电力电网智能故障分析
研究探讨了智能电网中机器学习的安全性问题,发现深度神经网络方法易受对抗性扰动影响,并指出目前机器学习算法在智能电网中面对各种对抗性攻击的弱点,尤其是在故障定位和类型分类方面。
Mar, 2023
该研究探讨了图神经网络在没有明确的高分辨率信息(发电机状态、电网拓扑和电力调度决策)的情况下,能否识别未来几个小时内电网的风险状况。研究发现,基于图神经网络的可靠性和风险评估具有快速而准确的预测能力。
May, 2024
智能电网系统面临多种网络安全威胁,基于人工智能技术的解决方案被越来越广泛地运用,然而最新的敌对系统(如生成对抗网络)的出现使得目前的 AI 技术很容易被攻破,我们需要更多的研究方向来保护智能电网系统。
Feb, 2022
通过图神经网络(GNN)发展了一种检测电力网故障的新方法,旨在增强网络运维中的智能故障诊断能力,该方法借助特殊的电气特征提取模型和知识图谱,通过整合节点的历史和未来状态来辅助当前故障检测,并通过对神经网络层各个节点输出特征进行相关分析验证了该 GNN 在提取节点特征方面的有效性,实验证明该方法可在模拟场景中准确定位故障节点,准确率达到 99.53%,此外,图神经网络的特征建模还可定性揭示故障在节点之间的传播情况,提供有价值的故障节点分析洞察。
Nov, 2023
通过使用人工智能技术,本研究提出了一种新颖的智能电网基于模型的网络攻击检测方法,以阻止监控控制和数据采集系统(SCADA)上接收的负载数据的数据完整性网络攻击(DIAs),并使用回归模型进行负载数据的预测,以及通过无监督学习方法对处理后的数据进行聚类,以实现最佳性能。实验结果表明,EE-BiLSTM 方法比其他两种方法更稳健和准确。
Dec, 2023
本研究分析了基于人工智能模型在 $N-1$ 安全准则下电网运营的稳健性,结果显示在某一线路断开后,这些模型的准确性显著降低。通过基于图论的分析,我们展示了节点连接对于这种损失的影响,这些发现强调了在开发关键基础设施的人工智能方法时需要考虑实际情境。
Jun, 2024
基于机器学习的智能电网攻击检测模型,通过利用来自相量测量设备(PMUs)的数据和日志,学习系统行为并有效识别潜在的安全边界。研究使用来自不同 PMUs、继电器嗅探警报和日志的 15 个独立数据集验证了提出的模型,结果显示随机森林模型在检测电力系统扰动方面表现最佳,准确率达到了 90.56%,有助于操作人员的决策过程。
Jul, 2023
本文提出了一种方法学习如何在能源领域中开发,部署和评估 AI 系统,以提高其可靠性、可控性和解释性,使用电力系统事件预测(PEF)作为示例应用,通过对同步相量测量单元(PMUs)测量的相量数据进行物理理解和采用基于机器学习的算法来预测所需需求,将物理维度与机器学习模型融合,实现降维和提高预测精度的目标。
Nov, 2021