电力大数据安全体系架构研究与应用

随着电力系统智能化的不断深入,涵盖整个电力系统运行过程的信息系统已经逐步建立和发展,电力大数据将在电力系统的各个环节发挥重要的作用。由于电力大数据涉及大量的用户和企业资料,因此对信息安全具有较高的要求。本文针对大数据安全的关键点,采用建立完善的身份认证体系的方式,对用户权限进行了限制和保护,有效地确保了系统数据的安全。

区块链技术在电力辅助服务领域的应用综述

售电市场放开后,参与交易的主体数量、类型、业务类别逐渐增多。为应对完全竞争市场条件下多实体参与的辅助服务市场交易安全可信问题,提出了基于区块链技术的解决方案。首先阐明了区块链技术基本原理,剖析了区块链技术在辅助服务市场中应用的关键性技术,分别从工作量证明、共识记账、智能合约、业务交互、密钥管理等方面提出了具体实施方案。同时,还结合辅助服务中涉及资金流监管、智能合约业务的应用需求,提出了辅助服务系统从集中式管理向分布式智能管理的发展思路。最后,从商业模式、协议兼容性、安全信息快速处理、资源耗费等方面分析了区块链技术在我国目前电力辅助服务市场中应用的局限性,并提出相应建议。

针对字典序依赖的分布式数据修复

字典序次序依赖用于表达数据上属性列间的次序关系。现实数据往往具有很大的规模而且包含错误。研究针对字典序次序依赖的分布式数据修复技术,目标是将数据修改为满足给定次序依赖定义的形式。基于Spark平台,设计和实现分布式修复算法,同时通过实验验证该方法的有效性和运行效率。

基于多核处理器的网络内容并行还原系统

研究现有网络信息内容还原系统实现原理及各种改进策略。根据现有网络信息内容还原系统未充分利用运算资源以及当前多核处理器高度普及的现状,提出基于多核处理器的网络信息内容并行还原系统,将高流量数据包分流到多个处理进程,利用多核处理器的运算资源,从而达到在不添加额外硬件资源的情况下提高处理能力的目的。实验结果表明,该系统可以有效提高网络信息内容还原系统的处理流量。

基于像素语义信息的单图像视图生成深度预测方法

单幅图像的深度预测具有重要的应用前景。为解决现有视图生成方法中图像扭曲的问题,创新性引入目标检测思想改进了视图生成网络Deep3D,提出基于像素语义信息的单图像视图生成模型。把视图生成网络得到视差概率分布和目标检测模型提取到中心点概率分布加权结合到一起。把模型得到的视差图与输入图结合来产生右图,最后利用左右图计算得到深度图。实验结果显示,该方法有效提升了生成右图和计算得到深度图的精度。

基于多维度无监督学习的异常用电检测方法

针对用户异常用电所造成的经济损失,通过对局部离群因子算法的理论分析,提出了“算法异常分析”与“经验法则分析”相结合的异常用电检测系统架构,重点介绍了社群演化异常、群体行为异常、个体功率异常和关联特征异常4个算法,并计算综合异常得分,最后从三相电压电流不平衡校对的角度进一步对“算法异常分析”的结果进行筛选。实验结果表明,与现有的主流异常用电检测方法相比,该方法能够更准确地从电力大数据中诊断出用户的异常用电行为,稽查准确率高达82%。

多源异构的智能配用电数据存储处理技术

针对智能配用电数据具有海量、多源异构等特点,提出一种基于Hadoop的智能配用电数据存储处理的框架设计方案。在对智能配用电数据组成进行梳理的基础上,提出了智能配用电的资源、存储和查询三层数据存储框架。其中,资源层采用Hadoop集群架构,结合电力系统的行业特色,完成IT存储资源管理;存储层则先采用XML技术进行数据预处理,使非结构化数据归一化,然后利用No SQL数据库通过Map和Reduce的有效结合,完成海量数据的快速存储;查询层利用Top-k检索技术,实现海量数据的快速查寻。该设计方案能够对结构化和非结构化数据进行统一存储,可为智能配用电大数据技术的应用提供基础支撑。

基于次序依赖的电力数据集修复

数字化技术在电力系统中的广泛应用产生了大量的数据,对这些数据进行分析和挖掘可以产生巨大的价值。保证和提高数据质量是其中一个重要的过程,也是以后数据挖掘工作的基础。基于家用电力数据集的特征,使用次序依赖来描述数据遵循的准则。在此基础上,提出一种使用动态规划策略的、基于次序依赖来修复错误电力数据的修复算法。文章对算法进行了进一步地时间复杂度上的优化,使算法在大数据集上能在合适的时间内完成修复。文章从算法运行时间、修复结果等多个维度对文中方法和对比的信号处理方法进行比较。实验表明,算法相较于常见的信号处理方法在电力数据集上具有显著的改善。

基于改进的AdaBoost算法的中压配电网断线不接地故障检测

由于中压配电网变电站常采用中性点不接地方式,所以当线路单相断线后断口两侧的导线均不接地或是非电源侧导线落地等情况发生时,没有明显的故障特征产生,且无法通过变电站内现有的继电保护装置对故障进行检测。为解决这一难题,我们基于配用电信息系统数据和改进的AdaBoost算法,用纯数据驱动的方法,提出一套智能检测配电网断线的系统,可应用于实时的故障检测,这是文中的一大创新之处。其次,我们改进了AdaBoost算法,提出FC-AdaBoost算法(Feature Considered AdaBoost Algorithm),该算法可以改进AdaBoost算法本身无法对特征进行筛选的缺点。我们以华东某地区配用电信息系统中的历史数据为依据进行实际算例分析,证明了该方法比AdaBoost以及其他常用的机器学习算法更具优越性。

电力大数据的数据保密技术研究

大数据时代的到来,使得电力行业也逐步步入大数据时代,但数据的共享融合带来也带来巨大的风险。基于电力大数据实验室针对电力行业的数据保密问题进行的研究与分析,介绍了开发的一套"开放分布式环境下电力大数据分析安全防护系统"及相关管理流程和制度,阐述了对电力行业数据保密和信息安全防护的作用。

基于区块链的隐私保护数据共享

区块链是近年来出现了一项分布式共识技术,基于区块链共识协议结合智能合约技术可实现去中心化的数据共享。隐私保护是数据共享中的关键特性,原生区块链没有解决隐私保护问题。利用数字摘要匹配算法提出了一种数据共享协议,该协议通过数字摘要空间的信息匹配,可在保护数据隐私的情况下实现数据的受控共享。基于协议的运行逻辑,分析了协议执行的正确性,参与双方可实现数据交换共享。针对数据共享中的面临的安全威胁,给出了安全性分析。

基于输变电在线监测系统的智能工控系统安全测评方法研究

智能电网工控系统是电网业务系统的核心,与传统信息系统相比,其特点是可用性和实时性要求高,系统生命周期长,在进行安全测试和安全检查时,不能影响控制系统运行的稳定性、可靠性和安全性.本文基于输变电在线监测系统构建系统安全测评方法,并通过仿真进行验证,为电网智能工控系统信息安全防护提供参考.

结合注意力机制与BIM特征的电力能耗预测

能耗预测中引入外因序列有助于目标序列的预测,但在实际应用中各个外因序列与目标序列之间的相关程度往往不清晰,导致无法有效利用多外因序列辅助预测。针对该问题,提出一种结合注意力机制与BIM特征的电力能耗预测模型——BIMAttenNN(BIM Attention Nerual Network)。通过结合注意力机制与BIM特征对外因序列自动选取并重构,将重构特征通过编码器-解码器结构的深度神经网络和线性回归分支准确预测未来电力能耗。实验结果表明,BIMAttenNN能够结合BIM特征自动捕捉电力序列间关系,与传统方法相比具有更高的预测精度。

基于时间序列嵌入的电力负荷预测方法

电力负荷预测是电网规划、运行、节能管理的重要基础,较高的波动性和不确定性的个体层级的电力负荷预测是一个难点问题。根据电力负荷固有的周期特性,提出一种将电力时间序列嵌入向量空间的模型——周期自动编码器PAE(Periodic Autoencoder)。通过聚合来减低电力负荷序列的不确定性和波动性;在嵌入空间中采用多种深度神经网络模型作为预测器,实现个体层级的电力负荷的准确预测。实验结果表明,PAE生成的电力时间序列嵌入能够捕捉电力负荷固有的周期特性,有效地降低其波动性和不确定。与传统方法相比,该电力负荷预测方法具有更高的预测精度。

基于特征重要度二次筛选的DDoS攻击随机森林检测方法

特征选择是攻击检测算法中的一种重要方法,该方法多采用交叉验证递归特征消除(Recursive Feature Elimination with Cross-Validation,RFECV)技术,并通常结合机器学习算法使用。但该算法多用于选取单模型特征,其性能也极易受特征量、学习器的变化而波动,因其计算量大,该算法的分类准确率也仍需提高。针对上述问题,文中提出了一种基于特征重要度二次筛选的DDoS攻击随机森林检测方法。首先,该算法对原始数据集进行预处理并提取特征;其次,该算法为了从所选模型中选择最相关的变量,使用RF变量重要度准则,利用随机森林的重要性评分对变量进行排序;然后,在随机森林特征排序的基础上,对变量计算累积重要性并得到最重要变量;接着,使用所筛选出的最重要变量再次进行训练以生成分类模型,从而得出一组新的重要变量并将其定义为当前变量;最后,通过重要度准则,计算累积重要性来得到最终的最佳变量,从而有效地去除异常点,避免局部最优,进而实现对DDOS攻击的精准分类检测。实验结果表明,该方法具有较高的准确度和精确度,能够实现对正常流量以及各种DDoS攻击流量的精准分类,适用于在大数据下检测DDoS攻击。

基于移动人流数据的商业楼宇负荷用电预测

建筑能耗的准确预测为电网系统进行高效管理和合理分配电能资源奠定了重要基础,而结合外因数据预测商业楼宇的负荷用电量是一个难点问题。根据建筑内人流量对用电负荷的影响,提出一种将融合移动人流数据的多维时间序列预测模型LMO(Linear Model with Occupancy)。利用楼宇负荷用电和移动人流时间序列的耦合性,LMO融合了多维特征,提高楼宇用电量预测的准确性。实验结果表明,LMO能够引入更多的先验知识,减少不确定性。因此,相比于传统方法,该预测方法具有更高的预测精度。

区块链吞吐率提升研究

近年来,区块链作为一门新兴技术得到了广泛关注。但是,区块链技术离真正的投入使用还有相当长的一段路程需要走。目前,区块链无法投入生产的一个重要因素,是现存的区块链系统的低吞吐率无法满足现实生产的需要。例如,理论上,比特币是7 TPS,以太坊是15 TPS,而传统的中心化系统如VISA,支持上千的TPS。因此,分析限制区块链扩展性的主要因素,抽离出提高吞吐率的模型,并且针对每个方面进行具体分析,为以后的研究奠定基础。

基于低秩表示的多任务短期电力负荷预测的研究

在电力系统负荷预测中,使用传统的单任务学习方法未考虑多个地点的负荷间的潜在关系,忽视关联信息在多个地点间传递的可能会导致学习效果欠佳。针对这一问题,本文提出基于低秩表示的多任务学习方法进行多个地点的多任务负荷预测,该方法在学习过程中可以提取不同位置的负荷预测模型的共享低维表示,从而可以挖掘多个任务之间的关联关系,同时又可以区别不同任务之间的差别。实验表明,多任务负荷预测的平均性能优于决策树和随机森林等单任务学习方法,在负荷预测的精度上有了一定的提升。

改进的并行模糊核聚类算法在电力负荷预测的应用

用户用电典型模式的分类预测是电力负荷预测的重要组成部分。针对单核模糊C均值算法在电力大数据挖掘中不能兼顾预测精度和普适性能好的问题,提出了一种电力短期负荷场景中改进的无监督学习多核模糊C均值聚类算法,建立了双层神经网络的电力数据负荷预测模型对比该改进的算法对电力负荷预测效果的影响。用户数据由MapReduce并行化处理加速。数值实验结果表明:改进的算法在实际电力用户数据集中,具有广泛的适用性和有效性,同时能显著提高电力短期负荷预测的精度。

基于多新息扩展Kalman粒子群的Modbus协议攻击检测方法

因为工控系统数据有高维度和非线性的特点,所以针对基于Modbus TCP协议的工控系统提出一种融合Fisher分析、核主成分分析法和多新息扩展Kalman粒子群方法的攻击检测模型。利用Fisher分析和核主成分分析法(kernel principal component analysis,KPCA)对初始数据集进行预处理,实现特征提取和降低数据维度的作用;使用多新息扩展Kalman粒子群算法对支持向量机进行参数寻优,使用以前时刻的新息和当前时刻粒子观测值预估粒子位置,避免传统粒子群算法易陷入局部极小和扩展卡尔曼滤波算法在强非线性系统易导致精度降低的问题。在原始数据集上的仿真结果表明,所提算法在检测准确率、精确率和误报率上与传统的检测算法比较有显著的的提高。