换流阀是直流输电工程的核心设备,其价值约占换流站成套设备总价的22%~25%,其运行状态直接影响直流输电系统的可靠性。文章针对换流站阀区现有故障人工定位效率低、耗时长、严重依赖运行人员水平等问题,提出了基于度量学习和知识推理的...换流阀是直流输电工程的核心设备,其价值约占换流站成套设备总价的22%~25%,其运行状态直接影响直流输电系统的可靠性。文章针对换流站阀区现有故障人工定位效率低、耗时长、严重依赖运行人员水平等问题,提出了基于度量学习和知识推理的换流站阀区故障定位方法。文中基于PSCAD(power system computer aided design)仿真分析软件构建了阀区故障仿真模型,生成阀区典型故障录波数据,通过时频域变换获取前100根最大谱线;构建基于度量学习的数据降维网络,通过最大化类间距离、最小化类内距离实现录波电气量特征提取;形成电气量-开关量-故障类型三元组,以知识图谱形式存储故障定位知识,设计知识图谱推理算法实现基于录波数据分析的故障定位。实验结果表明,该方法基于换流站阀区录波数据实现故障定位检出率在92%以上,将有效提升运行人员故障定位效率。展开更多
针对监测抽水蓄能电站发电电动机运行数据存在冗余问题,致使存储数据延迟时间长,提出基于区块链的抽水蓄能电站发电电动机运行监测数据存储方法,通过存储数据身份验证维护存储数据安全。数据层运用数据采集平台获取抽水蓄能电站发电电...针对监测抽水蓄能电站发电电动机运行数据存在冗余问题,致使存储数据延迟时间长,提出基于区块链的抽水蓄能电站发电电动机运行监测数据存储方法,通过存储数据身份验证维护存储数据安全。数据层运用数据采集平台获取抽水蓄能电站发电电动机运行监测数据,采用变更数据捕获(change data capture,CDC)算法消除采集数据冗余,并通过发送终端将消冗后数据传输至分布式存储层;分布式存储层的区块链按时间戳的顺序确定数据区块的存储顺序,通过身份注册验证待上传的数据身份;分布式存储数据库采用HBase技术对通过身份验证数据进行多维排序映射存储;通过应用层客户端展示存储结果并提供数据共享服务。实验结果表明:该方法的数据消冗效果较好,可实现电动机运行监测数据存储,且存储数据延迟时间短,上传数据时的身份注册开销比较稳定,可保障存储数据安全。展开更多
海底电缆作为各类海上平台能源供给的生命线,一旦发生故障将产生巨大的经济及战略影响,准确预测海底电缆运行状态有助于提前把握其运行风险,从而实现预防性维护。在充分挖掘海底电缆运维数据中的动、静态特征的基础上,提出了一种基于注...海底电缆作为各类海上平台能源供给的生命线,一旦发生故障将产生巨大的经济及战略影响,准确预测海底电缆运行状态有助于提前把握其运行风险,从而实现预防性维护。在充分挖掘海底电缆运维数据中的动、静态特征的基础上,提出了一种基于注意力机制和卷积神经网络-门控循环神经网络(convolutional neural networks-gated recurrent unit, CNN-GRU)海底电缆运行状态预测方法。首先,考虑在线监测、巡检指标、静态试验三类关键影响因素,建立海底电缆运行状态评估指标体系;然后,基于改进层次分析法及多层次变权评估思想构建海底电缆运行状态评估模型;最后,建立基于注意力机制和CNN-GRU组合神经网络模型,将历史运行参数及状态量化结果作为输入特征参量,实现海底电缆运行状态的演化趋势预测。算例分析表明,所提方法可有效预测海底电缆的运行状态,平均百分数误差低至1.04%,与全连接神经网络、CNN、CNN-长短期记忆神经网络(long short term memory, LSTM)等算法相比均具备更优的预测精度。展开更多
电力系统状态估计(power system state estimation,PSSE)在现代智能电网的稳定运行中起着至关重要的作用,但它也容易遭受网络攻击。虚假数据注入攻击(false data injection attacks,FDIA)是最常见的网络攻击方式之一,它可以篡改量测数...电力系统状态估计(power system state estimation,PSSE)在现代智能电网的稳定运行中起着至关重要的作用,但它也容易遭受网络攻击。虚假数据注入攻击(false data injection attacks,FDIA)是最常见的网络攻击方式之一,它可以篡改量测数据并绕过不良数据检测(bad data detection,BDD)机制,从而导致不正确的状态估计结果。文中提出一种基于数据驱动的针对PSSE的FDIA防御框架,该框架包含异常检测子框架和数据恢复子框架。异常检测部分采用改进的图卷积网络(improved graph convolutional network,IGCN)模型,该模型采用动态的边缘条件滤波器作用于图结构中,有效利用电力系统的拓扑信息、节点特征和边特征,从而检测出异常值。数据恢复部分采用变分自编码器(variational auto-encoder,VAE)模型,该模型将深度学习思想与贝叶斯推理相结合,可以有效地将异常数据恢复到在正常运行情况下的数值。针对不同攻击强度和攻击程度下的IEEE 14系统进行案例研究,以评估防御框架的检测与恢复性能。仿真结果表明,基于IGCN的异常检测子框架性能优于常规的数据驱动模型框架,其总体精确率为99.348%,召回率为99.331%,F1值为99.324%,基于VAE的数据恢复子框架的总体平均绝对误差为0.00534 p.u.,证明了防御框架优异的检测与恢复性能。展开更多
基金浙江省“尖兵”“领雁”研发攻关计划(2024C01058)浙江省“十四五”第二批本科省级教学改革备案项目(JGBA2024014)+2 种基金2025年01月批次教育部产学合作协同育人项目(2501270945)2024年度浙江大学本科“AI赋能”示范课程建设项目(24)浙江大学第一批AI For Education系列实证教学研究项目(202402)。
文摘换流阀是直流输电工程的核心设备,其价值约占换流站成套设备总价的22%~25%,其运行状态直接影响直流输电系统的可靠性。文章针对换流站阀区现有故障人工定位效率低、耗时长、严重依赖运行人员水平等问题,提出了基于度量学习和知识推理的换流站阀区故障定位方法。文中基于PSCAD(power system computer aided design)仿真分析软件构建了阀区故障仿真模型,生成阀区典型故障录波数据,通过时频域变换获取前100根最大谱线;构建基于度量学习的数据降维网络,通过最大化类间距离、最小化类内距离实现录波电气量特征提取;形成电气量-开关量-故障类型三元组,以知识图谱形式存储故障定位知识,设计知识图谱推理算法实现基于录波数据分析的故障定位。实验结果表明,该方法基于换流站阀区录波数据实现故障定位检出率在92%以上,将有效提升运行人员故障定位效率。
文摘针对监测抽水蓄能电站发电电动机运行数据存在冗余问题,致使存储数据延迟时间长,提出基于区块链的抽水蓄能电站发电电动机运行监测数据存储方法,通过存储数据身份验证维护存储数据安全。数据层运用数据采集平台获取抽水蓄能电站发电电动机运行监测数据,采用变更数据捕获(change data capture,CDC)算法消除采集数据冗余,并通过发送终端将消冗后数据传输至分布式存储层;分布式存储层的区块链按时间戳的顺序确定数据区块的存储顺序,通过身份注册验证待上传的数据身份;分布式存储数据库采用HBase技术对通过身份验证数据进行多维排序映射存储;通过应用层客户端展示存储结果并提供数据共享服务。实验结果表明:该方法的数据消冗效果较好,可实现电动机运行监测数据存储,且存储数据延迟时间短,上传数据时的身份注册开销比较稳定,可保障存储数据安全。
文摘海底电缆作为各类海上平台能源供给的生命线,一旦发生故障将产生巨大的经济及战略影响,准确预测海底电缆运行状态有助于提前把握其运行风险,从而实现预防性维护。在充分挖掘海底电缆运维数据中的动、静态特征的基础上,提出了一种基于注意力机制和卷积神经网络-门控循环神经网络(convolutional neural networks-gated recurrent unit, CNN-GRU)海底电缆运行状态预测方法。首先,考虑在线监测、巡检指标、静态试验三类关键影响因素,建立海底电缆运行状态评估指标体系;然后,基于改进层次分析法及多层次变权评估思想构建海底电缆运行状态评估模型;最后,建立基于注意力机制和CNN-GRU组合神经网络模型,将历史运行参数及状态量化结果作为输入特征参量,实现海底电缆运行状态的演化趋势预测。算例分析表明,所提方法可有效预测海底电缆的运行状态,平均百分数误差低至1.04%,与全连接神经网络、CNN、CNN-长短期记忆神经网络(long short term memory, LSTM)等算法相比均具备更优的预测精度。
文摘电力系统状态估计(power system state estimation,PSSE)在现代智能电网的稳定运行中起着至关重要的作用,但它也容易遭受网络攻击。虚假数据注入攻击(false data injection attacks,FDIA)是最常见的网络攻击方式之一,它可以篡改量测数据并绕过不良数据检测(bad data detection,BDD)机制,从而导致不正确的状态估计结果。文中提出一种基于数据驱动的针对PSSE的FDIA防御框架,该框架包含异常检测子框架和数据恢复子框架。异常检测部分采用改进的图卷积网络(improved graph convolutional network,IGCN)模型,该模型采用动态的边缘条件滤波器作用于图结构中,有效利用电力系统的拓扑信息、节点特征和边特征,从而检测出异常值。数据恢复部分采用变分自编码器(variational auto-encoder,VAE)模型,该模型将深度学习思想与贝叶斯推理相结合,可以有效地将异常数据恢复到在正常运行情况下的数值。针对不同攻击强度和攻击程度下的IEEE 14系统进行案例研究,以评估防御框架的检测与恢复性能。仿真结果表明,基于IGCN的异常检测子框架性能优于常规的数据驱动模型框架,其总体精确率为99.348%,召回率为99.331%,F1值为99.324%,基于VAE的数据恢复子框架的总体平均绝对误差为0.00534 p.u.,证明了防御框架优异的检测与恢复性能。
