摘要:配电系统窃电是造成电网非技术损失的主要原因，是供电企业运营管理中长期面对的痼疾。用电信息采集系统采集了海量用户数据，使得开展数据驱动的用电异常检测、准确识别窃电用户成为可能。受用户用电行为多样性影响，数据驱动的窃电检测方法的误报率在某些场景下尚难以满足实践需求，严重制约了该类方法的工程应用。文中首先介绍了窃电实现手法，然后梳理了在实践中得到工程应用的窃电检测方法以及数据驱动窃电检测方法的基本思路和局限性；在此基础上，结合工程应用对窃电检测评价指标的差异性需求，分析指出提取的可用信息不足、特征指标项灵敏性和可靠性不高是阻碍数据驱动窃电检测方法走向工程实用的主要原因。最后，从算法设计、状态空间细分以及特征指标项设计选择等不同层面对低误报率窃电检测进行了展望。

摘要:传统的基于最小二乘法的谐波状态估计受到量测装置少、精确的谐波阻抗获取难、网络拓扑结构复杂以及电网运行方式变化等因素的限制，造成量测方程欠定、系统非全局可观以及节点间耦合关系难以准确提取等问题。文中提出了一种基于改进生成对抗网络的谐波状态估计方法。该方法基于pix2pix谐波状态估计网络拟合监测节点与目标节点间的耦合关系，利用采集的历史谐波数据，对模型进行批量训练，通过训练之后的生成网络估算目标节点谐波电流、谐波电压幅值，实现基于数据驱动的谐波状态估计。在加噪环境下对模型进行测试，仿真结果验证了所提方法的有效性。

摘要:以卷积神经网络（CNN）为代表的深度学习算法在电力系统暂态电压稳定评估中开始得到应用，但其输入特征的构建方法及合理性验证未得到充分的研究。面对交直流系统暂态电压稳定评估，提出了一种适用于CNN的输入特征构建方法。首先，基于双阶段分区来降低输入特征的维度和冗余度，即先依据系统拓扑关系和地理位置约束给出初始分区结果，再以节点的暂态电压特征相似性进行聚类，得到降低维度和冗余度后的最佳分区方案；然后，在分区结果的基础上，考察影响交直流系统暂态电压稳定的关键因素，构建兼顾稳态特征量和多维度故障信息的输入特征；最后，将所构建的输入特征应用于CNN暂态电压评估模型，并采用实际电网数据进行验证。仿真结果表明，所提方法较传统特征选择方法具有更高的准确性。

摘要:可再生能源渗透率的增加给电力系统安全稳定运行带来持续性的挑战，传统方法分析系统稳定性、控制电网稳定运行变得愈加困难。针对这一难题，提出了内嵌安全稳定约束的电力系统优化运行框架以及用于电力系统安全稳定规则提取的斜回归树及其集成算法。该算法首先优化斜划分系数以训练单棵斜回归树，然后利用boosting思想集成斜回归树，并通过正则化方法保证树的稀疏度，增强算法的可解释性。相比神经网络等黑箱模型，文中提出的方法能够提取显式安全稳定规则，为内嵌安全稳定约束的电力系统优化运行奠定了基础。最后，以静态电压稳定问题为例验证算法的有效性，算例验证结果表明所提算法具有良好的可解释性、较强的表示能力和较高的集成效率。

摘要:基于用电信息采集系统的量测数据，提出了一种基于改进局部离群因子算法的用户用电隐患检测方法。首先,提出基于信息熵的电压信息重构方法，扩大电压数据差异性。其次，提出基于K-奇异值分解的电压数据稀疏编码方法，解决台区用户原始负荷特征维度过高带来的冗余性问题。然后，提出基于改进局部离群因子算法的用户用电隐患检测方法，通过多局部离群因子模型组合优化，提高低压用户用电隐患检测泛化能力与准确率。最后，以中国浙江省某台区为例进行验证，算例分析的结果表明所提算法相对于传统局部离群因子算法具有更高的隐患检测准确率。

摘要:传统电网运行方式下制定输电断面限额时，为保证安全性，主要考虑最严重电网运行方式。这种处理方式不能适应高占比新能源电网运行方式复杂多变的特点，存在包含运行方式情景不足和安全裕度过大等问题。为此，提出新能源接入电网的断面传输方式聚类分析方法。首先，基于历史统计信息找出电网关键断面，并通过相关性分析挖掘出影响电网关键通道传输能力的关联因素；然后，根据关联度指标对关键因素进行排序,并根据排序靠前的关键因素对电网运行方式进行聚类划分；接着，依据聚类划分结果对该边界方式下各级断面输电限额进行优化，以提升电网输送能力。最后，通过中国西北电网仿真分析验证了所提方法的有效性和实用性。

摘要:准确辨识空调负荷模型的参数是挖掘其节能及需求响应潜力的重要基础,当前研究大多采用精度较差的离线辨识方法。为此，基于数据驱动思想，提出一种变频空调模型参数在线辨识方法。首先，建立了数据驱动的空调负荷模型参数在线辨识架构。然后，基于空调负荷模型提出数据驱动的在线辨识机制和方法。其中，数据驱动的在线辨识机制设计为基于参数显著变化事件驱动的参数更新判别机制和基于历史参数波动范围的参数动态阈值设定机制，在该机制下通过粒子群优化算法建立了快速在线辨识方法。最后，通过实测环境，验证了所提在线辨识方法的有效性，与离线辨识方法相比，所提方法极大地提高了计算速度及准确度，可满足在线应用需要。

摘要:对拓扑结构进行优化可提高电力系统运行灵活性，然而线路开断与变电站母线分裂等系统级的离散决策变量维度极高。该拓扑结构优化问题难以由传统混合整数优化方法求解。针对该问题，提出了一种结合异步优势Actor-Critic（A3C）深度强化学习与电力系统领域知识的运行优化方法，将在线优化的计算负担转移至离线智能体训练阶段。该方法通过同时考虑拓扑结构与发电出力调整的动作空间设计系统运行控制智能体，以最小化约束越限为训练奖励，通过强制约束校验缩减搜索空间并提高强化学习效率，从而实现电力系统运行拓扑结构优化的快速计算，提高电力系统运行的安全性。仿真测试验证了所提方法的有效性。

摘要:随着交直流混联电网规模的扩大与电力电子化设备的大规模并网，以新能源为主体的新型电力系统的动态特性愈加复杂。物理模型的机理可解释性与数据模型的特性拟合能力具有很强的互补性。如何将融合模型的构建从定性分析向定量分析提升亟待深入研究。文中基于电力系统中数据方法与物理方法的特点，针对4种典型数据-物理融合模型分析了其相对应的应用场景；以并联模式为研究对象，分别对比分析了并联模式与单一物理模型和单一数据模型的泛化误差，并提出了融合模型参数的选取方法；推导了并联模式下融合模型的泛化误差上限，并提出了改进融合模型性能的可行性建议；最后，结合暂态功角稳定问题验证了所提假设与结论的合理性。

摘要:在考虑不确定性的N-1安全校核、可靠性计算等需大规模重复潮流计算的场景中，基于深度神经网络（DNN）的数据驱动方法存在部分潮流变量误差异常的问题，影响潮流越限判别的准确率。对此，首先通过理论推导，分析DNN参数更新过程及数据标准化原理，发现该问题的重要成因之一为：DNN仅根据标准化误差迭代训练模型，未计及潮流变量的真实学习误差及工程实际的精度要求，无法及时针对误差异常的潮流变量调整DNN参数。然后，面向潮流计算提出基于动态学习权重的DNN自适应训练方法。该方法通过每轮迭代中验证集的真实学习误差、越限误判率及误差统计指标，确定各潮流变量的学习权重，有效降低数据驱动潮流计算的异常误差。最后，在IEEE标准算例和Polish 2383节点系统上仿真验证了所提方法的有效性。

摘要:随着先进通信与信息技术的广泛应用，虚假数据注入攻击已成为威胁自动发电控制系统安全的重要因素之一。网络攻击的检测是防御的首要任务，文中提出了一种基于集员滤波的自动发电控制系统虚假数据注入攻击检测方法。首先，针对自动发电控制系统中虚假数据注入攻击的影响进行了分析，并建立了互联电网自动发电控制系统模型以及虚假数据注入攻击的模型。其次，基于实时自动发电控制系统的控制指令以及测量数据，对自动发电控制系统椭球集进行预测更新和测量更新，通过判断预测更新椭球集与测量更新椭球集之间是否存在交集，检测系统的数据传输中可能存在的虚假数据注入攻击。最后，在IEEE标准双区域互联电网中验证了所提方法的有效性。

摘要:针对区域交直流混合配电网中实时量测覆盖率低、量测误差分布具有不确定性的问题，提出了基于深度神经网络（DNN）伪量测建模的交直流配电网区间状态估计方法。该方法首先对DNN进行离线训练，然后将实时量测数据和电压源换流器控制的变量值作为DNN的输入特征，建立伪量测模型；接着，在实时量测更新时，利用已训练好的DNN快速生成伪量测；最后，对伪量测和实时量测的不确定性采用区间形式建模并进行区间状态估计，进而准确监测交直流系统状态。算例仿真结果表明，所提方法能够避免对量测误差的概率分布进行假设，并且能够在低冗余量测配置或量测缺失时，准确获得交直流配电网状态变量的上下界信息。

摘要:随着居民分布式资源的普及，如何考虑用户多类型设备的运行特性，满足实时自治能量管理需求以达到用户侧经济性最优成为亟待解决的课题。传统基于模型的最优化方法在模型精准构建和应对多重不确定性等方面存在局限性，为此提出一种无模型的基于深度强化学习的实时自治能量管理优化方法。首先，对用户设备进行分类，采用统一的三元组描述其运行特性，并确定相应的能量管理动作；接着，采用长短期记忆神经网络提取环境状态中多源时序数据的未来走势；进而，基于近端策略优化算法，赋能在多维连续-离散混合的动作空间中高效学习最优能量管理策略，在最小化用电成本的同时提升策略对不确定性的适应性；最后，通过实际情境对比现有方法的优化决策效果，验证所提方法的有效性。

摘要:由于配电物联网中电力网与通信网高度耦合，单一网络的异常状态会交互作用至另一网络，可能进一步造成异常范围扩大，而单独采用电力网或通信网的异动信息难以全面、准确地辨识配电物联网异动源的类型和位置。因此，提出一种基于三维卷积神经网络(3D-CNN)的配电物联网异常类型辨识及定位方法。首先，分析了配电物联网通信流量特征并构建了基于Simulink和OPNET的配电物联网交互仿真模型；其次，提出了一种面向3D-CNN的样本构建方法，将配电物联网中每个节点的电气量和通信流量信息组成一个特征子像素，进而将配电物联网每个时刻的状态表示为一幅特征帧画面，形成隐含配电物联网异动过程的立方样本矩阵；随后，构建了包含三维特征提取网络和层级softmax分类器的深度学习模型，通过提取和辨识立方样本矩阵中隐含的异常信息，可以同时实现配电物联网异常类型和位置的判定；最后，利用IEEE 33节点配电物联网异常数据对模型进行测试，结果表明，所提方法可以对电力网短路故障、通信中断故障、通信数据异常引起的保护误动和拒动进行精确的分类及定位。

摘要:系统自然激励下的随机响应数据中蕴含丰富的机电行为特征信息，准确地从随机响应数据中辨识小干扰稳定特征参数对于指导电力系统安全稳定运行具有重要现实意义。文中提出了随机数据驱动下基于子空间最优模式分解的小干扰稳定特征参数在线辨识算法。该算法通过对输入数据进行基于正交投影的矩阵线性变换得到其奇异子阵，并利用共轭梯度算法迭代求解最佳低维正交空间，以实现奇异子阵之间高维映射矩阵的最优低维近似，根据最优低维映射矩阵的特征值分解结果可以准确获得系统小干扰稳定特征参数，即振荡频率、阻尼比、模态。基于正交投影的矩阵线性变换以及共轭梯度法的引入使得动态模式分解法能较好地适应随机响应数据。IEEE 16机68节点系统和实际系统量测数据的计算和分析验证了所提算法的有效性和准确性。

摘要:同步相量测量单元(PMU)能为电力系统监测和控制提供实时数据。然而，PMU连续坏数据与扰动数据高度相似，可能会导致控制中心做出错误的决策。针对PMU连续坏数据难以与扰动数据区分的问题，提出了一种基于局部离群因子（LOF）的连续坏数据检测算法。通过大量现场数据分析得出连续坏数据空间相似性差、扰动数据空间相似性强的结论，依据此结论提出了基于动态时间规整（DTW）的空间相似性评估方法。通过评估不同PMU的空间相似性来计算每台PMU的LOF值，进一步，提出了基于箱线图的阈值确定方法。通过比较当前窗口每台PMU的LOF值是否超过阈值，在线识别连续坏数据。仿真和测试结果表明，所提方法能有效实现连续坏数据的辨识和检测，并区分扰动数据。

摘要: