基于大数据平台的电力设计项目管理信息化建设研究

文章研究一种基于大数据平台的电力设计项目管理信息化建设途径并调查分析其管理效能。具体使用BIM系统对CAD系统和CAE系统的内置接口，GIS系统对BIM系统的内置接口，实现4套电力设计项目常用软件的数据动态融合，解决BIM系统在电力设计阶段的管理工具兼容性问题，从而实现了对电力设计项目的全面信息化管理。这个设计使得管理效率得到提升，从业者对工薪和管理体系的满意度增加，对企业的依从度和认同度也增加，对提升设计院电力设计项目管理效能有积极意义。     

一种基于特征映射与深度学习的虚假数据注入检测方法

智能电网逐步发展为大型电力信息物理系统,信息与物理系统的交互降低了其抵御虚假数据攻击（false data injection attacks, FDIA）的能力。针对这一问题,研究并提出了一种基于多层递阶融合模糊特征映射方法（multi-layer hierarchical fusion fuzzy feature mapping, MLHFFFM）与条件深度信念网络（deep belief network, DBN）相结合的智能电网虚假数据注入检测方法。首先,对FDIA原理进行分析,基于MLHFFFM结合主成分分析法对智能电网负荷数据进行聚类,选取日负荷与预测日类似的近似日;然后,提出利用条件深度信念神经网络对近似日智能电网负荷进行分析,通过选取不同参数对日负荷特征进行动态捕捉从而检测FDIA;最后,结合某省实际负荷以IEEE33节点系统为例进行分析。案例分析结果表明,所提模型相比于其他模型,在不同攻击强度下准确率均保持在95%以上,错报率在5%以下,能够有效检测出虚假数据的注入。     

基于集成LSTM模型的数据驱动需求预测

电力用户参与电网调度能够有效提升电网灵活性,但其行为的不确定性限制了需求响应的发展。针对此问题,文中首先构建激励型需求响应的实现框架,阐述负荷聚合商(LA)如何整合需求侧资源参与电力市场业务,并将用户随激励政策进行响应的行为转换为需求弹性。然后,基于长短时记忆(LSTM)算法,提出一种集成LSTM的数据驱动的需求弹性预测方法,同时为提升预测模型性能,对源数据进行平滑与缩放处理,并增加损失函数权重系数。算例结果表明,与传统LSTM算法及k近邻预测法相比,文中所提预测方法用于用户需求弹性预测时平均预测误差分别降低了5.33%和28.8%,用于总负荷预测时平均绝对百分比误差(MAPE)分别降低了2.06%和3.09%。同时文中基于集成LSTM分析了平滑、缩放数据预处理对预测精度的影响,结果表明对原始数据进行预处理可有效提升预测精度。