一种基于对数区间隔离森林的电力调度数据异常检测集成算法

准确的电力调度自动化系统异常检测对电力系统安全稳定运行有重要意义.该系统具有业务种类繁多、业务逻辑交互复杂等特点,带来了调度监测数据维度多、空间分布多样的特性;现有基于机器学习的离线数据异常检测方法,存在对局部异常等特殊异常检测精度与检测效率难以有效兼顾等问题.提出了一种基于对数区间隔离的电力调度数据异常检测方法.针对数据维度之间的分布差异特性,运用马氏距离度量方法,基于每个样本点到数据分布中心的马氏距离,设计了对数区间隔离策略,构建多个子树,并将其整合成对数区间隔离森林异常检测器,筛选出数据集中的异常样本,兼顾检测精度和检测效率.公开数据集和某省级电网调度中心业务数据集作为训练与测试样本,验证了所提方法在异常检测AUC值等综合性能上的先进性及其在实际系统应用中的可行性.     

配电网信息物理系统异常检测研究

我国电网已发展为融合了信息网络、计算机网络、电力网络的三元复合网络,现有电力信息检测技术主要针对发电、输电、变电环节,在配电端缺少行之有效的电力信息检测手段.因此,文章提出了一种基于PLR时间序列数据提取与维诺图异常数据检测的分析方法.采用PLR算法实现原始电力数据序列的线性分段,获取新的数据序列;采用维诺图对新的数据序列进行二维平面分区,根据生成的点集通过离群值函数判断是否存在数据异常点.仿真结果表明,该方案能够有效识别数据序列中的异常数据,能够为电力人员提供辅助性决策依据.     

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。     

基于电力大数据的分布式电网异常负荷动态检测方法

电网负荷数据基数大、分布范围广,且其异常状态检测复杂度高。提出一种基于电力大数据分布的电网异常负荷动态检测方法。采用非线性回归方程,估计中心负荷权重,并分割动态检测区域。采用状态估计法结合参数平滑对异常的负荷数据进行状态估计,并利用自回归滤波（extended Kalman filter,EKF）剔除噪声数据。计算负荷数据的近相似系数,划分异常数据域,设定分布概率较高的数据为异常负荷数据。通过观测负荷数据与异常域中心之间的关联性,判断负荷是否存在异常问题。仿真实验结果表明：高信噪比环境下,该方法检测异常负荷数据的最大特征量为160条;低信噪比环境下,异常负荷数据的最大特征量为158条,且峰值出现在节点51—节点120的位置。检测出的负荷数量均超过电网最大阈值,说明所提方法能够精确检测出异常负荷,且能够完全包含真实阈值,检测的全面性可高达100%。     

基于随机巡视机制的电力物联网安全技术研究

电力物联网的建设促进了电力系统各个方面的数据集成,但对电网系统的网络安全提出了较高要求,因此在电力物联网安全技术的基础上,提出了一种基于随机巡视的电力物联网安全行为异常检测方法。通过对网络节点进行编号管理,为不同信誉值的节点设计了不同的随机巡视频率,汇聚节点检测异常行为。通过仿真分析了文中方法在安全性和恶意节点检测方面的性能。结果表明,文中提出的检测方法能够及时有效地检测异常行为和恶意节点,降低了网络能耗,满足电力物联网的安全需求。     

基于数据负荷序列聚类的配电网电力营销实时信息系统测试

伴随现代信息技术的快速发展,在电力营销工作中构建信息系统对优化电网正常工作、推动营销活动顺利实施具有十分关键的影响。构建一种基于数据负荷序列聚类的配电网电力营销实时信息系统,当数据接口模块通过现场设备采集电力数据之后,传输至数据操作模块进行数据统计、存储并传输至基本操作模块,设备管理人员可以在基本操作模块刷新配电网电力数据;然后基于该数据通过预警模块使用基于数据挖掘多层次细节分解的负荷序列聚类分析方法,预测电力信息是否存在异常,若存在异常情况,预警模块将及时通知设备管理人员实施修复。经验证,在谐波、电压闪变两种不同的异常电力环境下,所构建系统预测精度较高、时延较短,可实现高精度、高效率的配电网电力营销实时信息管理。     

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。     

基于业务逻辑的电力业务报文攻击识别方法

针对电网测控终端的电力业务报文攻击极易造成电力一次设备误动,从而引发电力事故。电力业务报文攻击通常通过干扰正常业务逻辑达到攻击目的,已有攻击识别方法没有考虑业务逻辑,有效性比较差。因此,提出一种基于业务逻辑的电力业务报文攻击识别方法,该方法定义了电力业务逻辑状态链和黑白名单,将误用检测与异常检测方法相结合,基于业务逻辑黑白名单对业务的威胁度进行评估,并考虑电网时间风险与业务重要性,对威胁度进行修正,通过比较业务威胁度与安全阈值,实现对电力业务报文攻击的高效准确识别。给出了应用所提方法实现的一个攻击识别系统架构,并对实现后的系统进行了测试,验证了所提方法的有效性。     

基于Spark框架的电力大数据清洗模型

针对电力大数据清洗过程中的提取统一异常检测模式困难、异常数据修正连续性及准确性低下等问题,提出了一种基于Spark框架的电力大数据清洗模型。首先基于改进CURE聚类算法获取正常簇;其次,实现了正常簇的边界样本获取方法,并设计了基于边界样本的异常识别算法;最后通过指数加权移动平均数实现了异常数据修正。通过对某风电场风力发电监测数据进行了数据清洗实验分析,验证了清洗模型的高效性、准确性。     

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.     

基于改进BOF算法的压板状态识别方法研究

随着电网规模的扩张以及二次技术的发展,二次屏柜的压板数量急剧上升。二次压板一旦出现保护误动或拒动,将严重威胁到电网、设备与人身安全。设计了一种基于改进图像检索算法的继电保护压板状态识别系统对压板退投状态进行识别。首先,对压板图像利用背景差分法及光流法进行前景提取;然后,采用图片增强处理、边缘检测等一系列技术识别开关的投退状态;最后,再将获得的开关状态与系统数据库对比,生成可视化报表,由此判断出压板状态是否正确。提出的方法能够快速识别压板状态正确与否,具有较高识别率,极大缩减了二次操作后核查及日常巡视的时间。     

基于无功电流控制的并网逆变器孤岛检测

孤岛检测技术是并网逆变器运行所必须具备的关键技术。传统有源孤岛检测方法注入的扰动影响电能质量。为了解决该问题,提出一种基于无功电流控制的孤岛检测方法,通过控制无功电流使其产生的频率偏移方向与有功电流产生的频率偏移方向一致,使电网断开后频率迅速超过所设置的阈值而检测出孤岛,并对其进行量化分析,使孤岛算法在无检测盲区的基础上尽可能地减小对电网的影响。根据IEEE Std.1547测试标准对提出的方法进行仿真和实验验证。结果表明,提出的孤岛检测方法可以快速有效地检测到孤岛的发生,验证了提出方法的有效性。     

基于边缘计算的电网假数据攻击分布式检测方法

虚假数据注入攻击(FDIA)作为新型的电网攻击手段,严重威胁智能电网的安全运行。爆炸式增长的数据给集中式的FDIA检测方法带来了巨大的挑战。基于此,提出了一种基于边缘计算的分布式检测方法。将系统拆分为多个子系统,且在子系统中设置边缘节点检测器进行数据的收集、检测。结合深度学习的方法,构建了CNN-LSTM模型检测器,提取数据特征,并将模型的训练过程放置在中心节点上,实现高效、低时延的FDIA检测。最后在IEEE14节点和IEEE39节点测试系统中,设定不同攻击强度,对所提边缘检测方法进行验证。结果表明,与集中式的检测方法相比,所提边缘检测方法在检测时间和内存消耗两个指标上有明显的下降。     

基于边缘计算的电表计量系统数据协同检测方案

虚假数据注入攻击以破坏电力数据采集与监控系统的数据完整性和可用性为目标,其检测方案对智能电网的安全与稳定运行具有重要意义。针对智能电网中庞大的数据带来的许多安全问题和漏洞,提出了基于边缘计算的一种虚假数据注入攻击协同检测模型,该模型基于边缘计算的框架,改进传统计量系统的网络结构,利用边缘服务器来提供全局的监控能力和虚假数据检测功能。该方案针对计量系统中的虚假数据注入问题不仅提出了检测规则,还对采集器进行了信誉评分。该方案在测试系统上进行了仿真实验,验证了该模型的有效性。     

基于特征提取的面向边缘数据中心的窃电监测

随着电网信息物理系统的发展,一部分数据处理功能逐渐下沉到靠近终端用户的边缘层。为了给后续分析提供可靠的数据源,及时发现异常用电行为,窃电监测是边缘数据中心重要功能之一。文中提出一种针对边缘数据中心的窃电监测方法,该方法利用深度卷积生成对抗网络(DCGAN)鉴别器提取得到的特征,在边缘数据中心对二范数线性支持向量机(L2SVM)进行训练。实验结果证实,DCGAN具有较好的收敛性能,鉴别器提取得到的正常与窃电行为用电特征具有明显划分,且比基于主成分分析(PCA)特征提取方法更加有效,此外,与基于径向基核函数的支持向量机(SVM)反窃电方法相比,所提方法准确度更好且计算复杂度低,适合边缘数据中心部署。     

基于AHP和多级模糊综合评判的电网发展水平评估

新电改后政府对电网企业的监管要点发生了转变,对电网的发展方向提出了新的要求,必须构建更加全面的综合评价体系以适应政府监管新背景。首先,提出了包括安全性、经济性、协调性、智能性和绿色性的多级电网发展影响指标体系;其次,利用层次分析法对各层级指标进行赋权,构建了电网发展水平的多级模糊综合评判模型;最后,基于华北地区4个电网的相关数据进行了算例分析。结果表明了所提方法能有效地评估电网发展水平。     

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。     

面向风电接入暂态功角稳定分析的电网极端运行场景提取

大规模风电接入给电网的规划和运行带来了极大的不确定性,导致系统运行模式更加多变.极端运行场景提取对于分析电网运行的高风险薄弱点具有重要意义,而传统经验场景提取方式难以应对风电和负荷的双重不确定性.面向规划层面的电力系统安全稳定评估问题,提出一种基于数据挖掘和机器学习算法的电网极端运行场景提取方法.首先,通过机器学习识别出对暂态功角稳定影响较大的场景变量并依据重要程度进行排序,同时采用熵权法体现场景变量自身的离散性对极端运行场景的贡献程度.随后,利用加权聚类算法筛选出代表大多数场景暂态功角稳定水平的典型运行场景,进而提取出离群、极端的边缘运行点作为极端场景.最后,采用IEEE 39节点算例进行暂态仿真分析,验证了采用数据挖掘与具体问题相结合的方法进行极端场景提取的有效性和合理性,提升了风电并网规划、稳定分析的水平和效率.