基于增强进化计算的电力系统暂态稳定关键特征智能选择方法EI北大核心CSCD

随着电网互联层级的高速发展以及新能源的大规模接入,电网动态特性日益复杂,安全防控策略失配风险增大,这对电力系统暂态稳定评估的快速性与准确性提出了更高的要求。基于数据驱动的暂态稳定评估方法可利用系统故障后的动态响应时序数据,实现较为精准的稳定性评估,但面对来自于电网的高维数据特征时,直接使用原始时序数据进行模型训练与预测常常会带来极大的计算负担以及过拟合的风险。针对以上问题,提出一种基于增强进化计算的电力系统暂态稳定关键特征智能选择方法。首先,为了充分考虑系统的时序动态信息,采用基于进化计算的包裹式特征选择框架,在选择过程中嵌入多维时间序列分类模型作为子集评价器。随后,为了改善特征选择过程中的局部停滞以及优化低效问题,提出一种基于信息理论的迭代寻优增强策略,使用特征优先级分数引导寻优算法的进化方向。最后,基于IEEE39节点系统的仿真算例表明,所提方法能够以更高的计算效率得到更优的特征子集,对于提升电力系统暂态稳定评估的快速性与准确性具有重要价值。     

网络攻击下基于贝叶斯图论的配电系统安全分析

随着信息通信技术的发展,信息网络与物理系统深度融合,使配电网信息物理融合系统(cyber physical system,CPS)面临网络攻击的运行安全风险增加。文章分析了网络虚假数据攻击下配电网CPS运行安全性,并提出了基于贝叶斯攻击信息传递图论的融合建模与动态安全风险综合评估方法。通过分析信息设备漏洞的不同利用模式,构建了与设备漏洞关联的潜在数据攻击图以及信息-物理系统间的交互作用模型。结合贝叶斯概率量化理论与攻击证据点动态更新了信息传递后验概率,并在此基础上提出了动态安全风险综合评估指标与框架,定量分析了攻击对于信息网络以及配电网CPS系统运行安全的影响。最后基于改进的IEEE 33节点配电CPS系统的算例仿真验证了所提安全风险评估方法的有效性。     

基于grcForest模型的风电并网系统暂态电压稳定评估

针对现阶段机器学习在风电并网系统暂态电压稳定评估的快速性、准确性方面存在的不足,提出了一种基于grcForest模型的风电并网系统暂态电压稳定评估方法。首先针对输入特征数目随着级联森林层数的增加可能出现的梯度增长或梯度减少的问题,采用残差网络对其进行优化,保证了层数增加后的模型依旧能保持最初的学习能力;其次分析风电并网系统暂态电压的关键影响因素,结合暂态故障构建输入特征;再通过评估模型离线训练,完成模型的参数设置和性能优化;最后把构建完成的输入特征应用于grcForest风电并网系统暂态电压稳定评估模型,结合数据对模型进行评估验证。IEEE10机39节点系统的仿真分析验证了该方法的快速性和准确性。     

变压器状态评估及故障诊断研究综述

电力变压器状态评估及故障诊断为设备安全稳定运行提供了重要保障。在电力大数据广泛应用的背景下,智能电网结构快速构建,电力设备状态数据呈现出数量大、类型多等特征,因而变压器状态评估及故障诊断算法由阈值判断法逐步过渡为机器学习等算法。本文作者总结了近年来国内外变压器监测研究中采用的方法;概述了变压器状态评估和故障诊断领域的研究现状,介绍了常用算法相关原理,包括模糊理论法、集对分析法、传统机器学习算法、预测算法和深度机器学习算法等;分析了目前该领域亟需解决的问题,并对未来研究方向进行了展望。     

基于智能电网调度技术支持系统的电网运行安全风险在线防控

在国家电网公司范围内省级及以上调度中心,建设了智能电网调度技术支持系统,实现了基于确定性的电网安全稳定分析。研究基于智能电网调度技术支持系统进行电网运行安全风险在线防控的相关问题。分析了电网运行安全风险在线防控对基础信息和分析决策功能的要求;分析了智能电网调度技术支持系统为实现电网运行安全风险在线防控提供的基础,包括基础平台、基础信息和分析决策支持等方面;提出了电网运行安全风险在线防控在智能电网调度技术支持系统中的定位,分析研究了基于智能电网调度技术支持系统实现电网运行安全风险在线防控的技术方案,提出了电网故障概率在线评估、电网运行安全风险在线评估和电网运行安全风险在线控制辅助决策的功能要求、输入输出信息和关键技术。     

恶意攻击下的电力耦合网络风险传播模型研究

电网可视为信息域、物理域相互耦合的信息物理系统(cyber-physicalsystem,CPS),存在严重的安全风险。针对信息域的恶意攻击极有可能传播至物理域,导致停电事故的问题,文章首先分析电网CPS耦合结构框架,并基于此研究电网风险跨域传播的基本形式,提出一种基于复杂网络的电网风险传播模型,并给出风险评估指标。最后通过构建IEEE-118总线系统为物理域的耦合电网场景,仿真模拟该场景下遭受恶意攻击的风险传播模型,并讨论风险扩散率、初始攻击点等因素对风险传播的影响。文章核心贡献是基于真实攻击场景构建一类电网CPS系统风险传播扩散及系统存活性评估通用模型,为宏观上控制电网安全风险的扩散提供有效的探索。     

混凝土坝面交叉作业安全风险智能识别方法

为快速准确识别混凝土坝面作业风险，针对坝面交叉作业复杂场景特征，基于YOLOv8网络，提出了一种混凝土坝面交叉作业安全风险智能识别方法（YOLO-CDSRI）。首先，采用跨阶段局部网络（CSPNet）和快速空间金字塔池化模块（SPPF）构建主干网络，提高模型对图像中安全风险的态势感知能力。其次，针对小目标安全风险的误识别、漏识别问题，引入双向特征金字塔网络（Bi FPN），经双向跨尺度连接和加权特征融合，增强风险特征间的信息耦合，提升模型对小目标安全风险的关注度。最后，以Wise-IoU为边界框回归损失函数，结合动态非单调聚焦机制，利用“离群度”评估锚框质量，避免标注框几何因素对模型的过度影响。研究表明：经500次迭代训练，YOLO-CDSRI的综合性能优于YOLOv5s、SSD和Faster-RCNN模型，可为智能识别混凝土坝面交叉作业安全风险提供技术支撑。     

智能电网调度一体化设计与研究

在国家电网调度中心提出了智能电网调度技术支持系统框架的基础上,提出如何在目前调度系统实现智能电网调度技术支持系统框架的功能目标.指出可改造PMU使其具有遥信和遥调功能,具备与SCADA和故障录波系统的功能,因此完全取代二者,实现电网数据采集的统一;指出以PI数据库+ Oracle数据库作为调度统一数据平台的数据库,以PI数据库存储电网动态数据,以Oracle数据库存储电网模型和结构,实现电网信息的有效处理.在分析了EMS系统、WAMS系统、动态预警系统、发电计划安全校核系统、负荷预测系统的功能基础上,指出可以将上述应用系统实现一体化,在一体化系统中实现上述所有功能,并指出为了实现智能电网应该新开发电网运行方式预安排、电网运行经济分析、在线断面极限功率计算、电网供电能力评估等应用功能.     

基于迁移学习的智能静态电压稳定评估方案

由于电力系统拓扑结构复杂多变,基于数据驱动的静态电压稳定评估通常存在模型泛化能力不足的问题。针对该问题,文中提出了一种基于迁移学习的智能静态电压稳定评估方案。基于最大相关最小冗余(Maximal Relevance Minimal Redundancy,MRMR)准则和shapley值构建S-MRMR特征选择框架,对离线生成的数据集进行数据降维;基于梯度提升分段线性回归树(Gradient Boosting With Piecewise Linear Regression Trees,GBDT-PL)算法构建静态电压稳定评估模型,提取电力系统运行特征与静态电压稳定指标间的映射关系;利用迁移学习对GBDT-PL模型进行实时更新,提高模型的泛化能力。在由电力系统仿真软件PSS/E提供的23节点系统和1648节点系统上的仿真结果表明,文中所提方案对电力系统拓扑结构变化具有较强的鲁棒性,能够满足在线电压稳定评估的要求,为数据驱动方法实际应用于静态电压稳定评估提供了有益的参考。     

一种新型智能配电网风险评估模型

为实现智能配电网风险评估,提出一种新型智能配电网风险评估模型。根据当前智能配电网发展情况,构建融合宏观风险和微观指标的智能配电网多级风险评估体系,使其尽可能全面地覆盖网络风险管理过程中的关键性风险因素;考虑专家权威性对权重分配的影响,在模糊层次分析法的基础上应用相似度聚类分析赋予评估体系合理的静态主观权重;为充分计及微观指标风险值的时序特征,基于改进CRITIC赋权法赋予微观指标相应的动态客观权重,并将其与静态主观权重结合为最优变权。实例验证了所提模型有较强的实用性。     

基于Tri-training-SSAE半监督学习算法的电力系统暂态稳定评估

基于机器学习的暂态稳定评估方法主要采用监督学习方法,为了解决监督学习方法所需的有标签样本难以获取的问题,提出基于三体训练-稀疏堆叠自动编码器(Tri-training-SSAE)半监督学习算法的电力系统暂态稳定评估方法。构建基于堆叠稀疏自动编码器的暂态稳定评估模型;在传统的三体训练过程中加入伪标签样本置信度判断,以减小噪声数据对模型训练的影响;以堆叠稀疏自动编码器为基分类器构建三体训练-稀疏堆叠自动编码器模型,利用大量的无标签样本提高模型的泛化能力。通过IEEE 39节点系统与华东某省级电网进行分析验证,结果表明,所提方法在有标签样本数较少时具有更高的评估准确度。     

计及动态稳定限额的水电市场化外送消纳弃水风险管控模型

从促进清洁能源大范围消纳的视角,在全国统一电力市场格局下,计及跨省输电通道"动态"稳定限额机会约束建立了水电外送消纳弃水风险管理模型。首先,构建了跨省输电通道动态稳定限额数学表达式,实现了稳定限额管理从"静态"到"动态"的转变。同时借鉴半绝对离差的概念建立了弃水风险评估指标,实现了弃水评估从确定性到不确定性的扩展。然后,提出了弃水风险管理理念,在随机规划框架内,在月度市场计及跨省输电通道动态稳定限额,建立了省级电网水电外送消纳弃水风险管控模型,实现了弃水风险的有效管理。随后,在重点给出跨省输电通道动态稳定限额处理技巧基础上,采用内嵌Monte-Carlo模拟技术的多目标遗传算法求解所建模型。最后,以西藏电网为例对上述工作的有效性给予了验证,并探讨了所做研究的普适性。     

含嵌入式直流的受端电网动态响应智能分析方法

直流输电系统嵌入大型交流系统，将进一步增加换相失败、直流闭锁等故障对系统安全稳定的影响，交流系统与直流系统的交互作用，将使系统动态更加复杂；针对电网不同运行方式下大扰动后系统复杂动态响应特性分析难题，本文提出一种基于机电-电磁混合仿真与机器学习的智能分析方法。该方法基于PCA降维、DBSCAN、Kmeans等算法建立二阶段聚类模型，可针对直流落点近区严重故障后大量混合仿真动态曲线在高维空间中自动聚类，并给出相应标识与严重程度，提取交直流系统在不同故障下的典型动态模式，并自动标注并识别各模式下主导安全稳定问题。本文所提方法的有效性在2025年华东电网运行方式中得以验证，仿真结果标明，所提方法可有效提取不同故障下系统动态模式，将有效支撑后续复杂故障下的交直流系统动态机理分析。     

考虑运行方式安排的大电网在线趋势分析技术

电网调度运行对掌握未来状态安全变化的迫切性越来越高,针对此问题,结合当前智能电网调度控制系统及其动态安全评估技术的发展,提出了运行方式安排的大电网在线趋势分析技术。该技术基于电网当前运行方式和在线稳定分析结论,利用调度操作调整、调度计划、新能源预报和负荷预测数据,形成电网未来时刻的预估潮流,在短周期内快速评估其安全状况及变化趋势,并给出辅助决策控制策略。该技术已在华中、黑龙江电网得到了应用,为复杂电网调度运行控制提供了预防预控的技术支撑手段,促进了电网控制从经验型向智能型的转化。     

基于动态攻防博弈的电力信息物理融合系统脆弱性评估

以电力信息物理融合系统受人为因素攻击为背景,应用博弈论的相关知识对现代电网在遭受人为主观攻击威胁下的电网脆弱性评估方法进行了研究和探讨。根据兰德公司的风险评估模型建立了电力信息物理融合系统基于攻防场景的脆弱性评估框架,并基于博弈论中用于描述动态攻防博弈的多层数学规划模型,提出一种电力物理网络和电力信息网络同时遭受人为攻击场景下的电网攻防动态博弈三层数学规划模型。针对所提出的模型,给出了相应的解算方法,并在求解过程中,应用一种最优的防御资源分配策略以有效求得电网元件上需分配的资源。最后,通过简单算例系统验证了本文所提模型与方法的有效性。     

基于图卷积网络的快速暂态安全评估方法

快速、可靠的电力系统动态安全评估能够显著提高电力系统运行方式优化调整的效率。针对电力系统暂态稳定预想事故扫描需要完成大量仿真、过于耗时的问题,提出了基于图卷积网络的快速动态安全分析方法。该方法基于电力系统的潮流特征和拓扑特征构建电力系统潮流特征图。利用图卷积方法对电力系统运行状态进行特征挖掘与特征学习,将动态安全评估问题建模为图上节点分类问题。所得模型在读取电网拓扑与潮流运行状态后,仅须完成一次前向计算即可同时给出预想事故集中多个预想事故的稳定性预测结果,无须依赖仿真波形或量测数据,实现快速暂态稳定预想事故扫描。IEEE39节点系统算例测试表明,算法设计正确、高效、准确率高,能够显著提高暂态稳定预想事故扫描的效率,实现快速动态安全评估。     

基于动态安全域的电力系统安全概率评估模型

针对电力系统安全性问题特性,提出一种基于动态安全域的安全概率评估模型。模型核心是不安全概率指标,并通过该指标来表征各电力元件以及整个电力系统的安全性状况。概率方法的引入,使得模型不仅计及系统中各种主要的不确定性因素,而且对系统的安全状况进行了定量的描述。动态安全域理论大大降低了安全概率评估的计算量,使得该模型具有实用性。评估结果可以用于指导运行人员在安全控制中制定正确的决策。用新英格兰10机39节点系统(New England 10-generator 39-bussystem)对该模型做了验证。     

基于深度学习和图像识别的电力配件智能出入库

针对电力配件种类繁多、型号各异,依靠射频识别(radio frequency identification, RFID)技术开展电力配件出入库管理,不能覆盖所有电力配件,容易出现出入库、退库不准确、效率低,以及出入库电力配件质量不满足生产要求的问题,开展基于机器学习和图像识别的电力配件智能识别研究。首先采用灰度处理、二值化等方法对原始图像进行处理,之后通过最小外接矩形校正原始图像,然后以卷积神经网络(convolutional neural networks, CNN)、卷积递归神经网络(convolutional recurrent neural network, CRNN)等深度神经网络为核心,结合CTC损失函数,构建适用于识别电力配件的深度学习模型,并依据图像识别吻合度,同步推荐疑似配件设备。通过智能设备采集电力配件图像,采用上述方法实时识别配件名称、型号,提示外形尺寸、适用范围、产品用途。实验结果表明,基于机器学习和图像识别的电力配件智能识别结果准确率达到95%,显著提升了仓储出入库管理的智能化水平。     

电力工业安全影像解译：基本概念与技术框架

电力工业安全风险识别及防控对保障电力安全生产和人员自身安全意义重大。近年来随着人工智能技术的发展,以电力现场感知影像为基础,借助目标检测等计算机视觉方法进行生产风险识别得到广泛关注。然而电力生产是复杂的人-机-物多元融合交互过程,现有智能识别方法效果有限,亟需结合电力生产知识实现智慧化安全风险认知。为此,该文在分析电力工业安全风险的基本特性及研究现状基础上,提出电力工业安全影像解译的基本概念,阐述电力工业安全影像解译的必要性和研究意义;然后提出电力安全风险解译的技术框架,并重点讨论电力工业安全风险解译各环节的关键技术、电力特殊问题及解决思路;最后,对未来电力工业安全影像解译的应用和挑战进行总结与展望。