新型电力系统多源异构数据融合技术研究现状及展望
能源转型背景下,新型电力系统以清洁低碳、开放互动为目标不断建设,同时监测技术与通信技术也快速发展,电力系统中的数据来源更加广泛,数据结构更加复杂,为新型电力系统数据融合提供数据基础的同时也提出了挑战。首先,分析新型电力系统数据特征,提出新型电力系统的数据融合需求;接着,介绍新型电力系统数据模型、多源异构数据融合技术层级,分析关键融合技术的优缺点,并对不同技术的适用场景进行分析;然后,分别从输配协同、源网荷储协同、虚拟电厂、多元负荷、电碳市场交易5个典型场景,对多源异构数据融合的数据需求、数据来源、融合目标、常见方法及研究难点进行归纳;最后,对新型电力系统数据融合技术的未来研究发展进行了展望。
支持北斗定位功能的4G通讯
覆冰监测系统数据传输应用,输电线路覆冰监测传输专用4G模块,具备高速稳定传输同时,还能通过北斗定位,确保用户掌握凌动灾情的同时,清晰了解设备所处位置,并可通过APP推送到现场除冰人员手机,确保发现早,定位快,及时处理。
变电站智能辅助监控系统
首先分享了“变电站智能辅助监控系统”的建设经验与应用心得。该系统采用了核心层、应用层、终端层的系统设计框架,集成了变电站智能辅助控制、安防监控、机器人巡检、在线监测等多个子系统,实现了对SCADA系统数据、设备台账资产数据等业务数据的接入,构成智慧变电站管理体系平台,最终以3D可视化变电站为展现方式,通过AR实景技术提供沉浸式体验。就未来发展而言,凭借变电站智能辅助监控系统的设备、软件平台优势,可进一步拓展系统监控功能的覆盖深度和广度,将现有分散的文明施工监控、现场施工安全、营业厅监控、巡检机器人、输配电在线监测等系统全面整合,形成一个全新的功能更加强大的监控中心,真正做到运用先进的智能管理技术,安全有效地对变电站进行管控。
基于DRSN-BiLSTM的电力信息网络入侵检测模型
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。