设备监控信息大数据与设备模型的互校验及实用化事件分析

为了应对日益复杂的电网设备监控信息,通过建立统一的大数据管理平台,实现多元数据共享、信息规范化,从而提高调控人员的决策能力和工作效率。本文针对设备监控管理实际提出设备监控信息校验及实用化事件分析管理方法。首先,通过自然语言解析和设备拓扑关系,实现一、二次设备监控信息的关联融合。其次,通过设备监控信息与EMS模型中监控信息智能比对和检验,实现监控信息表完整性核查。采用变压器负载率智能校验新算法,排查全电网遥测存在的隐患缺陷,为消缺处理提供了重要依据。最终,通过监控数据事件化打包分组和自动识别方法,结合电力设备状态大数据共享平台,有效判断故障、异常“事件”,辅助快速完成对各类电网事件的全过程分析,从而提高事故处理效率, 科学评价监测报警质量。     

边信息传播修正的半监督维数约减方法

现有基于边信息的半监督维数约减算法大都是直接将保留边信息和数据拓扑结构的目标函数相加,因此数据拓扑结构中的错误连接不会因已知的边信息而得到修正.提出通过边信息传播及修正机制将边信息融入到数据拓扑结构图中的方法,从而在保留边信息的同时保留更为真实的数据拓扑结构信息.实验结果表明本文所提出的算法较之其它算法,对数据降维后用于分类时可取得较高的准确率,且算法对创建的KNN图中的参数K最具鲁棒性.     

逐段回归近似的卫星遥测数据挖掘算法与仿真

卫星长期运行过程中积累的大量遥测数据蕴涵有宝贵的卫星状态变化信息,挖掘变化特征对发现卫星状态异常变化和诊断卫星运行过程故障具有重要意义.围绕在轨卫星遥测数据分析以及遥测的故障诊断相似性查找问题,提出了一种基于逐段回归近似(PRA)的卫星遥测时序数据相似性挖掘算法.算法首先通过对卫星遥测数据挖掘实现数据的降维处理,以减少数据量;其次通过建立多维空间索引树,并在索引树中通过相似阈值判断进行查找,以获得给定时序数据的相似序列.理论分析和仿真实测卫星电源分系统的时序遥测数据实验表明,该算法对遥测数据序列可有效地进行降维处理,并保持数据趋势性;建立的相似序列为提高在轨卫星数据分析和故障诊断的有效性和正确性提供了依据.     

拓扑元素永久命名综述

从参数化系统的模型表示方法出发,分析了拓扑元素永久命名问题,探讨了解决该问题的4个基本条件及其内在关系.将拓扑元素永久命名问题分为唯一命名及其辨识问题和模型重建阶段拓扑结构发生改变时的语义辨识问题2个层面展开综述.其中,第一个层面涉及到原始名字和边界模型的关联,引用名字的构造2个问题;在第二个层面中,按照所引用的信息类型分为引用拓扑对象的几何信息和拓扑对象本身2种处理模式.对其他相关研究中的名字问题进行了概述.最后对今后研究方向进行了探讨.     

基于GPS浮动车数据的矢量地图校正算法

针对矢量数字地图生成过程中产生的误差以及传统校正算法精度低、无法校正拓扑错误等不足,提出通过对GPS浮动车数据进行聚类分析,提取GPS浮动车数据中隐含的道路节点位置信息,对道路图层进行校正的算法。应用该算法,在VB6.0开发环境和MapInfo二次开发控件MapX支持下,实现了重庆市江北区道路图层中部分快速路的校正,校正后的道路通过与Google Earth比较,发现校正后道路图层拓扑明显比校正前更加吻合实际的道路拓扑。与传统常规方法相比,该算法无需选取控制点信息,能够很好地修正路网拓扑错误,适合实际应用中的复杂情形。     

基于小波分析的电力信息通信过程不良数据辨识研究

传统的电力通信过程不良数据辨识方法的消噪能力较差,导致辨识效率较低。为此,本研究基于小波分析设计了新的电力信息通信过程不良数据辨识方法。根据小波变换的奇异性对电力信息通信过程进行局部奇异性检测,根据检测结果,结合神经网络算法区分正常数据和不良数据。然后采用软阈值和硬阈值去噪方法消除不良数据中的含噪信号,在计算噪声强度后,将某一尺度内的小波变换系数的平方由小到大排列,并计算似然估计向量,再根据向量中的最小值和最大值删除信号中的噪声部分。实验结果表明：该方法能够有效提高消噪能力、增强辨识效率。     

一种采用接口错误注入的构件安全性测试方法

构件特别是第三方构件的安全性是影响构件技术发展的重要因素.当前甚少将构件安全性问题作为一个专门的课题来研究,也没有确实可行的方法和技术用来检测构件安全漏洞.构件的安全性问题仍然没有得到较好的解决.提出一种基于接口错误注入的构件安全性测试方法.方法首先给出构件脆弱性错误注入算子、断言规则库及其脆弱因子,然后基于错误注入算子和断言规则库给出一种构件安全测试算法.算法根据错误注入算子有针对性地产生测试用例并执行测试,动态监测机制能实时监测构件运行状态及异常信息.算法根据断言规则库、脆弱性因子及异常信息给出构件安全异常报告及构件安全等级.最后在一集成测试平台中实现了该方法,同时做了大量实验,并和FUZZ法进行了对比分析.实验结果表明所提出的测试方法可操作性强,且对构件脆弱性具有较好的检测效果.     

基于自适应遗传算法的智能电网继电保护故障识别

为降低非线性结构智能电网系统中多源信息丢失或畸变问题、提高系统隐形故障的识别精度,提出了一种基于自适应遗传算法的多源信息融合技术,以实现对智能电网隐形故障识别。根据电网结构形成故障识别编码,由保护动作信息与设备状态期望关系建立适应度函数和状态期望值,提升采集信息的容错性能;利用遗传算法的交叉、变异计算,提升算法的寻优能力。通过建立的仿真模型进行算法验证。验证结果表明:采用该算法能有效克服多源信息的缺失和错误对隐形故障识别的影响。该算法进行了设备状态和动作信息的关联,由遗传算法进一步提升故障识别的最优解能力,对于后期建立智慧电网的实时故障诊断具有参考价值。     

协议被动测试的错误标识

被动测试不仅能够检测协议实现是否有错误,而且利用检测过程中的症状信息能够标识错误.提出一种扩展了的被动测试错误标识算法,它能够在标记错误过程中记录该错误所导致的系统状态;又给出了一种以上述状态为初始状态继续向前观察多步以区分错误的算法.所提方法能够区分等价错误;继续向前测试步数不受限制,应用该方法对一个简化的BGP协议状态机模拟器进行错误标识,实验结果表明在观察步骤数足够多的情况下所提方法能够高效定位系统实现错误.     

一种钣金件拓扑元素命名和辨识方法

拓扑元素的命名与辨别是特征技术中存在的一个困难和待解决的问题.本文在对钣金件特征研究和"零厚度"假设的基础上,提出了一种钣金件拓扑元素命名和辨别的新方法.该方法采用元素编号的方法对拓扑元素进行命名,并根据钣金件的拓扑点和拓扑边编号与旧模型中的编号是否一致来辨识点和边的拓扑元素.实验表明该方法在钣金件的拓扑结构发生变化时能有效地辨识出拓扑元素的前后对应关系.     

A statistical unsupervised method against false data injection attacks: A visualization-based approach

To achieve intelligence in the future grid, a highly accurate state estimation is necessary as it is a prerequisite for many key functionalities in the successful operation of the power grid. Recent studies show that a new type of cyber-attack called False Data Injection (FDI) attack can bypass bad data detection mechanisms in the power system state estimation. Existing countermeasures might not be able to manage topology changes and integration of distributed generations because they are designed for a specific system configuration. To address this issue, an unsupervised method to distinguish between attack and normal patterns is proposed in this paper. This method can detect FDI attacks even after topology changes and integration of renewable energy sources. In this method, we assume that injecting false data into the power systems will lead to a deviation in the probability distribution of the state vector from the normal trend. The main phases of the proposed algorithm are: (1) Normalizing the dataset, (2) Adding several statistical measures as the new features to the dataset to quantify the probability distribution of the state vectors, (3) Employing principal component analysis to reduce the dimensionality of the dataset, (4) Visualizing the reduced data for humans and exploiting their creativity to detect attacks, and (5) Locating the attacks using Fuzzy C-means clustering algorithm.The proposed method is tested on both the IEEE 14-bus and IEEE 9-bus systems using real load data from the New York independent system operator with the following attack scenarios: (1) attacks without any topology change, (2) attacks after a contingency, and (3) attacks after integration of distributed generations. Experimental results show that our proposed method is superior to the state-of-the-art classification algorithms in dealing with changes. In addition, the reduced data which is helpful in distinguishing between attack and normal patterns can be fed into an expert system for further improvement of the security of the power grid.     

基于随机森林的卫星快变遥测数据建模

现代卫星已逐渐成为国家重大基础设施,为了解其在轨运行状态,需要对遥测数据进行分析;其中快变遥测数据包含了大量卫星服务情况信息,对该数据进行基于机器学习算法的分析建模,可以更好利用特征维度高、数据量大的快变遥测数据,为人工智能在卫星数据建模、运维方面提供一种可能方案;提出一种基于随机森林算法对在轨卫星快变遥测数据进行建模的方法,并引入改进的二次网格搜索方法对模型参数进行调优;使用模型对某频点功率测量值进行预测,结果显示R2值达到0.98以上,预测值误差较小,建立了效果较好的快变遥测数据模型,为实现基于机器学习的快变遥测数据分析提供了一种可能的方案;     

基于拉普拉斯特征映射学习的隐匿FDI攻击检测

智能电网中的隐匿虚假数据入侵(False data injection, FDI)攻击能够绕过坏数据检测机制, 导致控制中心做出错误的状态估计, 进而干扰电力系统的正常运行. 由于电网系统具有复杂的拓扑结构, 故基于传统机器学习的攻击信号检测方法存在维度过高带来的过拟合问题, 而深度学习检测方法则存在训练时间长、占用大量计算资源的问题. 为此, 针对智能电网中的隐匿FDI攻击信号, 提出了基于拉普拉斯特征映射降维的神经网络检测学习算法, 不仅降低了陷入过拟合的风险, 同时也提高了隐匿FDI攻击检测学习算法的泛化能力. 最后, 在IEEE57-Bus电力系统模型中验证了所提方法的优点和有效性.     

基于混合算法的空间机器人运动学参数辨识

外太空环境恶劣,空间遥操作机器人结构在太空环境作业时会产生形变,而且其加工生产也存在加工误差,空间遥机器人的形变引起DH参数的误差,为了完成空间机器人系统的地而仿真预测,并且确保空间遥操作机器人完成工作任务,必须根据遥测数据准确的辨识出空间机器人系统的运动学参数.提出了混合非线性参数辨识的LM(Levenberg-Marquarat)和递推最小二乘办法的混合辨识算法.最后,给出了办法的实例仿真,说明了辨识算法的稳定性,能够完成对空间遥操作机器人的运动学参数的辨识.     

Abnormal traffic-indexed state estimation: A cyber–physical fusion approach for Smart Grid attack detection

Integration with information network not only facilitates Smart Grid with many unprecedented features, but also introduces many new security issues, such as false data injection and system intrusion. One of the biggest challenges in Smart Grid attack detection is how to fuse the heterogeneous data from the power system and information network. In this paper, a novel cyber–physical fusion approach is proposed to detect a Smart Grid attack Bad Data Injection (BDI), by merging both the features of the traffic flow in information network and the inherent physical laws in the power system into a unified model, named as Abnormal Traffic-indexed State Estimation (ATSE). The cyber security incidents, monitored by intrusion detection system (IDS), are quantized to serve as the impact factors that are incorporated into the bad data detection system based on state estimation model in power grid. Hundreds of attack cases are simulated on each transmission line of three IEEE standard systems to compare ATSE with current cyber, physical abnormal detection methods and cyber–physical fusion method, including IDS (Snort), bad data detection algorithm (Chi-square test) and SCPSE. The results indicate that ATSE can improve the detection rate 20% than the Chi-square Test on average, filter most false alarms generated by Snort, and solve the observability problem of SCPSE.     

人工智能技术在电力系统状态估计的应用研究

为了有效地提高状态估计的计算精度和鲁棒性,将人工智能技术与电网数据相结合,提出了基于偏最小二乘(PLS)和极限学习(ELM)的电力系统状态估计方法。针对量测量之间的强相关性问题,采用偏最小二乘(PLS)对各量测量进行重要信息提取和变量选择,将得到的最优变量输入ELM模型,从而建立了状态量的PLS-ELM模型,然后,采用IEEE14节点系统数据样本和实际电网历史数据对所提方法进行了验证,并将该方法与其他方法进行对比。结果表明,所提状态估计方法降低了模型的复杂程度,能够有效地抵抗量测量中的不良数据,具有较高的估计精度和较强的鲁棒性。     

集成电力大数据日志分析模块的信息系统研究

为了保障国家电网的信息系统高效运转,以及实现在电力大数据状态下的日志分析要求,该文提出一种基于K-最近邻算法的未知攻击识别算法。该算法可以高效地判断信息系统服务是否存在异常,关键文件是否被非法修改以及异常外联等行为。在该算法的基础上,实现了信息系统运行态势感知和全息智能处置系统。实验表明,该算法很好地支撑了系统的工作,同时也提高了日志分析的高效性。     

基于云计算的多因素电力负荷坏数据自动检测方法

电力负荷坏数据对电网具有严重的破坏性,为了提高对电力负荷坏数据的检测能力,提出基于云计算的多因素电力负荷坏数据自动检测方法。采用云计算模型进行多因素电力负荷坏数据的分布式重组和集成运算,构建多因素电力负荷坏数据的云网格分布模型,在云网格空间中采用主成分特征分析方法进行多因素电力负荷坏数据特征检测,在双极型直流配电网中实现对多因素电力负荷坏数据的共模分量计算,提取电力负荷坏数据的能量谱特征量,根据负荷用电特性、潮流分布及其容量等参数,实现对多因素电力负荷坏数据的特征检测。仿真结果表明,采用该方法进行多因素电力负荷坏数据检测的自动性较好,检测准确率较高。     

一种应用半监督学习的计量装置运行状态辨识方法

针对计量装置运行异常在供电企业经济效益稳定增长和社会稳定发展等方面造成的负面影响且电网数据标识不全的现状,提出一种应用半监督学习的计量装置运行状态辨识方法。通过对电网数据进行分析,实现在标识不全的情况下判断计量装置运行状态。     

10kV配网电容器在线监测与故障诊断系统

目前大多数电力电容器状态监测系统存在实时性不足和数据频密度不足的缺点,难以实现准确的在线故障预判,易导致故障处理滞后或误报等不良后果。文章立足于电力电容器运行和维护的实际需求,构建了一套完整的电力电容器故障在线监测系统,并给出了一套采用神经网络融合电容器电流、电容、电阻和电压等信息的故障诊断模型和方法,并在实际中进行了应用。在实际应用中,该系统能及时并准确地对电容器的异常状态和故障特征进行捕捉,避免了故障判断的滞后性,提高了获得数据的准确性,能够提高电网设备的运行和维护效率,提升电网运行可靠性。