基于向量自回归模型的电网虚假数据注入攻击检测

虚假数据注入攻击(false data injection attack,FDIA)是威胁电网运行安全的主要因素之一,其主要通过攻击电网中的一些通信环节,误导电力系统的状态估计结果,给电网安全运行带来巨大威胁。针对FDIA难以有效检测及电力系统状态估计中过程噪声与量测噪声两者协方差矩阵非正定问题,将向量自回归(vector auto regression,VAR)模型引入电力系统状态估计,提出一种基于VAR和加权最小二乘法(weighted least squares,WLS)的FDIA检测方法。首先,建立VAR状态估计模型,将量测噪声视为稳定量,只对过程噪声进行估计,解决两者协方差矩阵的非正定问题;其次,分别采用VAR与WLS对电力系统进行状态估计,采用一致性检验与量测量残差检验对2种方法的结果进行检测,以判定是否存在FDIA;最后,IEEE 14节点和IEEE 30节点仿真结果表明,本文所提检测方法能够成功检测到FDIA,且检测成功率较高,从而验证了该方法的可行性及有效性。

基于自适应反向学习秃鹰搜索算法的最优潮流计算

针对秃鹰搜索算法(BES)易陷入局部最优、全局搜索与局部开发难以平衡的缺点,引入反向学习策略,促使秃鹰个体进行竞争,结合柯西变异策略和自适应惯性权重因子,提出了一种自适应反向学习秃鹰搜索算法(AOBES),并将其引入最优潮流问题求解。IEEE30节点系统仿真结果表明,采用AOBES算法求解最优潮流问题具有寻优精度高、稳健性强等优势。

电力资源生产和分配的优化问题

电力资源是现代社会不可或缺的资源之一,课题通过对不同型号的发电机进行组合,安排它们工作的时间,以达到既满足不同时段供电需求,实现投入成本最低的目的。在保证稳定运行的情况下完成调度,电力生产的效率最高,达到优化的效果。从固定成本、边际成本、启动成本出发,对某电厂的不同型号发电机,运用非线性模型进行求解,以降低电力资源生产成本,优化分配方式。

基于RBF神经网络模型的电力系统短期负荷预测

电力系统短期负荷对电力企业的经济效益和社会效益都有一定影响。因此文中建立了基于RBF神经网络的电力系统短期负荷模型。用历史负荷数据作为训练样本,用训练好的神经网络进行电力系统短期负荷预测,并与BP神经网络进行对比。RBF神经网络的平均误差为2.09%,最大误差为4.77%,相比于BP神经网络精确度较高,有利于电力系统合理地进行调度规划工作。

基于动态神经网络时间序列的风电功率短期预测

近年来,随着我国的风电发展的突飞猛进,对风电场功率进行实时预测具有重要意义,但大气和电场的地形地貌等自然因素导致风电功率的不可控性。本文利用动态神经网络的反馈记忆特性,采用基于NAR动态神经网络对风电功率进行时间序列短期预测,准确率高达93.7%,证明该模型能有效提高风电功率实时预测的准确性,可改善风电联网运行性能,为电力生产和调度提供良好的条件。