针对传统虚假数据注入攻击将量测值与状态变量间的非线性函数关系近似作为直流模型进行处理,且未考虑交流潮流和不完整拓扑信息的问题,文章提出一种虚拟数据注入攻击(dummy data injection attack,DDIA)生成方法。首先,详细分析交流状...针对传统虚假数据注入攻击将量测值与状态变量间的非线性函数关系近似作为直流模型进行处理,且未考虑交流潮流和不完整拓扑信息的问题,文章提出一种虚拟数据注入攻击(dummy data injection attack,DDIA)生成方法。首先,详细分析交流状态评估及不良状态检测方法,为后续DDIA生成提供理论依据;其次,提出了计及交流潮流和拓扑约束的DDIA生成方法,并考虑DDIA的虚拟性特征,通过确保量测数据与被攻击数据距离最小的数据点,即可构造被篡改的量测数据;最后,在IEEE 14、IEEE 118和IEEE 300节点系统上进行攻击模拟,结果表明,提出的虚拟数据注入攻击十分隐蔽且对电力系统的稳定运行造成了严重影响。展开更多
为应对电力系统碳排放计算中效率和精度不足的问题,文章提出一种基于时空图神经网络(spatiotemporal graph neural network,ST-GNN)的数据驱动方法,旨在高效计算节点碳排放因子以及支路碳流和碳流损耗。文章首先分析电力系统碳排放流计...为应对电力系统碳排放计算中效率和精度不足的问题,文章提出一种基于时空图神经网络(spatiotemporal graph neural network,ST-GNN)的数据驱动方法,旨在高效计算节点碳排放因子以及支路碳流和碳流损耗。文章首先分析电力系统碳排放流计算的复杂性及传统方法的局限性,进而设计以有功-无功(active and reactive power,PQ)节点、有功-电压(active power and voltage,PV)节点和平衡节点特征为输入的ST-GNN模型,实现碳排放因子及支路碳流的直接计算,并确定支路碳流损耗。其中PQ节点的特征有功功率和无功功率,来源于电力系统运行数据,PV节点的发电功率和电压来自发电机的运行特性,平衡节点的输入包括电压和相位角,确保系统的功率平衡。通过IEEE 9节点、IEEE 57节点和IEEE118节点系统的实验,验证了所提方法的有效性。结果表明,ST-GNN模型在碳排放因子、支路碳流和碳损耗的计算精度上显著优于线性回归、决策树、长短期记忆网络和多层感知机,特别在复杂电力网络中表现突出。该研究为电力系统碳排放监测和优化提供了精准高效的技术支持。展开更多
文摘为应对电力系统碳排放计算中效率和精度不足的问题,文章提出一种基于时空图神经网络(spatiotemporal graph neural network,ST-GNN)的数据驱动方法,旨在高效计算节点碳排放因子以及支路碳流和碳流损耗。文章首先分析电力系统碳排放流计算的复杂性及传统方法的局限性,进而设计以有功-无功(active and reactive power,PQ)节点、有功-电压(active power and voltage,PV)节点和平衡节点特征为输入的ST-GNN模型,实现碳排放因子及支路碳流的直接计算,并确定支路碳流损耗。其中PQ节点的特征有功功率和无功功率,来源于电力系统运行数据,PV节点的发电功率和电压来自发电机的运行特性,平衡节点的输入包括电压和相位角,确保系统的功率平衡。通过IEEE 9节点、IEEE 57节点和IEEE118节点系统的实验,验证了所提方法的有效性。结果表明,ST-GNN模型在碳排放因子、支路碳流和碳损耗的计算精度上显著优于线性回归、决策树、长短期记忆网络和多层感知机,特别在复杂电力网络中表现突出。该研究为电力系统碳排放监测和优化提供了精准高效的技术支持。
