学习模型

随着人工智能技术特别是强化学习在能源优化调度领域的深入研究，将系统状态表示为向量用于学习的模式，其训练效率与信息利用率较低。针对这一问题，提出了一种融合图神经网络模型与强化学习的综合能源系统优化调度方法。首先，将电-热-气综合能源系统建模为图结构数据，充分利用系统的拓扑信息。其次，提出了基于图神经网络架构的强化学习模型，使其可以充分利用图结构信息实现更快的训练速度，获得更大的探索空间。最后，将表示系统状态的图结构信息送入该模型进行训练，算例仿真验证了该方法的训练效率与探索能力。

针对传统非侵入负荷辨识技术中电热细分能力不足的问题，文中提出了一种基于先验知识与统计学习模型的居民非侵入式负荷辨识算法。文中对洗衣机辅热、电水壶、电饭锅、电热水器等设备进行了电热细分研究，通过设备运行关联算法实现了辅热设备的细分，并在用户有限反馈信息和专家标注的基础上，实现了非辅热设备分类的模型训练。实验结果表明，文中所提技术框架在事件检测负荷辨识算法的基础上实现了电热设备的细分，且在运行状态分解的F1分数指标中取得了0.9以上的优异效果。

虚假数据注入攻击(false data injection attack, FDIA)是针对电力系统的一种常见网络攻击，可以通过终端链路或设备注入异常数据，绕过不良数据检测机制，进而引发电力系统的异常运行，造成严重的经济损失。近年来深度学习技术在FDIA检测方面取得诸多进展，通过大量的数据训练和强大的模型学习能力，能够自动学习和提取攻击数据特征，相对于传统方法具有更高的准确率和鲁棒性。总结了近年来基于深度学习的电力系统FDIA检测研究进展，涵盖卷积神经网络、循环神经网络、图神经网络、生成对抗网络和深度强化学习等典型深度学习模型。首先分析各类深度学习模型的FDIA检测原理，并介绍相关技术方法。然后从鲁棒性、评估指标和可扩展性等方面对上述技术进行对比分析，总结其应用范围及存在不足。最后探讨了当前研究中存在的挑战和未来的研究发展方向。

配电网中准确的拓扑结构辨识对运行和控制具有重要意义，针对实际配电网拓扑结构变动的情况，搭建了可智能辨识配电网拓扑结构的深度学习模型。首先，生成不同拓扑结构下的配电网量测数据并进行数据预处理。其次，构建了融合CNN（卷积神经网络）、LSTM（长短期记忆网络）和Attention（注意力机制）的拓扑结构智能辨识模型，并结合历史量测数据对模型训练并测试。最后，在IEEE 33节点和PG&E69节点配电系统仿真算例中，验证了该基于CNN-LSTM-Attention模型的拓扑辨识方法相较于传统辨识方法在辨识精度上的优越性，实现了该模型的在线应用。

电网在运行过程中会产生大量的设备缺陷文本记录,针对变电设备缺陷文本的特点,文章提出了基于注意力机制的混合神经网络(hybrid neural network based on attention mechanism,HNNA)电力设备缺陷文本挖掘方法。首先在总结电力设备缺陷文本特点的基础上,参考中文文本分类的一般流程,结合自主编写的词典和停用词表对缺陷文本进行预处理;利用Word2vec模型将词语映射到高维空间;使用卷积神经网络(convolution neural network,CNN)和双向长短期记忆网络(bidirectional long short term memory,BiLSTM)提取文本局部特征和上下文特征;将提取的特征进行融合,最后采用Attention实现特征权重的分配,增强关键特征对分类效果的影响,并从多个评价维度与传统机器学习模型、深度学习模型对比。算例结果表明,提出的模型具有更好的分类效果,可以实现电力设备缺陷等级的高效准确划分。

为进一步提高低压配电网户变关系和相位识别的准确性，提出一种基于图转换和迁移学习的低压配电网户变关系和相位识别方法。首先，引入了基于格拉姆角场的图转换方法实现用电数据的二维化，以更好地发现一维时序用电数据间的差异性；然后，针对低压配电网用户数据稀缺、获取途径有限、样本数量较少等问题，基于迁移学习利用预训练好的参数权重，构建了适合户变关系和相位识别的深度学习模型。通过实验验证，所提模型在户变关系识别和相位识别中的准确率较主流方法均有所提升，拥有更好的稳定性。

变压器运行过程中产生的振动噪声与其运行状态及内部缺陷情况直接相关,对其声纹信号开展特征分析,有助于进一步了解设备运行工况,保障电力系统安全稳定运行。文中以声纹特征分析为基础,兼顾诊断效率与准确性,提出一种基于卷积神经网络及集成学习模型的变压器缺陷诊断方法。该方法以变压器声纹数据的时域及频域信号为多通道输入混合特征,构建了基于卷积神经网络模型和声纹特征分析法的集成学习模型,可实现变压器声纹特征的有效识别,并通过由多个基学习器组成的集成学习模型提高了变压器缺陷诊断的准确性。基于文中所构建的变压器声纹样本库,可得到该方法对变压器单一缺陷的识别准确率为99.2%,对变压器混合缺陷的识别准确率为99.7%。研究结果表明该方法可有效识别变压器的运行状态,为变压器运维检修提供技术参考。

网络流量的异常检测对于保护电力信息系统安全具有重要意义。目前深度学习等人工智能技术在入侵检测中表现出良好的性能,但由于电力流量数据中类别不平衡以及噪声含量高等问题,严重影响入侵检测模型的准确率。针对以上问题,文章提出了一种深度残差收缩网络(deep residual shrinkage networks,DRSN)-双向长短时记忆网络(bi-directional long short-term memory,BiLSTM)混合深度学习模型实现及时有效的多矢量攻击威胁识别与检测。首先采用条件生成对抗网络模型生成少数类数据,构造平衡数据集,然后使用DRSN-BiLSTM模型进行特征提取,DRSN中的残差项可以解决网络退化与过拟合问题,注意力机制降低了噪声对异常流量检测的影响,同时基于BiLSTM进行流量时序特征提取,最后用softmax分类器进行流量分类,实现网络入侵检测。该模型在电力信息系统数据集上进行了测试,结果显示,提出的混合深度学习模型在检测准确性、精确度、召回率和F1分数指标均优于比较算法。

为了解决区域级短期电力负荷预测时输入特征过多和负荷时序性较强的问题，提出一种基于集群辨识和卷积神经网络(convolutional neural networks，CNN)−双向长短期记忆网络(bi-directional long short-term memory，BiLSTM)−时序模式注意力机制(temporal pattern attention, TPA)的预测方法。首先，将用电模式和天气作为影响因素，基于二阶聚类算法对区域内的负荷节点进行集群辨识，再从每个集群中挑选代表特征作为深度学习模型的输入，这样既能减少输入特征维度，降低计算复杂度，又能综合考虑预测区域的整体特征，提升预测精度。然后，针对区域电力负荷时序性的特点，用CNN-BiLSTM-TPA模型完成训练和预测，该模型能提取输入数据的双向信息生成隐状态矩阵，并对隐状态矩阵的重要特征加权，从多时间步上捕获双向时序信息用于预测。最后，在美国加利福尼亚州实例上分析验证了所提方法的有效性。

精准的电力负荷预测有利于保障电力系统的安全、经济运行。针对现行预测算法存在的预测准确度低、模型耗时长等问题，提出一种基于随机森林(random forest，RF)算法和粗糙集理论(rough set theory，RST)的改进型深度学习(deep learning，DL)短期负荷预测模型(RF-DL-RST)。该模型首先基于历史数据，利用随机森林算法提取影响负荷预测的关键特征量；然后将关键特征量和历史负荷值作为深度神经网络的输入、输出项进行训练，并通过粗糙集理论修正预测结果。最后，通过算例进行仿真验证，结果表明，该模型的预测准确度比单一的深度学习模型及不进行预测修正的模型更高。