当电力系统遭受某种较大扰动时,其安全稳定将受到威胁。为实现对整个系统受扰后机电暂态过程的完整跟踪,提出一种新的融合同步发电机动态状态估计(dynamic state estimation of synchronous generator,DSE-SG)的电力系统状态估计(state ...当电力系统遭受某种较大扰动时,其安全稳定将受到威胁。为实现对整个系统受扰后机电暂态过程的完整跟踪,提出一种新的融合同步发电机动态状态估计(dynamic state estimation of synchronous generator,DSE-SG)的电力系统状态估计(state estimation of power system,SE-PS),研究该如何将DSE-SG的结果进一步应用于系统侧SE-PS中去,以实现全系统动、静态状态量的统一估计。首先,围绕全电力系统机电暂态DSE的求解方式,论述了完全联立的不可行性、解耦估计的实现条件以及复耦估计的必要性与意义;其次,在梳理DSE-SG与SE-PS概念、数学模型的基础上,厘清了所涉变量、方程组的地位、作用、关系及数据流程,为复耦媒介量的选取及接口方式的确定奠定了理论基础,形成了复耦估计的实现构思;进一步,提出两种不同的接口方式,详细给出其各自具体的实现方法及流程;最后,将所提方法在IEEE9节点系统中予以实现,结果表明该方法可良好跟踪全电力系统机电暂态过程,实现动、静态状态量的统一估计,较未融合DSE-SG结果的传统SE-PS精度更高,滤波效果更显著。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
文摘当电力系统遭受某种较大扰动时,其安全稳定将受到威胁。为实现对整个系统受扰后机电暂态过程的完整跟踪,提出一种新的融合同步发电机动态状态估计(dynamic state estimation of synchronous generator,DSE-SG)的电力系统状态估计(state estimation of power system,SE-PS),研究该如何将DSE-SG的结果进一步应用于系统侧SE-PS中去,以实现全系统动、静态状态量的统一估计。首先,围绕全电力系统机电暂态DSE的求解方式,论述了完全联立的不可行性、解耦估计的实现条件以及复耦估计的必要性与意义;其次,在梳理DSE-SG与SE-PS概念、数学模型的基础上,厘清了所涉变量、方程组的地位、作用、关系及数据流程,为复耦媒介量的选取及接口方式的确定奠定了理论基础,形成了复耦估计的实现构思;进一步,提出两种不同的接口方式,详细给出其各自具体的实现方法及流程;最后,将所提方法在IEEE9节点系统中予以实现,结果表明该方法可良好跟踪全电力系统机电暂态过程,实现动、静态状态量的统一估计,较未融合DSE-SG结果的传统SE-PS精度更高,滤波效果更显著。
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。
