宏微网络中基于后决策状态学习的基站关断节能策略

为了根据网络的业务状态动态地调整基站的开关状态以在保证用户服务质量的同时降低宏微网络的能量消耗,提出将时延限制下长期平均能耗的最小化问题映射为受限马尔科夫决策过程(constrained Markov decision process,CMDP).在该过程中把网络中每个基站的用户数目定义为系统状态,将每个小基站的开/关操作定义为网络行动.为了充分利用网络已知的先验知识加快学习速度,采用后决策状态学习算法在线更新网络的开/关策略.该算法可根据关断策略执行前已知的网络状态学习关断策略执行后未知的网络状态,从而快速制定出相应的关断策略.理论验证了后决策状态学习算法的收敛性.通过仿真对比可知,后决策状态学习算法不仅学习速度快,且可在保证网络服务质量的同时收敛到最优的基站关断节能策略.     

多跳D2D组网下基于数据驱动的配电网在线异常检测

随着配电网数据信息的急剧增长,为了保证配电网供电可靠性,在配电网和基站间建立多跳D2D网络进行数据传输,提出多跳D2D组网下基于数据驱动的配电网在线异常检测方法。因配电网中每个时刻都会产生新的测量数据,提出一种基于一类支持向量机的配电网运行状态在线检测算法,该算法可根据每个时间周期智能电表上报的用电数据更新模型参数,实时推测配电网当前的运行状态。为了保证用电数据的正常传输,提出基于双边主成分分析的在线流量监测方法监督多跳D2D组网的流量状态。通过仿真实例验证,证明了提出的基于数据驱动的配电网在线异常检测算法可在提高检测速率和精确度的同时节约大量的计算时间和存储空间。     

基于AMCNN-LSTM的电力无线接入专网异常流量检测

为了减轻电力无线专网系统因网络业务增多而带来的网络攻击以及异常流量入侵的安全事故隐患,提出了一种基于注意力机制的卷积-长短期记忆网络(convolution-long short-term memory network based on attention mecha-nism,AMCNN-LSTM)模型.该模型为避免序列特征稀疏分布的问题,采用卷积神经网络(convolutional neural net-work,CNN)提取时间序列数据特征并转化为维度固定的稠密向量;为防止记忆丢失和梯度分散问题,使用融合注意力机制的CNN单元来捕捉重要的时间序列细粒度特征;将CNN提取局部特征与长短期记忆网络(long short-term memory network,LSTM)提取序列特征的优势相结合,对电力接入专网流量数据进行异常检测.通过在电力网真实数据集上实验表明,基于注意力机制的算法能够在150轮次迭代下达到89.14％的召回率及89.67％的综合F-meas-ure得分.所提出的模型能够及时、准确地检测电力网络异常流量,有效提高检测效率及准确度.     

基于相关矩阵和动态集合覆盖的配电网故障诊断方法

作为电力网络中直接向用户供电的关键环节,配电网的工作状态直接影响电力用户的用电质量和用电体验。为解决配电网故障线路区段的定位问题,提出了一种基于相关矩阵和动态集合覆盖的配电网故障诊断方法。根据配电网拓扑建立故障电流信息和故障线路区段相关矩阵,引入隐马尔科夫模型刻画每条线路区段随时间变化的状态序列; 基于每个时间周期上馈线终端单元上报的故障电流信息集合,建立动态集合覆盖的配电网故障诊断模型,使用维特比译码求解满足集合覆盖条件的线路区段工作状态序列,实现对配电网的在线故障定位。通过仿真实例验证了基于相关矩阵和动态集合覆盖的配电网故障诊断方法的定位准确性和稳定性。