-
公开(公告)号:CN118784555A
公开(公告)日:2024-10-15
申请号:CN202411036479.4
申请日:2024-07-31
申请人: 国网河南省电力公司信息通信分公司 , 郑州大学
IPC分类号: H04L45/125 , H04L45/121 , H04L45/02 , H04L69/06 , H04L67/30 , H04L67/12
摘要: 本发明涉及电力骨干网络和意图网络结合的技术领域,尤其涉及一种意图驱动的电力骨干网络路由选择方法及装置,该方法包括:基于电力骨干网络,构建电力骨干网络拓扑结构,将电力骨干网络拓扑结构分别抽象成时延无向带权图和带宽无向带权图,获取用户的意图文本,将意图文本输入至意图转译算法中进行意图转译处理,输出意图转移预测结果,将意图转移预测结果存储于意图配置文件中,采用路由选择算法读取意图配置文件中对应的意图转移预测结果,得到最优路由和对应的参数值。本发明采用意图转译算法识别出与意图文本相关的输出意图转移预测结果,并根据路由选择算法自动选择最优路由,能够降低网络管理的成本和工作量,提高网络管理的效率。
-
公开(公告)号:CN118693755A
公开(公告)日:2024-09-24
申请号:CN202410901289.8
申请日:2024-07-05
申请人: 国网河南省电力公司信息通信分公司
摘要: 本发明提供一种用于差动保护的数据通信方法及系统,属于电力通信技术领域,具体包括:利用匹配电力用户的类型、历史用电数据确定匹配输电线路的相似输电线路以及线路相似度,根据相似输电线路的历史动作数据、线路相似度确定差动保护装置的动作概率满足要求时,将历史中存在保护动作的接入保护线路作为动作保护线路,利用动作保护线路的历史动作数据、对应的通信线路确定通信网络的运行可靠性满足要求时,将动作概率、通信网络的传输繁忙程度以及运行可靠性作为目标评估数据,基于差动保护装置的目标评估数据进行差动保护装置的光纤接入方式的确定,从而实现了光纤接入的成本和可靠性的均衡控制。
-
公开(公告)号:CN118676873A
公开(公告)日:2024-09-20
申请号:CN202410945576.9
申请日:2024-07-15
申请人: 国网河南省电力公司信息通信分公司
摘要: 本发明提供一种用于线路差动保护的数据同步方法和系统,属于线路保护装置技术领域,具体包括:利用历史运行数据确定在不同的对齐间隔时长区间内的两侧的晶振装置的时间信号偏差次数,并结合不同的时间信号偏差次数的时间信号偏差确定晶振模块的信号偏差概率,利用匹配输电线路的历史输电数据确定输电功率的变动时刻,通过不同的变动时刻的输电功率的变动情况确定匹配输电线路的功率变动类型,以匹配输电线路的功率变动类型为基础,通过信号偏差概率以及故障概率确定差动保护装置的卫星授时的对齐频率,并利用对齐频率进行差动保护装置的数据同步处理,从而保证了输电线路的运行的可靠性。
-
公开(公告)号:CN118713743A
公开(公告)日:2024-09-27
申请号:CN202410901286.4
申请日:2024-07-05
申请人: 国网河南省电力公司信息通信分公司
IPC分类号: H04B10/079 , H04B10/25 , H02H1/00
摘要: 本发明提供一种用于交流差动保护的光纤通道可靠性评估方法,属于线路保护技术领域,具体包括:获取不同的光纤通信线路两端的输电线路在不同时刻的电流数据,基于所述电流数据的相似情况以及在不同的电流数据下的差动电流数据进行不同的光纤通信线路的识别信号一致性的确定,基于在不同的电流数据下的差动电流数据的偏差情况确定不同的光纤通信线路之间的信号一致性,并利用不同的光纤通信线路之间的信号一致性以及识别信号一致性得到光纤通道的可靠性的评估结果,从而保证了光纤通道的可靠性的评估结果的准确性。
-
公开(公告)号:CN118821021A
公开(公告)日:2024-10-22
申请号:CN202411036477.5
申请日:2024-07-31
申请人: 国网河南省电力公司信息通信分公司
IPC分类号: G06F18/2433 , G06F18/214 , G06F18/213 , G06F18/15 , G06N3/0499 , G06N3/084 , H02J13/00 , H02J3/00 , G06N3/048
摘要: 本发明公开了一种基于深度学习的电力骨干通信网络故障预测方法及系统,方法包括:搭建并训练神经网络模型,构建深度学习模型,模型包括至少三个隐藏层和一个输出层;加载训练数据和测试数据,并对数据进行预处理;使用训练数据集对构建的深度学习模型进行训练;对模型进行测试以验证其性能,使用测试数据集对训练后的深度学习模型进行测试;使用训练后的模型对输入ID进行故障预测,并输出预测结果。本发明通过深度神经网络,能够从原始数据中逐层提取出从简单到复杂、从低级到高级的不同层次特征,增强了特征提取能力,减少人工特征工程的需要,并提高了特征提取的精度和全面性,不仅涵盖了数据的表面信息,也深入挖掘数据中的隐藏模式和深层信息。
-
-
-
-