-
公开(公告)号：CN104618983B
公开(公告)日：2018-11-27
申请号：CN201510050895.4
申请日：2015-01-30
Abstract: 本发明提供一种基于随机能量补给的无线传感网络的通信方法，所述方法首先建立和更新存储传感器节点能量信息的路由表，再根据路由表选择数据传输路径，接入到通信网络的接入层，完成数据传输。本发明在节点能量能够得到保障的前提下，进一步降低消息传递延时，有效的降低了网络中的累积传输延时。并且减少网络传输中的跳数，在各个节点能量得到均衡的同时，网络节点总能量也随着跳数的减少而得到了更有效的利用。
-
公开(公告)号：CN107360133B
公开(公告)日：2022-03-18
申请号：CN201710425622.2
申请日：2017-06-08
Applicant: 全球能源互联网研究院 , 国家电网公司 , 国网江苏省电力公司 , 国网江苏省电力公司信息通信分公司 , 东南大学
Abstract: 本发明涉及一种面向电网信息物理系统的网络攻击仿真方法及系统，方法包括：电力系统仿真器根据预先设定的电力系统事件列表进行仿真，并通过信息系统仿真器将仿真结果发送至网络攻击仿真器；在网络攻击仿真器中建立仿真攻击事件，并通过信息系统仿真器将仿真攻击事件发送至电力系统仿真器；电力系统仿真器根据仿真攻击事件更新电力系统事件列表，并根据电力系统事件列表进行仿真；本发明提供的技术方案，在搭建的电网信息物理系统环境下，加入网络攻击模拟平台，针对不同的电力网络特征和信息网络特征，按照不同的安全等级防护要求，设定对应的攻击规模和强度，观察验证网络攻击对电网信息物理系统的影响以及在系统失稳情况下保护措施的作用。
-
公开(公告)号：CN105160598B
公开(公告)日：2021-01-15
申请号：CN201510543233.0
申请日：2015-08-28
IPC: G06K9/62 , G06F30/27 , G06F113/04
Abstract: 本发明涉及一种基于改进EM算法的电网业务分类方法，将采集数据分为训练集和测试集并进行预处理，通过SFS算法选取合适的属性集，引入训练数据的类先验信息进行EM算法，得到一个高斯混合模型和类信息相关的矩阵，矩阵可以用来限制某个高斯模型只能表示特定的几种类别，再利用此矩阵和基于q参数的确定性退火EM算法q‑DAEM来得到一个准确的聚类模型；本发明提供的方法能够利用EM算法和训练集的类先验信息来生成一个Z矩阵，在q‑DAEM算法中引入Z矩阵，可以在迭代时有更好的收敛速度，生成一个合适的聚类模型，对电网采集数据进行处理，能够有效提高业务识别能力。
-
公开(公告)号：CN105184316B
公开(公告)日：2019-05-14
申请号：CN201510543111.1
申请日：2015-08-28
Abstract: 本发明涉及一种基于特征权学习的支持向量机电网业务分类方法，利用特征权学习方法结合支持向量机多分类特点，对业务分类问题进行处理，包括：将采集数据划分为训练集与测试集，采用1‑a‑1SVM分类方法将多分类问题分解为一系列SVM二分类问题，对每个SVM二分类器分别进行参数寻优与特征子集选取，并引入特征学习思想，对不同特征赋予不同的权值，以表征其重要性程度。根据选取的最优特征子集与最优参数训练模型，得到的模型即为分类模型，然后对测试集样本进行分类；本发明提供的方法，通过根据各自特点分别选取每个SVM二分类器中最优参数与特征子集重新训练SVM分类模型，充分考虑了不同子分类器之间的差异性，具有更好的分类精度。
-
公开(公告)号：CN106375401A
公开(公告)日：2017-02-01
申请号：CN201610772936.5
申请日：2016-08-30
Applicant: 全球能源互联网研究院 , 东南大学 , 国网江苏省电力公司 , 国家电网公司 , 国网江苏省电力公司南京供电公司
IPC: H04L29/08
CPC classification number: H04L67/12
Abstract: 一种支持多流汇聚的电力多模异构融合装置，其包括通信模块和主控模块，所述通信模块包括：3G无线数据模块、4G无线数据模块、WIFI无线数据模块；所述主控模块包括：ARM芯片、NAND Flash芯片、SDRAM芯片、以太网控制芯片、PHY芯片、串口芯片、接口和电源；所述通信模块通过USB接口与所述主控模块相连。本发明的技术方案支持3G/4G/WIFI通信模块的异构融合通信，根据不同网络场景，自适应选择最佳的通信链路，通过多流汇聚技术提升了通信传输速率，双链路聚合带宽可提升为单链路的1.5倍左右，满足视频流等大容量、高速率等业务的传输需求。
-
Patent Agency Ranking
公开(公告)号：CN104852767A
公开(公告)日：2015-08-19
申请号：CN201510276444.2
申请日：2015-05-26
Abstract: 本发明涉及一种面向变电站内采样值业务的光网络系统及传输方法，包括：m×n×k个电子式电流/电压互感器、m×n个合并单元、m×n个保护装置、m×n个测控装置、m个从节点、1个主节点、网络分析装置、母差保护装置和故障录播装置；将变电站内每个间隔的合并单元的采样数据，经从节点、主节点传输至本间隔的保护装置、测控装置，网络分析装置、母差保护装置和故障录播装置；该系统适用与不同传输协议及速率等级，解决了采样数据在从节点中交换时产生数据阻塞的难题，提升了网络性能。
-
公开(公告)号：CN104852767B
公开(公告)日：2019-02-15
申请号：CN201510276444.2
申请日：2015-05-26
Abstract: 本发明涉及一种面向变电站内采样值业务的光网络系统及传输方法，包括：m×n×k个电子式电流/电压互感器、m×n个合并单元、m×n个保护装置、m×n个测控装置、m个从节点、1个主节点、网络分析装置、母差保护装置和故障录播装置；将变电站内每个间隔的合并单元的采样数据，经从节点、主节点传输至本间隔的保护装置、测控装置，网络分析装置、母差保护装置和故障录播装置；该系统适用与不同传输协议及速率等级，解决了采样数据在从节点中交换时产生数据阻塞的难题，提升了网络性能。
-
公开(公告)号：CN107360133A
公开(公告)日：2017-11-17
申请号：CN201710425622.2
申请日：2017-06-08
Applicant: 全球能源互联网研究院 , 国家电网公司 , 国网江苏省电力公司 , 国网江苏省电力公司信息通信分公司 , 东南大学
CPC classification number: H04L63/205 , H04L41/145
Abstract: 本发明涉及一种面向电网信息物理系统的网络攻击仿真方法及系统，方法包括：电力系统仿真器根据预先设定的电力系统事件列表进行仿真，并通过信息系统仿真器将仿真结果发送至网络攻击仿真器；在网络攻击仿真器中建立仿真攻击事件，并通过信息系统仿真器将仿真攻击事件发送至电力系统仿真器；电力系统仿真器根据仿真攻击事件更新电力系统事件列表，并根据电力系统事件列表进行仿真；本发明提供的技术方案，在搭建的电网信息物理系统环境下，加入网络攻击模拟平台，针对不同的电力网络特征和信息网络特征，按照不同的安全等级防护要求，设定对应的攻击规模和强度，观察验证网络攻击对电网信息物理系统的影响以及在系统失稳情况下保护措施的作用。
-
公开(公告)号：CN105184316A
公开(公告)日：2015-12-23
申请号：CN201510543111.1
申请日：2015-08-28
CPC classification number: G06K9/6269 , G06Q50/06
Abstract: 本发明涉及一种基于特征权学习的支持向量机电网业务分类方法，利用特征权学习方法结合支持向量机多分类特点，对业务分类问题进行处理，包括：将采集数据划分为训练集与测试集，采用1-a-1SVM分类方法将多分类问题分解为一系列SVM二分类问题，对每个SVM二分类器分别进行参数寻优与特征子集选取，并引入特征学习思想，对不同特征赋予不同的权值，以表征其重要性程度。根据选取的最优特征子集与最优参数训练模型，得到的模型即为分类模型，然后对测试集样本进行分类；本发明提供的方法，通过根据各自特点分别选取每个SVM二分类器中最优参数与特征子集重新训练SVM分类模型，充分考虑了不同子分类器之间的差异性，具有更好的分类精度。
-
公开(公告)号：CN105184486A
公开(公告)日：2015-12-23
申请号：CN201510564935.7
申请日：2015-09-08
Abstract: 本发明涉及一种基于有向无环图支持向量机的电网业务分类方法，包括：将采集数据分为训练集与测试集并采用卡方检验的特征选择算法对所述训练集进行处理，获取所述训练集对应的最优特征集，利用训练集中每两类构造一个SVM二分类器，基于有向无环图支持向量机(Directed Acyclic Graphs Support Vector Machine,DAG-SVM)算法对SVM二分类器进行处理，将分类错误概率小的分类器进行分类判决，排除样本属于某类的可能性，而在分类错误概率大的分类器中，不排除样本属于任一类的可能性，将两个类别都保留，并以此为依据调整有向无环图构造的学习结构直至获取测试集样本的分类结果，本发明方法解决了解决传统DAG-SVM算法存在的误差累积问题，能够有效的提高电网业务识别的准确率。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.039 seconds)
