人工智能处理在自动化变电站保护系统中的实时故障诊断与评估

由于自动化变电站保护系统故障诊断效率低、精度差的问题频频发生。为此,提出基于人工智能的变电站设备故障综合诊断与评估方法。首先,通过主分量分析技术对电力信号降维,结合支持向量机方法分类电力保护设备数据组。利用可达矩阵分析信息在源宿之间的可达性,确定自动化变电站保护系统失效树,定性分析故障引起的不可达信息,将检测得到的差异化数据特征数集进行归一处理,判断设备是否处于故障状态并且评估风险。实验结果表明:所提检测方法能够精准诊断保护设备的电压互感器、电流互感器、断路器、隔离开关所有处于故障状态的设备位置。自动化变电站保护设备故障风险的准确率约为88.94%。评估时间仅在0.194 s~0.237 s之间,所提方法能确保整个变电站电力系统的安全运行,在电力系统中具有较高的应用价值。

基于人工智能技术的配电系统图像分类模型安全评估体系构建与测试研究

深度学习是利用大型数据集的高效训练算法,在新型智能电力系统中得到了广泛应用。然而,目前电力系统人工智能模型的深度神经网络训练阶段不完善,容易受到对抗性样本的影响,导致深度神经网络出现错误分类。因此,在新型电力系统中,确保基于配电系统图像多分类深度神经网络模型的安全性至关重要。本文首先确定了针对配电系统图像多分类的深度神经网络的对抗空间,并根据对模型的输入和输出之间映射的精确理解来制作对抗者样本。然后,定义了一个对抗攻击能力指标来评估不同样本类别对对抗性扰动的安全性。最后,通过定义良性输入和目标分类之间的距离的预防性措施,实现了对对抗性样本的防御。