不会存在梯度消失和梯度爆炸现象。最后,通过算例验证了所提算法的有效性。     

在计算机网络安全中虚拟网络技术的应用

<正>时代的发展推动着计算机网络的应用范围和影响力不断扩散，人们正在享受着计算机网络所带来的数据信息获取与传输方面的快捷和便利，但同时关于计算机网络安全问题也开始困扰着众多用户。在近年来的发展下，计算机网络安全问题频频出现，而在这之中，自从虚拟网络技术的诞生以来，其应用价值和应用效果就一直引人注目。虚拟网络技术可以实效性的提高计算机网络安全，并为计算机用户带来一个更为安全、高效、快捷的网络信息数据传输环境。故此，必须要深度重视在计算机网络安全中应用虚拟网络技术，从多个方面加以分析和探索。     

计算机通信网络安全与防护策略

<正>伴随着如今新时期的快速发展形势，同样带动着计算机技术攀登到了全新的高度。可以说，在人们日常的生产生活运作过程中，计算机技术及相关信息通信网络，对于人们来说已经形成依赖性的应用作用，但在如此快速的发展形势下，伴随着各数据信息传输、获取、处理、分析、利用以及共享的过程中，整体的安全性能也受到一定的影响和威胁。