新一代电网是未来智能电网发展的主要方向, 而电力负荷精准预测是智能电网的一项重要基础工作. 为了提高智能电力系统负荷预测的精确度, 本文基于自相关机制的预测模型Autoformer, 对负荷数据集进行了特性分析, 在原模型中加入特征提取层, 从编码层数、解码层数、学习率和批量大小等方面优化了模型参数, 实现了周期灵活的负荷预测. 在真实数据集上进行了实验和分析, 实验结果表明, 本文模型在预测效果上表现更好, MAE (mean absolute error)和MSE (mean squared error)分别为0.2512和0.1915, 决定系数为0.9832. 与其他方法相比, 本文方法负荷预测效果更好.
窃电行为严重危害着电力设备和人身安全, 并造成重大经济损失. 对窃电行为实现准确识别是供电企业降损增效的一项重要工作. 在残差网络 (residual network, ResNet) 结构的基础上, 将二维卷积神经网络与深度可分离卷积增强的自注意力 (depthwise separable convolution enhanced self attention, DSCAttention) 机制相结合并构建模型, 用于提升窃电用户的正确分类. 此外, 由于窃电数据常存在缺失值、异常值和正负样本不平衡的问题, 故采用补零法、分位数变换和分层拆分法对以上问题分别处理. 在真实窃电数据集上进行了大量实验, 实验结果表明, 所提模型的AUC指标达到了91.92%, MAP@100指标达到了98.58%, MAP@200指标达到了96.77%. 与其他窃电分类模型相比, 所提模型在窃电分类任务上亦有很好的表现, 可以在窃电智能化识别中推广使用.
随着政府和企业在信息化向数字化演进历程中信息化程度的加深, 各类应用系统生成的数据日益多模化、多源化、海量化, 这对数据管理造成了新的挑战. 为了解决这些挑战, 数据管理领域涌现出了许多新的技术和理念, 其中Data Fabric (数据编织) 便是一种新兴的数据管理技术和方法, 它将分布式数据存储、处理和应用整合为一个整体, 并提供了一套可视化的接口进行管理. 本文首先分析了Data Fabric的技术架构、技术特点、技术价值和对多模数据进行管理与应用的完整流程. 其次, 提出了基于时序指标的多模多源数据的异常监测方法、基于日志数据的多模多源数据的异常监测方法, 它们通过Data Fabric技术的使用, 处理速度分别提高了33.3%和42.2%, F1-score分别提高12.2个和14.8个百分点, 进一步说明了Data Fabric技术和本文新提出方法的高效性和应用价值.
高级计量体系是新型电力系统建设的重要组成, 然而高级量测系统依赖于网络信息基础设备, 存在较大的安全问题. 本文基于隐马尔可夫模型并结合人工免疫算法对高级量测系统的网络安全态势进行了评估. 首先, 采用计数器算法来获取电力网络中的安全观测数据; 其次, 通过隐马尔可夫模型描述网络安全状态的变化过程, 并利用人工免疫算法计算不同状态之间的转移概率矩阵; 接着, 利用态势评估误差对状态转移矩阵进行修正; 最后, 通过计算得到不同时刻处于不同安全状态的概率, 再结合风险损失向量最终得到安全态势评估值. 实验表明, 该方法具有较好的评估效果, 能够较为准确地捕获到系统中存在的安全缺陷, 从而保证高级量测系统的安全运行; 准确地发现系统中的相关安全缺陷, 从而保证新型电网环境安全、平稳和可靠地运转.
变电站等工业场景中, 基于监控视频的视觉烟雾检测已被作为一种新的环境辅控方式, 用于辅助或代替基于烟雾传感器的烟雾检测. 但是, 工业应用中要求视觉烟雾检测算法在保证误检率低的基础上, 要尽可能降低漏检率. 针对该问题, 基于空间域和频率域方法, 提出了一种新的烟雾检测算法, 分别在空间域和频率域进行烟雾检测: 在空间域上, 在提取烟雾运动特性的基础上, 设计了提取烟雾“蒙版特性”的方法, 以保证较低的漏检率; 在频率域上, 分别结合滤波模块和神经网络模块, 以进一步降低误检率. 最后通过融合后处理策略, 得到最终检测结果, 从而平衡漏检率和误检率. 在测试数据集上, 所提烟雾检测算法的误检率达到了0.053, 漏检率达到了0.113, 实现了误检率和漏检率的良好平衡. 所提检测方法适用于变电站等实际工业场景的烟雾检测.