针对D-PMU数据的网络攻击分析及应对策略

相较于主网相量测量单元(phasor measurement unit,PMU)数据较为安全的专网传输环境,配网相量测量单元(distribution network PMU,D-PMU)数据的传输一般采用有线+无线通信的方式,容易受到不法分子的攻击。本文对D-PMU数据特点进行了分析,揭示了针对D-PM U数据的网络攻击原理。提出了基于认知无线电技术的数据传输网络和相邻设备连续加密算法,增强了数据传输的安全性。最后通过仿真验证了所提方法的正确性。     

基于改进自注意力机制生成对抗网络的智能电网GPS欺骗攻击防御方法

为了避免全球定位系统欺骗攻击(GSA)对相量测量装置造成的危害,提出了一种基于改进自注意力机制生成对抗网络(SAGAN)的智能电网GSA防御方法.首先,通过引入深度学习参数,构建了改进网络-物理模型,利用历史数据计算得到当前时刻的量测值.然后,在SAGAN的生成器和判别器网络中分别融入一个时间注意力模块,提出了一种用于实现网络-物理模型的改进SAGAN防御方法.通过训练改进SAGAN,得到一对判别器和生成器,利用判别器检测采集的量测值是否遭受GSA,当检测到攻击时,利用生成器生成的数据替换欺骗数据,从而实现智能电网对GSA的主动防御.最后,基于IEEE 14节点和IEEE 118节点系统进行仿真测试,结果验证了所提方法的可行性和有效性.     

基于预测的智能电能表数据简化的轻量级框架

在高级计量设施(AMI)中,为了最大限度减少智能电能表的数据传输量和数据简化,提出一个基于预测的轻量级框架。首先,建立决策树以找到预测方法和用电数据统计特征之间的关系;然后,分析用电数据的时间序列以提取统计特征;最后,为了增加框架对智能电能表不断变化的数据模式的自适应能力,采用监督式学习方案实时切换到最适合当前数据模式的预测方法。从数据集中提取1年中10个用户的用电数据,每个用户采集的总记录数为17600个。实验结果表明,所提框架可以实现较高的数据简化准确度(DRA)和数据简化率(DRP),其中,DRA最高为96.7%,DRP最高为98.6%。     

电力信息物理融合系统数据区块链生成算法

随着电力信息物理融合系统(CPS)的发展,传统集中式数据采集架构运行存在透明度差、数据安全风险高等不足,利用区块链的去中心化、安全可信等特性,提出一种电力CPS数据区块链生成算法,以提升数据交互和使用过程的安全可信性。基于电力CPS数据的私有化特征,提出数据区块建链架构,并采用区块生成节点内排队机制和节点间按需路由数据交换机制提升CPS数据区块的建链速度,结合数据特征验证机制和私有化区块链的特性,确保数据能够实时传输、存储。采用5种不同IEEE标准算例对所提算法进行验证,结果表明所提算法具有更短的数据区块建链时间和更好的传输性能。     

WSNs中协同簇数据汇聚机制研究

在无线传感器网络(WSNs)中,数据汇聚是各种应用的基础,其能量消耗也是网络总能耗的主要部分,因此研究能量有效的数据汇聚机制是关键。该文提出了一种"协同簇"的数据汇聚机制(CC-DAM),从理论上完整分析了其数据传输的总能耗,导出了簇内参与协同数据传输的最佳节点数,并论证了其优于传统簇机制的条件;同时,提出了一种基于簇核心的地理位置路由策略,具有能量有效性和好的路由方向性。仿真实验结果表明CC-DAM是一种能量有效的数据汇聚策略,适合无线传感器网络的各种应用。     

基于数据驱动的电力用户用电采集系统优化运维研究

针对传统的电力用户用电采集系统在运维方面存在采集信息量少以及耗时长等问题,提出了一种基于数据驱动的电力用户用电采集系统优化运维技术。首先分析了电力用户用电采集系统中的基本组成和架构,并根据用电采集系统的实时/历史数据库构建了采集系统运维方案;然后结合不同区域电网的运维周期和电网安全要求,提出了用电采集系统的优化运维模型,并采用粒子群算法进行了优化求解。最后,通过实际测试验证了所提方法的可行性和有效性。     

数据驱动下的虚拟同步发电机等效建模

为了适应电力电子化发展的趋势,同时在建模时考虑电力电子逆变器的高频开关状态的影响,提出了一种基于长短期记忆网络(longshort-termmemory,LSTM)的虚拟同步发电机数据驱动建模方法。通过简化虚拟同步发电机的数学机理模型,着重关注各电气量之间的数据映射关系,构建基于LSTM网络的数据驱动模型,实现了由当前时刻电气量预测下一时刻输出的动态建模。为了验证所提模型的有效性,通过搭建仿真模型,对比了不同神经网络方法以及理论方法的差异性。仿真结果表明,所提模型能够反映虚拟同步机不同运行工况下的动态特性,具有良好的稳定性与泛化性,为电力电子化建模提供了一种有效的解决思路。     

智能配电网多源数据融合研究

微型同步相量测量装置(distribution network phasor measurement unit,D-PMU)和高级量测设备(advanced metering infrastructure,AM I)等新型量测装置所采集的数据与传统配电网SCADA系统采集的数据一起成为了智能配电网广域量测与控制系统(distribution network wide area measurement and control system,D-WAMCS)的数据源。为弥补各系统在建设时遵循的建模标准不统一的缺陷,实现各系统数据之间的互通,本文首先对智能配电网混合量测体系架构进行了分析,比较了D-PMU数据、AMI数据与SCADA数据在数据成分、数据精度、时标信息等方面的差异,提出了一种统一信息模型,对IEC 61850标准和IEC 61968-301(CIM)标准的设备描述进行统一。利用示范区实际系统对所提模型进行了验证。     

数据驱动下的虚拟同步发电机等效建模EI北大核心CSCD

为了适应电力电子化发展的趋势,同时在建模时考虑电力电子逆变器的高频开关状态的影响,提出了一种基于长短期记忆网络(long short-term memory,LSTM)的虚拟同步发电机数据驱动建模方法。通过简化虚拟同步发电机的数学机理模型,着重关注各电气量之间的数据映射关系,构建基于LSTM网络的数据驱动模型,实现了由当前时刻电气量预测下一时刻输出的动态建模。为了验证所提模型的有效性,通过搭建仿真模型,对比了不同神经网络方法以及理论方法的差异性。仿真结果表明,所提模型能够反映虚拟同步机不同运行工况下的动态特性,具有良好的稳定性与泛化性,为电力电子化建模提供了一种有效的解决思路。     

基于模型-数据混合驱动的风电场暂态过程等值方法

针对大规模风电场接入给电力系统安全稳定分析过程带来的方程高维性、计算效率低问题，提出了一种基于模型-数据混合驱动的风电场暂态过程等值方法。对整个风电场进行两阶段聚合，最终将含有多台风机的风电场等值为单台风机模型。第一阶段等值过程中基于物理模型驱动思想，通过获取不同风速下风机并网点有功暂态响应特性及出力特性，采用K-means方法将所有风机聚合为四台等效风机。第二阶段基于数据驱动策略，通过所建立风电场并网点有功偏差最小的多时段优化模型并结合长短期记忆网络(long short term memory, LSTM)训练，将四台等效风机聚合为单台风机模型，实现了整个风电场的暂态过程等值聚合。通过算例验证了所提等值方法能够有效地反映风电场的暂态过程特性，为电力系统安全稳定分析模型降维提供了一种实用化解决方案。     

面向互动需求响应的虚假数据注入攻击及其检测方法

在互动需求响应(IDR)框架下,对需求侧虚假数据注入(FDI)攻击的脆弱性进行分析,凝练了对用户能量管理系统(UEMS)的攻击过程。首先,采用主从博弈建立了针对IDR的FDI攻击模型,并证明其斯塔克伯格均衡存在且唯一。提出了一种基于分布式事件触发机制与机器学习的攻击检测方法,事件触发机制在UEMS中执行,系统检测在能量零售商(ER)中基于长短期记忆网络(LSTM)进行。最后,通过实例分析验证了所提方法的有效性。     

基于深度信念网络与数据聚合模型的智能电表数据异常检测方法

针对智能电网中广泛应用的智能电表(smart meters,SM)可能在测量和监视电能消耗的过程中遭受的多种网络攻击的问题,提出了一种新的异常模式检测框架,以防止智能电表的能源欺诈。所提方法首先基于智能电表向智能配变终端发送用户的用电特征数据,采用分布式数据模型对数据进行聚合,以更好地解决用户隐私保护问题;然后利用深度信念网络(deep belief network,DBN)将得到的数据与期望数据进行对比,以更好地获取数据特征,并对训练结果进行自上而下的特征优化;最后,通过智能配变终端将集群中的智能电表从1到N进行标记,并将执行数据经过深度信念网络提取特征传送至电表数据计量管理系统(meter data management system,MDMS),检查并更换故障或受损的智能电表,以获得更精确的非专业技术损失检测分析。实验结果表明,所提方法相对于传统智能电表数据异常检测具有更高的检测率和适用性。     

基于Oracle机制的电力5G可信数据上链技术

针对电力区块链系统中数据上链效率和可信性问题,研究了基于5G和Oracle机制的可信数据上链技术。首先讨论了区块链系统中数据上链方式,分析了适用于电力5G区块链应用的Oracle数据上链方法;其次提出了基于分布式Oracle的电力5G业务系统数据可信上链机制,设计了基于云-边-端一体化的系统总体架构,以及数据源注册、评估、上链的工作流程。其中,电力业务应用中分布式数据采集共享通过区块链系统实现,数据源评估采用基于门限签名算法和可验证随机函数实现,将分布式Oracle的评估过程卸载到位于边缘侧的边缘物联代理节点上,确保系统的安全性和可用性。通过基于对5G切片的任务划分和优化,实现认证数据和业务数据的高效传输。最后在基于区块链的5G电力用电信息采集系统中部署所提方案,从通信性能、业务性能、系统开销等方面进行了实验验证。验证结果表明,所提方案在高负载压力测试下数据平均传输时延约为10ms,丢包率小于0.9%,一次认证成功率高于90%。在100量级并发业务请求情况下,较已有方案性能最高提升80%,因而具有良好的可行性和推广价值。     

基于改进生成对抗网络的台区采集数据修复

低压配电网台区位于输配电系统的末端,是开展配电系统管控的基础环节。受不可抗力的影响,台区终端采集数据普遍存在缺失值,整体数据质量较差,进而影响信息的正确性和决策分析的准确度。传统的数据修复方法忽略了台区数据的周期性和时序性,修复精度较低。该文提出一种基于生成对抗网络(generativeadversarialnetwork,GAN)的配电网台区缺失采集数据修复模型,改进了GAN网络的结构,为判别器额外设计了提示机制,使其能够尽可能地利用未缺失信息,潜在地拟合原始数据的分布特征。所提出的方法不需要利用完整的数据集进行训练,整体运行在无监督的环境下,更适用于复杂的生产实际,实验结果表明,所提方法能够高精度地对台区缺失数据进行修复。     

基于PCIe的FC数据采集存储方案的设计与实现

针对新一代传输总线标准——光纤通道(fibre channel,FC)数据传输速度快、可靠性高等要求,提出了一种基于PCIe的FC数据采集存储方案。该方案结合PCIe传输速度、扩展性等方面的优势以及磁盘阵列延时低、效率高的特点,解决了FC数据传输速率与存储速度不匹配的难题。首先对PCIe驱动的开发进行简要介绍,然后在此基础上设计了光纤通道数据进行采集存储的上层应用程序,完成了高速FC数据的大容量存储。     

基于改进卷积神经网络的电网假数据注入攻击检测方法

假数据注入攻击可以篡改由数据采集与监控(SCADA)系统采集到的量测信息,影响电网的重要决策,从而对电网状态估计造成安全威胁。针对智能电网状态估计,研究了交流模型下假数据注入攻击的原理,构建了基于改进卷积神经网络(CNN)的假数据注入攻击检测模型。将门控循环单元(GRU)结构加入CNN中的全连接层之前构建CNN-GRU混合神经网络,根据电网历史量测数据进行训练并更新网络参数,提取数据的空间和时间特征,并根据提出的模型设计实现了高效实时的假数据注入攻击检测器。最后,在IEEE 14节点和IEEE 118节点测试系统中,与基于传统CNN、循环神经网络及深度信念网络的检测方法分别进行了大量对比实验,验证了所提方法的有效性。     

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。     

计及模式可观度的阻抗网络聚合方法

为研究大规模可再生能源系统的振荡问题,提出了一种基于模式可观度的阻抗网络聚合方法,将高维度的阻抗网络简化为一个聚合阻抗,使其保留系统全部振荡模式的信息。首先定义了节点(支路)对模式的可观度,然后基于节点(支路)可观度矩阵提出了阻抗网络的聚合判据和聚合指标,从而找到对各模式均可观的网络端口,接着计算该端口的等效阻抗,作为网络的聚合阻抗。最后将所提方法应用到实际风电并网系统中,利用获得的聚合阻抗分析系统的振荡稳定性,并通过仿真验证了该方法的有效性。     

配电云平台的决策级数据融合及其并行化

随着传感器技术的不断发展,配电主站中包含的传感器数量不断增加,配电云平台能够接收海量数据.为了提高数据的利用率,同时提高云平台对数据的处理效率,本文提出一种关于配电云平台的决策级数据融合方法及其并行化方案,通过计算传感器的重要程度判断传感器网络中各传感器反映某事项的程度,从而决定是否将数据实时传输到应用层,同时利用改进的基于权重的D-S理论在应用层实现进一步的数据融合,整个过程利用Spark进行并行化计算.本文提出的数据传输及融合方法能够在保证数据传输完整性的前提下大大提高应用层的决策效率,尤其对于需进行实时判断的事件,所提方法能够保证配电云平台实时高效地做出决策.     

基于事件触发机制的配电网自适应UKF动态状态估计

随着智能配电网监测技术的发展及应用,网络中大量的数据传输会造成通信信道拥堵,导致数据丢失、传输延时等网络化诱导现象,进而严重影响配电网状态估计的性能。为了提高配电网量测数据的传输效率,在网络传输过程中引入事件触发机制,在保证系统状态估计性能的前提下,尽可能减少网络中的数据传输量。针对事件触发机制的引入造成的量测信息不完整的问题,建立了基于事件触发机制的量测模型,并设计了基于事件触发机制的自适应无迹卡尔曼滤波算法。应用该算法实现了在事件触发机制下对具有非线性、过程噪声参数未知且时变的配电网的动态状态估计。基于IEEE-69配电网测试系统进行仿真分析,结果表明,所提方法既能合理降低通信网络传输的数据量,又能保证系统良好的估计性能。