神经网络

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。

随着极端天气频发，温度敏感负荷用电逐年攀升，温度敏感负荷作为虚拟电厂优质的调控资源，亟须分析气象变化对于此类负荷的影响，由于叠加极端高温、大规模寒潮等异常天气的影响，温度敏感负荷波动剧烈，常规分析预测方法难以适应极端气象场景。针对寒潮天气下温度敏感负荷样本数据及预测精度不足的问题，提出寒潮天气小样本条件下的温度敏感负荷日最大负荷预测方法。该方法先采用时序对抗生成网络（TimeGAN）扩充寒潮期间小样本数据，再采用卷积-长短时记忆神经网络（CNN-LSTM）对寒潮期间的日最大负荷进行预测。以国内某省近两年迎峰度冬期间数据进行模型验证，结果表明所提模型优于其他模型的预测结果，在验证集上日最大负荷的预测精度为99.5%。

近年来，随着碳达峰和碳中和“双碳”战略目标的提出，风力发电已成为可再生能源发电的关键部分。为提高风电功率短期预测的准确度，提出基于密度聚类与自适应噪声完备集成经验模态分解（complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN）和卷积神经网络与长短期记忆网络结合的短期风电功率预测方法。首先，利用密度聚类将风电功率与天气特征分成不同类别的数据集，通过自适应噪声完备集成经验模态分解算法将不同类别的数据进行频域分解得到子序列分量。以此为基础，将不同的子序列分量与天气特征进行特征选择，输入到卷积神经网络与长短期记忆网络的预测模型。最后，将不同的预测结果进行叠加得到最终的预测结果。整个预测过程通过聚类、分解和特征选择，有效提高了短期风电功率预测的准确度。

卷积神经网络由于其有限的感受野无法高效捕捉到电力场景中避雷器、GIS进线套管等设备的上下文信息，进而影响检测效果。为解决上述问题，引入基于Transformer的体素注意力网络，提出局部注意力和空洞注意力机制来分别捕获图像体积像素中的近程和远程特征联系，在保证计算开销不增大的同时，有效扩大注意力范围。同时，设计子流形体素模块和稀疏体素模块来分别提取非空体素位置和空白体素位置上的特征信息。最后，在通用数据集Waymo和KITTI以及云南省某输变电区域的图像数据集上与主流模型进行比较，证明所提模型对于电力设备的检测具有更加优越的性能。

针对传统储能VSG（虚拟同步发电机）不能较好地同时具备抗扰动能力和快速动态响应能力的问题，提出一种以RBF（径向基函数）神经网络优化动态同步器的储能VSG控制策略。首先，建立VSG的数学模型，分析转动惯量和阻尼系数配置对VSG性能的影响，得出参数配置在动态响应和系统动态稳定的矛盾关系。其次，将转子的暂态不平衡功率作为三层前向结构RBF神经网络算法的输入，通过RBF神经网络算法在线学习得出最优暂态补偿功率来动态调节VSG的输入功率，从而减少转子的不平衡转矩，提高VSG的暂态稳定性。最后，通过仿真对比实验验证了所提控制策略的有效性。

高寒地区须携带多台仪器以满足3种不同量级SF6气体中CF4气体浓度的检测需求，现场运维效率低且仪器购置成本高。为此，首先设计了一种基于热释电检测技术的SF6气体中CF4气体浓度检测仪器，可自动选择不同的放大电阻以实现多量程切换。然后提出了BP和PSO-BP 2种神经网络温度-压力协同补偿模型，并通过搭建高效模拟实验平台为模型预测提供数据支撑，预测结果表明，PSO-BP神经网络优于BP神经网络。最后将PSO-BP神经网络温度-压力协同补偿模型内置于多量程检测仪器CF4气体浓度检测仪器。模拟实验结果表明，该检测仪器在不同温度和压力下，小量程和大量程检测误差和重复性分别不超过±2%和1.6%，混合比量程下误差和重复性分别不超过±0.5%和0.2%，对高寒地区电网运维检修具有重要作用。

负荷识别是非侵入式负荷监测(non-intrusive load monitoring, NILM)的关键一步。针对目前识别方法存在网络参数量大、识别率低的局限性，提出了一种基于马尔可夫转移场((Markov transition field, MTF)和轻量级网络的非侵入式负荷识别方法。首先，利用归一化后的电压电流计算马尔可夫状态转移矩阵，在时域上排列每个状态转移概率构建MTF。其次，对MTF降采样以适应神经网络的学习，利用伪彩色编码技术得到RGB彩色图像。最后，在轻量级网络ShuffleNetV2中加入SimAM无参注意力模块作为特征提取网络，以较少的参数量实现负荷分类识别。使用公共数据集PLAID和WHITED对所提方法进行实验，结果表明，SimAM-ShuffleNetV2在两个数据集的识别准确率分别达到了98.99%和99.22%，参数量分别为0.37 M和0.41 M，比现有的方法具有更高的识别准确率和更少的参数量，验证了所提方法的有效性和优越性。

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。

直流微电网是一个网络物理信息系统，在信息传递的过程中容易遭受网络攻击的影响。虚假数据注入信息通道会影响微电网的系统安全。检测并修正虚假数据注入攻击，能够提升微电网系统运行的安全性。针对这一问题，提出了一种基于卷积神经网络（convolutional neural network，CNN）和长短期记忆网络（long short-term memory，LSTM）联合最大互信息系数（maximum information coefficient，MIC）的二阶段虚假数据注入攻击检测方法。首先，使用CNN从直流微电网运行的时序数列中提取时序特征，运用LSTM模型结合CNN提取的时序特征运行得到直流微电网运行状态预测值，与直流微电网运行的实际值对比，初步判断系统中是否存在虚假数据；其次，考虑到CNN-LSTM模型存在一定的误报率，构建MIC校验器，进一步判断系统中是否存在虚假数据并恢复；最后，通过直流微电网Matlab仿真分析，验证了所提方法的合理性和可行性。

SCA200人工智能视频一体化芯片是一颗专门为超高清4K智能视觉应用场景设计的工业级人工智能视频处理器，集通用视频处理与人工智能处理于一体，片上集成神经网络加速器，可支持多类神经网络的计算加速，独特的RCU单元支持可重构计算，有效补充NPU灵活性不足的问题。内置H.265/H.264高性能编解码器，高性能ISP，支持HDR、多级降噪、EIS及多种图像增强和矫正功能。