基于方差变化率判据-四分位的风电场功率异常数据识别

风电场运行中产生了数量巨大的历史数据,而提升历史数据的质量是实现风电场高效智能运维的前提。为此,文中分析了风电场风功率数据的分布特征和形成机理,提出基于方差变化率判据-四分位法组合的风电场风功率异常数据识别方法。首先,利用物理规则对原始风功率曲线进行预处理,剔除明显异常的数据;然后,利用风功率方差变化率判据法识别并清洗风功率曲线的堆积型异常功率数据点,判据的阈值借助箱型图自动获取;同时,利用四分位法识别并清洗剩余的离散型异常数据点;最后,通过算例验证了所提算法的可行性。研究结果表明所提算法具有易实现、效率高和通用性强的优点,其异常识别效果优于局部离群因子(local outlier factor,LOF)算法和Thompson tau-四分位算法,其耗时比LOF和Thompson tau-四分位算法分别减少9.6 s和0.49 s,且在5个不同位置的风电场验证了所提算法的通用性。     

基于参考序列与全卷积网络的风速数据缺失与异常修复方法

针对风速缺失与异常数据修复问题,考虑到风速采样网络中的节点数据相关性,提出了一种基于参考序列与全卷积网络的风速数据缺失与异常修复方法。首先,构建了基于全卷积插值网络与全卷积门控网络的数据修复模型。然后,利用全卷积插值网络计算无参考修复数据,利用全卷积门控网络计算无参考修复数据与参考数据的权重系数,并将两种数据带权重求和得到最终修复数据。最后,使用两个风电场数据验证了所提方法的效果。结果表明,与其他无参考修复方法相比,所提方法能够利用相近节点的参考风速数据,提高目标节点的风速时序数据修复精度。     

基于Thompson tau-四分位和多点插值的风电功率异常数据处理

针对传统风电机组风速-功率异常运行数据处理清洗时间长、模型复杂的问题,提出一种基于Thompson tau-四分位法和多点插值的异常数据处理算法。首先,对切入风速与切出风速间等于或小于零的异常功率数据点予以剔除,通过划分风速区间,采用Thompson tau-四分位法对异常运行数据进行分段精细化清洗,降低异常点辨识的模型复杂度;然后,通过四点插值细分算法对清洗后的异常数据进行重构,获得完整的风速-功率有效数据;最后,以风电机组实际风速-功率数据为算例进行对比分析。结果表明所述方法实现简单、效率更高,尤其在临近风电场数据缺失、异常、不可用情况下,所提出的重构方法能有效提高重构数据质量,且重构效果更优。     

基于变分自编码高斯混合模型的发电企业串谋智能预警

随着市场交易规模越来越大,交易数据量增加,结合数据进行串谋分析成为可能。为此,结合发电企业的串谋预警指标体系和无监督的变分自编码高斯混合模型(VAEGMM),实现了对发电企业串谋的智能预警。首先,提出了完善的串谋预警指标体系和详细的指标计算方法。其次,针对指标集具有高维且正负样本不均衡的数据特点,结合异常检测思想提出了VAEGMM。然后,详细阐述了VAEGMM的网络结构,并且重新构建了联合损失函数,使得该网络能够更好地学习得到原始数据的低维表达,从而有助于进行更准确的密度估计。最后,实例测算表明,与其他传统的无监督学习模型相比较,VAEGMM可以更加高效和准确地预警串谋风险。     

基于过采样和级联机器学习的电网虚假数据注入攻击识别

虚假数据注入攻击(FDIA)因其高隐蔽性和破坏性,对电网的安全稳定运行构成严重威胁。攻击样本与正常样本的不平衡特性会影响模型的攻击检测精度,同时多类型FDIA的出现使得现有算法在识别攻击种类上具有局限性。针对上述问题,文中提出基于过采样和级联机器学习的电网多类型FDIA识别方法。首先,探究了电网耦合交互过程中的FDIA攻击路径,分析了多类型攻击行为;然后,通过聚类、过滤和线性插值过程生成攻击伪样本,设计基于K均值合成少数类过采样技术(K-means-Smote)的量测数据平衡算法;最后,结合细粒度特征扫描和多个分类器的集成学习策略,构建基于改进级联机器学习的多类型FDIA识别模型。仿真实验表明,所提识别方法可有效辨识多种FDIA类型,且辨识精度高、误报率较低、性能稳定,在小样本下性能仍然出色。     

基于实测数据的电网频率信号特征分析与提取方法

随着新能源大规模接入,电力系统不同区域的转动惯量、频率特性、支撑能力发生了较大变化,提取与辨识频率特征可为电网特性认知以及进一步的惯量评估、频率控制、网络安全等分析提供基础。文中基于源-网-荷全景同步测量系统的大量实测数据,分析了频率与交流电网结构相关的分群现象,提出了基于皮尔逊相关系数的频率空间相关性辨识方法;提出了基于卷积神经网络的“频率指纹”提取方法,将电网特性在频域上进行了高纬特征提取;进一步,对北京、长治等10个城市的实测频率信号进行了测试与分析,给出了识别精度,验证了所提方法的有效性,为后续电力系统频率特性分析、惯量评估、网络攻击识别提供了基础。     

基于四分位与CFSFDP的风电机组异常数据清洗方法

在分析风机功率曲线异常数据的类型及产生原因的基础上,将异常数据划分为堆积型和离散型;在进行简单的异常数据剔除后,分别利用四分位–快速密度峰值聚类、快速密度峰值聚类–四分位这2种不同的组合方法进行数据清洗。将取自数据采集与监视控制系统的4台风机历史运行数据用于实验验证,并采用数据剔除率以及相关性指标来判断异常数据的清洗效果。实验结果表明所提算法可行、有效。     

基于深度学习的电力工控流量应用层报文异常检测

准确可靠的电力工控流量异常检测方法是识别网络攻击和实现主动防御的关键手段,对于保证电网的安全稳定运行具有重要意义。文中针对现有电力工控流量异常检测方法存在的检测深度不足、攻击分类少、未知异常识别能力弱等问题,提出了一种基于飞蛾扑火优化(MFO)算法和一维卷积神经网络(1D-CNN)的电力工控流量应用层报文异常检测方法。首先,在深度协议解析的基础上对流量数据的应用层报文进行多维度特征提取;其次,利用随机森林算法计算特征重要度,剔除冗余特征;然后,训练所搭建的1D-CNN报文异常检测模型,并结合MFO算法进行超参数调优,提升模型性能;最后,利用Softmax分类器输出报文的异常检测结果。仿真结果验证了所提方法的有效性。     

基于负荷尖峰特征LSTM自编码器的窃电识别方法

近年来,面向高损线路的窃电检测方法得到大面积工程应用,对降低窃电检测误报率和推动数据驱动窃电检测的工程应用起到了重要作用。但如何准确检出非高损线路的专变窃电用户,仍是亟待解决的难题。基于实践经验中部分窃电用户存在用电量异常尖峰这一特点,提出基于负荷尖峰特征长短期记忆（LSTM）自编码器的用户窃电识别方法。首先,分析典型窃电用户曲线形态,提炼了区分正常及窃电用户的用电量尖峰特征。然后,结合该特征和用户分时数据周期性规律,构建LSTM自编码模型重构输入得到拟合值,基于拟合值与真实值的均方误差设定自适应阈值,从而识别窃电嫌疑用户并提供具体预警尖峰时段。最后,应用实际专变用户用电数据进行算例分析,结果表明所提方法在准确率、命中率和误报率上均优于对比方法。     

基于VEITD和OSMHD的风电机组轴承损伤识别

针对风力发电机轴承损伤信号易被强噪声干扰导致损伤特征提取困难的问题,提出了一种基于可变熵加权融合的固有时间尺度分解和优化稀疏最大谐波噪声比解卷积法相结合的风力发电机轴承损伤识别方法。采用固有时间尺度分解方法对原始信号进行分解,得到若干个固有旋转分量。利用可变熵对固有旋转分量进行加权融合。使用优化稀疏最大谐波噪声比解卷积法对加权融合信号进行处理,提取轴承损伤特征频率。试验台数据和风力发电机现场数据分析结果表明,所提方法对轴承损伤信号中的噪声抑制效果明显,能够准确提取风力发电机轴承损伤特征频率,实现风力发电机轴承的损伤识别。     

基于改进动态时间弯曲的PMU频率异常检测及类型识别

高比例可再生能源电力系统中不确定性、复杂性和脆弱性问题日益凸显,亟须利用同步相量测量单元（PMU）的高质量量测数据支撑系统动态安全监控。然而,PMU数据受到各类因素影响,存在不同程度的质量问题,影响着数据的各类高级应用。对此,以频率量测数据为切入点,提出了一种数据驱动的PMU频率数据异常检测及类型识别方法。首先,归纳了频率数据的典型异常类型,并构造各类频率数据异常特征。进一步,提出了一种动态时间弯曲改进策略,通过动态调整弯曲窗口来有效量化各类异常特征。最后,基于局部离群因子法实现频率数据的异常检测及类型识别。以实际电网PMU频率数据为例,验证了所提方法的有效性。     

基于VMD-Informer-BiLSTM模型的超短期光伏功率预测

由于光伏出力的波动性和随机性给电网的规划和运行带来了挑战,因此提高光伏功率预测的精度对提升新能源系统的稳定性具有重要意义。为此提出了一种结合模态分解、多维特征建模、Informer、双向长短期神经网络(bidirectional long short-term memory network,BiLSTM)的超短期光伏组合预测模型。首先通过变分模态分解将光伏功率序列分解成不同频率的本征模态函数(intrinsic mode function,IMF),降低光伏功率信号的非平稳性与复杂度;随后使用离散小波变换提取天气因素中的细节分量,实现不同分解算法的优势互补,并用随机森林算法为每个IMF筛选冗余特征,然后将特征矩阵送入Informer进行建模,提取不同时间步中关键时刻的信息,提高对长时间序列的预测效率;最后为进一步提高模型预测精度,分析误差序列特性,利用BiLSTM进行误差校正。采用实际光伏数据进行算例分析,结果表明所提方法提高了超短期光伏功率预测精度。     

基于分位数插值和深度自回归网络的光伏出力概率预测

提出一种将分位数线性插值概率模型和深度自回归循环神经网络相结合的新型光伏出力概率预测方法,可以弥补传统方法在概率建模及刻画复杂非线性关系能力等方面的不足。首先,提出一种基于分位数线性插值的光伏出力概率模型,能够全面准确地刻画各种情况下的光伏出力概率分布。其次,提出使用连续分级概率评分(CRPS)作为训练预测模型的损失函数,并推导出CRPS积分的封闭解析表达式用于模型的训练,保证训练的可行性与效率。最后,使用深度自回归循环神经网络对光伏出力的时间序列建模,结合所提出的光伏出力概率模型,形成新型光伏出力概率预测方法。算例结果表明,所提方法能提供可靠、高质量的光伏出力概率预测。     

基于边缘检测的大规模风电场送出线路纵联保护算法

由于风电出力的波动及送出线路发生故障时故障电流的频偏特性,风电场送出线路纵联保护灵敏度下降甚至拒动,因此提出了基于边缘检测的风电场送出线路纵联保护算法。通过将风电场送出线路两侧采集到的电流构造为矩阵形式,并使用Sobel算子进行边缘检测,从而确定电流采样值变化大的部分。然后通过所识别到的线路两侧电流采样值变化大的部分计算平均梯度幅值并与整定值相比较,实现区内故障和区外故障的快速识别。最后通过PSCAD/EMTDC搭建了大规模风电场送出系统模型,验证了所提算法的适用性、速动性及抗过渡电阻能力。与现有送出线路的纵联保护相比,所提方法在风电场弱出力的情况下仍适用,且动作速度更快。     

基于电能质量监测数据的企业环保异常工况识别

针对目前污染企业环保工况异常监测实施困难、识别误差大、结果易被篡改等问题,提出了一种基于电能质量监测数据的环保异常工况识别方法。区别于对每个设备安装分表进行用电监测的现有方案,使用企业设备公共用电入口处非侵入式负荷监测所得的多维电能质量数据进行工况分类模型训练,实现异常工况识别。首先,对表征生产情况的特征数据进行时序变点检测与聚类计算,实现企业生产工况的划分;然后,结合环保设备运行情况得到用于分类的环保工况类别;进而,采用Stacking集成学习模型对环保相关的工况场景进行分类学习;最后,利用所训练的分类模型识别出企业存在的环保异常工况。利用仿真测试数据与实际企业数据验证了所提方法的有效性。     

基于时域模型的电-气综合能源系统分布式鲁棒状态估计

高效准确的状态估计(SE)技术是电-气综合能源系统(IEGS)安全稳定运行的关键。现有的IEGS-SE方法常采用有限元差分模型描述气网动态特性。该模型需引入冗余的时空微元,难以兼顾SE精度和计算复杂度。为此,提出一种基于时域模型的IEGS分布式鲁棒SE方法,在保证精度的前提下提升计算效率。首先,基于时域模型推导出以真实节点压强为状态量的气网状态空间模型,实现气网模型的简化和降维。在此基础上,以卡尔曼滤波算法为框架,提出有限边界信息交互的分布式IEGS-SE策略,以解决不同子系统多管理主体之间的信息壁垒问题。最后,利用噪声自适应算法准确跟踪时变噪声参数,提升所提方法的鲁棒性。仿真算例证明,所提方法在保护各子系统隐私的条件下,有效提高了SE精度,抑制了坏数据影响,且计算效率远高于传统有限元差分法。     

基于线性判别分析和密度峰值聚类的异常用电模式检测

现有的异常用电检测方法存在未考虑电力用户的位置信息、模型参数选取困难的问题。据此,提出了一种基于线性判别分析（LDA）和密度峰值（DPeaks）聚类的双判据无监督异常用电检测模型。该模型遵循“特征构造—维度规约—聚类—异常检测”的流程,借助聚类算法将用电模式类别不同的用户进行分类后再检测。在维度规约模块,使用线性判别分析将用户的台区号输入检测模型,提升了模型的检出率和精确率;在异常检测模块,设置双判据检测标准,减小了模型对参数摄动的敏感程度。采用该模型检测爱尔兰智能电表数据,结果表明用户位置信息的引入可以提高异常检测模型的准确度。     

基于场景缩减优化引导置信度选值的园区微能源网改进CVa R日前调度模型

园区微能源网在波动的电力现货价格下常面临调度成本的不确定性,易造成额外的损失成本。然而,常用的随机优化手段——典型场景规划、条件风险价值(condition value at risk, CVaR)存在忽略场景合并损失及置信度主观选值的问题。为此,提出兼顾场景相似度与合并损失下的改进场景缩减优化方法,提取典型市场场景集,将场景缩减后的损失度作为置信度的选值依据,形成改进CVaR日前经济调度模型。算例分析表明,基于场景缩减优化引导置信度选值的方法有效促使CVa R值反映实际调度的损失成本,且较主观选值而言更接近理论最低的尾部风险损失,即表明园区微能源网的日前经济调度成本与实际环境更为接近,并进一步讨论了考虑风电不确定性及其他场景缩减方案下的模型推广性。     

基于MGAT-TCN模型的可解释电网虚假数据注入攻击检测方法

新型电力系统背景下,快速、准确的虚假数据注入攻击(FDIA)检测对电网安全运行至关重要。但现有深度学习方法未能充分挖掘电网量测数据的时序和空间特征信息,影响了模型的检测性能;同时,深度神经网络的“黑盒”属性降低了检测模型的可解释性,导致检测结果缺乏可信度。针对上述问题,提出了一种基于多头图注意力网络和时间卷积网络(MGAT-TCN)模型的可解释电网FDIA检测方法。首先,考虑电网拓扑连接关系与量测数据的空间相关性,引入空间拓扑感知注意力机制,建立多头图注意力网络(MGAT)提取量测数据的空间特征;接着,利用时间卷积网络(TCN)并行提取量测数据的时序特征;最后,在IEEE 14节点系统和IEEE 39节点系统中对所提MGAT-TCN模型进行仿真验证。结果表明,所提模型相比于现有检测模型具有更高的检测准确率和效率,且通过拓扑热力图对注意力权值可视化,实现了模型在空间维度的可解释性。     

数据赋能低压配用电系统精益化运行的关键技术与算法

随着人工智能和大数据技术的发展,合理高效地分析电力数据可以赋能电网业务以提升其工作成效。同时,智能采集装置提供了海量计量数据,为数据赋能低压配用电系统精益化运行打下了坚实基础。为更好地总结低压配用电系统精益化运行的研究成果和启迪思路,根据现有业务将低压配用电系统精益化运行主要分为计量采集设备质量评估与计量数据异常监测、用户相位关系识别与三相不平衡治理、低压台区户变关系和拓扑关系识别、用户异常用电和窃电行为检测、客户侧用电服务评价5个方面,分别介绍了数据赋能低压配用电系统精益化运行中的关键技术及算法,并给出了目前研究的不足和未来的展望。