基于TensorFlow深度学习框架的窃电分析研究

目前,对于电力用户异常用电的问题为研究,提出基于深度学习用户异常用电模式检测相关模型,同时借助Tensorflow框架,进一步构建多层特征匹配网络以及特征提取网络.长短期记忆特征提取网络,能够从大量时间序列中获取不同序列特征,对于全连接网络多层特征匹配网络,研究学者提出,利用所提取特征数据,以完成异常用电数据的相关检测...     

基于电力网络监测数据的大数据安全分析平台关键技术研究

针对大数据环境下,电力网络监测数据流量大、变化快,电网通信异常链路判断可靠性差,序列异常检测结果失真的问题,本文提出了一种基于电力网络监测数据的大数据安全分析平台关键技术研究。通过电力网络通信异常链路判断方法设计,多维熵序列异常检测方法设计对平台关键技术进行分析,采用多维熵序列异常检测方法对异常链路上采集的网络流量数据的分布特征进行度量,获得电力网络流量监测数据在各个维度上的熵值序列,利用支持向量机对网络流量数据各个维度上的熵值序列进行分类,完成基于电力网络监测数据的大数据安全分析平台技术的总体设计。对其进行仿真实验,实验结果表明,所提方法对于大规模电网数据安全分析具有较高的加速比,在帮助电力网络分析人员感知电力网络异常、发现恶意攻击等方面有较大的优势。     

基于时间序列提取和维诺图的电力数据异常检测方法

电力网络中信息系统与物理系统的深度融合,导致现代电力系统易受异常数据的影响。现有的电力数据异常检测方法未能充分挖掘数据特征,存在计算复杂、灵活性差、精度较低等缺点。提出一种基于时间序列提取和维诺图的异常数据检测方法,利用重要点分段的时间序列提取方法,将高维数据进行降维处理,并将其映射到二维平面上,构造维诺图分区,进而检测出异常数据。该方法可降低数据维度和算法复杂度,能根据序列特征灵活设定异常阈值,实现异常数据的准确检测,仿真实验证明所提方法的有效性。     

基于小波和长短期记忆混合神经网络的电力用户异常用电模式检测

为了约束输配电系统中存在的异常用电行为,文中提出一种基于小波和长短期记忆混合神经网络的电力用户异常用电模式检测模型。提出异常用电模拟算法用于生成异常用电数据序列;利用长短期记忆网络构建特征提取网络,从用电数据中提取出不同的序列特征;以小波神经网络为核心构建模式映射网络,实现序列特征到用电模式的映射,完成异常用电模式检测。通过CER Smart Metering Project数据集测试,文章提出的异常用电检测模型与传统网络模型相比,具有更高的检出率、更低的误检率和更高的贝叶斯检出率。     

基于GAN的光伏逆变器数据异常检测技术

随着实际环境中实时传感器数据的增加,定位异常情况变得越来越困难.同时,在基于图像的异常检测领域,生成对抗网络因其能够对复杂的高维图像分布进行建模而得到发展.为了能够精准快速地定位光伏发电系统中光伏逆变器的异常,提出了一种新的基于GAN的异常检测和定位框架.并将多变量时间序列利用角场转换为一系列二维图像,以此利用编码器和...     

电力用户异常用电的深度神经网络检测方法

以电力用户异常用电为代表的电力系统非技术性损耗通常会造成供电公司运营成本的显著性上升。首先,提出一种电力用户异常用电的深度神经网络检测方法,根据电力用户用电负荷特性采用深度置信网络（DBN）对原始的电力负荷数据进行特征提取并获取符合特征,其次,基于极限学习机（ELM）完成特征分类,从而建立电力用户异常用电检测基础模型。最后,提出一种采用改进果蝇优化算法（IFOA）对DBN的网络权重与层间偏置参数进行寻优,由此获得基于IFOA-DBN-ELM的电力用户异常用电检测模型。实验结果表明：所提方法的准确率、精确度和检出率显著高于其他方法,误检率低于其他方法,能够较为准确地检测出具有异常用电行为的电力用户,有助于降低供电公司的运营成本。     

基于深度置信网络和随机森林的电力扰动检测方法

电力扰动数据中包含着大量与设备异常运行状态有关的信息,某些设备的扰动特征很微弱,但却会对设备的运行产生一定的影响,对这些扰动数据的检测将有利于准确感知设备运行状态,防止设备发生故障。提出了一种基于深度置信网络的电力扰动数据检测方法,利用深度置信网络强大的特征提取能力,自动学习出蕴含在扰动数据中的隐藏特征,摆脱人为提取特征的依赖。最后将学习到的特征作为随机森林的输入,实现对电力扰动数据的检测。利用某变电站记录到的实测数据和PSCAD/EMTDC中的仿真数据进行了验证,结果表明所提方法能够准确检测出电力扰动数据,证实了利用深度置信网络检测电力扰动数据的可行性。     

基于动态阈值的变压器异常状态检测

为提升电力变压器状态检修效率和异常状态检测、预警能力,考虑变压器在线监测数据、检修数据及设备本体数据间的相关性,提出了一种基于动态阈值的变压器异常运行状态检测方法,通过构造动态预测模型对特征参数基线进行刻画。在此基础上,采用贝叶斯网络推算变压器运行状态,以概率大小判断变压器可能状态,并基于实际运行数据对所提方法进行了验证分析。计算结果表明此方法可对异常检测数据有效检测,能够对变压器异常状态准确识别和预测。     

基于信息物理融合的智能变电站过程层网络异常流量检测

智能变电站过程层网络中存在的随机报文与突发报文,伴随可能的信息设备物理故障以及入侵病毒拒绝服务攻击等导致的异常流量,使得基于简单阈值的检测方法无法适用。基于信息物理融合的广义信源及基于网络演算法的通信网络流量计算模型,提出了一种基于信息物理融合和差分序列方差的新型智能变电站过程层网络异常流量检测方法。首先,基于差分序列方差的异常检测方法和流程,提出了变电站过程层流量异常隶属函数以及基于信息物理融合的参数确定方法。其次,为增加异常检测的可靠性,提出了考虑智能变电站过程层报文特点的一种攻击条件阈值以及阈值计算方法。最后,对T1-1型变电站网络进行仿真,验证了所提方法不仅能够对过程层中存在的随机和突发通用面向对象变电站事件报文进行识别,也可识别拒绝服务攻击。     

风电场输出功率异常数据识别与重构方法研究

电力大数据是电力发展的重要资源,数据来源于电力生产和电能使用的各个环节。风电运行数据是电力大数据的重要组成部分,随着风电穿透功率的增大,风电数据的采集、处理、分析对风电场运行、控制与并网研究有重要意义。然而,从风电场收集到的大量数据中通常包含异常数据点,这样的异常点给风电功率波动特性、风电功率预测等方面研究带来负面影响。分析了风电场历史运行数据中存在的异常数据的主要来源,并针对该实际问题,采用基于四分位算法的数学模型对异常数据进行识别。在数据缺失的情况下,以可用历史数据为基础,采用基于临近风电场出力模式性的方法和多点三次样条插值方法重构出完整的时间序列。算例分析给出了两种重构方法的重构效果以及各自的适应性,结果表明采用所提出的方法能够有效识别、剔除异常数据并重构缺失数据,对不同风电场有较强的通用性,具有一定的工程实用价值。     

基于大数据分析的电力监控网络安全主动防护策略研究*

作为电力工业的关键基础设施之一,电力监控系统的网络安全对电网稳定运行有着非常重要的意义。目前电力监控网络安全防护技术无法保证所有的网络攻击都能够有效防护。基于此,针对电力监控网络无法有效检测多类型网络攻击形成的复合攻击问题,提出了一种新的主动检测防护策略。该策略基于D-S证据理论,计算安全事件的偏离度,根据偏离度大小,采用局部线性加权确定安全事件的权重,形成基于局部线性加权的安全事件证据组合。在此基础上,针对多类型网络攻击,构建了基于证据分类的复合攻击检测防护策略。实验结果表明,本方案不仅对单一攻击源具有非常良好的判别精确度,还能够有效甄别多类型网络攻击行为,对电网安全运行具有参考意义。     

基于高斯混合模型的光伏发电出力中高比例异常数据检测方法研究

光伏发电出力中的高比例异常数据具有相互重叠、多高斯分布的特点,如何精确地剔除光伏发电出力中的高比例异常数据是实现光伏功率精确预测的关键问题.文章分析了光伏发电出力中高比例异常数据的特点,并研究了一种基于高斯混合模型的光伏发电出力高比例异常数据检测方法.建立了高斯混合模型的算法模型,使用期望极大算法(Expectation Maximization,EM)对高斯混合模型的参数进行估计,使用算法模型对光伏发电出力中的高比例异常数据进行检测和剔除.实际算例分析和对比实验表明,文章的方法可以对多分类的高比例异常数据进行精确地检测,较传统的异常数据检测方法更加适用于光伏发电出力的高比例异常数据检测.     

基于CFSFDP算法的边缘电力数据异常检测

随着智能电网的不断发展,电力设备产生的数据量逐渐增多,如何利用电力数据成为电网发展的关键.为了保障电力数据的准确性,在边缘端快速检测并处理异常数据,提出了一种基于CFSFDP算法的电力数据异常检测的方法.该方法基于CFSFDP的假设,将局部密度较低且距高密度点较远的样本点定义为异常值,并创新使用了一种根据前后k值自动选...     

基于时间序列和神经网络的电力设备状态异常检测方法

为进一步提高电力设备异常检测方法对设备信息的利用率,发现更多潜在设备故障,结合大数据分析技术和设备评估技术,提出了一种将时间序列和神经网络相结合用于电力设备状态数据异常检测。首先通过时间序列自回归模型和自组织映射神经网络将连续的电力设备数据离散为单个序列,对时间轴上的状态变量转移概率进行计算,通过状态转移概率和聚类算法快速检测数据异常。通过实验对该方法的有效性进行验证。 结果表明,该方法能快速有效地检测出电力设备的异常状态。     

计及多属性参量的配电网负荷可视化技术研究

随着电力负荷多元化特征的发展,传统的可视化技术难以有效分析和展示电网的负荷断面数据。文章提出了一种以气泡图形式,融合多属性参量展示配网断面负荷的可视化方法,进一步分析了负荷点类型的分布规律。定性分析可视化的数据对象,利用标准差法清洗异常负荷值,并利用主成分分析赋权法对清洗后的负荷、地理信息赋权。为得到负荷点的类别标签,将赋权结果输入MiniBatch-Kmeans算法进行聚类。为可视化配网的运行态势,在实例中将负荷、地理、时间、ID四个属性信息以动态气泡图展示并与传统负荷热力图进行对比。结果表明,文章提出的可视化方法可反映更多的电网运行状态信息,通过展示多参量数据来反映负荷的分布规律和发展规律,可提高调度人员对配网运行数据的感知能力。     

基于数据关联分析的低压配电网拓扑识别方法

文中介绍了一种基于数据关联分析的低压配电网拓扑识别方法。基于低压配电网停电事件、恢复上电事件及地理位置信息将待识别低压配电网划分为单一配电变压器停电台区、由于10kV配电线路停电引起的多个配变停电台区和未停过电台区,在每类台区内筛选特征电压序列,并利用Tanimoto相似度系数计算各分组内配电变压器、分支箱、表箱、用户智能电表之间相关性和非相关性,从而实现低压配电网拓扑识别;结合同一配电变压器台区内停电与带电状态、停电时长、地理位置、供电半径等台区拓扑校验规则对识别出的拓扑进行校验。通过实际案例证明文章提出的方法能够解决现有基于大数据挖掘方法计算量大、计算结果不准确、无法校验等问题,实现了配电变压器台区拓扑的高效、准确识别,提升了配电网的信息化水平和数据质量。     

基于源网荷互动的分布式能源消纳方法

分布式能源发电的不确定性给电网公司消纳新能源带来了极大的挑战,电力物联网全域感知技术为分布式能源消纳提供了有效的数据支撑,故提出了一种基于源网荷互动的分布式能源消纳方法,构建了分布式能源总功率预测方法,采用自回归移动平均算法对新能源发电功率进行预测,并建立分布式能源发电波动影响因子,分析新能源发电波动对电网带来的影响。根据源网荷的互动情况,采用离群点自趋优算法,实现新能源机组有功功率精准控制,有效推动分布式能源的消纳。仿真验证表明:采用离群点自趋优的新能源机组控制算法能根据电网运行情况,自动调控分布式能源、电网资源,实现分布式能源最大化消纳,有效提高了园区分布式能源的经济运行水平。     

廊坊电网故障信息处理系统的建设

针对廊坊电网故障信息系统的现状和当前技术发展对继电保护运行管理提出的新要求,本文结合CSFM2002电网故障信息处理系统,对廊坊电网故障信息系统的建设和改造方案进行了规划设计,重点对主、子站系统的软硬件架构、系统配置和实用化功能要求,以及系统在网络安全性和数据安全性方面所采取的防范措施和技术进行了描述。该方案的实施将极大地提高廊坊电网故障管理的自动化和智能化水平。     

电网营销实时信息系统建设的实践与思考

在概述我国相关电力信息系统建设情况及现有营销系统建设不足的基础上,根据电网公司推进营销现代化的建设思路,提出了新型电力营销实时信息系统建设方案。新型电力营销实时信息系统应依靠数据规范和标准的建立,充分利用现有实时数据采集系统的基础资源,在企业信息集成平台和数据中心的基础上最大限度地交换共享信息,以利于增强公司整体营销能力、考核各级电网公司营销业绩和加强市场决策分析能力。文中还给出了一个新型电力营销实时信息系统的建设实例。