自动化工程设计中的节能技术应用

阐述电气自动化工程中的节能设计的特点,节能设计原则、设计技术优化措施,包括合理优化配电系统性能、科学选择变压器、提高自动化系统的效率。     

浅谈艺术设计的多元化思维

在现代艺术设计较之以前更加复杂、多元的环境下,当前艺术设计教育的关键应该重视对设计者设计思维的培养。现今,多向度的设计类别决定设计的多元化思维形式,设计者如能掌握正确的设计方法,就有可能起到事半功倍的效果,这样的设计作品才能广为流传、深入人心;这样的设计者才能称得上是优秀的设计人才。     

电网企业数据中台的数据共享方法研究

常规的企业数据中台数据共享方法使用分布式架构集成共享数据,数据吞吐量不足,极易引发数据拥塞,因此需设计一种全新的电网企业数据中台数据共享方法。以Data结构为基础,检索元数据,优化共享通道,再将设置的树状资源服务集与共享通道连接,生成网格化数据共享架构,降低数据吞吐难度,从而获取完整的XML数据共享通信模型,实现数据中台数据高效共享。实验结果表明：使用设计的数据共享方法进行数据共享时的数据吞吐量较高,不易出现数据拥塞,具有高效性,满足电网企业目前的数据共享需求,有一定的应用价值。     

计及风险损失的配电设备差异化运维策略优化

针对定期检修运维模式存在的运维资源分配不合理问题,提出了一种计及风险损失的配电设备差异化运维策略优化模型。首先以多源信息为输入,采用分层加权综合方法计算配电设备健康指数;然后利用故障后果模式分析法分析设备故障损失,以设备故障率和故障损失的乘积量化设备的风险水平;最后以检修成本和检修后系统风险损失加权和最小为目标,考虑有限运维资源约束,采用遗传算法求解配电设备的差异化运维策略。结合算例验证了模型有效性。     

电力云计算中关联任务调度算法

针对传统电力系统计算平台在计算、存储、信息集成和分析等方面的不足,建立基于云计算的电力系统计算平台。针对电力云计算平台中对关联任务调度进行调度时出现任务执行延迟的问题,提出了一种基于任务分层算法DAG。算法将任务按任务集合优先级的高低顺序调度至具有最小完成时间的资源上。试验证明关联任务调度算法能够有效地减缓关联任务延迟。     

对教育软件的大数据分析研究

当前我国的科技水平已名列世界前茅,人民对生活和工作质量的要求大大提高。随着我国信息技术水平的提高,各行各业的工作效率大大提升,大数据应用给信息时代增添了浓墨重彩。作为我国支柱产业之一的教育行业,在引入信息技术软件后,得到了快速的发展。为了更好地探究大数据分析功能在教育行业的应用,该文对教育软件的大数据技术的应用展开分析,为教育行业的发展提供理论依据。     

含风电场的大电网系统运行风险评估

本文深入探究了影响大电网安全运行的风险源,包括风电场的集电线路故障、无功补偿设备故障等风险因素,对此建立了适合运行风险评估的可靠性模型。基于非序贯蒙特卡罗仿真,采用等分散抽样法选择系统状态。建立了含风电场的大电网系统运行风险评估指标体系,开发了评估流程。应用本文所提方法对IEEE-RTS79算例的计算表明,该方法可合理评估风电接入后系统短期的运行风险,并为调度部门调整发电出力计划、定位电网薄弱环节和确定风电吸纳能力提供参考依据。     

基于Unity 3D的虚拟家具商城的设计与实现

设计了一个基于Unity 3D的虚拟家具商城系统。该系统通过Unity 3D三维技术,模仿实体店设计出一个步行街和商城三维模型,实现商城里面的家具三维展示,让顾客足不出户就能身临其境"逛商场",享受逛街购物乐趣。该系统具有良好的视觉和交互效果。     

基于QoS的变电站设备无线监测网络拓扑研究

随着无线传感器网络在智能变电站不同业务应用中的深化,网络的高数据率传输和网络的服务质量（qual-ity of service,QoS）问题成为无线传感器网络（wireless sensor network,WSN）的新热点。针对智能变电站的设备状态监测应用,利用无线传感器网络技术,建立分簇的三层智能变电站设备无线监测网络结构;参考 Zigbee协议和 IEC 61850报文规定,对监测网络数据流进行建模;从用户感知 QoS、网络 QoS 和节点 QoS 三个方面,结合Opnet仿真功能,提出包括端到端时延、MAC层时延、MAC层吞吐率、MAC层丢包率、数据碰撞、丢包率、比特误码率、信噪比和接收功率的QoS指标。根据实际变电站设备监测配置,建立起仿真网络模型,仿真研究表明相比于树状拓扑、Mesh拓扑网络,设计的簇状拓扑网络具有更好的QoS综合性能。     

一种基于合同理论的可激励联邦学习模型

针对目前较少研究去中心化联邦学习中的激励机制设计,且已有联邦学习激励机制较少以全局模型效果为出发点的现状,该文为去中心化联邦学习加入了基于合同理论的联邦学习激励机制,提出一种新的可激励的联邦学习模型。使用区块链与星际文件系统(IPFS)取代传统联邦学习的中央服务器,用于模型参数存储与分发,在此基础上使用一个合同发布者来负责合同的制定和发布,各个联邦学习参与方结合本地数据质量选择签订合同。每轮本地训练结束后合同发布者将对各个本地训练模型进行评估,若满足签订合同时约定的奖励发放条件则发放相应的奖励,同时全局模型的聚合也基于奖励结果进行模型参数的聚合。通过在MNIST数据集以及行业用电量数据集上进行实验验证,相比于传统联邦学习,加入激励机制后的联邦学习训练得到的全局模型效果更优,同时去中心化的结构也提高了联邦学习的鲁棒性。