基于电力数据中台的行为审计工具建设

目前电力数据中台围绕数据的安全使用,启用了数据库相关的审计功能,但是仍缺乏有效技术手段对应用层及数据使用者的风险行为进行自动化监测。为提升数据安全保障能力,本文提出建设数据中台行为审计工具,有效保障电力系统数据规范、数据安全;通过智能化手段能够实现电力系统数据异常访问行为分析和数据安全风险管控,自动识别数据异常访问、异常用户行为及数据安全风险隐患,辅助数据安全防护工作,防范因电力系统数据异常操作或内部泄漏造成的数据安全事件,实现数据安全风险可查、可控、可预警;对电力系统行为人的数据使用行为进行分析与画像,识别用户操作行为,对用户行为进行审计;实现电力数据流转动态监测、数据安全风险源头定位;通过电力数据安全风险实时监测、溯源核查、态势感知、精准定位、快速响应,全面提升电力数据安全事件的事前、事中、事后的技术管理水平。

新能源用户参与度高的电力市场用户电量异常数据修正模型

为了精准识别电量异常数据并进行实时修正,保障用户用电安全,提出一种新能源用户参与度高的电力市场用户电量异常数据修正模型。以某含高比例新能源的省市为例,分析其电力市场用户电量可能存在的异常数据现象,搭建概率预测模型,通过离线训练及在线识别,结合阈值和电量预估区间,识别用户电量异常数据,按照用户有不完整负荷数据以及无负荷数据情况,将识别到用户电量异常数据分成两类,获取两种类型中需要修正的用户电量异常数据,将其作为输入,搭建基于深度神经网络的用户电量异常数据修正模型,输出用户电量异常数据修正结果。实验结果显示,该模型能够识别出用户电量异常数据并能精准识别用电数据异常时刻,并能够对识别出用电异常数据进行实时修正。

基于数据驱动模型的反窃电行为精准取证系统

反窃电行为现场蹲守取证的时效性与准确性均较差,导致取证工作效率下降,且取得的证据不完整,设计基于数据驱动模型的反窃电行为精准取证系统。在现场布设反窃电稽查仪、红外摄像头,在采集层获取用户相关用电数据以及视频图像,并通过通信层的集中器将数据传输到主站层。主站层借助数据驱动模型从用电数据以及视频图像中挖掘证据,对获取的证据进行实时整理和归纳,完成反窃电行为精准取证。实验结果表明,利用所设计系统对窃电用户进行检测与识别后所得F1值均大于9,且接近于10,能够实现反窃电行为精准取证。

电力物联网用户侧负荷数据动态R-树匹配方法

电力物联网用户侧负荷数据维度较大,导致数据匹配延时时间过长,为了解决上述问题,基于动态R-树实现电力物联网用户侧负荷数据动态匹配。建立负荷计算模型,分析负荷历史运行信息,实现数据检测。通过归一化函数完成归一化处理,提取动态特征,构建动态R-树,确定匹配机制,根据矩阵计算函数完成压缩处理,利用动态匹配算法更新集对R-树内部结构进一步加以修改,在清除矩形之前,利用叶结点的Hash索引得到R-树匹配矩阵,使用Hash搜索准确地找到目标矩形,增强分布与交互仿真中的实时性,实现用户侧负荷数据动态匹配。实验结果表明,研究的动态R-树匹配方法在数据插入、数据匹配、数据维护过程中的延时时间低于48ms,实时性较好。

基于改进DES的高压电网用户信息安全传输方法

为提高高压电网用户信息传输的带宽,减少信息传输的拥堵现象,提出基于改进DES的高压电网用户信息安全传输方法。利用改进DES加密算法对高压电网用户信息进行加密,并利用区域推进机制将加密后的数据推进到节点中,以此确保节点的均衡能耗,通过节点对数据包进行传输及接收,实现用户信息安全传输。实验结果表明,该方法在不同节点运动速度下,数据传输带宽下降速度慢,数据传输拥堵次数少,表明该方法的传输效果强,具有较高的实用性。

基于VMD分解和随机矩阵理论的异常用电状态检测

【目的】目前需要快速准确地判别用户异常用电行为。【方法】基于智能电表数据,提出了一种结合数据分解和随机矩阵理论的异常状态检测模型,实现了对用户用电异常行为的识别。通过变分模态分解算法(variational mode decomposition, VMD)剔除电力数据噪点,消除噪点数据影响。并将随机矩阵理论(random matrix theory, RMT)与自回归滑动平均模型(auto-regressive moving average model, ARMA)相结合,提高RMT对时间序列的适用性,实现了对用电异常状态的判定。【结果】以某地区的实际用电数据为例进行实验,验证了该方法针对数据样本较大且非高斯分布的情况具有便捷性和高效性,为用电异常行为的识别提供了新方向。

智能配电网多元电力用户群体特性精准感知技术综述

智能配电网和电力物联网的交叉融合以及新型电力系统的发展,使电力用户呈现多元社会化的新特征,导致传统以电气特性为核心的负荷特性感知方法难以适应电力行业发展需求。智能配电网多元电力用户群体的数据获取、特性表征、互动特性评估等成为热点,文中对其相关研究内容进行综述。首先,对智能配电网多元电力用户群体特性精准感知的内涵和关键技术进行简要分析。然后,从3个方向对现有研究方法和模型进行剖析:信息互联下的多元电力用户群体数据全息感知方法;多元电力用户群体特征建模分析方法;多能互补和源荷互动场景下多元电力用户群体特性精准感知方法。最后,分析智能配电网多元电力用户群体特性精准感知领域所面临的挑战,展望该领域未来可能的研究方向。

基于数据关联性分析的工业用户电能质量特征识别

随着电力电子型用电设备的大量使用,电网公共连接点上干扰源用户的类型和数量越发增多,使得其电能质量扰动指标特征和时空特征更为复杂。针对目前电能质量监测装置难以对每条馈线上各终端用户均实现专门监测,且无法识别馈线上多个用户各自电能质量特征等问题,提出一种基于多源数据关联分析的工业用户电能质量特征识别方法。首先,以指标限值和累积分布图拐点为依据,提取监测点电能质量时间序列的超标和波动的数值及其时段,得到谐波关键指标、电压偏差、负序电压不平衡度等指标的扰动时序数据;其次,提出一种基于导数动态时间弯曲的时序距离计算方法,分析扰动时段下监测指标与工业用户用电数据的相关性,依据不同指标关联度识别用户的电能质量特征;最后,基于多类型干扰源仿真和实测算例,验证所提方法的可行性,可实现不同工业用户的电能质量特征识别。

基于改进多分类器的用户电表采集数据修复方法

用户电表位于配电网末端,是开展新型电力系统新兴业务的关键环节。受电表故障、信道噪声等因素影响,用户电表采集数据存在缺失、错误等异常情况,进而影响配电台区“源网荷储”控制的准确性。为解决传统用户电表采集数据修复方法中存在的时序变化规律挖掘不足、异常值修复误差大的问题,提出一种基于改进多分类器的用户电表采集数据修复方法,从而改进多分类器的结构,提取异常数据中的完整区块进行多分类器模型训练,并对用户电表采集数据进行分类。在此基础上,通过变分自编码器学习分类数据的真实变化规律,采用分类集合方式生成修复数据。最后,以某小区用户电表为例进行仿真,得出在异常数据为60%情况下的修复误差为2.8%。该结果表明,所提方法与长短期记忆网络、生成对抗网络相比,具有更好的异常数据修复效果。

基于密度峰值聚类的超短期工业负荷预测

针对水泥工业提出一种使用密度峰值聚类和广义回归神经网络进行超短期负荷预测的方法,可以为大用户购电提供重要依据和参考。鉴于传统聚类很容易进入局部鞍点并且非常依赖于初始化数据,而密度峰值聚类是一种具有快速收敛,高鲁棒性,无需人为设置最佳聚类数等优势。所以采用密度峰值聚类算法分析负荷数据,然后对每一类簇构建广义回归神经网络预测模型得到预测结果。由仿真软件得出仿真结果表明,所提方法具有较高的预测精度,可以用于指导用户合理购电。

基于数据挖掘方法的新型电力系统中可中断负荷合同模型研究

针对新型电力系统中可中断负荷合同模型制定问题,首先基于数据挖掘理论进行用户行为特征分析,并在此基础上进行负荷响应能力分析;然后考虑负荷响应能力,从用户分类参数、电力公司成本、最大中断负荷限制3个方面改进了基于委托-代理理论的传统可中断负荷合同模型;最后结合实际数据进行算例分析,结果验证了考虑负荷响应能力的可中断负荷合同模型的有效性,有利于增强电力系统运行可靠性。

基于粒子群算法的低压用户超容用电优化研判策略

随着我国的经济不断发展,电网规模逐渐扩大,面临的挑战也逐渐增加。电网末端极容易出现低电压和用户超容用电等问题,低压用户超容用电会严重影响局部电力系统稳定性,容易造成线损增加甚至威胁电网安全。本文提出了一种基于粒子群算法的低压用户超容用电优化研判策略,建立了用户特征优化模型,通过分析海量用户数据中出现的异常情况来准确判断用户是否为低压超容用户,同时针对海量低压超容用户研判的常规流程进行改进,提出了优化研判策略。算例结果表明,本文所述方法能够从海量用户中准确研判低压超容用户,并且较人工审核方式提高了2.86%的判断准确率。

基于物联网的电力核心用户数据匿名化系统

电力核心用户匿名化处理过程中用于筛选属性特征的数据维度较高,且排序混乱,导致匿名化数据隐私性和可用性下降,提出基于物联网的电力核心用户数据匿名化系统。设计物联网数据采集器,根据物联网技术特性规划采集器控制板CPU电路,采集用户数据;通过用户IP向量的聚类变化,重新排序特征值的熵,获得数据集降维数据,利用降维数据属性特征匿名表示用户数据。实验结果表明,设计系统输出数据的记录链接和KL散度低于两组常规系统,降低了匿名数据被攻击概率和失真程度,提高了匿名化数据隐私性和可用性。

基于数据挖掘算法的用户用电量需求自动预测模型

采用目前方法对用户用电量需求进行预测时,存在鲁棒性差和误差率高的问题。提出基于数据挖掘算法的用户用电量需求自动预测模型构建方法。在用户用电量数据预处理阶段,采用模糊C均值FCM对用户用电量数据进行聚类处理,通过STL模型对用户用电量进行分解,并对分量的变化特征进行分析,结合模型预测结果获得用户用电量需求的最终预测值。实验结果表明,所提方法的鲁棒性好、误差率低。

基于用户端电力需求需量节能优化调控方法研究

针对目前方法对用户端电力需量进行优化调控时,由于未考虑获取用户端电力需量负荷中的各项需量负荷权值,导致检测出的用户端电力需量负荷值误差较大,用电量花费和用户端电力设备总容量占比较高的问题,提出基于需求侧管理的用户端电力需量优化调控方法研究。利用二维小波阈值法,去噪处理用户端电力数据,获取完整用户端电力数据,再基于需求侧管理理念,分类用户端电力需量负荷,并计算分类后各项需量负荷。整合计算结果,获取用户端电力需量调控设备的目标调控函数,利用该函数对电力需量调控设备进行优化,实现用户端电力需量优化调控。实验结果表明,所提方法检测出的用户端电力需量负荷值与标准电力需量负荷值误差较小,能够有效降低用电量花费和用户端电力设备总容量占比。

电力客户准确定位与立体画像多维构建研究

针对传统供电企业电网用户画像构建存在信息覆盖少、准确率低的问题,提出基于电力大数据的电网用户立体画像构建方法,通过IV值特征筛选法甄选电力用户的特征指标,应用多尺度逐层分析法提取指标特征量,根据聚类中心距离进行信息分析,构建电力用户立体画像特征域的分类结构模型,提升画像特征定位精度,实现准确营销和个性化服务。仿真结果表明电力用户立体画像构建方式能有效提高电力用户多维特征分类精度,有利于向电力用户提供个性化服务。

综合能源系统中用户窃电行为信息的采集方法

电力公司存在欺诈性电力客户,为保证电网的安全运行,需要准确预测和判断电网用户是否发生窃电行为,因此,本文研究了综合能源系统中用户窃电行为的信息采集方法。考虑综合能源系统中的历史用电数据,以关键特征指标为判断标准,标准化分类用户的用电数据。通过时序偏差曲线指定数据采集任务,构建用户用电信息不完全博弈模型,以数据挖掘技术采集用户窃电行为信息,完成用户窃电行为信息采集。

USPS:面向算力资源高效协同的用户态跨协议代理系统

随着算力网络的快速发展,通用算力、人工智能算力、超算等算力资源分布广泛。算力资源协同服务是算力网络研究的关键问题。在算力资源协同过程中,一方面,算力网络面临海量终端算力服务的高并发请求和低时延响应需求;另一方面,其难以充分发挥数据中心算力资源的高吞吐和低时延优势,进而难以为用户提供高效的算力服务。针对上述挑战,提出一种基于用户态协议栈和远程直接内存访问(Remote Direct Memory Access,RDMA)的用户态代理系统(User-Space Proxy System,USPS),通过用户态协议栈响应客户高并发算力请求,在动态批处理策略协调下实现基于RDMA的数据中心算力高吞吐、低时延服务。在通信方面,USPS实现了一个高效的远程过程调用(Remote Procedure Call,RPC)通信机制,能够充分利用RDMA网卡带宽提供高速消息通信;在请求处理方面,提出了一个动态批处理调度方法,能够在满足用户时延要求的前提下最大化批处理效率。实验结果表明,USPS的服务响应时延仅是传统内核态Nginx代理系统的7.8%~23.1%,是其他用户态代理系统的17.3%~24.7%;吞吐量比传统内核态的Nginx代理系统提升了3.4~8.9倍,比其他用户态代理系统提升了3.2~4.2倍。

基于大数据技术的电力用户需求挖掘方法

由于传统电力用户需求挖掘方法准确度低且计算过程复杂,本文探究了基于大数据技术的电力用户需求挖掘方法。根据外在因素分析用户行为特征,通过电器使用程度确定参考指标与用电量;利用K均值聚类算法处理行为数据,使用关联规则深度挖掘用户需求,实现利用大数据技术分析用户需求与习惯倾向。测试结果表明:使用大数据技术挖掘到的用户用电量与实际采集到的用电量之间差值不超过0.45 kW,可见本文方法可以达到预想效果。

基于多维度电力大数据的高电压企业用户信用评估模型

为实现不同信用等级高电压企业用户的差异化营销和电价风险识别,提高电力企业的风险管控水平,提出了基于多维度电力大数据的高电压企业用户信用评估模型。选取不同的原始凝聚点对企业用户的电网数据进行聚类分析;采用数据清洗、数据集成、数据规范和数据转换4个步骤对电网数据进行预处理;通过计算用户用电特征的信息增益,剔除错误数据,得到准确的用户用电特征;以守信能力为基础,建立高电压企业用户信用评价体系,设计基于支付积极性的高电压企业用户信用评价模型;计算企业加权定期支付周期值,建立信用价值权衡函数,完成对高电压企业用户支付信用的定量评价。实例测试结果表明,该方法能够准确获取高电压企业用户的用电特征,评价结果的准确性较高,为电网公司规避支付风险提供了数据依据。