电力系统安全

6月30日，针对新能源高出力的电网运行方式，中国电力科学研究院有限公司国家电网仿真中心电力系统全数字实时仿真装置（ADPSS）仿真团队开展了高比例新能源电力系统安全稳定分析试验。仿真团队开展了全网不同运行方式下的故障扫描，并根据扫描结果找到影响新能源电量消纳的主要因素。

南方区域极端气候复杂，夏季雷暴、台风和地质沉降等多发，冬季雨雪冰冻和夏秋季山火等极端灾害频发，影响电力系统正常运行，尤其是威胁风、光、水等绿色能源电力供应的稳定性。绿色能源不确定性、极端气候等因素导致新型电力系统安全稳定运行风险问题

在新型电力系统加速智能化的背景下，关注新型电力系统安全防护问题显得尤为重要。针对已知的电力系统风险，新型电力系统根据多年的运行经验积累建立了一套防护体系，主要包括面向物理系统和信息系统的防护。然而，由于攻防信息不对称性、认知逻辑缺陷、防护方案与电力系统可用性需求冲突等问题，现有防御技术体系难以为新型电力系统提供全面有效的深度保护。为解决现有防御技术体系的不足，迫切需要研究基于主动防御方法与技术的新型防御技术体系。主动防御方法与技术包括拟态防御、可信防护、内生安全等，具备动态可靠、适配性强、多维防御的特点，被认为是解决新型电力系统安全问题的潜在方案，协调识别、保护、检测、响应等多个环节，实现新型电力系统全生命周期一体化的主动协同安全防御。本白皮书总结新型电力系统中存在的已知和未知威胁，结合新型电力系统的安全防护要求，设计了“识别(Identification)-保护(Protection)-检测(Detection)-响应(Response)(IPDR)”一体化的新型电力系统主动安全防御技术体系，提出一套新型电力系统的主动防御参考模型，持续提升新型电力系统应对各类安全威胁的防御能力。本白皮书旨在为新型电力系统安全领域的研究和探索做出贡献，推进新型电力系统安全技术的发展。为新型电力系统安全领域的研究者、从业人员和相关利益方提供指导和借鉴，促进知识的共享和交流。同时，呼吁政府、企业和研究机构加强合作，共同推进新型电力系统安全技术的发展和标准制定，为智慧能源时代的安全构建坚实基础。

​近日，由国家电网有限公司牵头编制的国家标准GB/T 43456-2023《用电检查规范》正式发布，将于2024年7月1日起正式实施。这一标准的发布为提升用户用电安全水平提供了指导和依据，对电力系统安全运行起到支撑作用。

电力是支撑国民经济和人民生活的重要产业，为保障电力系统安全稳定运行，供电部门需要安排专业巡检人员对电力配网开始逐一的安全隐患排查工作。但实际工作中，电力配网巡检存在效率低的问题，错检漏检的风险以及应用场景的特殊性。因此，针对电力配网的特征，通过智能化手段开始巡检工作，实现配网巡检工作的增质、提效，是电力配网运维管理的必然需求。

围绕“碳达峰、碳中和”目标，能源电力系统“源-网-荷-储”全环节低碳化面临新的要求和挑战，高比例可再生能源发电已成为必然趋势。考虑可再生能源发电的不确定性对电力系统安全稳定运行的影响，利用具备多能互补特性的虚拟电厂(virtual power plant，VPP)是改善该问题的有效途径。为此，提出一种多能互补虚拟电厂优化调度策略。首先，充分考虑多种能源之间的耦合关系，构建计及“源-网-荷-储”全环节的虚拟电厂运行机制；其次，根据所提运行机制，提出以低碳经济为目标的多能互补优化调度模型，通过对各类型装置进行协调调度，促进可再生能源的消纳；最后，以某地区含可再生能源发电在内的多能互补虚拟电厂为参考案例进行仿真分析，验证所提策略的有效性。

6月8日，河南省政府发布河南省贯彻落实稳住经济一揽子政策措施实施方案，方案提出抓紧推动实施一批能源项目。加快推进“十四五”新增煤电项目规划建设，重点在豫南、豫东布局一批对电力系统安全保障作用强、条件成熟的煤电项目。

电力电子设备渗透率的不断提高使得电力系统转动惯量和阻尼水平下降，对新型电力系统安全稳定运行带来不可忽略的影响。目前并网变换器系统判稳方法常采用奈奎斯特判据和广义奈奎斯特判据，但这两种判据均适用于阻抗比中不含右半平面(right half plane, RHP)极点的场景。针对上述问题，基于考虑正负序耦合和源荷之间耦合的等效单输入单输出(single-input single-output, SISO)系统阻抗模型，提出了考虑RHP极点的三相变换器并网系统判稳方法。首先，对研究系统的RHP极点个数及奈奎斯特曲线包围点(−1, j0)的次数进行估算。然后，在奈奎斯特判据的基础上，利用SISO系统阻抗伯德图进行分析，在系统存在RHP极点的情况下对系统的稳定性进行判断。最后，基于Matlab/Simulink中搭建电磁暂态仿真模型，验证了在有无RHP极点的不同场景下，所提判稳方法均能对三相变换器并网系统的小干扰稳定性进行有效分析。

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。