CN115796018A - 一种面向虚拟电厂信息物理系统的多源传感数据融合方法 - Google Patents
一种面向虚拟电厂信息物理系统的多源传感数据融合方法 Download PDFInfo
- Publication number
- CN115796018A CN115796018A CN202211461395.6A CN202211461395A CN115796018A CN 115796018 A CN115796018 A CN 115796018A CN 202211461395 A CN202211461395 A CN 202211461395A CN 115796018 A CN115796018 A CN 115796018A
- Authority
- CN
- China
- Prior art keywords
- data
- source
- power plant
- virtual power
- physical system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 17
- 230000004927 fusion Effects 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 11
- 238000002347 injection Methods 0.000 claims abstract description 8
- 239000007924 injection Substances 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000004146 energy storage Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 230000002452 interceptive effect Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000002864 sequence alignment Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 230000008846 dynamic interplay Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种面向虚拟电厂信息物理系统的多源传感数据融合方法，基于卷积神经网络CNN和长短时记忆神经网络LSTM来建立数据融合模型，利用数据融合模型对采集到的虚拟电厂多源传感数据中的每一个单源数据进行特征提取，对提取的特征进行深度卷积融合。本发明通过混合神经网络结构对虚拟电厂信息物理系统模型下的多源异构数据进行特征提取和特征融合，同时利用虚假数据注入攻击FDIA检测来验证数据融合的效果，相比于传统方法，本发明的检测性能更优。
Description
技术领域
本发明涉及虚拟电厂数据集成建模与融合领域，尤其涉及一种面向虚拟电厂信息物理系统的多源传感数据融合方法。
背景技术
以虚拟电厂为代表的新型电力业务系统为现代社会提供持续可靠的电能供给。但是新能源电源与多元负荷广泛接入的系统架构以及公共互联网和电力专网(简称公专)互动信息物理融合的运行方式，给虚拟电厂系统的稳定运行带来严重的安全威胁。由于虚拟电厂中公专两侧信息流与能量流的动态交互，信息风险与电力风险可相互叠加并在公专两侧交叉传播，而新能源出力与多元负荷的随机波动特性进一步增加了虚拟电厂系统运行的脆弱性并暴露出更多薄弱节点。
随着机器学习、神经网络等智能算法的应用，相关学者也尝试从人工智能角度探讨虚拟电厂信息物理系统的建模与分析。但是，当前的研究依然存在一定局限性。首先，相对于传统电力系统，虚拟电厂业务系统的形态发生了较大演进，其内部包含了大量形态与功能各异的节点，大量潜在的安全漏洞导致风险来源多样化，以虚拟电厂为代表的新型电力业务系统的信息物理架构不能简单照搬传统的信息物理系统模型。其次，传统的信息流模型没有考虑虚拟电厂公专两侧跨时空的信息交互机制，忽略了公专两侧信息流与能量流的耦合效应；第三，虚拟电厂中公专两侧频繁的交互数据中存在大量多源异构数据，严重影响到公专两侧信息流与能量流动态交互特性的挖掘，增加了针对虚拟电厂信息物理系统攻击建模的难度。
这里的陈述仅提供与本发明有关的背景技术，而并不必然地构成现有技术。
发明内容
本发明的目的在于提供一种面向虚拟电厂信息物理系统的多源传感数据融合方法，通过混合神经网络结构对虚拟电厂信息物理系统模型下的多源异构数据进行特征提取和特征融合，同时利用虚假数据注入攻击FDIA检测来验证数据融合的效果，提高了检测性能。
为了达到上述目的，本发明提供一种面向虚拟电厂信息物理系统的多源传感数据融合方法，基于卷积神经网络CNN和长短时记忆神经网络LSTM来建立数据融合模型，利用数据融合模型对采集到的虚拟电厂多源传感数据中的每一个单源数据进行特征提取，对提取的特征进行深度卷积融合。
所述特征提取方法包含：
CNN网络提取单源数据的卷积层特征：
其中，x为时间对齐的异构数据向量，
为对x提取出的卷积层特征，conv代表一维卷积层Conv1D，最内层卷积核大小为5×5，其余两层卷积核大小为3×3，Conv1D卷积公式：
其中，
为第l层的第k次卷积，
为与第l层对应的第k个卷积核的偏差，
为对应卷积层参数；
LSTM网络提取单源数据的时序特征；
对于隐藏层状态：
ht＝f(ht-1,x(t))
其中，x(t)代表t时刻的时序单源数据输入，ht-1、ht分别代表时间t-1时刻和时间t时刻的LSTM隐藏层状态输出；
提取数据的时序特征：
l＝Relu(Wt·ht+bt)
其中，对于
Wt为训练参数矩阵，bt为偏差；通过计算归一化的时间特征f(t)乘以相应的变量ht，隐藏状态ht被增强或削弱，
作为最终的整体状态输出，即为单源数据的时序特征；
卷积层特征和时序特征的级联作为一个单源数据的最终提取特征：
其中，
分别代表第i个单源数据的卷积特征和时序特征，contact(·)为特征向量的级联，fi代表一个单源数据的提取特征；
所述特征融合方法包含：
对提取的特征进行深度卷积融合；
其中，fs、fw代表两个独立数据源数据的提取特征，contact(·)为特征向量的级联，conv代表一维卷积层Conv1D，内层卷积将多源级联特征升维，外层卷积将多源级联特征降维，内外卷积层卷积核大小为1×1，融合前后的时间特征信息可以有效保持；
所述虚拟电厂多源传感数据包含来自虚拟电厂数据载体的传感交互数据，所述数据载体至少包含：储能、光伏、充电桩。
对采集到的虚拟电厂多源传感数据进行预处理，所述预处理至少包含：划分筛选、数据清洗、数据补齐、时序对齐、归一化处理。
通过规模数据训练和虚假数据注入攻击FDIA测试来验证数据融合模型的有效性。
所述规模数据训练方法包含：
训练轮数为15轮，批处理大小为128，损失函数使用均方误差损失MSE，优化器使用Adam学习器，默认参数为(0.9，0.99)，初始学习率为10-4，且每过一轮进行权重衰减。
所述虚假数据注入攻击FDIA测试方法包含：
阈值选择：阈值分别根据最大F1-Score和ROC曲线进行选取；
根据最大F1-Score选取时，在一定阈值空间之间进行查找，直到找到最大F1-Score的对应阈值；
F1-Score定义如下：
其中，Precision、Recall分别为精确率和回召率：
其中，TP、FP、TN和FN分别是真阳性、假阳性、真阴性和假阴性；
根据ROC曲线选取时，ROC曲线最靠左上角的最佳临界值即为所取阈值；
ROC分别以假正例率FPR为横轴，以真正例率TPR为纵轴：
攻击检测：根据不同标准划分得到阈值后，在攻击检测时，输入数据进行训练后得到的模型输出预测数据，预测数据和真实数据的损失差与阈值进行对比，低于阈值则预测数据为正常数据，反之，高于阈值为攻击数据。
本发明通过混合神经网络结构对虚拟电厂信息物理系统模型下的多源异构数据进行特征提取和特征融合，同时利用虚假数据注入攻击FDIA检测来验证数据融合的效果，相比于传统方法，本发明的检测性能更优。
附图说明
图1为本发明的算法流程图。
图2a为本发明模型训练(S＝2)的损失下降图。
图2b为本发明模型训练(S＝3)的损失下降图。
图3为本发明与其他实验的ROC曲线对比图。
图4为本发明与其他实验在融合前后的性能对比图。
具体实施方式
以下根据图1～图4，具体说明本发明的较佳实施例。
在公专互动网络环境下，有必要针对虚拟电厂信息物理系统的多源异构交互数据建立高效融合模型，实现多源数据的高效融合，提升虚拟电厂信息物理系统模型性能。
如图1所示，本发明提供一种面向虚拟电厂信息物理系统的多源传感数据融合方法，包含以下步骤：
步骤S1、收集虚拟电厂多源传感数据，对数据进行划分筛选，数据清洗及补齐缺失数据；
步骤S1.1、收集虚拟电厂不同数据载体(储能、光伏、充电桩等)的传感交互数据；
步骤S1.2、在收集的多源传感数据集上，对数据进行划分筛选，如：利用小波时域滤噪方法对采集数据中的突变进行滤除，实现对正常数据的筛选；
步骤S1.3、对多源传感数据进行数据清洗和补齐缺失数据，如：使用BP神经网络对多源传感数据中的异常数据进行清洗，然后利用概率模型解决数据的缺失补齐；
步骤S2、对虚拟电厂的多源传感数据进行时序对齐和归一化处理；
步骤S2.1、对多源传感数据进行时序对齐；
步骤S2.2、对对齐后的多源传感数据进行归一化处理；
步骤S3、建立深度混合模型对多源传感数据进行特征提取，对提取的特征进行深度卷积融合；
步骤S3.1、建立深度混合特征提取模型对多源传感数据进行特征提取；
步骤S3.1.1、建立深度混合模型：综合CNN(卷积神经网络)在空间特征提取上的良好表现以及LSTM(长短时记忆神经网络)在提取时序数据特征的上的运用，建立混合模型来对多源传感数据中的每一个单源数据进行特征提取；
步骤S3.1.2、CNN网络提取单源数据的卷积层特征：
其中，x为时间对齐的异构数据向量，
为对x提取出的卷积层特征，conv代表一维卷积层Conv1D，最内层卷积核大小为5×5，其余两层卷积核大小为3×3，Conv1D卷积公式：
其中，
为第l层的第k次卷积，
为与第l层对应的第k个卷积核的偏差，
为对应卷积层参数；
CNN网络提取的卷积特征主要表示异构数据的空间相关性，而不考虑其时间相关性；
步骤S3.1.3、LSTM网络提取单源数据的时序特征；
首先，对于隐藏层状态：
ht＝f(ht-1,x(t))
其中，x(t)代表t时刻的时序单源数据输入，ht-1、ht分别代表时间t-1时刻和时间t时刻的LSTM隐藏层状态输出；
随后，提取数据的时序特征：
l＝Relu(Wt·ht+bt)
其中，对于
Wt为训练参数矩阵，bt为偏差；
通过计算归一化的时间特征f(t)乘以相应的变量ht，隐藏状态ht可以被增强或削弱，
作为最终的整体状态输出，即为单源数据的时序特征；
步骤S3.1.4、卷积层特征和时序特征的级联作为一个单源数据的最终提取特征：
其中，
分别代表第i个单源数据的卷积特征和时序特征，contact(·)为特征向量的级联，fi代表一个单源数据的提取特征；
步骤S3.2、对提取的特征进行深度卷积融合；
其中，fs、fw代表两个独立数据源数据的提取特征，contact(·)为特征向量的级联，conv代表一维卷积层Conv1D，内层卷积将多源级联特征升维，外层卷积将多源级联特征降维，内外卷积层卷积核大小为1×1，融合前后的时间特征信息可以有效保持；
最后，
再经过一个LSTM层来进一步提取整体时序特征；
步骤S4、通过规模数据训练和FDIA(虚假数据注入攻击)攻击测试来验证数据融合模型的有效性；
步骤S4.1、模型训练：训练轮数为15轮，批处理大小为128，损失函数使用MSE(均方误差损失)，优化器使用Adam学习器，默认参数为(0.9，0.99)，初始学习率为10-4，且每过一轮进行权重衰减；
步骤S4.2、阈值选择和攻击检测：阈值分别根据最大F1-Score和ROC(接受者操作特征曲线)曲线进行选取；
根据最大F1-Score选取时，在一定阈值空间之间进行查找，直到找到最大F1-Score的对应阈值；
F1-Score定义如下：
其中，Precision、Recall分别为精确率和回召率：
其中，TP、FP、TN和FN分别是真阳性、假阳性、真阴性和假阴性；
根据ROC曲线选取时，ROC曲线最靠左上角的最佳临界值即为所取阈值；
ROC分别以假正例率(False Positive Rate，FPR)为横轴，以真正例率(TruePositive Rate，TPR)为纵轴：
根据不同标准划分得到阈值后，在攻击检测时，输入数据进行训练后得到的模型输出预测数据，预测数据和真实数据的损失差与阈值进行对比，低于阈值则预测数据为正常数据，反之，高于阈值为攻击数据。
本发明的效果可以通过以下性能分析及仿真实验测试得到验证和说明。
仿真实验及性能分析：
本发明选择IEEE 14节点测试系统中的数据作为仿真实验数据。IEEE 14节点数据收集了某地区在2020年1月1日到2022年5月1日之间负荷集成商收集的真实负载数据，包含充电桩、办公楼宇和储能设备等多源负荷数据，选取其中11个区域代表IEEE 14节点测试系统的11个负载总线，各个总线状态变量通过对系统进行潮流计算取得。
本发明实验的多源传感器数据由IEEE 14节点数据模拟分割形成。IEEE14节点测试系统中的每个节点独立监控着测试系统对应该节点的负载信息，因此划分该系统中节点可以视作划分出监控同一个系统的不同传感器数据源。实际讨论了两个传感器数据源(S＝2)和三个传感器数据源(S＝3)的数据划分情况。
图2a和图2b表示本发明在多源情况下的适用性。图3表明本发明ROC曲线上更优，体现在本发现ROC曲线下面积最大。下表为S＝2时在不同阈值选取标准下，本发明和其他模型的对比结果，使用检测准确率和F1-Score作为性能评估指标，从表中可以看到，本发明在与CNN、LSTM、CNN-LSTM和MLP四个模型对比下最优。
此外，图4表明数据融合模块的有效性，不同的基础模型引入数据融合模块都可以提高检测性能。
本发明通过混合神经网络结构对虚拟电厂信息物理系统模型下的多源异构数据进行特征提取和特征融合，同时利用虚假数据注入攻击FDIA检测来验证数据融合的效果，相比于传统方法，本发明的检测性能更优。
需要说明的是，在本发明的实施例中，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述实施例，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。
Claims (8)
1.一种面向虚拟电厂信息物理系统的多源传感数据融合方法，其特征在于，基于卷积神经网络CNN和长短时记忆神经网络LSTM来建立数据融合模型，利用数据融合模型对采集到的虚拟电厂多源传感数据中的每一个单源数据进行特征提取，对提取的特征进行深度卷积融合。
2.如权利要求1所述的面向虚拟电厂信息物理系统的多源传感数据融合方法，其特征在于，所述特征提取方法包含：
CNN网络提取单源数据的卷积层特征：
其中，x为时间对齐的异构数据向量，
为对x提取出的卷积层特征，conv代表一维卷积层Conv1D，最内层卷积核大小为5×5，其余两层卷积核大小为3×3，Conv1D卷积公式：
其中，
为第l层的第k次卷积，
为与第l层对应的第k个卷积核的偏差，
为对应卷积层参数；
LSTM网络提取单源数据的时序特征；
对于隐藏层状态：
ht＝f(ht-1,x(t))
其中，x(t)代表t时刻的时序单源数据输入，ht-1、ht分别代表时间t-1时刻和时间t时刻的LSTM隐藏层状态输出；
提取数据的时序特征：
l＝Relu(Wt·ht+bt)
其中，对于
Wt为训练参数矩阵，bt为偏差；通过计算归一化的时间特征f(t)乘以相应的变量ht，隐藏状态ht被增强或削弱，
作为最终的整体状态输出，即为单源数据的时序特征；
卷积层特征和时序特征的级联作为一个单源数据的最终提取特征：
其中，
分别代表第i个单源数据的卷积特征和时序特征，contact(·)为特征向量的级联，fi代表一个单源数据的提取特征。
3.如权利要求2所述的面向虚拟电厂信息物理系统的多源传感数据融合方法，其特征在于，所述特征融合方法包含：
对提取的特征进行深度卷积融合；
其中，fs、fw代表两个独立数据源数据的提取特征，contact(·)为特征向量的级联，conv代表一维卷积层Conv1D，内层卷积将多源级联特征升维，外层卷积将多源级联特征降维，内外卷积层卷积核大小为1×1，融合前后的时间特征信息可以有效保持；
4.如权利要求3所述的面向虚拟电厂信息物理系统的多源传感数据融合方法，其特征在于，所述虚拟电厂多源传感数据包含来自虚拟电厂数据载体的传感交互数据，所述数据载体至少包含：储能、光伏、充电桩。
5.如权利要求4所述的面向虚拟电厂信息物理系统的多源传感数据融合方法，其特征在于，对采集到的虚拟电厂多源传感数据进行预处理，所述预处理至少包含：划分筛选、数据清洗、数据补齐、时序对齐、归一化处理。
6.如权利要求5所述的面向虚拟电厂信息物理系统的多源传感数据融合方法，其特征在于，通过规模数据训练和虚假数据注入攻击FDIA测试来验证数据融合模型的有效性。
7.如权利要求6所述的面向虚拟电厂信息物理系统的多源传感数据融合方法，其特征在于，所述规模数据训练方法包含：
训练轮数为15轮，批处理大小为128，损失函数使用均方误差损失MSE，优化器使用Adam学习器，默认参数为(0.9，0.99)，初始学习率为10-4，且每过一轮进行权重衰减。
8.如权利要求7所述的面向虚拟电厂信息物理系统的多源传感数据融合方法，其特征在于，所述虚假数据注入攻击FDIA测试方法包含：
阈值选择：阈值分别根据最大F1-Score和ROC曲线进行选取；
根据最大F1-Score选取时，在一定阈值空间之间进行查找，直到找到最大F1-Score的对应阈值；
F1-Score定义如下：
其中，Precision、Recall分别为精确率和回召率：
其中，TP、FP、TN和FN分别是真阳性、假阳性、真阴性和假阴性；
根据ROC曲线选取时，ROC曲线最靠左上角的最佳临界值即为所取阈值；
ROC分别以假正例率FPR为横轴，以真正例率TPR为纵轴：
攻击检测：根据不同标准划分得到阈值后，在攻击检测时，输入数据进行训练后得到的模型输出预测数据，预测数据和真实数据的损失差与阈值进行对比，低于阈值则预测数据为正常数据，反之，高于阈值为攻击数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211461395.6A CN115796018A (zh) | 2022-11-21 | 2022-11-21 | 一种面向虚拟电厂信息物理系统的多源传感数据融合方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211461395.6A CN115796018A (zh) | 2022-11-21 | 2022-11-21 | 一种面向虚拟电厂信息物理系统的多源传感数据融合方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115796018A true CN115796018A (zh) | 2023-03-14 |
Family
ID=85439719
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211461395.6A Pending CN115796018A (zh) | 2022-11-21 | 2022-11-21 | 一种面向虚拟电厂信息物理系统的多源传感数据融合方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115796018A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117591584A (zh) * | 2023-11-14 | 2024-02-23 | 深圳市科中云技术有限公司 | 一种基于多源异构数据驱动的虚拟电厂优化管理及调度方法 |
| CN118134023A (zh) * | 2024-02-06 | 2024-06-04 | 水电水利规划设计总院有限公司 | 一种电力系统风光出力量化预测方法及预测装置 |
-
2022
- 2022-11-21 CN CN202211461395.6A patent/CN115796018A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117591584A (zh) * | 2023-11-14 | 2024-02-23 | 深圳市科中云技术有限公司 | 一种基于多源异构数据驱动的虚拟电厂优化管理及调度方法 |
| CN118134023A (zh) * | 2024-02-06 | 2024-06-04 | 水电水利规划设计总院有限公司 | 一种电力系统风光出力量化预测方法及预测装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115796018A (zh) | 一种面向虚拟电厂信息物理系统的多源传感数据融合方法 | |
| CN104809722B (zh) | 一种基于红外热像的电气设备故障诊断方法 | |
| CN114580706A (zh) | 基于gru-lstm神经网络的电力金融业务风控方法及系统 | |
| CN112767226A (zh) | 基于gan网络结构自动学习失真的图像隐写方法和系统 | |
| CN105933316B (zh) | 网络安全级别的确定方法和装置 | |
| CN111800811A (zh) | 一种频谱异常的无监督检测方法、装置、设备及存储介质 | |
| CN110852441B (zh) | 一种基于改进朴素贝叶斯算法的火灾预警方法 | |
| CN113468071A (zh) | 模糊测试用例生成方法、系统、计算机设备及存储介质 | |
| CN113836707B (zh) | 基于加速属性网络嵌入算法的电力系统社区探测方法和装置 | |
| CN117556369B (zh) | 一种动态生成的残差图卷积神经网络的窃电检测方法及系统 | |
| CN115018512A (zh) | 基于Transformer神经网络的窃电检测方法及装置 | |
| CN113343123B (zh) | 一种生成对抗多关系图网络的训练方法和检测方法 | |
| Irfan et al. | Energy theft identification using AdaBoost Ensembler in the Smart Grids | |
| CN104463369A (zh) | 一种分布式电源选址与定容优化方法及系统 | |
| CN118152859A (zh) | 一种振动台功率放大器的多工况谐波分析方法及系统 | |
| CN115356599B (zh) | 一种多模态城市电网故障诊断方法及系统 | |
| CN115952493A (zh) | 一种黑盒模型的逆向攻击方法、攻击装置以及存储介质 | |
| CN115187789A (zh) | 基于卷积层激活差异的对抗图像检测方法及装置 | |
| CN113672932A (zh) | 一种基于自适应熵值权重的电力物联网智能终端可信计算信任值获取方法 | |
| CN114139601A (zh) | 一种对电力巡检场景人工智能算法模型的评估方法及系统 | |
| Jazzar et al. | A novel soft computing inference engine model for intrusion detection | |
| Darty et al. | Calibration of Multi-Agent Simulations through a Participatory Experiment | |
| CN118233317B (zh) | 一种基于时间型网络推断的拓扑混淆防御方法 | |
| CN116484261A (zh) | 一种基于卷积神经网络的故障电弧检测方法 | |
| CN118051850A (zh) | 电动汽车充电桩异常检测方法、系统、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |