基于深度学习的企业多源数据融合并行处理方法设计

为解决数据融合处理中的丢失问题，本文进行基于深度学习的企业多源数据融合并行处理方法设计研究。将获取的信息按照其来源与类型划分为多个类别，在计算机终端建立一个空白云存储终端，将所有数据录入云存储空间，使采集的数据在空间中呈现离散化分布状态，计算不同网格区域之间的相似性，按照规范完成对企业多源数据的预处理；引进深度学习算法，将数据录入卷积层，建立数据在深度学习网络中的反向传播训练损失函数，通过不断更新卷积层节点参数的方式，提取多源数据特征，在深度学习网络Sink节点，根据待处理数据的类型，在节点驱动数据的融合并行处理。设计对比实验证明：设计的处理方法在实际应用中的效果最佳，该方法可以有效控制企业多源数据融合并行处理过程中的丢失量，降低企业损失。     

梯级电站联合发电模型(上)——水能发电量计算方法探讨

根据水库的特性将水体按高程划分为3层水体,建立二次曲线型三层水体模型。考虑水体质量和水体重心,分析水库水体压力和分层水体微元在压力管道轴线方向的重力分量,对引水管入口处水体进行力学分析。最后通过计算3层水体的重力对水体微元在管道轴线方向的压力做功、压力管道进水管和出水管处的水体微元压力做功、重力做功及其动能和势能构建水电能源形成模型。结果表明,采用微元法对水库水体分层建模,能够比较准确地描述水电能源的形成过程。     

计及频率变化的异步迭代分布式动态潮流

为便于分布式调度员培训仿真系统（DTS）中分布式潮流算法的应用,提出了一种计及频率变化的基于异步迭代的分布式动态潮流算法。该算法将互联系统采用协调层一子系统、发电机单元一网络单元2个不同层次的模型来表示。在上级调度中心建立协调层,由发电机单元实现频率变化时电网不平衡功率在各子系统发电机节点和负荷节点之间的分配,并进行频率仿真;在网络单元采用基于异步迭代模式的分布式算法进行全网的分布式潮流计算,通过网络单元与发电机单元之间的交替求解,求得全网频率变化仿真与潮流分布。以IEEE118节点扩展系统为例,对所提出算法进行验证,结果表明该算法能够准确地仿真分布式系统的频率变化并求解全网潮流分布。     

梯级电站联合发电模型(下)——基于总耗水量最小化目标的优化模型

提出基于水能转换最大化的梯级水电站联合发电数学模型。通过计算不同时期发电机组耗水量与发电功率之间的关系进而对水电站进行耗水量分析,以梯级水电站群耗水量最小为目标、以电力系统有功功率平衡和水库调度耗水量平衡为约束条件建立函数,应用拉格朗日函数法和计算机算法,推导具有水力联系的梯级水电站之间的比耗量微增率关系式,同时考虑其他不等式约束条件,提出梯级水电站联合发电优化模型,并对四节点的电力系统进行实例计算与分析。