简介:摘要随着我国经济技术的不断进步,人们生活水平与生活质量的不断提高,对于电力的使用需求越来越大。使用的条件越来越严格。尤其是我国一些地区的能源分布存在问题,导致电力运输的跨度比较大,实现了电力系统与通讯网络之间的相互联系。如今电力网络已经成为较为复杂的人工网络。当前,国外很多的发达国家已经通过网络技术对电力系统展开了研究。同时,随着信息技术与通讯技术的不断前进,对于电力的通讯系统也在逐渐的变化。在电力系统中电力通讯系统中的使用节点正在逐渐的增加。所覆盖的面积也在不断的扩大,电力通讯网络的发展越来越重要,越来越复杂,本文主要分析的就是电力系统与通讯网络的交互作用,以及交互作用下出现的连锁问题的探讨。
简介:摘要本文首先简要介绍了当前EMS系统的主流SCADA监控系统人机界面设计。然后分别介绍了国家电网,南方电网,国电南瑞,国电南自,北京四方,河南许继,积成电子等等主流厂商的人机界面图形设计。重点介绍了SCADA数据采集与监控系统的人机界面如何完成统一的建模,保证图形建模的标准化设计,和图形分解。从标准化的维度进行分析人机界面设计标准的统一建模思想,设计原理,设计结构以及工作思路。远景解决多种EMS系统设计的人机界面展示统一建模理论。
简介:摘要当前的深度学习方法使用在基于大型图形处理单元(GPU)的计算机上训练的卷积神经网络(CNN)非常成功。该方法的三个局限性是1)基于简单的分层网络拓扑结构;2)网络采用人工配置以达到最优效;3)神经元模型的实现在成本和功耗上都比较昂贵。在本文中,评估了使用三种不同的计算架构来解决这些问题的深度学习模型量子计算来训练复杂的拓扑结构,高性能计算(HPC)来自动确定网络拓扑结构,以及低功耗硬件的神经形态计算。由于目前量子计算机的输入尺寸限制,实验中使用MNIST数据集。结果显示了将这三种架构结合使用来解决上述深度学习限制的能力。结果表明,量子计算机可以在网络复杂度增加的情况下,在可控制的时间内找到高质量的层内连接权值;高性能计算机可以找到最优的基于层的拓扑结构;在低功耗记忆硬件中,神经形态计算机可以表示其他结构的复杂拓扑结构和权值。
简介:摘要当前的深度学习方法使用在基于大型图形处理单元(GPU)的计算机上训练的卷积神经网络(CNN)非常成功。该方法的三个局限性是1)基于简单的分层网络拓扑结构;2)网络采用人工配置以达到最优效;3)神经元模型的实现在成本和功耗上都比较昂贵。在本文中,评估了使用三种不同的计算架构来解决这些问题的深度学习模型量子计算来训练复杂的拓扑结构,高性能计算(HPC)来自动确定网络拓扑结构,以及低功耗硬件的神经形态计算。由于目前量子计算机的输入尺寸限制,实验中使用MNIST数据集。结果显示了将这三种架构结合使用来解决上述深度学习限制的能力。结果表明,量子计算机可以在网络复杂度增加的情况下,在可控制的时间内找到高质量的层内连接权值;高性能计算机可以找到最优的基于层的拓扑结构;在低功耗记忆硬件中,神经形态计算机可以表示其他结构的复杂拓扑结构和权值。