基于MSTAGNN模型的可解释海上风电场多风机出力预测

现有海上风电场出力预测研究对复杂时空关系考虑不足,且多为“黑盒”模型,缺乏可解释能力。为充分挖掘时空关联并实现模型可解释,提出一种基于多重时空注意力图神经网络(MSTAGNN)的海上风电场出力预测模型。首先,构建了一种考虑空间关联的海上风电场图拓扑,并引入空间注意力机制实现图拓扑的动态变化;其次,分别利用图卷积网络和时间门控卷积网络有效提取空间和时间特征;接着,对所提模型引入多维多头注意力机制,使其获得多重可解释能力;最后,基于中国东海大桥风电场真实数据进行仿真验证。结果表明,所提模型相比传统预测模型具有更高的预测精度,同时在空间、特征、时间多个维度具有合理的可解释性。     

基于注意力机制和卷积神经网络的配电网拓扑辨识

针对当前配电网拓扑变化频繁,拓扑结构实时获取困难等问题,文章提出基于注意力机制和卷积神经网络的配电网拓扑辨识方法。首先利用卷积神经网络挖掘量测信息和配电网拓扑结构之间的关系,学习其映射规则;考虑当前配网中同步相量测量装置(phasor measurement unit,PMU)和微型同步相量测量装置(micophasormeasurementunit,μPMU)等高级量测设备安装数量不足导致获取量测数据质量不高的问题,在卷积神经网络隐藏层中融入注意力机制,以增强模型鲁棒性;通过随机森林算法对特征数据集进行降维,降低模型时、空复杂度;最后,分别基于IEEE 33节点配电网和PG&E69节点配电网开展算例分析,以验证方法的可行性和优越性,并检验利用更少特征进行拓扑辨识的可能性。结果表明：所提方法具有良好优越性和鲁棒性,泛化能力强,在仅提供少量时间断面量测数据情况下便可实现配电网拓扑辨识,且对于辐射网和含环网络同样适用。     

基于时间卷积和图注意力网络的电力系统暂态稳定评估

准确、快速的暂态稳定评估对电网安全运行至关重要。但现有方法未充分挖掘电网暂态数据的时空特性信息,限制了模型的评估性能。文中提出了一种基于时间卷积网络(TCN)和图注意力网络(GAT)的暂态稳定评估方法。该方法仅以量测母线电压幅值和相角数据作为输入,凭借GAT可以处理图数据并建立电网拓扑连接关系的优点和TCN特有的因果空洞卷积运算特性,自动从暂态数据中提取出空间特征和时间特征,进而实现对系统暂态稳定性的准确评估。此外,采用改进的焦点损失函数作为模型训练目标,可以动态适应训练过程中模型对难易样本的判别界限且自适应处理样本不均衡问题,减少了对失稳样本错分类的现象,同时还提高了全局准确率。IEEE 39和IEEE 145节点系统仿真结果表明,所提方法在响应时间上具有优越性,并且在拓扑变化和数据存在噪声情况下都具有较强的泛化性和鲁棒性,满足在线评估的准确性与快速性要求。     

基于CNN-LSTM-Attention的配电网拓扑实时辨识方法

配电网中准确的拓扑结构辨识对运行和控制具有重要意义,针对实际配电网拓扑结构变动的情况,搭建了可智能辨识配电网拓扑结构的深度学习模型。首先,生成不同拓扑结构下的配电网量测数据并进行数据预处理。其次,构建了融合CNN（卷积神经网络）、LSTM（长短期记忆网络）和Attention（注意力机制）的拓扑结构智能辨识模型,并结合历史量测数据对模型训练并测试。最后,在IEEE 33节点和PG&E69节点配电系统仿真算例中,验证了该基于CNN-LSTM-Attention模型的拓扑辨识方法相较于传统辨识方法在辨识精度上的优越性,实现了该模型的在线应用。     

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。     

基于图注意力网络的配电网超分辨率量测生成方法

针对配电网中量测布局不均、精度不足等问题,提出了一种基于图注意力网络的配电网超分辨率量测生成方法。该方法可提高配电网状态量时空分辨率,且具有拓扑泛化能力,可适应配电网重构拓扑工况,以最小化量测采集实现配电网高精度状态感知。所提方法通过注意力机制学习节点电气状态量之间的关联关系,将潮流约束加入模型训练中并设计了模型训练所需的最小拓扑集,避免对训练样本数据的过拟合,提高生成模型泛化能力。最后,通过IEEE 33节点和IEEE 123节点标准配电网算例验证了所提方法的有效性。     

基于图注意力和时间卷积网络的风电齿轮箱故障预警方法

针对风电齿轮箱故障预警中数据信息挖掘不充分问题,提出一种基于图注意力和时间卷积网络的风电齿轮箱故障预警 方法。 分别从时间与空间尺度建立各特征点的物理联系,拓宽特征维度以提升故障预警精度。 图注意力网络构建不同数据测 点间的空间拓扑结构,遍历每个节点的相邻节点进行加权求和达到聚合信息的目的;时间卷积网络使用特殊的因果膨胀卷积和 残差网络,扩大感受野,提升时间特征捕捉能力。 以华北某风电场实际数据为例进行验证,结果表明,提出方法能够在故障发生 前 122 h 监测到风电齿轮箱的异常状态并发出预警信号;与其他方法进行对比,提出方法预警时间提前 52~ 63 h,模型预测误差 减小 1. 05% ~ 3. 76%;使用 t-SNE 和概率密度曲线提升结果可解释性。     

基于图注意力深度网络的电力系统暂态稳定评估

常规深度学习模型应用于电力系统暂态稳定评估时难以直观和充分地考虑电网拓扑结构对稳定性的影响.论文结合"图深度学习"思想,将图注意力网络(graph attention network,GAT)引入TSA建模,设计了多头注意力方案,采用加权交叉熵损失函数改善不均衡样本的训练效果,提出多图并行训练方案加速训练过程.结合算例...     

基于有限同步量测数据的电力系统故障检测、辨识与定位

提出了基于有限同步量测数据的电力系统故障检测、辨识及定位方法。首先提出了电网PMU优化配置方法,以实现同步量测数据在空间上的最优分布。然后利用基于高斯原子库的匹配追踪分解算法对PMU采集的同步频率信号和电压信号进行特征提取,并利用k-means分类算法对特征量进行分类。根据频率信号时频特性训练不同的隐马尔科夫模型用于故障检测和辨识;根据电压信号时频特性及电网拓扑信息生成故障定位图、确定故障地点。在IEEE 39节点系统和实际系统上的仿真分析验证了所提方法的高效性、有效性和鲁棒性。     

基于深度强化学习的电网紧急控制策略研究

提出一种基于深度强化学习的电网切机控制策略,所提控制策略依据电网运行环境信息,通过数据分析得到切机控制策略。首先介绍强化学习框架,阐述学习算法原理,并详细介绍Q-Learning方法。然后介绍深度学习基本概念和深度卷积网络原理,提出利用深度卷积网络提取电网运行特征,构建切机策略的思路。再结合深度学习和强化学习,构建深度强化学习框架,其中深度学习采用深度卷积神经网络模型用于提取特征,强化学习采用双重Q-Learning和竞争Q-Learning模型计算Q值,通过比较Q值大小得到切机控制策略。最后,利用IEEE 39节点系统验证了方法的正确性。     

基于两阶段特征选择和格拉姆角场的配电网拓扑辨识方法

分布式能源并网、辐射状与环状拓扑混合运行、量测误差等影响因素使得配电网在线拓扑难以准确获得。为此,文中提出了一种基于两阶段特征选择和格拉姆角场(GAF)的配电网拓扑辨识方法。首先,基于XGBoost和最大信息系数的两阶段特征选择方法筛选出不含冗余拓扑特征信息的重要量测。其次,基于GAF特征变换,将一维的配电网时间断面量测数据变换为二维的GAF,在保留时间断面的节点电压分布规律的同时,有效表征节点电压幅值分布中的拓扑特征信息。最后,设计了一种适用于拓扑辨识的三卷积层神经网络模型,凭借卷积和池化的运算特性以及抗噪性,稳定地提取GAF所蕴含的拓扑特征信息,从而准确建立配电网节点电压幅值分布到拓扑的映射关系。通过IEEE 33节点系统验证了所提方法的有效性,并分析了所提方法对不同噪声水平、数据缺失比例以及其他场景的适应性。     

基于异质边图注意力网络的电力系统振荡评估模型

新能源发电使电网潮流变化更加快速,跟踪潮流变化,在线预测电网关键振荡模式的阻尼比和机组参与因子对维护电网运行安全有重要意义。该文采用数据驱动的建模思路,设计了基于多任务学习和深度学习框架的电力系统小干扰稳定评估模型(small-signal stability assessment,SSA),可同时实现多振荡模式的阻尼比预测和机组参与因子预测任务。基于图注意力网络和异质图思想,设计了引入边信息的边图注意力机制和将节点和边分类处理的异质图处理方法,建立了能有效利用边信息的异质边图注意力网络模型(heterogeneous edge graph attention network,HEGAT)。以HEGAT的特征聚合为基础,通过多任务共享参数和基于联合误差函数的训练提高了特征提取能力。IEEE10机39节点算例的对比实验表明,HEGAT-SSA能快速准确的预测模式和模态变化,并具有对拓扑变化的良好适应能力。     

基于改进一维卷积神经网络的电力系统暂态稳定评估

为充分挖掘电力系统暂态过程中量测数据的时序信息,并进一步提高电力系统暂态稳定评估的准确率,提出了一种基于改进一维卷积神经网络的电力系统暂态稳定评估方法。该方法直接以底层量测数据作为输入特征,通过使用多尺寸卷积核来替代传统的单尺寸卷积核,能够有效提取量测数据的多粒度时序信息,实现了端到端的暂态稳定评估。另一方面,引入了焦点损失函数来指导模型训练,其能发掘困难样本并且缓解样本不均衡问题,进一步提升了模型的辨识性能。此外,通过应用GuidedGrad-CAM算法对暂态评估模型的类激活图进行可视化分析,提升了模型的可解释性和透明性。在新英格兰10机39节点算例系统上的仿真分析表明,相较于基于传统机器学习和深度学习的暂态稳定评估方法,所提出的方法具有更优的评估性能,并且对受"污染"数据具有更好的鲁棒性。     

基于图注意力网络的风电场汇集并网系统次同步振荡预警方法

大规模双馈风电场经串补并网系统易产生次同步振荡，若无法及时发现振荡现象并准确告警，将严重威胁系统安全稳定运行。次同步振荡预警是依据电力系统在线量测数据，判断系统振荡稳定性，为调度人员提供实时可靠的预警信息。针对现有次同步振荡在线监测无法实现事前预警的问题，提出一种基于图注意力网络(graph attention network,GAT)的次同步振荡预警方法。首先，分别从风电场侧和电网侧筛选次同步振荡关键影响因素，以减少输入特征信息的冗余；其次，基于多头注意力机制构建多头图注意力网络，考虑不同风电场间以及风电场与电网之间耦合影响的差异，实现不同风电场之间的次同步振荡特征聚合；最后，在搭建的多风电场汇集并网系统上进行次同步振荡稳定性预警，验证了所提方法的准确性和抗干扰性。     

基于拓扑篡改的电力市场虚假数据注入攻击方案

从攻击者的角度出发,在直流状态估计框架下提出了一种基于拓扑篡改的虚假数据注入攻击(FDIA)方案.首先,通过分析攻击后由网络拓扑处理器计算所得拓扑结构与传感器测量结果的一致性以及对比攻击前、后的残差,给出可以躲避拓扑误差处理检测以及残差检测的隐蔽攻击定义;然后,基于上述定义以及攻击向量列空间的隐蔽条件,提出一种FDIA方案,通过求解凸规划问题实现在保证隐蔽性的同时获得最大发电收益;最后,基于标准IEEE 9节点及14节点系统对所提方案的有效性进行验证.结果表明,与现有FDIA方案相比,所提将拓扑篡改与FDIA相结合的攻击方案具有更强的隐蔽性且获利更大.     

基于DeepWalk算法的电力系统错误数据注入网络攻击分类方法

为了准确、有效地识别错误数据注入攻击（FDIA）对电网造成危害的严重程度,提出了基于DeepWalk算法的FDIA分类新方法。根据FDIA的特点,构建电力系统的响应模型;提出批量随机边删减策略,将响应模型生成的攻击数据构造为攻击场景图;采用DeepWalk算法将攻击场景图中的节点映射为低维向量,并将其作为机器学习算法的输入对FDIA进行分类。以遭受FDIA的IEEE 39节点系统为例进行仿真,结果表明所提方法可以根据FDIA对电网造成危害的严重程度准确、有效地对FDIA进行分类。     

基于多通道融合的滚动轴承剩余寿命预测

针对工业生产中滚动轴承剩余使用寿命(RUL)预测任务中数据挖掘不足导致预测精度低的问题,提出了一种多通道融合的滚动轴承剩余寿命预测方法。该方法通过互补集合经验模态分解(CEEMD)对原始振动信号进行降噪化处理和特征增强并将其作为模型输入;构建三通道网络模型,引入3种不同的神经网络：时间卷积网络(TCN)、卷积长短时间记忆网络(ConvLSTM)、双向门控循环单元神经网络(Bi-GRU),从时序、空间、感受野等多维度对特征进行差异化提取;在结构基础上添加多头注意力机制(multi-head attention mechanism, MA),重新调整网络输出权重、加快模型收敛速度;最后,设计一个特征融合输出模块,实现对滚动轴承剩余寿命预测。在两种数据集上进行实验验证,并与其他文献中先进模型进行对比。结果表明,所提模型能够更准确地捕捉轴承寿命退化曲线并且在多种评价指标上均优于对比模型。     

基于自注意力Transformer编码器的多阶段电力系统暂态稳定评估方法EI北大核心CSCD

人工智能方法在电力系统暂态稳定评估研究中已经取得了一定的成果。常规深层网络普遍被视为“黑盒”模型,这限制了智能算法在实际工程应用中的可信赖性;同时,常规算法对电力系统时序信息的提取能力不足。针对以上问题,构建基于Transformer编码器的多阶段暂态稳定评估方法,其多阶段预测能够有效降低失稳漏判率。和常规算法相比,Transformer模型具有良好的可解释性,其注意力机制引导模型自适应识别并聚焦于关键特征,在一定程度上揭示深层网络内部工作决策过程。此外,采用多时刻信息构建特征空间,Transformer通过注意力机制实现全局感受野,使模型快速捕获电力系统前后时刻间的状态依赖。IEEE-39节点系统上的仿真结果表明,所提方法相比常见数据驱动模型具有更高的暂稳评估准确性,呈现出良好的可解释性,并在数据污染时依然维持较高的性能。     

基于图注意力网络算法的电网连锁故障关键线路辨识

快速、准确识别电网中对连锁故障发展具有助推作用的关键线路,对避免大停电事故发生具有重要作用。该文提出一种基于图注意力网络(graph attention network,GAT)算法的电网连锁故障关键线路辨识方法。首先,分析连锁故障传播机理和关键线路特征,采用运行可靠性模型仿真模拟连锁故障,依据风险理论定义关键线路。其次,利用GAT算法建立关键线路辨识模型,考虑到计算稳定性、样本均衡性等问题对辨识结果的影响,设计了多头注意力机制、带权重交叉熵损失函数等,完善优化模型。最后,构造运行场景-关键线路样本集,对辨识模型进行训练、验证与测试。IEEE39节点系统和实际电网算例仿真表明,所提方法显著提高了新场景下连锁故障关键线路辨识的准确性和速度,具有一定的应用前景。     

基于组合深度学习的光伏功率日前概率预测模型

为准确量化复杂场景下光伏预测功率的不确定性,提出了一种基于时序卷积网络-注意力机制-长短期记忆网络组合的光伏功率短期概率预测方法。首先,基于多种相关性分析方法选出与光伏功率强相关的气象因素;然后,基于时序卷积网络的特征提取能力和长短期记忆网络的时序特征建模能力,并结合注意力机制和分位数回归,建立组合深度学习预测模型;最后,采用核密度估计方法生成连续概率密度函数。以实际集中式和分布式光伏电站为案例进行分析,结果表明：与长短期记忆网络、时序卷积网络、时序卷积网络-注意力机制和时序卷积网络-长短期记忆网络相比,所提方法在确保最优预测区间的同时,可以提升概率密度预测的性能。